CN109376501A - 一种发电锅炉燃煤碳氧化因子在线软测量方法 - Google Patents
一种发电锅炉燃煤碳氧化因子在线软测量方法 Download PDFInfo
- Publication number
- CN109376501A CN109376501A CN201811568194.XA CN201811568194A CN109376501A CN 109376501 A CN109376501 A CN 109376501A CN 201811568194 A CN201811568194 A CN 201811568194A CN 109376501 A CN109376501 A CN 109376501A
- Authority
- CN
- China
- Prior art keywords
- coal
- value
- training
- oxidation
- input
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Regulation And Control Of Combustion (AREA)
Abstract
一种发电锅炉燃煤碳氧化因子在线软测量方法,在发电锅炉系统中选取对燃煤碳氧化因子有影响的关键变量,煤种性质参数和锅炉/机组性质参数,作为软测量模型的输入向量;同时测量煤炭燃烧后的灰渣、飞灰性质参数,折算出碳氧化因子,作为软测量模型的输出向量;建立碳氧化因子在线软测量模型,建立发电锅炉燃煤碳氧化因子软测量模型后,如要在线测量某一操作条件下的燃煤碳氧化因子时,只需将以下各变量的测量数据赋给输入向量X,计算出来的y即是不同煤种在不同锅炉负荷下的碳氧化因子OF。本发明对政府间气候变化委员会发布的碳氧化因子进行修正,使结果更接近实际值。可实现发电锅炉燃煤碳氧化因子在线测量,实时监测和锅炉碳燃烧控制情况。
Description
技术领域
本发明涉及环境技术领域,特别是涉及一种发电锅炉燃煤碳氧化因子在线软测量方法。
技术背景
全球气候变暖,温室气体排放日益受到人们的重视。目前,以煤炭为能源的火力发电仍是我国主要的发电方式,煤炭燃烧会排放大量二氧化碳气体。温室气体排放计算公式为:
CO2排放量=AD×CC×OF×44/12 (1)
式中AD为燃料消耗量,单位ton。CC燃料为单位含碳量,单位tonC/t。OF为碳氧化因子,无量纲。
获取锅炉中煤炭燃烧的碳氧化因子有两种方法。一种是实测法,企业测量煤炭燃烧后炉渣和飞灰中的剩余碳含量数据,计算燃煤碳氧化因子。这种方法的优点是计量准确,缺点是测试过程复杂且测量费用昂贵,且无法做到连续测量,因此该方法不能用于监测与控制锅炉燃烧情况。另一种参数法,不考虑燃烧具体情况,用推荐常数表征碳氧化因子,一般采用国家标准或行业标准中给出的不同燃料碳氧化因子的参考值。很多企业为了节省测量成本,避免麻烦,在给出锅炉温室气体报告时,用国标给出的参考值代替实测值。参数法与实测法相比比较简单,但是碳氧化因子不仅与煤种性质有关,还与燃烧设备,机组负荷等相关,用某个煤种的燃烧平均碳氧化因子值代替装置实测值,必然会产生差别,造成计算的温室气体排放量与实际的排放量之间有较大的误差,不利于企业控制二氧化碳排放。
发明内容
为了克服上述现有技术中所存在的不足,本发明提供一种能够体现设备操作性能、使用方便的发电锅炉燃煤在线软测量碳氧化因子方法。
本发明的目的通过以下技术方案来实现:
一种发电锅炉燃煤碳氧化因子在线软测量方法,所述方法包括如下步骤:
第一步,在发电锅炉系统中选取15个测量获得软测量模型输入向量与输出向量,构建实验样本数据。15个发电锅炉的测点分为5类;
第1类是燃煤煤种性质参数,包括测量点1-收到基全水分Mar、2-收到基灰分Aar、3-收到基挥发分Var、4-收到基固定碳FCar、5-收到基低位发热量Qar;
第2类是锅炉性质参数:6-磨煤机给煤量P1,7-二次风总风压P2,8-一次风压M1,13-锅炉出口烟道气氧气的体积百分含量X1,14-除尘系统平均除尘效率η;
第3类是煤燃烧后测取的炉渣性质参数9-炉渣产量G渣、10-炉渣平均含碳量C渣;
第4类是煤燃烧后的飞灰性质参数11-飞灰产量G灰、12-飞灰平均含碳量C灰;
第5类是发电机组性质参数15-汽轮发电机组的电功率W1;
发电锅炉碳氧化因子软测量模型的输入变量包括1-煤种的收到基全水分Mar、2-收到基灰分Aar、3-收到基挥发分Var、4-收到基固定碳FCar、5-收到基低位发热量Qar,6-磨煤机给煤量M1,7-二次风总风压P2,8-一次风压P1,13-锅炉出口烟道气氧气的体积百分含量X1,15-汽轮发电机组的电功率W1,共10个变量;
这10个变量构成发电锅炉碳氧化因子软测量模型的输入向量X;
X=[x1,x2,x3,x4,x5,x6,x7,x8,x9,x10]
=[Mar,Aar,Var,FCar,Qar,P1,P2,M1,X1,W1]
发电锅炉碳氧化因子软测量模型的输出变量Y只有一维,为发电锅炉碳氧化因子OF,Y=[y]=[OF];
按下述公式计算OF,涉及测量点分别为9-炉渣产量G渣、10-炉渣平均含碳量C渣、11-飞灰产量G灰、12-飞灰平均含碳量C灰和14-除尘系统平均除尘效率η;
第二步,建立碳氧化因子在线软测量模型
碳氧化因子在线软测量模型建模与训练过程如下:
首先,数据预处理
按第一步要求测量换算300组样本输入输出向量的实验值进行归一化处理,获取标准化样本集所述模型输入向量X中各变量xi的归一化按如下公式进行处理:
式中,是软测量模型输入向量X第i个输入变量xi的测量值,和是300个测量值中的最大值和最小值,为归一化处理后的向量;
所述模型输入向量Y中变量y的归一化按如下公式进行处理:
式中,是软测量模型输出变量y的测量值,和是的300个值中的最大值和最小值,为归一化处理后的变量;
随机选择和的2/3测量值作为训练样本,将训练样本的输入向量命名为输出向量命名为训练样本共200个;
随机选择和的1/3测量值作为测试样本,输入向量命名为输出向量命名为测试样本共100个;
接着,碳氧化因子软测量模型训练
将训练样本的输入向量输出向量代入BP神经网络进行训练,采用3层神经网络,10个输入节点,9个隐层输入节点,1个输出节点,训练上限设置为600次,训练样本序号m和训练次数计算器q置为1,训练精度EMIN置为0.01,学习效率η设为0.5,连接初始权值和初始阈值γ(0)随机赋区间(-1,1)的初值,训练得到连接权值wkj、vj和阈值θj、γ;
最后,碳氧化因子软测量模型验证
将测试样本中的输入向量归一值提供给软测量模型作为输入值,用步骤(3)中训练好的连接权值wkj、vj和阈值θj、γ,计算得到测试样本的软测量模型输出变量sytest(n),sytest(n)为第n个测试样本软测量模型输出变量的计算值;
采用下式计算全部测试样本的均方根误差Etest,
当Etest≤EMIN时,碳氧化因子软测量模型完成,保存连接权值wkj、vj和阈值θj、γ。
Etest>EMIN时,和阈值γ(0)=γ,权值赋回模型做初值,重置m=1,q=1,返回进行碳氧化因子软测量模型训练;
第三步,碳氧化因子在线软测量模型使用
建立发电锅炉燃煤碳氧化因子软测量模型后,如要在线测量某一操作条件下的燃煤碳氧化因子时,只需将以下各变量的测量数据赋给输入向量X:
1-煤种的收到基全水分Mar、2-收到基灰分Aar、3-收到基挥发分Var、4-收到基固定碳FCar、5-收到基低位发热量Qar。6-磨煤机给煤量M1,7-二次风总风压P2,8-一次风压P1,13-锅炉出口烟道气氧气的体积百分含量X1,15-汽轮发电机组的电功率W1,共10个变量;
X=[x1,x2,x3,x4,x5,x6,x7,x8,x9,x10]
对模型输入变量进行归一化处理,所述模型输入向量X中各变量xi的归一化
得到归一化后的输入向量:
SX=[sx1,sx2,sx3,sx4,sx5,sx6,sx7,sx8,sx9,sx10]
将归一化后的输入向量SX输入碳氧化因子在线软测量模型,由归一化后的输入变量sxi,训练好的连接权值wkj、vj和阈值θj、γ按步骤(3)计算得到软测量模型的输出变量sy,对输出变量按如下公式进行反归一化处理:
y=sy×(ymax-ymin)+ymin (17)
计算出来的y即是不同煤种在不同锅炉负荷下的碳氧化因子OF。
进一步,所述第二步中,碳氧化因子在线软测量模型建模与训练过程包括如下步骤:
2.1、数据预处理
按第一步要求测量换算300组样本输入输出向量的实验值进行归一化处理,获取标准化样本集所述模型输入向量X中各变量xi的归一化按如下公式进行处理:
式中,是软测量模型输入向量X第i个输入变量xi的测量值,和是300个测量值中的最大值和最小值,为归一化处理后的向量;
所述模型输入向量Y中变量y的归一化按如下公式进行处理:
式中,是软测量模型输出变量y的测量值,和是的300个值中的最大值和最小值,为归一化处理后的变量;
随机选择和的2/3测量值作为训练样本,将训练样本的输入向量命名为输出向量命名为训练样本共200个;
随机选择和的1/3测量值作为测试样本,输入向量命名为输出向量命名为测试样本共100个;
2.2、BP神经网络训练赋初值
神经网络参数赋值为:3层神经网络,输入层设置10个输入节点,以k表示,k=1,2,···,10;中间隐层设置9输入节点,以j表示,j=1,2···,9;
输出层设置1个输出节点,训练次数上限设置600次。
训练步骤如下:
设m为训练样本序号m=1,2···,200,q为训练次数计算器,m与q的初值置为1,训练精度EMIN置为0.01,训练次数上限设为600次;
令wkj为输入层第k个输入节点至中间隐层第j个输入节点初始连接权值;表示其迭代初值;记为经q次训练后,经过修正的输入层第k个输入节点至中间隐层第j个输入节点连接权值;
令vj为中间隐层第j个输入节点至输出层连接权值;表示其迭代初值;为经q次训练后,经过修正的中间隐层第j个输入节点至输出层的连接权值;
令θj为中间隐层第j个输入节点至输出层的连接权值;表示其迭代初值;为经q次训练后,经过中间隐层第j个中间隐层节点的输出阈值;
令γ为输出层节点的输出阈值;γ(0)表示其迭代初值;γ(q)为经q次训练后,经过修正的输出层节点的输出阈值;
η为学习效率,是一个(0,1)范围的数值;
对连接权值和阈值γ(0)随机赋区间(-1,1)的初值,学习效率η设为0.5;
2.3、神经网络训练
随机选取第m组训练样本输入向量归一值提供给网络。m为训练样本序号,为第m个训练样本的输入向量归一值;
用训练样本输入变量归一值连接权值输出阈值计算中间层各单元的输入sj(m),计算中间层各单元的输出bj(m)。第m个训练样本第i个输入变量;利用中间层的输出bj(m)、连接权值γ(q-1)计算输出层各单元的输入L(m),然后利用通过传递函数计算输出层单元的输出变量sytrain(m),这是第m个训练样本的输出变量;
i=1,2,···,10,j=1,2···,9
2.4、计算各层误差
根据训练样本中的输出变量实际归一值和模型估算sytrain(m)计算输出层的单元一般化误差d(m),利用连接权输出层的一般化误差d(m)和中间隐层的输出bj(m)计算中间隐层各单元的一般误差ej(m);
2.5、调整各层权值
利用学习率η修正新的连接权值和阈值γ(q);
γ(q)=γ(q-1)+η×d(m) (14)
2.6、检查是否对所有样本完成一次轮训
若m≤200,m、q增1,再抽取下一组训练样本,返回步骤2.3;
若m>200则进行2.7;
2.7、检查软测量模型是否达到精度要求
计算全部训练样本的均方根误差Etrain并与设定训练精度EMIN比较;
若Etrain≤EMIN,进行步骤2.8,训练结束;保存各权值和阈值γ=γ(q);
若Etrain>EMIN,判断是否q≤600,若是则重置训练样本序号m=1返回步骤2.3;否则训练完成,训练结束,保存连接权值和阈值进行下一步;
2.8、给出软测量模型的测试误差;
将测试样本中的输入向量归一值提供给软测量模型作为输入值,第n个测试样本输入向量归一值,为第n个测试样本输入变量归一值;
用步骤2.7中训练好的连接权值wkj、vj和阈值θj、γ,按照步骤2.3计算得到测试样本的软测量模型输出变量sytest(n),sytest(n)为第n个测试样本软测量模型输出变量的计算值;
采用下式计算全部测试样本的均方根误差Etest,
为第n个测试样本输出变量;当Etest≤EMIN时,碳氧化因子软测量模型完成,保存连接权值wkj、vj和阈值θj、γ;
Etest>EMIN时,将已有连接权值wkj赋给神经网络模型做初值vj和阈值θj、γ也都相应赋初值;重置m=1,q=1,返回步骤2.3。
本发明的有益效果表现在:利用本发明的碳氧化因子在线软测量方法,可以实现不同煤种,不同工况下锅炉在线测量并计算锅炉燃煤碳氧化因子,形成有利于我国碳氧化因子排放的估算方法,对政府间气候变化委员会发布的相关碳排放系数进行修正,使结果更接近实际值,具有重要意义。同时实现了燃煤碳氧化因子在线测量,实时监测和控制锅炉碳燃烧情况。利用本装置系统和计算方法数据重复性好,可靠度高,费用低。
本发明不仅可以适用于锅炉燃煤碳氧化因子的计算,也可以用于与此相类似的情况中。
附图说明
图1是锅炉系统测量点示意图。
图2是碳氧化因子神经网络模型计算示意图。
图3是碳氧化因子在线软测量模型训练框图。
具体实施方式
下面结合附图对本发明做进一步说明。
参照图1~图3,一种发电锅炉燃煤碳氧化因子在线软测量方法,包括以下步骤:
第一步:在发电锅炉测量系统中选取软测量模型输入变量与输出变量的测量点,构建实验样本数据;
附图1是常见的发电锅炉流程图和本发明相关测量点位置说明。图中所示的测量点用于获取本发明中软测量模型所需的实验数据,15个测量点分为5类:
第1类是燃煤煤种性质参数,包括测量点1-收到基全水分Mar、2-收到基灰分Aar、3-收到基挥发分Var、4-收到基固定碳FCar、5-收到基低位发热量Qar;
第2类是锅炉性质参数,包括6-磨煤机给煤量M1,7-二次风总风压P2,8-一次风压P1,13-锅炉出口烟道气氧气的体积百分含量X1,14-除尘系统平均除尘效率η;
第3类是煤燃烧后测取的炉渣性质参数。包括9-炉渣产量G渣、10-炉渣平均含碳量C渣。
第4类是煤燃烧后的飞灰性质参数,包括11-飞灰产量G灰、12-飞灰平均含碳量C灰;
第5类是发电机组性质参数,包括15-汽轮发电机组的电功率W1;
各变量单位说明如下:
Mar-燃煤收到基全水分,wt%;
Aar-燃煤收到基灰分,wt%;
Var-燃煤收到基挥发分,wt%;
FCar-燃煤收到基固定碳,wt%;
Qar-燃煤收到基低位发热量,kJ/kg;
M1-磨煤机给煤量,ton;
P2-二次风总风压,kPa;
P1-一次风总风压,kPa;
X1-锅炉出口烟道气氧气的体积百分含量,%;
η灰除尘系统平均除尘效率,wt%。
G渣-炉渣产量,ton;
C渣-炉渣平均含碳量,%;
G灰-飞灰产量,ton;
C灰-飞灰平均含碳量,wt%;
W1-汽轮发电机组的电功率,MW;
发电锅炉碳氧化因子软测量模型的输入向量X包括10个变量;
X=[x1,x2,x3,x4,x5,x6,x7,x8,x9,x10]
分别对应测量点1-煤种的收到基全水分Mar、2-收到基灰分Aar、3-收到基挥发分Var、4-收到基固定碳FCar、5-收到基低位发热量Qar。6-磨煤机给煤量M1,7-二次风总风压P2,8-一次风压P1,13-锅炉出口烟道气氧气的体积百分含量X1,15-汽轮发电机组的电功率W1,共10个变量,因此模型输入向量写为:
X=[Mar,Aar,Var,FCar,Qar,P1,P2,M1,X1,W1]
发电锅炉碳氧化因子软测量模型的输出变量Y只有一维,为发电锅炉碳氧化因子OF,Y=[y]=[OF]。
OF公式按(2)计算,涉及测量点分别为9-炉渣产量G渣、10-炉渣平均含碳量C渣、11-飞灰产量G灰、12-飞灰平均含碳量C灰和14-除尘系统平均除尘效率η;
如附图2所示,上述输入输出向量可用于构建本发明中的软测量模型。
第二步:碳氧化因子在线软测量模型建立
碳氧化因子在线软测量模型建模与训练过程如下:
2.1、数据预处理
按第一步要求测量换算300组样本输入输出向量的实验值进行归一化处理,获取标准化样本集所述模型输入向量X中各变量xi的归一化按如下公式进行处理:
式中,是软测量模型输入向量X第i个输入变量xi的测量值,和是300个测量值中的最大值和最小值,为归一化处理后的向量;
所述模型输入向量Y中变量y的归一化按如下公式进行处理:
式中,是软测量模型输出变量y的测量值,和是的300个值中的最大值和最小值,为归一化处理后的变量;
随机选择和的2/3测量值作为训练样本,将训练样本的输入向量命名为输出向量命名为训练样本共200个;
随机选择和的1/3测量值作为测试样本,输入向量命名为输出向量命名为测试样本共100个;
2.2、BP神经网络训练赋初值
神经网络参数赋值为:3层神经网络,输入层设置10个输入节点,以k表示,k=1,2,···,10;中间隐层设置9输入节点,以j表示,j=1,2···,9;
输出层设置1个输出节点,训练次数上限设置600次。
训练步骤如下:
设m为训练样本序号m=1,2···,200,q为训练次数计算器,m与q的初值置为1,训练精度EMIN置为0.01,训练次数上限设为600次;
令wkj为输入层第k个输入节点至中间隐层第j个输入节点初始连接权值;表示其迭代初值;记为经q次训练后,经过修正的输入层第k个输入节点至中间隐层第j个输入节点连接权值;
令vj为中间隐层第j个输入节点至输出层连接权值;表示其迭代初值;为经q次训练后,经过修正的中间隐层第j个输入节点至输出层的连接权值;
令θj为中间隐层第j个输入节点至输出层的连接权值;表示其迭代初值;为经q次训练后,经过中间隐层第j个中间隐层节点的输出阈值;
令γ为输出层节点的输出阈值;γ(0)表示其迭代初值;γ(q)为经q次训练后,经过修正的输出层节点的输出阈值;
η为学习效率,是一个(0,1)范围的数值;
对连接权值和阈值γ(0)随机赋区间(-1,1)的初值。学习效率η设为0.5;
2.3、神经网络训练
随机选取第m组训练样本输入向量归一值提供给网络。m为训练样本序号,为第m个训练样本的输入向量归一值;
用训练样本输入变量归一值连接权值输出阈值计算中间层各单元的输入sj(m),计算中间层各单元的输出bj(m)。第m个训练样本第i个输入变量;利用中间层的输出bj(m)、连接权值γ(q-1)计算输出层各单元的输入L(m),然后利用通过传递函数计算输出层单元的输出变量sytrain(m),这是第m个训练样本的输出变量;
i=1,2,···,10,j=1,2···,9
2.4、计算各层误差
根据训练样本中的输出变量实际归一值和模型估算sytrain(m)计算输出层的单元一般化误差d(m),利用连接权输出层的一般化误差d(m)和中间隐层的输出bj(m)计算中间隐层各单元的一般误差ej(m);
2.5、调整各层权值
利用学习率η修正新的连接权值和阈值γ(q);
γ(q)=γ(q-1)+η×d(m) (14)
2.6、检查是否对所有样本完成一次轮训
若m≤200,m、q增1,再抽取下一组训练样本,返回步骤2.3;
若m>200则进行2.7;
2.7、检查软测量模型是否达到精度要求
计算全部训练样本的均方根误差Etrain并与设定训练精度EMIN比较;
若Etrain≤EMIN,进行步骤2.8,训练结束;保存各权值和阈值γ=γ(q);
若Etrain>EMIN,判断是否q≤600,若是则重置训练样本序号m=1返回步骤2.3;否则训练完成,训练结束,保存连接权值和阈值进行下一步;
2.8、给出软测量模型的测试误差;
将测试样本中的输入向量归一值提供给软测量模型作为输入值,第n个测试样本输入向量归一值,为第n个测试样本输入变量归一值;
用步骤2.7中训练好的连接权值wkj、vj和阈值θj、γ,按照步骤2.3计算得到测试样本的软测量模型输出变量sytest(n),sytest(n)为第n个测试样本软测量模型输出变量的计算值;
采用下式计算全部测试样本的均方根误差Etest,
为第n个测试样本输出变量;当Etest≤EMIN时,碳氧化因子软测量模型完成,保存连接权值wkj、vj和阈值θj、γ;
Etest>EMIN时,将已有连接权值wkj赋给神经网络模型做初值vj和阈值θj、γ也都相应赋初值;重置m=1,q=1,返回步骤2.3;
第三步:碳氧化因子在线软测量模型使用
建立发电锅炉燃煤碳氧化因子软测量模型后,如要在线测量某一操作条件下的燃煤碳氧化因子时,只需将以下各变量的测量数据赋给输入向量X:
1-煤种的收到基全水分Mar、2-收到基灰分Aar、3-收到基挥发分Var、4-收到基固定碳FCar、5-收到基低位发热量Qar,6-磨煤机给煤量M1,7-二次风总风压P2,8-一次风压P1,13-锅炉出口烟道气氧气的体积百分含量X1,15-汽轮发电机组的电功率W1,共10个变量。
X=[x1,x2,x3,x4,x5,x6,x7,x8,x9,x10]
对模型输入变量进行归一化处理,所述模型输入向量X中各变量xi的归一化按公式(3)进行处理:
其中xi是软测量模型输入向量X第i个输入变量,和是300组样本测量值中的最大值和最小值,sxi为xi归一化处理后的向量;
得到归一化后的输入向量:
SX=[sx1,sx2,sx3,sx4,sx5,sx6,sx7,sx8,sx9,sx10]
将归一化后的输入向量SX输入碳氧化因子在线软测量模型,由归一化后的输入变量sxi,训练好的连接权值wkj、vj和阈值θj、γ按步骤2.3计算得到软测量模型的输出变量sy,对输出变量按如下公式进行反归一化处理:
y=sy×(ymax-ymin)+ymin (17)
其中y是软测量模型输出变量的计算值,ymax和ymin是300组样本测量值中的最大值和最小值;
计算出来的y即是不同煤种在不同锅炉负荷下的碳氧化因子OF。
Claims (2)
1.一种发电锅炉燃煤碳氧化因子在线软测量方法,其特征在于,所述方法包括如下步骤:
第一步,在发电锅炉系统中选取15个测量获得软测量模型输入向量与输出向量,构建实验样本数据。15个发电锅炉的测点分为5类;
第1类是燃煤煤种性质参数,包括测量点1-收到基全水分Mar、2-收到基灰分Aar、3-收到基挥发分Var、4-收到基固定碳FCar、5-收到基低位发热量Qar;
第2类是锅炉性质参数:6-磨煤机给煤量P1,7-二次风总风压P2,8-一次风压M1,13-锅炉出口烟道气氧气的体积百分含量X1,14-除尘系统平均除尘效率η;
第3类是煤燃烧后测取的炉渣性质参数9-炉渣产量G渣、10-炉渣平均含碳量C渣;
第4类是煤燃烧后的飞灰性质参数11-飞灰产量G灰、12-飞灰平均含碳量C灰;
第5类是发电机组性质参数15-汽轮发电机组的电功率W1;
发电锅炉碳氧化因子软测量模型的输入变量包括1-煤种的收到基全水分Mar、2-收到基灰分Aar、3-收到基挥发分Var、4-收到基固定碳FCar、5-收到基低位发热量Qar,6-磨煤机给煤量M1,7-二次风总风压P2,8-一次风压P1,13-锅炉出口烟道气氧气的体积百分含量X1,15-汽轮发电机组的电功率W1,共10个变量;
这10个变量构成发电锅炉碳氧化因子软测量模型的输入向量X;
X=[x1,x2,x3,x4,x5,x6,x7,x8,x9,x10]
=[Mar,Aar,Var,FCar,Qar,P1,P2,M1,X1,W1]
发电锅炉碳氧化因子软测量模型的输出变量Y只有一维,为发电锅炉碳氧化因子OF,Y=[y]=[OF];
按下述公式计算OF,涉及测量点分别为9-炉渣产量G渣、10-炉渣平均含碳量C渣、11-飞灰产量G灰、12-飞灰平均含碳量C灰和14-除尘系统平均除尘效率η;
第二步,建立碳氧化因子在线软测量模型
碳氧化因子在线软测量模型建模与训练过程如下:
首先,数据预处理
按第一步要求测量换算300组样本输入输出向量的实验值进行归一化处理,获取标准化样本集所述模型输入向量X中各变量xi的归一化按如下公式进行处理:
式中,是软测量模型输入向量X第i个输入变量xi的测量值,和是300个测量值中的最大值和最小值,为归一化处理后的向量;
所述模型输入向量Y中变量y的归一化按如下公式进行处理:
式中,是软测量模型输出变量y的测量值,和是的300个值中的最大值和最小值,为归一化处理后的变量;
随机选择和的2/3测量值作为训练样本,将训练样本的输入向量命名为输出向量命名为训练样本共200个;
随机选择和的1/3测量值作为测试样本,输入向量命名为输出向量命名为测试样本共100个;
接着,碳氧化因子软测量模型训练
将训练样本的输入向量输出向量代入BP神经网络进行训练,采用3层神经网络,10个输入节点,9个隐层输入节点,1个输出节点,训练上限设置为600次,训练样本序号m和训练次数计算器q置为1,训练精度EMIN置为0.01,学习效率η设为0.5,连接初始权值和初始阈值γ(0)随机赋区间(-1,1)的初值,训练得到连接权值wkj、vj和阈值θj、γ;
最后,碳氧化因子软测量模型验证
将测试样本中的输入向量归一值提供给软测量模型作为输入值,用步骤(3)中训练好的连接权值wkj、vj和阈值θj、γ,计算得到测试样本的软测量模型输出变量sytest(n),sytest(n)为第n个测试样本软测量模型输出变量的计算值;
采用下式计算全部测试样本的均方根误差Etest,
当Etest≤EMIN时,碳氧化因子软测量模型完成,保存连接权值wkj、vj和阈值θj、γ。
Etest>EMIN时,和阈值γ(0)=γ,权值赋回模型做初值,重置m=1,q=1,返回进行碳氧化因子软测量模型训练;
第三步,碳氧化因子在线软测量模型使用
建立发电锅炉燃煤碳氧化因子软测量模型后,如要在线测量某一操作条件下的燃煤碳氧化因子时,只需将以下各变量的测量数据赋给输入向量X:
1-煤种的收到基全水分Mar、2-收到基灰分Aar、3-收到基挥发分Var、4-收到基固定碳FCar、5-收到基低位发热量Qar。6-磨煤机给煤量M1,7-二次风总风压P2,8-一次风压P1,13-锅炉出口烟道气氧气的体积百分含量X1,15-汽轮发电机组的电功率W1,共10个变量;
x=[x1,x2,x3,x4,x5,x6,x7,x8,x9,x10]
对模型输入变量进行归一化处理,所述模型输入向量X中各变量xi的归一化得到归一化后的输入向量:
SX=[sx1,sx2,sx3,sx4,sx5,sx6,sx7,sx8,sx9,sx10]
将归一化后的输入向量SX输入碳氧化因子在线软测量模型,由归一化后的输入变量sxi,训练好的连接权值wkj、vj和阈值θj、γ按步骤(3)计算得到软测量模型的输出变量sy,对输出变量按如下公式进行反归一化处理:
y=sy×(ymax-ymin)+ymin (17)
计算出来的y即是不同煤种在不同锅炉负荷下的碳氧化因子OF。
2.如权利要求1所述的一种发电锅炉燃煤碳氧化因子在线软测量方法,其特征在于,所述第二步中,碳氧化因子在线软测量模型建模与训练过程包括如下步骤:
2.1、数据预处理
按第一步要求测量换算300组样本输入输出向量的实验值进行归一化处理,获取标准化样本集所述模型输入向量X中各变量xi的归一化按如下公式进行处理:
式中,是软测量模型输入向量X第i个输入变量xi的测量值,和是300个测量值中的最大值和最小值,为归一化处理后的向量;
所述模型输入向量Y中变量y的归一化按如下公式进行处理:
式中,是软测量模型输出变量y的测量值,和是的300个值中的最大值和最小值,为归一化处理后的变量;
随机选择和的2/3测量值作为训练样本,将训练样本的输入向量命名为输出向量命名为训练样本共200个;
随机选择和的1/3测量值作为测试样本,输入向量命名为输出向量命名为测试样本共100个;
2.2、BP神经网络训练赋初值
神经网络参数赋值为:3层神经网络,输入层设置10个输入节点,以k表示,k=1,2,…,10;中间隐层设置9输入节点,以j表示,j=1,2…,9;
输出层设置1个输出节点,训练次数上限设置600次。
训练步骤如下:
设m为训练样本序号m=1,2…,200,q为训练次数计算器,m与q的初值置为1,训练精度EMIN置为0.01,训练次数上限设为600次;
令wkj为输入层第k个输入节点至中间隐层第j个输入节点初始连接权值;表示其迭代初值;记为经q次训练后,经过修正的输入层第k个输入节点至中间隐层第j个输入节点连接权值;
令vj为中间隐层第j个输入节点至输出层连接权值;表示其迭代初值;为经q次训练后,经过修正的中间隐层第j个输入节点至输出层的连接权值;
令θj为中间隐层第j个输入节点至输出层的连接权值;表示其迭代初值;为经q次训练后,经过中间隐层第j个中间隐层节点的输出阈值;
令γ为输出层节点的输出阈值;γ(0)表示其迭代初值;γ(q)为经q次训练后,经过修正的输出层节点的输出阈值;
η为学习效率,是一个(0,1)范围的数值;
对连接权值和阈值γ(0)随机赋区间(-1,1)的初值,学习效率η设为0.5;
2.3、神经网络训练
随机选取第m组训练样本输入向量归一值提供给网络。m为训练样本序号,为第m个训练样本的输入向量归一值;
用训练样本输入变量归一值连接权值输出阈值计算中间层各单元的输入sj(m),计算中间层各单元的输出bj(m)。第m个训练样本第i个输入变量;利用中间层的输出bj(m)、连接权值γ(q-1)计算输出层各单元的输入L(m),然后利用通过传递函数计算输出层单元的输出变量sytrain(m),这是第m个训练样本的输出变量;
2.4、计算各层误差
根据训练样本中的输出变量实际归一值和模型估算sytrain(m)计算输出层的单元一般化误差d(m),利用连接权输出层的一般化误差d(m)和中间隐层的输出bj(m)计算中间隐层各单元的一般误差ej(m);
2.5、调整各层权值
利用学习率η修正新的连接权值和阈值γ(q);
γ(q)=γ(q-1)+η×d(m) (14)
2.6、检查是否对所有样本完成一次轮训
若m≤200,m、q增1,再抽取下一组训练样本,返回步骤2.3;
若m>200则进行2.7;
2.7、检查软测量模型是否达到精度要求
计算全部训练样本的均方根误差Etrain并与设定训练精度EMIN比较;
若Etrain≤EMIN,进行步骤2.8,训练结束;保存各权值和阈值γ=γ(q);
若Etrain>EMIN,判断是否q≤600,若是则重置训练样本序号m=1返回步骤2.3;否则训练完成,训练结束,保存连接权值和阈值进行下一步;
2.8、给出软测量模型的测试误差;
将测试样本中的输入向量归一值提供给软测量模型作为输入值,第n个测试样本输入向量归一值,为第n个测试样本输入变量归一值;
用步骤2.7中训练好的连接权值wkj、vj和阈值θj、γ,按照步骤2.3计算得到测试样本的软测量模型输出变量sytest(n),sytest(n)为第n个测试样本软测量模型输出变量的计算值;
采用下式计算全部测试样本的均方根误差Etest,
为第n个测试样本输出变量;当Etest≤EMIN时,碳氧化因子软测量模型完成,保存连接权值wkj、vj和阈值θj、γ;
Etest>EMIN时,将已有连接权值wkj赋给神经网络模型做初值vj和阈值θj、γ也都相应赋初值;重置m=1,q=1,返回步骤2.3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811568194.XA CN109376501B (zh) | 2018-12-21 | 2018-12-21 | 一种发电锅炉燃煤碳氧化因子在线软测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811568194.XA CN109376501B (zh) | 2018-12-21 | 2018-12-21 | 一种发电锅炉燃煤碳氧化因子在线软测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109376501A true CN109376501A (zh) | 2019-02-22 |
CN109376501B CN109376501B (zh) | 2023-01-31 |
Family
ID=65371324
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811568194.XA Active CN109376501B (zh) | 2018-12-21 | 2018-12-21 | 一种发电锅炉燃煤碳氧化因子在线软测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109376501B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111753389A (zh) * | 2020-05-07 | 2020-10-09 | 江苏方天电力技术有限公司 | 一种燃煤锅炉入炉原煤热值在线软测量方法和装置 |
CN113640466A (zh) * | 2021-08-03 | 2021-11-12 | 广东电网有限责任公司 | 一种碳排放强度测量方法、设备及介质 |
CN116659437A (zh) * | 2023-08-01 | 2023-08-29 | 深圳市艾姆克斯科技有限公司 | 一种基于大数据的比对仪零件监测系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0665623A (ja) * | 1992-06-19 | 1994-03-08 | Kawasaki Steel Corp | 転炉吹錬中の溶鋼炭素濃度の推定方法 |
CN103759290A (zh) * | 2014-01-16 | 2014-04-30 | 广东电网公司电力科学研究院 | 大型燃煤机组在线监测与优化控制系统及其实现方法 |
CN104698149A (zh) * | 2015-03-20 | 2015-06-10 | 常州英集动力科技有限公司 | 一种燃煤锅炉煤质在线软测量方法及测量系统 |
CN106485051A (zh) * | 2016-09-13 | 2017-03-08 | 广东电网有限责任公司电力科学研究院 | 一种锅炉co2排放量计算方法及其系统 |
CN108760592A (zh) * | 2018-04-23 | 2018-11-06 | 西安理工大学 | 一种基于bp神经网络的飞灰含碳量在线测量方法 |
-
2018
- 2018-12-21 CN CN201811568194.XA patent/CN109376501B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0665623A (ja) * | 1992-06-19 | 1994-03-08 | Kawasaki Steel Corp | 転炉吹錬中の溶鋼炭素濃度の推定方法 |
CN103759290A (zh) * | 2014-01-16 | 2014-04-30 | 广东电网公司电力科学研究院 | 大型燃煤机组在线监测与优化控制系统及其实现方法 |
CN104698149A (zh) * | 2015-03-20 | 2015-06-10 | 常州英集动力科技有限公司 | 一种燃煤锅炉煤质在线软测量方法及测量系统 |
CN106485051A (zh) * | 2016-09-13 | 2017-03-08 | 广东电网有限责任公司电力科学研究院 | 一种锅炉co2排放量计算方法及其系统 |
CN108760592A (zh) * | 2018-04-23 | 2018-11-06 | 西安理工大学 | 一种基于bp神经网络的飞灰含碳量在线测量方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111753389A (zh) * | 2020-05-07 | 2020-10-09 | 江苏方天电力技术有限公司 | 一种燃煤锅炉入炉原煤热值在线软测量方法和装置 |
CN111753389B (zh) * | 2020-05-07 | 2022-06-24 | 江苏方天电力技术有限公司 | 一种燃煤锅炉入炉原煤热值在线软测量方法和装置 |
CN113640466A (zh) * | 2021-08-03 | 2021-11-12 | 广东电网有限责任公司 | 一种碳排放强度测量方法、设备及介质 |
CN116659437A (zh) * | 2023-08-01 | 2023-08-29 | 深圳市艾姆克斯科技有限公司 | 一种基于大数据的比对仪零件监测系统 |
CN116659437B (zh) * | 2023-08-01 | 2023-09-22 | 深圳市艾姆克斯科技有限公司 | 一种基于大数据的比对仪零件监测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109376501B (zh) | 2023-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109376501A (zh) | 一种发电锅炉燃煤碳氧化因子在线软测量方法 | |
CN106094755B (zh) | 一种基于大数据的燃气-蒸汽联合循环发电机组远程能效诊断方法 | |
CN103116344B (zh) | 一种锅炉在线监测管理系统 | |
Zou et al. | CO2 emissions, energy consumption, and economic growth nexus: evidence from 30 provinces in China | |
CN108954375B (zh) | 锅炉节煤控制方法 | |
CN106650068A (zh) | 一种预测燃煤电厂碳排放量的计算方法 | |
CN106228464A (zh) | 一种基于b/s架构的集团化火力发电企业碳排放控制方法 | |
CN105974793A (zh) | 一种电站锅炉燃烧智能控制方法 | |
CN104200089B (zh) | 一种测定平房燃煤大气污染物排放量的方法 | |
CN109557869A (zh) | 一种火电机组碳排放在线监测管理系统 | |
CN109492319B (zh) | 一种火电厂锅炉烟气含氧量软测量方法 | |
Yin et al. | A calculation method for CO2 emission in utility boilers based on BP neural network and carbon balance | |
Libao et al. | Prediction of CO2 emissions based on multiple linear regression analysis | |
CN112508226A (zh) | 一种火电厂煤场场损预测方法及系统 | |
CN103823971A (zh) | 一种燃煤电站锅炉烟气含氧量检测方法 | |
CN108197723B (zh) | 煤电机组供电煤耗与污染物排放的优化节能调度方法 | |
CN105318348A (zh) | 基于风煤比煤质校正的火电机组给煤量反馈校正方法 | |
CN107315908A (zh) | 一种燃煤锅炉燃烧效率在线快速计算方法 | |
CN108151834A (zh) | 一种用于工业炉、锅炉的传感器自检方法及系统 | |
CN109655489B (zh) | 一种燃煤机组标准煤耗的计量方法及装置 | |
CN101929684A (zh) | 混烧低热值煤气机组煤耗计算方法 | |
Xiao et al. | Performance analysis of gas turbine using hydrogen-added natural gas | |
Zheng et al. | Prediction of NOx concentration from coal combustion using LS-SVR | |
Sujatha et al. | Internet of things for flame monitoring power station boilers | |
CN111539615B (zh) | 一种基于深度学习的锅炉燃烧过程状态监测方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |