[0056] 下面结合附图和具体实施例对本发明作进一步的分析。
[0057] 如图1所示,一种电厂CEMS表反吹时SO2浓度在线自动控制的方法,具体实施采用以下步骤:
[0058] 步骤1、通过对CEMS表所采集到的烟气脱硫系统出口SO2浓度值数据进行反吹判断,如果没有出现反吹,则直接进入步骤2,当判断到开始反吹时,进行三次指数平滑预测处理,建立三次指数平滑处理的预测模型,得出反吹时刻烟气脱硫系统出口 SO2浓度预测值,然后进入步骤2;
[0059] 具体的实施步骤如下:
[0060] 步骤A1:对烟气脱硫系统CEMS表所采集到的数据进行反吹判断。采集k时刻 SO2浓度值y(k)与k‑1时刻的SO2浓度值y(k‑1),采样周期为T;根据两个时刻采集到的数据求取其增量,其增量(以绝对值表示)与两次采样允许的最大误差Δy比较,如果小于等于Δy,则认为反吹并未开始,如果大于Δy,则可认为烟气脱硫系统反吹开始,即:
[0061]
[0062] 其中,Δy为是一个可选择的常数,正确选择该值是应用该方法的关键,Δy值视被调量的变化速度而定,在煤泥流化床锅炉烟气脱硫系统中,根据实际情况可取Δy= (1~10)*sp,这里的sp为烟气脱硫系统反馈控制的设定值。判断反吹开始时,舍弃反吹开始后的数据,进行三次指数平滑预测处理,建立三次指数平滑处理的预测模型,得出反吹时刻烟气脱硫系统出口的SO2浓度预测值,然后进入步骤2;若判断没有出现反吹,则直接进入步骤2,进行DMC预测控制。
[0063] 步骤A2:在步骤A1中,判断反吹开始时,通过以下表达式对所述CEMS表采样的SO2浓度值进行三次指数平滑值的计算:
[0064]
[0065]
[0066]
[0067] 其中,α是平滑参数,平滑参数α反应的是不同时期历史数据在指数平滑值中所占的比重,取值越大,说明离预测值越近的历史数据对当前的预测值的影响越大,权重下降的越快。反之说明权重变化的越慢,预测值越接近于算术平均值,α的值通常可以多尝试几次以达到最佳效果,这里的α取值范围为0<α<1。 为k‑1时刻的一次指数平滑值, 为k‑1时刻的二次指数平滑值, 为k‑1时刻的三次指数平滑值, 为k时刻的一次指数平滑值, 为k时刻二次指数平滑值, 为k时刻三次指数平滑值。
[0068] 步骤A3:根据步骤A2中计算的三次指数平滑值,通过以下表达式对烟气脱硫系统反吹处理时SO2浓度值进行预测:
[0069]
[0070]
[0071]
[0072]
[0073] 其中,m为单步预测得到的周期,即需要预测的期数与当前期数的间隔数,y(k+m) 为预测值,所述的预测值y(k+m)将在反吹开始时依次取代烟气脱硫系统中反吹时刻的 SO2浓度值,Ek、Fk、Gk为中间变量,Ek为预测值表达式的常数项,Fk为预测值表达的一次项,Gk为预测值表达式的二次项。
[0074] 步骤2、采用DMC预测控制方法对烟气脱硫系统出口SO2浓度值进行控制,实现烟气脱硫系统SO2浓度值的精稳控制,同时对反吹是否停止进行判断,如果反吹停止,则进入步骤3;如图2所示,具体实施步骤如下:
[0075] 步骤B1:首先测定烟气脱硫系统控制对象的单位阶跃响应的采样值ai=a(iT) (i=1,2,…,N),其中N为建模时域,N的值可根据模型辨识在烟气脱硫系统控制对象阶跃响应后的某一时刻ai(i>N)系统采样值趋于平稳,同时采样值ai(i=1,2,…,N)具有相同的数量级的量化误差时来取得,即aN可认为在该时刻采样值近似为被控对象阶跃响应的稳态值a∞。在M个连续控制增量Δu(k),…Δu(k+M‑1)作用下,对未来时刻的输出预测值为:
[0076]
[0077] 其中,M为控制时域,即控制增量变化的次数,其值可根据实际调节情况选取, M个控制增量可依次求取,Δu(k)=u(k)‑u(k‑1),…,Δu(k+M‑1)=u(k+M‑ 1)‑u(k+M‑2),为在第M个控制增量Δu(k+M‑1)下对未来的输出值, 表示为未来N个时刻的输出初始预测值,k+i/k表示在k时刻对k+i时刻的预测。
[0078] 步骤B2:通过上式(9),可以导出 与Δu之间的向量形式关系为:
[0079]
[0080] 其中,A为阶跃响应曲线ai组成的P×M矩阵,可以表示为对于每
一时刻k,确定从该时刻起的M个控制增量Δu(k),…Δu(k+M‑1),使得在其作用下被控对象未来P个时刻的输出预测值 尽可能接近给定的期望值 w(k+i),i=1,…P。在k时刻的优化性能指标:
[0081]
[0082] 式中,wP(k)=[w(k+1),…,w(k+P)]T为期望输出,其值为P行1列的单位列向量与sp的乘积,Q=diag(q1,…,qP)为误差权矩阵;R=diag(r1,…,rM)为控制权矩阵,这两个矩阵可根据经验选取,Q一般取单位对角矩阵,R一般取零矩阵,P为优化时域,即所预测输出的个数,通常规定M≤P≤N。要使得J(k)取极小的ΔuM(k),可通过极值必要条件dJ(k)/dΔuM(k)=0求出:
[0083]
[0084] 通过上式,可以求出k时刻优化得到的Δu(k),Δu(k+1/k),…,Δu(k+M‑1/k)的最优值,DMC只取Δu(k)构成实际控制量u(k)=u(k‑1)+Δu(k)作用于被控对象。到下一时刻,它又求解类似的优化问题,得到Δu(k+1)。
[0085] 步骤B3:在求解上式(12)中的 时,由于实际过程中存在非线性、模型失配、环境干扰等未知因素,基于不变模型的预测输出不可能与系统的实际输出完全吻合,这时需要利用实时信息进行反馈校正,DMC在k+1时刻的实际输出为y(k+1),其所在的模型预测的该时刻的输出为 两者的误差构成了输出误差为:
[0086]
[0087] 采用对e(k+1)加权的方式修正对未来输出的预测:
[0088]
[0089] 式中: 为被控对象在k时刻的输出N维初始预测向量; 为校正后的 NT维预测输出向量;h=[h1,…,hN] 为由权系数组成的N维校正向量,其值可以取T
向量a=[a1,…,aN]为模型向量。
[0090] 对上式(14)中的 进行移位处理,得到新的初始预测值 即:
[0091]
[0092] 式中:为移位矩阵,其定义为 为k+1时刻初始预测值,这样就可以对下一时刻进行优化计算了。
[0093] 通过上述步骤B1~B4,完成了对烟气脱硫系统的DMC预测控制。整个DMC预测控制过程就是以这种结合反馈校正的滚动优化方式反复在线进行,实现对烟气脱硫系统采集到的出口SO2浓度值精稳控制。
[0094] 步骤B5:在上述的DMC预测控制完之后,判断反吹过程是否结束,采集k时刻的CEMS表SO2浓度值y(k)与k‑1时刻的SO2浓度值y(k‑1),采样周期为T;将两个时刻采集到的数据求取其增量,其值(以绝对值表示)与两次采样允许的最大误差Δy比较,如果小于等于Δy,则认为反吹结束,停止三次指数平滑预测数据,进入步骤3;如果大于Δy,则可认为烟气脱硫系统反吹并未结束,继续进行三次指数平滑预测处理。
[0095] 步骤3、对系统是否需要滤波进行判断以及滤波处理,将这时采集到的烟气脱硫系统出口SO2浓度值与反馈控制的设定值进行比较,如果差值比较大,则将此SO2浓度值进行滤波处理后作为反馈值,然后参与到系统的闭环自动控制。如果差值比较小,则直接将此SO2浓度值作为反馈值,然后参与到系统的闭环自动控制;如图3所示;
[0096] 具体的实施步骤如下:
[0097] 步骤C1:将这时采集到的烟气脱硫系统出口的SO2浓度值y(k)与反馈控制的设定值sp进行比较,包括设定阈值δ,其中δ可取值为(0.2~1)*sp;若烟气脱硫塔系统SO2浓度设定值sp与系统的实际SO2浓度输出值y(k)的差值的绝对值大于所设定的阈值δ,则将此SO2浓度值进行滤波处理后作为反馈值,然后参与到系统的闭环自动控制。滤波处理采用一阶惯性滤波法,即一阶低通滤波,其滤波算法为:
[0098] x(k)=sy(k)+(1‑s)x(k‑1) (16);
[0099] s=T/(T+Tf) (17);
[0100] 式中,s为滤波系数,滤波系数s的取值范围为0<s<1,x(k‑1)为上一次滤波输出值,x(k)为本次滤波输出值,Tf为滤波时间,其值可根据其滤波结果的灵敏度和平稳度来获取。
[0101] 步骤C2:当烟气脱硫系统SO2浓度设定值sp与采集到的烟气脱硫系统出口的SO2浓度值y(k)的差值小于所设定的阈值δ,则不需要经过滤波处理模块,则直接将此SO2浓度值作为反馈值,然后参与到系统的闭环自动控制。
[0102] 步骤4、继续采集烟气脱硫系统出口SO2浓度值,并与SO2浓度反馈值进行比较,如果两个值绝对差值小于设定阈值δ,则重新进入步骤1。
[0103] 通过上述方法,有效预测出反吹时刻的SO2浓度值,通过三次指数平滑预测处理,有效的预测了反吹时刻的SO2浓度值,对实施烟气脱硫系统的在线自动控制具有重要的实际意义。
[0104] 以上内容是结合具体的优选实施方式对本发明所做的进一步详细说明,不能认定本发明的具体实施只限于这些说明。对于本发明所属技术领域的技术人员来说,在不脱离发明构思的前提下还可以做出一定程度的简单推演或者替换,都应当视为属于本发明的保护范围。