CN110986085A - 基于配风方式优化的四角切圆锅炉燃烧优化控制方法 - Google Patents
基于配风方式优化的四角切圆锅炉燃烧优化控制方法 Download PDFInfo
- Publication number
- CN110986085A CN110986085A CN201911147027.2A CN201911147027A CN110986085A CN 110986085 A CN110986085 A CN 110986085A CN 201911147027 A CN201911147027 A CN 201911147027A CN 110986085 A CN110986085 A CN 110986085A
- Authority
- CN
- China
- Prior art keywords
- input
- model
- support vector
- moment
- fitting
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000002485 combustion reaction Methods 0.000 title claims abstract description 23
- 240000004282 Grewia occidentalis Species 0.000 title claims abstract description 18
- 239000013598 vector Substances 0.000 claims abstract description 47
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000012216 screening Methods 0.000 claims abstract description 9
- 239000000523 sample Substances 0.000 claims description 55
- 239000003245 coal Substances 0.000 claims description 49
- 239000000446 fuel Substances 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 22
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 10
- 239000001301 oxygen Substances 0.000 claims description 10
- 229910052760 oxygen Inorganic materials 0.000 claims description 10
- 230000002093 peripheral effect Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 6
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 5
- 239000003546 flue gas Substances 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 241000196324 Embryophyta Species 0.000 claims description 3
- 239000012468 concentrated sample Substances 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- NPPQSCRMBWNHMW-UHFFFAOYSA-N Meprobamate Chemical compound NC(=O)OCC(C)(CCC)COC(N)=O NPPQSCRMBWNHMW-UHFFFAOYSA-N 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 abstract description 72
- 238000010801 machine learning Methods 0.000 abstract description 3
- 238000011217 control strategy Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 27
- 238000012360 testing method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 3
- 230000009977 dual effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000003303 reheating Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23N—REGULATING OR CONTROLLING COMBUSTION
- F23N5/00—Systems for controlling combustion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Manufacturing & Machinery (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了基于配风方式优化的四角切圆锅炉燃烧优化控制方法，首先离线建模：筛选历史数据并进行数据拟合，建立支持向量回归机（SVR）初始模型；之后进行在线计算：利用精确在线支持向量回归机方法（AOSVR）对模型进行更新，根据更新后模型和所设置约束求解非线性规划，得到优化控制量。针对四角切圆锅炉控制变量较多的问题，本发明基于整体调整配风方式的思路，通过数据拟合的简化方法用形状参数代替控制量，整体优化控制量的分配方式，从而避免出现机器学习中“维数灾难”的问题，在保证精度的同时提高运算速度。结合该简化方法的优化控制策略能够在保证锅炉安全稳定运行的前提下，提高锅炉效率或降低氮氧化物排放。
Description
技术领域
本发明涉及基于配风方式优化的四角切圆锅炉燃烧优化控制方法，属于热工自动控制技术领域。
背景技术
近年来，随着环保要求的逐渐提高，电厂需要在保证燃烧效率和安全性的同时，尽可能降低污染物的排放。因此对锅炉燃烧过程进行优化日益成为研究的热点。目前实现燃烧优化主要采用基于数据的建模方法，即首先建立锅炉燃烧的非线性模型，然后构造与锅炉效率和氮氧化物(NOx)排放相关的性能指标，并利用寻优算法对运行参数进行优化计算。因此，建立精确、高效的非线性模型是实现燃烧优化控制的基础。
目前针对锅炉燃烧系统的建模大多采用数据驱动的机器学习方法，而这类方法普遍存在维数灾的问题。现有工作在燃烧系统建模时习惯将所有状态参数和可控变量都作为模型的输入变量，然而对于四角切圆锅炉而言，由于燃烧器和配风层数众多，往往造成所建模型存在20-30个输入变量，陷入“维数灾难问题”。随着数据集维度的增加，所需要的样本数量呈指数型增长，且数据的稀疏性也会变高，导致算法计算速度变慢、精度下降，给后期模型的在线更新和燃烧优化问题的在线求解造成了很大困难。
另一方面，现有工作一般不对模型进行在线更新，而锅炉燃烧系统受煤质变化等干扰因素影响较大，必须在模型失配严重时进行更新以保证模型的精度。
发明内容
本发明所要解决的技术问题是：提供基于配风方式优化的四角切圆锅炉燃烧优化控制方法，将控制量的形状参数代入模型，对控制量的分配方式进行整体调节。该方法可以在同等精度下减小模型输入量个数，提高运算速度，且兼具模型更新功能，具备自适应能力；优化方法能够提高锅炉效率或降低NOx排放。
本发明为解决上述技术问题采用以下技术方案：
基于配风方式优化的四角切圆锅炉燃烧优化控制方法，包括如下步骤：
步骤1，根据四角切圆锅炉结构，确定以下参数：燃尽风配置层数F1，周界风配置层数F2，二次风配置层数F3，给煤机台数T；
步骤2，利用厂级监控信息系统采集并筛选各个典型工况时刻下的运行数据，数据类别包括6类输入量以及3类输出量，其中，6类输入量为各层燃尽风门开度、各层周界风门开度、各层二次风门开度、各台给煤机给煤量、省煤器出口氧量定值、机组负荷，3类输出量为锅炉效率、再热汽温、脱硝系统入口NOx浓度；针对6类输入量的前4类输入量，对每类输入量进行二阶最小二乘拟合，在每一时刻得到三个拟合系数；
步骤3，分别针对锅炉效率、再热汽温、脱硝系统入口NOx浓度建立三个支持向量回归机模型，将步骤2得到的三个拟合系数代替输入量作为模型输入，对模型进行训练，得到初始支持向量回归机模型；模型输入和输出分别如下：
Inputeff＝[FXsofa(z),FXsur(z),FXsec(z),FXfuel(z),Xo2(z),Xload(z),Yeff(z)]
Outputeff＝[Yeff(z+1)]
Inputtem＝[FXsofa(z),FXsur(z),FXsec(z),FXfuel(z),Xo2(z),Xload(z),Ytem(z)]
Outputtem＝[Ytem(z+1)]
Inputnox＝[FXsofa(z),FXsur(z),FXsec(z),FXfuel(z),Xo2(z),Xload(z),Ynox(z)]
Outputnox＝[Ynox(z+1)]
其中，Inputeff、Outputeff分别表示锅炉效率支持向量回归机模型的输入、输出，Inputtem、Outputtem分别表示再热汽温支持向量回归机模型的输入、输出，Inputnox、Outputnox分别表示脱硝系统入口NOx浓度支持向量回归机模型的输入、输出，FXsofa(z)＝[AXsofa(z),BXsofa(z),CXsofa(z)]为第z时刻燃尽风门开度拟合系数，FXsur(z)＝[AXsur(z),BXsur(z),CXsur(z)]为第z时刻周界风门开度拟合系数，FXsec(z)＝[AXsec(z),BXsec(z),CXsec(z)]为第z时刻二次风门开度拟合系数，FXfuel(z)＝[AXfuel(z),BXfuel(z),CXfuel(z)]为第z时刻给煤机给煤量拟合系数，Xo2(z)为第z时刻省煤器出口烟气含氧量，Xload(z)为第z时刻机组负荷，Yeff(z)、Yeff(z+1)分别为第z和z+1时刻锅炉效率，Ytem(z)、Ytem(z+1)分别为第z和z+1时刻再热汽温，Ynox(z)、Ynox(z+1)分别为第z和z+1时刻脱硝系统入口NOx浓度；
步骤4，根据分散控制系统采集当前时刻的运行数据，数据类别与步骤2相同，采用与步骤2相同的方法对前4类输入量进行二阶最小二乘拟合，每个输入量都得到对应的拟合系数，将包含拟合系数在内的6类输入量分别代入三个初始支持向量回归机模型，得到锅炉效率、再热汽温、脱硝系统入口NOx浓度的预测值；
步骤5，将步骤4得到的锅炉效率、再热汽温、脱硝系统入口NOx浓度的预测值和各自对应的实测值作差，若差值大于等于预测误差阈值，则采用精确在线支持向量回归机方法对模型参数进行增量式在线更新，得到预测模型；若差值小于预测误差阈值，则将初始支持向量回归机模型作为预测模型；
步骤6，根据优化范围以及变化速率的设置值，结合前4类输入量参考折线，构建前4类输入量的约束不等式矩阵条件；
步骤7，利用预测控制的方法，结合步骤5得到的预测模型以及步骤6得到的约束不等式矩阵，根据目标函数求解带约束的非线性规划问题，求得一组满足约束不等式矩阵条件且使锅炉效率最高、NOx浓度最低的解，对其中前4类拟合系数进行反拟合，得到前4类输入量的实际优化指令，将所有优化输入量输出到分散控制系统；
步骤8，返回步骤4进行下一时刻的优化计算。
作为本发明的一种优选方案，步骤2所述针对6类输入量的前4类输入量，对每类输入量进行二阶最小二乘拟合，在每一时刻得到三个拟合系数，具体过程如下：
每类输入量二阶最小二乘拟合的拟合系数通过以下公式得到：
其中，t为风门或给煤机层数序号，n为该类输入量的配置层数，Xt为对应第t层风门或给煤机的实际开度，CX,BX,AX为拟合系数，Xt与拟合系数关系如下：
Xt＝AX·t2+BX·t+CX
对前4类输入量依次进行二阶最小二乘拟合，则各层燃尽风门开度
用[AXsofa,BXsofa,CXsofa]表示、各层周界风门开度
用[AXsur,BXsur,CXsur]表示、各层二次风门开度
用[AXsec,BXsec,CXsec]表示、各台给煤机给煤量
用[AXfuel,BXfuel,CXfuel]表示，F1为燃尽风配置层数，F2为周界风配置层数，F3为二次风配置层数，T为给煤机台数。
作为本发明的一种优选方案，所述步骤5的具体过程如下：
步骤5.1，设定当前时刻采集的运行数据即k时刻样本对应的拉格朗日乘子θc＝0；
步骤5.2，根据k时刻实测值y(k)与模型预测值yp(k)计算边缘函数h(k)：
h(k)＝yp(k)-y(k)
若|h(k)|≥Rg，则继续进行步骤5.3，Rg为所设置的预测误差阈值；
步骤5.3，采用初始支持向量回归机模型对步骤2采集的运行数据进行筛选，筛选出其中拉格朗日乘子的绝对值大于0的运行数据作为训练样本集，根据拉格朗日乘数法和KKT条件，将训练样本集分为如下三个子集：错误支持向量集E，边缘支持向量集S和保留支持向量集R，具体定义如下：
其中，r为训练样本集中样本的序号，lsv为训练样本集中样本的数量，θr为训练样本集中第r个样本对应的拉格朗日乘子，hr为第r个样本对应的边缘函数，ε为不敏感系数，C为惩罚系数，每个子集包含训练样本集的部分样本，记为
le、ls、lr为错误支持向量集E、边缘支持向量集S、保留支持向量集R包含的样本数量；
步骤5.4，根据下式确定每次迭代时θc的改变量Δθc的符号：
sign(Δθc)＝sign(-h(k))
同时对θc进行更新：θc＝θc+Δθc；
步骤5.5，根据下式对决策参数b以及S集中样本对应的拉格朗日乘子进行更新：
其中，Δb为决策参数增量，
为S集中样本对应的拉格朗日乘子增量，β根据下式得到：
其中，K(sp,sq)为S集中第p和第q个样本的核函数值，K(sp,c)为S集中第p个样本和k时刻样本c的核函数值，p＝1,…,ls，q＝1,…,ls，定义集合
根据下式对N集中样本的边缘函数进行更新：
其中，
为N集中样本对应的边缘函数，γ根据下式得到：
其中，K(nl,c)为N集中第l个样本和k时刻样本c的核函数值，K(nl,sp)为N集中第l个样本和S集中第p个样本的核函数值，l＝1,…,ln，p＝1,…,ls；
步骤5.6，将经步骤5.5更新后的模型参数代入初始支持向量回归机模型，对模型进行更新，计算模型更新后k时刻样本边缘函数h′(k)，对h′(k)进行判断：若h′(k)从|h′(k)|＞ε改变至|h′(k)|＝ε，则将k时刻样本加入S集作为支持向量，保存模型参数，结束更新算法；否则继续下一步骤；
步骤5.7，对θc进行判断，若|θc|≥C，模型参数恢复到更新前状态，结束更新算法，否则继续下一步骤；
步骤5.8，回到步骤5.4进行下一次的迭代，将更新后的模型参数代入计算。
作为本发明的一种优选方案，所述步骤6的具体过程如下：
步骤6.1，在每个时刻优化计算时，通过下式所示优化范围约束不等式确保输入量位于限值之内：
其中，max1(k),max2(k),…,maxn(k)分别为k时刻对应工况下第1到n个输入量的上限值，min1(k),min2(k),…,minn(k)分别为k时刻对应工况下第1到n个输入量的下限值，X1(k),X2(k),…,Xn(k)为k时刻对应工况下第1到n个输入量的实际开度大小，1,2,…,n为对应工况下输入量对应的序号，[AX(k),BX(k),CX(k)]为k时刻输入量二阶拟合后的拟合系数；
步骤6.2，通过下式所示的不等式对每个时刻输入量增量进行约束：
其中，X1(k-1),X2(k-1),…,Xn(k-1)为k-1时刻第1到n个输入量的实际开度大小，Δmax1(k),Δmax2(k),…,Δmaxn(k)分别为k时刻设置的第1到n个输入量增大速率，Δmin1(k),Δmin2(k),…,Δminn(k)分别为k时刻设置的第1到n个输入量减小速率；
步骤6.3，对步骤6.1和步骤6.2的不等式进行整合，最终构成输入量的调节上下限：
其中，
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
1、本发明基于二阶最小二乘拟合简化建模方法，对控制量分配方式进行整体调整。能够有效减少模型输入量，从而避免一般机器学习建模方法应用于四角切圆锅炉时，由于输入量过多造成的“维数灾难问题”，大幅度提高运算速度，且能够保证模型精度。
2、本发明基于精确在线支持向量回归机(AOSVR)的更新方法，在模型出现失配时能够及时更新模型，保证了模型的自适应能力，且出现新样本后该种增量式算法不需重新训练模型，提高了运算效率。
3、本发明控制方法应用在600MW四角切圆锅炉时，在保证各控制量处于合理范围内且各项指标正常的前提下，能够有效地提高锅炉效率或降低NOx排放浓度。
附图说明
图1是本发明基于配风方式优化的四角切圆锅炉燃烧优化控制方法的原理图。
图2是某个时刻以燃尽风门开度为例的二阶最小二乘拟合示意图。
图3(a)是本发明具体实施方式中NOx浓度预测模型的测试结果。
图3(b)是本发明具体实施方式中再热汽温预测模型的测试结果。
图3(c)是本发明具体实施方式中锅炉效率预测模型的测试结果。
图4为相近运行条件下采用实施例所述方法与传统控制方法的效果对比图。
具体实施方式
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
如图1所示，本发明基于配风方式优化的四角切圆锅炉燃烧优化控制方法，包括如下步骤：
S1：根据锅炉结构，确定以下参数：燃尽风配置层数F1,周界风配置层数F2，二次风配置层数F3，给煤机台数T；
S2：利用厂级监控信息(SIS)系统采集并筛选各个典型工况下的运行数据。数据类别包括6类输入量(各层燃尽风门开度
各层周界风门开度
各层二次风门开度
各台给煤机给煤量
省煤器出口氧量定值Xo2、机组负荷Xload)以及3类输出量(锅炉效率Yeff、再热汽温Ytem、脱硝系统入口NOx浓度Ynox)。针对前四类输入量进行二阶最小二乘拟合，在每一时刻得到三个拟合系数AX、BX和CX；
S2.1：二阶最小二乘拟合的拟合系数可以根据式(1)得到：
其中，t为风门或给煤机层数序号，按锅炉配置从上至下的顺序从1开始排列，Xt为对应第t层风门或给煤机的实际开度，n为该类控制量的配置层数，[CX,BX,AX]为拟合系数，控制量开度Xt与拟合系数关系如式(2)所示：
Xt＝AX·t2+BX·t+CX (2)
S2.2：按照式(1)求得的即步骤S2中[CX,BX,AX]，对前四类控制量依次进行二阶最小二乘拟合，则各层燃尽风门开度
可用[AXsofa,BXsofa,CXsofa]表示、各层周界风门开度
可用[AXsur,BXsur,CXsur]表示、各层二次风门开度
可用[AXsec,BXsec,CXsec]表示、各台给煤机给煤量
可用[AXfuel,BXfuel,CXfuel]表示。前四类控制量输入个数由F1+F2+F3+T减小至12。从物理意义上来看，通过该数据拟合的方法，将数量较多的单个控制量用抛物线形状参数[CX,BX,AX]来整体表示，从而将优化单个控制量的问题转为优化控制量的分配方式。
S3：利用步骤S2得到的拟合系数代替多个控制量开度作为模型输入，针对三个输出量建立三个支持向量回归机(SVR)模型，其模型输入和输出分别是：
Inputeff＝[FXsofa(z),FXsur(z),FXsec(z),FXfuel(z),Xo2(z),Xload(z),Yeff(z)]
Outputeff＝[Yeff(z+1)]
Inputtem＝[FXsofa(z),FXsur(z),FXsec(z),FXfuel(z),Xo2(z),Xload(z),Ytem(z)]
Outputtem＝[Ytem(z+1)]
Inputnox＝[FXsofa(z),FXsur(z),FXsec(z),FXfuel(z),Xo2(z),Xload(z),Ynox(z)]
Outputnox＝[Ynox(z+1)]
其中，FXsofa(z)＝[AXsofa(z),BXsofa(z),CXsofa(z)]为第z时刻燃尽风门开度拟合系数，FXsur(z)＝[AXsur(z),BXsur(z),CXsur(z)]为第z时刻周界风门开度拟合系数，FXsec(z)＝[AXsec(z),BXsec(z),CXsec(z)]为第z时刻二次风门开度拟合系数，FXfuel(z)＝[AXfuel(z),BXfuel(z),CXfuel(z)]为第z时刻给煤机给煤量拟合系数，Xo2(z)为第z时刻省煤器出口烟气含氧量，Xload(z)为第z时刻机组负荷，Yeff(z)、Yeff(z+1)分别为第z和z+1时刻锅炉效率，Ytem(z)、Ytem(z+1)分别为第z和z+1时刻再热汽温，Ynox(z)、Ynox(z+1)分别为第z和z+1时刻脱硝系统入口NOx浓度；
支持向量回归机(SVR)建立的模型根据式(3)得到：
其中，yp表示模型预测输出，K(xi,x)为核函数，拉格朗日乘子αi、αi *以及决策参数b由支持向量回归机原始问题的凸二次规划及其对偶优化问题求解得到，分别如式(4)、(5)所示：
其中，ξi,ξi *为上松弛因子和下松弛因子，ω为权向量，ε为不敏感系数，C为惩罚系数。根据对偶理论，式(4)可以转化成式(5)所示的对偶优化问题：
其中，核函数采用高斯径向基形式
σ为核参数。
分别针对锅炉效率、再热汽温和NOx浓度，建立式(3)所示的预测模型。筛选其中拉格朗日乘子|θii|＞0的作为支持向量，记为lsv，保存θii及其对应的训练样本(xii,yii)作为初始模型参数。
S4：根据分散控制(DCS)系统采集当前时刻的运行数据，采用与步骤S3相同的方法对前四类输入量进行二阶拟合，将包含拟合系数在内的模型输入分别代入三个模型，得到锅炉效率、再热汽温、NOx浓度的预测值；
预测输出的计算按式(6)所示：
其中，x(k)为第k时刻模型输入，yp(k)为第k时刻模型预测输出，lsv为筛选出的支持向量数，θii、xii和b为模型参数。
S5：将步骤S4中得到的三个模型预测值和实测值进行作差，若差值大于等于阈值，认为模型不满足精度要求，对模型参数采用精确在线支持向量回归机(AOSVR)的方法进行增量式在线更新；若差值小于阈值，则模型准确，不进行更新；
S5.1：初始设定新增样本(即当前时刻样本)对应的拉格朗日乘子θc＝0；
S5.2：根据k时刻(当前时刻)实测输出y(k)与模型预测输出yp(k)计算边缘函数h(k)：
h(k)＝yp(k)-y(k) (7)
若|h(k)|≥Rg，则继续进行步骤S5.2，Rg为所设置的预测误差阈值；
S5.3：根据拉格朗日乘数法和KKT条件，可以把训练样本集分为如下三个子集：错误支持向量集E，边缘支持向量集S和保留支持样本集R，具体定义如式(8)所示：
其中，r为训练样本集中样本的序号，θr为训练样本集中第r个样本对应的拉格朗日乘子，hr为第r个样本对应的边缘函数。按照式(8)对训练样本集进行划分，则每个子集包含训练样本集的部分样本，记为
S5.4：根据式(9)确定每次θc改变量Δθc的符号：
sign(Δθc)＝sign(-h(k)) (9)
并根据式(10)对θc进行改变：
θc＝θc+Δθc (10)
S5.5：根据式(11)对决策参数b以及S集中样本对应的拉格朗日乘子θ进行更新：
其中，Δb为决策参数增量，
为S集中样本对应的拉格朗日乘子增量，β根据式(12)得到：
其中，K(sp,sq)为S集中第p和第q个样本的核函数值。定义集合
根据式(13)对N集中样本的边缘函数进行更新：
其中，
为N集中样本对应的边缘函数，γ根据式(14)得到：
S5.6：将更新后的模型参数代入式(6)、(7)计算更新模型后的新增样本边缘函数h′(k)，对h′(k)进行判断：若h′(k)从|h′(k)|＞ε改变至|h′(k)|＝ε，则将新样本{x(k),y(k)}加入S集作为支持向量，保存模型参数，结束更新算法；否则继续下一步骤；
S5.7：对θc进行判断，若|θc|≥C，模型参数恢复到更新前状态，结束更新算法，否则继续下一步骤；
S5.8：回到步骤S5.4进行下一次的迭代，将更新后的模型参数代入计算。
S6：根据优化范围以及变化速率的设置值，结合历史数据寻优和前期试验得到的各控制量参考折线，构建约束不等式矩阵；
S6.1：为保证优化控制量处于合理且安全的范围内，通过前期试验以及历史数据寻优，确定每个控制量的在不同工况的参考开度值，在此基础上加减优化范围设置值，即可得到各控制量的上下限值，记为max和min。在每个时刻优化计算时，通过式(15)所示优化范围约束不等式确保控制量位于限值之内：
其中，[max1(k),max2(k),…,maxn(k)]、[min1(k),min2(k),…,minn(k)]分别为k时刻对应工况下第1到n个控制量的上下限值，[X1(k),X2(k),…,Xn(k)]为k时刻控制量实际开度大小，[1,2,…,n]为控制量对应的序号，[AX(k),BX(k),CX(k)]为k时刻控制量二阶拟合后的拟合系数；
S6.2：为了避免控制量出现大幅度的频繁调节，通过式(16)所示的不等式对每个时刻控制量增量进行约束：
其中，[X1(k-1),X2(k-1),…,Xn(k-1)]为k-1时刻控制量实际开度大小，[Δmax1(k),Δmax2(k),…,Δmaxn(k)]、[Δmin1(k),Δmin2(k),…,Δminn(k)]分别为k时刻设置的第1到n个控制量增大和减小速率；
S6.3：两种约束不等式形式一致，分别对式(15)、(16)的两边进行取大取小，最终构成控制量的调节上下限，如式(17)所示：
其中，控制量上下限UpLimit、LowLimit由式(15)优化范围约束与式(16)速率约束比较得到，如式(18)、(19)所示：
S7：利用预测控制的方法，结合步骤S5中得到的预测模型以及步骤S6中得到的约束条件，根据目标函数求解带约束的非线性规划问题，求得一组满足约束且使目标函数最小的解，对其中前四类拟合系数进行反拟合，得到四类控制量的实际优化指令，将所有优化控制量输出到DCS；
S7.1：确定目标函数：
其中，P为预测步长，YPeff(w)、YPnox(w)、YPtem(w)分别为第w步根据模型预测所得锅炉效率、NOx浓度和再热汽温，
为模型输入中的控制变量，包括燃尽风、周界风、二级风、给煤量的拟合系数以及省煤器出口烟气含氧量设定值，α1、α2为目标函数中锅炉效率和NOx浓度的权重，uplimittem和lowlimittem为所设置的再热汽温上下限值；
S7.2：结合式(17)、(20)，求解带约束的非线性优化问题，得到未来M个时刻的优化控制变量输出，取第一项作为当前时刻最优解；
S7.3：根据式(21)对最优解中的四组拟合系数进行反拟合，得到燃尽风、周界风、二级风、给煤量的实际优化指令
并将其输出到DCS系统对锅炉进行控制：
S8：进行下一时刻的优化计算，回到步骤S4。
实施例：某600MW机组采用由上海锅炉厂制造的SG-2028/17.5-M908型锅炉，亚临界参数、四角切向燃烧方式、一次中间再热、单炉膛平衡通风、固态排渣、紧身封闭、全钢构架的π型汽包炉。配置6台中速磨煤机A-F，其中5台运行，1台备用。给煤机台数T＝6，燃尽风层数F1＝7，周界风层数F2＝6，二次风层数F3＝7。
步骤1：从SIS系统中筛选各典型工况下的运行数据共计500组，具体运行数据包括表1所示模型输入量以及锅炉效率、脱硝系统(SCR)入口NOx浓度、再热汽温三项输出。对燃尽风、周界风、二次风和给煤量四类控制量进行最小二乘拟合，将得到的拟合系数与省煤器出口氧量定值、机组负荷构成训练样本集，如表2所示。某时刻燃尽风门拟合示意图如图2所示。
表1运行数据
| 1层燃尽风开度 | AA层二次风开度 | A层周界风开度 | A层给煤量 |
| 2层燃尽风开度 | AB层二次风开度 | B层周界风开度 | B层给煤量 |
| 3层燃尽风开度 | BC层二次风开度 | C层周界风开度 | C层给煤量 |
| 4层燃尽风开度 | CD层二次风开度 | D层周界风开度 | D层给煤量 |
| 5层燃尽风开度 | DE层二次风开度 | E层周界风开度 | E层给煤量 |
| 6层燃尽风开度 | EF层二次风开度 | F层周界风开度 | F层给煤量 |
| 7层燃尽风开度 | FF层二次风开度 | 省煤器出口氧量定值 | 机组负荷 |
表2简化后数据样本集
步骤2：利用步骤1得到的训练样本集，利用SVR的方法求取模型参数，并添加AOSVR在线更新功能，误差阈值设置为Reff＝0.05％，Rtem＝0.5℃，Rnox＝5mg/Nm3。选取另外30000组样本测试模型精度，图3(a)、图3(b)、图3(c)为其中4000组样本的测试结果。从图中可以看出，模型精度较高，且在参数波动时能够及时更新模型，在变工况条件下也具有较好的预测能力。
步骤3：从DCS系统中读取当前时刻表1中变量以及锅炉效率、SCR入口NOx浓度、再热汽温三项输出的数据。燃尽风、周界风、二次风和给煤量四类控制量进行最小二乘拟合，将得到的拟合系数与烟气含氧量定值、机组负荷构成样本集，分别代入模型预测当前时刻输出值。
步骤4：将当前时刻模型预测输出与实际输出比较，在模型偏差大于阈值时利用AOSVR的方法对模型进行更新。该实施例中锅炉效率、再热汽温、NOx浓度阈值的取值分别为Reff＝0.05％,Rtem＝0.5℃,Rnox＝5mg/Nm3。
步骤5：根据历史数据寻优以及前期试验得到各控制量与机组负荷的参考折线，结合设置的优化范围和速率约束大小构建约束不等式阵。下面以燃尽风门为例说明确定约束的具体步骤，其他控制量处理方法类似。
燃尽风门参考折线以及设置的约束参量如表3所示：
表3燃尽风门参考折线及约束参量
其中，fsofa1(k),fsofa2(k),…,fsofa7(k)为七层燃尽风在k时刻的参考开度值，Xload(k)为k时刻机组负荷。由燃尽风门开度拟合系数AXsofa(k),BXsofa(k),CXsofa(k)以及上表参数可以得到下式所示的约束不等式阵。
其中，风门开度上下限UpLimit,LowLimit由优化范围约束与速率约束比较得到，如下式所示：
步骤6：利用预测控制的方法，结合预测模型以及约束不等式阵，根据下式目标函数求解带约束的非线性规划问题，求得一组满足约束且使目标函数最小的解，对其中前四类进行简化的控制量拟合系数进行反拟合，得到四类控制量实际优化指令，将所有优化控制量输出到DCS。
其中，P为预测步长，此实施例中取20，YPeff(j)、YPnox(j)、YPtem(j)分别为第j步根据模型预测所得锅炉效率、NOx浓度和再热汽温，α1、α2为目标函数中锅炉效率和NOx浓度的权重，此实施例中分别取10和1，uplimittem和lowlimittem为所设置的再热汽温上下限值，此实施例中分别取500℃和550℃。
步骤7：进行下一时刻计算，回到步骤3。
如图4所示，为燃烧优化投运时段与相似工况下非投运时段锅炉效率、再热汽温和SCR入口NOx浓度的对比图。两个时间段在时间上接近，负荷与煤质等运行调节基本一致。由于该时段系统优化目标为锅炉效率，从图中可以看出，锅炉效率有较大提高，提高幅度介于0.5％至0.8％，NOx浓度和再热汽温均处于合理范围内。
以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。
Claims (4)
1.基于配风方式优化的四角切圆锅炉燃烧优化控制方法，其特征在于，包括如下步骤：
步骤1，根据四角切圆锅炉结构，确定以下参数：燃尽风配置层数F1，周界风配置层数F2，二次风配置层数F3，给煤机台数T；
步骤2，利用厂级监控信息系统采集并筛选各个典型工况时刻下的运行数据，数据类别包括6类输入量以及3类输出量，其中，6类输入量为各层燃尽风门开度、各层周界风门开度、各层二次风门开度、各台给煤机给煤量、省煤器出口氧量定值、机组负荷，3类输出量为锅炉效率、再热汽温、脱硝系统入口NOx浓度；针对6类输入量的前4类输入量，对每类输入量进行二阶最小二乘拟合，在每一时刻得到三个拟合系数；
步骤3，分别针对锅炉效率、再热汽温、脱硝系统入口NOx浓度建立三个支持向量回归机模型，将步骤2得到的三个拟合系数代替输入量作为模型输入，对模型进行训练，得到初始支持向量回归机模型；模型输入和输出分别如下：
Inputeff＝[FXsofa(z),FXsur(z),FXsec(z),FXfuel(z),Xo2(z),Xload(z),Yeff(z)]
Outputeff＝[Yeff(z+1)]
Inputtem＝[FXsofa(z),FXsur(z),FXsec(z),FXfuel(z),Xo2(z),Xload(z),Ytem(z)]
Outputtem＝[Ytem(z+1)]
Inputnox＝[FXsofa(z),FXsur(z),FXsec(z),FXfuel(z),Xo2(z),Xload(z),Ynox(z)]
Outputnox＝[Ynox(z+1)]
其中，Inputeff、Outputeff分别表示锅炉效率支持向量回归机模型的输入、输出，Inputtem、Outputtem分别表示再热汽温支持向量回归机模型的输入、输出，Inputnox、Outputnox分别表示脱硝系统入口NOx浓度支持向量回归机模型的输入、输出，FXsofa(z)＝[AXsofa(z),BXsofa(z),CXsofa(z)]为第z时刻燃尽风门开度拟合系数，FXsur(z)＝[AXsur(z),BXsur(z),CXsur(z)]为第z时刻周界风门开度拟合系数，FXsec(z)＝[AXsec(z),BXsec(z),CXsec(z)]为第z时刻二次风门开度拟合系数，FXfuel(z)＝[AXfuel(z),BXfuel(z),CXfuel(z)]为第z时刻给煤机给煤量拟合系数，Xo2(z)为第z时刻省煤器出口烟气含氧量，Xload(z)为第z时刻机组负荷，Yeff(z)、Yeff(z+1)分别为第z和z+1时刻锅炉效率，Ytem(z)、Ytem(z+1)分别为第z和z+1时刻再热汽温，Ynox(z)、Ynox(z+1)分别为第z和z+1时刻脱硝系统入口NOx浓度；
步骤4，根据分散控制系统采集当前时刻的运行数据，数据类别与步骤2相同，采用与步骤2相同的方法对前4类输入量进行二阶最小二乘拟合，每个输入量都得到对应的拟合系数，将包含拟合系数在内的6类输入量分别代入三个初始支持向量回归机模型，得到锅炉效率、再热汽温、脱硝系统入口NOx浓度的预测值；
步骤5，将步骤4得到的锅炉效率、再热汽温、脱硝系统入口NOx浓度的预测值和各自对应的实测值作差，若差值大于等于预测误差阈值，则采用精确在线支持向量回归机方法对模型参数进行增量式在线更新，得到预测模型；若差值小于预测误差阈值，则将初始支持向量回归机模型作为预测模型；
步骤6，根据优化范围以及变化速率的设置值，结合前4类输入量参考折线，构建前4类输入量的约束不等式矩阵条件；
步骤7，利用预测控制的方法，结合步骤5得到的预测模型以及步骤6得到的约束不等式矩阵，根据目标函数求解带约束的非线性规划问题，求得一组满足约束不等式矩阵条件且使锅炉效率最高、NOx浓度最低的解，对其中前4类拟合系数进行反拟合，得到前4类输入量的实际优化指令，将所有优化输入量输出到分散控制系统；
步骤8，返回步骤4进行下一时刻的优化计算。
2.根据权利要求1所述基于配风方式优化的四角切圆锅炉燃烧优化控制方法，其特征在于，步骤2所述针对6类输入量的前4类输入量，对每类输入量进行二阶最小二乘拟合，在每一时刻得到三个拟合系数，具体过程如下：
每类输入量二阶最小二乘拟合的拟合系数通过以下公式得到：
其中，t为风门或给煤机层数序号，n为该类输入量的配置层数，Xt为对应第t层风门或给煤机的实际开度，CX,BX,AX为拟合系数，Xt与拟合系数关系如下：
Xt＝AX·t2+BX·t+CX
对前4类输入量依次进行二阶最小二乘拟合，则各层燃尽风门开度
用[AXsofa,BXsofa,CXsofa]表示、各层周界风门开度
用[AXsur,BXsur,CXsur]表示、各层二次风门开度
用[AXsec,BXsec,CXsec]表示、各台给煤机给煤量
用[AXfuel,BXfuel,CXfuel]表示，F1为燃尽风配置层数，F2为周界风配置层数，F3为二次风配置层数，T为给煤机台数。
3.根据权利要求1所述基于配风方式优化的四角切圆锅炉燃烧优化控制方法，其特征在于，所述步骤5的具体过程如下：
步骤5.1，设定当前时刻采集的运行数据即k时刻样本对应的拉格朗日乘子θc＝0；
步骤5.2，根据k时刻实测值y(k)与模型预测值yp(k)计算边缘函数h(k)：
h(k)＝yp(k)-y(k)
若|h(k)|≥Rg，则继续进行步骤5.3，Rg为所设置的预测误差阈值；
步骤5.3，采用初始支持向量回归机模型对步骤2采集的运行数据进行筛选，筛选出其中拉格朗日乘子的绝对值大于0的运行数据作为训练样本集，根据拉格朗日乘数法和KKT条件，将训练样本集分为如下三个子集：错误支持向量集E，边缘支持向量集S和保留支持向量集R，具体定义如下：
其中，r为训练样本集中样本的序号，lsv为训练样本集中样本的数量，θr为训练样本集中第r个样本对应的拉格朗日乘子，hr为第r个样本对应的边缘函数，ε为不敏感系数，C为惩罚系数，每个子集包含训练样本集的部分样本，记为
le、ls、lr为错误支持向量集E、边缘支持向量集S、保留支持向量集R包含的样本数量；
步骤5.4，根据下式确定每次迭代时θc的改变量Δθc的符号：
sign(Δθc)＝sign(-h(k))
同时对θc进行更新：θc＝θc+Δθc；
步骤5.5，根据下式对决策参数b以及S集中样本对应的拉格朗日乘子进行更新：
其中，Δb为决策参数增量，
为S集中样本对应的拉格朗日乘子增量，β根据下式得到：
其中，K(sp,sq)为S集中第p和第q个样本的核函数值，K(sp,c)为S集中第p个样本和k时刻样本c的核函数值，p＝1,…,ls，q＝1,…,ls，定义集合
根据下式对N集中样本的边缘函数进行更新：
其中，
为N集中样本对应的边缘函数，γ根据下式得到：
其中，K(nl,c)为N集中第l个样本和k时刻样本c的核函数值，K(nl,sp)为N集中第l个样本和S集中第p个样本的核函数值，l＝1,…,ln，p＝1,…,ls；
步骤5.6，将经步骤5.5更新后的模型参数代入初始支持向量回归机模型，对模型进行更新，计算模型更新后k时刻样本边缘函数h′(k)，对h′(k)进行判断：若h′(k)从|h′(k)|＞ε改变至|h′(k)|＝ε，则将k时刻样本加入S集作为支持向量，保存模型参数，结束更新算法；否则继续下一步骤；
步骤5.7，对θc进行判断，若|θc|≥C，模型参数恢复到更新前状态，结束更新算法，否则继续下一步骤；
步骤5.8，回到步骤5.4进行下一次的迭代，将更新后的模型参数代入计算。
4.根据权利要求1所述基于配风方式优化的四角切圆锅炉燃烧优化控制方法，其特征在于，所述步骤6的具体过程如下：
步骤6.1，在每个时刻优化计算时，通过下式所示优化范围约束不等式确保输入量位于限值之内：
其中，max1(k),max2(k),…,maxn(k)分别为k时刻对应工况下第1到n个输入量的上限值，min1(k),min2(k),…,minn(k)分别为k时刻对应工况下第1到n个输入量的下限值，X1(k),X2(k),…,Xn(k)为k时刻对应工况下第1到n个输入量的实际开度大小，1,2,…,n为对应工况下输入量对应的序号，[AX(k),BX(k),CX(k)]为k时刻输入量二阶拟合后的拟合系数；
步骤6.2，通过下式所示的不等式对每个时刻输入量增量进行约束：
其中，X1(k-1),X2(k-1),…,Xn(k-1)为k-1时刻第1到n个输入量的实际开度大小，Δmax1(k),Δmax2(k),…,Δmaxn(k)分别为k时刻设置的第1到n个输入量增大速率，Δmin1(k),Δmin2(k),…,Δminn(k)分别为k时刻设置的第1到n个输入量减小速率；
步骤6.3，对步骤6.1和步骤6.2的不等式进行整合，最终构成输入量的调节上下限：
其中，
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911147027.2A CN110986085B (zh) | 2019-11-21 | 2019-11-21 | 基于配风方式优化的四角切圆锅炉燃烧优化控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911147027.2A CN110986085B (zh) | 2019-11-21 | 2019-11-21 | 基于配风方式优化的四角切圆锅炉燃烧优化控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110986085A true CN110986085A (zh) | 2020-04-10 |
| CN110986085B CN110986085B (zh) | 2021-07-27 |
Family
ID=70085524
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911147027.2A Active CN110986085B (zh) | 2019-11-21 | 2019-11-21 | 基于配风方式优化的四角切圆锅炉燃烧优化控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110986085B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111459030A (zh) * | 2020-04-16 | 2020-07-28 | 南京英璞瑞自动化科技有限公司 | 一种用于锅炉闭环燃烧优化的自适应建模方法 |
| CN112699600A (zh) * | 2020-12-23 | 2021-04-23 | 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 | 火电运行参数与NOx排放浓度间的偏回分析方法 |
| 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 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0886408A (ja) * | 1994-09-20 | 1996-04-02 | Babcock Hitachi Kk | 硫黄含有燃料の燃焼方法 |
| US20090125155A1 (en) * | 2007-11-08 | 2009-05-14 | Thomas Hill | Method and System for Optimizing Industrial Furnaces (Boilers) through the Application of Recursive Partitioning (Decision Tree) and Similar Algorithms Applied to Historical Operational and Performance Data |
| CN102032590A (zh) * | 2010-12-31 | 2011-04-27 | 北京华电天仁电力控制技术有限公司 | 基于精确测量系统的锅炉燃烧优化控制系统和优化控制方法 |
| CN104061589A (zh) * | 2014-07-17 | 2014-09-24 | 烟台龙源电力技术股份有限公司 | 适应煤质变化的低氮燃烧控制方法和装置 |
| CN104715142A (zh) * | 2015-02-06 | 2015-06-17 | 东南大学 | 一种电站锅炉NOx排放动态软测量方法 |
| CN104763999A (zh) * | 2015-03-04 | 2015-07-08 | 内蒙古瑞特优化科技股份有限公司 | 电厂煤粉锅炉燃烧性能在线优化方法和系统 |
| CN105148727A (zh) * | 2015-10-10 | 2015-12-16 | 广东电网有限责任公司电力科学研究院 | 燃煤发电机组脱硝优化控制方法和系统 |
| US20180024509A1 (en) * | 2016-07-25 | 2018-01-25 | General Electric Company | System modeling, control and optimization |
| CN107657104A (zh) * | 2017-09-20 | 2018-02-02 | 浙江浙能台州第二发电有限责任公司 | 基于在线支持向量机的锅炉燃烧系统动态建模方法 |
-
2019
- 2019-11-21 CN CN201911147027.2A patent/CN110986085B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0886408A (ja) * | 1994-09-20 | 1996-04-02 | Babcock Hitachi Kk | 硫黄含有燃料の燃焼方法 |
| US20090125155A1 (en) * | 2007-11-08 | 2009-05-14 | Thomas Hill | Method and System for Optimizing Industrial Furnaces (Boilers) through the Application of Recursive Partitioning (Decision Tree) and Similar Algorithms Applied to Historical Operational and Performance Data |
| CN102032590A (zh) * | 2010-12-31 | 2011-04-27 | 北京华电天仁电力控制技术有限公司 | 基于精确测量系统的锅炉燃烧优化控制系统和优化控制方法 |
| CN104061589A (zh) * | 2014-07-17 | 2014-09-24 | 烟台龙源电力技术股份有限公司 | 适应煤质变化的低氮燃烧控制方法和装置 |
| CN104715142A (zh) * | 2015-02-06 | 2015-06-17 | 东南大学 | 一种电站锅炉NOx排放动态软测量方法 |
| CN104763999A (zh) * | 2015-03-04 | 2015-07-08 | 内蒙古瑞特优化科技股份有限公司 | 电厂煤粉锅炉燃烧性能在线优化方法和系统 |
| CN105148727A (zh) * | 2015-10-10 | 2015-12-16 | 广东电网有限责任公司电力科学研究院 | 燃煤发电机组脱硝优化控制方法和系统 |
| US20180024509A1 (en) * | 2016-07-25 | 2018-01-25 | General Electric Company | System modeling, control and optimization |
| CN107657104A (zh) * | 2017-09-20 | 2018-02-02 | 浙江浙能台州第二发电有限责任公司 | 基于在线支持向量机的锅炉燃烧系统动态建模方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张晓宇，范永胜，沈炯，李益国: "燃煤锅炉燃烧优化控制发展趋势", 《华北电力技术》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111459030A (zh) * | 2020-04-16 | 2020-07-28 | 南京英璞瑞自动化科技有限公司 | 一种用于锅炉闭环燃烧优化的自适应建模方法 |
| CN111459030B (zh) * | 2020-04-16 | 2022-03-29 | 南京英璞瑞自动化科技有限公司 | 一种用于锅炉闭环燃烧优化的自适应建模方法 |
| CN112699600A (zh) * | 2020-12-23 | 2021-04-23 | 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 | 火电运行参数与NOx排放浓度间的偏回分析方法 |
| CN112699600B (zh) * | 2020-12-23 | 2024-06-07 | 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 | 火电运行参数与NOx排放浓度间的偏回分析方法 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110986085B (zh) | 2021-07-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110986085B (zh) | 基于配风方式优化的四角切圆锅炉燃烧优化控制方法 | |
| Tan et al. | Dynamic modeling of NOX emission in a 660 MW coal-fired boiler with long short-term memory | |
| CN106873381B (zh) | 喷氨控制系统 | |
| Sun et al. | Control-oriented modeling and analysis of direct energy balance in coal-fired boiler-turbine unit | |
| CN105629738A (zh) | Scr烟气脱硝系统控制方法及设备 | |
| Hou et al. | Coordinated control system modeling of ultra-supercritical unit based on a new fuzzy neural network | |
| CN104715142B (zh) | 一种电站锅炉NOx排放动态软测量方法 | |
| CN110400018B (zh) | 用于燃煤火力电厂制粉系统的运行控制方法、系统和装置 | |
| CN111881554B (zh) | 一种锅炉随气温变化的优化控制方法 | |
| CN104482525A (zh) | 超超临界机组再热汽温的控制方法和系统 | |
| CN109992844A (zh) | 一种基于adqpso-svr模型的锅炉飞灰含碳量预测方法 | |
| Xia et al. | An online case-based reasoning system for coal blends combustion optimization of thermal power plant | |
| Zhao et al. | Generalized predictive control using improved recurrent fuzzy neural network for a boiler-turbine unit | |
| Zhu et al. | Identification-based real-time optimization and its application to power plants | |
| Wang et al. | A two-tier approach to the data-driven modeling on thermal efficiency of a BFG/coal co-firing boiler | |
| Qiao et al. | Intelligence-based temperature switching control for cement raw meal calcination process | |
| Fang et al. | Data‐driven control for combustion process of circulating fluidised bed boiler | |
| Kusiak et al. | Optimizing combustion efficiency of a circulating fluidized boiler: A data mining approach | |
| CN113779858A (zh) | 一种燃烧优化方法、系统、存储介质及电子设备 | |
| CN111459030B (zh) | 一种用于锅炉闭环燃烧优化的自适应建模方法 | |
| Niva et al. | Plant-wide control approach in a pilot CFB boiler | |
| Huang et al. | Tangentially Fired Boiler Combustion Optimization based on Simplified ALSSVM Model | |
| CN118031246B (zh) | 一种工业锅炉的燃烧控制优化方法及装置 | |
| Wu et al. | Intelligent Optimization and Control of Coking Process | |
| Gabor et al. | Closed Loop NOx Control and Optimisation Using Neural Networks |
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 |