电除尘控制方法及相关装置
技术领域
本发明涉及电除尘设备技术领域，更具体地说，涉及电除尘控制方法、装置、可读存储介质及控制器。
背景技术
燃煤电厂的电除尘设备最主要的作用就是净化燃煤电厂燃烧煤炭产生的烟气。其工作原理是通过制造高压静电场使得电极之间的正负离子和电子发生碰撞从而产生荷电，带着电子和离子的粉尘颗粒在电场力的作用推动下，向异性电极运动，并负载在异性电极上面，通过振打等方式使得电极上的粉尘落入到粉尘收集斗中，从而减少粉尘对于大气的污染。
目前，电除尘设备的调整方法，包括人工操作方法和依据锅炉负荷变化结合净烟气粉尘排放的智能控制方法。人工操作方法依赖人工经验进行操作调控，以较大有功功率输出来应对煤种、温度、烟气量等锅炉工况参数变化可能导致的净烟气粉尘排放超标；但是这种方法的效果完全依赖技术人员的经验和技术水平等，对人员专业程度要求较高，调控具有滞后性、可控性较差，以及需要电除尘器保持在较大的有功功率，能耗较大。依据锅炉负荷变化结合净烟气粉尘排放的智能控制方法，没有考虑煤种、温度、烟气量等锅炉工况参数变化的影响，使得控制准确性不高。
发明内容
有鉴于此，本发明提出一种电除尘控制方法、装置、可读存储介质及控制器，欲实现降低能耗，提高控制准确性，以及提高控制响应速度的目的。
为了实现上述目的，现提出的方案如下：
第一方面，本发明提供一种电除尘控制方法，包括：
在实际锅炉工况参数发生变化或者实际净烟气粉尘排放值大于预设的净烟气粉尘排放阈值时，对电除尘设备的运行参数进行N次调整，得到N个运行参数组合，N为不小于2的整数；
针对每个所述运行参数组合，将所述运行参数组合内的所有运行参数和实际锅炉工况参数作为输入参数，输入预先训练得到的净烟气粉尘排放预测模型，得到所述净烟气粉尘排放预测模型输出的净烟气粉尘排放预测值；
针对每个所述运行参数组合，根据所述运行参数组合内的所有运行参数，计算得到能耗值；
将所述净烟气粉尘排放预测值不大于所述净烟气粉尘排放阈值，且所述能耗值最小的所述运行参数组合，作为目标运行参数组合控制所述电除尘设备运行。
可选的，所述运行参数组合，包括：二次电压、二次电流和振打频率；
所述实际锅炉工况参数包括：烟气量、锅炉负荷、入口粉尘浓度、入炉煤硫份、入炉煤水份和空预器出口温度。
可选的，所述烟气量的初始权重为0.1，所述锅炉负荷的初始权重为0.2，所述入口粉尘浓度的初始权重为0.2，所述入炉煤硫份的初始权重为0.05，所述入炉煤水份的初始权重为0.05，所述空预器出口温度的初始权重为0.05，所述二次电压的初始权重为0.2，所述二次电流的初始权重为0.1，以及所述振打频率的初始权重为0.05。
可选的，在将所述净烟气粉尘排放预测值不大于所述净烟气粉尘排放阈值，且所述能耗值最小的所述运行参数组合，作为目标运行参数组合控制所述电除尘设备运行的步骤后，还包括：
利用当前的实际净烟气粉尘排放值、实际锅炉工况参数和运行参数组合对所述净烟气粉尘排放预测模型的参数进行优化。
可选的，所述净烟气粉尘排放预测模型的训练过程，包括：
根据电除尘机理从锅炉工况参数和电除尘设备的运行参数筛选出关键参数；
采集所述关键参数和净烟气粉尘排放值一一对应的历史数据；
将所述历史数据作为样本，对所述净烟气粉尘排放预测模型进行训练。
可选的，所述净烟气粉尘排放预测模型，具体为：
多层神经网络模型，应用正向传播算法和方向传播算法对所述多层神经网络模型进行训练。
第二方面，提供一种电除尘控制装置，包括：
运行参数组合生成单元，用于在实际锅炉工况参数发生变化或者实际净烟气粉尘排放值大于预设的净烟气粉尘排放阈值时，对电除尘设备的运行参数进行N次调整，得到N个运行参数组合，N为不小于2的整数；
净烟气粉尘排放预测单元，用于针对每个所述运行参数组合，将所述运行参数组合内的所有运行参数和实际锅炉工况参数作为输入参数，输入预先训练得到的净烟气粉尘排放预测模型，得到所述净烟气粉尘排放预测模型输出的净烟气粉尘排放预测值；
能耗计算单元，用于针对每个所述运行参数组合，根据所述运行参数组合内的所有运行参数，计算得到能耗值；
参数选择单元，用于将所述净烟气粉尘排放预测值不大于所述净烟气粉尘排放阈值，且所述能耗值最小的所述运行参数组合，作为目标运行参数组合控制所述电除尘设备运行。
可选的，所述运行参数组合，包括：二次电压、二次电流和振打频率；
所述实际锅炉工况参数包括：烟气量、锅炉负荷、入口粉尘浓度、入炉煤硫份、入炉煤水份和空预器出口温度。
可选的，所述烟气量的初始权重为0.1，所述锅炉负荷的初始权重为0.2，所述入口粉尘浓度的初始权重为0.2，所述入炉煤硫份的初始权重为0.05，所述入炉煤水份的初始权重为0.05，所述空预器出口温度的初始权重为0.05，所述二次电压的初始权重为0.2，所述二次电流的初始权重为0.1，以及所述振打频率的初始权重为0.05。
可选的，所述电除尘控制装置，还包括：在线优化单元，用于在执行完所述参数选择单元后，利用当前的实际净烟气粉尘排放值、实际锅炉工况参数和运行参数组合对所述净烟气粉尘排放预测模型的参数进行优化。
可选的，所述电除尘控制装置，还包括：模型训练单元，所述模型训练单元包括参数筛选子单元，参数采集子单元和训练子单元；
所述参数筛选子单元，用于根据电除尘机理从锅炉工况参数和电除尘设备的运行参数筛选出关键参数；
所述参数采集子单元，用于采集所述关键参数和净烟气粉尘排放值一一对应的历史数据；
所述训练子单元，用于将所述历史数据作为样本，对所述净烟气粉尘排放预测模型进行训练。
可选的，所述净烟气粉尘排放预测模型，具体为：
多层神经网络模型，应用正向传播算法和方向传播算法对所述多层神经网络模型进行训练。
第三方面，本发明提供一种可读存储介质，其上存储有程序，所述程序被处理器执行时，实现如第一方面中任意一种电除尘控制方法的各个步骤。
第四方面，本发明提供一种控制器，包括存储器和处理器；
所述存储器，用于存储程序；
所述处理器，用于执行所述程序，实现第一方面中任意一种电除尘控制方法的各个步骤。
与现有技术相比，本发明的技术方案具有以下优点：
上述技术方案提供的一种电除尘控制方法、装置、可读存储介质及控制器，方法包括预先训练得到净烟气粉尘排放预测模型，该模型的输入包括锅炉工况参数和电除尘设备的运行参数，即考虑了锅炉工况参数对净烟气粉尘排放的影响；在实际锅炉工况参数发生变化或者实际净烟气粉尘排放值大于预设的净烟气粉尘排放阈值时，利用净烟气粉尘排放预测模型得到当前的实际锅炉工况参数下，多个运行参数组合分别对应的净烟气粉尘排放预测值；并计算多个运行参数组合各自对应的能耗值；最后选择净烟气粉尘排放预测值不大于预设的净烟气粉尘排放阈值，且能耗值最小的运行参数组合，作为目标运行参数组合控制电除尘设备运行。进而实现了降低能耗，提高控制准确性的目的，以及整个过程不需要人工操作，提高了控制响应速度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为锅炉燃煤排放物处理流程的示意图；
图2为本发明的实施例提供的烟气粉尘排放预测模型的训练流程图；
图3为本发明的实施例提供的一种电除尘控制方法的流程图；
图4为本发明的实施例提供的另一种电除尘控制方法的流程图；
图5为本发明的实施例提供的一种电除尘控制装置的示意图；
图6为本发明的实施例提供的一种控制器的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1，为锅炉燃煤排放物处理流程的示意图。煤在锅炉中燃烧，燃烧后的粉尘经过SCR(Selective Catalytic Reduction，选择性催化还原技术)脱硝与空预器后，再经过电除尘和脱硫后，净烟气通过烟囱排放。本发明的核心思路，利用预先训练好的净烟气粉尘排放预测模型，预测电除尘设备处于不同运行参数时对应的净烟气粉尘排放值，进而选择能耗较低且满足排放要求的运行参数，对电除尘设备进行控制。
锅炉工况参数包括炉煤媒质参数、锅炉负荷、烟气量、燃煤量、空预器出口氧量、空预器出口温度、脱硝氨逃逸值和入口粉尘浓度等。炉煤媒质参数具体包括含碳量％、含氢量％、含氮量％、含硫量％(即入炉煤硫份)、灰分％、水份％(即入炉煤水份)和飞灰比电阻等。电除尘设备的运行参数包括一次电流、一次电压、二次电流、二次电压、控制方式、脉冲占空比，振打频率、振打时间、振打停止时间、保温箱温度和灰斗加热温度等。由于锅炉工况参数和电除尘设备的运行参数，包含的参数总数较大，将所有的参数均作为模型的输入，则计算量较大，影响计算效率。针对该问题，本发明在模型训练之前，通过一定方式筛选出关键参数，作为模型的输入。参见图2，净烟气粉尘排放预测模型的训练过程，具体包括以下步骤：
S21：根据电除尘机理从锅炉工况参数和电除尘设备的运行参数筛选出关键参数。
除尘效率公式为：
简化得到方程式：
其中，C1为入口粉尘浓度，C2为出口粉尘浓度，ω为粉尘驱进速度，A为电除尘集尘面积，Q为烟气量。电除尘设备的出口粉尘浓度直接影响净烟气粉尘排放值。C1＝B*D*C/[1-E]，其中，B为燃煤量，D为入炉煤灰分，C为烟气的飞灰量，E为飞灰可燃物。
电除尘设备的出口粉尘浓度的主要关联参数为C1、ω、A、Q。ω主要与电除尘设备的电场的二次电压和二次电流，以及振打频率有关。
经过上述分析，确定电除尘设备的振打频率，电场的二次电压和二次电流，以及烟气量、锅炉负荷、入口粉尘浓度、入炉煤硫份、入炉煤水份和空预器出口温度，作为净烟气粉尘排放预测模型的输入。
筛选出关键参数作为净烟气粉尘排放预测模型的输入后，还可以确定各个输入的初始权重。除尘效率与烟气量成指数关系变化，因此设置烟气量的初始权重为0.1。锅炉负荷增加，烟气量、燃煤量、烟气温度同步增加，烟气量与除尘效率成反比，因此设置锅炉负荷的初始权重为0.2。入口粉尘浓度为反应入炉煤灰分与燃煤量的主要参数，因此设置入口粉尘浓度的初始权重为0.2。含硫量大小影响粉尘比电阻，是影响电除尘效率的关键因素，因此，设置入炉煤硫份的初始权重为0.05。水份增大，粉尘比电阻降低，因此设置入炉煤水份的初始权重为0.05。空预器的出口温度是电除尘设备的入口烟气温度，烟气温度提高，使工况烟气量升高，降低除尘效率，因此，空预器出口温度的初始权重为0.05。ω值与二次电压的平方成正比，因此设置二次电压的初始权重为0.2。ω值与二次流值大小成正比，因此设置二次电流的初始权重为0.1。适合的振打频率可以使电除尘效率提高，因此，设置振打频率的初始权重为0.05。
S22：采集关键参数和净烟气粉尘排放值一一对应的历史数据。
人工智能服务器通过Mobus协议或OPC协议与分散集中控制系统进行数据交互，取得锅炉风烟系统工况参数；人工智能服务器通过Modbus协议或OPC协议与电除尘控制系统进行数据交互，取得电除尘设备的运行参数，以及净烟气粉尘排放值，并将数据进行处理，使得数据按时间进行对齐，按时间顺序使各数据一一对应，得到关键参数和净烟气粉尘排放值一一对应的历史数据。
S23：将历史数据作为样本，对净烟气粉尘排放预测模型进行训练。
建立输入为电除尘设备的振打频率，电场的二次电压和二次电流，以及烟气量、锅炉负荷、入口粉尘浓度、入炉煤硫份、入炉煤水份和空预器出口温度，输出为净烟气粉尘排放值的净烟气粉尘排放预测模型。二次电压取电除尘设备的所有电场的二次电压的加权累加值，二次电流取电除尘设备的所有电场的二次电流的加权累加值，振打频率取电除尘设备的所有电场每小时振打次数。利用历史数据作为样本进行训练，使得净烟气粉尘排放预测模型的拟合度达95％以上。
参见图3，为本发明的实施例提供的一种电除尘控制方法，在电除尘设备实际运行过程中，利用该方法进行控制，该方法可以包括以下步骤：
S31：在实际锅炉工况参数发生变化或者实际净烟气粉尘排放值大于预设的净烟气粉尘排放阈值时，对电除尘设备的运行参数进行N次调整，得到N个运行参数组合。
N为不小于2的整数。实际锅炉工况参数发生变化，具体指的是作为净烟气粉尘排放预测模型输入的实际锅炉工况参数发生变化，在不是净烟气粉尘排放预测模型的输入的实际锅炉工况参数发生变化时，并不进行后续处理。
在一个具体实施例中，基于粒子群和遗传混合算法，对电除尘设备的运行参数进行调整优化。基于粒子群和遗传混合算法，融合了粒子群算法经验搜索的快速收敛特性和遗传算法交叉变异的全局搜索能力，实现了运行参数的高效定位。
S32：针对每个运行参数组合，将运行参数组合内的所有运行参数和实际锅炉工况参数作为输入参数，输入预先训练得到的净烟气粉尘排放预测模型，得到所述净烟气粉尘排放预测模型输出的净烟气粉尘排放预测值。
执行步骤S32，得到了与运行参数组合一一对应的净烟气粉尘排放预测值。
S33：针对每个运行参数组合，根据运行参数组合内的所有运行参数，计算得到能耗值。
执行步骤S33，得到了与运行参数组合一一对应的能耗值。
S34：将净烟气粉尘排放预测值不大于净烟气粉尘排放阈值，且能耗值最小的运行参数组合，作为目标运行参数组合控制电除尘设备运行。
参见图4，为本发明的实施例提供的另一种电除尘控制方法，相比于图3示出的方法，在步骤S34后，还包括步骤：
S35：利用当前的实际净烟气粉尘排放值、实际锅炉工况参数和运行参数组合对净烟气粉尘排放预测模型的参数进行优化。
执行步骤S35，在电除尘控制过程中，利用实时数据对净烟气粉尘排放预测模型进行不断迭代优化，提高了净烟气粉尘排放预测模型的预测准确度。
在一个具体实施例中，净烟气粉尘排放预测模型采用多层神经网络模型。应用正向传播算法和方向传播算法对多层神经网络模型进行训练。
对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。
下述为本发明装置实施例，可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节，请参照本发明方法实施例。
参见图5，为本发明的实施例提供的一种电除尘控制装置，该装置包括：运行参数组合生成单元、净烟气粉尘排放预测单元、能耗计算单元和参数选择单元。
运行参数组合生成单元，用于在实际锅炉工况参数发生变化或者实际净烟气粉尘排放值大于预设的净烟气粉尘排放阈值时，对电除尘设备的运行参数进行N次调整，得到N个运行参数组合，N为不小于2的整数。
净烟气粉尘排放预测单元，用于针对每个运行参数组合，将运行参数组合内的所有运行参数和实际锅炉工况参数作为输入参数，输入预先训练得到的净烟气粉尘排放预测模型，得到净烟气粉尘排放预测模型输出的净烟气粉尘排放预测值。
能耗计算单元，用于针对每个运行参数组合，根据运行参数组合内的所有运行参数，计算得到能耗值。
参数选择单元，用于将净烟气粉尘排放预测值不大于净烟气粉尘排放阈值，且能耗值最小的所述运行参数组合，作为目标运行参数组合控制电除尘设备运行。
本实施例提供的电除尘控制装置，运行参数组合生成单元和净烟气粉尘排放预测单元，在实际锅炉工况参数发生变化或者实际净烟气粉尘排放值大于预设的净烟气粉尘排放阈值时，利用净烟气粉尘排放预测模型得到当前的实际锅炉工况参数下，多个运行参数组合分别对应的净烟气粉尘排放预测值；能耗计算单元计算多个运行参数组合各自对应的能耗值；参数选择单元选择净烟气粉尘排放预测值不大于预设的净烟气粉尘排放阈值，且能耗值最小的运行参数组合，作为目标运行参数组合控制电除尘设备运行。进而实现了降低能耗，提高控制准确性的目的，以及整个过程不需要人工操作，提高了控制响应速度。
可选的，运行参数组合，包括：二次电压、二次电流和振打频率；
实际锅炉工况参数包括：烟气量、锅炉负荷、入口粉尘浓度、入炉煤硫份、入炉煤水份和空预器出口温度。
可选的，烟气量的初始权重为0.1，锅炉负荷的初始权重为0.2，入口粉尘浓度的初始权重为0.2，入炉煤硫份的初始权重为0.05，入炉煤水份的初始权重为0.05，空预器出口温度的初始权重为0.05，二次电压的初始权重为0.2，二次电流的初始权重为0.1，以及振打频率的初始权重为0.05。
可选的，电除尘控制装置，还包括：在线优化单元，用于在执行完参数选择单元后，利用当前的实际净烟气粉尘排放值、实际锅炉工况参数和运行参数组合对净烟气粉尘排放预测模型的参数进行优化。
可选的，电除尘控制装置，还包括：模型训练单元，模型训练单元包括参数筛选子单元，参数采集子单元和训练子单元。
参数筛选子单元，用于根据电除尘机理从锅炉工况参数和电除尘设备的运行参数筛选出关键参数。
参数采集子单元，用于采集关键参数和净烟气粉尘排放值一一对应的历史数据。
训练子单元，用于将历史数据作为样本，对净烟气粉尘排放预测模型进行训练。
可选的，净烟气粉尘排放预测模型，具体为：
多层神经网络模型，应用正向传播算法和方向传播算法对多层神经网络模型进行训练。
参见图6，为本发明的实施例提供的一种控制器的示意图。控制器的硬件结构可以包括：至少一个处理器61，至少一个通信接口62，至少一个存储器63和至少一个通信总线64；且处理器61、通信接口62、存储器63通过通信总线64完成相互间的通信。
处理器61在一些实施例中可以是一个CPU(Central Processing Unit，中央处理器)，或者是ASIC(Application Specific Integrated Circuit，特定集成电路)，或者是被配置成实施本发明实施例的一个或多个集成电路等。
通信接口62可以包括标准的有线接口、无线接口。通常用于在控制器与其他电子设备或系统之间建立通信连接。
存储器63包括至少一种类型的可读存储介质。可读存储介质可以为如闪存、硬盘、多媒体卡、卡型存储器等NVM(non-volatile memory，非易失性存储器)。可读存储介质还可以是高速RAM(random access memory，随机存取存储器)存储器。可读存储介质在一些实施例中可以是控制器的内部存储单元，例如该控制器的硬盘。在另一些实施例中，可读存储介质还可以是控制器的外部存储设备，例如该控制器上配备的插接式硬盘、SMC(Smart MediaCard,智能存储卡)、SD(Secure Digital,安全数字)卡，闪存卡(Flash Card)等。
其中，存储器63存储有计算机程序，处理器61可调用存储器63存储的计算机程序，所述计算机程序用于：
在实际锅炉工况参数发生变化或者实际净烟气粉尘排放值大于预设的净烟气粉尘排放阈值时，对电除尘设备的运行参数进行N次调整，得到N个运行参数组合，N为不小于2的整数；
针对每个所述运行参数组合，将所述运行参数组合内的所有运行参数和实际锅炉工况参数作为输入参数，输入预先训练得到的净烟气粉尘排放预测模型，得到所述净烟气粉尘排放预测模型输出的净烟气粉尘排放预测值；
针对每个所述运行参数组合，根据所述运行参数组合内的所有运行参数，计算得到能耗值；
将所述净烟气粉尘排放预测值不大于所述净烟气粉尘排放阈值，且所述能耗值最小的所述运行参数组合，作为目标运行参数组合控制所述电除尘设备运行。
所述程序的细化功能和扩展功能可参照上文描述。
图6仅示出了具有组件61～64的数据校验设备，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
本发明实施例还提供一种可读存储介质，该可读存储介质可存储有适于处理器执行的程序，所述程序用于：
在实际锅炉工况参数发生变化或者实际净烟气粉尘排放值大于预设的净烟气粉尘排放阈值时，对电除尘设备的运行参数进行N次调整，得到N个运行参数组合，N为不小于2的整数；
针对每个所述运行参数组合，将所述运行参数组合内的所有运行参数和实际锅炉工况参数作为输入参数，输入预先训练得到的净烟气粉尘排放预测模型，得到所述净烟气粉尘排放预测模型输出的净烟气粉尘排放预测值；
针对每个所述运行参数组合，根据所述运行参数组合内的所有运行参数，计算得到能耗值；
将所述净烟气粉尘排放预测值不大于所述净烟气粉尘排放阈值，且所述能耗值最小的所述运行参数组合，作为目标运行参数组合控制所述电除尘设备运行。
所述程序的细化功能和扩展功能可参照上文描述。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可，且本说明书中各实施例中记载的特征可以相互替换或者组合。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
