CN103870877B - 一种基于神经网络的锅炉燃烧智能控制方法 - Google Patents
一种基于神经网络的锅炉燃烧智能控制方法 Download PDFInfo
- Publication number
- CN103870877B CN103870877B CN201410124688.4A CN201410124688A CN103870877B CN 103870877 B CN103870877 B CN 103870877B CN 201410124688 A CN201410124688 A CN 201410124688A CN 103870877 B CN103870877 B CN 103870877B
- Authority
- CN
- China
- Prior art keywords
- intelligent
- control
- dcs
- intrinsic
- optimization
- 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.)
- Active
Links
- 238000002485 combustion reaction Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 21
- 230000007935 neutral effect Effects 0.000 title claims abstract description 12
- 238000005457 optimization Methods 0.000 claims abstract description 63
- 238000004891 communication Methods 0.000 claims abstract description 17
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 10
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 10
- 239000001301 oxygen Substances 0.000 claims abstract description 10
- 238000003062 neural network model Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 239000000843 powder Substances 0.000 claims description 5
- 230000002068 genetic effect Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 238000005303 weighing Methods 0.000 claims description 3
- 239000003245 coal Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000010304 firing Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241000131894 Lampyris noctiluca Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
- Regulation And Control Of Combustion (AREA)
Abstract
一种基于神经网络的锅炉燃烧智能控制系统及方法,该控制系统包括DCS侧人机交互接口、双向控制通讯链路和智能燃烧控制系统主机;双向控制通讯链路采用双路冗余配置,将智能燃烧控制系统主机与电站固有DCS系统连接,电站固有DCS系统内通过组态画面及逻辑设置,配置DCS侧人机交互接口;本发明还提供了控制方法;充分利用锅炉燃烧调整原理和经验,避免过分依赖样本数量的问题,将氧量给定、各层二次风门开度、燃尽风门开度都纳入在线燃烧优化的控制范围,实现炉侧的全面闭环控制。此外,由于锅炉系统涉及设备和工况繁多,在出现特殊情况,使燃烧优化的个别控制回路需切换为手动并进行人工干预时,该系统仍能对剩余控制回路进行优化,提高系统的工况适应能力。
Description
技术领域
本发明涉及电站锅炉燃烧的自动控制领域,具体涉及一种基于神经网络的锅炉燃烧智能控制系统及方法。
背景技术
锅炉是现代化火力发电站的核心系统之一,但也是电站系统中自动化水平最低的子系统之一,大量的控制指令是藉由运行人员手动干预实现的最终控制。这一方面是因为锅炉燃烧是大空间、强对流、复杂的物理和化学综合作用,其机理十分复杂,至今仍缺乏具有明确指向性的定量理论机理和方法;另一方面,大空间紊流分布场、高温、腐蚀等恶劣环境大幅提升了相关参数和状态的测量成本和难度,极大限制了自动控制所需的测量环节的品质。
现有锅炉燃烧智能控制系统主要有以下特点:
1、大部分锅炉智能控制系统集中于对电站锅炉“锅侧”的运行控制。主要控制锅炉燃料和给水的动态配合、过热和在热汽温的稳定控制等,基本不涉及锅炉炉膛内的燃烧、配风等锅炉“炉侧”的优化控制;
2、参与智能优化控制的调节控制机构较少,部分环节的控制还需人工干预;
3、基于人工神经网络的智能优化技术完全依赖实测数据对模型进行更新和学习,无法应用工程上已知的一般控制规律,因此必须采用海量的样本对模型进行充分的训练,以防止学习的不充分产生的输出异常,也因此模型的更新时间非常长,可能在数月至半年以上,难以适应国内煤质频繁变化等频繁波动的影响;
4、智能优化控制系统常因为锅炉系统的水冷壁超温或其它特殊情况使得某 一个控制回路需要人工紧急干预,此时只能退出整个优化系统,或由于不同指令之间的耦合关系使智能优化的效果起不到应有的作用。
发明内容
为了解决上述现有技术存在的问题,本发明提出一种基于神经网络的锅炉燃烧智能控制系统及方法,充分利用锅炉燃烧调整原理和经验,避免过分依赖样本数量的问题,将氧量给定、各层二次风门开度、燃尽风门开度都纳入在线燃烧优化的控制范围,实现炉侧的全面闭环控制。此外,由于锅炉系统涉及设备和工况繁多,在出现特殊情况,使燃烧优化的个别控制回路需切换为手动并进行人工干预时,该系统仍能对剩余控制回路进行优化,提高系统的工况适应能力。
为了实现上述目的,本发明采用以下技术方案:
一种基于神经网络的锅炉燃烧智能控制系统,包括DCS侧人机交互接口1、双向控制通讯链路2和智能燃烧控制系统主机3;所述双向控制通讯链路2采用双路冗余配置,将智能燃烧控制系统主机3与电站固有DCS系统4连接,电站固有DCS系统4内通过组态画面及逻辑设置,配置DCS侧人机交互接口1;所述智能燃烧控制系统主机3通过双向控制通讯链路2从电站固有DCS系统4获得制粉、燃烧和风烟系统实时参数及用户通过智能控制系统的DCS侧人机交互接口1下发的操作指令状态,并反馈锅炉一次风挡板、二次风挡板、燃尽风挡板及氧量和一次风压智能优化控制指令到电站固有DCS系统4,通过电站固有DCS系统4的执行机构进行控制操作。
所述智能燃烧控制系统主机3内部采用神经网络模型5为核心,利用智能优化算法,给予神经网络模型5生成优化控制指令7。
所述智能优化算法为粒子群优化或遗传算法优化算法。
上述所述控制系统的控制方法,所述智能燃烧控制系统主机3通过双向控制通讯链路2从电站固有DCS系统4获得的各种实时参数,经信号有效性验证后,确认所有关键信号都在正常的合理范围内即可进行滤波后更新当前设备状态参数,供训练和优化程序模块使用;用户选择投入全部或部分智能优化控制回路,通过双向控制通讯链路2从电站固有DCS系统4送入智能燃烧控制系统主机3,对于投入智能优化的回路将根据锅炉运行原理和燃烧调整经验设置目标优化搜索空间,供智能优化算法进行优化,对于没有投入智能优化的回路,从滤波后的设备状态参数中取得对应执行机构反馈作为输入参数,送入神经网络模型;智能优化算法根据预先设定的优化搜索空间不断生成新的优化控制目标参数序列,送入神经网络模型5,与其他状态参数和未投入自动优化的反馈信号作为神经网络模型5的输入,通过神经网络模型5的计算得到用于衡量锅炉性能的效率或损失指标,并根据优化方向形成智能算法所需的适应度,供智能算法进行智能寻优,并最终找到优化空间内最优的一组投入优化回路的操作指令,输出至电站固有DCS系统4进行控制;由于所建立模型为稳态模型,需采用相对稳定工况的数据作为训练的样本,因此滤波后的设备参数还经过样本收集程序,将大于给定负荷变化率的工况点剔除,在信号相对稳定的时间段采集训练样本,供系统核心人工神经网络的训练和更新。
所述并形成智能算法所需适应度,该适应度直接采用锅炉效率或相对效率作为适应度,或者用损失的相反数或倒数作为适应度。
本发明和现有技术相比较,具备如下优点:
以上系统及方法有以下特点可明显区别于其他同类技术。首先,优化控制指令的生成并非直接根据智能算法在无限空间或者参数可选择的合理空间内自由求解或寻优,以为大部分控制参数都会随着系统负荷或对应设备的工况变化而变化,其合理范围也大幅变化,给定固定的范围或不给定范围不仅使求解效率偏低,还可能因为智能算法或神经网络的运算产生不合理结果,从而造成控 制可靠性的降低。本发明中投入智能优化的控制参数寻优范围是在现有曲线或电厂常规性能考核或诊断试验确定的控制曲线两侧选定合理区间,根据电厂已有经典控制曲线作为优化基准,并以此为基础进行设定,其优化范围随工况变化而变化,一方面保证即使智能算法或神经网络处于不稳定的训练阶段或出现少数异常,也能保证输出参数在近似合理的范围内,不会威胁系统设备的安全和稳定运行;此外,本发明系统及方法可对多个控制回路实现全部或部分优化,投入的控制回路控制指令优化空间根据上述方法生成,其余未投入回路搜索空间上下限均给定为实际控制执行机构反馈,这样对于各类通用的智能优化算法都可自动实现对已投入回路的控制参数进行寻优,而未投入的系统保持现有控制参数,自动实现控制指令的跟踪,相比于其他技术一体投入或切除,可适应电站锅炉的特殊复杂性,保证尽可能多的控制回路都能投入优化运行,否则可能因现场特殊情况出现而被迫频繁退出整个优化系统;第三,基于以上技术,本系统可将电站锅炉燃烧相关的风粉系统、燃烧配风系统控制目标参数都纳入优化系统进行寻优,比现有技术涵盖更广,适应性更好,优化效果也将更加显著。第四,本发明的系统优化目标可设置多目标,即选择燃烧性能和排放指标的多目标,因为本发明优化指令通过智能优化算法调用神经网络模型来进行,而绝大多数常规的标准智能优化算法(遗传算法、蜂群算法、萤火虫算法等)都具有多目标寻优能力,这样本发明可根据用户对排放和炉效的要求灵活选择进行单目标优化或综合的智能优化。
附图说明
图1是本发明控制系统结构框图。
图2是本发明优化控制指令生成的流程图。
图3是本发明优化空间设置示意图。
具体实施方式
下面结合附图和具体实施例对本发明作更详细的说明。
如图1所示,本发明一种基于神经网络的锅炉燃烧智能控制系统,包括DCS侧人机交互接口1、双向控制通讯链路2和智能燃烧控制系统主机3;所述双向控制通讯链路2采用双路冗余配置,将智能燃烧控制系统主机3与电站固有DCS系统4连接,电站固有DCS系统4内通过组态画面及逻辑设置,配置DCS侧人机交互接口1;所述智能燃烧控制系统主机3通过双向控制通讯链路2从电站固有DCS系统4获得制粉、燃烧和风烟系统实时参数及用户通过智能控制系统的DCS侧人机交互接口1下发的操作指令状态,并反馈锅炉一次风挡板、二次风挡板、燃尽风挡板及氧量和一次风压智能优化控制指令到电站固有DCS系统4,通过电站固有DCS系统4的执行机构进行控制操作。所述智能燃烧控制系统主机3内部采用神经网络模型5为核心,利用智能优化算法,给予神经网络模型5生成优化控制指令7。
作为本发明的优选实施方式,所述智能优化算法为粒子群优化或遗传算法优化算法。
如图2所示,上述生成优化控制指令7的方法为:所述智能燃烧控制系统主机3通过双向控制通讯链路2从电站固有DCS系统4获得的各种实时参数,经信号有效性验证后,确认所有关键信号都在正常的合理范围内即可进行滤波后更新当前设备状态参数,供训练和优化程序模块使用;用户选择投入全部或部分智能优化控制回路,通过双向控制通讯链路2从电站固有DCS系统4送入智能燃烧控制系统主机3,对于投入智能优化的回路将根据锅炉运行原理和燃烧调整经验设置目标优化搜索空间(参见图3及下述有关图3的说明),供智能优化算法进行优化,对于没有投入智能优化的回路,从滤波后的设备状态参数中取得对应执行机构反馈作为输入参数,送入神经网络模型;智能优化算法根据预先设定的优化搜索空间不断生成新的优化控制目标参数序列,送入神经网络模型5,与其他状态参数和未投入自动优化的反馈信号作为神经网络模型5的输入,通过神经网络模型5的计算得到用于衡量锅炉性能的效率或损失指标, 并形成智能算法所需适应度(直接采用锅炉效率或相对效率作为适应度,或者用损失的相反数或倒数作为适应度),供智能算法进行智能寻优,并最终找到优化空间内最优的一组投入优化回路的操作指令,输出至电站固有DCS系统4进行控制;由于所建立模型为稳态模型,需采用相对稳定工况的数据作为训练的样本,因此滤波后的设备参数还经过样本收集程序,将大于给定负荷变化率的工况点剔除,在信号相对稳定的时间段采集训练样本,供系统核心人工神经网络的训练和更新。
下面以氧量给定的优化搜索空间设置为例,说明各控制目标参数的优化空间设置方法。如图3所示,根据锅炉燃烧调整试验结论或锅炉设计及运行经验,可获得较为合理的锅炉燃烧氧量随负荷变化的运行曲线,该曲线将作为锅炉燃烧优化的优化基准,如图3中间的一条曲线。实际的最优氧量应在该合理曲线周围的一定范围内变化,且因煤质、环境温度或磨煤机组合等情形的不同而变化,并不唯一固定,因此,在优化基准曲线的基础上,给定一定的偏离区间形成最终的参数优化空间上下限,指导优化算法在该区间内进行优化,一方面可保证优化结果不会因为建模或优化算法的异常而生成偏离一般合理区间的不合理控制指令进而危害机组的安全稳定,另一方面可大幅缩小常规优化方法面对的较大优化空间,相当于给予优化算法以专业化的指导。
实施例
某大功率电站锅炉,根据其类型、结构特点、自动控制的条件和建模目标,选择各层二次风挡板开度、旋风分离器挡板开度、各磨煤机冷风和热风挡板开度、各燃尽风挡板开度、氧量给定和一次风压给定的全部或一个子集作为系统智能优化目标,神经网络采用经典前向三层人工神经网络,其输入包含上述所有优化目标参数,还包括锅炉负荷、氧量和其它风粉和燃烧系统实测测点的参数,神经网络输出仅选择锅炉效率进行单目标优化,优化算法采用标准粒子群算法,各控制目标参数优化基准曲线取当前控制系统设定的静态控制曲线,搭 建上述系统。系统运行时,投入回路的开度和参数按优化基准设定寻优空间,未投入智能优化控制参数设定相同的寻优上下限为现有执行机构反馈,系统则可自动根据需要进行进行全局或局部的充分优化,并跟踪当前未投入智能优化之回路的现有控制指令,实现最大限度的性能优化控制。
Claims (3)
1.一种基于神经网络的锅炉燃烧智能控制系统的控制方法,所述控制系统包括DCS侧人机交互接口(1)、双向控制通讯链路(2)和智能燃烧控制系统主机(3);所述双向控制通讯链路(2)采用双路冗余配置,将智能燃烧控制系统主机(3)与电站固有DCS系统(4)连接,电站固有DCS系统(4)内通过组态画面及逻辑设置,配置DCS侧人机交互接口(1);所述智能燃烧控制系统主机(3)通过双向控制通讯链路(2)从电站固有DCS系统(4)获得制粉、燃烧和风烟系统实时参数及用户通过智能控制系统的DCS侧人机交互接口(1)下发的操作指令状态,并反馈锅炉一次风挡板、二次风挡板、燃尽风挡板及氧量和一次风压智能优化控制指令到电站固有DCS系统(4),通过电站固有DCS系统(4)的执行机构进行控制操作;所述智能燃烧控制系统主机(3)内部采用神经网络模型(5)为核心,利用智能优化算法,给予神经网络模型(5)生成优化控制指令;
其特征在于:所述控制方法为:所述智能燃烧控制系统主机(3)通过双向控制通讯链路(2)从电站固有DCS系统(4)获得的各种实时参数,经信号有效性验证后,确认所有关键信号都在正常的合理范围内即可进行滤波后更新当前设备状态参数,供训练和优化模块使用;用户选择投入全部或部分智能优化控制回路,通过双向控制通讯链路(2)从电站固有DCS系统(4)送入智能燃烧控制系统主机(3),对于投入智能优化的回路将根据锅炉运行原理和燃烧调整经验设置目标优化搜索空间,供智能优化算法进行优化,对于没有投入智能优化的回路,从滤波后的设备状态参数中取得对应执行机构反馈作为输入参数,送入神经网络模型;智能优化算法根据预先设定的优化搜索空间不断生成新的优化控制目标参数序列,送入神经网络模型(5),与其他状态参数和未投入自动优化的反馈信号作为神经网络模型(5)的输入,通过神经网络模型(5)的计算得到用于衡量锅炉性能的效率或损失指标,并形成智能算法所需适应度,供智能算法进行智能寻优,并最终找到优化空间内最优的一组投入优化回路的操作指令,输出至电站固有DCS系统(4)进行控制;由于所建立模型为稳态模型,需采用相对稳定工况的数据作为训练的样本,因此滤波后的设备参数还经过样本收集程序,将大于给定负荷变化率的工况点剔除,在信号相对稳定的时间段采集训练样本,供系统核心人工神经网络的训练和更新。
2.根据权利要求1所述的控制方法,其特征在于:所述并形成智能算法所需适应度,该适应度直接采用锅炉效率或相对效率作为适应度,或者用损失的相反数或倒数作为适应度。
3.根据权利要求1所述的控制方法,其特征在于:所述智能优化算法为粒子群优化或遗传算法优化算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410124688.4A CN103870877B (zh) | 2014-03-28 | 2014-03-28 | 一种基于神经网络的锅炉燃烧智能控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410124688.4A CN103870877B (zh) | 2014-03-28 | 2014-03-28 | 一种基于神经网络的锅炉燃烧智能控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103870877A CN103870877A (zh) | 2014-06-18 |
CN103870877B true CN103870877B (zh) | 2016-09-28 |
Family
ID=50909390
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410124688.4A Active CN103870877B (zh) | 2014-03-28 | 2014-03-28 | 一种基于神经网络的锅炉燃烧智能控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103870877B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111624887A (zh) * | 2020-06-08 | 2020-09-04 | 福建龙净环保股份有限公司 | 电除尘控制方法及相关装置 |
CN112197262B (zh) * | 2020-10-24 | 2023-06-27 | 四川泸天化创新研究院有限公司 | 一种循环流化床燃煤锅炉智能控制方法 |
CN112782976B (zh) * | 2020-12-14 | 2023-03-07 | 中国大唐集团科学技术研究院有限公司火力发电技术研究院 | 一种基于cnn算法的智能燃烧优化的闭环控制方法 |
CN114135899A (zh) * | 2021-11-10 | 2022-03-04 | 吉林省电力科学研究院有限公司 | 一种提高锅炉燃烧优化率的装置及方法 |
CN116736713A (zh) * | 2023-06-13 | 2023-09-12 | 天津国能津能滨海热电有限公司 | 基于narx预测模型的电厂燃烧控制系统及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202032573U (zh) * | 2011-04-01 | 2011-11-09 | 北京三博中自科技有限公司 | 负荷大范围变动下的循环流化床锅炉燃烧优化控制系统 |
CN103576655A (zh) * | 2013-11-06 | 2014-02-12 | 华北电力大学(保定) | 一种电站锅炉燃烧子空间建模及多目标优化方法和系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6736089B1 (en) * | 2003-06-05 | 2004-05-18 | Neuco, Inc. | Method and system for sootblowing optimization |
-
2014
- 2014-03-28 CN CN201410124688.4A patent/CN103870877B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202032573U (zh) * | 2011-04-01 | 2011-11-09 | 北京三博中自科技有限公司 | 负荷大范围变动下的循环流化床锅炉燃烧优化控制系统 |
CN103576655A (zh) * | 2013-11-06 | 2014-02-12 | 华北电力大学(保定) | 一种电站锅炉燃烧子空间建模及多目标优化方法和系统 |
Non-Patent Citations (2)
Title |
---|
基于人工神经网络和遗传算法的火电厂锅炉实时燃烧优化系统;周昊等;《动力工程》;20031031;第23卷(第5期);全文 * |
基于炉内参数测量的燃烧系统优化运行理论与技术的研究;李勤道;《中国博士学位论文全文数据库工程科技Ⅱ辑》;20140215;第2014年卷(第2期);正文第19页-第26页,附图2-4 * |
Also Published As
Publication number | Publication date |
---|---|
CN103870877A (zh) | 2014-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103870877B (zh) | 一种基于神经网络的锅炉燃烧智能控制方法 | |
CN101556038B (zh) | 循环流化床锅炉稳定运行与经济燃烧优化控制系统 | |
CN103322547B (zh) | 一种锅炉控制与燃烧优化方法 | |
CN110486749B (zh) | 一种火电机组锅炉燃烧优化控制方法及系统 | |
CN101063872B (zh) | 锅炉氧量优化系统 | |
CN103576655B (zh) | 一种电站锅炉燃烧子空间建模及多目标优化方法和系统 | |
CN104061588A (zh) | 基于二次风门调风控制的低氮燃烧控制方法和系统 | |
JP5663510B2 (ja) | 石炭火力プラントの制御装置及び、石炭火力プラント | |
CN112859780B (zh) | 一种基于云数据、云计算的火电厂智慧燃烧控制方法 | |
CN108490790A (zh) | 一种基于多目标优化的过热汽温自抗扰串级控制方法 | |
CN110260356B (zh) | 一种流化床锅炉的节能控制方法 | |
CN109886471A (zh) | 基于神经网络与智能优化算法的火电机组负荷分配方法 | |
CN105240868A (zh) | 基于风煤比煤质校正的锅炉自动燃烧调整控制方法 | |
Xia et al. | An online case-based reasoning system for coal blends combustion optimization of thermal power plant | |
CN102654768A (zh) | 基于规则的电站锅炉燃烧节煤降氮控制方法和装置 | |
CN110017470A (zh) | 基于差分进化算法的锅炉燃烧多目标优化控制方法 | |
CN105573261A (zh) | 一种电厂锅炉燃烧的优化监控方法 | |
CN116776770B (zh) | 基于cfd数值模拟耦合bp神经网络缓解锅炉高温腐蚀的方法 | |
CN101701719B (zh) | 一种火电厂最佳燃烧节煤发电控制方法及其装置 | |
CN104102842B (zh) | 基于经济性指标参数的氮氧化物排放预测方法和装置 | |
CN112240566B (zh) | 锅炉偏烧在线调整系统及方法 | |
CN114562713A (zh) | 发电锅炉主蒸汽温度控制方法及系统 | |
Wójcik et al. | Optimal control for combustion process | |
Fang et al. | Data‐driven control for combustion process of circulating fluidised bed boiler | |
CN114647191A (zh) | 一种基于锅炉热负荷均衡分配的制粉系统优化调度方法 |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20140618 Assignee: Huaneng Longdong Energy Co.,Ltd. Zhengning Power Plant Assignor: Xi'an Thermal Power Research Institute Co.,Ltd. Contract record no.: X2023980052171 Denomination of invention: A Neural network-based Intelligent Control Method for Boiler Combustion Granted publication date: 20160928 License type: Common License Record date: 20231213 |
|
EE01 | Entry into force of recordation of patent licensing contract |