催化剂剩余寿命预测方法、装置及存储介质与流程

1.本技术涉及化工领域，具体涉及一种催化剂剩余寿命预测方法、装置及存储介质。


背景技术：

2.scr是目前火电厂主流应用的脱硝方法，一般脱硝催化剂的设计寿命为3年，3年后需要更换催化剂，以保障脱硝性能达标。近几年，随着超低排放改造的实施，很多电厂在原有催化剂的基础上，加装一层催化剂，虽然提高了脱硝效率，但由此产生了催化剂磨损、so2\so3转化率升高等问题。另外，火力发电占比逐年降低，灵活性调峰成为常态，变负荷运行条件下烟气流场变化，烟温变化，催化剂运行性能下降。以上问题均导致催化剂实际寿命与设计寿命偏差较大，更换时间不能简单的以3年判断。由于催化剂成本较高，且涉及到达标排放问题，对催化剂寿命进行准确预测，在合理的时间更换催化剂对于电厂的安全、经济运行意义较大。


技术实现要素：

3.本技术实施例的目的是提供一种催化剂剩余寿命预测方法、装置及存储介质，其将原始数据分为多种工况，然后采用单个工况潜能回归及不同工况间潜能转换等方法，获得多种不同工况下的预测寿命。本发明所提出的方法可实现全负荷下催化剂寿命的准确预测，具有较高的应用价值。
4.为了实现上述目的，本技术第一方面提供一种催化剂剩余寿命预测方法，所述方法包括：
5.获取机组的历史运行数据，该历史运行数据包含多个数据点，每一数据点包含与所述催化剂的潜能相关的多个数据项；
6.计算所述历史运行数据内所包含的每一数据点所对应的催化剂潜能；
7.基于所述多个数据项中的一个或多个数据项，对所述历史运行数据进行工况分类，以得到多个工况；
8.取所述多个工况中含数据点最多的工况作为一典型工况，并根据该典型工况的数据点，确定所述催化剂的潜能衰减模型；
9.计算所述多个工况中的每一工况在一预定时间的潜能平均值，并针对每一工况，计算该工况的潜能平均值与所述典型工况的潜能平均值之比值，并利用该比值来修正所述潜能衰减模型，以得到该工况的潜能衰减曲线；
10.计算各个工况的潜能下限；以及
11.根据各个工况的潜能下限以及各个工况的潜能衰减曲线，确定各个工况下的催化剂剩余寿命。
12.在本技术实施例中，基于所述多个数据项中的一个或多个数据项，对所述历史运行数据进行工况分类包括：基于所述机组的负荷和入口nox浓度，采用k均值聚类方法进行工况分类。
13.在本技术实施例中，在根据该典型工况的数据点来确定所述催化剂的潜能衰减模型之前，该方法还包括以下一者或多者：
14.统计所述典型工况的脱硝效率分布，筛选出脱硝效率在中位数附近一预定范围内的数据点；
15.计算各数据点的氨氮摩尔比和脱硝效率，并将氨氮摩尔比小于脱硝效率的数据点作为异常数据点清除；
16.排除聚类距离在一预定距离之外的数据点；以及
17.以所述数据点中与所述催化剂的潜能相关的多个数据项作为输入变量，以催化剂潜能作为输出变量，进行bp神经网络拟合，并根据拟合结果，清除潜能预测值与潜能实际值偏差大于一阈值的数据点。
18.在本技术实施例中，所述潜能衰减模型如下：
[0019][0020]
其中，t为自所述历史运行数据的初始采样时间点起的运行小时数，pk(t)为第k种工况运行t小时的预测潜能，p
0k
为第k种工况的初始潜能，该初始潜能指所述第k种工况在所述历史运行数据的初始采样时间点的潜能，ak为第k种工况的衰减系数。
[0021]
在本技术实施例中，所述各工况的潜能衰减曲线如下：
[0022][0023]
其中，t为自所述历史运行数据的初始采样时间点起的运行小时数，pn(t)为第n种工况运行t小时的预测潜能，p
0n
为第n种工况的初始潜能，该初始潜能指第n种工况在所述历史运行数据的初始采样时间点的潜能，ak为第k种工况的衰减系数，和分别为第k种工况和第n种工况在一预定时间的潜能平均值。
[0024]
在本技术实施例中，所述各工况的潜能下限按该工况下性能保证允许的最低脱硝效率和最高氨逃逸而被计算。
[0025]
在本技术实施例中，所述各个工况下的催化剂剩余寿命被计算为：
[0026][0027]
其中，t
life-n
是第n个工况剩余寿命，t
pass
自所述历史运行数据的初始采样时间点起到目前为止总计运行的小时数，p
fn
为第n个工况的潜能下限，ak为第k种工况的衰减系数，p
0n
为第n种工况的初始潜能，其中p
0k
为第k种工况的初始潜能，该初始潜能指所述第k种工况在所述历史运行数据的初始采样时间点的潜能，和分别为第k种工况和第n种工况在一预定时间的潜能平均值。
[0028]
本技术第二方面提供一种用于预测催化剂剩余寿命的装置，其特征在于，该装置包括：
[0029]
处理器；以及
[0030]
存储器，存储有指令，该指令在被处理器执行时使得所述处理器被配置成执行以下操作：
[0031]
获取机组的历史运行数据，该历史运行数据包含多个数据点，每一数据点包含与所述催化剂的潜能相关的多个数据项；
[0032]
计算所述历史运行数据内所包含的每一数据点所对应的催化剂潜能；
[0033]
基于所述多个数据项中的一个或多个数据项，对所述历史运行数据进行工况分类，以得到多个工况；
[0034]
取所述多个工况中含数据点最多的工况作为一典型工况，并根据该典型工况的数据点，确定所述催化剂的潜能衰减模型；
[0035]
计算所述多个工况中的每一工况在一预定时间的潜能平均值，并针对每一工况，计算该工况的潜能平均值与所述典型工况的潜能平均值之比值，并利用该比值来修正所述潜能衰减模型，以得到该工况的潜能衰减曲线；
[0036]
计算各个工况的潜能下限；以及
[0037]
根据各个工况的潜能下限以及各个工况的潜能衰减曲线，确定各个工况下的催化剂剩余寿命。
[0038]
在本技术实施例中，基于所述多个数据项中的一个或多个数据项，对所述历史运行数据进行工况分类包括：基于所述机组的负荷和入口nox浓度，采用k均值聚类方法进行工况分类。
[0039]
在本技术实施例中，在根据该典型工况的数据点来确定所述催化剂的潜能衰减模型之前，该方法还包括以下一者或多者：
[0040]
统计所述典型工况的脱硝效率分布，筛选出脱硝效率在中位数附近一预定范围内的数据点；
[0041]
计算各数据点的氨氮摩尔比和脱硝效率，并将氨氮摩尔比小于脱硝效率的数据点作为异常数据点清除；
[0042]
排除聚类距离在一预定距离之外的数据点；以及
[0043]
以所述数据点中与所述催化剂的潜能相关的多个数据项作为输入变量，以催化剂潜能作为输出变量，进行bp神经网络拟合，并根据拟合结果，清除潜能预测值与潜能实际值偏差大于一阈值的数据点。
[0044]
在本技术实施例中，所述潜能衰减模型如下：
[0045][0046]
其中，t为自所述历史运行数据的初始采样时间点起的运行小时数，pk(t)为第k种工况运行t小时的预测潜能，p
0k
为第k种工况的初始潜能，该初始潜能指所述第k种工况在所述历史运行数据的初始采样时间点的潜能，ak为第k种工况的衰减系数。
[0047]
在本技术实施例中，所述各工况的潜能衰减曲线如下：
[0048][0049]
其中，t为自所述历史运行数据的初始采样时间点起的运行小时数，pn(t)为第n种工况运行t小时的预测潜能，p
0n
为第n种工况的初始潜能，该初始潜能指第n种工况在所述历史运行数据的初始采样时间点的潜能，ak为第k种工况的衰减系数，和分别为第k种工况和第n种工况在一预定时间的潜能平均值。
[0050]
在本技术实施例中，所述各工况的潜能下限按该工况下性能保证允许的最低脱硝效率和最高氨逃逸而被计算。
[0051]
在本技术实施例中，所述各个工况下的催化剂剩余寿命被计算为：
[0052][0053]
其中，t
life-n
是第n个工况剩余寿命，t
pass
自所述历史运行数据的初始采样时间点起到目前为止总计运行的小时数，p
fn
为第n个工况的潜能下限，ak为第k种工况的衰减系数，p
0n
为第n种工况的初始潜能，其中p
0k
为第k种工况的初始潜能，该初始潜能指所述第k种工况在所述历史运行数据的初始采样时间点的潜能，和分别为第k种工况和第n种工况在一预定时间的潜能平均值。
[0054]
本技术第三方面提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令在被处理器执行时使得所述处理器被配置成执行上述的催化剂剩余寿命预测方法。
[0055]
通过上述技术方案，其将原始数据分为多种工况，然后选取样本数据最多的工况作为一典型工况，并获得该工况下的潜能衰减曲线获得该工况下的潜能衰减曲线的潜能回归及不同工况间潜能转换等方法，获得多种不同工况下的预测寿命。本发明所述的寿命预测方法可以在样本数据较少的情况下覆盖全部运行工况，且预测结果与实验室检测结果相近。
[0056]
本技术实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
[0057]
附图是用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本技术实施例，但并不构成对本技术实施例的限制。在附图中：
[0058]
图1示意性示出了根据本技术实施例的催化剂剩余寿命预测方法的流程示意图；
[0059]
图2示意性示出了根据本技术实施例的催化剂剩余寿命预测方法的流程示意图；
[0060]
图3示意性示出了根据本技术实施例的基于运行数据的多工况scr催化剂寿命预测方法的流程图。
[0061]
图4示意性示出了根据本技术实施例的各数据点对应的机组催化剂潜能；
[0062]
图5示意性示出了根据本技术实施例的各工况的聚类结果；
[0063]
图6a和6b示意性示出了根据本技术实施例的神经网络示意图及预测值与实际值比对结果；
[0064]
图7示意性示出了根据本技术实施例的催化剂潜能衰减曲线；
[0065]
图8示意性示出了根据本技术实施例的各工况的催化剂潜能衰减曲线；以及
[0066]
图9示意性示出了根据本技术实施例的用于预测催化剂潜能的装置的结构示意图。
具体实施方式
[0067]
为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，应当理解的是，此处所描述的具体实施方式仅用于说明和解释本技术实施例，并不用于限制本技术实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0068]
需要说明，若本技术实施例中有涉及方向性指示(诸如上、下、左、右、前、后
……
)，则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
[0069]
另外，若本技术实施例中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本技术要求的保护范围之内。
[0070]
需要说明的是，以下对于本方案的描述会具体以scr脱硝系统为例进行说明，其主要是以基于电厂运行数据预测脱硝催化剂寿命为例进行说明，但本发明并不限于此，本发明可适用于所有领域涉及催化剂寿命预测的各种实现方式。
[0071]
图1示意性示出了根据本技术实施例的催化剂剩余寿命预测方法的流程示意图。如图1所示，在本技术一实施例中，提供了一种催化剂剩余寿命预测方法，该方法包括以下步骤：
[0072]
步骤102，获取机组的历史运行数据，该历史运行数据包含多个数据点，每一数据点包含与所述催化剂的潜能相关的多个数据项；
[0073]
步骤104，计算所述历史运行数据内所包含的每一数据点所对应的催化剂潜能；
[0074]
步骤106，基于所述多个数据项中的一个或多个数据项，对所述历史运行数据进行工况分类，以得到多个工况；例如，这里可基于所述机组的负荷和入口nox浓度，采用k均值聚类方法进行工况分类。
[0075]
步骤108，取所述多个工况中含数据点最多的工况作为一典型工况，并根据该典型工况的数据点，确定所述催化剂的潜能衰减模型；
[0076]
步骤110，计算所述多个工况中的每一工况在一预定时间的潜能平均值，并针对每一工况，计算该工况的潜能平均值与所述典型工况的潜能平均值之比值，并利用该比值来修正所述潜能衰减模型，以得到该工况的潜能衰减曲线(即，根据修正后的潜能衰减模型而绘制的衰减曲线)；
[0077]
步骤112，计算各个工况的潜能下限；以及
[0078]
步骤114，根据各个工况的潜能下限以及各个工况的潜能衰减曲线，确定各个工况下的催化剂剩余寿命。
[0079]
通过上述技术方案，其将原始数据分为多种工况，然后选取样本数据最多的工况作为一典型工况，保障了分类的典型性和各工况的样本量充足。随后，获得该工况下的潜能衰减曲线获得该工况下的潜能衰减曲线的潜能回归及不同工况间潜能转换等方法，获得多
种不同工况下的预测寿命，如此通过不同工况间的潜能转换，实现了多种工况的寿命预测，为全负荷运行提供指导。本发明所述的寿命预测方法可以在样本数据较少的情况下覆盖全部运行工况，且预测结果与实验室检测结果相近。
[0080]
在本技术实施例中，所述潜能衰减模型如下：
[0081][0082]
其中，t为自所述历史运行数据的初始采样时间点起的运行小时数，pk(t)为第k种工况运行t小时的预测潜能，p
0k
为第k种工况的初始潜能，该初始潜能指所述第k种工况在所述历史运行数据的初始采样时间点的潜能，ak为第k种工况的衰减系数。
[0083]
在本技术实施例中，所述各工况的潜能衰减曲线如下：
[0084][0085]
其中，t为自所述历史运行数据的初始采样时间点起的运行小时数，pn(t)为第n种工况运行t小时的预测潜能，p
0n
为第n种工况的初始潜能，该初始潜能指第n种工况在所述历史运行数据的初始采样时间点的潜能，ak为第k种工况的衰减系数，和分别为第k种工况和第n种工况在一预定时间的潜能平均值。
[0086]
在本技术实施例中，所述各工况的潜能下限按该工况下性能保证允许的最低脱硝效率和最高氨逃逸而被计算。当然，对于本案所可能应用的具体环境，可根据实际需要来选择所需要保证的性能指标，而并不限于此处的最低脱硝效率和最高氨逃逸。
[0087]
在本技术实施例中，所述各个工况下的催化剂剩余寿命被计算为：
[0088][0089]
其中，t
life-n
是第n个工况剩余寿命，t
pass
自所述历史运行数据的初始采样时间点起到目前为止总计运行的小时数，p
fn
为第n个工况的潜能下限，ak为第k种工况的衰减系数，p
0n
为第n种工况的初始潜能，其中p
0k
为第k种工况的初始潜能，该初始潜能指所述第k种工况在所述历史运行数据的初始采样时间点的潜能，和分别为第k种工况和第n种工况在一预定时间的潜能平均值。
[0090]
图2示意性示出了根据本技术实施例的催化剂剩余寿命预测方法的流程示意图。与图1所示的实施例的不同之处在于，其在根据所述典型工况的数据点来确定所述催化剂的潜能衰减模型之前，该方法还对所述典型工况的内包括数据点进行以下清洗操作，参见步骤208和209。具体而言，该清洗操作可包括以下一者或多者：
[0091]
统计所述典型工况的脱硝效率分布，筛选出脱硝效率在中位数附近一预定范围内的数据点；
[0092]
计算各数据点的氨氮摩尔比和脱硝效率，并将氨氮摩尔比小于脱硝效率的数据点作为异常数据点清除；
[0093]
排除聚类距离在一预定距离之外的数据点；以及
[0094]
以所述数据点中与所述催化剂的潜能相关的多个数据项作为输入变量，以催化剂潜能作为输出变量，进行bp神经网络拟合(其他可进行数据拟合及预测的模型也是可行
的)，并根据拟合结果，清除潜能预测值与潜能实际值偏差大于一阈值的数据点。
[0095]
通过采用该清洗操作之后的数据点确定所述催化剂的潜能衰减模型，提高了寿命预测的准确性。需要说明的是，以上所列的4个清洗操作可顺序执行，即，下一操作是在上一操作的结果的基础上执行的。
[0096]
应该理解的是，虽然图1和图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1和图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0097]
以下给出了一种基于运行数据的多工况scr催化剂寿命预测方法，其使用聚类方法将原始数据分为多种工况并对数据进行清洗和筛选，然后采用单个工况潜能回归及不同工况间潜能转换等方法，获得多种不同工况下的预测寿命，从而实现了全负荷下催化剂寿命的准确预测，具有较高的应用价值。
[0098]
催化剂寿命预测方法多数是依据检测数据、现场测试数据或电厂dcs运行数据绘制寿命衰减/还原剂增多曲线，并基于曲线与上、下限值的交点获得寿命终点时间。其中，实验室检测数据反映的是催化剂在理想设计烟气条件下的运行情况，因此与实际运行情况有所差别，且目前各电厂检测次数大部分较少，难以形成准确的寿命衰减曲线。现场测试可以得到实际运行条件下的性能数据，然而测试成本较高，数据点数量有限。相比之下，dcs运行数据可直接获得，且能够反映电厂运行的实际情况，是成本低、真实性好的数据来源。电厂运行数据信噪比低、非线性强，且受工况变化影响较大。因此，在作为寿命分析的样本前，数据的分类、清洗等预处理工作十分重要。目前基于运行数据的寿命预测方法大部分未对数据进行分工况处理，且对于数据清洗方法也未进行详细论述，基于未经预处理的数据得到的预测结果，其准确度难以保障。因此，本发明提出一种基于运行数据的多工况scr催化剂寿命预测方法，使用聚类方法将原始数据分为多种工况并对数据进行清洗和筛选，然后采用单个工况潜能回归及不同工况间潜能转换等方法，获得多种不同工况下的预测寿命。本发明所提出的方法实现了全负荷下催化剂寿命的准确预测，具有较高的应用价值。
[0099]
图3为该基于运行数据的多工况scr催化剂寿命预测方法的流程图。该基于运行数据的多工况scr催化剂寿命预测方法包含以下步骤：
[0100]
①
采集数据：采集电厂dcs系统中脱硝相关的历史运行数据。
[0101]
②
计算潜能：计算所有数据点对应的反应器潜能。
[0102]
③
聚类分工况：清除停机数据点后，采用k均值聚类方法，以负荷及a\b反应器平均入口nox浓度为对象，将数据分为多个工况。
[0103]
④
数据清洗和筛选：选取样本数较多的工况，通过限制脱硝效率、聚类距离等的数据的范围，筛选出一部分样本，并以反应器潜能为输出建立神经网络模型，将样本值与模型预测值偏差较大的点清除。
[0104]
⑤
寿命曲线绘制：针对该工况清洗后的样本，绘制反应器潜能随运行小时数变化的趋势图，并进行对数线性回归，获得该工况的潜能衰减模型。
[0105]
⑥
工况潜能转换：计算每个工况前500h潜能时间平均值并与
④⑤
中所述工况的潜能平均值进行对比，采用该潜能比值修正
⑤
的潜能衰减模型，得到各工况的潜能衰减模型。
[0106]
⑦
全负荷工况寿命预测：计算各工况达标所需的潜能最低限值，结合各工况潜能衰减模型，得到各工况下催化剂剩余寿命。
[0107]
该方案具有以下有益效果：基于聚类方法进行工况分类，保障了分类的典型性和各工况的样本量充足；充分的数据清洗和筛选以及单个工况下的潜能回归，提高了寿命预测的准确性；不同工况间的潜能转换，实现了多种工况的寿命预测，为全负荷运行提供指导。
[0108]
本发明的基于运行数据的多工况scr催化剂寿命预测方法可具体实现如下：
[0109]
1.采集dcs历史数据：从电厂dcs系统中下载脱硝相关的运行数据，数据密度为1分钟1组，数据时间跨度不低于1000h。数据点包括：时间、a\b反应器入口\出口nox浓度(mg/nm3，6％o2含量折算后)、a\b反应器出口氨逃逸(ppm)、a\b反应器喷氨量(kg/h)、负荷(mw)、省煤器出口烟气流量(km3/h，标态、湿基、实际氧)、脱硫出口nox浓度(mg/nm3)
[0110]
2.计算各数据点对应反应器潜能：大部分脱硝系统a\b两侧反应器催化剂都是同时安装的，劣化状态也相似，本发明采用a、b两侧潜能的平均值衡量机组催化剂的性能。计算公式如下：
[0111][0112]
其中，p为机组催化剂的潜能，pa、pb分别为a、b侧反应器潜能，mra、mrb分别为a、b侧氨氮摩尔比，ηa、ηb分别为a、b侧脱硝效率。mra、mrb、ηa、ηb的计算公式如下：
[0113][0114]
其中，分别为a、b反应器氨逃逸分别为a、b反应器入口nox浓度(mg/nm3，6％o2含量折算后)，a、b反应器入口nox浓度(mg/nm3，6％o2含量折算后)，分别为a、b反应器出口nox浓度(mg/nm3，6％o2含量折算后)。
[0115]
3.聚类分工况：首先剔除报错数据点和停机数据点(停机数据点这里按负荷小于5％bmcr负荷筛选)，然后基于负荷和入口nox浓度，采用k均值聚类方法进行工况分类。分别计算聚类簇数k从3-10的ccc(立方聚类准则)值，取最大ccc值对应的k为最终的聚类簇数。以划分的每一簇作为一种工况。
[0116]
4.数据清洗：选取样本数据点最多的工况，作为第k工况(注意，此处及以下所提及的k并非指代上述聚类簇数，而是指代样本数据点最多的工况，即，典型工况)，并采用以下4步进行数据深度清洗。
[0117]
1)统计该工况脱硝效率分布，筛选出脱硝效率在中位数
±
0.5％范围内的样本。其他样本清除。
[0118]
2)基于喷氨量计算机组氨氮摩尔比mr，基于脱硫出口nox浓度计算机组脱硝效率η。mr及η计算公式如下：
[0119][0120]
其中，分别为a、b反应器喷氨量(kg/h)，q
gas
为省煤器出口烟气流量(km3/h，标态、湿基、实际氧)，为脱硫出口nox浓度(mg/nm3，6％o2含量折算后)。
[0121]
计算后将mr＜η的数据点作为异常点清除。
[0122]
3)排除聚类距离在0.05以上的样本点。
[0123]
4)取与潜能相关度较高的负荷、脱硫出口nox浓度、a\b反应器入口nox浓度、a\b反应器氨逃逸为输入变量，机组催化剂潜能为输出变量，进行bp神经网络拟合。清除预测值与实际值偏差大于0.05的样本。
[0124]
5.回归获得潜能曲线：对深度清洗后的样本以机组催化剂潜能为输出，运行小时数为输入，进行对数线性回归，得到潜能衰减模型：
[0125][0126]
其中，t为自采样数据初始时间点起的运行小时数，pk(t)为第k种工况运行t小时的预测潜能，p
0k
为第k种工况的初始潜能(初始潜能指采样历史数据初始时间点的潜能)，ak为第k种工况的衰减系数。
[0127]
6.计算各工况前500h潜能均值：各工况均取前500h的样本数据，计算各工况对应的机组潜能的时间平均值。第k个工况的潜能时间平均值记为
[0128]
7.获取各工况潜能曲线：第n个工况的潜能曲线计算公式如下：
[0129][0130]
8.计算各工况潜能下限：各工况潜能下限按该工况下性能保证允许的最低脱硝效率和最高氨逃逸计算。第n个工况的潜能下限计算公式如下：
[0131][0132]
其中，p
fn
为第n个工况的潜能下限，mr
fn
为氨氮摩尔比对应的极限值，η
fn
为脱硝效率下限，为氨逃逸上限(ppm)，为第n个工况聚类中心点的入口氮氧化物浓度(mg/nm3)，为第n个工况出口nox浓度上限(mg/nm3)。及由当地环保规定确定。
[0133]
9.计算各工况剩余寿命：第n个工况剩余寿命由下面公式计算：
[0134][0135]
其中，t
life-n
是第n个工况剩余寿命，t
pass
是自历史数据采集时间到目前为止总计运行的小时数。
[0136]
以下以某450mw火电厂scr脱硝系统为例说明展示对上述方案及效果。
[0137]
实施例1
[0138]
1)首先采集该电厂1000h的分钟运行数据，包括时间、a\b反应器入口\出口nox浓度(mg/nm3,6％o2含量折算后)、a\b反应器出口氨逃逸(ppm)、a\b反应器喷氨量(kg/h)、负荷(mw)、省煤器出口烟气流量(km3/h,标态、湿基、实际氧)、脱硫出口nox浓度(mg/nm3)。
[0139]
2)计算各数据点对应的机组催化剂潜能，计算潜能点如图4所示。
[0140]
3)聚类分工况，计算得到k＝5时立方聚类标准(ccc)最大，因此将样本分为5个工况，聚类结果如图5所示：
[0141]
各工况的聚类情况如表1：
[0142]
表1各工况聚类情况
[0143][0144]
可以看出，第2类工况样本点较多。
[0145]
4)数据清洗：
[0146]
统计工况2的脱硝效率分布，得到该工况脱硝效率中位数为89.5％，选取脱硝效率在89％-90％范围内的样本，清除其他样本。然后计算剩余样本点的机组氨氮摩尔比mr和脱硝效率η，排除mr＜η的数据点。最后排除聚类距离大于0.05的数据点。
[0147]
对剩余样本点进行神经网络建模。以负荷、脱硫出口nox浓度、a\b反应器入口nox浓度、a\b反应器氨逃逸为输入，机组催化剂潜能为输出，建立三层bp神经网络，神经网络示意图及预测值和实际值对比结果如图6a和图6b所示。
[0148]
排除预测值与实际值相差大于0.05的数据点。
[0149]
5)对该工况剩余数据点做对数线性拟合，得到催化剂潜能衰减曲线如图7所示。
[0150]
曲线方程为：
[0151]
p2(t)＝3.8e-t/49020
[0152]
6)计算各工况前500h潜能时间均值，分别如下表所示：
[0153]
表2各工况潜能时间均值
[0154]
工况12345潜能时间均值3.693.793.803.913.68
[0155]
7)因此5个工况的潜能衰减曲线分别为：
[0156]
p1(t)＝3.70e-t/49020
[0157]
p2(t)＝3.80e-t/49020
[0158]
p3(t)＝3.81e-t/49020
[0159]
p4(t)＝3.92e-t/49020
[0160]
p5(t)＝3.69e-t/49020
[0161]
各工况潜能曲线如图8所示。
[0162]
8)按照出口nox最大浓度50mg/nm3，氨逃逸3ppm计算潜能下限。各工况入口nox浓度如表所示，得到各工况潜能下限值如下表所示：
[0163]
表3各工况潜能下限
[0164]
工况12345潜能下限2.852.792.943.072.71
[0165]
9)计算
[0166]
按目前已运行1000h计算，各工况剩余寿命如下表所示：
[0167]
表4各工况剩余寿命
[0168]
工况12345剩余寿命1174014201116831093614043
[0169]
可知，催化剂剩余寿命10936h-14201h，为保障性能达标，应在10936h前更换催化剂。
[0170]
测试例1
[0171]
在5000h左右对催化剂进行了采样，按照310mw、入口nox浓度302mg/nm3的烟气条件对串联催化剂进行了脱硝效率和氨逃逸的测试，该测试条件与工况二条件相近。测试结果脱硝效率90.5％，氨逃逸1.5ppm，计算得到潜能为3.43，本发明算法预测得到的潜能3.36与之相近，反应了本发明预测算法的准确性。
[0172]
本发明首先采集历史运行数据，计算反应器潜能。然后采用聚类算法将数据分为若干工况，得到每个工况下脱硝反应器的潜能均值。选取样本数据最多的工况，基于神经网络等方法进行数据清洗，并对样本点潜能进行对数线性回归，获得该工况下的潜能衰减曲线。最后根据各工况下的潜能均值，绘制不同工况下的潜能曲线，结合对应的潜能最低限值，得到多种工况下的催化剂剩余寿命。本发明所述的寿命预测方法可以在样本数据较少的情况下覆盖全部运行工况，且预测结果与实验室检测结果相近。
[0173]
图9示意性示出了根据本技术实施例的用于预测催化剂潜能的装置的结构示意图。本技术实施例提供了一种装置，该装置包括处理器910、存储器920及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：
[0174]
获取机组的历史运行数据，该历史运行数据包含多个数据点，每一数据点包含与所述催化剂的潜能相关的多个数据项；
[0175]
计算所述历史运行数据内所包含的每一数据点所对应的催化剂潜能；
[0176]
基于所述多个数据项中的一个或多个数据项，对所述历史运行数据进行工况分类，以得到多个工况；
[0177]
取所述多个工况中含数据点最多的工况作为一典型工况，并根据该典型工况的数据点，确定所述催化剂的潜能衰减模型；
[0178]
计算所述多个工况中的每一工况在一预定时间的潜能平均值，并针对每一工况，计算该工况的潜能平均值与所述典型工况的潜能平均值之比值，并利用该比值来修正所述潜能衰减模型，以得到该工况的潜能衰减曲线；
[0179]
计算各个工况的潜能下限；以及
[0180]
根据各个工况的潜能下限以及各个工况的潜能衰减曲线，确定各个工况下的催化剂剩余寿命。
[0181]
在一个实施例中，基于所述多个数据项中的一个或多个数据项，对所述历史运行数据进行工况分类包括：基于所述机组的负荷和入口nox浓度，采用k均值聚类方法进行工况分类。
[0182]
在一个实施例中，在根据该典型工况的数据点来确定所述催化剂的潜能衰减模型之前，该方法还包括以下一者或多者：
[0183]
统计所述典型工况的脱硝效率分布，筛选出脱硝效率在中位数附近一预定范围内的数据点；
[0184]
计算各数据点的氨氮摩尔比和脱硝效率，并将氨氮摩尔比小于脱硝效率的数据点作为异常数据点清除；
[0185]
排除聚类距离在一预定距离之外的数据点；以及
[0186]
以所述数据点中与所述催化剂的潜能相关的多个数据项作为输入变量，以催化剂潜能作为输出变量，进行bp神经网络拟合，并根据拟合结果，清除潜能预测值与潜能实际值偏差大于一阈值的数据点。
[0187]
在一个实施例中，所述潜能衰减模型如下：
[0188][0189]
其中，t为自所述历史运行数据的初始采样时间点起的运行小时数，pk(t)为第k种工况运行t小时的预测潜能，p
0k
为第k种工况的初始潜能，该初始潜能指所述第k种工况在所述历史运行数据的初始采样时间点的潜能，ak为第k种工况的衰减系数。
[0190]
在一个实施例中，所述各工况的潜能衰减曲线如下：
[0191][0192]
其中，t为自所述历史运行数据的初始采样时间点起的运行小时数，pn(t)为第n种工况运行t小时的预测潜能，p
0n
为第n种工况的初始潜能，该初始潜能指第n种工况在所述历史运行数据的初始采样时间点的潜能，ak为第k种工况的衰减系数，和分别为第k种工况和第n种工况在一预定时间的潜能平均值。
[0193]
在一个实施例中，所述各工况的潜能下限按该工况下性能保证允许的最低脱硝效率和最高氨逃逸而被计算。
[0194]
在本技术实施例中，所述各个工况下的催化剂剩余寿命被计算为：
[0195][0196]
其中，t
life-n
是第n个工况剩余寿命，t
pass
自所述历史运行数据的初始采样时间点起到目前为止总计运行的小时数，p
fn
为第n个工况的潜能下限，ak为第k种工况的衰减系数，p
0n
为第n种工况的初始潜能，其中p
0k
为第k种工况的初始潜能，该初始潜能指所述第k种工况在所述历史运行数据的初始采样时间点的潜能，和分别为第k种工况和第n种工况在一预定时间的潜能平均值。
[0197]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0198]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0199]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0200]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0201]
在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
[0202]
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。存储器是计算机可读介质的示例。
[0203]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体，可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照
本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0204]
还需要说明的是，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、商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、商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，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0205]
以上仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。

技术特征：
1.一种催化剂剩余寿命预测方法，其特征在于，所述方法包括：获取机组的历史运行数据，该历史运行数据包含多个数据点，每一数据点包含与所述催化剂的潜能相关的多个数据项；计算所述历史运行数据内所包含的每一数据点所对应的催化剂潜能；基于所述多个数据项中的一个或多个数据项，对所述历史运行数据进行工况分类，以得到多个工况；取所述多个工况中含数据点最多的工况作为一典型工况，并根据该典型工况的数据点，确定所述催化剂的潜能衰减模型；计算所述多个工况中的每一工况在一预定时间的潜能平均值，并针对每一工况，计算该工况的潜能平均值与所述典型工况的潜能平均值之比值，并利用该比值来修正所述潜能衰减模型，以得到该工况的潜能衰减曲线；计算各个工况的潜能下限；以及根据各个工况的潜能下限以及各个工况的潜能衰减曲线，确定各个工况下的催化剂剩余寿命。2.根据权利要求1所述的方法，其特征在于，基于所述多个数据项中的一个或多个数据项，对所述历史运行数据进行工况分类包括：基于所述机组的负荷和入口nox浓度，采用k均值聚类方法进行工况分类。3.根据权利要求1或2所述的方法，其特征在于，在根据所述典型工况的数据点来确定所述催化剂的潜能衰减模型之前，该方法还包括以下一者或多者：统计所述典型工况的脱硝效率分布，筛选出脱硝效率在中位数附近一预定范围内的数据点；计算各数据点的氨氮摩尔比和脱硝效率，并将氨氮摩尔比小于脱硝效率的数据点作为异常数据点清除；排除聚类距离在一预定距离之外的数据点；以及以所述数据点中与所述催化剂的潜能相关的多个数据项作为输入变量，以催化剂潜能作为输出变量，进行bp神经网络拟合，并根据拟合结果，清除潜能预测值与潜能实际值偏差大于一阈值的数据点。4.根据权利要求1述的方法，其特征在于，所述潜能衰减模型如下：其中，t为自所述历史运行数据的初始采样时间点起的运行小时数，p
k
(t)为第k种工况运行t小时的预测潜能，p
0k
为第k种工况的初始潜能，该初始潜能指所述第k种工况在所述历史运行数据的初始采样时间点的潜能，a
k
为第k种工况的衰减系数。5.根据权利要求1述的方法，其特征在于，所述各工况的潜能衰减曲线如下：其中，t为自所述历史运行数据的初始采样时间点起的运行小时数，p
n
(t)为第n种工况运行t小时的预测潜能，p
0n
为第n种工况的初始潜能，该初始潜能指第n种工况在所述历史运
行数据的初始采样时间点的潜能，a
k
为第k种工况的衰减系数，和分别为第k种工况和第n种工况在一预定时间的潜能平均值。6.根据权利要求1述的方法，其特征在于，所述各工况的潜能下限按该工况下性能保证允许的最低脱硝效率和最高氨逃逸而被计算。7.根据权利要求1述的方法，其特征在于，所述各个工况下的催化剂剩余寿命被计算为：其中，t
life-n
是第n个工况剩余寿命，t
pass
自所述历史运行数据的初始采样时间点起到目前为止总计运行的小时数，p
fn
为第n个工况的潜能下限，a
k
为第k种工况的衰减系数，p
0n
为第n种工况的初始潜能，其中p
0k
为第k种工况的初始潜能，该初始潜能指所述第k种工况在所述历史运行数据的初始采样时间点的潜能，和分别为第k种工况和第n种工况在一预定时间的潜能平均值。8.一种用于预测催化剂剩余寿命的装置，其特征在于，该装置包括：处理器；以及存储器，存储有指令，该指令在被处理器执行时使得所述处理器被配置成执行以下操作：获取机组的历史运行数据，该历史运行数据包含多个数据点，每一数据点包含与所述催化剂的潜能相关的多个数据项；计算所述历史运行数据内所包含的每一数据点所对应的催化剂潜能；基于所述多个数据项中的一个或多个数据项，对所述历史运行数据进行工况分类，以得到多个工况；取所述多个工况中含数据点最多的工况作为一典型工况，并根据该典型工况的数据点，确定所述催化剂的潜能衰减模型；计算所述多个工况中的每一工况在一预定时间的潜能平均值，并针对每一工况，计算该工况的潜能平均值与所述典型工况的潜能平均值之比值，并利用该比值来修正所述潜能衰减模型，以得到该工况的潜能衰减曲线；计算各个工况的潜能下限；以及根据各个工况的潜能下限以及各个工况的潜能衰减曲线，确定各个工况下的催化剂剩余寿命。9.根据权利要求8所述的装置，其特征在于，基于所述多个数据项中的一个或多个数据项，对所述历史运行数据进行工况分类包括：基于所述机组的负荷和入口nox浓度，采用k均值聚类方法进行工况分类。10.根据权利要求8或9所述的装置，其特征在于，在根据该典型工况的数据点来确定所述催化剂的潜能衰减模型之前，该方法还包括以下一者或多者：统计所述典型工况的脱硝效率分布，筛选出脱硝效率在中位数附近一预定范围内的数据点；
计算各数据点的氨氮摩尔比和脱硝效率，并将氨氮摩尔比小于脱硝效率的数据点作为异常数据点清除；排除聚类距离在一预定距离之外的数据点；以及以所述数据点中与所述催化剂的潜能相关的多个数据项作为输入变量，以催化剂潜能作为输出变量，进行bp神经网络拟合，并根据拟合结果，清除潜能预测值与潜能实际值偏差大于一阈值的数据点。11.根据权利要求8述的装置，其特征在于，所述潜能衰减模型如下：其中，t为自所述历史运行数据的初始采样时间点起的运行小时数，p
k
(t)为第k种工况运行t小时的预测潜能，p
0k
为第k种工况的初始潜能，该初始潜能指所述第k种工况在所述历史运行数据的初始采样时间点的潜能，a
k
为第k种工况的衰减系数。12.根据权利要求8述的装置，其特征在于，所述各工况的潜能衰减曲线如下：其中，t为自所述历史运行数据的初始采样时间点起的运行小时数，p
n
(t)为第n种工况运行t小时的预测潜能，p
0n
为第n种工况的初始潜能，该初始潜能指第n种工况在所述历史运行数据的初始采样时间点的潜能，a
k
为第k种工况的衰减系数，和分别为第k种工况和第n种工况在一预定时间的潜能平均值。13.根据权利要求8述的装置，其特征在于，所述各工况的潜能下限按该工况下性能保证允许的最低脱硝效率和最高氨逃逸而被计算。14.根据权利要求8述的装置，其特征在于，所述各个工况下的催化剂剩余寿命被计算为：其中，t
life-n
是第n个工况剩余寿命，t
pass
自所述历史运行数据的初始采样时间点起到目前为止总计运行的小时数，p
fn
为第n个工况的潜能下限，a
k
为第k种工况的衰减系数，p
0n
为第n种工况的初始潜能，其中p
0k
为第k种工况的初始潜能，该初始潜能指所述第k种工况在所述历史运行数据的初始采样时间点的潜能，和分别为第k种工况和第n种工况在一预定时间的潜能平均值。15.一种机器可读存储介质，该机器可读存储介质上存储有指令，其特征在于，该指令在被处理器执行时使得所述处理器被配置成执行根据权利要求1至7中任一项所述的催化剂剩余寿命预测方法。

技术总结
本申请实施例提供一种催化剂剩余寿命预测方法、装置及存储介质，该方法包括：所述方法包括：获取机组的历史运行数据；计算所述历史运行数据内所包含的每一数据点所对应的催化剂潜能；基于多个数据项中的一个或多个数据项，对所述历史运行数据进行工况分类，以得到多个工况；取所述多个工况中含数据点最多的工况作为一典型工况，并根据该典型工况的数据点，确定所述催化剂的潜能衰减模型；计算所述多个工况中的每一工况在一预定时间的潜能平均值，并针对每一工况，计算该工况的潜能平均值与所述典型工况的潜能平均值之比值，并利用该比值来修正所述潜能衰减模型，以得到该工况的潜能衰减曲线；计算各个工况的潜能下限；以及根据各个工况的潜能下限以及各个工况的潜能衰减曲线，确定各个工况下的催化剂剩余寿命。命。命。


技术研发人员：张珑慧 林德海 王宝冬 刘伟 曹子雄
受保护的技术使用者：北京低碳清洁能源研究院
技术研发日：2022.03.02
技术公布日：2023/9/11