基于BP神经网络的SCR蜂窝状催化剂脱硝性能预测

doi:10.11930/j.issn.1004-9649.2016.10.127.05

中国电力 ›› 2016, Vol. 49 ›› Issue (10): 127-131.DOI: 10.11930/j.issn.1004-9649.2016.10.127.05

基于BP神经网络的SCR蜂窝状催化剂脱硝性能预测

杨碧源，赵金笑，魏宏鸽，王艳鹏，朱跃

华电电力科学研究院，浙江杭州 310030

收稿日期:2016-03-21 出版日期:2016-10-10 发布日期:2016-11-07
作者简介:杨碧源（1987—），男，河南禹州人，工程师，主要从事脱硝催化剂方面的研究。E-mail: ybiyuan@126.com

Performance Forecasting for SCR Honeycomb Catalyst Based on BP Neural Network

YANG Biyuan, ZHAO Jinxiao, WEI Hongge, WANG Yanpeng, ZHU Yue

Huadian Electric Power Research Institute, Hangzhou 310030, China

Received:2016-03-21 Online:2016-10-10 Published:2016-11-07

摘要/Abstract

摘要： 选择性催化还原（SCR）法是目前烟气脱硝应用最广泛的技术之一，其脱硝效率与催化剂有紧密联系。在自制性能测试试验台上，以某商用蜂窝状催化剂为研究对象，选取空速、温度、氧气含量、氨氮摩尔比、NO浓度5组参数进行脱硝性能测试，分析其对脱硝效率的影响。在实验数据的基础上，应用BP神经网络建立了预测模型，并与实验数据进行了对比分析。结果表明，当BP神经网络拓扑结构为5×7×1时，训练结果较好，利用其进行脱硝性能预测时，绝对误差绝对值的平均值为8%，相对误差绝对值的平均值为11%，证明BP神经网络拟合效果较好。

关键词: 燃煤电厂, 烟气脱硝, 蜂窝状催化剂, SCR, BP神经网络, 预测模型

Abstract: Currently, the selective catalytic reduction (SCR) is one of the most widely used technologies for flue gas denitification. However, its De-NOx efficiency relies heavily on the catalyst. In this paper, take the example of a commercial SCR honeycomb monoliths, five sets of parameters, i.e., GHSV, temperature, oxygen content, NH3/NO ratio and initial NO concentration, are chosen in the De-NOx performance testing on a homegrown testing bed to study its effect on the De-NOx efficiency. Based on the testing data, the prediction model of De-NOx efficiency of SCR honeycomb monoliths is established by applying BP neural network. The results show that the convergence results are satisfactory when the topology structure is formulated as 5×7×1; When it is used in the performance forecasting, the absolute error is about 8% by average while the average relative error is 11% respectively, which proves the good fitting effect of BP neural network.

Key words: coal-fired power plant, flue gas denitrification, honeycomb catalysts, SCR, BP neural network, prediction model

中图分类号:

TM621
X511

杨碧源，赵金笑，魏宏鸽，王艳鹏，朱跃. 基于BP神经网络的SCR蜂窝状催化剂脱硝性能预测[J]. 中国电力, 2016, 49(10): 127-131.

YANG Biyuan, ZHAO Jinxiao, WEI Hongge, WANG Yanpeng, ZHU Yue. Performance Forecasting for SCR Honeycomb Catalyst Based on BP Neural Network[J]. Electric Power, 2016, 49(10): 127-131.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://www.electricpower.com.cn/CN/10.11930/j.issn.1004-9649.2016.10.127.05

https://www.electricpower.com.cn/CN/Y2016/V49/I10/127

参考文献

[1] V Tomai′c, GOMZI Z． Experimental and theoretical study of NO decomposition in a catalytic monolith reactor[J]． Chemical Engineering and Processing, 2004, 43(6): 765-774．
[2] 沈伯雄，赵宁，刘亭．烟气脱硝选择性催化还原催化剂反应模拟研究[J]．中国电机工程学报，2011，31（8）：31-36．
SHEN Boxiong, ZHAO Ning, LIU Ting． The simulation study of SCR flue gas denitration catalyst reaction[J]. Proceedings of the CSEE, 2011, 31(8): 31-36．
[3] RODUIT B, BAIKER A, BETTONI F, et al． 3-D modeling of SCR of NOx by NH3 on vanadia honeycomb catalysts[J]． AIChE Journal, 1998, 44(12): 2731-2744.
[4] DHANUSHKODI S R, MAHINPEY N, WILSON M, et al． Kinetic and 2D reactor modeling for simulation of the catalytic reduction of NOx in the monolith honeycomb reactor[J]． Process Safety and Environment Protection, 2008, 86(4): 303-309．
[5] TOMAIC V, GOMZI Z, ZRNCEVIC S, et al. Analysis and modeling of a monolithic reactor[J]． Chemical Engineering & Technology, 2006, 29(1): 59-65．
[6] HYUK JAE KWON, JOON HYUN BAIK, SUNG BONG KANG, et al. Simulation of a nonisothermal modern three-way catalyst converter [J]． Industrial & Engineering Chemistry Research, 2010, 49(15): 7039-7051．
[7] CHEN J, YANG H, WANG N, et al． Mathematical modeling of monolith catalysts and reactors for gas phase reactions [J]. Applied Catalysis, 2008, 345(1): 1-11．
[8] 温俊明，池涌，金余其，等．垃圾热解实验研究及其神经网络预测模型[J]．中国电机工程学报，2005，25（5）：154-155．
WEN Junming, CHI Yong, JIN Yuqi, et al． The neural network prediction model and experimental study on pyrolysis of garbage[J]. Proceedings of the CSEE, 2005, 25(5): 154-155.
[9] 孟小然，于艳科，陈进生，等．平板式SCR催化剂的性能检测[J]．中国电力，2014，47（12）：144-145．
MENG Xiaoran, YU Yanke, CHEN Jinsheng, et al． Profermance testing of plate SCR catalysts[J]. Electric Power, 2014, 47(12):144-145．
[10] 范红梅，仲兆平，金保升． V2O5-WO3/TiO2催化剂氨法SCR脱硝反应动力学研究[J]．燃料化学学报，2006，34（3）：377-378．
FAN Hongmei, ZHONG Zhaoping, JIN Baosheng. Kinetics study of the selective catalytic reduction of NO with NH3 over V2O5-WO3/TiO2 catalyst [J]. Journal of Fuel Chemistry and Technology,2006, 34(3): 377-378.
[11] 朱崇兵，金保升，仲兆平，等． WO3对V2O5/TiO2脱硝催化剂的抗中毒作用[J]．锅炉技术，2009，40（1）：63-67．
ZHU Chongbing, JIN Baosheng, ZHONG Zhaoping, et al. Anti- poisoning effect of WO3 on V2O5/TiO2 catalysts[J]. Boiler Technology, 2009, 40(1): 63-67．
[12] 傅荟璇，赵红． Matlab神经网络应用设计[M]．北京：机械工业出版社，2010：29-38．
[13] 王水庆．人工智能原理与方法[M]．西安：西安交通大学出版社，1998．
[14] ZHANG J, MORRIS A． A sequential learning approach for single hidden layer neural networks[J]． Neural Networks, 1998, 1(11):65-80．

[1]	吴小忠, 肖立华, 童超, 夏向阳, 袁翎, 甘星, 江志文, 黄湘源. 基于传递熵与JS-BP神经网络的锂离子电池容量预测模型[J]. 中国电力, 2025, 58(2): 186-192, 215.
[2]	王传琦, 伍历文, 邓志斌, 邓伟锋, 杨彬. 时间累积架空输电线路覆冰预测模型与算法综述[J]. 中国电力, 2024, 57(6): 153-164, 234.
[3]	马汝括, 董杰, 王雅湉, 伊国鑫, 丁祥浩, 马乐. 基于神经网络的高寒地区CF₄和SF₆/CF₄检测[J]. 中国电力, 2024, 57(3): 103-112.
[4]	安佳坤, 杨书强, 王涛, 贺春光, 张菁, 袁超, 窦春霞. 电动汽车聚合下的微能源互联网优化调度策略[J]. 中国电力, 2023, 56(5): 80-88.
[5]	刘毅. 燃煤电厂烟气中SO₃排放控制中试研究[J]. 中国电力, 2022, 55(7): 201-208.
[6]	刘含笑, 吴黎明, 赵琳, 于立元, 郦建国, 崔盈. 燃煤电厂湿式电除尘器减排及能效特性研究[J]. 中国电力, 2022, 55(5): 196-203.
[7]	杨桢, 马钰超, 李丽, 李鑫, 马子莹. 基于HHT和GA-BP的电压暂降源定位方法[J]. 中国电力, 2022, 55(3): 97-104.
[8]	孙尊强, 郑成航, 周灿, 王圣, 马修元, 叶毅科. 燃煤电厂典型除尘器运行现状分析及优化[J]. 中国电力, 2022, 55(11): 194-201.
[9]	陈晨, 贾舒雅, 刘丁嘉, 贾海威, 张颖, 曲艳超. 平板式抗砷中毒SCR脱硝催化剂在高砷烟气中活性变化研究[J]. 中国电力, 2022, 55(11): 202-208.
[10]	李红霞, 张祥成, 李芳, 张海宁, 李楠, 马雪. 清洁能源示范省建设背景下青海能源需求预测及清洁化发展对策[J]. 中国电力, 2021, 54(7): 1-10,26.
[11]	刘志坦, 姚杰, 庄柯, 喻乐蒙, 周凯. 燃气轮机与燃煤机组SCR脱硝催化剂特性比较[J]. 中国电力, 2021, 54(6): 145-152.
[12]	范海虹. 基于萤火虫算法的短期电力负荷预测方法[J]. 中国电力, 2021, 54(3): 141-148.
[13]	晏敏, 张杨, 郭博闻, 朱跃. 基于全寿命周期成本的SCR脱硝系统优化分析[J]. 中国电力, 2021, 54(3): 191-196.
[14]	吴家玉, 莫华, 胡耘, 朱杰, 帅伟, 张晴, 姜岸. 京津冀及周边地区燃煤电厂煤场无组织颗粒物不同控制情景下时空变化特征[J]. 中国电力, 2021, 54(2): 182-189.
[15]	华晨飞, 朱林, 姚杰, 庄柯. 废烟气脱硝催化剂资源回用载体的品质及特性研究[J]. 中国电力, 2021, 54(2): 197-204.

基于BP神经网络的SCR蜂窝状催化剂脱硝性能预测

Performance Forecasting for SCR Honeycomb Catalyst Based on BP Neural Network

PDF (PC)

可视化

被引次数

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

模态框（Modal）标题

基于BP神经网络的SCR蜂窝状催化剂脱硝性能预测

Performance Forecasting for SCR Honeycomb Catalyst Based on BP Neural Network

PDF (PC)

可视化

被引次数

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