CN111242279A - 一种超超临界煤粉锅炉炉膛结渣预测系统及方法 - Google Patents
一种超超临界煤粉锅炉炉膛结渣预测系统及方法 Download PDFInfo
- Publication number
- CN111242279A CN111242279A CN202010004935.2A CN202010004935A CN111242279A CN 111242279 A CN111242279 A CN 111242279A CN 202010004935 A CN202010004935 A CN 202010004935A CN 111242279 A CN111242279 A CN 111242279A
- Authority
- CN
- China
- Prior art keywords
- slagging
- neural network
- ratio
- algorithm
- sio
- 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
- 239000003245 coal Substances 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 71
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 238000001514 detection method Methods 0.000 claims abstract description 12
- 239000002893 slag Substances 0.000 claims abstract description 12
- 238000005457 optimization Methods 0.000 claims abstract description 7
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical group O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 claims description 38
- PNEYBMLMFCGWSK-UHFFFAOYSA-N aluminium oxide Inorganic materials [O-2].[O-2].[O-2].[Al+3].[Al+3] PNEYBMLMFCGWSK-UHFFFAOYSA-N 0.000 claims description 34
- 229910052593 corundum Inorganic materials 0.000 claims description 34
- 229910001845 yogo sapphire Inorganic materials 0.000 claims description 34
- 238000011156 evaluation Methods 0.000 claims description 33
- 239000002253 acid Substances 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 20
- 229910052681 coesite Inorganic materials 0.000 claims description 19
- 229910052906 cristobalite Inorganic materials 0.000 claims description 19
- 239000000377 silicon dioxide Substances 0.000 claims description 19
- 229910052682 stishovite Inorganic materials 0.000 claims description 19
- 229910052905 tridymite Inorganic materials 0.000 claims description 19
- 239000000779 smoke Substances 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 16
- 229910052782 aluminium Inorganic materials 0.000 claims description 14
- 229910052710 silicon Inorganic materials 0.000 claims description 14
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 claims description 13
- 239000010703 silicon Substances 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 10
- 239000010883 coal ash Substances 0.000 claims description 9
- 238000010521 absorption reaction Methods 0.000 claims description 5
- 239000003513 alkali Substances 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 claims description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 239000002956 ash Substances 0.000 description 4
- 238000010438 heat treatment Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000007664 blowing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910052733 gallium Inorganic materials 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000002536 laser-induced breakdown spectroscopy Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000004071 soot Substances 0.000 description 1
- 229910052717 sulfur Inorganic materials 0.000 description 1
- 239000011593 sulfur Substances 0.000 description 1
- 235000019640 taste Nutrition 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06Q10/04—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
- G06Q50/06—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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Water Supply & Treatment (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Automation & Control Theory (AREA)
- Computational Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Public Health (AREA)
Abstract
本发明涉及一种超超临界煤粉锅炉炉膛结渣预测系统，包括：包括电站锅炉数据库、神经网络算法系统和在线服务系统；所述电站锅炉数据库包括DCS数据库、红外传感器测试数据模块和煤质检测结果数据模块；所述神经网络算法系统包括模糊化算法模块和神经网络算法模块。本发明的有益效果是：采用RPROP算法，将电站DCS数据库嵌入该系统，将该系统嵌入在线服务系统，实现了锅炉炉膛结渣状况的实时、在线监测，更有利于电站工作人员随时对锅炉运行状况进行监测与优化调整；利用模糊神经网络算法，较为准确地对炉膛结渣情况进行预测；无需单独购买硬件设施；该系统能够指导电厂人员及时进行优化运行调整，使用简单方便。
Description
技术领域
本发明涉及超超临界煤粉锅炉领域，尤其包括一种超超临界煤粉锅炉炉膛结渣预测系统及方法。
背景技术
近10多年来，电力行业为提高能源转化率、降低供电煤耗，大规模发展超超临界机组，其发展趋势向高参数大容量方向靠拢。据统计，目前已有400多台600MW和1000MW超超临界机组投入运行，随着研究的不断深入和市场需求的逐步扩大，超超临界机组已经成为世界各国的重点研究对象。预计今后相当长一段时间内，煤炭仍然是主要的一次能源，超超临界煤粉锅炉也将在今后较长时间在电力行业占据主导地位。
与此同时，我国煤种品味高低不等，变化范围宽，含灰量、含硫量较高，实际燃煤又经常偏离设计用煤，导致锅炉受热面存在不同程度的结渣问题。锅炉炉膛结渣常使得炉内水冷壁传热能力降低，炉内火焰中心向后推移从而进一步导致炉膛出口烟温升高。炉膛烟温升高使得过热气温偏高，不仅危害过热器，还会导致汽轮机事故。传热阻力增大，使得锅炉无法维持满负荷运行，只得增加投煤量，引起炉膛出口烟温进一步升高，使得灰渣更易粘附在受热面上，形成恶性循环并引发一系列恶性循环事故。大块的渣掉落也会砸坏水冷壁和灰斗使灰斗发生堵塞，导致炉膛熄火，甚至造成人身身亡。因此，如何对锅炉炉膛结渣问题进行预测并提早采取优化运行措施就显得尤为重要。
利用神经网络方法预测炉膛结渣倾向技术国内早有研究，陆继东等人(一种煤炭结渣倾向快速监测仪，CN 1975382A)公开了一种煤炭结渣倾向快速监测仪，利用激光感生击穿光谱法对入炉煤种Si、Al、Fe、Ga等元素进行定量分析，然后采用模糊神经网络方法进行综合分析，得到煤炭结渣倾向。但是由于炉膛结渣不仅仅与煤质有关，还与锅炉结构、炉内空气动力工况有关，单一根据煤种中元素进行结渣预测，将导致预测准确性有限。余立新(基于人工神经网络原理的锅炉受热面智能吹灰方法，CN 103062781A)基于BP神经网络算法，将受热面温度检测数据和DAS数据作为输入值，将灰污系数作为输出值，通过不断调整输入层和隐含层以及隐含层和输出层之间的权重因子，达到训练网络的目的，当灰污系数超过阈值时进行吹渣、吹灰。但这在炉膛及对流受热面设置较多热电偶不仅提高了运行成本，其对热电偶的耐热性也提出了新的要求。
综上所述，提出一种超超临界煤粉锅炉炉膛结渣预测系统及方法，就显得尤为重要。
发明内容
本发明的目的是克服现有技术中的不足，针对现有超超临界煤粉锅炉存在的炉膛结渣问题及现有技术存在预测准确性不高，装置造价高且复杂等一些问题，提供一种超超临界煤粉锅炉炉膛结渣预测系统及方法,以供电厂人员及时进行优化调整。
这种超超临界煤粉锅炉炉膛结渣预测系统，包括电站锅炉数据库、神经网络算法系统和在线服务系统；所述电站锅炉数据库包括DCS数据库、红外传感器测试数据模块和煤质检测结果数据模块；所述神经网络算法系统包括模糊化算法模块和神经网络算法模块；
所述DCS数据库用于获取水冷壁内工质的运行参数；所述运行参数包括：水冷壁内工质压力P和水冷壁内工质流量Q；
所述红外传感器测试数据模块用于测试炉膛出口处红外传感器测得的炉膛出口烟温T；
所述煤质检测结果数据模块用于获取煤灰特性参数，所述煤灰特性参数包括软化温度t2、硅铝比SiO2/Al2O3、碱酸比B/A和综合指数R；
所述模糊化算法模块的输入值为DCS数据库、红外传感器测试数据模块和煤质检测结果数据模块的数据；模糊化算法模块对输入值进行部分模糊化处理：软化温度t2、硅铝比SiO2/Al2O3、碱酸比B/A和综合指数R这四个参数通过各自三角形隶属函数进行模糊化处理；炉膛出口烟温T、水冷壁内工质压力P以及水冷壁内工质流量Q不做处理；
所述神经网络算法模块采用模糊算法串联RPROP算法的方式进行结渣倾向预测，模糊化处理后的输出值为第一隐层的输出值；将第一隐层的输出值作为神经网络的输入值，通过神经网络算法模块的第一隐层与第二隐层、第二隐层与输出值之间权值、阈值的调整，对该网络进行训练；将现运行的水冷壁内工质压力P、水冷壁内工质流量Q、炉膛出口烟温T、软化温度t2、硅铝比SiO2/Al2O3、碱酸比B/A和综合指数R作为神经网络系统的输入值，经网络计算获得炉膛结渣预测结果。
作为优选，所述神经网络算法模块的输入层节点数为7；第一隐层节点数为15；第二节隐层节点数为7～15；所述神经网络算法模块的输出层节点数为1，所述输出层节点为热有效性系数ψ；热有效性系数ψ的定义为：
上式中，qt为投射辐射热流，单位为W/m2；qft为反方向辐射热流；qyx为有效吸收热流，qyx＝qt-qft，qyx为投射辐射热流与反方向辐射热流的差值；预先通过试验获得不同输入值情况下的炉膛热有效性系数，作为神经网路的学习值。
作为优选，所述红外传感器位于炉膛出口左右墙各自1/3观火孔处；每台红外传感器发射出11条测量路线，每隔5°测量一个温度值，每台红外传感器共摆动50°，以红外传感器测量温度值的平均值作为神经网络算法系统的输入值。
这种超超临界煤粉锅炉炉膛结渣预测系统的预测方法，包括以下步骤：
1)、获取电站已有运行参数，所述电站已有运行参数包括DCS数据库获取的水冷壁内工质压力P和水冷壁内工质流量Q、红外传感器测得的炉膛出口烟温T、煤质检测结果数据模块获取的软化温度t2、硅铝比SiO2/Al2O3、碱酸比B/A和综合指数R；将电站已有运行参数作为神经网络系统的输入值，将试验获得的热有效性系数ψ作为神经网络系统的输出值；
2)、通过三角形隶属函数按照各自结渣倾向评判指标将步骤1)所述神经网络系统的输入值进行部分模糊化处理；
3)采用模糊算法串联RPROP算法的方式，模糊化处理后的输出值为第一隐层的输出值；将模糊化处理后的输出值作为神经网络的输入值，通过第一隐层与第二隐层、第二隐层与输出值之间权值、阈值的调整，对神经网络进行训练；
4)以训练后的神经网络为基础，将电站运行下的运行参数作为系统的输入值输入，得到炉膛热有效性系数ψ，供电站工作人员进行相应优化调整。
作为优选，步骤2)所述部分模糊化处理的方式为：将软化温度t2、硅铝比SiO2/Al2O3、碱酸比B/A和综合指数R这四个参数通过三角形隶属函数按照各自结渣倾向评判指标进行模糊化处理，求得结渣倾向评判指标对应的轻微、中等或严重的隶属度；而炉膛出口烟温T、水冷壁内工质压力P和水冷壁内工质流量Q的第一隐层输入值与输入值相同。
作为优选，所述结渣倾向评判指标对应的轻微、中等或严重的隶属度为:
当软化温度t2>1390时，结渣倾向评判指标对应轻微的隶属度；当软化温度t2满足1390>t2>1260时，结渣倾向评判指标对应中等的隶属度；当软化温度t2<1260时，结渣倾向评判指标对应严重的隶属度；
当硅铝比SiO2/Al2O3<1.87时，结渣倾向评判指标对应轻微的隶属度；当硅铝比SiO2/Al2O3满足1.87<硅铝比SiO2/Al2O3<2.65时，结渣倾向评判指标对应中等的隶属度；当硅铝比SiO2/Al2O3>2.65时，结渣倾向评判指标对应严重的隶属度；
当碱酸比B/A<0.206时，结渣倾向评判指标对应轻微的隶属度；当碱酸比B/A满足0.206<碱酸比B/A<0.4时，结渣倾向评判指标对应中等的隶属度；当碱酸比B/A>0.4时，结渣倾向评判指标对应严重的隶属度；
当综合指数R<1.5时，结渣倾向评判指标对应轻微的隶属度；当综合指数R满足1.5<综合指数R<2.5时，结渣倾向评判指标对应中等的隶属度；当综合指数R>2.5时，结渣倾向评判指标对应严重的隶属度。
作为优选，所述软化温度t2、硅铝比SiO2/Al2O3、碱酸比B/A和综合指数R这四个因素的渣倾向评判指标对应的隶属度函数rij为：
上式(1)至式(12)中，rij中i＝1,2,3,4时x分别取软化温度t2、硅铝比SiO2/Al2O3、碱酸比B/A和综合指数R，j＝1,2,3时对应轻微、中等、严重三项结渣程度。
作为优选，步骤3)所述神经网络所在的神经网络算法模块的输入层节点数为7；第一隐层节点数为15；第二节隐层节点数为7～15；所述神经网络算法模块的输出层节点数为1，所述输出层节点为热有效性系数ψ。
作为优选，所述热有效性系数ψ为：
上式中，qt为投射辐射热流，单位为W/m2；qft为反方向辐射热流；qyx为有效吸收热流，qyx＝qt-qft，qyx为投射辐射热流与反方向辐射热流的差值。
本发明的有益效果是：
(1)由于本发明采用RPROP算法，将电站DCS数据库嵌入该系统，并将该系统嵌入在线服务系统，实现了锅炉炉膛结渣状况的实时、在线监测，更有利于电站工作人员随时对锅炉运行状况进行监测与优化调整。本发明利用模糊神经网络算法，较为准确地对炉膛结渣情况进行预测。将电厂DCS数据库嵌入该系统，实现数据库间的无缝衔接。
(2)将锅炉结渣预测系统与网络服务系衔接，无需单独购买硬件设施，也使得电站工作人员可以随时随地对锅炉运行状况进行监测。该系统能够指导电厂人员及时进行优化运行调整，使用简单方便。
附图说明
图1为超超临界煤粉锅炉炉膛结渣预测系统构成图；
图2为超超临界煤粉锅炉炉膛结渣预测系统运行流程图；
图3为神经网络系统结构图；
图4为红外传感器测温分布图。
具体实施方式
下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出，对于本技术领域的普通人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
本发明的超超临界煤粉锅炉炉膛结渣预测系统，主要电站锅炉数据库，神经网络算法系统，以及在线服务系统三大模块，该系统基于RPROP算法，将电站DCS数据库中已有大量运行参数数据、煤灰特性参数以及炉膛出口处红外传感器测得的炉膛出口烟温导入神经网络算法数据库，利用模糊化算法将输入值进行部分模糊化处理，将输出值作为人工神经网络输入值，利用试验获得的热有效性系数通过对网络进行训练，建立神经网络，接着将现运行各参数作为神经网络系统输入值，经网络计算获得炉膛热有效性系数，用于指导电站工作人员及时进行运行优化调整，同时将该系统嵌入在线服务系统，大大降低了系统的运行成本，提高了电站工作人员的工作效率。
如图1所示，本发明提供的一种超超临界煤粉锅炉炉膛结渣预测系统，主要包括电站锅炉数据库、神经网络算法系统以及在线服务系统三大模块，其中电站锅炉数据库包括：DCS数据库、红外传感器测试数据模块以及煤质检测结果数据模块，神经网络系统包括模糊化算法和神经网络算法。
DCS数据库，用于获取水冷壁内工质的运行参数，包括水冷壁内工质压力P、水冷壁内工质流量Q；
所述红外传感器位于炉膛出口左右墙各自1/3观火孔处；每台红外传感器发射出11条测量路线，每隔5°测量一个温度值，每台红外传感器共摆动50°，以红外传感器测量温度值的平均值作为神经网络算法系统的输入值，如图4所示；
煤质检测结果数据模块，用于获取煤灰特性参数，包括t2，SiO2/Al2O3，B/A，R。
模糊化算法，用于输入值进行部分模糊化处理；其中t2、SiO2/Al2O3、B/A、R四个参数通过各自隶属函数进行模糊化处理；模糊化算法模块对输入值进行部分模糊化处理：t2、SiO2/Al2O3、B/A、R四个参数通过各自三角形隶属函数进行模糊化处理；炉膛出口烟温T、水冷壁内工质压力P以及水冷壁内工质流量Q不做处理；
神经网络算法，用于将模糊化后的输出值作为神经网络的输入值，通过第一隐层与第二隐层、第二隐层与输出值之间权值、阈值的调整，对该网络进行训练；用于以训练后的神经网络为基础，将实际运行下的各个参数作为系统输入值输入，得到炉膛热有效性系数输出值，供电站工作人员进行相应优化调整。
在线服务系统，将锅炉结渣预测系统与网络服务系衔接，无需单独购买硬件设施，也使得电站工作人员可以随时随地对锅炉运行状况进行监测。
如图2所示，该系统工作流程为：
(1)将电站已有运行参数作为系统输入值，通过三角形隶属度函数按照各自结渣倾向评判指标将输入值进行部分模糊化处理；
(2)将模糊化后的输出值作为神经网络的输入值，通过第一隐层与第二隐层、第二隐层与输出值之间权值、阈值的调整，对该网络进行训练；
将电站DCS数据库中运行参数数据、煤灰特性参数以及炉膛出口处红外传感器测得的炉膛出口烟温作为神经网络系统的输入值。
所述的神经网络算法系统输入值如图3所示具体包括：DCS数据库中运行参数水冷壁内工质压力P和水冷壁内工质流量Q；煤灰特性参数：软化温度t2，硅铝比SiO2/Al2O3，碱酸比B/A，综合判别指数R，以及炉膛出口处红外传感器测得的炉膛出口烟温T。影响炉膛结渣的因素有煤质、锅炉结构和炉内空气动力场，因此将煤灰特性参数t2，SiO2/Al2O3，B/A，R，与体现运行工况的管内工质压力、管内工质流量和炉膛出口烟温7个物理量作为神经网络输入值。
其中t2、SiO2/Al2O3、B/A、R四个参数通过各自隶属函数进行模糊化处理，其余三个参数的第一隐层输入值与输入值相同。
(3)以训练后的神经网络为基础，将实际运行下的各个参数作为系统输入值输入，得到炉膛热有效性系数输出值，供电站工作人员进行相应优化调整。
所述的采用模糊算法串联RPROP算法的方式进行结渣倾向预测，指将第一隐层的输出值作为神经网络的输入值，通过不断训练，逐步将第一隐层与第二隐层、第二隐层与输出值之间权值、阈值修正，形成训练好的网络。将电站运行实时数据导入已经训练好的网络中，实现电站运行状况的实时、在线监测。
采用模糊算法串联神经网络算法的方式进行炉膛结渣倾向预测。所述模糊算法指通过三角形隶属函数将t2、SiO2/Al2O3、B/A、R四个指标模糊化，P、Q、T三个指标不进行模糊化。所述神经网络算法指RPROP算法，网络输入层节点数为7，第一隐层节点数为15，第二节隐层节点数为10，输出为热有效性系数ψ1个节点。ψ的定义如下：
表1结渣倾向评判标准表
根据结渣倾向评判指标中隶属度表，隶属度函数rij为：
上式(1)至式(12)中，rij中i＝1,2,3,4时x分别取软化温度t2、硅铝比SiO2/Al2O3、碱酸比B/A和综合指数R，j＝1,2,3时对应轻微、中等、严重三项结渣程度。
当软化温度t2>1390时，结渣倾向评判指标对应轻微的隶属度；当软化温度t2满足1390>t2>1260时，结渣倾向评判指标对应中等的隶属度；当软化温度t2<1260时，结渣倾向评判指标对应严重的隶属度；
当硅铝比SiO2/Al2O3<1.87时，结渣倾向评判指标对应轻微的隶属度；当硅铝比SiO2/Al2O3满足1.87<硅铝比SiO2/Al2O3<2.65时，结渣倾向评判指标对应中等的隶属度；当硅铝比SiO2/Al2O3>2.65时，结渣倾向评判指标对应严重的隶属度；
当碱酸比B/A<0.206时，结渣倾向评判指标对应轻微的隶属度；当碱酸比B/A满足0.206<碱酸比B/A<0.4时，结渣倾向评判指标对应中等的隶属度；当碱酸比B/A>0.4时，结渣倾向评判指标对应严重的隶属度；
当综合指数R<1.5时，结渣倾向评判指标对应轻微的隶属度；当综合指数R满足1.5<综合指数R<2.5时，结渣倾向评判指标对应中等的隶属度；当综合指数R>2.5时，结渣倾向评判指标对应严重的隶属度。
所述的神经网络算法采用模糊算法串联RPROP算法。通过三角形隶属函数将指标模糊化，求得指标对应的轻微、中等、严重的隶属度。采用模糊算法串联神经网络算法的方式，将模糊化后的值作为神经网络的输入值，然后利用神经网络高度非线性特性进行训练，权值、阈值通过不断地修正，建立输入值与输出值之间的非线性关系。RPROP算法(弹性BP算法)是一种改进的BP算法，多层BP网络常采用sigmoid作为其传递函数，但是当输入量取值很大时，其斜率趋近于零，采用函数sigmoid常常会导致权值、阈值即使与最佳值相差较远，修正梯度也会很小，从而导致训练过程变得很长。RPROP算法消除了BP算法中存在的问题，大大提高了计算速度与准确度。
所述的在线服务系统是将该锅炉结渣预测系统嵌入网络服务系统，电站工作人员只需安装相应的软件便可实现实时、在线监测，无需重新购买硬件设施，同时也极大地方便了电站工作人员的操作。
Claims (9)
1.一种超超临界煤粉锅炉炉膛结渣预测系统，其特征在于：包括电站锅炉数据库、神经网络算法系统和在线服务系统；所述电站锅炉数据库包括DCS数据库、红外传感器测试数据模块和煤质检测结果数据模块；所述神经网络算法系统包括模糊化算法模块和神经网络算法模块；
所述DCS数据库用于获取水冷壁内工质的运行参数；所述运行参数包括：水冷壁内工质压力P和水冷壁内工质流量Q；
所述红外传感器测试数据模块用于测试炉膛出口处红外传感器测得的炉膛出口烟温T；
所述煤质检测结果数据模块用于获取煤灰特性参数，所述煤灰特性参数包括软化温度t2、硅铝比SiO2/Al2O3、碱酸比B/A和综合指数R；
所述模糊化算法模块的输入值为DCS数据库、红外传感器测试数据模块和煤质检测结果数据模块的数据；模糊化算法模块对输入值进行部分模糊化处理：软化温度t2、硅铝比SiO2/Al2O3、碱酸比B/A和综合指数R四个参数通过各自三角形隶属函数进行模糊化处理；炉膛出口烟温T、水冷壁内工质压力P以及水冷壁内工质流量Q不做处理；
所述神经网络算法模块采用模糊算法串联RPROP算法的方式进行结渣倾向预测，模糊化处理后的输出值为第一隐层的输出值；将第一隐层的输出值作为神经网络的输入值，通过神经网络算法模块的第一隐层与第二隐层、第二隐层与输出值之间权值、阈值的调整，对该网络进行训练；将现运行的水冷壁内工质压力P、水冷壁内工质流量Q、炉膛出口烟温T、软化温度t2、硅铝比SiO2/Al2O3、碱酸比B/A和综合指数R作为神经网络系统的输入值，经网络计算获得炉膛结渣预测结果。
2.根据权利要求1所述的超超临界煤粉锅炉炉膛结渣预测系统，其特征在于：所述神经网络算法模块的输入层节点数为7；第一隐层节点数为15；第二节隐层节点数为7～15；所述神经网络算法模块的输出层节点数为1，所述输出层节点为热有效性系数ψ；热有效性系数ψ的定义为：
上式中，qt为投射辐射热流，单位为W/m2；qft为反方向辐射热流；qyx为有效吸收热流，qyx＝qt-qft，qyx为投射辐射热流与反方向辐射热流的差值；预先通过试验获得不同输入值情况下的炉膛热有效性系数，作为神经网路的学习值。
3.根据权利要求1所述的超超临界煤粉锅炉炉膛结渣预测系统，其特征在于：所述红外传感器位于炉膛出口左右墙各自1/3观火孔处；每台红外传感器发射出11条测量路线，每隔5°测量一个温度值，每台红外传感器共摆动50°，以红外传感器测量温度值的平均值作为神经网络算法系统的输入值。
4.一种如权利要求1所述的超超临界煤粉锅炉炉膛结渣预测系统的预测方法，其特征在于，包括以下步骤：
1)、获取电站已有运行参数，所述电站已有运行参数包括DCS数据库获取的水冷壁内工质压力P和水冷壁内工质流量Q、红外传感器测得的炉膛出口烟温T、煤质检测结果数据模块获取的软化温度t2、硅铝比SiO2/Al2O3、碱酸比B/A和综合指数R；将电站已有运行参数作为神经网络系统的输入值，将试验获得的热有效性系数ψ作为神经网络系统的输出值；
2)、通过三角形隶属函数按照各自结渣倾向评判指标将步骤1)所述神经网络系统的输入值进行部分模糊化处理；
3)采用模糊算法串联RPROP算法的方式，模糊化处理后的输出值为第一隐层的输出值；将模糊化处理后的输出值作为神经网络的输入值，通过第一隐层与第二隐层、第二隐层与输出值之间权值、阈值的调整，对神经网络进行训练；
4)以训练后的神经网络为基础，将电站运行下的运行参数作为系统的输入值输入，得到炉膛热有效性系数ψ，供电站工作人员进行相应优化调整。
5.根据权利要求4所述的超超临界煤粉锅炉炉膛结渣预测系统的预测方法，其特征在于，步骤2)所述部分模糊化处理的方式为：将软化温度t2、硅铝比SiO2/Al2O3、碱酸比B/A和综合指数R这四个参数通过三角形隶属函数按照各自结渣倾向评判指标进行模糊化处理，求得结渣倾向评判指标对应的轻微、中等或严重的隶属度；而炉膛出口烟温T、水冷壁内工质压力P和水冷壁内工质流量Q的第一隐层输入值与输入值相同。
6.根据权利要求5所述的超超临界煤粉锅炉炉膛结渣预测系统的预测方法，其特征在于，所述结渣倾向评判指标对应的轻微、中等或严重的隶属度为:
当软化温度t2>1390时，结渣倾向评判指标对应轻微的隶属度；当软化温度t2满足1390>t2>1260时，结渣倾向评判指标对应中等的隶属度；当软化温度t2<1260时，结渣倾向评判指标对应严重的隶属度；
当硅铝比SiO2/Al2O3<1.87时，结渣倾向评判指标对应轻微的隶属度；当硅铝比SiO2/Al2O3满足1.87<硅铝比SiO2/Al2O3<2.65时，结渣倾向评判指标对应中等的隶属度；当硅铝比SiO2/Al2O3>2.65时，结渣倾向评判指标对应严重的隶属度；
当碱酸比B/A<0.206时，结渣倾向评判指标对应轻微的隶属度；当碱酸比B/A满足0.206<碱酸比B/A<0.4时，结渣倾向评判指标对应中等的隶属度；当碱酸比B/A>0.4时，结渣倾向评判指标对应严重的隶属度；
当综合指数R<1.5时，结渣倾向评判指标对应轻微的隶属度；当综合指数R满足1.5<综合指数R<2.5时，结渣倾向评判指标对应中等的隶属度；当综合指数R>2.5时，结渣倾向评判指标对应严重的隶属度。
7.根据权利要求4所述的超超临界煤粉锅炉炉膛结渣预测系统的预测方法，其特征在于，所述软化温度t2、硅铝比SiO2/Al2O3、碱酸比B/A和综合指数R这四个因素的渣倾向评判指标对应的隶属度函数rij为：
上式(1)至式(12)中，rij中i＝1,2,3,4时x分别取软化温度t2、硅铝比SiO2/Al2O3、碱酸比B/A和综合指数R，j＝1,2,3时对应轻微、中等、严重三项结渣程度。
8.根据权利要求4所述的超超临界煤粉锅炉炉膛结渣预测系统的预测方法，其特征在于：步骤3)所述神经网络所在的神经网络算法模块的输入层节点数为7；第一隐层节点数为15；第二节隐层节点数为7～15；所述神经网络算法模块的输出层节点数为1，所述输出层节点为热有效性系数ψ。
9.根据权利要求8所述的超超临界煤粉锅炉炉膛结渣预测系统的预测方法，其特征在于，所述热有效性系数ψ为：
上式中，qt为投射辐射热流，单位为W/m2；qft为反方向辐射热流；qyx为有效吸收热流，qyx＝qt-qft，qyx为投射辐射热流与反方向辐射热流的差值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010004935.2A CN111242279B (zh) | 2020-01-03 | 2020-01-03 | 一种超超临界煤粉锅炉炉膛结渣预测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010004935.2A CN111242279B (zh) | 2020-01-03 | 2020-01-03 | 一种超超临界煤粉锅炉炉膛结渣预测系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111242279A true CN111242279A (zh) | 2020-06-05 |
| CN111242279B CN111242279B (zh) | 2023-09-08 |
Family
ID=70872337
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010004935.2A Active CN111242279B (zh) | 2020-01-03 | 2020-01-03 | 一种超超临界煤粉锅炉炉膛结渣预测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111242279B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112784405A (zh) * | 2021-01-06 | 2021-05-11 | 润电能源科学技术有限公司 | 一种基于数值模拟的锅炉结渣预测方法及相关装置 |
| CN113052391A (zh) * | 2021-04-09 | 2021-06-29 | 东方电气集团科学技术研究院有限公司 | 一种锅炉受热面结焦在线预测方法 |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0743604A1 (en) * | 1995-05-16 | 1996-11-20 | Sharp Kabushiki Kaisha | A fuzzy-neural network system and a learning method therein |
| WO2002057989A2 (en) * | 2001-01-18 | 2002-07-25 | Basf Aktiengesellschaft | Method for metabolic profiling |
| US20070240648A1 (en) * | 2006-03-06 | 2007-10-18 | Badami Vivek V | Systems and Methods for Multi-Level Optimizing Control Systems for Boilers |
| KR20070112967A (ko) * | 2006-05-24 | 2007-11-28 | 한국서부발전 주식회사 | 발전소 보일러 회부착 방지를 위한 석탄회 특성평가방법 |
| GB0815696D0 (en) * | 2007-08-31 | 2008-10-08 | Emerson Process Man Power & Water Solutions | Dual model approach for boiler section cleanlines calculation |
| CN101598688A (zh) * | 2009-06-10 | 2009-12-09 | 东南大学 | 基于煤质在线测量的锅炉灰污监测及吹灰优化方法 |
| CN102519046A (zh) * | 2011-12-02 | 2012-06-27 | 西安交通大学 | 一种化工废弃物回收利用系统及方法 |
| CN102607009A (zh) * | 2012-02-20 | 2012-07-25 | 华北电力大学 | 锅炉对流受热面灰污监测系统 |
| CN103064289A (zh) * | 2012-12-19 | 2013-04-24 | 华南理工大学 | 一种垃圾发电厂多目标运行优化及协调的控制方法及装置 |
| KR101434949B1 (ko) * | 2013-05-28 | 2014-09-25 | 서울샤프중공업 주식회사 | 스래깅 방지수단이 구비되고 연소실이 일체로 구비된 습식탈황 집진설비를 구비하는 미분화한 석유코크스 정제분말 연소 시스템 |
| CN105240868A (zh) * | 2015-11-05 | 2016-01-13 | 哈尔滨汇通电力工程有限公司 | 基于风煤比煤质校正的锅炉自动燃烧调整控制方法 |
| CN106524122A (zh) * | 2016-11-08 | 2017-03-22 | 广东电网有限责任公司电力科学研究院 | 一种电站锅炉结渣分析方法及装置 |
| CN107103176A (zh) * | 2017-01-17 | 2017-08-29 | 东南大学 | 基于多源信息融合技术的燃煤锅炉scr催化剂寿命评价方法 |
| US20170343300A1 (en) * | 2016-05-25 | 2017-11-30 | Nova Chemicals (International) S.A. | U-bends with the reduced pressure losses to fluid distributing networks |
| CN110081448A (zh) * | 2019-05-20 | 2019-08-02 | 天津国电津能滨海热电有限公司 | 锅炉炉膛智能吹灰系统 |
| CN110390420A (zh) * | 2019-06-06 | 2019-10-29 | 广州特种承压设备检测研究院 | 基于粒子群优化人工神经网络的过热器结渣预测方法 |
-
2020
- 2020-01-03 CN CN202010004935.2A patent/CN111242279B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0743604A1 (en) * | 1995-05-16 | 1996-11-20 | Sharp Kabushiki Kaisha | A fuzzy-neural network system and a learning method therein |
| WO2002057989A2 (en) * | 2001-01-18 | 2002-07-25 | Basf Aktiengesellschaft | Method for metabolic profiling |
| US20070240648A1 (en) * | 2006-03-06 | 2007-10-18 | Badami Vivek V | Systems and Methods for Multi-Level Optimizing Control Systems for Boilers |
| KR20070112967A (ko) * | 2006-05-24 | 2007-11-28 | 한국서부발전 주식회사 | 발전소 보일러 회부착 방지를 위한 석탄회 특성평가방법 |
| GB0815696D0 (en) * | 2007-08-31 | 2008-10-08 | Emerson Process Man Power & Water Solutions | Dual model approach for boiler section cleanlines calculation |
| CN101598688A (zh) * | 2009-06-10 | 2009-12-09 | 东南大学 | 基于煤质在线测量的锅炉灰污监测及吹灰优化方法 |
| CN102519046A (zh) * | 2011-12-02 | 2012-06-27 | 西安交通大学 | 一种化工废弃物回收利用系统及方法 |
| CN102607009A (zh) * | 2012-02-20 | 2012-07-25 | 华北电力大学 | 锅炉对流受热面灰污监测系统 |
| CN103064289A (zh) * | 2012-12-19 | 2013-04-24 | 华南理工大学 | 一种垃圾发电厂多目标运行优化及协调的控制方法及装置 |
| KR101434949B1 (ko) * | 2013-05-28 | 2014-09-25 | 서울샤프중공업 주식회사 | 스래깅 방지수단이 구비되고 연소실이 일체로 구비된 습식탈황 집진설비를 구비하는 미분화한 석유코크스 정제분말 연소 시스템 |
| CN105240868A (zh) * | 2015-11-05 | 2016-01-13 | 哈尔滨汇通电力工程有限公司 | 基于风煤比煤质校正的锅炉自动燃烧调整控制方法 |
| US20170343300A1 (en) * | 2016-05-25 | 2017-11-30 | Nova Chemicals (International) S.A. | U-bends with the reduced pressure losses to fluid distributing networks |
| CN106524122A (zh) * | 2016-11-08 | 2017-03-22 | 广东电网有限责任公司电力科学研究院 | 一种电站锅炉结渣分析方法及装置 |
| CN107103176A (zh) * | 2017-01-17 | 2017-08-29 | 东南大学 | 基于多源信息融合技术的燃煤锅炉scr催化剂寿命评价方法 |
| CN110081448A (zh) * | 2019-05-20 | 2019-08-02 | 天津国电津能滨海热电有限公司 | 锅炉炉膛智能吹灰系统 |
| CN110390420A (zh) * | 2019-06-06 | 2019-10-29 | 广州特种承压设备检测研究院 | 基于粒子群优化人工神经网络的过热器结渣预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 王成文: "电站锅炉受热面积灰结渣在线监测", pages 13 - 24 * |
| 王洪亮: "基于模糊神经网络的电站燃煤锅炉结渣预测", vol. 26, no. 26, pages 28 - 32 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112784405A (zh) * | 2021-01-06 | 2021-05-11 | 润电能源科学技术有限公司 | 一种基于数值模拟的锅炉结渣预测方法及相关装置 |
| CN112784405B (zh) * | 2021-01-06 | 2024-06-11 | 润电能源科学技术有限公司 | 一种基于数值模拟的锅炉结渣预测方法及相关装置 |
| CN113052391A (zh) * | 2021-04-09 | 2021-06-29 | 东方电气集团科学技术研究院有限公司 | 一种锅炉受热面结焦在线预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111242279B (zh) | 2023-09-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101598688B (zh) | 基于煤质在线测量的锅炉灰污监测及吹灰优化方法 | |
| CN103759277B (zh) | 燃煤电站锅炉智能吹灰闭环控制方法、装置和系统 | |
| CN112283689B (zh) | 燃煤电站锅炉受热面积灰在线监测系统及其检测方法 | |
| CN103604132B (zh) | 锅炉对流受热面积灰在线监测系统 | |
| CN109695892B (zh) | 一种锅炉受热面壁温保护方法及装置 | |
| CN105972585A (zh) | 一种循环流化床锅炉吹灰优化系统及方法 | |
| CN111242279A (zh) | 一种超超临界煤粉锅炉炉膛结渣预测系统及方法 | |
| CN106773955A (zh) | 一种锅炉吹灰优化系统及其优化方法 | |
| CN110472274A (zh) | 一种锅炉内流场热偏差模型实时预测方法 | |
| CN110390420A (zh) | 基于粒子群优化人工神经网络的过热器结渣预测方法 | |
| CN108760592A (zh) | 一种基于bp神经网络的飞灰含碳量在线测量方法 | |
| CN103760191B (zh) | 基于动态补偿的全工况锅炉受热面污染监测方法和装置 | |
| CN112381210B (zh) | 一种燃煤机组水冷壁壁温预测神经网络模型 | |
| CN110298502A (zh) | 基于能效最优的锅炉最佳氧量计算方法 | |
| CN102588943A (zh) | 一种锅炉对流受热面灰污监测系统及监测方法 | |
| CN113761794A (zh) | 基于时间序列预测算法补全污染因子的锅炉吹灰优化方法 | |
| CN211854055U (zh) | 一种用于控制锅炉吹灰器的控制系统 | |
| CN213178308U (zh) | 一种超超临界煤粉锅炉防结渣系统 | |
| CN112396162A (zh) | 一种燃煤机组屛式过热器壁温预测神经网络模型 | |
| CN116464956A (zh) | 电站锅炉受热面灰污智能监测监视和清灰方法及闭环控制系统 | |
| Li et al. | Prediction of pollution state of heating surface in coal-fired utility boilers | |
| CN113052391B (zh) | 一种锅炉受热面结焦在线预测方法 | |
| CN114034054A (zh) | 电站锅炉吹灰器运行优化与状态监测系统和方法 | |
| CN106382842A (zh) | 一种水泥厂余热回收多环路换热器爆管监控方法及系统 | |
| CN211011433U (zh) | 一种锅炉吹灰优化控制系统 |
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 |