CN101063872A - 锅炉氧量优化系统 - Google Patents

锅炉氧量优化系统 Download PDF

Info

Publication number
CN101063872A
CN101063872A CNA2007100979873A CN200710097987A CN101063872A CN 101063872 A CN101063872 A CN 101063872A CN A2007100979873 A CNA2007100979873 A CN A2007100979873A CN 200710097987 A CN200710097987 A CN 200710097987A CN 101063872 A CN101063872 A CN 101063872A
Authority
CN
China
Prior art keywords
oxygen
model
controlled amounts
restriction
value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CNA2007100979873A
Other languages
English (en)
Other versions
CN101063872B (zh
Inventor
贾见虎
斯蒂芬·皮什
威廉·哈代·比弗
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
General Electric Co
Original Assignee
Pegasus Technologies Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Pegasus Technologies Inc filed Critical Pegasus Technologies Inc
Publication of CN101063872A publication Critical patent/CN101063872A/zh
Application granted granted Critical
Publication of CN101063872B publication Critical patent/CN101063872B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Regulation And Control Of Combustion (AREA)
  • Feedback Control In General (AREA)

Abstract

一种方法和一套系统，运用高级优化、建模和控制技术来优化发电机组锅炉的空气流量。优化空气流量来保证火焰稳定，最小化污染气体排放，提高效率。

Description

锅炉氧量优化系统
技术领域
本项发明涉及发电机组运行领域，具体涉及一种方法和一套装置，来优化发电机组锅炉的空气流量，运用高级优化，建模和控制技术保证火焰稳定，使污染气体排放最小化，和提高效率。
背景技术
在一个常规的矿物燃料(如燃煤)发电机组中，燃料和空气混和物在炉内燃烧。泵驱动大量的水在炉内的管道中流动，燃料燃烧产生的热量把炉内管道中的水转化为高压的蒸汽。对与发电机组，高压的蒸汽由锅炉进入到有多组叶片的汽轮机中。一旦高压蒸汽撞击到叶片上，就使汽轮机高速旋转起来。旋转的汽轮机带动发电机的轴旋转，由此产生电能。
在这里，“发电厂”这一术语是指一个或多个发电机组。每个发电机组由一个或多个汽机组成，来带动一个或多个发电机发电。发电机组通常是燃用矿物燃料的(包括煤、天然气或油，但不止这些)，它有一个锅炉来产生高温高压蒸汽；有空气污染控制(APC)设备用来去除烟气中的某些污染物；有一个烟囱排出烟气；有一个水冷系统来使高温蒸汽凝结。下面来详细描述一下一个典型的发电机组。
燃用矿物燃料的发电机组锅炉的燃烧或其它特性受机组动态变化的参数影响，这些参数包括(但不局限于)空气燃料比，运行工况，锅炉配置，灰渣排放，负荷曲线，燃料品质和环境条件。商业和环保条例的改变使某些动态因素的更为重要，如燃料变化、性能标准、排放控制、运行灵活性和市场目标(例如，燃料价格、排放指标收购成本、发电成本，等)过去的十年中，燃烧优化系统已经用于炉膛内燃烧过程的高级控制。典型的燃烧优化系统与发电机组集散控制系统(DCS)通过接口连接。基于当前的发电机组运行工况，同时基于一组运行人员预定的目标和限定，燃烧优化系统计算出炉膛内不同位置点的最佳空燃配比，达到期望的目标和限定。
燃烧优化系统最初用于降低NOx排放，这些NOx由炉膛内产生并经过烟囱排放至大气中。Labbe等的专利U.S.5,280,756(1994年1月25日发布)提供了一种方法和系统，基于可控燃烧参数和模型计算来控制和指导降低NOx排放，同时维持较好的电厂的性能。Keeler等的专利U.S.5,386,373(1995年1月31日发布)提供了排放预测模型的用法，包括NOx排放，并把模型与一个控制系统关联起来。Havener等的专利U.S.6,381,504(2002年4月30日发布)描述了一种在锅炉中最优分配燃料与空气的方法，把空气燃料的分配集成到2个通用的变量中去，执行优化，再按集合变量的最优值计算空气燃料的最优分配。Havlena的专利U.S.6,712,604(2004年3月30日发布)描述了一个系统，控制炉膛中空气和燃料的燃烧过程使得NOx和CO平均维持在最大允许水平之下。
近来，燃烧优化方法已经用于控制更多锅炉参数，除了NOx，还用于机组热效率，锅炉效率，和汞排放控制。专利U.S.10/985,705(2004年11月10日申请)题为“基于模型的汞排放控制与评估”提供了一个系统和方法来减少燃煤电站的汞排放，同时使燃烧中产生的飞灰含碳量不超标。上述的燃烧优化方法提供了类似操作员控制的高水平锅炉控制能力。燃烧优化系统依赖于DCS来执行其控制指令。例如，DCS较典型的用于控制炉膛的氧量水平，风量挡板开度，以及进入锅炉的燃料量。通过利用多层相互关联的PID控制回路设计，DCS能够提供足够准确快速的锅炉基本回路的控制。这时，燃烧优化系统负责计算出锅炉最优设定值，而DCS实现准确快速的控制使这些回路跟踪这些优化设定值。
尽管通常DCS能够胜任发电机组的协调控制，但仍有大量的情况下，DCS控制不足以维持锅炉适当的运行工况。例如，燃料热值的大幅变化和不准确的氧量测量会造成使用经典控制的DCS控制方案的锅炉灭火。如果事先知道燃料品质大幅变化或氧量读数错误，操作员可以通过手动控制锅炉或人为维持高水平氧量防止灭火。然而任何一种方法都会导致锅炉偏离最优运行水平。
燃料热值的大幅变化会因空气流量不够而造成燃烧器灭火或火焰的不稳定。特别的，随着燃料品质变化，空气进入炉膛的配风方式也会变化。有两股空气(即一、二次风)进入炉膛。(为简单起见，这里指没有过然风的锅炉。)一次风将煤送入锅炉燃烧器。二次风提供过量氧量(即超过燃料完全燃烧所需以上的那部分氧量)，在燃烧器中喷出的燃料和空气周围旋转。围绕一次风的二次风对于维持适当火焰和炉内燃烧特性至关重要。进入锅炉的总风量由负荷指令和炉膛出口处所需的氧量来决定。当燃料热值变化时，输送燃料所需的一次风量也会变化。如果热值下降，就需要更多的燃料，也就需要更多的一次风输送然料。因此差的煤质就比好的煤质需要更多的一次风。一般送入炉膛的总的风量在某一负荷基本保持不变，因此为保证总风不变，当一次风量变化时进入锅炉的二次风量会相应变化。当燃料热值下降，一次风增加会导致二次风量减少。某些情况下，燃料品质太差很可能会因为二次风量太小造成灭火。使用仪器即时测定燃料品质很困难也很昂贵，因此在使用普通的逻辑和控制方案的DCS中很难建立一种策略来识别这种情况是否发生。目前的DCS逻辑和控制策略在燃料品质比预期差很多同时快速变化的时候会造成很大的灭火的可能性。
第二个造成火焰不稳或灭火的原因是氧量测量不准。就这方面来说，炉膛中燃烧完成后的某些位置安装有一个或多个氧量仪表测量烟气中的过量氧量。应该注意到测量的氧浓度也是过量氧量的读数，因为过量氧量是可以由测量的氧浓度来表示的。如氧量测点读数比实际值高(显示值比实际氧量高)，DCS会强制锅炉使用较小的二次风量。而当二次风量太低时，灭火可能性更大。因此以当前的DCS策略，错误的偏高的炉膛氧量测量读数可造成灭火。
为避免这些问题，在论述这项发明以前，运行人员可有两个选择：
(1)手动控制：操作员直接控制二次风而不是让PID控制回路来维持炉膛内的氧量水平。用此方法，操作员必须始终监测很多的锅炉运行工况，如炉膛氧量，进入炉膛的燃料量，以及二次风量。如果二次风太小不能维持稳定燃烧，无论是热值低还是氧量测量漂移或它们的综合原因，操作员必须人为地增加二次风量避免灭火。(这接着会增加炉内氧量)。此方法要求操作员持续地关注。因为一直保持精力集中是困难的，所以很多人会选择下文所述的第二种方法。
(2)人为设定高氧量设定值：无论是热值低还是氧量测量漂移或它们的综合原因，第二种避免灭火的方法是人为设定高氧量设定值。用此法，操作员可以设定一个氧量值使之在任何情况下都足以避免灭火。尽管此法简单易行，而且目前DCS也可以实现，但它有多个缺点。炉内高氧量会产生大量NOx。NOx是主要的污染气体，此方法造成了多余的不必要的空气污染。另外，氧量的提高也会降低炉效。因此人为设定一个高氧量的确能避免灭火，也能用目前DCS控制策略实现，但是它造成了额外的空气污染和发电机组总效率的降低。
对上述问题已存的解决办法并不适合使用燃烧优化的系统。就此而言，要想合理的运行燃烧优化，所有的关键控制回路，如氧量，都要处于自动状态。因此，第一个方法，依赖于人工控制氧量，不能和燃烧有话系统结合使用。第二个方法也许可以和燃烧优化结合使用，但是要给锅炉较低氧量运行水平设定一个高限。因为大多数燃烧优化系统是用来增加热效率或降低NOx，在此高限之下降低炉内氧量对实现系统目标是非常关键的。因此，我们需要另一个可供选择的控制氧量的方法。这个方法在和燃烧优化系统结合使用的场合，或不在一起使用，都会对环保和创造经济效益意义重大。
本项发明提供了一个系统，能克服上述的现有技术缺陷，并创造了现有技术没有的优点来控制与优化发电机组。
发明内容
本发明提供了一个控制系统来优化控制矿物燃料机组的锅炉产生的烟气中的氧量，该系统包括：(a)从发电机组运行多个相关参数测点收集数据信号的方法；(b)预测锅炉烟气含氧的模型，模型包括：多个输入，接收机组可调量和扰动量的输入，一个或多个输出，至少一个输出，对应于输入值输出烟气氧量预测值；(c)一个优化控制器，通过模型确定可控量的最优工况，该最佳点会决定进入炉膛的最优空气量；(d)一种用可调量的最优值来控制运行方法。
基于本发明的另一方面，此发明提供了一种方法控制矿物燃料机组锅炉烟气氧量，该方法包括：(a)从发电机组多个运行相关参数测点收集数据信号；(b)锅炉烟气含氧的模型预测，模型包括：多个输入，接收机组可控量和扰动量的输入，一个或多个输出，供被控量的输出，至少一个输出，对应于输入值输出烟气氧量最初预测值；(c)通过模型确定可控量的最优值，从而保证进入炉膛的最优空气量；(d)利用可控量最优值控制运行。基于本发明的另一方面，此发明提供了一个控制系统用于控制矿物燃料机组与运行相关的参数，该系统包括：(a)从多个不同位置监测发电机组运行相关参数的测点收集数据信号的方法；(b)一个优化系统，包括：(1)预测锅炉烟气含氧的模型，模型包括：多个输入，接收机组可控量和扰动量的输入。多个输出，供多个被控量的输出，这里的输出指由多个传感器检测的参数的预测值，每一个输出分别对应各自的传感器测点；(2)一个优化控制器，通过模型确定可控量的最优值；对应于与机组运行相关的至少一个目标和至少一个限制，优化控制器决定最优工况，；(c)一种通过可控量最优值来控制运行的方法。
基于本发明的再一个方面，此发明这里提供了一个方法来控制矿物燃料机组于运行相关的参数，该方法包括：(a)从发电机组多个运行相关参数测点收集数据信号，这里的多个测点位于机组的不同位置；(b)用优化系统来优化矿物燃料机组的运行，包括：(1)预测锅炉烟气含氧的模型，模型包括：多个输入，接收机组可控量和扰动量的输入。多个输出，供多个被控量的输出，这里的输出指由多个传感器检测的参数的预测值，每一个输出分别对应各自的传感器测点；(2)一个优化控制器，通过模型确定可控量的最优工况，最优工况由优化控制器决定，对应于与机组运行相关的至少一个目标和至少一个限制；(c)通过可控量的最优值控制机组运行。对应于本发明的再一个方面，这里提供了一个控制系统控制矿物燃料机组的运行，该方法包括：(a)，从多个发电机组运行相关参数的测点监测收集数据信号的方法；(b)一个燃烧优化系统，决定矿物燃料机组与燃烧过程相关的可控量的最优点；(c)一个氧量优化系统，决定与燃烧过程风量相关的可控量最优点；(d)一种最优控制运行的方法，此方法由燃烧优化系统和氧量优化系统计算可调整量的优化值并予以实施。
本发明的一个优点是提供了一个控制系统，包括氧量优化系统给机组确定最优氧量。
本发明另一个优点是提供了一个控制系统包括氧量优化系统，控制进入锅炉风量。
本发明还一个优点是提供了控制系统包括氧量优化系统，以避免火焰不稳和灭火.
本发明另一个优点是提供了一个控制系统，包括了燃烧优化系统和氧量优化系统。
这些和其他的优点在将结合附图在说明书里作进一步的说明。
附图说明
本发明的某些部分或几部分的组合可用物理实体形式实现，它们的优选实例会在说明中详细描述，并在相应图上体现出各部分的形式。
图1显示了一个典型的燃煤机组简单示意图
图2显示了锅炉燃料和风的典型控制系统；
图3说明了在燃煤锅炉典型控制系统中手动控制二次风的方法；
图4说明了一个优化系统，它与机组控制运行的DCS有关；
图5说明了一个燃烧优化系统；
图6说明了一个在图5燃烧优化系统中使用的锅炉模型的实例；
图7显示了一个锅炉风与燃料控制系统，在此系统中包括根据本发明一个实施例的氧量优化系统；
图8说明了一个关于本发明实例的氧量优化系统；
图9说明了一个在图8氧量优化系统中的氧量模型的实例。
具体实施方式
应当理解，本发明的实施例所表述的不同系统可以不同形式出现，可能是计算机硬件，软件，或它们的结合。计算机硬件可采取传统计算机系统，包括处理器、数据存储设备、输入设备(例如键盘、鼠标、触屏或其他)、和输出设备(例如显示设备，像显示器、打印机)，或作为一部分包含于另一个计算机系统中。
而且，在这里模型的具体的输入和输出都只是为说明本发明实施例的目的。就此而言，实际采用的输入输出可能根据模型的需要和模型产生的期望预测值而变化。
这里发明描述的是以电力机组发电为参照的。但是，本发明同样可以应用于其它生产应用，包括但不局限于产生蒸汽的蒸汽机组。
发电机组
典型的矿物燃料发电机组200主要组成部分现简要描述如图1。发电机组200包括一个或多个送风机210，由马达M1驱动。送风机210经过空气预热器把风送入磨煤机214和燃烧器222。环境空气通过空气预热器后被加热。磨煤机214包括由马达M2驱动的研磨装置。磨煤机将煤或其它燃料磨碎(如粉状)。送风机210给磨煤机214经过一次风道216供应一次风，干燥并携带煤粉到燃烧器222。送风机210通过二次风道218也向燃烧器222提供二次风。从送风机210到燃烧器222的二次风帮助煤粉燃烧。在图示的实施例中，送风机210送出的风也供应炉膛224过燃风(OFA)，经过过燃风管道在燃烧区域以上进入炉膛。过燃风减少了NOx的生成。热烟气由一个或多个引风机260从炉膛224中抽出，并由烟囱290排向大气。引风机260由马达M3驱动。
给水在给水控制阀228控制下进入汽包226。汽包中的水在锅炉中被加热来产生蒸汽。这些蒸汽会在过热区230中由过热器(未显示)进一步被加热。过热器喷水装备(未显示)可引入少量水控制过热汽温。机组的过热蒸汽送入汽轮机250，用来发电。进入汽轮机的蒸汽通过再热器循环，在再热区240再次被加热从而再次进入汽机利用。再热喷水装置(未显示)可引入少量水控制再热气温。温度测点(未显示)会指示再热蒸汽的监测温度。
锅炉包括但不局限于燃烧器222，炉膛224，汽包226，过热器，过热器喷水装置，再热器，再热器喷水装置，磨煤机214，省煤器(未显示)。省煤器利用锅炉排出的烟气余热将热量传至锅炉给水。
另外，发电机组200包括排气污染控制装置(APC)，消除烟气的污染。APC可以包括但不局限于选择性催化脱硝(SCR)206，电除尘器(ESP)270，布袋除尘器(FF)272，喷水干燥吸收器(SDA)274，还有湿式烟气脱硫系统(FGD)276。
本领域技术人员都知道，一个典型发电机组也可包括其他的组件，输送流体的管道，阀门，挡板，风箱，测量多种系统参数的测点装置(包括但不局限于温度，压力，流量，烟气成分)，动作部件的执行机构，如阀门和挡板。
可以看到图1阐明了提供一二次风到燃烧器222的配置。就此而言，送风机210分别经由一次和二次风管道216、218向燃烧器送一二次风。一二次风的分配由一组挡板控制，而且很可能也受连接于磨煤机214的排风机控制。在机组通常使用的选择配置中有另外一种设计，即送往燃烧器的一次和二次风由专用的一次风机和二次风机分别控制。出于这个考虑，一次风机用于控制一次风，而送风机用于控制二次风。
如图1所示，当进行本发明对于发电机组相关的描述时，通常认为可由不同的机械系统提供一二次风。因此，我们认为本发明可以通过不同形式的机械系统在发电机组中提供一、二次风。
一二次风的DCS控制
图2显示了一个典型的控制方案，在DCS中执行控制燃料、一次风、过燃风、二次风。应该注意到图2是控制系统的一个通用版本，在电厂锅炉中实施起来会有很多变化。但是，图2在这里可作为一个控制方案的有代表性的例子。
如图2所示，机组负荷指令和汽机压力设定可控制进入锅炉的燃料和一次风。负荷指令输入到功能计算模块fPA(x)，计算出维持锅炉指令负荷的期望燃料量。控制压力的比例积分微分控制回路602经加法块604修正燃料指令。加法块604的输出是燃料/风系统510的燃料指令。燃料/风系统510包括发电机组200的关于提供燃料和风(即氧量)的组件。这些组件包括但不限于与图1有关的上述组件(例如风机、挡板、阀门、管道等)。
燃料指令用于通过功能计算块fPA(x)计算一次风指令。这个功能计算块用于计算输送燃料(即煤粉)至燃烧器所需的一次风量。
过燃风(OFA)指令通过功能计算块输出之和加上一个OFA偏置计算得到。负荷指令输入功能计算块fOFA(x)，计算出一个OFA建议值。fOFA(x)在试运行时试探性的设置，然后由工程师在锅炉调试时再确定。操作员可以用OFA偏置值来偏置功能块的结果。出于这种考虑，加法块606的输出作为过燃风指令。如图2所示，只有一个OFA偏置信号显示出来；但是常常有多个OFA挡板工作，那就需要多个偏置。
使用图2的控制方案，锅炉出口氧量可由二次风来控制。对应某负荷指令的期望二次风量由功能计算块计算。其结果通过氧量PID控制回路610来修正。因此，加法块608输出氧量PID610和功能计算块输出之和，这就是燃料/风系统510的二次风指令。
如图2所示，燃料/风系统510输送所需的燃料和风到锅炉/蒸汽系统520。锅炉/蒸汽系统520包括发电机组用于产生蒸汽推动汽轮机250的那些部件。他们包括但不限于上述与图1相关的部件。
应注意到图2燃料指令和风量指令(即一次风，过燃风，二次风指令)可以是多种信号。例如，燃料指令包括每个磨煤机的相关信号。另外，一次风指令，过燃风指令，和二次风指令包括控制系统510、520不同挡板和风机相关的指令。
假设有图2所示的燃料和风量指令，在一个实施例中，燃料/空气系统510工作如下：一次风机控制进入锅炉的一次风。多个给煤机转速控制燃料。送风机和风箱入口处的挡板控制二次风。因此，在实施例中一次风指令来设定一次风机出口压力，燃料指令设定多个给煤机的转速；二次风指令设定送风机出口压力和二次风挡板位置；过燃风指令设定过燃挡板开度。一次风、过燃风、二次风指令可用阀门或其它部件的开度或动作的百分数定量的表示。
一次风过燃风和二次风可以用流量或最大流量百分数定量表示。
图2的控制方案用以下方式反映了燃料热值的变化。如果热值下降，机侧压力也会下降。压力PID控制回路602的输出会提高来补偿压力的下降。结果会导致燃料和一次风量信号提高。空燃系统会增加进入锅炉/蒸汽系统520的燃料和一次风。使用此方法压力会趋于期望值。
由于热值下降造成的一次风增加会使氧量升高，表现为过量氧量测量的升高。氧量PID控制回路610回做出反应，降低二次风。因此，热值下降的总的效果是二次风降低，进而造成火焰不稳或灭火。
第二个潜在的火焰不稳原因是氧量测量的飘移。氧量测点位于锅炉的尾部用于测量燃烧后的烟气中氧浓度(即，氧量水平或氧含量)，因为通过测量氧浓度可以确定氧量百分数。氧量水平对许多重要的燃烧特性有很大影响，包括NOx和CO排放，水冷壁磨损，锅炉效率。因此，准确测量烟气氧量是很重要的。
一般多个氧量测点布置在锅炉尾部测量不同位置的氧量水平。测量结果一般使用简单的逻辑加以综合，如取平均来作为氧量。氧量测量在氧量PID控制回路610中使用。
多个氧量测量也会被采用，因为氧量测点常会飘移或出错，尤其是没有很好的维护测量装置。通过取平均或去掉不准的测量值，测量误差会减小。
但是，尽管采用多氧量测量，图2中氧量控制回路的仍可能使用不准确的氧量测量。如果测点测量值比实际要高，图2的氧量PID控制回路610会降低二次风指令。
如前面背景一节所述，大幅的降低二次风可以增加灭火的可能。某些二次风下降的情况下，无论是燃料热值下降还是氧量测量不准造成的，灭火的可能性就大的不可接受了。为避免灭火，操作员会提高氧量设定值，这会造成NOx的高排放和炉效的降低。
另外操作员可以切除氧量回路610，手动控制二次风指令设定，如同图3中所示的控制方案。此种情况下，操作员用二次风指令来手动控制氧量防止灭火。操作员可以监视多个测量装置，一般会包括氧量，二次风量，一次风量，过燃风档板开度，燃料量，送风机电流，火检信号。监视多个信号后，操作员可以判断是燃料热值下降还是氧量测量漂移，并增加二次风进而提高烟气的氧量。但是，操作员所有时间都来手动控制是很困难的，在图2中的控制方案简单增加氧量要比图3中的方案手动控制二次风要简单。而且图3的控制方案不能和燃烧优化系统共用，因为一个重要的参数氧量没有在自动控制之下。图2的控制方案也没有考虑和燃烧优化共用，因为氧量的底限在很多工况下是比较高的。本发明克服了图2、3方案的缺点，它提供了一个在优化基础之上的改良氧量控制系统。
优化系统
图4显示了优化系统100的一个块状图。在这个实例中，优化系统由优化控制器110和模型120组成。优化控制器和模型都在下面有详细的说明。对应于实例，优化系统可构成与DCS150通讯的部分监控器160。DCS150是基于计算机的控制系统，负责机组170的协调控制。DCS150形式可以是可编程逻辑控制器(PLC)。监控器160是一个计算机系统，监控进入DCS的数据。对于另一个实例而言，模型120会处于不同于优化控制器的计算机系统中。
操作员界面(未显示)提供了与DCS交互及优化系统操作的窗口。DCS也可和历史站通讯(未显示)。
电厂170包括一个或多个机组。每个机组包括许多执行器205和传感器215。执行器205包括执行设备如阀门和档板。传感器215包括检测不同系统参数的设备(例如，温度、压力、流量、烟气成分)。模型用来表示(a)可控量(MV)、扰动量(DV)和(b)被控量(CV)之间的关系。MV可由操作员或优化系统改变来控制CV。如这里所示，DV指影响CV的变量(与机组200相关)，但不能被操作员控制(例如环境条件、燃料品质、燃料混合情况、燃料添加物等)。在给定与机组运行相关的(1)期望目标(例如最小NOx排放)和(2)限制(NOx，SO2，CO2，CO，汞，氨，粉尘排放的限制)的情况下，优化控制器110确定了MV最佳的设定值，
优化系统以预先确定的频率(如每10-30秒)从DCS获得MV、CV、DV的当前值。每个优化周期开始时MV、CV、DV的当前值会从DCS中读出。
如同下面将要描述的细节，优化系统计与当前机组工况使用模型确定最优MV设定值。最优定值送入DCS150。电厂操作员可以选择使用MV最优设定值。大多数情况下，操作员会把MV最优定值作为控制回路的设定值。优化系统闭环运行以预先确定的频率(如每10-30秒或更短)依据机组当前运行工况调整MV设定值。
基于神经网络的动态模型
应该知道本发明在这里描述为基于神经网络的模型，但它还可以用其他类型的模型，包括但不限于经验学习模型，启发类模型，支持向量机(SVM)的模型，线形回归模型、或第一原理的模型。使用已知物理方程的模型也作为第一原理模型的一种。
为了准确获得MV、CV、DV之间的关系，模型120可有以下特性：
非线性：非线性模型可以描述出MV/DV、CV间的一个曲线关系而不是直线关系。例如经常可以观察到OFA档板和NOx之间的非线性曲线关系。
多输入多输出：模型必须可以抓住多输入(MV、DV)和多输出变量(CV)间的关系。
动态：改变输入不会立即影响输出。而是有个时间延迟而后动态响应变化。可能要15到30分钟后输入的变化才会完全传过系统。因为优化系统以预定频率执行(例如，优化循环每10-30秒执行一次)，模型必须接受到变化的影响在计算时考虑进来。
适应性：模型必须在每个优化循环开始时更新来反映当前锅炉工况。
取得经验数据：各个锅炉特性不同，模型必须从机组获得经验数据。
假如满足了以上要求，基于神经网络的方法是目前本发明选择模型首选的技术。神经网络基于经验数据，使用的是高级衰减算法。例如C.Bishop，Neural Networks for Pattern Recognition，Clarendon Press，Oxford，U.K.，1995，本发明完整的参考了该书。神经网络可以得到锅炉中的非线性关系。神经网络也可以用来构建多输入多输出的系统。另外，神经网络可用反馈偏置或非线性适应学习来更新。
动态模型也可用于基于神经网络的系统结构。许多不同的模型结构已用于动态神经网络，如下面著作所述：S.Piche，“Steepest DescentAlgorithms for Neural Network Controllers and Filters，”IEEE Trans.NeuralNetworks，vol.5，no.2，pp.198-212，1994 and A.Barto，“ConnectionistLearning for Control，”Neural Networks for Control，edited by Miller，W.，Sutton，R.and Werbos，P.，MIT Press，pp 5-58，1990。这些都作为了本发明的参考。很多神经网络结构需要大量数据来训练动态神经网络。一个新型的神经网络结构出现于90年代末，使用相对较少的数据训练。这个动态神经网络结构完整的细节可参考S.Piche，B.Sayyar-Rodsari，D.Johnson and M.Gerules，“Nonlinear model predictive control using neural networks，”IEEEControl Systems Magazine，vol.20，no.2，pp.53-62，2000，也被本发明完整的参考。
给定一个锅炉模型就可以计算MV变化对CV的影响。而且因为模型是动态的，所以也可以计算MV变化对未来的影响(多个变化而不是一个)。
如果输入输出间的关系可以很好的由上述模型描述，那么现在就要谈一下怎样确定输入(MV)设定值来达到期望目标同时也兼顾限制。
优化控制器
优化控制器用来在一定限制条件下最小化代价函数。代价函数是一个期望目标的数学关系式。例如，最小化NOx代价函数中就有一项随NOx减小而减小。通常减小代价的办法是一种叫做梯度下降优化的代价函数。梯度下降是一个优化法则，从当前点按比例逐步趋向梯度(或近似梯度)的相反方向达到局部最小。
因为模型是动态的，变化对未来的影响必须考虑。因此代价函数包括未来时间一项，一般是燃烧优化1小时。因为模型可预测一段时间，这个方法被称作模型预测控制(MPC)。MPC细节可参考S.Piche，B.Sayyar-Rodsari，D.Johnson and M.Gerules，“Nonlinear model predictive control usingneural networks，”IEEE Control Systems Magazine，vol.20，no.2，pp.53-62，2000，本发明完整地参考了它。
限制可以在未来时间加于锅炉MV或CV上。通常限制和DCS中的限制一致，加在MV之上。输出CV的限制由正解决的问题确定。非线性模型可确定锅炉输入输出的关系。因此，非线性规则优化控制器可用于解决与本发明实例有关的优化问题。但是，应该知道许多优化技术都是依赖于模型、代价和限制的种类。例如，可考虑将本发明单独或与其它综合用于多种不同种类的优化方法。这些优化方法包括但不局限于线性规则，二次规则，混合整数非线性规则，随机规则，全局非线性规则，基因算法，和粒子/群技术。
有了代价函数和限制，非线性编程优化控制器通常可在一秒以内用20个MV和10个CV解决问题。这对大多数应用来说足够快了，因为一个优化循环通常在10-30秒之间。代价函数和限制的公式的更多细节在上面提到的参考资料中提供，即S.Piche，B.Sayyar-Rodsari，D.Johnson and M.Gerules，“Nonlinear model predictive control using neural networks，”IEEEControl Systems Magazine，vol.20，no.2，pp.53-62，2000，它在这里被完整地参考。
优化控制器计算了MV在未来时间变化的完整轨迹，通常是1小时。对于一个30秒运行一次的优化系统，每个MV在1/4未来时间内要计算120个值。由于模型和目标/限制可能在下一个优化周期中发生变化，只有每个MV在时间轴上的第一个值可被优化系统作为相应MV设定值输出到DCS。
在下一个优化循环，通常30秒后根据当前工况模型会更新。如果代价函数和限制也变了那它们也要更新。一般情况下代价函数和限制是不变的。优化控制器用来再次计算MV在未来的一组值和时间轴上的第一个值，并把每个MV作为相应设定值输出到DCS。在每个优化循环(例如30秒)优化控制器重复此过程，从而用负荷、环境条件、锅炉工况和燃料特性这些参数的变换影响锅炉运行，持续维持最优性能。
燃烧优化系统
根据本发明氧量优化系统可用于克服与图2、3中的控制方案有关的问题。氧量优化系统会在下面详细描述。但是首先应该描述燃烧优化系统来说明氧量优化系统的重要性。
图5显示了燃烧优化系统300。燃烧优化系统300与DCS150通讯，根据操作员或工程师设定的限制和目标来控制锅炉达到期望的燃烧状况。燃烧优化系统包括一个锅炉模型320和一个优化控制器310。锅炉370包括上面讨论的部件，还有执行器372和传感器374。DCS150传送MV、CV、DV的当前值到燃烧优化系统300。
燃烧优化系统300使用模型320，优化控制器310，目标和限制，如上所述。图6显示在燃烧优化系统中使用的模型320的一个实施例。
作为一个例子，而且具有普遍性，输入到模型320中的MV可包括如下这些：烟气过量氧量、过燃风(OFA)挡板开度、风箱与炉膛差压(WFDP)、每个磨煤机偏置、和燃烧器摆角。输入到模型320中的DV通常可包括如下这些：燃料特性、磨煤机磨制细度、负荷指令。上面提到的说明模型320的MV和DV后面会有个简要的介绍。
过量氧量指进入炉膛超过燃料燃烧所需的那部分超额氧量的百分含量。过量氧量升高，锅炉会运行在富氧水平下。
关于OFA挡板开度问题而言，过燃风进入炉膛燃烧区域上部，目的是降低CO、NOx的排放。过燃风量由一个挡板的开度控制。
风箱与炉膛差压(WFDP)控制二次风进入炉膛入口处的速度，这个参数影响炉内火焰位置。
关于磨煤机偏置，磨煤机负责将煤磨成粉状，而后一次风将煤粉送到燃烧器进入炉膛。每台磨的磨煤量最初由负荷确定。但是，运行中常会偏置煤量使不同层的给煤或多或少。这样可以更多地影响燃烧过程。
对于媒质而言，甚至在同一个矿中，煤的化学成分也会发生变化。氮、硫和BTU成分是常会变化的。
关于磨制情况，如上所述，磨煤机将煤磨成很细的粉状然后送入炉膛。磨制效果会随着磨煤机的磨损而变化。
术语“负荷”指某机组要求的发电功率。
模型320用来预测MV、DV的变化在输出到锅炉时的影响。图6说明了一组CV输出到模型320的一个例子。在此例中模型320用于预测机组的排放(如汞、NOx、CO)，飞灰含碳量(CIA)，锅炉效率，蒸汽温度(即主蒸汽、过热再热蒸汽)。
优化控制器310使用了图6的模型320，和目标、限制，从而实现最佳燃烧。目标用代价函数的形式来实现。在某实例中，目标函数可用于最小化排放(如NOx、汞)，同时监测变量的限制，如CO、CIA、或CO与CIA。另外，代价函数也可维持锅炉效率和排放的一个平衡。而且，代价函数可以将蒸汽温度维持在一个期望的设定值上。最后，出于锅炉和环境条件的考虑可能会在MV上增加额外的限制，如允许过量氧量的最低限。使用前述的方法燃烧优化系统300可以根据当前运行工况和操作员、工程师的期望确定MVs最优的设定值。
除了上述的例子外，美国专利Serial No.10/985,705(November 10，2004申请，题目“System for Optimizing a Combustion Heating Process”(被本发明完整参考)揭示了一个燃烧优化方法来建立控制电厂机组损失的模型，还有一个基于这些控制损失的燃烧过程优化方法。另外，吹灰优化可以包含于燃烧优化，就像在下面美国专利所描述的，Serial No.11/053,734(February 8，2005申请，题目“Method and Apparatus for Optimizing Operationof a Power Generation Plant Using Artificial Intelligence Techniques”(被本发明完整参考)。还有，美国专利Serial No.11/301,034(December 12，2005申请)，题目“Model Based Control and Estimation of Mercury Emissions”(被本发明完整参考)揭示了一个燃烧优化系统和一个方法来降低燃煤电厂汞排放，同时监测燃烧过程产生的飞灰含碳量的是否超限。
氧量优化系统
现在参考图7，图7显示了依照本发明实施例的控制方案，包括氧量优化控制系统400。图7的控制方案是在图2的基础上面进行的修改。在这一点上，图2的氧量PID控制回路中的610已经被氧量优化系统400取替。燃料指令(Fuel DMD)以同样的方式被主汽压力PID控制回路602控制，就像上面描述关于图2的控制方案。然而，不同于图2的是，氧量优化控制系统400被用于确定一次风指令(PA DMD)，过燃风指令(OFADMD)，和二次风指令(SA DMD)。PA DMD，OFA DMD，和SA DMD是氧量优化系统400的可控量(MVs)。
氧量优化控制系统400被用于控制二次风量(即二次风)和氧量，这是被控量(CVs)。机组指令(Unit DMD)和燃料指令(Fuel DMD)是氧量优化控制系统400的CV。机组指令(Unit DMD)可能直接地输入到氧量优化系统400，或另一种情况，综合功能计算块计算一次风(PAcalc)，过燃风(OFAcalc)和二次风(SAcalc)，结果会输入到氧量优化系统，如图7所示。此外，氧量的期望设定值会被输入到氧量优化控制系统400。
图8详细的显示了氧量优化系统400.氧量优化系统400与DCS150通讯，依据指定的目标和限制对锅炉控制空气流量以达到指定的燃烧特性。氧量优化系统400包含一个模型420和一个优化控制器410。如同上述所说的，关于图5，锅炉370包含执行器372和传感器374，和上面详细讨论的部件。DCS150向氧量优化系统400传送可控量(MVs)，干扰量(DVs)和被控量(CVs)的当前值。
氧量优化系统400应用模型420，优化控制器410，而且应用目标和约束，就像上面详细描述的那样。图9举例说明一个具体的模型420。模型420用来预测，关于燃料/空气系统510和锅炉/蒸气系统520，可控量(MVs)和干扰量(DVs)在被控量(CV)输出上改变的效果。在具体的实例中，锅炉/蒸汽510系统输出的是二次风量(即，二次风)，锅炉/蒸汽520系统输出的是在锅炉中的氧量。因此，二次风和氧量预测模型420的被控量输出。应该看到，显示在图9中的被控量仅是举个例子，而且不应限制本发明的应用范围。
作为例子，并非出于限制的目的，可控量(MV)输入到模型420中，可能包括一个或者下列更多的参数：一次风指令(PA DMD)，二次风指令(SADMD)，和过燃风指令(OFA DMD)。干扰量(DV)输入到模型420中，通常可能包括一个或者下列更多的参数：机组负荷指令(Unit DMD)或可以关于功能计算块的值，机组负荷指令(即，PAcalc，OFAcalc，和SAcalc)，和燃料指令(Fuel DMD)。
应该明白的是，联系氧量优化系统400描述的可控量，干扰量和被控量仅仅是可模拟的，而且其他的可控量，干扰量和被控量可以与本发明一起使用。
优化控制器410应用图9的模型420和目标和限制(例如，二次风限制，氧量限制，CO的排放限制，和氮氧化物的排放限制)，来确定锅炉的最优风量。目标被表示为数学形式的代价函数。优化控制器410被用于使代价函数在限制范围内最小化(或者最大化)。与价值函数关联的限制可以包括硬限制(也就是限制条件必须满足)和软限制(也就是限制确定了某些策略对另一些策略的优先权)。违反了硬限制将得到相对高的”制裁”或纠正动作，然而违反了软限制将会有变化的”制裁”或纠正动作。最小化代价函数的一种普遍方法被认为是“梯度下降优化”。梯度下降是一种优化运算策略，从当前点按比例趋向函数梯度的反方向达到函数局部最小。在本发明的一个具体实例中，在价值函数中使用的上下软限制，将被放置在一个被控量(CV)氧量之上。此外，氧量期望设定值将被放置软下限上或低于软下限。最后，有更大优先权的上下软限制将被放置在一个被控量(CV)二次风之上。
例如，在满负荷，一个软上限设置在氧量的5％处(也就是，烟气氧量浓度为5％)而软下限可能是在3％。权重因数10可能设置在这些软限制中。2.5％的期望设定值，可能被设置在氧量上，权重因数为1。软限制拥有比期望设定值更高的权重因数，于是优化控制器410会设法将氧量向2.5％但不会低于3％太多，这是因为软限制的高权重因数产生了强大的反作用。
一个软上限可能设在二次风90％处(也就是，二次风流量或者流速是最大流量或者流速的90％)而软下限可设在二次风80％处。这些限制的权重可设为100。因为二次风的软限制权重比氧量软限制权重更大，二次风软限制的作用会压制住氧量的软限制作用。
利用这种方法，氧量的软下限和期望值将根据运行情况和环境条件来设定，而不是主要考虑火焰的稳定性。在正常的条件下，氧量优化系统400将促使氧量在软下限运行，接近于氧量期望值。然而，如果燃料热值下降，就会需要更多的一次风，因此，就要减少二次风的流量。如果，二次风到了它的低下限的话，氧量优化系统400会从过燃风系统转移部分风量到二次风系统。如果过燃风系统没有足够的可用空气，氧量优化系统400会自动的允许氧量增加，因为二次风有更高的软限制优先权。如果被允许了，在这种条件下氧量优化系统400会减少一次风指令。一次风指令被允许减少的数量被硬限制系统所约束。一般允许减少的一次风指令是很小的，因为要供给足够风量来输送燃料到燃烧器。应用前面的方法，在保证供给锅炉必要的二次风量和锅炉火焰稳定的条件下，氧量水平可降到最低。
二次风的软下限同样会抵消错误的高氧量读数的影响。如上面所描述的，错误的高氧量读数会造成二次风下降，来维持期望的氧量水平。然而，当二次风下降时，它会在氧量优化系统400中被限制。结果，错误氧量测量负面影响被抵消了。
同样的，二次风的软上限也会抵消错误的低氧量读数的影响。这里虚假的低氧量读数导致了二次风的增加。按照氧量优化系统400对于二次风的限制，虚假的低氧量读数的负面作用会被减到最小。
我们应该明白的是，二次风和氧量的限制可以根据负荷指令而变化。
多氧量优化系统
像上面所描述的实施例中，氧量优化系统400结合锅炉/蒸汽520系统，用于控制单一的氧量水平。与锅炉/蒸汽520系统相关的氧量水平测量值可能来自单一的氧量测点，或位于锅炉/蒸汽520系统不同位置的多个传感器。在多氧量传感器的情况下，氧量读数从每一个氧量传感器处获得再组合成一个单一的氧量测量值。例如，从每一个氧量传感器读取被求平均成为一个单一的氧量水平测量值。这个单一的氧量测量值再输入到氧量优化系统400中。
依照本发明的另一个实例，氧量优化系统400用于控制多个氧量，这些氧量分别与多个氧量感应器(也就是氧量感应器阵)对应。每一个氧量感应器位于锅炉/蒸汽520系统不同位置。
对于图2的设计方案，有必要使控制系统的测量综合成单一氧量值，应用于PID控制回路610。因为图7的氧量优化系统400能够控制多个输入，没有必要让多个氧量水平测量值综合成单一氧量测量值。而是氧量水平分别地与氧量传感器阵对应，分别地控制或用组模式有选择地控制。在这一点上，输入到氧量模型420中的可控量(MVs)和干扰量(DVs)和前面描述的情况一样。然而，氧量模型420所输出的被控量(CVs)是二次风和一组分别对应于不同氧量传感器阵的氧量(也就是oxygen1，oxygen2，oxygen3等)。前面描述的软件限制和期望设定值是被用于可控量(CVs)上的，也就是，二次风和不同的氧量水平。最终的优化方案是试图降低每一个氧量测量值(分别与氧量传感器阵对应)，达到氧量最低软限制。再次重申，热值的变化由切换过燃风或者允许氧量增加以防止在二次风降到二次风软下限之下。
氧量软上限用于削弱多个氧量测点读数的大的偏差所产生的影响。例如，在一个有两个传感器的系统中，如果第一个氧量传感器测量值是5.5％，第二个氧量传感器测量的是3％，没有氧量软上限限制，氧量优化系统400将不会调节氧量。然而，有氧量软上限为5％的时候，氧量优化系统400会降低总的氧量，那样的话，第一个氧量传感器测量值变成2.75％，第二个氧量传感器的测量值是5.25％。在图7的氧量优化系统400中，一个氧量软上限可用来处理氧量读数的偏差大的情况。
应该看到一个优化系统可能被用于上面描述的形式，用于机组其它的参数控制(即，NOx排放，CO排放，CO2排放，汞排放，氨水，水，或者温度)。在这一点上，测量一个发电机组参数的许多感应设备(例如NOx传感器、CO传感器、CO2传感器、汞传感器、氨传感器、水传感器、或温度传感器)是位于机组不同位置的，与上述氧量传感器方式相似。因此，优化系统可以用于控制处于机组不同位置的多个参数水平。
燃烧优化和氧量优化联合系统
上面所说的燃烧优化系统300和氧量优化系统400可以综合来优化锅炉运行。在这一点上，这两个优化系统300，400在一个主副结构配置中运行，其中燃烧优化系统300作为主系统，氧量优化系统400作为副系统。
在一个实施例中，燃烧优化系统300用于确定可控量(MVs)的最优设定值，包括“过量氧量”。然后过量氧量最优设定值在氧量优化系统400中用于确定氧量的期望值。在燃烧优化控制器310中过量氧量的可控量(MV)限制和氧量优化控制器410的氧量被控量(CV)软限制，设置为彼此相等，使优化系统300和400保持一致。
应用前面所说的方法，NOx排放可以被减到最少，锅炉功率可以被提高到最大，并且甚至在燃料热含量有较大变动的情况下，或者在锅炉氧量传感器有较大漂移的情况下火焰的稳定性仍能被自动的维持。
在另一个实施例中，氧量分布，取自锅炉中多个空间上分散的氧量传感器或总的氧量平均，它是使用燃烧优化系统来控制的。总平均氧量可以被DCS PID控制回路所控制，它可以调节进入到锅炉中的总风量，如图2所显示的，或者就是燃烧优化和氧量优化联合系统的一部分。氧量分布由每一个传感器与氧量传感器阵读数的总平均氧量的偏差来控制。这些个别的偏差，用作燃烧优化系统的被控量。在这个具体实例中，可控量(MVs)是二次风和二次风挡板(即SA DMD和OFA DMD)，它们被用于改变锅炉中空气的分配，来影响每个传感器的阵。控制氧量分布使燃烧优化系统能更好地解决锅炉中个别运行区域的问题。
读者在对说明书阅读和理解中，会有更多其它修改和变更。应理解所有这样的修改和变更都在本发明及其等同物的范围内。

Claims (60)

1.一种控制矿物燃料火力发电机组锅炉烟气中氧量的控制系统，所述系统应该包含：
从测量发电机组运行相关参数的大量传感器中接收数据信号的方法；
预测锅炉产生的烟气中氧量的模型，该模型包括：
能接收火力发电机组相关的可控量与干扰变量的输入值的多个输入空间，以及
一个或多个输出空间，提供与被控变量相关的输出值，和至少一个输出空间，存放与输入相对应的烟气中氧量预测值第一个指示输出量；
一个优化控制器，用模型确定可控量的，该最优设定值能确定进入锅炉的最优风量；以及
用可控量的最优设定值来控制火力发电机组运行的方法。
2.根据权利要求1所述的控制系统，其中所述模型可以从以下模型中选出：一个神经网络模型，一个经验学习模型，一个第一原理模型，一个支持向量机(SVM)的模型，一个线性回归模型，和一个基于启发式的模型。
3.根据权利要求1所述的控制系统，其中所述优化控制器可以从下面中选出：
线性规则，二次规则，混合整数非线性规则(NLP)，随机规则，全局非线性规则，遗传算法，和粒子/群算法。
4.根据权利要求1所述的控制系统，其中所述最优设定值取决于与火力发电机组相关的至少一个目标和最少一个限制的相应优化控制器。
5.根据权利要求4所述的控制系统，其中所述优化控制器通过运行所述模型决定每个可控量的最佳设定值，在监测限制的同时把一项代价函数的代价最小化，上述代价会受到每个可控量的影响。
6.根据权利要求5所述的控制系统，其中所述代价受到在很多时间间隔中每个可控量值的影响，根据代价最小化的原则，上述优化控制器在很多时间间隔确定每个可控量各自的值。
7.根据权利要求6所述的控制系统，其中所述每个可控量在一些时间间隔中的第一次时间间隔中的值取决于优化周期的各个优化值。
8.根据权利要求6所述的控制系统，其中所述优化控制器决定着在大量的时间间隔中监测许多限制的同时在很多时间间隔中的可控量的值。
9.根据权利要求5所述的控制系统，其中所述代价函数和限制能防止发电机组锅炉的灭火和火焰的不稳定性。
10.根据权利要求5所述的控制系统，其中所述代价函数和限制能削弱矿物燃料品质变化的影响。
11.根据权利要求5所述的控制系统，其中所述代价函数和限制能削弱氧量传感器测量的氧量浓度指示数据信号漂移的影响。
12.根据权利要求4所述的系统，其中所述限制应包括以下内容至少一项：二次风量的限制，氧量的限制，CO排放的限制，和NOX排放的限制。
13.根据权利要求1所述的控制系统，其中所述可控量包括下列至少一项：一次风指令，二次风指令，过燃风指令，送风机，一次风机，引风机，排气机，和磨煤机偏置；
上述干扰变量至少包括以下一项：燃料指令，机组负荷指令，燃料混合特性，每种燃料添加剂的特性，和负荷指令的相关计算；和
上述可控量至少要包括以下内容中的一项：氧量，二次风，NOx排放，CO排放，和锅炉效率。
14.一种用于控制矿物燃料发电机组的锅炉产生的烟气中含氧量的方法，包括：
从测量与发电机组运行相关参数的大量传感器中接收数据信号；
利用模型预测锅炉烟气中的含氧量，该模型包含：
一些输入空间，能接收与发电机组相关的可控量和干扰变量的输入值，和
一个或多个输出空间，存放与可控量相关的输出值，和至少有一个输出空间，存放对应于输入值的烟气中氧量预测的第一个输出值；
使用模型决定可控量的最优设定值，该优化设定值确定了进入锅炉的最优风量；以及
使用可控量的最优设定值来控制火力发电机组运行。
15.根据权利要求14所述的方法，其中所述模型可以从以下模型中选出：一个神经网络模型，一个经验学习模型，一个第一原理模型，一个支持向量机(SVM)的模型，一个线性回归模型，和一个基于启发式的模型。
16.根据权利要求14所述的方法，其中所述优化控制器可以从下面选出：
线性规则，二次规则，混合整数非线性规则(NLP)，随机规则，全局非线性规则，遗传算法，和粒子/群算法。
17.根据权利要求14所述的方法，其中所述最优设定值取决于与火力发电机组相关至少一个目标和最少一个限制。
18.根据权利要求17所述的方法，其中，通过运行上述模型为每个可控量确定最优设定值，在监测限制的同时把一项代价函数的代价最小化，上述代价会受到每个可控量值的影响。
19.根据权利要求18所述的方法，其中所述代价受到很多时间间隔跨度的每个可控量的影响，根据代价最小化的原则，上述优化控制器在大量的时间间隔影响每个可控量的值。
20.根据权利要求19所述的方法，其中所述每个可控量在大量时间间隔中的第一次时间间隔中的值取决于优化周期的各个优化值。
21.根据权利要求19所述的方法，其中，在监测许多时间间隔的多个限制的同时，为大量的时间间隔确定上述大量可控量各自的值。
22.根据权利要求18所述的方法，其中所述代价函数和限制能防止发电机组的锅炉的灭火和火焰的不稳定性。
23.根据权利要求18所述的方法，其中，确定代价函数和限制，进而削弱矿物燃料品质的变化的影响。
24.根据权利要求18所述的方法，其中，确定代价函数和限制，削弱氧量传感器产生的氧气浓度的数据信号漂移的影响。
25.根据权利要求17所述的方法，其中所述限制至少应包括一项以下内容：二次风限制，氧量限制，CO的排放限制，和NOX排放限制。
26.根据权利要求14所述的方法，其中
可控量至少包括下列中的一项：一次风指令，二次风指令，过燃风指令，送风机，一次风机，引风机，排气机，和磨煤机偏差；
上述干扰变量至少包括以下一项：燃料指令，机组负荷指令，燃料混合特性，每种燃料添加剂的特性，和负荷指令的相关计算；以及
上述可控量至少要包括以下内容中的一项：氧量，二次风，NOx排放，CO排放，和锅炉效率。
27.一种用于控制与矿物燃料发电机组的运行有关的参数的控制系统，此系统包括：
从测量与发电机组相关的参数的大量感应器中收到数据信号的方法，上述大量感应器位于发电机组的不同位置；
优化系统包括：
(a)预测大量感应器的测量参数的模型，该模型包括：
大量输入空间，能接收与发电机组相关的可控量和干扰变量的输入值；
大量的输出空间，存放与被控变量相关的大量输出值，这些输出值指示许多感应器测量到的参数的预测值，这里每个输出值都各自对应一个感应器；
(b)使用模型确定可控量的最优设定值的优化控制器，该最优设定值由优化控制器根据与发电机组相关的至少一个目标和至少一个限制来确定；以及
用可控量的最优设定值控制发电机组运行的方法。
28.根据权利要求27所述的控制系统，其中所述适用的模型可以从以下模型中选出：一个神经网络模型，一个经验学习模型，一个第一原理模型，一个支持向量机(SVM)的模型，一个线性回归模型，和一个基于启发式的模型。
29.根据权利要求27所述的控制系统，其中所述优化控制器可以从下面选则：线性规则，二次规则，混合整数非线性规则(NLP)，随机规则，全局非线性规则，遗传算法，和粒子/群算法。
30.根据权利要求27所述的控制系统，其中所述优化控制器通过运行上述模型决定每个可控量的最佳定点值，在监测限制的同时把一项代价函数的代价最小化，上述代价会受每个可控量值影响。
31.根据权利要求30所述的控制系统，其中所述代价受到大量的时间间隔内的每个可控量的影响，根据代价最小化的原则，上述优化控制器在大量的时间间隔影响每个可控量各自的值。
32.根据权利要求31所述的控制系统，其中所述每个可控量在大量的时间间隔中的第一次时间间隔的值由优化周期的各个优化值决定。
33.根据权利要求31所述的控制系统，其中所述优化控制器，在大量的时间间隔中监测上述大量限制的同时，决定着在大量时间间隔中的各个可控量的值。
34.根据权利要求30所述的控制系统，其中，确定代价函数和限制能防止发电机组锅炉的灭火和火焰的不稳定性。
35.根据权利要求30所述的控制系统，其中，确定代价函数和限制能削弱矿物燃料品质变化的影响。
36.根据权利要求30所述的控制系统，其中，确定代价函数和限制可削弱氧量传感器测量的氧量浓度数据指示信号漂移的影响。
37.根据权利要求27所述的控制系统，其中所述限制至少应包括一项以下内容：二次风量限制，氧量限制，CO的排放限制，和NOX排放限制。
38.根据权利要求27所述的控制系统，其中：
可控量至少包括下列中的一项：一次风指令，二次风指令，过燃风指令，送风机，一次风机，引风机，排气机，和磨煤机偏差；
上述干扰变量至少包括以下一项：燃料指令，机组负荷指令，燃料混合特性，每种燃料添加剂的特性，和负荷指令的相关计算；以及
上述可控量至少要包括以下内容中的一项：氧量，二次风，氧化氮排放，一氧化氮排放，和锅炉效率。
39.根据权利要求27所述的控制系统，其中所述由大量的感应器测量的参数是烟气中的氧量，该优化系统就是一个氧量优化系统。
40.根据权利要求27所述的控制系统，其中所述由大量感应器测量的参数可以在以下内容中选择：水银，飞灰含碳，NOx，CO，该优化系统为燃烧优化系统。
41.根据权利要求27所述的控制系统，其中所述由大量感应器测量的参数可在下面内容选择：NOx，氧气，CO，CO2，H2O，温度，氨，和水银。
42.一种用于控制与矿物燃料发电机组运行相关的参数的控制方法，上述方法包括：
从测量与发电机组相关的参数的大量感应器中收到数据信号，上述大量感应器位于发电机组的不同位置；
使用优化系统进行矿物燃料发电机组运行优化，优化系统包括：
(a)预测大量感应器的测量参数的模型，该模型包括：
大量输入空间，能接收与发电机组相关的可控量和干扰变量的输入值；
大量的输出空间，存放与被控变量相关的大量输出值，这些输出值指示许多感应器测量到的参数的预测值，这里每个输出值都各自对应一个感应器；
(b)使用模型确定可控量的最优设定值的优化控制器，该最优设定值由优化控制器根据与发电机组相关的至少一个目标和至少一个限制来确定；以及
用可控量的最优设定值控制发电机组运行。
43.根据权利要求42所述的方法，其中所述适用的模型可以从以下模型中选出：一个神经网络模型，一个经验学习模型，一个基本原理模型，一个支持向量机(SVM)的模型，一个线性回归模型，和一个基于启发式的模型。
44.根据权利要求42所述的方法，其中所述控制系统的优化控制器可以从下面选则：  线性规则，二次规则，混合整数非线性规则(NLP)，随机规则，全局非线性规则，遗传算法，和粒子/群算法。
45.根据权利要求42所述的方法，其中所述第四十二项要求的方法中的优化控制器通过运行上述模型决定每个可控量的最佳定点值，在监测限制的同时把一项代价函数的代价最小化，上述代价会受每个可控量值影响。
46.根据权利要求45所述的方法，其中所述代价受到大量的时间间隔内的每个可控量的影响，根据代价最小化的原则，上述优化控制器在大量的时间间隔影响每个可控量各自的值。
47.根据权利要求46所述的方法，其中所述每个可控量在大量的时间间隔中的第一次时间间隔的值由优化周期的各个优化值决定。
48.根据权利要求46所述的方法，其中所述优化控制器在大量的时间间隔中监测上述大量限制的同时，决定着在大量时间间隔中的各个可控量的值。
49.根据权利要求45所述的方法，其中，确定代价函数和限制能防止发电机组锅炉的灭火和火焰的不稳定性。
50.根据权利要求45所述的方法，其中，确定代价函数和限制能削弱矿物燃料品质变化的影响。
51.根据权利要求45所述的方法，其中，确定代价函数和限制可削弱氧量传感器测量的氧量浓度数据指示信号漂移的影响。
52.根据权利要求42所述的系统，其中所述限制至少应包括一项以下内容：二次风量限制，氧量限制，CO的排放限制，和NOX排放限制。
53.根据权利要求42所述的方法，其中，
可控量至少包括下列中的一项：一次风指令，二次风指令，过燃风指令，送风机，一次风机，引风机，排气机，和磨煤机偏差
上述干扰变量至少包括以下一项：燃料指令，机组负荷指令，燃料混合特性，每种燃料添加剂的特性，和负荷指令的相关计算；以及
上述可控量至少要包括以下内容中的一项：氧量，二次风，氧化氮排放，一氧化氮排放，和锅炉效率。
54.根据权利要求42所述的方法，其中所述由大量的感应器测量的参数是烟气中的氧量，该优化系统就是一个氧量优化系统。
55.根据权利要求42所述的方法，其中所述由大量感应器测量的参数可以在以下内容中选择：水银，飞灰含碳，NOx，CO，该优化系统为燃烧优化系统。
56.根据权利要求42所述的方法，其中所述由大量感应器测量的参数可在下面内容选择：NOx，氧气，CO，CO2，H2O，温度，氨，和水银。
57.一种用于控制矿物燃烧火力发电设备运行的控制系统包括：
从测量与发电机组相关的参数的大量感应器中收到数据信号的方法；
一个燃烧优化系统，决定矿物燃料机组与燃烧过程相关的可控量的最优点；
一个氧量优化系统，决定与燃烧过程风量相关的可控量最优点；
一种最优控制发电机组运行的方法，此方法由燃烧优化系统和氧量优化系统计算可调整量的优化值并予以实施。
58.根据权利要求57所述的控制系统，其中所述一个最优设定值取决于燃烧优化系统是一个氧气的超出值，该超出值在氧气优化系统中是一个必须的定点值，在此氧气是氧气优化系统中的一个可控制的变量。
59.根据权利要求57所述的控制系统，其中所述燃烧优化系统和上述氧气优化系统都包括：
(a)预测大量感应器的测量参数的模型，该模型包括：
大量输入空间，能接收与发电机组相关的可控量和干扰变量的输入值，以及
大量的输出空间，存放指示被控变量预测值的大量输出值；
(b)使用模型确定可控量的最优设定值的优化控制器，该最优设定值由优化控制器根据与发电机组相关的至少一个目标和至少一个限制来确定。
60.根据权利要求59所述的控制系统，其中所述优化控制器通过运行上述模型决定每个可控量的最佳定点值，在监测限制的同时把一项代价函数的代价最小化，上述代价会受每个可控量值影响。
CN2007100979873A 2006-04-25 2007-04-25 锅炉氧量优化系统 Active CN101063872B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US11/380,084 US7756591B2 (en) 2006-04-25 2006-04-25 System for optimizing oxygen in a boiler
US11/380,084 2006-04-25

Publications (2)

Publication Number Publication Date
CN101063872A true CN101063872A (zh) 2007-10-31
CN101063872B CN101063872B (zh) 2011-07-20

Family

ID=38620509

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2007100979873A Active CN101063872B (zh) 2006-04-25 2007-04-25 锅炉氧量优化系统

Country Status (2)

Country Link
US (3) US7756591B2 (zh)
CN (1) CN101063872B (zh)

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101799848A (zh) * 2010-03-09 2010-08-11 江西省电力科学研究院 一种火电机组锅炉能损分析参数应达值获取方法
CN102252343A (zh) * 2011-05-05 2011-11-23 浙江宜景环保科技有限公司 一种多孔介质燃烧器燃烧优化的方法
CN102252342A (zh) * 2011-05-05 2011-11-23 衢州远景资源再生科技有限公司 一种多孔介质燃烧器在线燃烧优化的模型更新方法
CN102297452A (zh) * 2011-07-21 2011-12-28 宋群 一种广义锅炉燃烧整体优化节能复合控制系统
CN102434357A (zh) * 2011-10-21 2012-05-02 华北电力大学（保定） 增压富氧燃煤锅炉烟气凝结水发电系统
CN102446233A (zh) * 2010-10-15 2012-05-09 华东电力试验研究院有限公司 火电机组分布式控制系统控制对象仿真建模的方法
CN102562193A (zh) * 2010-10-27 2012-07-11 株式会社日立制作所 火力发电设备
CN102819250A (zh) * 2012-08-10 2012-12-12 南京南瑞继保电气有限公司 一种制氧厂机组负荷优化分配方法
CN103148473A (zh) * 2013-03-12 2013-06-12 华北电力科学研究院有限责任公司 一种基于co的电站锅炉优化运行方法及系统
CN103576551A (zh) * 2012-07-23 2014-02-12 阿尔斯通技术有限公司 用于化学循环过程的非线性模型预测控制
CN102084303B (zh) * 2008-03-03 2015-07-22 阿尔斯托姆科技有限公司 用于使用模型预测控制器来优化化学循环燃烧装置的设备
CN105444201A (zh) * 2014-09-26 2016-03-30 通用电气公司 燃烧优化的方法及其系统
CN106325066A (zh) * 2015-06-30 2017-01-11 三菱日立电力系统株式会社 控制参数最佳化系统及具备该系统的运行控制最佳化装置
CN107003645A (zh) * 2014-12-17 2017-08-01 首要金属科技奥地利有限责任公司 具有运行方式优化的用于冶炼技术设备的运行方法
CN107168392A (zh) * 2017-06-09 2017-09-15 华北电力大学（保定） 一种锅炉汽包水位pid参数的整定方法
CN103576551B (zh) * 2012-07-23 2018-02-09 通用电器技术有限公司 用于化学循环过程的非线性模型预测控制
CN107831656A (zh) * 2017-10-27 2018-03-23 华润电力（贺州）有限公司 一种火电机组协调控制系统节能优化技术
CN105676634B (zh) * 2014-11-17 2019-12-10 通用电气公司 用于减少炉渣形成的优化系统和方法
CN111931436A (zh) * 2020-08-10 2020-11-13 哈尔滨锅炉厂有限责任公司 一种基于数值模拟与神经网络的燃烧器喷口风量预测方法
CN112013372A (zh) * 2020-08-14 2020-12-01 国家电投集团电站运营技术（北京）有限公司 生物质锅炉发电系统
CN112036091A (zh) * 2020-09-14 2020-12-04 哈尔滨锅炉厂有限责任公司 一种利用回归算法预测四角切圆燃烧器喷口风量的方法
CN112163380A (zh) * 2020-09-24 2021-01-01 哈尔滨锅炉厂有限责任公司 基于数值模拟的神经网络预测炉膛氧气浓度系统及方法
CN114135898A (zh) * 2021-09-30 2022-03-04 华电电力科学研究院有限公司 一种燃煤电厂锅炉氧量优化控制方法
TWI758984B (zh) * 2020-12-01 2022-03-21 財團法人金屬工業研究發展中心 燃燒爐爐壓之控制方法
CN117057238A (zh) * 2023-08-15 2023-11-14 天津大学 基于物理信息算子网络模型的燃烧器稳燃钝体设计方法

Families Citing this family (88)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8311673B2 (en) * 1996-05-06 2012-11-13 Rockwell Automation Technologies, Inc. Method and apparatus for minimizing error in dynamic and steady-state processes for prediction, control, and optimization
US7536232B2 (en) * 2004-08-27 2009-05-19 Alstom Technology Ltd Model predictive control of air pollution control processes
US7756591B2 (en) * 2006-04-25 2010-07-13 Pegasus Technologies, Inc. System for optimizing oxygen in a boiler
US7922155B2 (en) * 2007-04-13 2011-04-12 Honeywell International Inc. Steam-generator temperature control and optimization
JP4427074B2 (ja) * 2007-06-07 2010-03-03 株式会社日立製作所 プラントの制御装置
PL2209920T3 (pl) * 2007-11-01 2017-01-31 Self-Screen B V Nowy sposób wykrywania hpv szyjki macicy
US8135653B2 (en) 2007-11-20 2012-03-13 Hitachi, Ltd. Power plant control device which uses a model, a learning signal, a correction signal, and a manipulation signal
PL383941A1 (pl) * 2007-12-03 2009-06-08 Witold Kowalewski Kocioł rusztowy, sposób modernizacji kotła rusztowego oraz sposób likwidowania szkodliwych przedmuchów powietrza, nie biorącego udziału w procesie spalania w kotle rusztowym
CN101939591B (zh) * 2007-12-07 2012-10-10 Abb技术有限公司 粉煤燃烧蒸汽锅炉的完全燃烧优化系统和方法
AU2008352212C1 (en) * 2008-03-06 2012-11-29 Electric Power Development Co., Ltd. Method and apparatus of controlling oxygen supply in oxyfuel combustion boiler
EP2251596B1 (en) * 2008-03-06 2016-08-03 IHI Corporation Method and facility for feeding carbon dioxide to oxyfuel combustion boiler
US8230825B2 (en) * 2008-03-10 2012-07-31 Knorr Jr Warren G Boiler control system
CA2727794A1 (en) * 2008-06-11 2009-12-17 Qinghui Yuan Auto-tuning electro-hydraulic valve
US8906301B2 (en) * 2009-09-15 2014-12-09 General Electric Company Combustion control system and method using spatial feedback and acoustic forcings of jets
EP2317222A1 (en) * 2009-10-30 2011-05-04 L'AIR LIQUIDE, Société Anonyme pour l'Etude et l'Exploitation des Procédés Georges Claude Method of combusting particulate solid fuel with a burner
US20110120443A1 (en) * 2009-11-23 2011-05-26 Green Roads Recycling Ltd. Direct fired axial flow co-current heating system for hot-in-place asphalt recycling
US8550810B2 (en) * 2010-05-28 2013-10-08 Foster Wheeler North America Corp. Method of controlling a boiler plant during switchover from air-combustion to oxygen-combustion
CN101859098B (zh) * 2010-06-23 2011-12-28 华北电力大学 基于pid控制策略的锅炉燃烧率自寻优方法
GB201012442D0 (en) * 2010-07-26 2010-09-08 Rolls Royce Plc System control
US9447963B2 (en) 2010-08-16 2016-09-20 Emerson Process Management Power & Water Solutions, Inc. Dynamic tuning of dynamic matrix control of steam temperature
US9335042B2 (en) 2010-08-16 2016-05-10 Emerson Process Management Power & Water Solutions, Inc. Steam temperature control using dynamic matrix control
US9217565B2 (en) 2010-08-16 2015-12-22 Emerson Process Management Power & Water Solutions, Inc. Dynamic matrix control of steam temperature with prevention of saturated steam entry into superheater
US9366433B2 (en) * 2010-09-16 2016-06-14 Emerson Electric Co. Control for monitoring flame integrity in a heating appliance
AU2011323160B2 (en) 2010-11-05 2015-09-17 Biomass Controls Pbc Intelligently-controlled catalytic converter for biofuel-fired boiler
US9058029B2 (en) * 2011-03-31 2015-06-16 Brad Radl System and method for creating a graphical control programming environment
CN102269973B (zh) * 2011-04-06 2013-10-23 中南大学 面向烧结烟气脱硫过程的塔顶温度模糊预测补偿控制方法
US8620631B2 (en) 2011-04-11 2013-12-31 King Fahd University Of Petroleum And Minerals Method of identifying Hammerstein models with known nonlinearity structures using particle swarm optimization
US8147587B2 (en) * 2011-04-15 2012-04-03 Bha Group, Inc. Enhanced mercury capture from coal-fired power plants in the filtration baghouse using flue gas temperature as process control knob
US8567175B2 (en) * 2011-08-22 2013-10-29 General Electric Company Emissions prediction system for power generation system
US9163828B2 (en) * 2011-10-31 2015-10-20 Emerson Process Management Power & Water Solutions, Inc. Model-based load demand control
US9181878B2 (en) 2011-12-19 2015-11-10 Honeywell International Inc. Operations support systems and methods for calculating and evaluating engine emissions
DE102012204358A1 (de) * 2012-03-20 2013-09-26 Siemens Aktiengesellschaft Verfahren zum Betreiben einer Prozess- und/oder Fertigungsanlage, Steuervorrichtung einer solchen Anlage und Modul für die Steuervorrichtung
CN102902203B (zh) * 2012-09-26 2015-08-12 北京工业大学 时间序列预测与智能控制结合的参数在线整定方法与系统
CN102982390A (zh) * 2012-11-02 2013-03-20 广东电网公司电力科学研究院 一种基于支持向量机增量算法的锅炉燃烧效率预测方法
US9696699B2 (en) * 2012-11-15 2017-07-04 Cybomedical, Inc. Self-organizing sensing and actuation for automatic control
CN103217994A (zh) * 2013-03-21 2013-07-24 扬中市金元化工电力设备厂 基于dcs系统的加热装置
CN103488084B (zh) * 2013-09-22 2015-09-16 浙江大学 模糊网络的农药焚烧炉有害物排放达标控制系统及方法
CN103488145B (zh) * 2013-09-22 2015-11-04 浙江大学 群智模糊网络的焚烧炉有害物排放达标控制系统及方法
CN103488088B (zh) * 2013-09-22 2016-01-06 浙江大学 误差反向传播的焚烧炉有害物排放达标控制系统及方法
US9476584B2 (en) 2013-12-12 2016-10-25 General Electric Company Controlling boiler drum level
US10228132B2 (en) 2014-02-03 2019-03-12 Brad Radl System for optimizing air balance and excess air for a combustion process
EP2913724B1 (en) * 2014-02-25 2016-10-12 Abb Ag PLC with a finite horizon optimization control program
US9594359B2 (en) * 2014-04-14 2017-03-14 Honeywell International Inc. Feedback control for reducing flaring process smoke and noise
CN105022365B (zh) * 2014-04-29 2017-09-26 国网山西省电力公司电力科学研究院 一种大型火电机组脱硝控制系统
CN104049622B (zh) * 2014-07-03 2017-01-11 浙江大唐国际绍兴江滨热电有限责任公司 一种启动炉控制系统
US9733629B2 (en) 2014-07-21 2017-08-15 Honeywell International Inc. Cascaded model predictive control (MPC) approach for plantwide control and optimization
US10379503B2 (en) 2014-07-21 2019-08-13 Honeywell International Inc. Apparatus and method for calculating proxy limits to support cascaded model predictive control (MPC)
CN104200285A (zh) * 2014-09-09 2014-12-10 国家电网公司 一种电厂混合燃煤配煤优化方法
EP3210085A4 (en) * 2014-10-24 2018-06-27 Honeywell International Inc. Apparatus and method for calculating proxy limits to support cascaded model predictive control (mpc)
TWI573965B (zh) * 2014-11-12 2017-03-11 財團法人工業技術研究院 燃燒系統的氧氣濃度修正方法
CN104881706B (zh) * 2014-12-31 2018-05-25 天津弘源慧能科技有限公司 一种基于大数据技术的电力系统短期负荷预测方法
CN104699039A (zh) * 2015-01-30 2015-06-10 新兴河北工程技术有限公司 一种石灰双膛窑煅烧专家控制方法
US10088157B2 (en) 2015-02-24 2018-10-02 General Electric Technology Gmbh Multi-sensor probe for monitoring combustion in a conduit
CN105020705B (zh) * 2015-03-04 2017-06-09 内蒙古瑞特优化科技股份有限公司 循环流化床锅炉燃烧性能实时优化控制方法及系统
CN104850899B (zh) * 2015-04-17 2018-01-30 广东电网有限责任公司电力科学研究院 一种燃煤电厂碳排放有偿配额最优消费方案的计算方法
CN104879750B (zh) * 2015-06-15 2017-05-10 神华集团有限责任公司 一种用于循环流化床锅炉的燃烧优化设备、系统以及方法
US10387775B2 (en) * 2015-09-09 2019-08-20 Emerson Process Management Power & Water Solutions, Inc. Model-based characterization of pressure/load relationship for power plant load control
CN105509845A (zh) * 2015-12-15 2016-04-20 安徽晋煤中能化工股份有限公司 一种粉煤流量在线修正系统
US10310458B2 (en) * 2015-12-22 2019-06-04 Schneider Electric Software, Llc Process optimization by grouping mixed integer nonlinear programming constraints
CN105468932A (zh) * 2016-01-06 2016-04-06 夏继英 一种锅炉热效率的在线计算方法
CN105786035B (zh) * 2016-03-29 2018-07-20 东南大学 基于试探式预测控制技术的火电机组scr脱硝优化控制系统
US10690344B2 (en) * 2016-04-26 2020-06-23 Cleaver-Brooks, Inc. Boiler system and method of operating same
US20180024508A1 (en) 2016-07-25 2018-01-25 General Electric Company System modeling, control and optimization
CN106155033B (zh) * 2016-09-20 2018-11-27 中国大唐集团科学技术研究院有限公司华中分公司 火电机组协调控制系统试验装置及系统
CN106371316B (zh) * 2016-10-25 2017-11-03 大唐（北京）水务工程技术有限公司 基于pso‑lssvm的水岛加药在线控制方法
CN106500128B (zh) * 2017-01-12 2018-10-12 东北电力大学 一种变负荷工况下火电厂锅炉NOx排放控制方法
CN107016455B (zh) * 2017-02-27 2020-04-10 浙江大学 循环流化床生活垃圾焚烧锅炉炉膛出口烟气含氧量的预测系统及方法
US10678278B2 (en) * 2017-03-16 2020-06-09 Dell Products L.P. Dynamic control of fan floor
US10466684B2 (en) 2017-05-25 2019-11-05 Honeywell International Inc. Apparatus and method for adjustable identification of controller feasibility regions to support cascaded model predictive control (MPC)
US10969749B2 (en) * 2017-08-22 2021-04-06 Honeywell Limited Application of model predictive control (MPC)-based forced ramping of process input variables and process output reference trajectory design over a prediction horizon for MPC-based paper machine grade change control
US10908562B2 (en) 2017-10-23 2021-02-02 Honeywell International Inc. Apparatus and method for using advanced process control to define real-time or near real-time operating envelope
CN107943119B (zh) * 2017-11-13 2020-01-14 浙江大学 基于控制网格精细化的催化剂混合动态优化系统
CN108182553B (zh) * 2018-02-02 2022-04-01 东北电力大学 一种燃煤锅炉燃烧效率在线测量方法
US10865985B2 (en) * 2018-02-20 2020-12-15 General Electric Technology Gmbh System and method for operating a combustion chamber
CN108445745A (zh) * 2018-03-15 2018-08-24 中南大学 一种基于神经网络解耦的矿热炉电极升降控制方法及系统
CN108679600A (zh) * 2018-04-18 2018-10-19 哈尔滨理工大学 空气分级与sncr联合脱销法
JP7086692B2 (ja) * 2018-04-19 2022-06-20 三菱重工業株式会社 プラントの制御装置、プラント、プラントの制御方法及びプラントの制御プログラム
CN109188904B (zh) * 2018-09-04 2021-06-15 南宁学院 一种基于机器学习的在线训练现场控制方法
CN109366485B (zh) * 2018-09-04 2021-09-10 南宁学院 一种在线机器学习的现场控制方法
US10626817B1 (en) 2018-09-27 2020-04-21 General Electric Company Control and tuning of gas turbine combustion
KR102106827B1 (ko) * 2018-11-30 2020-05-06 두산중공업 주식회사 보일러 연소의 최적화를 위한 시스템 및 방법
CN111651847B (zh) * 2019-02-18 2023-11-03 新奥数能科技有限公司 一种确定燃气锅炉的运行氧量的方法及装置
CN111353656B (zh) * 2020-03-23 2021-05-07 大连理工大学 一种基于生产计划的钢铁企业氧气负荷预测方法
CN111881554B (zh) * 2020-06-29 2022-11-25 东北电力大学 一种锅炉随气温变化的优化控制方法
US11530656B2 (en) * 2020-08-31 2022-12-20 Garrett Transportation I Inc. Health conscious controller
CN114545866A (zh) * 2020-11-11 2022-05-27 台泥资讯股份有限公司 控制煤耗系统的方法
CN112856824A (zh) * 2021-01-20 2021-05-28 山东滨化东瑞化工有限责任公司 一种导热油炉天然气或氢气的点火及单混烧dcs控制方法
CN114187976B (zh) * 2021-11-26 2024-07-12 国家能源蓬莱发电有限公司 一种基于实时测量数据的氧量预测方法

Family Cites Families (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0474384A (ja) * 1990-07-17 1992-03-09 Toshiba Corp 半導体集積回路装置
US5167009A (en) 1990-08-03 1992-11-24 E. I. Du Pont De Nemours & Co. (Inc.) On-line process control neural network using data pointers
US5212765A (en) 1990-08-03 1993-05-18 E. I. Du Pont De Nemours & Co., Inc. On-line training neural network system for process control
US5280756A (en) * 1992-02-04 1994-01-25 Stone & Webster Engineering Corp. NOx Emissions advisor and automation system
US5353207A (en) 1992-06-10 1994-10-04 Pavilion Technologies, Inc. Residual activation neural network
US5825646A (en) 1993-03-02 1998-10-20 Pavilion Technologies, Inc. Method and apparatus for determining the sensitivity of inputs to a neural network on output parameters
US5386373A (en) 1993-08-05 1995-01-31 Pavilion Technologies, Inc. Virtual continuous emission monitoring system with sensor validation
US5832468A (en) * 1995-09-28 1998-11-03 The United States Of America As Represented By The Administrator Of The Environmental Protection Agency Method for improving process control by reducing lag time of sensors using artificial neural networks
US6278899B1 (en) 1996-05-06 2001-08-21 Pavilion Technologies, Inc. Method for on-line optimization of a plant
US5933345A (en) 1996-05-06 1999-08-03 Pavilion Technologies, Inc. Method and apparatus for dynamic and steady state modeling over a desired path between two end points
US6381504B1 (en) 1996-05-06 2002-04-30 Pavilion Technologies, Inc. Method for optimizing a plant with multiple inputs
US6725208B1 (en) 1998-10-06 2004-04-20 Pavilion Technologies, Inc. Bayesian neural networks for optimization and control
US6289266B1 (en) 1999-05-14 2001-09-11 Allegheny Power Service Corporation Method of operating a boiler
US6678585B1 (en) 1999-09-28 2004-01-13 Pavilion Technologies, Inc. Method and apparatus for maximizing power usage in a power plant
US6712604B2 (en) 2001-06-15 2004-03-30 Honeywell International Inc. Cautious optimization strategy for emission reduction
US6944616B2 (en) 2001-11-28 2005-09-13 Pavilion Technologies, Inc. System and method for historical database training of support vector machines
US20030134241A1 (en) * 2002-01-14 2003-07-17 Ovidiu Marin Process and apparatus of combustion for reduction of nitrogen oxide emissions
US7376472B2 (en) * 2002-09-11 2008-05-20 Fisher-Rosemount Systems, Inc. Integrated model predictive control and optimization within a process control system
US7838297B2 (en) 2003-03-28 2010-11-23 General Electric Company Combustion optimization for fossil fuel fired boilers
US7194320B2 (en) 2003-06-05 2007-03-20 Neuco, Inc. Method for implementing indirect controller
US6736089B1 (en) 2003-06-05 2004-05-18 Neuco, Inc. Method and system for sootblowing optimization
US8214271B2 (en) 2004-02-04 2012-07-03 Neuco, Inc. System and method for assigning credit to process inputs
US7522963B2 (en) 2004-08-27 2009-04-21 Alstom Technology Ltd Optimized air pollution control
US7123971B2 (en) * 2004-11-05 2006-10-17 Pegasus Technologies, Inc. Non-linear model with disturbance rejection
US7398652B1 (en) * 2004-11-10 2008-07-15 Pegasus Technologies, Inc. System for optimizing a combustion heating process
US7584024B2 (en) * 2005-02-08 2009-09-01 Pegasus Technologies, Inc. Method and apparatus for optimizing operation of a power generating plant using artificial intelligence techniques
US20070055392A1 (en) * 2005-09-06 2007-03-08 D Amato Fernando J Method and system for model predictive control of a power plant
US8644961B2 (en) * 2005-12-12 2014-02-04 Neuco Inc. Model based control and estimation of mercury emissions
US7599750B2 (en) * 2005-12-21 2009-10-06 Pegasus Technologies, Inc. Model based sequential optimization of a single or multiple power generating units
US7756591B2 (en) * 2006-04-25 2010-07-13 Pegasus Technologies, Inc. System for optimizing oxygen in a boiler

Cited By (35)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102084303B (zh) * 2008-03-03 2015-07-22 阿尔斯托姆科技有限公司 用于使用模型预测控制器来优化化学循环燃烧装置的设备
CN101799848A (zh) * 2010-03-09 2010-08-11 江西省电力科学研究院 一种火电机组锅炉能损分析参数应达值获取方法
CN102446233B (zh) * 2010-10-15 2015-07-15 华东电力试验研究院有限公司 火电机组分布式控制系统控制对象仿真建模的方法
CN102446233A (zh) * 2010-10-15 2012-05-09 华东电力试验研究院有限公司 火电机组分布式控制系统控制对象仿真建模的方法
CN102562193B (zh) * 2010-10-27 2015-01-07 三菱日立电力系统株式会社 火力发电设备
US8959916B2 (en) 2010-10-27 2015-02-24 Mitsubishi Hitachi Power Systems, Ltd. Thermal power plant
CN102562193A (zh) * 2010-10-27 2012-07-11 株式会社日立制作所 火力发电设备
CN102252343B (zh) * 2011-05-05 2013-05-08 浙江宜景环保科技有限公司 一种多孔介质燃烧器燃烧优化的方法
CN102252342A (zh) * 2011-05-05 2011-11-23 衢州远景资源再生科技有限公司 一种多孔介质燃烧器在线燃烧优化的模型更新方法
CN102252343A (zh) * 2011-05-05 2011-11-23 浙江宜景环保科技有限公司 一种多孔介质燃烧器燃烧优化的方法
CN102297452A (zh) * 2011-07-21 2011-12-28 宋群 一种广义锅炉燃烧整体优化节能复合控制系统
CN102434357A (zh) * 2011-10-21 2012-05-02 华北电力大学（保定） 增压富氧燃煤锅炉烟气凝结水发电系统
CN103576551B (zh) * 2012-07-23 2018-02-09 通用电器技术有限公司 用于化学循环过程的非线性模型预测控制
CN103576551A (zh) * 2012-07-23 2014-02-12 阿尔斯通技术有限公司 用于化学循环过程的非线性模型预测控制
CN102819250A (zh) * 2012-08-10 2012-12-12 南京南瑞继保电气有限公司 一种制氧厂机组负荷优化分配方法
CN102819250B (zh) * 2012-08-10 2015-06-03 南京南瑞继保电气有限公司 一种制氧厂机组负荷优化分配方法
CN103148473A (zh) * 2013-03-12 2013-06-12 华北电力科学研究院有限责任公司 一种基于co的电站锅炉优化运行方法及系统
CN105444201A (zh) * 2014-09-26 2016-03-30 通用电气公司 燃烧优化的方法及其系统
CN105676634B (zh) * 2014-11-17 2019-12-10 通用电气公司 用于减少炉渣形成的优化系统和方法
CN107003645B (zh) * 2014-12-17 2020-12-08 首要金属科技奥地利有限责任公司 具有运行方式优化的用于冶炼技术设备的运行方法
CN107003645A (zh) * 2014-12-17 2017-08-01 首要金属科技奥地利有限责任公司 具有运行方式优化的用于冶炼技术设备的运行方法
CN106325066A (zh) * 2015-06-30 2017-01-11 三菱日立电力系统株式会社 控制参数最佳化系统及具备该系统的运行控制最佳化装置
CN106325066B (zh) * 2015-06-30 2020-02-14 三菱日立电力系统株式会社 控制参数最佳化系统及具备该系统的运行控制最佳化装置
CN107168392A (zh) * 2017-06-09 2017-09-15 华北电力大学（保定） 一种锅炉汽包水位pid参数的整定方法
CN107831656A (zh) * 2017-10-27 2018-03-23 华润电力（贺州）有限公司 一种火电机组协调控制系统节能优化技术
CN111931436A (zh) * 2020-08-10 2020-11-13 哈尔滨锅炉厂有限责任公司 一种基于数值模拟与神经网络的燃烧器喷口风量预测方法
CN112013372A (zh) * 2020-08-14 2020-12-01 国家电投集团电站运营技术（北京）有限公司 生物质锅炉发电系统
CN112036091A (zh) * 2020-09-14 2020-12-04 哈尔滨锅炉厂有限责任公司 一种利用回归算法预测四角切圆燃烧器喷口风量的方法
CN112163380A (zh) * 2020-09-24 2021-01-01 哈尔滨锅炉厂有限责任公司 基于数值模拟的神经网络预测炉膛氧气浓度系统及方法
CN112163380B (zh) * 2020-09-24 2024-06-18 哈尔滨锅炉厂有限责任公司 基于数值模拟的神经网络预测炉膛氧气浓度系统及方法
TWI758984B (zh) * 2020-12-01 2022-03-21 財團法人金屬工業研究發展中心 燃燒爐爐壓之控制方法
CN114135898A (zh) * 2021-09-30 2022-03-04 华电电力科学研究院有限公司 一种燃煤电厂锅炉氧量优化控制方法
CN114135898B (zh) * 2021-09-30 2023-06-27 华电电力科学研究院有限公司 一种燃煤电厂锅炉氧量优化控制方法
CN117057238A (zh) * 2023-08-15 2023-11-14 天津大学 基于物理信息算子网络模型的燃烧器稳燃钝体设计方法
CN117057238B (zh) * 2023-08-15 2024-04-19 天津大学 基于物理信息算子网络模型的燃烧器稳燃钝体设计方法

Also Published As

Publication number Publication date
US20100241249A1 (en) 2010-09-23
US20110224830A1 (en) 2011-09-15
CN101063872B (zh) 2011-07-20
US8515582B2 (en) 2013-08-20
US7966080B2 (en) 2011-06-21
US20070250215A1 (en) 2007-10-25
US7756591B2 (en) 2010-07-13

Similar Documents

Publication Publication Date Title
CN101063872A (zh) 锅炉氧量优化系统
US8295953B2 (en) System for optimizing power generating unit
US8644961B2 (en) Model based control and estimation of mercury emissions
TWI705316B (zh) 鍋爐之運轉支援裝置、鍋爐之運轉支援方法、及鍋爐之學習模型之作成方法
CN110486749B (zh) 一种火电机组锅炉燃烧优化控制方法及系统
US8755940B2 (en) Modeling and control optimization system for integrated fluidized bed combustion process and air pollution control system
CN101556038B (zh) 循环流化床锅炉稳定运行与经济燃烧优化控制系统
CN102466238B (zh) 用于分析燃烧系统的运行的方法和系统
CN1841422A (zh) 使用人工智能技术对发电厂的运行进行优化的方法和装置
CN109376945A (zh) 一种基于多煤种的配煤掺烧优化系统
EP1921280A2 (en) Systems and methods for multi-level optimizing control systems for boilers
JP2008146371A (ja) ボイラプラントの制御装置
JP5117232B2 (ja) ボイラを備えたプラントの制御装置、及びボイラを備えたプラントの制御方法
JP5452906B2 (ja) 燃焼炉の燃焼制御システムおよびその燃焼制御方法
CN112212322B (zh) 热力循环流化床锅炉优化燃烧的智能控制方法
JP2019108995A (ja) 燃焼炉の燃焼条件決定装置、燃焼条件決定方法、および燃焼システム
CN114779722B (zh) 一种用于燃煤电站锅炉的智慧燃烧优化控制系统及方法
EP3473927B1 (en) Method for operating a steam generation system
JP2004309122A (ja) 火格子式ごみ焼却炉の燃焼制御方法及びごみ焼却炉
Chong et al. The development of a neural network based system for the optimal control of chain-grate stoker-fired boilers
Thai et al. Combustion optimisation of stoker fired boiler plant by neural networks
Rambalee et al. Control and stabilization of a multiple boiler plant: An APC approach
Jaronen et al. Advanced controls–fuzzy logic for fluidized bed boiler
Smrekar et al. NOx reduction and efficiency improvement of a 210 MWt coal-fired boiler co-firing biomass
Assessment 500-MW Demonstration of Advanced Wall-Fired Combustion Techniques for the Reduction of Nitrogen Oxide (NOX) Emissions from Coal-Fired Boilers

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
ASS Succession or assignment of patent right

Owner name: NUCOR CORPORATION

Free format text: FORMER OWNER: PEGASUS TECHNOLOGIES INC.

Effective date: 20121130

C41 Transfer of patent application or patent right or utility model
TR01 Transfer of patent right

Effective date of registration: 20121130

Address after: Massachusetts, USA

Patentee after: Nucor Corporation

Address before: American Ohio

Patentee before: Pegasus Technologies Inc.

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20180622

Address after: American New York

Patentee after: General Electric Company

Address before: Massachusetts, USA

Patentee before: Nucor Corporation