神经网络预测控制在SCR烟气脱硝系统中应用

doi:10.12068/j.issn.1005-3026.2017.06.004

东北大学学报:自然科学版 ›› 2017, Vol. 38 ›› Issue (6): 778-782.DOI: 10.12068/j.issn.1005-3026.2017.06.004

神经网络预测控制在SCR烟气脱硝系统中应用

孟范伟¹，徐博²，吕晓永¹，刘胤圻¹

(1. 东北大学秦皇岛分校控制工程学院，河北秦皇岛066004； 2. 吉林省电力科学研究院有限公司，吉林长春130021)

收稿日期:2016-10-09 修回日期:2016-10-09 出版日期:2017-06-15 发布日期:2017-06-11
通讯作者: 孟范伟
作者简介:孟范伟(1981-)，男，黑龙江青冈人，东北大学秦皇岛分校讲师，博士.
基金资助:
河北省高等学校科学技术研究项目(ZD2016203)；国网吉林省电力有限公司电力科学研究院科技项目.

Application of Neural Network Predictive Control in SCR Flue Gas Denitration System

MENG Fan-wei¹， XU Bo²， LYU Xiao-yong ¹， LIU Yin-qi¹

1. School of Control Engineering， Northeastern University at Qinhuangdao， Qinhuangdao 066004， China;2. Jilin Electric Power Research Institute Co.， Ltd.， Changchun 130021， China.

Received:2016-10-09 Revised:2016-10-09 Online:2017-06-15 Published:2017-06-11
Contact: LYU Xiao-yong
About author:-
Supported by:
-

摘要/Abstract

摘要： 以自某热电厂350MW燃煤机组的选择性催化还原(SCR)反应系统所采集的数据为依托，使用神经网络预测控制方法，研究电厂尾气中氮氧化物排放的预测及控制问题.利用神经网络的方法进行模型辨识，利用预测控制的思想对喷氨量进行控制，既可使尾气达到限排标准，亦能减少用氨量，提升经济效益的同时减少氨逃逸.采用最速梯度方法进行控制器的优化，并通过性能函数来约束控制量，达到预期输出.最后将仿真结果与现场所测数据进行对比，结果表明神经网络预测控制方案可以较准确地预测出未来有限时刻所需的喷氨量.

关键词: 选择性催化还原, 神经网络, 预测控制, 非线性自回归算法, 模型辨识

Abstract: Based on the data collected from selective catalytic reduction (SCR) reaction system of a 350MW coal-fired unit in a thermal power plant， neural network predictive control method was used to study the prediction and control of nitrogen oxides emission in power plant tail gas. Firstly， the non-linear model of SCR denitrification system was modeled and nonlinear autoregressive model was used to estimate the model. Then， by using the predictive control method to control the ammonia injection， the tail gas could achieve the standard of discharge limitation， and the amount of ammonia and ammonia escape could also be reduced， resulting in the enhancement of economic efficiency. The controller was optimized by the steepest gradient method and the control variable was constrained by the performance function to achieve the expected output. Finally， compared with the measured date in the field， the simulation results show that the neural network predictive control scheme can predict the amount of ammonia sprayed in the future at a finite time.

Key words: selective catalytic reduction (SCR), neural networks, predictive control, nonlinear auto regressive algorithm, model identification

中图分类号:

TP273

孟范伟，徐博，吕晓永，刘胤圻. 神经网络预测控制在SCR烟气脱硝系统中应用[J]. 东北大学学报:自然科学版, 2017, 38(6): 778-782.

MENG Fan-wei， XU Bo， LYU Xiao-yong ， LIU Yin-qi. Application of Neural Network Predictive Control in SCR Flue Gas Denitration System[J]. Journal of Northeastern University:Natural Science, 2017, 38(6): 778-782.

参考文献

[1]Jiang N，Shang K F，Lu N，et al.High-efficiency removal of NO_○x from flue gas by multitooth wheel-cylinder corona discharge plasma facilitated［J］.IEEE Transactions on Plasma Science，2016，44(11):2738-2744.
[2]罗子湛，孟立新.燃煤电站SCR烟气脱硝喷氨自动控制方式优化［J］.电站系统工程，2010，26(4):29-31.(Luo Zi-zhan，Meng Li-xin.Ammonia flow automatic control mode optimization of SCR flue gas DeNO_○x for coal-fired power plant［J］.Power System Engineering，2010，26(4):29-31.)
[3]Peng H，Ozaki T，Toyoda Y，et al.RBF-ARX model based nonlinear system modeling and predictive control with application to a NO_○x decomposition process［J］.Control Engineering Practice，2004，12(2):191-203.
[4]周洪煜，张振华，张军，等.超临界锅炉烟气脱硝喷氨量混结构-径向基函数神经网络最优控制［J］.中国电机工程学报，2011，31(5):108-113.(Zhou Hong-yu，Zhang Zhen-hua，Zhang Jun，et al.Mixed structure-radial basis function neural network optimal control on spraying smmonia flow for supercritical boiler flue gas denitrification［J］.Proceedings of the CSEE，2011，31(5):108-113.)
[5]姜家国，郭为民，刘延泉，等.选择性催化还原脱硝系统Smith预估自抗扰控制［J］.热力发电，2016，45(1):54-59.(Jiang Jia-guo，Guo Wei-min，Liu Yan-quan，et al.Auto disturbance rejection control based on Smith predictor in SCR denitrification system［J］.Thermal Power Generation，2016，45(1):54-59.)
[6]周洪煜，赵乾，张振华，等.烟气脱硝喷氨量SA-RBF神经网络最优控制［J］.控制工程，2012，19(6):947-951.(Zhou Hong-yu，Zhao Qian，Zhang Zhen-hua，et al.Sensitivity analysis radial basis function neural network control on spraying ammonia flow denitrification［J］.Control Engineering of China，2012，19(6):947-951.)
[7]Wu X，Shen J，Sun S，et al.Data-driven disturbance rejection predictive control for SCR denitrification system［J］.Industrial & Engineering Chemistry Research，2016，55:5923-5930.
[8]McKinley T L，Alleyne A G.Adaptive model predictive control of an SCR catalytic converter system for automotive applications［J］.IEEE Transactions on Control Systems Technology，2012，20(6):1533-1547.
[9]Hunt K J，Sbarbaro D，Zbikowski R，et al.Neural networks for control systems a survey ［J］.Automatica，1992，28(6):1083-1112.
[10]Golshan M，Macgregor J F.Latent variable model predictive control (LV-MPC) for trajectory tracking in batch processes［J］.Journal of Process Control，2010，20(4):538-550.
[11]Yang T T，Gao Y.Neural networks control on spraying ammonia flow of SCR system［C］//2016 Chinese Control and Decision Conference.Shanghai，2016:838-842.
[12]Baljit S R，James S，Udaya K M.Model predictive direct slope control for power converters［J］.IEEE Transactions on Power Electronics，2017，32(3):2278-2289.
[13]Camacho D E F，Bordons D C.Model predictive control［M］.New York:Springer，2004.

[1]	李寿涛，魏玉博，李秋媛，于丁力. 考虑车辆侧偏刚度变化的MPC稳定性控制方法[J]. 东北大学学报（自然科学版）, 2023, 44(2): 162-167.
[2]	刘洋，闫冬梅，孟范伟. 基于Transformer改进的两分支行人重识别算法[J]. 东北大学学报（自然科学版）, 2023, 44(1): 26-32.
[3]	张春雷，李鹤，董茂林，张圣杰. 燃料电池空气供应系统自适应神经网络滑模控制[J]. 东北大学学报（自然科学版）, 2022, 43(9): 1270-1276.
[4]	马源源，刘晏泽，刘呈隆，张甜洁. 中国投资者多角度舆情分析及其在股市预测中的作用[J]. 东北大学学报（自然科学版）, 2022, 43(8): 1201-1209.
[5]	张禹，何楷文，李清书，巩亚东. 面向STEP-NC自由曲面特征的加工操作方法智能决策[J]. 东北大学学报（自然科学版）, 2022, 43(7): 981-987.
[6]	季策，张晓. 基于GSA-BP神经网络的OFDM系统信道估计算法[J]. 东北大学学报（自然科学版）, 2022, 43(6): 769-775.
[7]	杨博文，霍军周，张伟，张占葛. 服役结构超前载荷实时预测方法的研究[J]. 东北大学学报（自然科学版）, 2022, 43(4): 541-550.
[8]	范纯龙，李彦达，夏秀峰，乔建忠. 基于随机梯度上升和球面投影的通用对抗攻击方法[J]. 东北大学学报（自然科学版）, 2022, 43(2): 168-175.
[9]	陈兵，韩烬阳，唐晓垒，夏搏然. 基于机器学习的拉矫延伸率预测模型及数值分析[J]. 东北大学学报（自然科学版）, 2022, 43(2): 236-242.
[10]	井元伟，谢海修，白云. TCP/AWM网络系统的自适应有限时间漏斗拥塞控制[J]. 东北大学学报（自然科学版）, 2022, 43(10): 1369-1375.
[11]	李寿涛，孙鹏鹏，魏玉博，于丁力. 四轮轮毂电动汽车的紧急制动能效性转矩优化[J]. 东北大学学报（自然科学版）, 2022, 43(10): 1391-1396.
[12]	王璐，王帅，张国峰，徐礼胜. 基于语义分割注意力与可见区域预测的行人检测方法[J]. 东北大学学报（自然科学版）, 2021, 42(9): 1261-1267.
[13]	郑艳，姜源祥. 基于特征融合的说话人聚类算法[J]. 东北大学学报（自然科学版）, 2021, 42(7): 952-959.
[14]	于洪亮，王旭，杨丹，李维军. 基于电流观测器的链式STATCOM反步控制方法[J]. 东北大学学报（自然科学版）, 2021, 42(6): 761-767.
[15]	张涛，刘天威，杜文丽. 一种基于卷积神经网络的区域调光技术[J]. 东北大学学报（自然科学版）, 2021, 42(5): 624-632.

神经网络预测控制在SCR烟气脱硝系统中应用

Application of Neural Network Predictive Control in SCR Flue Gas Denitration System

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价