CN111222685A - 基于模型迁移的锅炉宽负荷NOx排放浓度预测方法 - Google Patents
基于模型迁移的锅炉宽负荷NOx排放浓度预测方法 Download PDFInfo
- Publication number
- CN111222685A CN111222685A CN201911150477.7A CN201911150477A CN111222685A CN 111222685 A CN111222685 A CN 111222685A CN 201911150477 A CN201911150477 A CN 201911150477A CN 111222685 A CN111222685 A CN 111222685A
- Authority
- CN
- China
- Prior art keywords
- model
- nox emission
- emission concentration
- boiler
- load
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000013508 migration Methods 0.000 title claims abstract description 33
- 230000005012 migration Effects 0.000 title claims abstract description 30
- 239000003245 coal Substances 0.000 claims abstract description 94
- 238000013461 design Methods 0.000 claims abstract description 38
- 238000004088 simulation Methods 0.000 claims abstract description 16
- 238000002485 combustion reaction Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- 238000012360 testing method Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 16
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 12
- 229910052760 oxygen Inorganic materials 0.000 claims description 12
- 239000001301 oxygen Substances 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000010998 test method Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 239000000446 fuel Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 239000002245 particle Substances 0.000 claims description 4
- 238000013398 bayesian method Methods 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 239000012530 fluid Substances 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims 1
- 238000004891 communication Methods 0.000 abstract description 4
- 238000010801 machine learning Methods 0.000 abstract description 2
- 238000013526 transfer learning Methods 0.000 abstract description 2
- 238000012546 transfer Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 125000000174 L-prolyl group Chemical group [H]N1C([H])([H])C([H])([H])C([H])([H])[C@@]1([H])C(*)=O 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- FKLFBQCQQYDUAM-UHFFFAOYSA-N fenpiclonil Chemical compound ClC1=CC=CC(C=2C(=CNC=2)C#N)=C1Cl FKLFBQCQQYDUAM-UHFFFAOYSA-N 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
Images
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- G06Q50/06—Energy or water supply
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Regulation And Control Of Combustion (AREA)
Abstract
本发明公开了一种基于模型迁移的锅炉宽负荷NOx排放浓度预测方法，包括数值模拟计算中心、基模型训练中心、运行数据通讯接口、基模型迁移及更新机制以及NOx排放预测模型通讯接口；本发明在锅炉主要运行参数的可行域内，以设计煤种为基准，通过离线模拟得到设计煤种下锅炉全工况样本，采用机器学习建立NOx排放预测基模型；考虑锅炉燃用非设计煤种，通过离线模拟得到少量典型工况样本，再采用高斯过程回归将设计煤种基模型迁移到非设计煤种工况，形成适应多煤种变化的基模型库；考虑实际工况与模拟工况的差异，首先根据实际煤质选择基模型，再基于运行数据通过迁移学习将基模型投影到锅炉实际运行状态，实现锅炉宽负荷下NOx排放浓度的准确预测。
Description
技术领域
本发明属于火力发电领域，具体涉及一种基于模型迁移的锅炉宽负荷NOx排放浓度预测方法。
背景技术
NOx是燃煤锅炉燃烧生成的主要污染物之一，实现对锅炉NOx排放浓度的准确预测，可为锅炉运行方式调整提供决策支持，从而满足日趋严格的环保要求。然而，锅炉内煤粉燃烧是一个多场耦合的复杂过程，NOx排放浓度的影响因素众多。此外，随着新能源渗透率的不断提高，燃煤机组更多参与深度调峰任务，锅炉常处于偏离设计工况的超低负荷下运行，这给NOx排放浓度的准确预测带来了新的挑战。因此，亟需一种锅炉宽负荷NOx排放浓度预测方法，为实现锅炉清洁、高效运行提供方向性指导。
目前针对锅炉NOx排放浓度预测大多采用数据驱动的方法，以机组历史运行数据为建模样本，结合神经网络等智能算法建立锅炉NOx排放特性模型。然而，由于深度调峰的机组常处于偏离设计工况的超低负荷下运行，数据样本覆盖量较少，模型的适用性难以保证。为解决上述问题，专利CN107726358A在建模样本中加入CFD模拟样本以扩大样本的覆盖范围，但CFD数值试验结果与锅炉的实际运行特性存在一定差异，因此得到的模型很难准确预测NOx排放浓度。专利CN109670625A公开的NOx排放浓度预测方法虽可实现训练样本在线更新以适应锅炉运行特性的变化，但未考虑煤质特性对NOx排放浓度的影响，从而该方法的适用性受到限制。
本发明采用正交试验法开展CFD数值试验并将模拟结果作为训练样本建立数据驱动模型，基于迁移学习算法对模型进行迁移以适应煤质特性和运行特性的变化，实现宽负荷NOx排放浓度的在线准确预测。
发明内容
发明目的：本发明针对现有技术的不足而公开了一种基于模型迁移的锅炉宽负荷NOx排放浓度预测方法，采用正交试验法开展CFD数值试验并将模拟结果作为训练样本建立数据驱动模型，基于迁移学习算法对模型进行迁移以适应煤质特性和运行特性的变化，实现宽负荷NOx排放浓度的在线准确预测。
技术方案：为解决上述技术问题，本发明提供的一种用于锅炉宽负荷NOx排放浓度预测的方法，包括以下步骤：
(1)结合锅炉设计信息和燃料特性，确定负荷、风门开度、氧量等主要运行参数分布范围；
(2)结合边界条件的理论可行域，采用正交试验法，针对设计煤种进行CFD数值试验，获取锅炉宽负荷NOx排放浓度预测建模样本；
(3)以CFD数值模拟样本形成锅炉宽负荷建模样本库，采用智能算法建立NOx排放浓度预测基本模型Z＝f(X)，其中为X为边界条件，Z设计煤种所对应的模型输出值；
(4)重复步骤(2)，针对机组历史数据仓库中另一常用非设计煤种1进行少量CFD数值试验，获取少量该煤种下NOx排放浓度预测建模样本；
(5)基于步骤(4)中少量非设计煤种1下NOx排放浓度预测建模样本，采用高斯过程回归和贝叶斯理论将设计煤种基模型进行迁移，建立非设计煤种1所对应的NOx排放浓度预测基本模型Z1＝f(X)，其中为X为边界条件，Z1为非设计煤种1所对应的模型输出值；
(6)重复步骤(4)和步骤(5)，建立电站所有常用煤种的NOx排放浓度预测基模型库；
(7)从机组历史数据仓库获取煤种1所对应的N1组运行数据{(Y1,X1),(Y2,X2),…,(YN,XN)}作为模型迁移的训练数据集D1,其中Yi是NOx实际测量值，Xi为边界条件实际值，i＝1,2,…N；
(8)采用高斯过程回归和贝叶斯理论，使用训练数据集D1对NOx排放浓度预测基模型Z1＝f(X)进行迁移，建立煤种1所对应的NOx排放浓度预测模型；
(9)重复步骤(7)，从机组历史数据仓库获取另一常用煤种2所对应的N2组运行数据作为模型迁移数据集D2；
(10)重复步骤(8)，使用训练数据集D2对NOx排放浓度预测基模型Z2＝f(X)进行迁移，建立煤种2所对应的NOx排放浓度预测模型；
(11)重复步骤(9)和步骤(10)，建立电站所有常用煤种的NOx排放浓度预测新模型库；
(12)随着现场运行数据不断增加，步骤(6)中所建立的基模型库里的模型被对应煤种的新模型替代，进而实现NOx排放浓度预测新模型库的在线更新。
进一步地，步骤(1)锅炉设计信息包括几何结构、燃烧器布置形式等所有与锅炉燃烧有关的信息。
进一步地，步骤(1)燃料特性包括煤质工业分析、元素分析及粒径分布等所有影响煤粉燃烧的信息。
进一步地，步骤(2)边界条件包括负荷、风门开度、氧量、磨煤机组合方式等。
进一步地，步骤(2)正交试验法的步骤如下：将负荷、风门开度、氧量、磨煤机组合方式等4个参数作为为试验因素并根据历史数据中各试验因素的可行域确定各因素的位级数，进而根据因素数和位级数选择正交表安排数值试验。
进一步地，所述步骤(2)中获取锅炉宽负荷NOx排放浓度预测建模样本的方法如下：根据锅炉的实际结构包括受热面布置形式、燃烧器类型等建立锅炉的几何模型；针对设计煤种，采用计算流体力学软件如FLUENT进行炉内燃烧数值模拟试验，得到不同负荷、风门开度、氧量、磨煤机组合方式下NOx的生成量；计算结果作为锅炉宽负荷NOx排放浓度预测建模样本。
进一步地，步骤(3)智能算法可采用BP神经网络或其他非线性回归功能的算法。
进一步地，步骤(4)少量CFD数值试验覆盖高、中、低负荷工况。
进一步地，所述步骤(8)模型迁移算法与步骤(5)中非设计煤种1所对应的NOx排放浓度预测模型的算法相同；步骤(10)模型迁移算法与步骤(5)中非设计煤种1所对应的NOx排放浓度预测模型的算法相同。
进一步地，步骤(5)非设计煤种1所对应的NOx排放浓度预测模型是采用高斯过程回归和贝叶斯理论对基本模型Z＝f(X)进行比例-偏置修正的结果，其形式为
Y(Xi)＝α(Xi)Zi+β(Xi)
其中，Zi为基本模型在Xi处的预测值，i＝1，2，..N；
偏置修正β(Xi)～G(0，C)，C为N×N维协方差矩阵，其位于第i行第j列的元素Cij＝C(Xi，Xj)，
此处，
其中，Xik和Xjk分别是d维输入参数Xi与Xj的第k个变量，δij为Kronecker delta函数，Θ＝[a0，a1，v0，w1，...，ws，σ2]T为已知的超参数；
比例修正选用线性函数：
采用贝叶斯方法确定未知参数α＝[α1，α2，...αd]，即可得到最终的NOx排放浓度预测模型。
进一步地，步骤(6)常用煤种信息从电站煤质化验信息数据库获得。
进一步地，步骤(7)训练数据集D1为稳态数据集。
进一步地，步骤(9)训练数据集D2为稳态数据集。
进一步地，步骤(11)NOx排放浓度预测模型库可由通讯接口与电站集散控制系统(DCS)或信息监控系统(SIS)进行数据交换，输出宽负荷下NOx排放浓度的预测值，为锅炉运行调整提供决策依据。
进一步地，步骤(12)燃用新煤种时，新煤种所对应的NOx排放浓度预测模型由设计煤种基模型基于新煤种所对应的运行数据迁移所得，并将所得预测模型加入基模型库作为该煤种的基模型。
有益效果：本发明相对于现有技术而言具备以下优点：
(1)本发明无需复杂的硬件设备，价格低廉。
(2)本发明是一种锅炉宽负荷NOx预测方法，相较于传统的预测方法速度更快，是一种在线预测方法。
(3)本发明预测精度高，满足工程实际需要，而传统的预测误差较大。
附图说明
图1为本发明锅炉宽负荷NOx预测方法建模流程图；
图2为实施例中CFD数值模拟流程图；
图3为实施例中模型迁移流程图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
图1为本发明实施例中的锅炉宽负荷NOx预测方法建模流程。如图1所示，该建模过程包括：
(1)结合锅炉设计信息和燃料特性，确定负荷、风门开度、氧量等主要运行参数分布范围；
具体地，锅炉设计信息包括几何结构、燃烧器布置形式等所有与锅炉燃烧有关的信息，燃料特性包括煤质工业分析、元素分析及粒径分布等所有影响煤粉燃烧的信息。
(2)结合边界条件的理论可行域，采用正交试验法，针对设计煤种进行CFD数值试验，获取锅炉宽负荷NOx排放浓度预测建模样本；
具体地，边界条件应包括负荷、煤质、风门开度、氧量、磨煤机组合方式等；
具体地，正交试验法的步骤如下：将负荷、风门开度、氧量、磨煤机组合方式等4个参数作为为试验因素并根据历史数据中各试验因素的可行域确定各因素的位级数，进而根据因素数和位级数选择正交表安排数值试验。
具体地，CFD数值模拟试验主要过程参见图2。如图2所示，根据锅炉的实际结构包括受热面布置形式、燃烧器类型等，采用AutoCAD、SolidWorks或Pro/Engineer等计算机辅助设计软件建立锅炉的几何模型；采用ANSYS ICEM CFD或Gambit等网格划分工具对上述几何模型进行网格划分；根据历史运行数据中边界条件的实际变化域，结合边界条件的理论可行域，确定并设置CFD模拟的边界条件；数值模拟计算时，选用有限体积法对微分方程的进行离散，采用三维稳态SIMPLE算法进行压力速度耦合计算，采用可实现的k-ε双方程模型模拟湍流流动，采用随机轨道模型追踪煤粉颗粒运动轨迹，采用非预混燃烧模型模拟煤粉燃烧过程，采用混合分数-概率密度函数模型(PDF)模拟气相湍流燃烧过程，采用P1模型计算辐射换热；计算结束后，整理边界条件和计算所得NOx排放浓度等数据并存入样本数据库。
(3)以CFD数值模拟样本形成锅炉宽负荷建模样本库，采用智能算法建立NOx排放浓度预测基本模型Z＝f(X)，其中为X为边界条件，Z设计煤种所对应的模型输出值；
具体地，可采用Matlab神经网络工具箱中的BP神经网络算法，通过对建模数据集D进行训练，得到NOx排放浓度预测基本模型Z＝f(X)。
可以理解的是，在本申请中，边界条件即机组运行工况(负荷、煤质、风门开度、氧量、磨煤机组合方式等)经输入层输入后，在该BP神经网络中进行层层映射，得到各层对应于该参数不同的表现形式。最后一层输出预测的NOx排放浓度。
从上述描述可知，本申请实施例提供的锅炉宽负荷NOx预测方法，通过利用BP神经网络的任意复杂的模式分类能力和优良的多维函数映射能力，通过对样本数据自学习，学习到各参数与机组背压之间的内在联系，进而实现宽负荷下快速、高效、准确预测实时NOx。
当然，本发明实施例不以此为限，该宽负荷NOx预测模型也可采用基于线性非线性回归算法等机器学习智能算法实现。
(4)重复步骤(2)，针对机组历史数据仓库中另一常用非设计煤种1进行少量CFD数值试验，获取少量该煤种下NOx排放浓度预测建模样本；
具体地，CFD数值试验包括高、中、低负荷工况。
(5)基于步骤(4)中少量非设计煤种1下NOx排放浓度预测建模样本，采用高斯过程回归和贝叶斯理论将设计煤种基模型进行迁移，建立非设计煤种1所对应的NOx排放浓度预测基本模型Z1＝f(X)，其中为X为边界条件，Z1为非设计煤种1所对应的模型输出值；
具体地，图3给出了模型迁移的具体流程。如图3所示，在训练数据集D上采用迁移学习算法对基于历史运行数据样本和CFD数值模拟数据样本的NOx排放浓度预测基本模型Z＝f(X)进行比例-偏置修正，方程形式为
Y(Xi)＝α(Xi)Zi+β(Xi)
其中，Zi为基本模型在Xi处的预测值，i＝1，2，...N：
偏置修正β(Xi)～G(0，C)，C为N×N维协方差矩阵，其位于第i行第j列的元素Cij＝C(Xi，Xj)，
此处，
其中，Xik和Xjk分别是d维输入参数Xi与Xj的第k个变量，δij为Kronecker delta函数，Θ＝[a0，a1，v0，w1，...，wd，σ2]T为已知的超参数；
比例修正选用线性函数：
采用贝叶斯方法确定未知参数α＝[α1，α2，...αd]，即可得到最终的NOx排放浓度预测模型。
(6)重复步骤(4)和步骤(5)，建立电站所有常用煤种的NOx排放浓度预测基模型库。
(7)从机组历史数据仓库获取煤种1所对应的N1组运行数据{(Y1，X1)，(Y2，X2)，...，(YN,XN)}作为模型迁移的训练数据集D1,其中Yi是NOx实际测量值，Xi为边界条件实际值，i＝1,2,…N；
具体地，训练数据集D1为稳态数据。
(8)采用高斯过程回归和贝叶斯理论，使用训练数据集D1对NOx排放浓度预测基模型Z1＝f(X)进行迁移，建立煤种1所对应的NOx排放浓度预测模型。
具体地，模型迁移算法与步骤(5)中迁移算法相同。
(9)重复步骤(7)，从机组历史数据仓库获取另一常用煤种2所对应的N2组运行数据作为模型迁移数据集D2；
具体地，训练数据集D2为稳态数据集。
(10)重复步骤(8)，使用训练数据集D2对NOx排放浓度预测基模型Z2＝f(X)进行迁移，建立煤种2所对应的NOx排放浓度预测模型；
具体地，模型迁移算法与步骤(5)中迁移算法相同。
(11)重复步骤(9)和步骤(10)，建立电站所有常用煤种的NOx排放浓度预测新模型库；
具体地，NOx排放浓度预测模型库可由通讯接口与电站集散控制系统(DCS)或信息监控系统(SIS)进行数据交换，输出宽负荷下NOx排放浓度的预测值，为锅炉运行调整提供决策依据。
(12)随着现场运行数据不断增加，步骤(6)中所建立的基模型库里的模型被对应煤种的新模型替代，进而实现NOx排放浓度预测新模型库的在线更新。
具体地，当燃用新煤种时，新煤种所对应的NOx排放浓度预测模型由设计煤种基模型基于新煤种所对应的运行数据迁移所得，并将所得预测模型加入基模型库作为该煤种的基模型。
上述实施例仅为本发明的优选技术方案，而不应视为对于本发明的限制，本发明的保护范围应以权利要求记载的技术方案，包括权利要求记载的技术方案中技术特征的等同替换方案为保护范围，即在此范围内的等同替换改进，也在本发明的保护范围之内。
Claims (10)
1.一种基于模型迁移的锅炉宽负荷NOx排放浓度预测方法，其特征在于，包括以下步骤：
(1)结合锅炉设计信息和燃料特性，确定负荷、风门开度、氧量主要运行参数分布范围；
(2)结合边界条件的理论可行域，采用正交试验法，针对设计煤种进行CFD数值试验，获取锅炉宽负荷NOx排放浓度预测建模样本；
(3)以CFD数值模拟样本形成锅炉宽负荷建模样本库，建立NOx排放浓度预测基本模型Z＝f(X)，其中X为边界条件，Z为设计煤种所对应的模型输出值；
(4)重复步骤(2)，针对机组历史数据仓库中另一非设计煤种1进行CFD数值试验，获取该煤种下NOx排放浓度预测建模样本；
(5)基于步骤(4)中非设计煤种1下NOx排放浓度预测建模样本，采用高斯过程回归和贝叶斯理论将设计煤种基模型进行迁移，建立非设计煤种1所对应的NOx排放浓度预测基本模型Z1＝f(X)，其中X为边界条件，Z1为非设计煤种1所对应的模型输出值；
(6)重复步骤(4)和步骤(5)，建立电站煤种的NOx排放浓度预测基模型库；
(7)从机组历史数据仓库获取煤种1所对应的N1组运行数据{(Y1,X1),(Y2,X2),…,(YN,XN)}作为模型迁移的训练数据集D1,其中Yi为NOx实际测量值，Xi为边界条件实际值，i＝1,2,…N；
(8)采用高斯过程回归和贝叶斯理论，使用训练数据集D1对NOx排放浓度预测基模型Z1＝f(X)进行迁移，建立煤种1所对应的NOx排放浓度预测模型；
(9)重复步骤(7)，从机组历史数据仓库获取另一煤种2所对应的N2组运行数据作为模型迁移数据集D2；
(10)重复步骤(8)，使用训练数据集D2对NOx排放浓度预测基模型Z2＝f(X)进行迁移，建立煤种2所对应的NOx排放浓度预测模型；
(11)重复步骤(9)和步骤(10)，建立电站所有煤种的NOx排放浓度预测新模型库；
(12)步骤(6)中所建立的基模型库里的模型被对应煤种的新模型替代，进而实现NOx排放浓度预测新模型库的在线更新。
2.如权利要求1所述的一种基于模型迁移的锅炉宽负荷NOx排放浓度预测方法，其特征在于：所述步骤(1)中锅炉设计信息包括几何结构信息以及燃烧器布置形式信息。
3.如权利要求1所述的一种基于模型迁移的锅炉宽负荷NOx排放浓度预测方法，其特征在于：所述步骤(1)中燃料特性包括煤质工业分析信息、元素分析信息以及粒径分布信息。
4.如权利要求1所述的一种基于模型迁移的锅炉宽负荷NOx排放浓度预测方法，其特征在于：所述步骤(2)中边界条件包括负荷、风门开度、氧量以及磨煤机组合方式。
5.如权利要求4所述的一种基于模型迁移的锅炉宽负荷NOx排放浓度预测方法，其特征在于，所述步骤(2)中正交试验法的步骤如下：将负荷、风门开度、氧量、磨煤机组合方式4个参数作为试验因素并根据历史数据中各试验因素的可行域确定各因素的位级数，进而根据因素数和位级数选择正交表安排数值试验。
6.如权利要求1所述的一种基于模型迁移的锅炉宽负荷NOx排放浓度预测方法，其特征在于，所述步骤(2)中获取锅炉宽负荷NOx排放浓度预测建模样本的方法如下：根据锅炉的受热面布置形式、燃烧器类型建立锅炉的几何模型；针对设计煤种，采用计算流体力学软件进行炉内燃烧数值模拟试验，得到不同负荷、风门开度、氧量、磨煤机组合方式下NOx的生成量，并将计算结果作为锅炉宽负荷NOx排放浓度预测建模样本。
7.如权利要求1所述的一种基于模型迁移的锅炉宽负荷NOx排放浓度预测方法，其特征在于：所述步骤(3)中建立NOx排放浓度预测基本模型Z＝f(X)所采用的算法为非线性回归功能算法，所述非线性回归功能的算法为BP神经网络非线性回归功能算法。
8.如权利要求1所述的一种基于模型迁移的锅炉宽负荷NOx排放浓度预测方法，其特征在于：所述步骤(4)中CFD数值试验包括高负荷工况、中负荷工况以及低负荷工况。
9.如权利要求1所述的一种基于模型迁移的锅炉宽负荷NOx排放浓度预测方法，其特征在于：所述步骤(8)模型迁移算法与步骤(5)中非设计煤种1所对应的NOx排放浓度预测模型的算法相同；步骤(10)模型迁移算法与步骤(5)中非设计煤种1所对应的NOx排放浓度预测模型的算法相同。
10.如权利要求9所述的一种基于模型迁移的锅炉宽负荷NOx排放浓度预测方法，其特征在于，所述步骤(5)中非设计煤种1所对应的NOx排放浓度预测模型采用高斯过程回归和贝叶斯理论对基本模型Z＝f(X)进行比例-偏置修正的结果，其形式为
Y(Xi)＝α(Xi)Zi+β(Xi)
其中，Zi为基本模型在Xi处的预测值，i＝1，2，...N；
偏置修正β(Xi)～G(0，C)，C为N×N维协方差矩阵，其位于第i行第j列的元素Cij＝C(Xi，Xj)，
此处，
其中，Xik和Xjk分别是d维输入参数Xi与Xj的第k个变量，δij为Kronecker delta函数，Θ＝[a0，a1，v0，w1，...，wd，σ2]T为已知的超参数；
比例修正选用线性函数：
采用贝叶斯方法确定未知参数α＝[α1，α2，...αd]，即可得到最终的NOx排放浓度预测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911150477.7A CN111222685B (zh) | 2019-11-21 | 2019-11-21 | 基于模型迁移的锅炉宽负荷NOx排放浓度预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911150477.7A CN111222685B (zh) | 2019-11-21 | 2019-11-21 | 基于模型迁移的锅炉宽负荷NOx排放浓度预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111222685A true CN111222685A (zh) | 2020-06-02 |
| CN111222685B CN111222685B (zh) | 2022-07-08 |
Family
ID=70827719
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911150477.7A Active CN111222685B (zh) | 2019-11-21 | 2019-11-21 | 基于模型迁移的锅炉宽负荷NOx排放浓度预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111222685B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111754042A (zh) * | 2020-06-28 | 2020-10-09 | 成都佳华物链云科技有限公司 | 基于高斯回归的大气污染物浓度的预测方法及装置 |
| CN111985681A (zh) * | 2020-07-10 | 2020-11-24 | 河北思路科技有限公司 | 数据预测方法、模型训练方法、装置、设备 |
| CN112036100A (zh) * | 2020-09-24 | 2020-12-04 | 哈尔滨锅炉厂有限责任公司 | 一种基于数值模拟利用回归算法预测炉膛氧气浓度的方法 |
| 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 |
| CN113074459A (zh) * | 2021-03-11 | 2021-07-06 | 国家能源集团新能源技术研究院有限公司 | 锅炉控制优化方法及系统 |
| WO2022052068A1 (zh) * | 2020-09-11 | 2022-03-17 | 西门子（中国）有限公司 | 一种基于目标可用模型的环境预测方法、装置、程序及其电子设备 |
| 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 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN104806995A (zh) * | 2014-05-23 | 2015-07-29 | 国家电网公司 | 一种用于煤质多变情况下优化锅炉运行的方法 |
| CN107726358A (zh) * | 2017-10-12 | 2018-02-23 | 东南大学 | 基于cfd数值模拟和智能建模的锅炉燃烧优化系统及方法 |
-
2019
- 2019-11-21 CN CN201911150477.7A patent/CN111222685B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN104806995A (zh) * | 2014-05-23 | 2015-07-29 | 国家电网公司 | 一种用于煤质多变情况下优化锅炉运行的方法 |
| CN107726358A (zh) * | 2017-10-12 | 2018-02-23 | 东南大学 | 基于cfd数值模拟和智能建模的锅炉燃烧优化系统及方法 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111754042A (zh) * | 2020-06-28 | 2020-10-09 | 成都佳华物链云科技有限公司 | 基于高斯回归的大气污染物浓度的预测方法及装置 |
| CN111985681A (zh) * | 2020-07-10 | 2020-11-24 | 河北思路科技有限公司 | 数据预测方法、模型训练方法、装置、设备 |
| WO2022052068A1 (zh) * | 2020-09-11 | 2022-03-17 | 西门子（中国）有限公司 | 一种基于目标可用模型的环境预测方法、装置、程序及其电子设备 |
| CN112036100A (zh) * | 2020-09-24 | 2020-12-04 | 哈尔滨锅炉厂有限责任公司 | 一种基于数值模拟利用回归算法预测炉膛氧气浓度的方法 |
| 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 |
| CN113074459A (zh) * | 2021-03-11 | 2021-07-06 | 国家能源集团新能源技术研究院有限公司 | 锅炉控制优化方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111222685B (zh) | 2022-07-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111222685B (zh) | 基于模型迁移的锅炉宽负荷NOx排放浓度预测方法 | |
| CN113051831B (zh) | 机床热误差自学习预测模型建模方法及热误差控制方法 | |
| Fu et al. | Integrated thermal error modeling of machine tool spindle using a chicken swarm optimization algorithm-based radial basic function neural network | |
| CN106054597B (zh) | 一种基于粗糙集理论和最小二乘支持向量机的机床加工精度保持性预测方法 | |
| CN102968056A (zh) | 质子交换膜燃料电池的建模系统及其智能预测控制方法 | |
| Li et al. | Thermal error modeling of high-speed electric spindle based on Aquila Optimizer optimized least squares support vector machine | |
| Abdulshahed et al. | Comparative study of ANN and ANFIS prediction models for thermal error compensation on CNC machine tools | |
| Liu et al. | Thermal error modeling of gear hobbing machine based on IGWO-GRNN | |
| Yang et al. | Thermal error modeling by integrating GWO and ANFIS algorithms for the gear hobbing machine | |
| Lu et al. | Decomposed-coordinated framework with enhanced extremum kriging for multicomponent dynamic probabilistic failure analyses | |
| Vogt et al. | Model-based planning of technical building services and process chains for battery cell production | |
| Ren et al. | Machine-learning based thermal-geometric predictive modeling of laser powder bed fusion additive manufacturing | |
| Yao et al. | Synthetic error modeling for NC machine tools based on intelligent technology | |
| Shimoyama et al. | Practical implementation of robust design assisted by response surface approximation and visual data-mining | |
| CN116542164A (zh) | 一种基于物理驱动参数化代理模型的燃烧系统优化设计方法 | |
| Cui et al. | A novel air balancing method for HVAC systems by a full data-driven duct system model | |
| CN116085823A (zh) | 锅炉燃烧控制方法及系统 | |
| CN115758824A (zh) | 基于数据驱动的锅炉炉膛NOx浓度三维分布软测量方法 | |
| Ioshchikhes et al. | Assessing energy efficiency measures for hydraulic systems using a digital twin | |
| Kumar et al. | Experimental validation of characteristic diagram-parameterization for environment-induced thermal interactions on machine tools in a climate chamber | |
| Zheng et al. | Assembly sequence planning method for optimum assembly accuracy of complex products based on modified teaching–learning based optimization algorithm | |
| Zheng et al. | Prediction of NOx concentration from coal combustion using LS-SVR | |
| Ihlenfeldt et al. | On the selection and assessment of input variables for the characteristic diagram based correction of thermo-elastic deformations in machine tools | |
| Rivera et al. | Inspection of the Identification of Thermal Modeling Process in Buildings: A Proposed Methodology for a Case Study in Tropical Climate | |
| Feng et al. | Dynamic Visualization Fluid Analysis of Rolling Furnace Based on Augmented Reality |
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 |