基于智能前馈的垃圾焚烧炉脱硝控制策略

针对选择性非催化还原（SNCR）脱硝控制系统大迟延、大惯性的特点,以及垃圾特性不稳定和燃烧状态波动大导致的脱硝控制稳定性差的问题,设计了一套基于智能前馈的垃圾焚烧炉脱硝控制策略。该控制策略以串级PID控制为基础,采用基于偏最小二乘法（PLS）的模型预测前馈和关键变量前馈相结合的智能前馈结构,同时采用模型预测误差自修正方法以保证模型预测的精度和稳定性。将该脱硝智能控制策略应用于某500 t/d垃圾焚烧机组,应用结果表明:脱硝智能控制投入前,NOx排放质量浓度波动较大,统计时间内NOx质量浓度相对标准偏差为19.81%,其中瞬时NOx排放质量浓度小于150 mg/m3的占比为95.62%;脱硝智能控制投入后,NOx排放质量浓度波动显著减小,统计时间内NOx质量浓度相对标准偏差为12.40%,其中瞬时NOx排放质量浓度小于150 mg/m3的占比为99.31%,,控制稳定性显著提高,统计时间内日均进氨流量和日均进氨总量较智能控制投入前分别下降38.81%和38.82%,实现了垃圾焚烧炉SNCR脱硝系统的稳定、经济和环保运行。     

基于MIC-CFS-LSTM的SCR出口NOx浓度动态预测

针对燃煤机组选择性催化还原(SCR)系统出口氮氧化物(NO_x)预测模型精度不高的问题，提出一种基于最大信息系数(MIC)和长短期记忆(LSTM)神经网络的预测模型方法。首先采用MIC估计各变量的延迟时间，对数据进行时延重构；然后采用重构后数据的MIC值作为评价各输入变量和输出变量间相关性大小的指标，并结合基于关联性的特征选择算法(CFS)进行输入变量筛选；最后基于时延重构和变量筛选后的数据，采用LSTM神经网络建立了SCR出口氮氧化物浓度动态预测模型。该模型被用于广东某320 MW燃煤机组实际运行数据分析。结果表明，经时延重构和变量筛选后所建立的LSTM预测模型具有较高精度，优于深度神经网络(DNN)模型和径向基函数(RBF)神经网络模型，平均绝对百分比误差达2.58%,均方根误差达2.02,可满足现场运用要求。