SCR系统反应器喷氨策略模型的确定方法、装置、设备

摘要

本发明实施例公开了一种SCR系统反应器喷氨策略模型的确定方法、装置、设备。首先获取SCR系统反应器的热工参数，其中，热工参数包括烟气流速在第一预设截面和/或第二预设截面上的分布参数、烟气温度在第一预设截面和/或第二预设截面上的分布参数以及获取锅炉的运行参数中的至少一种；之后根据热工参数对预设模型中的第一子模型进行训练，得到第一目标子模型；然后根据第一目标子模型和热工参数对预设模型中的第二子模型进行训练，得到第二目标子模型；最后根据第一目标子模型和第二目标子模型确定喷氨策略模型，以用于输出喷氨策略。解决了现有技术方案中存在难以准确确定分区喷氨过程中喷氨策略的问题，实现准确确定分区喷氨过程中的喷氨策略。

说明书

技术领域

本发明涉及烟气脱硝技术领域，尤其涉及一种SCR系统反应器喷氨策略模型的确定方法、装置、设备。

背景技术

烟气污染物脱除过程作为火力发电厂控制排放的关键环节，在减少大气污染、保护人类生存环境方面具有重要社会意义。

国内外广泛应用的选择性催化还原(Selective Catalytic Reduction，SCR)技术是降低火力发电厂氮氧化合物排放的有效手段，喷氨量是SCR系统运行过程中的核心参数。

现有技术中，主要是通过分区喷氨等方法来还原氮氧化合物，实现控制氮氧化合物排放。但是，在分区喷氨的过程中，采用机器学习方法，基于运行历史数据进行分析建模计算喷氨量以及喷氨方式时，常规机器学习建模手段在分区喷氨应用中受到限制，往往难以准确确定分区喷氨过程中的喷氨策略。

因此，在现有的技术方案中，存在难以准确确定分区喷氨过程中喷氨策略的问题。

发明内容

本发明实施例提供了一种SCR系统反应器喷氨策略模型的确定方法、SCR系统反应器喷氨策略的确定方法、装置、设备及存储介质，解决了现有技术方案中存在难以准确确定分区喷氨过程中喷氨策略的问题，实现准确确定分区喷氨过程中的喷氨策略。

为了解决上述技术问题，本发明：

第一方面，提供了一种SCR系统反应器喷氨策略模型的确定方法，该方法包括：

获取SCR系统反应器的热工参数，其中，热工参数包括烟气流速在第一预设截面和/或第二预设截面上的分布参数、烟气温度在第一预设截面和/或第二预设截面上的分布参数以及获取锅炉的运行参数中的至少一种；

根据热工参数对预设模型中的第一子模型进行训练，得到第一目标子模型；

根据第一目标子模型和热工参数对预设模型中的第二子模型进行训练，得到第二目标子模型；

根据第一目标子模型和第二目标子模型确定喷氨策略模型。

在第一方面的一些实现方式中，根据热工参数对预设模型中的第一子模型进行训练，得到第一目标子模型，包括：

根据热工参数和第一子模型，确定SCR系统反应器内的物质能量守恒和第一参数的输运关系，其中，第一参数包括质量、动量、能量中的至少一种；

根据热工参数对输运关系进行训练，得到第一目标子模型。

在第一方面的一些实现方式中，第一子模型包括预设的流动反应控制方程；根据热工参数和第一子模型，确定SCR系统反应器内的物质能量守恒和第一参数的输运关系，包括：

在预设的烟气流动方向上，将SCR系统反应器划分为多个计算单元；

根据热工参数和预设的流动反应控制方程，确定SCR系统反应器内每个单元的物质能量守恒以及单元与单元之间第一参数的输运关系。

在第一方面的一些实现方式中，根据第一目标子模型和热工参数对预设模型中的第二子模型进行训练，得到第二目标子模型，包括：

根据第一目标子模型和热工参数确定SCR系统反应器的喷氨格栅上游的氮氧化合物在第三预设截面上的浓度分布参数；

使用第二子模型，根据浓度分布参数、预存的出口烟气氮氧化合物浓度、预存的出口氨气浓度以及预存的喷氨量确定喷氨策略；

根据喷氨策略和第一目标子模型对第二子模型进行训练，得到第二目标子模型。

在第一方面的一些实现方式中，根据喷氨策略和第一目标子模型对第二子模型进行训练，得到第二目标子模型，包括：

根据喷氨策略和第一目标子模型确定与喷氨策略对应的出口烟气氮氧化合物浓度以及出口氨气浓度；

根据与喷氨策略对应的出口烟气氮氧化合物浓度以及出口氨气浓度对第二子模型的参数进行调整，得到第二目标子模型。

第二方面，提供了一种SCR系统反应器喷氨策略的确定方法，该方法包括：

获取SCR系统反应器的目标热工参数，其中，目标热工参数包括烟气流速在第一预设截面上的分布参数、烟气温度在第二预设截面上的分布参数以及获取锅炉的运行参数中的至少一种；

根据目标热工参数和喷氨策略模型，得到喷氨策略，其中，喷氨策略模型是基于第一方面，以及第一方面的一些实现方式中的SCR系统反应器喷氨策略模型的确定方法得到的。

第三方面，提供了一种SCR系统反应器喷氨策略模型的确定装置，该装置包括：

获取模块，用于获取SCR系统反应器的热工参数，其中，热工参数包括烟气流速在第一预设截面和/或第二预设截面上的分布参数、烟气温度在第一预设截面和/或第二预设截面上的分布参数以及获取锅炉的运行参数中的至少一种；

处理模块，用于根据热工参数对预设模型中的第一子模型进行训练，得到第一目标子模型；

处理模块，还用于根据第一目标子模型和热工参数对预设模型中的第二子模型进行训练，得到第二目标子模型；

处理模块，还用于根据第一目标子模型和第二目标子模型确定喷氨策略模型。

第四方面，提供了一种SCR系统反应器喷氨策略的确定装置，该装置包括：

获取模块，同于获取SCR系统反应器的目标热工参数，其中，目标热工参数包括烟气流速在第一预设截面上的分布参数、烟气温度在第二预设截面上的分布参数以及获取锅炉的运行参数中的至少一种；

处理模块，用于根据目标热工参数和喷氨策略模型，得到喷氨策略，其中，喷氨策略模型是基于第一方面，以及第一方面的一些实现方式中的SCR系统反应器喷氨策略模型的确定方法得到的。

第五方面，提供了一种电子设备，该设备包括：处理器以及存储有计算机程序指令的存储器；

处理器执行计算机程序指令时实现第一方面，以及第一方面的一些实现方式中的SCR系统反应器喷氨策略模型的确定方法，或者，实现第二方面的SCR系统反应器喷氨策略的确定方法。

第六方面，一种计算机存储介质，其特征在于，计算机存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现第一方面，以及第一方面的一些实现方式中的SCR系统反应器喷氨策略模型的确定方法，或者，实现第二方面的SCR系统反应器喷氨策略的确定方法。

本发明实施例提供了一种SCR系统反应器喷氨策略模型的确定方法、SCR系统反应器喷氨策略的确定方法、装置、设备及存储介质。首先获取SCR系统反应器的热工参数，其中，热工参数包括烟气流速在第一预设截面上的分布参数、烟气温度在第二预设截面上的分布参数以及获取锅炉的运行参数中的至少一种；然后再根据热工参数对预设模型中的第一子模型进行训练，得到第一目标子模型；之后再根据第一目标子模型和热工参数对预设模型中的第二子模型进行训练，得到第二目标子模型；最后根据第一目标子模型和第二目标子模型确定喷氨策略模型，以用于输出喷氨策略。因为在确定SCR系统反应器喷氨策略模型的过程中，使用了包括烟气流速在第一预设截面上的分布参数、烟气温度在第二预设截面上的分布参数以及获取锅炉的运行参数中至少一种的热工参数，考虑到烟气流速以及烟气温度与氮氧化合物分布有较强关联性，通过根据上述的热工参数，对预设模型进行训练，使得训练得到的喷氨策略模型能够考虑到氮氧化合物的分布情况，从而准确确定分区喷氨过程中的喷氨策略。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，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是本发明实施例提供的一种SCR系统反应器喷氨策略模型的确定方法的流程示意图；

图2是本发明实施例提供的一种SCR系统反应器喷氨策略的确定方法的流程示意图；

图3是本发明实施例提供的一种SCR系统反应器喷氨策略模型的确定装置的结构示意图；

图4是本发明实施例提供的一种SCR系统反应器喷氨策略的确定装置的结构示意图；

图5是本发明实施例提供的一种计算设备的结构图。

具体实施方式

下面将详细描述本发明的各个方面的特征和示例性实施例，为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细描述。应理解，此处所描述的具体实施例仅被配置为解释本发明，并不被配置为限定本发明。对于本领域技术人员来说，本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。

需要说明的是，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……”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。

烟气污染物脱除过程作为火力发电厂控制排放的关键环节，在减少大气污染、保护人类生存环境方面具有重要社会意义。近年来，随着国家对污染物排放要求的不断升级，污染物排放限值逐渐降低。在“50355”超低排放工程中，明确要求火力发电厂所排放烟气中的氮氧化物(Nitric Oxides，NOx)浓度不得高于50mg/m3。

国内外广泛应用的选择性催化还原(Selective Catalytic Reduction，SCR)技术是降低火力发电厂NOx排放的有效手段，喷氨量是SCR系统运行过程中的核心参数。喷氨量过低时，无法满足国家对NOx的排放限制要求；而喷氨量过高时，逃逸的NH3不仅对周边环境造成危害，还与硫氧化物反应生成硫酸氢铵，附着在温度较低的空气预热器表面，形成粘稠的液体并吸收大量烟气中的灰尘，致使空气预热器堵塞，影响电厂安全运行。

目前，针对SCR系统的喷氨量控制问题，主要采用烟气在线监测系统采集入口烟气中的NOx浓度值，再通过反馈控制系统调节喷氨量。但该方法存在准确性和及时性方面的问题。另外，在SCR系统实际运行中存在反应器内氨氮浓度匹配不当的问题，具体表现为烟气中的NOx浓度在垂直于主流方向的横截面上分布不均，而喷氨格栅(Ammonia InjectionGrid，AIG)执行的多为均匀喷氨操作，导致反应器出口局部NOx浓度偏高、局部NH3大量逃逸。

现有技术中，主要解决方法包括流动优化与分区喷氨等。流动优化方法是通过在反应器上游加入整流结构，加强烟气流动混合，使横截面上烟气参数分布更均匀。但该方法不能完全避免烟气组分在横截面上分布的不均匀性。分区喷氨方法是通过对原有喷氨格栅进行结构改造，以达到根据来流烟气浓度分布分别控制各路喷头、实现非均匀喷氨的效果。制定合理的非均匀喷氨策略，是分区喷氨技术的关键问题。

近年来，在国家全力推进生产过程智能化的政策指导下，“智慧电厂”的概念在电力行业中不断渗透，基于数据、具有自学习能力的电厂全面智能化已成为行业发展的必然趋势。

采用机器学习方法，基于运行历史数据进行分析建模，可实现更准确的喷氨量计算。然而，常规机器学习建模方法高度依赖于训练数据集质量，数据集质量差时，模型预测精度低、实用效果差。另外，烟气组分浓度及其分布等参数难以实时测得，常规机器学习建模手段在分区喷氨应用中受到限制，往往难以准确确定分区喷氨过程中的喷氨策略。

因此，在现有的技术方案中，存在难以准确确定分区喷氨过程中喷氨策略的问题。

为了解决目前的技术方案中存在的难以准确确定分区喷氨过程中喷氨策略的问题，本发明实施例提供了一种SCR系统反应器喷氨策略模型的确定方法、SCR系统反应器喷氨策略的确定方法、装置、设备及存储介质。首先获取SCR系统反应器的热工参数，其中，热工参数包括烟气流速在第一预设截面上的分布参数、烟气温度在第二预设截面上的分布参数以及获取锅炉的运行参数中的至少一种；然后再根据热工参数对预设模型中的第一子模型进行训练，得到第一目标子模型；之后再根据第一目标子模型和热工参数对预设模型中的第二子模型进行训练，得到第二目标子模型；最后根据第一目标子模型和第二目标子模型确定喷氨策略模型，以用于输出喷氨策略。因为在确定SCR系统反应器喷氨策略模型的过程中，使用了包括烟气流速在第一预设截面上的分布参数、烟气温度在第二预设截面上的分布参数以及获取锅炉的运行参数中至少一种的热工参数，考虑到烟气流速以及烟气温度与氮氧化合物分布有较强关联性，通过根据上述的热工参数，对预设模型进行训练，使得训练得到的喷氨策略模型能够考虑到氮氧化合物的分布情况，从而准确确定分区喷氨过程中的喷氨策略。

下面结合附图对本发明实施例提供的技术方案进行描述。

图1是本发明实施例提供的一种SCR系统反应器喷氨策略模型的确定方法的流程示意图。该方法的执行主体可以基于处理器，该处理器是指SCR控制器。

如图1所示，SCR系统反应器喷氨策略模型的确定方法可以包括：

S101：获取SCR系统反应器的热工参数。

其中，该热工参数可以包括烟气流速在第一预设截面和/或第二预设截面上的分布参数、烟气温度在第一预设截面和/或第二预设截面上的分布参数以及获取锅炉的运行参数中的至少一种。第一预设截面是指SCR系统反应器的入口处的截面，第二预设截面是指SCR系统反应器的出口处的截面。

在一个实施例中，烟气流速在第一预设截面和/或第二预设截面上的分布参数可以是热球风速仪测量在第一预设截面和/或第二预设截面测量到的速度分布参数；烟气温度在第一预设截面和/或第二预设截面上的分布参数可以是采用声波测温法在第一预设截面和/或第二预设截面上测量到的温度分布参数；锅炉的运行参数具体是指锅炉负荷、锅炉烟气量参数值。

在获取到热工参数后，可以根据获取的热工参数对预设的模型进行训练以生成喷氨策略模型，即执行S102-S104。

S102：根据热工参数对预设模型中的第一子模型进行训练，得到第一目标子模型。

可选地，第一子模型可以包括预设的流动反应控制方程，该流动反应控制方程是指一维、二维或三维流动反应控制方程。

在该训练过程中，为了便于数据计算和处理，可以先将热工参数进行预处理，并将SCR系统反应器在预设的烟气流动方向上划分为多个计算单元。考虑到包括烟气流速的分布参数以及烟气温度的分布参数的热工参数与氮氧化合物(NOx)分布的关联性，该过程还可以采用机理分析方法根据预处理后的热工参数和上述预设的流动反应控制方程确定SCR系统反应器内每个单元的物质能量守恒以及单元与单元之间第一参数的输运关系，从而获得SCR系统反应器的截面烟气参数分布与格栅上游氮氧化合物(NOx)浓度分布非均匀性的映射关系，其中，该第一参数包括质量、动量、能量中的至少一种。

可选地，上述的预处理过程具体可以为采用最大最小归一化方法将获取的热工参数的参数值转化到[0,1]区间，采用k-means算法进行数据聚类，并依据烟气流动反应机理将喷氨量、烟气组分浓度、烟气物性参数、烟气流动参数向氨氮比、雷诺数、努谢尔特数中的一种或几种中间变量归约，在时域上可以查找各参数缺失值并使用最大似然估计法插补，在频域上可以使用扩展卡尔曼滤波降噪，获得用于训练第一子模型的运行参数数据集，即预处理后的热工参数。其中，时域分析主要包括时序上的数据聚类与质量筛选，而频域分析主要包括噪声抑制与系统动态响应特征捕捉，用于区分不同运行工况，筛去低质量数据，使各参数在时序上匹配。

在一个实施例中，在得到输运关系后，可以使用预设的神经网络、支持向量机中的一种或几种方法，根据热工参数中包括的预设对流扩散系数和预设组分扩散系数对输运关系中的对流扩散系数与组分扩散系数进行修正和调整，得到第一目标子模型，即训练后的NOx浓度分布非均匀性预测模型，以实现预测NOx浓度分布的不均匀性。

在得到第一目标子模型，即训练后的NOx浓度分布非均匀性预测模型之后，便可以进入S103，即根据第一目标子模型继续对预设模型中的第二子模型进行训练。

S103：根据第一目标子模型和热工参数对预设模型中的第二子模型进行训练，得到第二目标子模型。

在该过程中，可以根据第一目标子模型，即训练后的NOx浓度分布非均匀性预测模型和热工参数确定SCR系统反应器的喷氨格栅上游的氮氧化合物在第三预设截面上的浓度分布参数；之后使用第二子模型，根据该浓度分布参数、预存的出口烟气氮氧化合物浓度、预存的出口氨气浓度以及预存的喷氨量确定喷氨策略；然后再根据喷氨策略和第一目标子模型确定与喷氨策略对应的出口烟气氮氧化合物浓度以及出口氨气浓度；最后根据预设的目标出口烟气氮氧化合物浓度、预设的目标出口氨气浓度、喷氨策略对应的出口烟气氮氧化合物浓度以及出口氨气浓度对第二子模型的参数进行调整，得到第二目标子模型。

需要说明的是，因为在确定喷氨策略的过程中，考虑到喷氨格栅上游的氮氧化合物在第三预设截面上的浓度分布参数，所以该喷氨策略是针对分区喷氨过程中喷氨策略。

在一个实施例中，S103中的训练过程可以采用神经网络结合粒子群优化(particle swarm optimization，PSO)算法对第二子模型的参数进行调整，其中，第二子模型的参数是指惯性权重、学习因子、速度位置限制、种群大小。在迭代计算之前，要随机初始化种群，在对第二子模型的参数进行调整时，需要计算各粒子的适应值，之后根据适应值更新粒子速度和位置迭代更新第二子模型的参数。当将更新参数后的第二子模型确定的喷氨策略输入第一目标子模型进行计算得到的出口烟气NOx浓度和氨气(NH3)浓度符合预设的目标出口烟气氮氧化合物浓度、预设的目标出口氨气浓度时，即符合全局最优位置，停止更新，将该调整参数后的第二子模型作为上述第二目标子模型。

可选地，在一种实施例中，根据预设的目标出口烟气氮氧化合物浓度、预设的目标出口氨气浓度、喷氨策略对应的出口烟气氮氧化合物浓度以及出口氨气浓度对第二子模型的参数进行迭代更新以实现调整时，当迭代的次数满足预设最大值时，可以停止更新，并将更新参数后的第二子模型作为上述第二目标子模型。

此外，在一个实施例中，可以将上述预设最大值和预设的目标出口烟气氮氧化合物浓度、预设的目标出口氨气浓度作为参数更新的停止条件。当迭代的次数先满足预设最大值时，停止更新，将更新参数后的第二子模型作为上述第二目标子模型；也可以当迭代的次数还没有满足预设最大值时，但将更新参数后的第二子模型确定的喷氨策略输入第一目标子模型进行计算得到的出口烟气NOx浓度和氨气(NH3)浓度符合预设的目标出口烟气氮氧化合物浓度、预设的目标出口氨气浓度时，停止更新，将该调整参数后的第二子模型作为上述第二目标子模型。

在得到第一目标子模型和第二目标子模型后，便可以根据第一目标子模型和第二目标子模型确定喷氨策略模型，即执行S104。

S104：根据第一目标子模型和第二目标子模型确定喷氨策略模型。

因为在确定喷氨策略模型的过程中，采用了耦合机理分析与机器学习的建模方法，所以使得到的喷氨策略模型可解释性强，提供的分区喷氨策略也更加准确。

本发明实施例中提供的SCR系统反应器喷氨策略模型的确定方法，首先获取SCR系统反应器的热工参数，其中，热工参数包括烟气流速在第一预设截面上的分布参数、烟气温度在第二预设截面上的分布参数以及获取锅炉的运行参数中的至少一种；然后再根据热工参数对预设模型中的第一子模型进行训练，得到第一目标子模型；之后再根据第一目标子模型和热工参数对预设模型中的第二子模型进行训练，得到第二目标子模型；最后根据第一目标子模型和第二目标子模型确定喷氨策略模型，以用于输出喷氨策略。因为在确定SCR系统反应器喷氨策略模型的过程中，使用了包括烟气流速在第一预设截面上的分布参数、烟气温度在第二预设截面上的分布参数以及获取锅炉的运行参数中至少一种的热工参数，考虑到烟气流速以及烟气温度与氮氧化合物分布有较强关联性，通过根据上述的热工参数，对预设模型进行训练，使得训练得到的喷氨策略模型能够考虑到氮氧化合物的分布情况，从而准确确定分区喷氨过程中的喷氨策略。此外在确定喷氨策略模型的过程中，还采用了耦合机理分析与机器学习的建模方法，使得得到的喷氨策略模型可解释性强，提供的分区喷氨策略更加准确，所以解决了现有技术方案中存在难以准确确定分区喷氨过程中喷氨策略的问题，实现了准确确定分区喷氨过程中的喷氨策略。

图2是本发明实施例提供的一种SCR系统反应器喷氨策略的确定方法的流程示意图。该方法的执行主体可以基于处理器，该处理器是指SCR控制器。

如图2所示，SCR系统反应器喷氨策略的确定方法可以包括：

S201：获取SCR系统反应器的目标热工参数。

其中，目标热工参数包括烟气流速在第一预设截面上的分布参数、烟气温度在第二预设截面上的分布参数以及获取锅炉的运行参数中的至少一种；

S202：根据目标热工参数和喷氨策略模型，得到喷氨策略。

其中，喷氨策略模型是基于图1中的SCR系统反应器喷氨策略模型的确定方法得到的。

本发明实施例中提供的SCR系统反应器喷氨策略的确定方法，使用预先确定的喷氨策略模型确定喷氨策略。在确定喷氨策略模型时首先获取SCR系统反应器的热工参数，其中，热工参数包括烟气流速在第一预设截面上的分布参数、烟气温度在第二预设截面上的分布参数以及获取锅炉的运行参数中的至少一种；然后再根据热工参数对预设模型中的第一子模型进行训练，得到第一目标子模型；之后再根据第一目标子模型和热工参数对预设模型中的第二子模型进行训练，得到第二目标子模型；最后根据第一目标子模型和第二目标子模型确定喷氨策略模型，以用于输出喷氨策略。因为在确定SCR系统反应器喷氨策略模型的过程中，使用了包括烟气流速在第一预设截面上的分布参数、烟气温度在第二预设截面上的分布参数以及获取锅炉的运行参数中至少一种的热工参数，考虑到烟气流速以及烟气温度与氮氧化合物分布有较强关联性，通过根据上述的热工参数，对预设模型进行训练，使得训练得到的喷氨策略模型能够考虑到氮氧化合物的分布情况，从而准确确定分区喷氨过程中的喷氨策略。此外在确定喷氨策略模型的过程中，还采用了耦合机理分析与机器学习的建模方法，使得得到的喷氨策略模型可解释性强，提供的分区喷氨策略更加准确，所以解决了现有技术方案中存在难以准确确定分区喷氨过程中喷氨策略的问题，实现了准确确定分区喷氨过程中的喷氨策略。

与图1中SCR系统反应器喷氨策略模型的确定方法的流程示意图相对应，本发明实施例还提供了一种SCR系统反应器喷氨策略模型的确定装置。

图3是本发明实施例提供的一种SCR系统反应器喷氨策略模型的确定装置的结构示意图。如图3所示，该确定装置可以包括：

获取模块301，可以用于获取SCR系统反应器的热工参数，其中，热工参数包括烟气流速在第一预设截面和/或第二预设截面上的分布参数、烟气温度在第一预设截面和/或第二预设截面上的分布参数以及获取锅炉的运行参数中的至少一种；

处理模块302，可以用于根据热工参数对预设模型中的第一子模型进行训练，得到第一目标子模型；

处理模块302，还可以用于根据第一目标子模型和热工参数对预设模型中的第二子模型进行训练，得到第二目标子模型；

处理模块302，还可以用于根据第一目标子模型和第二目标子模型确定喷氨策略模型。

在一个实施例中，处理模块302，还可以用于根据热工参数和第一子模型，确定SCR系统反应器内的物质能量守恒和第一参数的输运关系，其中，第一参数包括质量、动量、能量中的至少一种，之后根据热工参数对输运关系进行训练，得到第一目标子模型。

在一个实施例中，第一子模型包括预设的流动反应控制方程。

处理模块302，还可以用于在预设的烟气流动方向上，将SCR系统反应器划分为多个计算单元，之后根据热工参数和预设的流动反应控制方程，确定SCR系统反应器内每个单元的物质能量守恒以及单元与单元之间第一参数的输运关系。

在一个实施例中，热工参数还包括预设对流扩散系数和预设组分扩散系数。

处理模块302，还可以用于使用预设的神经网络，根据预设对流扩散系数和预设组分扩散系数对输运关系进行调整，得到第一目标子模型。

在一个实施例中，处理模块302，还可以用于根据第一目标子模型和热工参数确定SCR系统反应器的喷氨格栅上游的氮氧化合物在第三预设截面上的浓度分布参数，之后使用第二子模型，根据浓度分布参数、预存的出口烟气氮氧化合物浓度、预存的出口氨气浓度以及预存的喷氨量确定喷氨策略，然后根据喷氨策略和第一目标子模型对第二子模型进行训练，得到第二目标子模型。

在一个实施例中，处理模块302，还可以用于根据喷氨策略和第一目标子模型确定与喷氨策略对应的出口烟气氮氧化合物浓度以及出口氨气浓度，并根据与喷氨策略对应的出口烟气氮氧化合物浓度以及出口氨气浓度对第二子模型的参数进行调整，得到第二目标子模型。

在一个实施例中，处理模块302，还可以用于根据预设的目标出口烟气氮氧化合物浓度、预设的目标出口氨气浓度、喷氨策略对应的出口烟气氮氧化合物浓度以及出口氨气浓度对第二子模型的参数进行调整，得到第二目标子模型。

本发明实施例中提供的SCR系统反应器喷氨策略模型的确定装置，首先获取模块获取SCR系统反应器的热工参数，其中，热工参数包括烟气流速在第一预设截面上的分布参数、烟气温度在第二预设截面上的分布参数以及获取锅炉的运行参数中的至少一种；然后处理模块再根据热工参数对预设模型中的第一子模型进行训练，得到第一目标子模型；之后再根据第一目标子模型和热工参数对预设模型中的第二子模型进行训练，得到第二目标子模型；最后根据第一目标子模型和第二目标子模型确定喷氨策略模型，以用于输出喷氨策略。因为在确定SCR系统反应器喷氨策略模型的过程中，使用了包括烟气流速在第一预设截面上的分布参数、烟气温度在第二预设截面上的分布参数以及获取锅炉的运行参数中至少一种的热工参数，考虑到烟气流速以及烟气温度与氮氧化合物分布有较强关联性，通过根据上述的热工参数，对预设模型进行训练，使得训练得到的喷氨策略模型能够考虑到氮氧化合物的分布情况，从而准确确定分区喷氨过程中的喷氨策略。此外在确定喷氨策略模型的过程中，还采用了耦合机理分析与机器学习的建模方法，使得得到的喷氨策略模型可解释性强，提供的分区喷氨策略更加准确，所以解决了现有技术方案中存在难以准确确定分区喷氨过程中喷氨策略的问题，实现了准确确定分区喷氨过程中的喷氨策略。

与图2中SCR系统反应器喷氨策略的确定方法的流程示意图相对应，本发明实施例还提供了一种SCR系统反应器喷氨策略的确定装置。

图4是本发明实施例提供的一种SCR系统反应器喷氨策略的确定装置的结构示意图。如图4所示，该确定装置可以包括：

获取模块401，可以用于获取SCR系统反应器的目标热工参数，其中，目标热工参数包括烟气流速在第一预设截面上的分布参数、烟气温度在第二预设截面上的分布参数以及获取锅炉的运行参数中的至少一种；

处理模块402，可以用于根据目标热工参数和喷氨策略模型，得到喷氨策略。

其中，喷氨策略模型是基于图1中的SCR系统反应器喷氨策略模型的确定方法得到的。

本发明实施例中提供的SCR系统反应器喷氨策略的确定装置，使用预先确定的喷氨策略模型确定喷氨策略。在确定喷氨策略模型时首先获取SCR系统反应器的热工参数，其中，热工参数包括烟气流速在第一预设截面上的分布参数、烟气温度在第二预设截面上的分布参数以及获取锅炉的运行参数中的至少一种；然后再根据热工参数对预设模型中的第一子模型进行训练，得到第一目标子模型；之后再根据第一目标子模型和热工参数对预设模型中的第二子模型进行训练，得到第二目标子模型；最后根据第一目标子模型和第二目标子模型确定喷氨策略模型，以用于输出喷氨策略。因为在确定SCR系统反应器喷氨策略模型的过程中，使用了包括烟气流速在第一预设截面上的分布参数、烟气温度在第二预设截面上的分布参数以及获取锅炉的运行参数中至少一种的热工参数，考虑到烟气流速以及烟气温度与氮氧化合物分布有较强关联性，通过根据上述的热工参数，对预设模型进行训练，使得训练得到的喷氨策略模型能够考虑到氮氧化合物的分布情况，从而准确确定分区喷氨过程中的喷氨策略。此外在确定喷氨策略模型的过程中，还采用了耦合机理分析与机器学习的建模方法，使得得到的喷氨策略模型可解释性强，提供的分区喷氨策略更加准确，所以解决了现有技术方案中存在难以准确确定分区喷氨过程中喷氨策略的问题，实现了准确确定分区喷氨过程中的喷氨策略。

图5是本发明实施例提供的一种计算设备的硬件架构的结构图。如图5所示，计算设备500包括输入设备501、输入接口502、中央处理器503、存储器504、输出接口505、以及输出设备506。其中，输入接口502、中央处理器503、存储器504、以及输出接口505通过总线510相互连接，输入设备501和输出设备506分别通过输入接口502和输出接口505与总线510连接，进而与计算设备500的其他组件连接。

具体地，输入设备501接收来自外部的输入信息，并通过输入接口502将输入信息传送到中央处理器503；中央处理器503基于存储器504中存储的计算机可执行指令对输入信息进行处理以生成输出信息，将输出信息临时或者永久地存储在存储器504中，然后通过输出接口505将输出信息传送到输出设备506；输出设备506将输出信息输出到计算设备500的外部供用户使用。

也就是说，图5所示的计算设备也可以被实现为SCR系统反应器喷氨策略模型的确定设备，或SCR系统反应器喷氨策略的确定设备，该确定设备可以包括：处理器以及存储有计算机可执行指令的存储器；该处理器在执行计算机可执行指令时可以实现本发明实施例提供的SCR系统反应器喷氨策略模型的确定方法，或SCR系统反应器喷氨策略的确定方法。

本发明实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现本发明实施例提供的SCR系统反应器喷氨策略模型的确定方法，或SCR系统反应器喷氨策略的确定方法。

需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。

以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、只读存储器(Read-Only Memory，ROM)、闪存、可消除的只读存储器(ErasableRead Only Memory，EROM)、软盘、只读光盘(Compact Disc Read-Only Memory，CD-ROM)、光盘、硬盘、光纤介质、射频(Radio Frequency，RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。

还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。

上面参考根据本公开的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各方面。应当理解，流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器，以产生一种机器，使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解，框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合，也可以由执行指定的功能或动作的专用硬件来实现，或可由专用硬件和计算机指令的组合来实现。

以上所述，仅为本发明的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。