本發明涉及脫硝控制技術領域，具體來說，涉及一種智能的SCR脫硝控制系統及其控制方法。

背景技術：

隨著中國經濟的發展，人民生活水平的不斷提高，火電機組的總裝機量不斷增加，導致排放的氮氧化物和硫氧化物越來越多，近幾年來華北地區出現的大面積霧霾有很大一部分原因就是電廠尾氣的排放，“十二五”期間我國首次提出對氮氧化物的約束標準，這給火電廠的煙氣處理提出了更高的要求，所以煙氣脫硝是必不可少的一個環節。

一般的脫硝控制系統采用的是串級控制，需要知道被控對象確切的數學模型，然后進行控制。近些年來，隨著智能控制理論的發展，越來越多的系統都在向智能方向發展，如專利申請號為201410527517.6、201320134939.8或201610608270.X公開的智能脫硝系統所示。智能控制方法用到的建模方法是實驗建模法，就是通常說的“黑盒法”，黑盒法不需要知道被控對象內部的原理，只需要知道輸入和輸出信號，只觀察系統的輸入和輸出之間的關系，想象有一個復雜的模型可以滿足這個關系，通過大量的實驗數據得到的，這種方法適應于任何復雜的系統，實驗建模的數據應該有全面的試驗數據，否則達不到想要的輸出結果。

技術實現要素：

本發明的目的在于提出一種智能的SCR脫硝控制系統及其控制方法，以解決現有技術中存在的上述不足。

為實現上述發明目的，本發明的技術方案是這樣實現的：

一種智能的SCR脫硝控制系統，包括數據采集模塊、運算處理模塊和控制模塊；

所述數據采集模塊包括分別與運算處理模塊相連的SCR脫硝系統入口氮氧化物采集模塊、機組負荷采集模塊、總風媒比采集模塊、一次風媒比采集模塊、SCR脫硝系統入口溫度采集模塊、SCR脫硝系統出口氮氧化物設定值采集模塊；

所述運算處理模塊包括模糊神經網絡辨識模塊和SCR脫硝系統控制模塊，所述模糊神經網絡辨識模塊和SCR脫硝系統控制模塊對所述數據采集模塊采集的數據進行計算，得到當前時刻的SCR脫硝系統出口氮氧化物值和噴氨量，并將計算得到的SCR脫硝系統出口氮氧化物值和噴氨量發送給控制模塊；

所述控制模塊為DCS系統，用于控制SCR脫硝系統。

進一步的，還包括PLC通信系統，所述PLC通信系統包括殼體和設于所述殼體上的SCR脫硝系統入口氮氧化物信號端、機組負荷信號端、總風媒比信號端、一次風媒比信號端、噴氨量信號端、SCR脫硝系統入口溫度信號端和SCR脫硝系統出口氮氧化物設定值信號端，所述信號端通過設于所述殼體內的CPU依次與模糊神經網絡辨識模塊和SCR脫硝系統控制模塊相連。

進一步的，所述DCS系統也設于所述殼體內。

進一步的，還包括計算機，所述模糊神經網絡辨識模塊和SCR脫硝系統控制模塊均設于所述計算機內。

進一步的，所述PLC通信系統設有通信系統開關。

一種如上所述的智能的SCR脫硝控制系統的控制方法，包括如下步驟：

1)所述數據采集模塊將采集的數據發送給運算處理模塊；

2)所述運算處理模塊依次通過模糊神經網絡辨識模塊、SCR脫硝系統控制模塊對輸入的數據進行計算，得到當前時刻的SCR脫硝系統出口氮氧化物設定值和噴氨量，并將所述SCR脫硝系統出口氮氧化物設定值和噴氨量發送給DCS系統；

3)所述DCS系統根據所述SCR脫硝系統出口氮氧化物設定值和噴氨量實現對脫硝系統的控制。

進一步的，步驟1)中將所述數據采集模塊連接于一PLC通信系統，所述PLC通信系統包括殼體和設于所述殼體上的SCR脫硝系統入口氮氧化物信號端、機組負荷信號端、總風媒比信號端、一次風媒比信號端、噴氨量信號端、SCR脫硝系統入口溫度信號端和SCR脫硝系統出口氮氧化物設定值信號端。

進一步的，所述殼體內還設有CPU，所述CPU用于將所述數據采集模塊采集的模擬量轉換成數字量，并發送給運算處理模塊。

進一步的，所述DCS系統也設于所述殼體內。

本發明的有益效果：本發明克服了現有的神經網絡建模準確性不高和速度慢的不足，并在此基礎上運用模糊神經網絡代替了原來的控制方法，可以快速有效的進行控制，是一種高度自動化的控制系統，大大減少工作人員的操作，計算的準確性和實時性也能滿足實際的需要，并且可以適應不同的工況。

附圖說明

圖1是本發明所述的智能的SCR脫硝控制系統的功能模塊圖；

圖2是本發明所述的智能的SCR脫硝控制系統的結構示意圖；

圖3是本發明所述的智能的SCR脫硝控制系統的控制方法的流程圖。

圖中所示：

1-SCR脫硝系統入口氮氧化物采集模塊；2-機組負荷采集模塊；3-總風媒比采集模塊；4-一次風媒比采集模塊；5-SCR脫硝系統入口溫度采集模塊；6-SCR脫硝系統出口氮氧化物設定值采集模塊；7-SCR脫硝系統出口氮氧化物設定值信號端；8-SCR脫硝系統入口溫度信號端；9-一次風媒比信號端；10-總風媒比信號端；11-機組負荷信號端；12-SCR脫硝系統入口氮氧化物信號端；13-通信系統開關；14-輸出端；15-殼體；16-顯示器；17-鍵盤；18-主機；19-PLC通信系統；20-數據采集模塊；21-運算處理模塊；22-模糊神經網絡辨識模塊；23-SCR脫硝系統控制模塊；24-DCS系統；25-計算機。

具體實施方式

下面結合本發明的附圖，對本發明的技術方案進行清楚、完整地描述。

首先需要說明的是：

SCR脫硝系統是一個復雜的控制系統，反應受到催化劑活性、反應溫度、煙氣流速等因素的影響，根據機理法建立的數學模型在工況不變時還可以，但是工況發生變化時數學模型會發生較大的變化。

SCR的英文全稱是Selective Catalytic Reduction，SCR中文名稱是：選擇性催化還原技術。SCR催化還原技術是把煙氣中的NOx通過催化劑轉換成對人體沒有危害的N₂和H₂O，通常電廠中催化劑選用TiO₂作為載體的V₂O₂或MoO₂，溫度通常在300℃到420℃之間，因為催化劑所需的溫度，所以反應器放在省煤器和空預器之間，選用液氨為還原劑，液氨蒸發以后與通過稀釋風機后的空氣混合，而后經分配格柵送到反應器中與NOx進行混合。

DCS的英文全稱是Distributed Control System，DCS中文名稱是分布式控制系統。由過程控制級和過程監控級組成的以通信網絡為紐帶的多級計算機系統，綜合了計算機，通信、顯示和控制等技術，其核心思想是分散控制、集中操作、分級管理、配置靈活以及組態方便。

基于上述原理，如圖1所示，本發明實施例所述的一種智能的SCR脫硝控制系統，包括數據采集模塊20、運算處理模塊21和控制模塊；

所述數據采集模塊20包括分別與運算處理模塊21相連的SCR脫硝系統入口氮氧化物采集模塊1、機組負荷采集模塊2、總風媒比采集模塊3、一次風媒比采集模塊4、SCR脫硝系統入口溫度采集模塊5、SCR脫硝系統出口氮氧化物設定值采集模塊6；

所述運算處理模塊21包括模糊神經網絡辨識模塊22和SCR脫硝系統控制模塊23，所述模糊神經網絡辨識模塊22和SCR脫硝系統控制模塊23對所述數據采集模塊20采集的數據進行計算，得到當前時刻的SCR脫硝系統出口氮氧化物值和噴氨量，并將計算得到的SCR脫硝系統出口氮氧化物值和噴氨量發送給控制模塊；

所述控制模塊為DCS系統24，用于控制SCR脫硝系統。

如圖2所示，為一種能夠實現如圖1所示的智能的SCR脫硝控制系統功能的智能的SCR脫硝控制系統的結構示意圖，包括PLC通信系統19，所述PLC通信系統19包括殼體15和設于所述殼體15上的與SCR脫硝系統入口氮氧化物采集模塊1相連的SCR脫硝系統入口氮氧化物信號端12、與機組負荷采集模塊2相連的機組負荷信號端11、與總風媒比采集模塊3相連的總風媒比信號端10、與一次風媒比采集模塊4相連的一次風媒比信號端9、噴氨量信號端(圖中未示)、與SCR脫硝系統入口溫度采集模塊5相連的SCR脫硝系統入口溫度信號端8和與SCR脫硝系統出口氮氧化物設定值采集模塊6相連的SCR脫硝系統出口氮氧化物設定值信號端7，所述信號端通過設于所述殼體15內的CPU(圖中未示)依次與模糊神經網絡辨識模塊22和SCR脫硝系統控制模塊23相連。

在本實施例中，所述DCS系統24也設于所述殼體15內。

在本實施例中，所述模糊神經網絡辨識模塊22和SCR脫硝系統控制模塊23均設于所述計算機25內，所述計算機25由顯示器16、鍵盤17和主機18構成。

在本實施例中，所述PLC通信系統19設有通信系統開關13。

本發明還公開了一種如上所述的智能的SCR脫硝控制系統的控制方法，如圖3所示，包括如下步驟：

1)開啟PLC通信系統19、計算機25和DCS系統24；

2)將數據采集模塊20采集到的需要的SCR脫硝系統入口氮氧化物值、機組負荷、總風煤比、一次風煤比、SCR脫硝系統出口氮氧化物設定值和SCR脫硝系統入口溫度傳到PLC通信系統19的輸入端；

3)在PLC通信系統19中把輸入進來的模擬量通過CPU轉換成數字量；

4)得到的數字量經過輸出端14進入到計算機25，在計算機運算系統中通過模糊神經網絡辨識模塊22、SCR脫硝系統控制模塊23對輸入的數據進行計算，得到當前時刻的SCR脫硝系統出口氮氧化物值和噴氨量，并返回到PLC通信系統19，由PLC通信系統19把數值返回到DCS系統24中，實現脫硝系統的控制。

下面對模糊神經網絡辨識塊的原理進行簡要的介紹：

設r是輸入變量個數，y是系統的輸出，并且每個輸入變量x_i(i＝1,2...，r)有u個隸屬度函數A_ij(j＝1,2...,u)，每個隸屬度函數都是如下所示的高斯函數：

其中：u_ij是x_i的第j個隸屬度函數，c_ij和σ_ij分別為x_i的第j個高斯隸屬度函數的中心和寬度，每個規則之間用乘法來計算，則有

其中：R_j是第j條規則的輸出，

最后系統的輸出結果為：

其中w_j是第j條規則對應的權值，

w_j＝a_0j+a_1jx₁+...+a_rjx_r,j＝1,2,...,u

其中a_ij為x_ij所對應的系數，

設第i個觀測數據(X_i,t_i)，其中X_i是輸入向量，t_i是期望的輸出，根據模糊神經網絡計算出輸出y_i，如果

|t_i-y_i|＞k_e

則增加一條模糊規則，其中k_e根據系統期望精度來預先選定的。C_j是神經網絡單元的中心，

d_i(j)＝||X_i-C_j||,j＝1,2,...,u

u是現有的模糊規則數，d_i(j)是C_j和X_j之間的距離，||·||是歐式距離，歐氏距離是指m維空間上兩個點之間的真實距離，兩個點A＝(a[1]，a[2]，…，a[n])和B＝(b[1]，b[2]，…，b[n])之間的距離ρ(A，B)定義為下面的公式：

d_min＝min(d_i(j))，當產生新規則以后，由以下公式確定初始的參數，

C_i＝X_i

σ_i＝k×d_min

其中C_i是第i個輸入高斯函數的中心，σ_i為第i個輸入高斯函數的寬度，k為預先設定的常數。

以上所述僅為本發明的較佳實施例而已，并不用以限制本發明，凡在本發明的精神和原則之內，所作的任何修改、等同替換、改進等，均應包含在本發明的保護范圍之內。