CN109145361A - 一种燃煤分质利用与清洁预处理系统的优化运行方法 - Google Patents
一种燃煤分质利用与清洁预处理系统的优化运行方法 Download PDFInfo
- Publication number
- CN109145361A CN109145361A CN201810700939.7A CN201810700939A CN109145361A CN 109145361 A CN109145361 A CN 109145361A CN 201810700939 A CN201810700939 A CN 201810700939A CN 109145361 A CN109145361 A CN 109145361A
- Authority
- CN
- China
- Prior art keywords
- coal
- prime
- sub
- utilizes
- fired
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
Abstract
本发明公开燃煤分质利用与清洁预处理系统的优化运行方法,优化内容兼顾了各燃烧器的运行参数、进料情况和出产品情况。通过燃煤分质利用与清洁预处理系统的优化运行方法主体工艺的数据采集,针对燃煤分质利用清洁处理运行特性指标与各燃烧器运行参数、进料量和出产品量间的相互影响关系,建立燃煤分质利用清洁处理系统可调运行参数与燃煤分质利用清洁处理系统特征指标间模型,应用并行的优化算法寻优等手段,确立了一种燃煤分质利用与清洁预处理系统的优化运行方法,利用该方法可有效燃煤分质利用与清洁预处理的过程中,热解釜内温度和压力的分布情况,提高反应效率和产品质量,既可以实施离线优化也可以进行在线实时燃烧优化。
Description
技术领域
本发明属于信息与控制技术领域,涉及到自动化技术,特别是涉及一种燃煤分质利用与清洁预处理系统的优化运行方法。
背景技术
燃煤分质利用与清洁预处理系统的优化运行是控制燃煤裂解反应和产品的重要技术手段,其目标是在一定生产条件和目标下,通过调整各运行参数而获得裂解釜所需的理想的运行特性指标,使热解釜的温度和压力分布良好,燃煤的裂解反应在不同的温度和压力下进行会有不同的产品和品质,使产品符合生产需求的基础上利益最大化。加热裂解釜的各燃烧器的给风和给气等运行参数及热解釜进料量的不同对热解釜内的温度和压力分布有直接的影响,不同的燃烧器的给气、给风及进料量的配合会直接导致不同的热解釜内的温度和压力分布的情况,尤其是在热解釜进料有扰动的情况下,温度和压力分布更不稳定。对于一定的生产条件和产品需求下,针对热解釜所需的理想的运行状态特征指标,存在一种最优的各燃烧器运行参数及进料量和进料参数的配置方案,能够使相应热解釜运行状态的特征指标最优化,但是,热解釜内的温度与压力分布与各燃烧器运行参数和进料量及出产品量间有着非常复杂的耦合关系,要找到最优的各燃烧器的运行参数的配置并不容易。燃煤分质利用与清洁预处理是一种新的生产过程,其运行优化问题还没有得到解决。
实际生产中燃煤分质利用与清洁预处理系统的运行主要是靠工作人员经验,其目标也只是维持生产正常进行,并没有优化的概念,因此其生产过程中运行状态还有很大的可提升空间。
通过数据挖掘,在大量不同的生产运行参数组合中,应用机器学习的方法,挖掘出各燃烧器的运行参数、进料量和出产品量与燃煤分质利用与清洁预处理系统运行特性间的关系模型,再结合优化算法对进行运行优化是非常有潜力的方法。如何使该方法真正达到燃煤分质利用与清洁预处理系统生产实际的要求,是该技术的关键,主要难题包括,如何提高模型的预测和泛化能力,如何提高模型的自学习能力。
发明内容
本发明的目标是针对燃煤分质利用与清洁预处理,提出一种燃运行化方法,优化内容兼顾了各燃烧器的运行参数、进料情况和出产品情况。
本发明的技术方案是通过燃煤分质利用与清洁预处理系统主体工艺的数据采集,针对裂解釜轴向温度与压力分布与各燃烧器运行参数、进料量和出产品量间的相互影响关系,建立基于数据挖掘技术的模型,应用并行的优化算法寻优等手段,确立了一种燃煤分质利用与清洁预处理系统运行优化的方法,利用该方法可有效控制燃煤分质利用与清洁预处理过程中,裂解釜内温度和压力的分布情况,提高热解效率和产品质量,既可以实施离线优化也可以进行在线实时燃烧优化。
本发明的具体步骤是:
步骤(1)采集燃煤分质利用与清洁预处理系统运行参数、燃煤分质利用与清洁处理系统特征指标数据;所述燃煤分质利用与清洁处理系统运行参数为:各燃烧器的送风量、各燃烧器的给燃气气量、热解釜进煤量、煤质参数;燃煤分质利用与清洁处理系统特征指标数据为:热解釜不同温度段的产品产量及品质参数;以上燃煤分质利用与清洁处理系统运行参数、燃煤分质利用与清洁处理系统特征指标数据,通过燃煤分质利用与清洁处理生产过程中实时数据数据库系统获取,或直接通过仪器设备测量分析采集;
步骤(2)采用基于数据的建模算法建立燃煤分质利用清洁预处理系统运行特性模型;
以广义回归神经网络建模,建立燃煤分质利用清洁处理系统可调运行参数与燃煤分质利用清洁处理系统特征指标间模型;具体建模方法如下:
用于建模样本的输入参数及输出参数表示为其中xi表示第i组作为输入数据的燃煤分质利用与清洁预处理系统运行参数;yi表示第i组作为输出参数的燃煤分质利用清洁处理系统特征指标数据;N为样本数量,以实际运行数据为基础建立燃煤分质利用与清洁预处理系统运行参数与特征指标模型间的模型;
采用广义回归神经网络建模,对于n个隐节点的3层广义回归神经网络采用径向基函数为影射函数,其输出为:wi为权重系数,x为m维输入向量,ci为第i个基函数的中心,ρi为函数的基宽度参数;建立广义回归神经网络模型的关键在于确定函数的参数ci、ρi、权重系数wi及隐节点个数n;采用遗传算法迭代训练广义回归神经网络,定义遗传算法初始群体Z向量的各维分量,分别为隐节点个n、径向基函数的参数ci、ρi和权重系数wi,目标函数为:其中为第i个样本的广义回归神经网络输出值,yi为第i个样本的实际值;当K达到设定值或完成迭代次数时,训练完成,获得隐节点个n、径向基函数的参数ci、ρi和权重系数wi,从而获得广义回归神经网络模型;
步骤(3)利用粒子群优化算法结合所建模型,针对不同燃煤分质利用与清洁预处理系统运行特征指标进行运行参数配置的优化,具体步骤如下:
a.定义粒子群位置向量x的各维分量分别为燃煤分质利用与清洁预处理系统运行参数;
b.设定粒子群的搜索目标和迭代次数,搜索目标为根据实际生产状况和需要确定的燃煤分质利用与清洁预处理系统运行特性指标;该指标设为综合指标,即将几个燃煤分质利用与清洁预处理系统运行特性指标转换为同一衡量量(如都转换为经济衡量量)后的合成指标,或燃煤分质利用与清洁预处理系统运行特性指标中的某单一指标;
c.根据实际燃煤分质利用与清洁预处理系统运行参数的设计和运行要求设定各运行参数的寻优范围,并初始化位置向量x,然后根据设定的搜索目标,用进行迭代计算,搜索粒子群在参数向量空间内的最优位置;
d.当粒子群算法完成迭代次数或找到满足设定要求的最优解时,停止计算获得相应最优的位置向量,即获得最优的各燃煤分质利用与清洁预处理系运行参数组合;所获得的这些参数为在给定生产条件下,对设定目标的最优运行参数,按照此运行参数进行生产,获得最优的效果。
燃煤分质利用与清洁预处理是一种新的工业生产工艺,由于其主要是进行裂解反应的过程,所以对温度和压力的要求比较严格,目前实际的生产过程中对燃烧的调整完全依据个人经验,在进料量的扰动下,具有不稳定性,有待提高。本发明方法具体是采燃煤分质利用与清洁预处理的实时数据,利用数据挖掘技术和并行优化算法,针对热解釜轴向的温度分布与各燃烧器运行参数、热解釜进料量和反应釜出产品量间的关系进行建模,结合寻优算法对各燃烧器的运行进行优化,以达到最优的控制热解釜温度分布的目标。
本发明方法既可以在线优化也可以离线优化。
具体实施方式
一种燃煤分质利用与清洁预处理系统运行优化方法,具体是以下步骤:
步骤(1)采集燃煤分质利用与清洁预处理系统运行参数、燃煤分质利用与清洁处理系统特征指标数据;所述燃煤分质利用与清洁处理系统运行参数为:各燃烧器的送风量、各燃烧器的给燃气气量、热解釜进煤量、煤质参数;燃煤分质利用与清洁处理系统特征指标数据为:热解釜不同温度段的产品产量及品质参数;以上燃煤分质利用与清洁处理系统运行参数、燃煤分质利用与清洁处理系统特征指标数据,通过燃煤分质利用与清洁处理生产过程中实时数据数据库系统获取,或直接通过仪器设备测量分析采集;
步骤(2)采用基于数据的建模算法建立燃煤分质利用清洁预处理系统运行特性模型;
以广义回归神经网络建模,建立燃煤分质利用清洁处理系统可调运行参数与燃煤分质利用清洁处理系统特征指标间模型;具体建模方法如下:
用于建模样本的输入参数及输出参数表示为其中xi表示第i组作为输入数据的燃煤分质利用与清洁预处理系统运行参数;yi表示第i组作为输出参数的燃煤分质利用清洁处理系统特征指标数据;N为样本数量,以实际运行数据为基础建立燃煤分质利用与清洁预处理系统运行参数与特征指标模型间的模型;
采用广义回归神经网络建模,对于n个隐节点的3层广义回归神经网络采用径向基函数为影射函数,其输出为:wi为权重系数,x为m维输入向量,ci为第i个基函数的中心,ρi为函数的基宽度参数;建立广义回归神经网络模型的关键在于确定函数的参数ci、ρi、权重系数wi及隐节点个数n;采用遗传算法迭代训练广义回归神经网络,定义遗传算法初始群体Z向量的各维分量,分别为隐节点个n、径向基函数的参数ci、ρi和权重系数wi,目标函数为:其中为第i个样本的广义回归神经网络输出值,yi为第i个样本的实际值;当K达到设定值或完成迭代次数时,训练完成,获得隐节点个n、径向基函数的参数ci、ρi和权重系数wi,从而获得广义回归神经网络模型;
步骤(3)利用粒子群优化算法结合所建模型,针对不同燃煤分质利用与清洁预处理系统运行特征指标进行运行参数配置的优化,具体步骤如下:
a.定义粒子群位置向量x的各维分量分别为燃煤分质利用与清洁预处理系统运行参数;
b.设定粒子群的搜索目标和迭代次数,搜索目标为根据实际生产状况和需要确定的燃煤分质利用与清洁预处理系统运行特性指标;该指标设为综合指标,即将几个燃煤分质利用与清洁预处理系统运行特性指标转换为同一衡量量后的合成指标,或燃煤分质利用与清洁预处理系统运行特性指标中的某单一指标;
c.根据实际燃煤分质利用与清洁预处理系统运行参数的设计和运行要求设定各运行参数的寻优范围,并初始化位置向量x,然后根据设定的搜索目标,用进行迭代计算,搜索粒子群在参数向量空间内的最优位置;
d.当粒子群算法完成迭代次数或找到满足设定要求的最优解时,停止计算获得相应最优的位置向量,即获得最优的各燃煤分质利用与清洁预处理系运行参数组合;所获得的这些参数为在给定生产条件下,对设定目标的最优运行参数,按照此运行参数进行生产,获得最优的效果。
Claims (1)
1.一种燃煤分质利用与清洁预处理系统的优化运行方法,其特征在于该方法的步骤包括:
步骤(1)采集燃煤分质利用与清洁预处理系统运行参数、燃煤分质利用与清洁处理系统特征指标数据;所述燃煤分质利用与清洁处理系统运行参数为:各燃烧器的送风量、各燃烧器的给燃气气量、热解釜进煤量、煤质参数;燃煤分质利用与清洁处理系统特征指标数据为:热解釜不同温度段的产品产量及品质参数;以上燃煤分质利用与清洁处理系统运行参数、燃煤分质利用与清洁处理系统特征指标数据,通过燃煤分质利用与清洁处理生产过程中实时数据数据库系统获取,或直接通过仪器设备测量分析采集;
步骤(2)采用基于数据的建模算法建立燃煤分质利用清洁预处理系统运行特性模型;
以广义回归神经网络建模,建立燃煤分质利用清洁处理系统可调运行参数与燃煤分质利用清洁处理系统特征指标间模型;具体建模方法如下:
用于建模样本的输入参数及输出参数表示为其中xi表示第i组作为输入数据的燃煤分质利用与清洁预处理系统运行参数;yi表示第i组作为输出参数的燃煤分质利用清洁处理系统特征指标数据;N为样本数量,以实际运行数据为基础建立燃煤分质利用与清洁预处理系统运行参数与特征指标模型间的模型;
采用广义回归神经网络建模,对于n个隐节点的3层广义回归神经网络采用径向基函数为影射函数,其输出为:wi为权重系数,x为m维输入向量,ci为第i个基函数的中心,ρi为函数的基宽度参数;建立广义回归神经网络模型的关键在于确定函数的参数ci、ρi、权重系数wi及隐节点个数n;采用遗传算法迭代训练广义回归神经网络,定义遗传算法初始群体Z向量的各维分量,分别为隐节点个n、径向基函数的参数ci、ρi和权重系数wi,目标函数为:其中为第i个样本的广义回归神经网络输出值,yi为第i个样本的实际值;当K达到设定值或完成迭代次数时,训练完成,获得隐节点个n、径向基函数的参数ci、ρi和权重系数wi,从而获得广义回归神经网络模型;
步骤(3)利用粒子群优化算法结合所建模型,针对不同燃煤分质利用与清洁预处理系统运行特征指标进行运行参数配置的优化,具体步骤如下:
a.定义粒子群位置向量x的各维分量分别为燃煤分质利用与清洁预处理系统运行参数;
b.设定粒子群的搜索目标和迭代次数,搜索目标为根据实际生产状况和需要确定的燃煤分质利用与清洁预处理系统运行特性指标;该指标设为综合指标,即将几个燃煤分质利用与清洁预处理系统运行特性指标转换为同一衡量量后的合成指标,或燃煤分质利用与清洁预处理系统运行特性指标中的某单一指标;
c.根据实际燃煤分质利用与清洁预处理系统运行参数的设计和运行要求设定各运行参数的寻优范围,并初始化位置向量x,然后根据设定的搜索目标,用进行迭代计算,搜索粒子群在参数向量空间内的最优位置;
d.当粒子群算法完成迭代次数或找到满足设定要求的最优解时,停止计算获得相应最优的位置向量,即获得最优的各燃煤分质利用与清洁预处理系运行参数组合;所获得的这些参数为在给定生产条件下,对设定目标的最优运行参数,按照此运行参数进行生产,获得最优的效果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810700939.7A CN109145361A (zh) | 2018-06-29 | 2018-06-29 | 一种燃煤分质利用与清洁预处理系统的优化运行方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810700939.7A CN109145361A (zh) | 2018-06-29 | 2018-06-29 | 一种燃煤分质利用与清洁预处理系统的优化运行方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109145361A true CN109145361A (zh) | 2019-01-04 |
Family
ID=64802523
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810700939.7A Pending CN109145361A (zh) | 2018-06-29 | 2018-06-29 | 一种燃煤分质利用与清洁预处理系统的优化运行方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109145361A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111520740A (zh) * | 2020-03-16 | 2020-08-11 | 杭州电子科技大学 | 一种多个多孔介质燃烧器协调优化运行的方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060271210A1 (en) * | 2005-04-28 | 2006-11-30 | Subbu Rajesh V | Method and system for performing model-based multi-objective asset optimization and decision-making |
CN102222128A (zh) * | 2011-05-05 | 2011-10-19 | 杭州电子科技大学 | 一种废塑料炼油燃烧优化的方法 |
CN103324862A (zh) * | 2013-07-11 | 2013-09-25 | 中国石油大学(华东) | 一种基于改进神经网络与遗传算法的燃煤锅炉优化方法 |
CN107016176A (zh) * | 2017-03-24 | 2017-08-04 | 杭州电子科技大学 | 一种混合智能锅炉综合燃烧优化方法 |
US20180024512A1 (en) * | 2016-07-25 | 2018-01-25 | General Electric Company | System modeling, control and optimization |
-
2018
- 2018-06-29 CN CN201810700939.7A patent/CN109145361A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060271210A1 (en) * | 2005-04-28 | 2006-11-30 | Subbu Rajesh V | Method and system for performing model-based multi-objective asset optimization and decision-making |
CN102222128A (zh) * | 2011-05-05 | 2011-10-19 | 杭州电子科技大学 | 一种废塑料炼油燃烧优化的方法 |
CN103324862A (zh) * | 2013-07-11 | 2013-09-25 | 中国石油大学(华东) | 一种基于改进神经网络与遗传算法的燃煤锅炉优化方法 |
US20180024512A1 (en) * | 2016-07-25 | 2018-01-25 | General Electric Company | System modeling, control and optimization |
CN107016176A (zh) * | 2017-03-24 | 2017-08-04 | 杭州电子科技大学 | 一种混合智能锅炉综合燃烧优化方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111520740A (zh) * | 2020-03-16 | 2020-08-11 | 杭州电子科技大学 | 一种多个多孔介质燃烧器协调优化运行的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105910169B (zh) | 基于机理模型预测控制的城市供热系统热网调节方法及系统 | |
CN102693451B (zh) | 基于多参数的氨法烟气脱硫效率预测方法 | |
CN108932567A (zh) | 一种基于卷积神经网络的水泥烧成过程多能耗指标预测方法 | |
CN102626557B (zh) | 基于ga-bp算法的分子蒸馏工艺参数优化方法 | |
CN102184287B (zh) | 一种废塑料炼油燃烧优化的建模方法 | |
CN102222128B (zh) | 一种废塑料炼油燃烧优化的方法 | |
CN107016176A (zh) | 一种混合智能锅炉综合燃烧优化方法 | |
CN110400009A (zh) | 基于自适应遗传算法的高炉炼铁多目标智能优化方法 | |
CN103942422B (zh) | 一种基于粒度计算的冶金企业转炉煤气柜位长期预测方法 | |
CN102213949B (zh) | 一种乙烯装置价值优化方法 | |
CN102799778B (zh) | 一种优化锅炉负荷分配方法 | |
CN104268712B (zh) | 基于改进的混合多种群进化算法的能源平衡与调度方法 | |
CN106779384B (zh) | 一种基于信息粒度最优分配的钢铁工业高炉煤气长期区间预测方法 | |
CN102842066A (zh) | 一种生物质炉燃烧优化的建模方法 | |
CN106777684B (zh) | 一种建立综合焦比预测模型和预测综合焦比的方法 | |
CN102399594B (zh) | 一种在线优化“德士古气化炉”运行工况的方法 | |
CN104966156B (zh) | 一种钢铁企业能源综合调度问题的双层寻优方法 | |
CN109145361A (zh) | 一种燃煤分质利用与清洁预处理系统的优化运行方法 | |
CN105808945B (zh) | 一种混合智能锅炉效率燃烧优化方法 | |
CN102194057A (zh) | 一种废塑料炼油燃烧优化的模型更新方法 | |
CN111931436A (zh) | 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 | |
CN109101683B (zh) | 燃煤分质利用与清洁预处理系统热解釜的模型更新方法 | |
CN112329269A (zh) | 一种基于工况识别的烧结点火温度建模预测方法 | |
CN110728031B (zh) | 一种基于ann建模平衡复杂石化过程产能的多目标优化方法 | |
CN103699782B (zh) | 一种中速磨制粉系统给煤量软测量方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190104 |