CN110410820A - 一种大数据自学习的燃料自动调节方法、系统及相关组件 - Google Patents
一种大数据自学习的燃料自动调节方法、系统及相关组件 Download PDFInfo
- Publication number
- CN110410820A CN110410820A CN201910695053.2A CN201910695053A CN110410820A CN 110410820 A CN110410820 A CN 110410820A CN 201910695053 A CN201910695053 A CN 201910695053A CN 110410820 A CN110410820 A CN 110410820A
- Authority
- CN
- China
- Prior art keywords
- steam generating
- generating capacity
- ton coal
- coal steam
- fuel
- 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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23N—REGULATING OR CONTROLLING COMBUSTION
- F23N1/00—Regulating fuel supply
-
- 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
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Control Of Steam Boilers And Waste-Gas Boilers (AREA)
Abstract
本申请公开了一种大数据自学习的燃料自动调节方法,包括:获取实际吨煤产汽率;根据实际吨煤产汽率计算预测吨煤产汽率;将预测吨煤产汽率作为PID调节器的比例控制值,以便PID调节器控制给煤机的燃料投入量。在实际应用中,采用本申请的方案,考虑到只要燃料的热值或者成分发生变化,都表现为吨煤产汽率的变化,该数值又代表的是PID的比例控制值,故直接计算得到的预测吨煤产汽率作为PID的比例控制值,使比例时刻在变化,可以自动适应燃料热值的变化,确保燃料自动投入的稳定性与适应性。本申请还公开了一种大数据自学习的燃料自动调节系统、装置及计算机可读存储介质,具有上述有益效果。
Description
技术领域
本申请涉及锅炉控制领域,特别是涉及一种大数据自学习的燃料自动调节方法、系统及相关组件。
背景技术
燃料自动调节是指根据锅炉出口蒸发量调节燃料投入量,现有的方案大多是采用固定的参数进行燃料自动调节,但是由于燃料热值以及成分不固定,且燃料热值目前很难在线测量,当燃煤热值发生变化时,固定的参数可能不适合当前的工况,自动调节就会出现欠调或者过调的问题。为解决上述问题,一般是采用手动输入燃料热值的方式来修正燃料调节,热值数据来自化学分析,不是在线自动输入,通过分析报告手动输入,间隔时间长,而且有偏差,无法实时、准确修正,导致现有的燃料自动调节效果较差。
因此,如何提供一种解决上述技术问题的方案是本领域技术人员目前需要解决的问题。
发明内容
本申请的目的是提供一种大数据自学习的燃料自动调节方法、系统、装置及计算机可读存储介质,可以自动适应燃料热值的变化,确保燃料自动投入的稳定性与适应性。
为解决上述技术问题,本申请提供了一种大数据自学习的燃料自动调节方法,包括:
获取实际吨煤产汽率;
根据所述实际吨煤产汽率计算预测吨煤产汽率;
将所述预测吨煤产汽率作为PID调节器的比例控制值,以便通过所述PID调节器控制给煤机的燃料投入量。
优选的,所述获取实际吨煤产汽率的过程具体为:
当满足获取条件时,获取实际吨煤产汽率;
其中,所述获取条件包括:
锅炉主蒸汽流量大于预设流量、燃料投入量信号达到与其对应的预设品质、主蒸汽流量信号达到与其对应的预设品质。
优选的,所述燃料投入量信号达到与其对应的预设品质具体为:
所述燃料投入量信号处于正常燃料投入量范围内,且所述燃料投入量信号的每秒变化率小于第一预设值;
相应的,所述主蒸汽流量信号达到与其对应的预设品质具体为:
所述主蒸汽流量信号处于正常主蒸汽流量范围内,且所述主蒸汽流量信号的每秒变化率小于第二预设值。
优选的,所述根据所述实际吨煤产汽率计算预测吨煤产汽率的过程具体为:
通过预测吨煤产汽率计算关系式计算预测吨煤产汽率,其中,所述预测吨煤产汽率计算关系式为:
YC为当前计算周期的预测吨煤产汽率,CZ为上一计算周期的预测吨煤产汽率,TM为预测采样时间长度,IN为所述实际吨煤产汽率,QX为所述实际吨煤产汽率的权重系数。
优选的,所述将所述预测吨煤产汽率作为PID调节器的比例控制值的过程具体为:
当所述预测吨煤产汽率处于正常吨煤产汽率的上限值和下限值之间时,将所述预测吨煤产汽率作为PID调节器的比例控制值。
优选的,该大数据自学习的燃料自动调节方法还包括:
当所述预测吨煤产汽率小于所述正常吨煤产汽率的下限值,将所述正常吨煤产汽率的下限值作为所述PID调节器的比例控制值;
当所述预测吨煤产汽率大于所述正常吨煤产汽率的上限值,将所述正常吨煤产汽率的上限值作为所述PID调节器的比例控制值。
为解决上述技术问题,本申请还提供了一种大数据自学习的燃料自动调节系统,包括:
获取模块,用于获取实际吨煤产汽率;
计算模块,用于根据所述实际吨煤产汽率计算预测吨煤产汽率;
调节模块,用于将所述预测吨煤产汽率作为PID调节器的比例控制值,以便通过所述PID调节器控制给煤机的燃料投入量。
优选的,所述获取模块具体用于:
当满足获取条件时,获取实际吨煤产汽率;
其中,所述获取条件包括:
锅炉主蒸汽流量大于预设流量、燃料投入量信号达到与其对应的预设品质、主蒸汽流量信号达到与其对应的预设品质。
为解决上述技术问题,本申请还提供了一种大数据自学习的燃料自动调节装置,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上文任意一项所述大数据自学习的燃料自动调节方法的步骤。
为解决上述技术问题,本申请还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上文任意一项所述大数据自学习的燃料自动调节方法的步骤。
本申请提出了一种大数据自学习的燃料自动调节方法,包括:获取实际吨煤产汽率;根据实际吨煤产汽率计算预测吨煤产汽率;将预测吨煤产汽率作为PID调节器的比例控制值,以便PID调节器控制给煤机的燃料投入量。在实际应用中,采用本申请的方案,考虑到只要燃料的热值或者成分发生变化,都表现为吨煤产汽率的变化,该数值又代表的是PID的比例控制值,故直接计算得到的预测吨煤产汽率作为PID的比例控制值,使比例时刻在变化,可以自动适应燃料热值的变化,确保燃料自动投入的稳定性与适应性。本申请还提供了一种大数据自学习的燃料自动调节系统、装置及计算机可读存储介质,具有和上述大数据自学习的燃料自动调节方法相同的有益效果。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对现有技术和实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请所提供的一种大数据自学习的燃料自动调节方法的步骤流程图;
图2为本申请所提供的一种大数据自学习的燃料自动调节系统的结构示意图。
具体实施方式
本申请的核心是提供一种大数据自学习的燃料自动调节方法、系统、装置及计算机可读存储介质,可以自动适应燃料热值的变化,确保燃料自动投入的稳定性与适应性。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
请参照图1,图1为本申请所提供的一种大数据自学习的燃料自动调节方法的步骤流程图,该大数据自学习的燃料自动调节方法包括:
步骤1:获取实际吨煤产汽率;
可以理解的是,只要燃料的热值或者成分发生变化,都表现为吨煤产汽率变化,因此,可以通过对吨煤产汽率进行分析,确定燃料的热值或者成分是否发生变化,吨煤产汽率通过锅炉出口蒸发量除以燃料投入量得到,燃料投入量和锅炉出口蒸发量均可在线测得,实际吨煤产汽率即为当前采样时刻的吨煤产汽率的瞬时值。
步骤2:根据实际吨煤产汽率计算预测吨煤产汽率;
具体的,可以通过预测吨煤产汽率计算关系式计算预测吨煤产汽率,其中,预测吨煤产汽率计算关系式为:
YC为当前计算周期的预测吨煤产汽率,CZ为上一计算周期的预测吨煤产汽率,TM为预测采样时间长度,IN为实际吨煤产汽率,QX为实际吨煤产汽率的权重系数。
具体的,QX一般根据当前煤种的特性来设定,QX越大,当前获取周期获取的数据就可以完全覆盖前一获取周期的数据,使计算得到的预测吨煤产汽率更精确,计算周期与吨煤产汽率的获取周期同步设置,为进一步保证预测吨煤产汽率的精准性以及本方案的适应性,可将计算周期与获取周期设置为1s。在第一次计算预测吨煤产汽率时,CZ的值是空的,因此,可以根据经验预先设定CZ的初始值,以便快速计算出预测吨煤产汽率。
具体的,TM为预测采样时间长度,一旦煤种发生变化,本申请的方案一般在TM/2时间就可以基本适应新煤种,在TM时间可以完全适应新煤种,TM一般可设置为30min,如果使用人工输入煤质分析的方法,则需要8小时,相较于现有技术,本申请对于煤种变化\燃料热值变化的适应性更强。
步骤3:将预测吨煤产汽率作为PID调节器的比例控制值,以便通过PID调节器控制给煤机的燃料投入量。
具体的,吨煤产汽率可以代表PID调节器的比例控制值,并将预测吨煤产汽率输入给PID的比例控制部分,使比例控制值时刻变换,以自动适应燃料热值/煤种的变化,确保燃料自动投入的稳定性与适应性。
具体的,PID调节器根据预测吨煤产汽率控制给煤机的转速,从而控制给煤机的燃料投入量,转速越大,燃料投入量越大,转速越小,燃料投入量越小。
本申请提出了一种大数据自学习的燃料自动调节方法,包括:获取实际吨煤产汽率;根据实际吨煤产汽率计算预测吨煤产汽率;将预测吨煤产汽率作为PID调节器的比例控制值,以便PID调节器控制给煤机的燃料投入量。在实际应用中,采用本申请的方案,考虑到只要燃料的热值或者成分发生变化,都表现为吨煤产汽率的变化,该数值又代表的是PID的比例控制值,故直接计算得到的预测吨煤产汽率作为PID的比例控制值,使比例时刻在变化,可以自动适应燃料热值的变化,确保燃料自动投入的稳定性与适应性。
在上述实施例的基础上:
作为一种优选的实施例,获取实际吨煤产汽率的过程具体为:
当满足获取条件时,获取实际吨煤产汽率;
其中,获取条件包括:
锅炉主蒸汽流量大于预设流量、燃料投入量信号达到与其对应的预设品质、主蒸汽流量信号达到与其对应的预设品质。
作为一种优选的实施例,燃料投入量信号达到与其对应的预设品质具体为:
燃料投入量信号处于正常燃料投入量范围内,且燃料投入量信号的每秒变化率小于第一预设值;
相应的,主蒸汽流量信号达到与其对应的预设品质具体为:
主蒸汽流量信号处于正常主蒸汽流量范围内,且主蒸汽流量信号的每秒变化率小于第二预设值。
具体的,为提高获取的实际吨煤产汽率的准确性,本申请在获取实际吨煤产汽率之前,先判断当前的工况是否满足获取条件,满足获取条件再获取实际吨煤产汽率,从根源上解决了错误数据的产生,达到剔除错误数据的目的,不满足获取条件时,预测计算自动暂停并保持输出值,避免采集错误数据导致预测数据失真。
具体的,获取条件包括:锅炉主蒸汽流量大于预设流量(30%)、燃料投入量信号达到与其对应的预设品质、主蒸汽流量信号达到与其对应的预设品质,如果均满足,再获取实际吨煤产汽率。其中,如果燃料投入量信号处于正常工作过程中的燃料投入量的上限值和下限值之间,且每秒的变化率未超标则说明燃料投入量信号达到预设品质,相应的,如果主蒸汽流量信号处于正常工作过程中的主蒸汽流量的上限值和下限值之间,且每秒的变化率未超标则说明主蒸汽流量信号达到预设品质。
进一步的,为提高自动化水平,本申请的方案可以通过自学习来实现,首先判断是否达到自学习启动条件,即本实施例中的获取条件,达到自学习启动条件则触发吨煤产汽率自学习,获取实际吨煤产汽率IN作为自学习的输入值,然后设定实际吨煤产汽率IN的权重QX,自学习公式为每秒钟学习一次,自学习结果即为预测吨煤产汽率,当自学习启动条件不成立时,学习自动停止,保持计算前一周期的值,自动剔除不希望学习的IN值,保证学习得到的YC值的准确性。
进一步的,本申请适用范围广,无论是循环流化床锅炉、煤粉炉、还是燃气锅炉,本申请均适用。
作为一种优选的实施例,将预测吨煤产汽率作为PID调节器的比例控制值的过程具体为:
当预测吨煤产汽率处于正常吨煤产汽率的上限值和下限值之间时,将预测吨煤产汽率作为PID调节器的比例控制值。
作为一种优选的实施例,该大数据自学习的燃料自动调节方法还包括:
当预测吨煤产汽率小于正常吨煤产汽率的下限值,将正常吨煤产汽率的下限值作为PID调节器的比例控制值;
当预测吨煤产汽率大于正常吨煤产汽率的上限值,将正常吨煤产汽率的上限值作为PID调节器的比例控制值。
具体的,为进一步确保燃料自动投入的稳定性,本申请对步骤2计算得到的预测吨煤产汽率进行安全限幅后,再输入给PID调节器。具体的,首先确定正常吨煤产汽率的上限值和下限值,上下限制可以根据煤质最好的吨煤产汽率和煤质最差的吨煤产汽率来确定,如果预测吨煤产汽率处于上限值和下限值之间,则直接将预测吨煤产汽率作为PID调节器的比例控制值,如果预测吨煤产汽率大于上限值,则以上限值作为PID调节器的比例控制值,如果预测吨煤产汽率小于下限值,则以下限值作为PID调节器的比例控制值。
综上所述,本申请通过一种加权平均的方式近似实现大数据的获取,自动辨识煤种的变换,进而反算自动调节参数,即计算一段时间的吨煤产汽率,通过吨煤产汽率直接调节PID的比例,本申请可以自动适应燃料热值的变换,保证参数自学习与自适应,从而保证燃料自动投入的稳定性与适应性。
请参照图2,图2为本申请所提供的一种大数据自学习的燃料自动调节系统的结构示意图,该大数据自学习的燃料自动调节系统包括:
获取模块1,用于获取实际吨煤产汽率;
计算模块2,用于根据实际吨煤产汽率计算预测吨煤产汽率;
调节模块3,用于将预测吨煤产汽率作为PID调节器的比例控制值,以便通过PID调节器控制给煤机的燃料投入量。
作为一种优选的实施例,获取模块1具体用于:
当满足获取条件时,获取实际吨煤产汽率;
其中,获取条件包括:
锅炉主蒸汽流量大于预设流量、燃料投入量信号达到与其对应的预设品质、主蒸汽流量信号达到与其对应的预设品质。
作为一种优选的实施例,燃料投入量信号达到与其对应的预设品质具体为:
燃料投入量信号处于正常燃料投入量范围内,且燃料投入量信号的每秒变化率小于第一预设值;
相应的,主蒸汽流量信号达到与其对应的预设品质具体为:
主蒸汽流量信号处于正常主蒸汽流量范围内,且主蒸汽流量信号的每秒变化率小于第二预设值。
作为一种优选的实施例,计算模块2具体用于:
通过预测吨煤产汽率计算关系式计算预测吨煤产汽率,其中,预测吨煤产汽率计算关系式为:
YC为当前计算周期的预测吨煤产汽率,CZ为上一计算周期的预测吨煤产汽率,TM为预测采样时间长度,IN为实际吨煤产汽率,QX为实际吨煤产汽率的权重系数。
作为一种优选的实施例,调节模块3具体用于:
当预测吨煤产汽率处于正常吨煤产汽率的上限值和下限值之间时,将预测吨煤产汽率作为PID调节器的比例控制值,以便通过PID调节器控制给煤机的燃料投入量。
作为一种优选的实施例,调节模块3还用于:
当预测吨煤产汽率小于正常吨煤产汽率的下限值,将正常吨煤产汽率的下限值作为PID调节器的比例控制值,以便通过PID调节器控制给煤机的燃料投入量;
当预测吨煤产汽率大于正常吨煤产汽率的上限值,将正常吨煤产汽率的上限值作为PID调节器的比例控制值,以便通过PID调节器控制给煤机的燃料投入量。
本申请所提供的一种大数据自学习的燃料自动调节系统,具有和上述大数据自学习的燃料自动调节方法相同的有益效果。
对于本申请所提供的一种大数据自学习的燃料自动调节系统的介绍请参照上述实施例,本申请在此不再赘述。
相应的,本申请还提供了一种大数据自学习的燃料自动调节装置,包括:
存储器,用于存储计算机程序;
处理器,用于执行计算机程序时实现如上文任意一项大数据自学习的燃料自动调节方法的步骤。
本申请所提供的一种大数据自学习的燃料自动调节装置,具有和上述大数据自学习的燃料自动调节方法相同的有益效果。
对于本申请所提供的一种大数据自学习的燃料自动调节装置的介绍请参照上述实施例,本申请在此不再赘述。
相应的,本申请还提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现如上文任意一项大数据自学习的燃料自动调节方法的步骤。
本申请所提供的一种计算机可读存储介质,具有和上述大数据自学习的燃料自动调节方法相同的有益效果。
对于本申请所提供的一种计算机可读存储介质的介绍请参照上述实施例,本申请在此不再赘述。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其他实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种大数据自学习的燃料自动调节方法,其特征在于,包括:
获取实际吨煤产汽率;
根据所述实际吨煤产汽率计算预测吨煤产汽率;
将所述预测吨煤产汽率作为PID调节器的比例控制值,以便通过所述PID调节器控制给煤机的燃料投入量。
2.根据权利要求1所述的大数据自学习的燃料自动调节方法,其特征在于,所述获取实际吨煤产汽率的过程具体为:
当满足获取条件时,获取实际吨煤产汽率;
其中,所述获取条件包括:
锅炉主蒸汽流量大于预设流量、燃料投入量信号达到与其对应的预设品质、主蒸汽流量信号达到与其对应的预设品质。
3.根据权利要求2所述的大数据自学习的燃料自动调节方法,其特征在于,所述燃料投入量信号达到与其对应的预设品质具体为:
所述燃料投入量信号处于正常燃料投入量范围内,且所述燃料投入量信号的每秒变化率小于第一预设值;
相应的,所述主蒸汽流量信号达到与其对应的预设品质具体为:
所述主蒸汽流量信号处于正常主蒸汽流量范围内,且所述主蒸汽流量信号的每秒变化率小于第二预设值。
4.根据权利要求1所述的大数据自学习的燃料自动调节方法,其特征在于,所述根据所述实际吨煤产汽率计算预测吨煤产汽率的过程具体为:
通过预测吨煤产汽率计算关系式计算预测吨煤产汽率,其中,所述预测吨煤产汽率计算关系式为:
YC为当前计算周期的预测吨煤产汽率,CZ为上一计算周期的预测吨煤产汽率,TM为预测采样时间长度,IN为所述实际吨煤产汽率,QX为所述实际吨煤产汽率的权重系数。
5.根据权利要求1所述的大数据自学习的燃料自动调节方法,其特征在于,所述将所述预测吨煤产汽率作为PID调节器的比例控制值的过程具体为:
当所述预测吨煤产汽率处于正常吨煤产汽率的上限值和下限值之间时,将所述预测吨煤产汽率作为PID调节器的比例控制值。
6.根据权利要求5所述的大数据自学习的燃料自动调节方法,其特征在于,该大数据自学习的燃料自动调节方法还包括:
当所述预测吨煤产汽率小于所述正常吨煤产汽率的下限值,将所述正常吨煤产汽率的下限值作为所述PID调节器的比例控制值;
当所述预测吨煤产汽率大于所述正常吨煤产汽率的上限值,将所述正常吨煤产汽率的上限值作为所述PID调节器的比例控制值。
7.一种大数据自学习的燃料自动调节系统,其特征在于,包括:
获取模块,用于获取实际吨煤产汽率;
计算模块,用于根据所述实际吨煤产汽率计算预测吨煤产汽率;
调节模块,用于将所述预测吨煤产汽率作为PID调节器的比例控制值,以便通过所述PID调节器控制给煤机的燃料投入量。
8.根据权利要求7所述的大数据自学习的燃料自动调节系统,其特征在于,所述获取模块具体用于:
当满足获取条件时,获取实际吨煤产汽率;
其中,所述获取条件包括:
锅炉主蒸汽流量大于预设流量、燃料投入量信号达到与其对应的预设品质、主蒸汽流量信号达到与其对应的预设品质。
9.一种大数据自学习的燃料自动调节装置,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1-6任意一项所述大数据自学习的燃料自动调节方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-6任意一项所述大数据自学习的燃料自动调节方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910695053.2A CN110410820B (zh) | 2019-07-30 | 2019-07-30 | 一种大数据自学习的燃料自动调节方法、系统及相关组件 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910695053.2A CN110410820B (zh) | 2019-07-30 | 2019-07-30 | 一种大数据自学习的燃料自动调节方法、系统及相关组件 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110410820A true CN110410820A (zh) | 2019-11-05 |
CN110410820B CN110410820B (zh) | 2021-03-09 |
Family
ID=68364199
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910695053.2A Active CN110410820B (zh) | 2019-07-30 | 2019-07-30 | 一种大数据自学习的燃料自动调节方法、系统及相关组件 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110410820B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101093075A (zh) * | 2007-06-25 | 2007-12-26 | 周振华 | 并列运行锅炉的母管压力自动平衡分配控制方法 |
CN101551103A (zh) * | 2009-04-30 | 2009-10-07 | 东莞德永佳纺织制衣有限公司 | 一种循环流化床锅炉燃烧自动控制系统 |
CN107525058A (zh) * | 2017-09-26 | 2017-12-29 | 杭州和利时自动化有限公司 | 一种锅炉燃料需求量确定方法、调节方法及系统 |
CN108490904A (zh) * | 2018-05-10 | 2018-09-04 | 东北大学 | 一种基于设备多工况运行的能源系统优化调度方法 |
-
2019
- 2019-07-30 CN CN201910695053.2A patent/CN110410820B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101093075A (zh) * | 2007-06-25 | 2007-12-26 | 周振华 | 并列运行锅炉的母管压力自动平衡分配控制方法 |
CN101551103A (zh) * | 2009-04-30 | 2009-10-07 | 东莞德永佳纺织制衣有限公司 | 一种循环流化床锅炉燃烧自动控制系统 |
CN107525058A (zh) * | 2017-09-26 | 2017-12-29 | 杭州和利时自动化有限公司 | 一种锅炉燃料需求量确定方法、调节方法及系统 |
CN108490904A (zh) * | 2018-05-10 | 2018-09-04 | 东北大学 | 一种基于设备多工况运行的能源系统优化调度方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110410820B (zh) | 2021-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102997222B (zh) | 一种锅炉汽包水位自适应pid控制方法 | |
EP2999076B1 (en) | System and method for controlling a power distribution network | |
Rogers et al. | A scalable low-cost solution to provide personalised home heating advice to households | |
CN109827004B (zh) | 对调节阀特性分析的方法及装置 | |
CN104075341B (zh) | 基于反馈的低氮燃烧控制方法和系统 | |
CN116031902B (zh) | 一种火电机组的调频控制方法及系统 | |
CN112182479B (zh) | 锅炉热效率在线计算方法、装置、可读介质及电子设备 | |
CN110410820A (zh) | 一种大数据自学习的燃料自动调节方法、系统及相关组件 | |
CN105955030A (zh) | 一种基于改进输入加权预测控制器的机炉协调控制方法 | |
CN112576326B (zh) | 一种火电机组滑压优化运行控制方法、装置及设备 | |
JPH03262924A (ja) | 発電プラント性能管理装置 | |
CN113885607B (zh) | 一种汽温控制方法、装置、电子设备和计算机存储介质 | |
CN109669486A (zh) | 一种控制器性能评价方法、装置、可读介质及电子设备 | |
CN116073394A (zh) | 一种svg机电暂态模型参数辨识方法及系统 | |
CN114370648A (zh) | 锅炉自动化控制方法与装置 | |
CN114910624A (zh) | 一种煤质在线检测信息管理系统 | |
CN108153258B (zh) | 一种火电机组运行稳定性量化判断的方法与装置 | |
CN112668751A (zh) | 一种机组优化调度模型的建立方法及装置 | |
CN111291463A (zh) | 一种新能源消纳空间电量求解方法和系统 | |
CN112361322A (zh) | 锅炉给水自动加氨装置及灰色预测前馈pid控制方法 | |
CN114321722B (zh) | 蒸汽管网的压力平衡方法、装置、存储介质以及处理器 | |
CN110445196A (zh) | 一种发电机组一次调频效果判断方法 | |
CN108983609A (zh) | 基于负载扰动的单入单出控制回路pi控制器优化方法 | |
Qingli et al. | Control system of the boiler water level based on normalized PID | |
CN111900730B (zh) | 一种输电通道热稳定限额区间在线计算方法和装置 |
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 |