CN111061149B - 基于深度学习预测控制优化的循环流化床节煤降耗的方法 - Google Patents

基于深度学习预测控制优化的循环流化床节煤降耗的方法 Download PDF

Info

Publication number
CN111061149B
CN111061149B CN201910585272.5A CN201910585272A CN111061149B CN 111061149 B CN111061149 B CN 111061149B CN 201910585272 A CN201910585272 A CN 201910585272A CN 111061149 B CN111061149 B CN 111061149B
Authority
CN
China
Prior art keywords
boiler
time
deep learning
state
variable value
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
Application number
CN201910585272.5A
Other languages
English (en)
Other versions
CN111061149A (zh
Inventor
王佳楠
张沛男
蒋嬴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Hengyi Petrochemical Co ltd
Original Assignee
Zhejiang Hengyi Petrochemical Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Hengyi Petrochemical Co ltd filed Critical Zhejiang Hengyi Petrochemical Co ltd
Priority to CN201910585272.5A priority Critical patent/CN111061149B/zh
Publication of CN111061149A publication Critical patent/CN111061149A/zh
Application granted granted Critical
Publication of CN111061149B publication Critical patent/CN111061149B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Fluidized-Bed Combustion And Resonant Combustion (AREA)

Abstract

本发明涉及锅炉控制技术领域，具体涉及基于深度学习预测控制优化的循环流化床节煤降耗的方法，包括以下步骤：采集锅炉的输入变量值、状态变量值以及输出变量值；将输入变量及状态变量值关联滞后时间T后的输出变量值，作为样本数据；训练深度学习算法模型；建立锅炉空间状态模型，使用历史数据训练锅炉空间状态模型,以周期t更新锅炉空间状态模型；结合深度学习算法模型、锅炉状态模型以及先验约束条件，采用优化算法，获得满足输出变量值要求下的燃烧最充分的输入变量值组合。本发明的实质性效果是：通过深度学习模型能够更好的进行非线性建模，提高预测和控制精度，带来节煤降耗的效果，并使煤燃烧更充分，减少污染。

Description

基于深度学习预测控制优化的循环流化床节煤降耗的方法
技术领域
本发明涉及锅炉控制技术领域，具体涉及基于深度学习预测控制优化的循环流化床节煤降耗的方法。
背景技术
循环流化床是将大量固体颗粒悬浮于运动的气流之中，气速大于颗粒的自由沉降速度，从而使颗粒具有流体的某些表观特征，这种流固接触状态称为固体流态化。固态煤颗粒悬浮在气流中，相比块状煤极大的增加了与气流的接触的总表面积，不仅提高了燃烧效率，提高了燃烧热功率，同时能够使得煤含有的可燃物充分燃烧氧化，降低污染。循环流化床是目前工业化程度最高的洁净煤燃烧技术。循环流化床锅炉即采用这样循环流化床的锅炉技术。现有的对循环流化床控制的方案中，存在使用多变量广义预测控制优化、利用多变量渐消记忆递推最小二乘法辨识锅炉燃烧的模型以及利用广义预测控制对PID控制参数进行整定，根据预测结果以及辨识模型对一次风、二次风和给煤量变量进行控制，然后重复所有步骤。由于循环流化床的控制是多变量的非线性系统，传统的控制系统建模需要大量的时间去拟合去辨识，并且需要不断的调试和调参。而深度学习的自学习能力，在搭建好神经网络结构、框架后即可通过新数据的不断导入，即可将模型不断的学习不断优化，精确度将越来越高，同时花费的时间也会少很多。
如中国专利CN102425790B，公开日2014年3月12日，一种循环流化床锅炉在线优化自学习控制方法。包括设有负荷知识库、床温知识库、二次风量知识库及自学习更新算法，可以提炼、存储和使用锅炉特性值和运行经验值从而提高控制性能。设有热效率在线优化器调节床温和二次风量，可使用内置的牛顿梯度寻优算法实时优化燃烧热效率，使锅炉燃烧过程逼近经济燃烧最优区域。对锅炉床层温度的控制采用单回路—多冲量智能控制算法，有效解耦后协调控制影响床温的多个变量，实现安全目标和经济目标的整合。其技术方案实现循环流化床锅炉安全稳定高效率运行。但其没有对锅炉的非线性特征进行足够的建模分析和控制，导致其控制精度有限。虽然其能够自动的控制锅炉运行，但其技术方案不能将锅炉状态呈现给控制人员，导致控制人员无法进行人工干预、修正。
发明内容
本发明要解决的技术问题是：目前的循环流化床锅炉控制精度不高的技术问题。提出了一种采用深度学习的预测及控制精度更高的循环流化床节煤降耗方法。
为解决上述技术问题，本发明所采取的技术方案为：基于深度学习预测控制优化的循环流化床节煤降耗的方法，包括以下步骤：采集锅炉的输入变量值、状态变量值以及输出变量值，并标准化；将同时刻的输入变量及状态变量值关联，再关联滞后时间T后的输出变量值，作为样本数据；使用样本数据训练深度学习算法模型，所述深度学习算法模型输出未来T时刻锅炉的输出变量值；建立锅炉空间状态模型，使用历史数据训练锅炉空间状态模型,以周期t更新锅炉空间状态模型；结合深度学习算法模型、锅炉状态模型以及先验约束条件，采用优化算法，获得满足输出变量值要求下的燃烧最充分的输入变量值组合。
作为优选，所述的锅炉空间状态模型为：
Figure GDA0003626703940000021
其中，
Figure GDA0003626703940000022
表示第k时刻的锅炉中间状态，n为锅炉中间状态的个数，
Figure GDA0003626703940000023
表示第k时刻锅炉输入变量值状态,m为输入变量个数，
Figure GDA0003626703940000024
Figure GDA0003626703940000025
表示第k+1时刻的锅炉输出变量值状态，l为输出变量个数,Ak为第k时刻中间状态系数矩阵，Bk为第k时刻输入状态系数矩阵，Ck为第k时刻输出状态系数矩阵，Dk为第k时刻输出状态补偿值矩阵。
作为优选，所述锅炉中间状态包括旋风分离器出口右侧烟气温度、旋风分离器出口左侧烟气温度、炉膛出口右侧温度、炉膛出口左侧温度、锅炉后墙左侧床温、锅炉后墙中间床温、锅炉后墙右侧床温、锅炉右墙床温、锅炉前墙右侧床温、锅炉前墙中间床温、锅炉前墙左侧床温以及旋风分离器壁温；所述锅炉输入变量包括一次风量、二次风量以及煤量；锅炉输出变量包括主蒸汽流量补偿值以及主蒸汽压力。
作为优选，建立目标函数：
Figure GDA0003626703940000026
其中，
Figure GDA0003626703940000027
表示中间状态系数，
Figure GDA0003626703940000028
表示输入状态系数，
Figure GDA0003626703940000029
表示输出状态系数，
Figure GDA00036267039400000210
表示输出状态补偿值；获取锅炉中间状态、输入变量值以及输出变量值的历史数据，关联后作为样本数据；采用优化算法，获得Ak、Bk、Ck以及Dk的最佳组合。
作为优选，在k时刻，建立目标函数：
Figure GDA00036267039400000211
约束条件：
Figure GDA0003626703940000031
其中，
Figure GDA0003626703940000032
为k时刻一次风量，
Figure GDA0003626703940000033
为k时刻二次风量，
Figure GDA0003626703940000034
为k时刻煤量，
Figure GDA0003626703940000035
为k+1时刻一次风量，
Figure GDA0003626703940000036
为k+1时刻二次风量，
Figure GDA0003626703940000037
为k+1时刻煤量，ε1、ε2以及ε3分别为一次风量、二次风量以及煤量在间隔时间内变化的最大值，
Figure GDA0003626703940000038
为深度学习算法模型输出的k+1时刻锅炉输出变量值；使用优化算法，得出
Figure GDA0003626703940000039
的最优组合，作为锅炉在k时刻的控制量。
作为优选，所述优化算法为粒子群算法；所述粒子群算法的寻优策略为：
Figure GDA00036267039400000310
其中，
Figure GDA00036267039400000311
为k时刻粒子i的速度，
Figure GDA00036267039400000312
为k时刻粒子i的位置，
Figure GDA00036267039400000313
为k时刻粒子i的历史最佳位置，
Figure GDA00036267039400000314
表示粒子种群历史最佳位置，w表示惯性权重，c1、c2为学习因子，r1、r2为随机数，
Figure GDA00036267039400000315
为粒子i在k+1时刻的速度，
Figure GDA00036267039400000316
为粒子i在k+1时刻的位置。
作为优选，还包括以下步骤：使用卡尔曼滤波对预测值以及实测值进行滤波，预测值指深度学习算法模型输出的输出变量值矩阵Yk+1，实测值指输出变量值矩阵Yk+1的实测值，具体为：
Figure GDA00036267039400000320
Figure GDA00036267039400000317
Figure GDA00036267039400000318
Figure GDA00036267039400000319
Pk+1|k+1＝(I-Kk+1Hk+1)Pk+1|k
其中，Pk+1|k表示k+1时刻预测值的协方差矩阵，Pk|k表示k时刻的估计协方差矩阵，Kk+1表示k+1时刻卡尔曼增益，Hk+1表示k+1时刻测量矩阵，Qk表示k时刻的过程噪声协方差矩阵，Rk+1表示k+1时刻测量噪声协方差矩阵，I为单位矩阵。
作为优选，所述深度学习算法模型采用深度学习算法中的长短记忆模型。
本发明的实质性效果是：通过深度学习模型能够更好的进行非线性建模，提高预测和控制精度；控制精度的提高能够带来节煤的效果，并使煤燃烧更充分，减少污染；同时其自学习能力能够使得模型参数能够随着锅炉的运行进行调整，减少后期维护；利用空间状态进行模型的结果，能够更好的反应锅炉的运行情况，方便操作人员掌握锅炉状态。
附图说明
图1为实施例一流程框图。
具体实施方式
下面通过具体实施例，并结合附图，对本发明的具体实施方式作进一步具体说明。
图1为实施例一流程框图。
实施例一：
基于深度学习预测控制优化的循环流化床节煤降耗的方法，如图1所示，本实施例包括以下步骤：采集锅炉的输入变量值、状态变量值以及输出变量值，同时对历史数据进行数据清洗，去除噪点数据。第k时刻锅炉中间状态用Xk表示，包括旋风分离器出口右侧烟气温度、旋风分离器出口左侧烟气温度、炉膛出口右侧温度、炉膛出口左侧温度、锅炉后墙左侧床温、锅炉后墙中间床温、锅炉后墙右侧床温、锅炉右墙床温、锅炉前墙右侧床温、锅炉前墙中间床温、锅炉前墙左侧床温以及旋风分离器壁温。第k时刻锅炉输入变量使用Uk表示，包括一次风量、二次风量以及煤量。第k时刻锅炉输出变量使用Yk表示，包括主蒸汽流量补偿值以及主蒸汽压力。
如表1所示，为本实施例采用的12个锅炉状态参量。在另外的实施方式中，可以仅使用其中一部分或者新增其他状态参量。
表1锅炉状态参量表
Figure GDA0003626703940000041
如表2所示，为本实施例采用的3个锅炉输入变量。表3为本实施例采用的2个锅炉输出变量。
表2锅炉输入变量
Figure GDA0003626703940000042
Figure GDA0003626703940000051
表3锅炉输出变量
Figure GDA0003626703940000052
对采集获得的锅炉的输入变量值、状态变量值以及输出变量值进行标准化处理，使其单位统一，量纲为预设量纲。
根据锅炉中各个点位自身的工艺特点和数据逻辑关系找出，锅炉中的输入变量、状态变量与输出变量之间的滞后关系，本实施例中测量所得的滞后时间m为2分钟。将同时刻的输入变量及状态变量值关联，再关联滞后时间2分钟后的输出变量值，作为样本数据；利用历史近三个月的样本数据训练深度学习算法中的长短记忆模型，深度学习算法中的长短记忆模型输出未来2分钟锅炉的输出变量值。
建立锅炉空间状态模型为：
Figure GDA0003626703940000053
其中，
Figure GDA0003626703940000054
表示第k时刻的锅炉中间状态，n为锅炉中间状态的个数，
Figure GDA0003626703940000055
表示第k时刻锅炉输入变量值状态,m为输入变量个数，
Figure GDA0003626703940000056
Figure GDA0003626703940000057
表示第k+1时刻的锅炉输出变量值状态，l为输出变量个数,Ak为第k时刻中间状态系数矩阵，
Figure GDA0003626703940000058
Bk为第k时刻输入状态系数矩阵，
Figure GDA0003626703940000059
Ck为第k时刻输出状态系数矩阵，
Figure GDA00036267039400000510
Dk为第k时刻输出状态补偿值矩阵，
Figure GDA00036267039400000511
建立目标函数：
Figure GDA00036267039400000512
其中，
Figure GDA00036267039400000513
表示中间状态系数，
Figure GDA00036267039400000514
表示输入状态系数，
Figure GDA00036267039400000515
表示输出状态系数，
Figure GDA00036267039400000516
表示输出状态补偿值；获取锅炉中间状态、输入变量值以及输出变量值的历史数据，关联后作为样本数据；采用优化算法中的线性回归，获得Ak、Bk、Ck以及Dk的最佳组合，每t时间更新一次锅炉空间状态模型，获得一组CkAk，CkBk和Dk的值。
考虑空间状态模型以及先验约束条件，利用粒子群寻优算法搜索并确定燃烧效率最佳的输入状态组合。煤量最小的输入问题可转化为非线性规划问题下空然比最优化问题，其中目标函数为空燃比的最优化，约束条件包含等式约束和非等式约束，具体如下：
建立目标函数：
Figure GDA0003626703940000061
约束条件：
Figure GDA0003626703940000062
其中，
Figure GDA0003626703940000063
为k时刻一次风量，
Figure GDA0003626703940000064
为k时刻二次风量，
Figure GDA0003626703940000065
为k时刻煤量，
Figure GDA0003626703940000066
为k+1时刻一次风量，
Figure GDA0003626703940000067
为k+1时刻二次风量，
Figure GDA0003626703940000068
为k+1时刻煤量，ε1、ε2以及ε3分别为一次风量、二次风量以及煤量在间隔时间内变化的最大值，其值依据历史经验数值确定。本实施例中ε1＝5900，ε2＝2060，ε3＝2.5。
Figure GDA0003626703940000069
为深度学习算法模型输出的(k+1)时刻锅炉输出变量值。以上述约束条件构成的几何空间为粒子群的寻优空间，同时根据粒子群寻优的关系公式确定寻优策略，得出
Figure GDA00036267039400000610
的最优组合，作为锅炉在k时刻的控制量。粒子群寻优策略的关系公式如下：
Figure GDA00036267039400000611
其中，
Figure GDA00036267039400000612
为k时刻粒子i的速度，
Figure GDA00036267039400000613
为k时刻粒子i的位置，
Figure GDA00036267039400000614
为k时刻粒子i的历史最佳位置，
Figure GDA00036267039400000615
表示粒子种群历史最佳位置，w表示惯性权重，c1、c2为学习因子，r1、r2为随机数，
Figure GDA00036267039400000616
为粒子i在k+1时刻的速度，
Figure GDA00036267039400000617
为粒子i在k+1时刻的位置。
用卡尔曼滤波对预测值以及实测值进行滤波，预测值指深度学习算法模型输出的输出变量值矩阵Yk+1，实测值指输出变量值矩阵Yk+1的实测值，具体为：
Figure GDA00036267039400000618
Figure GDA00036267039400000619
Figure GDA00036267039400000620
Figure GDA00036267039400000621
Pk+1|k+1＝(I-Kk+1Hk+1)Pk+1|k
其中，Pk+1|k表示k+1时刻预测值的协方差矩阵，Pk|k表示k时刻的估计协方差矩阵，Kk+1表示k+1时刻卡尔曼增益，Hk+1表示k+1时刻测量矩阵，Qk表示k时刻的过程噪声协方差矩阵，Rk+1表示k+1时刻测量噪声协方差矩阵，I为单位矩阵。
使用本实施例取某工厂6月份某天的锅炉DCS历史数据，设置锅炉空间状态模型更新时间t为1分钟。训练后的深度学习算法中的长短记忆模型，归一化输出预测值
Figure GDA0003626703940000071
Figure GDA0003626703940000072
利用线性回归确定CkAk，CkBk和Dk的值如下：
Figure GDA0003626703940000073
Figure GDA0003626703940000074
Figure GDA0003626703940000075
利用粒子群寻优策略对目标函数，
Figure GDA0003626703940000076
约束条件：
Figure GDA0003626703940000077
进行寻优。其中c1＝c2＝0.1，w＝0.6，获得推荐的锅炉输入状态Uk为：Uk＝[1.2742e+05,3.8155e+04,3.8999e+01]，作为本次锅炉的控制量。
Pk|k取单位矩阵，Rk+1和Qk由工况决定，滤波后的锅炉输入状态
Figure GDA0003626703940000078
为：
Figure GDA0003626703940000079
上述步骤周期性迭代执行，从而实现锅炉输入推荐值的在线更新，实现循环流化床锅炉的预测和控制。
以上所述的实施例只是本发明的一种较佳的方案，并非对本发明作任何形式上的限制，在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。

Claims (5)

1.基于深度学习预测控制优化的循环流化床节煤降耗的方法，其特征在于，
包括以下步骤：
采集锅炉的输入变量值、状态变量值以及输出变量值，并标准化；
将同时刻的输入变量及状态变量值关联，再关联滞后时间T后的输出变量值，作为样本数据；
使用样本数据训练深度学习算法模型，所述深度学习算法模型输出未来T时刻锅炉的输出变量值；
建立锅炉空间状态模型，使用历史数据训练锅炉空间状态模型,以周期t更新锅炉空间状态模型；
结合深度学习算法模型、锅炉空间状态模型以及先验约束条件，采用优化算法，获得满足输出变量值要求下的燃烧最充分的输入变量值组合；
所述的锅炉空间状态模型为：
Figure FDA0003626703930000011
其中，
Figure FDA0003626703930000012
表示第k时刻的锅炉中间状态，n为锅炉中间状态的个数，
Figure FDA0003626703930000013
表示第k时刻锅炉输入变量值状态,m为输入变量个数，
Figure FDA0003626703930000014
Figure FDA0003626703930000015
表示第k+1时刻的锅炉输出变量值状态，l为输出变量个数,Ak为第k时刻中间状态系数矩阵，Bk为第k时刻输入状态系数矩阵，Ck为第k时刻输出状态系数矩阵，Dk为第k时刻输出状态补偿值矩阵；
建立目标函数：
Figure FDA0003626703930000016
其中，
Figure FDA0003626703930000017
表示中间状态系数，
Figure FDA0003626703930000018
表示输入状态系数，
Figure FDA0003626703930000019
表示输出状态系数，
Figure FDA00036267039300000110
表示输出状态补偿值；获取锅炉中间状态、输入变量值以及输出变量值的历史数据，关联后作为样本数据；采用优化算法，获得Ak、Bk、Ck以及Dk的最佳组合；
在k时刻，建立目标函数：
Figure FDA00036267039300000111
约束条件：
Figure FDA0003626703930000021
其中，
Figure FDA0003626703930000022
为k时刻一次风量，
Figure FDA0003626703930000023
为k时刻二次风量，
Figure FDA0003626703930000024
为k时刻煤量，
Figure FDA0003626703930000025
为k+1时刻一次风量，
Figure FDA0003626703930000026
为k+1时刻二次风量，
Figure FDA0003626703930000027
为k+1时刻煤量，ε1、ε2以及ε3分别为一次风量、二次风量以及煤量在间隔时间内变化的最大值，
Figure FDA0003626703930000028
为深度学习算法模型输出的k+1时刻锅炉输出变量值；使用优化算法，得出
Figure FDA0003626703930000029
的最优组合，作为锅炉在k时刻的控制量。
2.根据权利要求1所述的基于深度学习预测控制优化的循环流化床节煤降耗的方法，其特征在于，
所述锅炉中间状态包括旋风分离器出口右侧烟气温度、旋风分离器出口左侧烟气温度、炉膛出口右侧温度、炉膛出口左侧温度、锅炉后墙左侧床温、锅炉后墙中间床温、锅炉后墙右侧床温、锅炉右墙床温、锅炉前墙右侧床温、锅炉前墙中间床温、锅炉前墙左侧床温以及旋风分离器壁温；
所述锅炉输入变量包括一次风量、二次风量以及煤量；
锅炉输出变量包括主蒸汽流量补偿值以及主蒸汽压力。
3.根据权利要求1所述的基于深度学习预测控制优化的循环流化床节煤降耗的方法，其特征在于，
所述优化算法为粒子群算法；
所述粒子群算法的寻优策略为：
Figure FDA00036267039300000210
其中，
Figure FDA00036267039300000211
为k时刻粒子i的速度，
Figure FDA00036267039300000212
为k时刻粒子i的位置，
Figure FDA00036267039300000213
为k时刻粒子i的历史最佳位置，
Figure FDA00036267039300000214
表示粒子种群历史最佳位置，w表示惯性权重，c1、c2为学习因子，r1、r2为随机数，
Figure FDA00036267039300000215
为粒子i在k+1时刻的速度，
Figure FDA00036267039300000216
为粒子i在k+1时刻的位置。
4.根据权利要求2所述的基于深度学习预测控制优化的循环流化床节煤降耗的方法，其特征在于，
还包括以下步骤：
使用卡尔曼滤波对预测值以及实测值进行滤波，预测值指深度学习算法模型输出的输出变量值矩阵Yk+1，实测值指输出变量值矩阵Yk+1的实测值，具体为：
Figure FDA0003626703930000031
Figure FDA0003626703930000032
Figure FDA0003626703930000033
Figure FDA0003626703930000034
Pk+1|k+1＝(I-Kk+1Hk+1)Pk+1|k
其中，Pk+1|k表示k+1时刻预测值的协方差矩阵，Pk|k表示k时刻的估计协方差矩阵，Kk+1表示k+1时刻卡尔曼增益，Hk+1表示k+1时刻测量矩阵，Qk表示k时刻的过程噪声协方差矩阵，Rk+1表示k+1时刻测量噪声协方差矩阵，I为单位矩阵。
5.根据权利要求1所述的基于深度学习预测控制优化的循环流化床节煤降耗的方法，其特征在于，
所述深度学习算法模型采用深度学习算法中的长短记忆模型。
CN201910585272.5A 2019-07-01 2019-07-01 基于深度学习预测控制优化的循环流化床节煤降耗的方法 Active CN111061149B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910585272.5A CN111061149B (zh) 2019-07-01 2019-07-01 基于深度学习预测控制优化的循环流化床节煤降耗的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910585272.5A CN111061149B (zh) 2019-07-01 2019-07-01 基于深度学习预测控制优化的循环流化床节煤降耗的方法

Publications (2)

Publication Number Publication Date
CN111061149A CN111061149A (zh) 2020-04-24
CN111061149B true CN111061149B (zh) 2022-08-02

Family

ID=70297467

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910585272.5A Active CN111061149B (zh) 2019-07-01 2019-07-01 基于深度学习预测控制优化的循环流化床节煤降耗的方法

Country Status (1)

Country Link
CN (1) CN111061149B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111652674B (zh) * 2020-05-15 2023-09-19 拉扎斯网络科技（上海）有限公司 一种资源推荐方法以及装置
CN112100916B (zh) * 2020-09-10 2023-07-25 北京百度网讯科技有限公司 用于构建强化学习模型的方法、装置、电子设备及介质
CN113868966B (zh) * 2021-12-02 2022-03-18 浙江大学 一种生物质锅炉省煤器结构参数优化设计方法
CN114637212B (zh) * 2022-05-17 2022-08-30 浙江浩普智能科技有限公司 一种氧含量预测控制方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104776446B (zh) * 2015-04-14 2017-05-10 东南大学 一种锅炉燃烧优化控制方法
CN105974793B (zh) * 2016-05-04 2018-07-31 华中科技大学 一种电站锅炉燃烧智能控制方法
JP7281401B2 (ja) * 2017-01-24 2023-05-25 ロンザ リミテッド 仮想又は拡張現実表示を使用して産業保守を遂行するための方法及びシステム
CN109523027B (zh) * 2018-10-22 2021-01-05 新智数字科技有限公司 一种基于贝叶斯网络的锅炉运行数据监测方法和装置
CN109670629B (zh) * 2018-11-16 2021-09-07 浙江蓝卓工业互联网信息技术有限公司 基于长短期记忆神经网络的燃煤锅炉热效率预测方法

Also Published As

Publication number Publication date
CN111061149A (zh) 2020-04-24

Similar Documents

Publication Publication Date Title
CN111061149B (zh) 基于深度学习预测控制优化的循环流化床节煤降耗的方法
CN107023825B (zh) 流化床锅炉控制与燃烧优化系统
CN111623369B (zh) 一种利用烟气含氧量信号调节锅炉入炉燃料量的控制方法
CN101749730B (zh) 一种燃煤热载体炉高精度温度调节燃烧控制方法
CN104534507A (zh) 一种锅炉燃烧优化控制方法
CN108227488B (zh) 基于滑模预测控制的超超临界火电机组协调控制方法
CN101286044B (zh) 一种燃煤锅炉系统蒸汽温度混合建模方法
CN101881563B (zh) 加热炉热效率多区域智能在线优化控制方法
CN102997265B (zh) 烟气余热回收设备的冷源温度控制方法及装置
CN106765022B (zh) 基于锅炉能效的多判据多炉协调优化控制系统
CN113041808B (zh) 脱酸塔的石灰浆与冷却水投加量控制方法及控制系统
CN112628712A (zh) 一种基于风门阻力系数的二次风闭环优化控制系统
CN111881554A (zh) 一种锅炉随气温变化的优化控制方法
CN115111594A (zh) 一种蓄热式热力氧化炉智能调控系统及方法
CN105276561A (zh) 一种锅炉主蒸汽压力的自适应预测控制方法
CN115145152A (zh) 一种锅炉燃烧与脱硝过程协同优化控制的方法
CN114721253A (zh) 基于人工蜂群算法的加热炉温度分数阶pid控制系统及方法
Shaoming et al. Research on lime kiln temperature system based on fuzzy PID algorithm and optimal control
Tóthová et al. Using computational intelligence in biomass combustion control in medium-scale boilers
CN114791102B (zh) 一种基于动态运行数据分析的燃烧优化控制方法
Malanchuk et al. Problems of automation of fresh fruits and vegetables storage processes
Ding et al. Event-triggered fuzzy neural multivariable control for a municipal solid waste incineration process
RU2783168C1 (ru) Способ и система повышения энергоэффективности и низкоуглеродности работы промышленных технологических агрегатов, использующих газообразный, жидкий и твердый виды топлива
Liu et al. The study of the control of the bed temperature in the Circulating fluidized bed boiler based on the fuzzy control system
CN116880219B (zh) 一种松散回潮自适应模型预测控制系统和方法

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20220610

Address after: 311200 Ya Qian, Xiaoshan District, Hangzhou City, Zhejiang Province

Applicant after: ZHEJIANG HENGYI PETROCHEMICAL Co.,Ltd.

Address before: Room A-B102-1250, 198 Kaidi Road, Xiaoshan Economic and Technological Development Zone, Hangzhou City, Zhejiang Province

Applicant before: Zhejiang Yizhi Information Technology Co.,Ltd.

GR01 Patent grant
GR01 Patent grant