CN111260107B - 锅炉燃烧优化系统及方法 - Google Patents
锅炉燃烧优化系统及方法 Download PDFInfo
- Publication number
- CN111260107B CN111260107B CN201910857796.5A CN201910857796A CN111260107B CN 111260107 B CN111260107 B CN 111260107B CN 201910857796 A CN201910857796 A CN 201910857796A CN 111260107 B CN111260107 B CN 111260107B
- Authority
- CN
- China
- Prior art keywords
- boiler
- algorithm
- combustion
- optimization
- unit
- 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
Links
- 238000002485 combustion reaction Methods 0.000 title claims abstract description 157
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000005457 optimization Methods 0.000 title claims description 175
- 238000004422 calculation algorithm Methods 0.000 claims description 194
- 238000004364 calculation method Methods 0.000 claims description 52
- 238000007781 pre-processing Methods 0.000 claims description 18
- 238000004088 simulation Methods 0.000 claims description 18
- 230000002068 genetic effect Effects 0.000 claims description 16
- 239000003344 environmental pollutant Substances 0.000 claims description 10
- 231100000719 pollutant Toxicity 0.000 claims description 10
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 230000001747 exhibiting effect Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 43
- 230000006870 function Effects 0.000 description 20
- 230000008569 process Effects 0.000 description 19
- 239000002245 particle Substances 0.000 description 15
- 238000010586 diagram Methods 0.000 description 12
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 9
- 230000005856 abnormality Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000013461 design Methods 0.000 description 7
- 238000001914 filtration Methods 0.000 description 5
- 239000000446 fuel Substances 0.000 description 5
- 239000007789 gas Substances 0.000 description 5
- 239000003550 marker Substances 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical class [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 239000000567 combustion gas Substances 0.000 description 2
- 239000000356 contaminant Substances 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000003061 neural cell Anatomy 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 208000011580 syndromic disease Diseases 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 241000251468 Actinopterygii Species 0.000 description 1
- 241000899793 Hypsophrys nicaraguensis Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 229910002090 carbon oxide Inorganic materials 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000011273 social behavior Effects 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F22—STEAM GENERATION
- F22B—METHODS OF STEAM GENERATION; STEAM BOILERS
- F22B35/00—Control systems for steam boilers
- F22B35/18—Applications of computers to steam boiler control
-
- 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
- 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
-
- 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
- G05B13/048—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 using a predictor
-
- 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
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06Q10/063—Operations research, analysis or management
- G06Q10/0633—Workflow analysis
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Thermal Sciences (AREA)
- Mechanical Engineering (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
Abstract
本发明涉及一种能够控制发电厂内的锅炉装置以优化条件燃烧的系统以及利用如上所述的系统对锅炉燃烧进行优化的方法。
Description
技术领域
本发明涉及一种能够控制发电厂内的锅炉装置以优化条件燃烧的系统以及利用如上所述的系统对锅炉燃烧进行优化的方法(System And Method For Optmizing BoilerCombustion)。
背景技术
通常,火力发电厂在其内部配备锅炉,从而利用在如煤炭等燃料燃烧时发生的发热反应对水进行加热并借此生成用于驱动涡轮机的蒸汽。在锅炉燃烧时会生成如氮氧化物、二氧化碳等废气,而在运营发电厂的过程中为了对如上所述的废气进行管理而需要耗费不少的费用,因此最近正在持续性地努力开展在通过对燃烧环境进行控制来减少废气排放的同时提升锅炉的燃烧效率的相关研究。
此外,在现有火力发电厂的锅炉控制即燃烧控制采用的是在由具有多年经验的熟练专业人士参考试运行期间内的性能测试数据对锅炉的燃烧环境变量进行调整之后正式开始锅炉运行的方式,或者采用在锅炉的运行开始之后对偏移值进行微细调整的方式。因此,在采用现有的锅炉运行方式时,在锅炉运行的过程中很难将其控制成最佳的燃烧状态,所以通常来讲相对于最佳控制区间,能够维持锅炉装置的稳定性的稳定燃烧控制受到更多重视。通过如上所述的运营方式,目前很难准确地实现最佳的锅炉燃烧环境。
为了解决如上所述的问题,最近正在积极开展通过实时地获取和分析锅炉的运行数据并根据分析结果自动地对锅炉的各种控制变量进行调整从而对锅炉的燃烧控制进行优化的相关研究。
本发明正是源自于如上所述的研究,涉及一种既能够将发电厂的锅炉燃烧效率最大化,又能够减少废气排放的系统以及执行上述系统的方法。
发明内容
本发明涉及一种用于对发电厂内的锅炉进行控制的系统及其方法,其目的尤其在于在将锅炉的燃烧效率最大化的同时将包含如氮氧化物以及碳氧化物在内的废气排放最小化。
此外,本发明的目的在于通过将人工智能算法应用于锅炉燃烧控制来使得系统自主地通过学习并且建模生成最适合于锅炉燃烧的模型,并由系统参考以如上所述的方式生成的模型对锅炉的燃烧环境进行控制。
此外,本发明的目的在于在对设定点(set point)即锅炉的不同控制对象的最佳控制值进行演算的过程中,即使是在因为控制对象较多而在计算设定点时需要较大演算量的情况下,也能够通过在将其分割成一定数量的组之后执行演算而减少演算所需时间,从而提供适合于实时锅炉控制的演算方法。
为了解决如上所述的现有问题,本发明的锅炉控制系统包括:作业管理部,对与锅炉的当前运行状态相关的信息进行采集并判断是否执行对上述锅炉的燃烧优化;预处理部,对从上述锅炉采集到的数据进行预处理并将经过预处理的数据提供到建模部以及优化演算部;优化演算部,从建模部接收锅炉燃烧模型并利用上述锅炉燃烧模型执行锅炉燃烧优化演算;建模部,以从上述预处理部接收到的经过预处理的数据为基础生成锅炉燃烧模型;以及输出控制部,从上述优化演算部接收基于演算结果的最佳值并通过将上述最佳值反映到锅炉控制逻辑来对锅炉运行进行控制。
此外,上述锅炉控制系统的特征在于:上述优化演算部通过将从上述预处理部接收到的经过预处理的数据适用于上述锅炉燃烧模型并将对上述锅炉燃烧模型进行反复模拟的结果适用于燃烧优化算法来计算出最佳值。
此外,在上述锅炉控制系统中,上述燃烧优化算法能够是比例-积分-微分(PID,Proportional-Integral-Derivative)算法、自由度(DOF,degree Of Freedom)算法、模型预测控制(MPC,Model Predictive Control)算法、自适应(adaptive)算法、模糊算法、H-无穷(H-infinity)算法、基于线性变参数(LPV(Linear Parameter Varying)Model-based)模型的算法以及遗传算法(GA,Genetic Algorithm)中的某一个。
此外,上述锅炉控制系统的特征在于:上述优化演算部对多个锅炉内控制对象的最佳值进行计算,在此,能够在将上述控制对象分割成包含任意数量的控制对象的单位来计算出不同单位的最佳值,例如,能够在将上述控制对象分割成大单位、中单位或小单位来计算出不同单位的最佳值。
此外,上述锅炉控制系统的特征在于:上述优化演算部根据从用户接收到的目的来适用上述燃烧优化算法。此时,上述优化演算部能够接收在最优先考虑成本的成本优化、最优先考虑减少污染物质的污染物质优化、以及最优先考虑锅炉设备保护的设备保护优化中由用户选择的目的。
此外,在上述锅炉控制系统中,上述优化演算部能够在执行锅炉燃烧优化演算之前,从多个算法中筛选出能够执行上述燃烧优化演算的多个算法并选择其中的某一个算法作为用于执行上述燃烧优化演算的燃烧优化算法。此时,上述优化演算部能够对上述所筛选出的多个算法执行性能模拟并根据上述性能模拟执行结果选择呈现出最高效率性的算法作为燃烧优化算法。
此外,本发明的又一实施例的锅炉控制方法能够包括:对与锅炉的当前运行状态相关的信息进行采集并判断是否执行对上述锅炉的燃烧优化的步骤;对从上述锅炉采集到的数据进行预处理的步骤;以上述经过预处理的数据为基础生成锅炉燃烧模型的步骤;利用上述锅炉燃烧模型执行燃烧优化演算并计算出最佳值的步骤;以及,通过将上述最佳值反映到锅炉控制逻辑来对锅炉运行进行控制的步骤。
此外,上述锅炉控制方法的特征在于:在上述计算出最佳值的步骤中,通过将上述经过预处理的数据适用于上述锅炉燃烧模型并将对上述锅炉燃烧模型进行反复模拟的结果适用于燃烧优化算法来计算出最佳值,此时,上述燃烧优化算法能够是如比例-积分-微分(PID,Proportional-Integral-Derivative)算法、自由度(DOF,degree Of Freedom)算法、模型预测控制(MPC,Model Predictive Control)算法、自适应(adaptive)算法、模糊算法、H-无穷(H-infinity)算法、基于线性变参数(LPV(Linear Parameter Varying)Model-based)模型的算法以及遗传算法(GA,Genetic Algorithm)中的某一个。
此外,上述锅炉控制方法的特征在于:在上述计算出最佳值的步骤中,在将多个锅炉内控制对象分割成包含任意数量的控制对象的单位来计算出不同单位的最佳值,此时,在上述计算出最佳值的步骤中,能够在将上述控制对象分割成大单位、中单位或小单位来依次计算出不同单位的最佳值。
此外,上述锅炉控制方法的特征在于:在上述计算出最佳值的步骤中,从用户接收优化目的并根据所接收到的目的适用燃烧优化算法,此时,上述优化目的能够包括最优先考虑成本的成本优化、最优先考虑减少污染物质的污染物质优化、以及最优先考虑锅炉设备保护的设备保护优化。
此外,在上述锅炉控制方法中,在执行上述燃烧优化演算之前,还能够包括:从多个算法中筛选出可以执行上述燃烧优化演算的多个算法并选择其中的某一个算法作为用于执行上述燃烧优化演算的燃烧优化算法的步骤;此时,上述选择燃烧优化算法的步骤还能够包括:对上述所筛选出的多个算法执行性能模拟并根据上述性能模拟执行结果选择呈现出最高效率性的算法作为燃烧优化算法的步骤。
此外,本发明的又一实施例的计算机可读取的记录介质的特征在于:存储有用于执行锅炉控制方法的指令,其中,上述锅炉控制方法包括:对与锅炉的当前运行状态相关的信息进行采集并判断是否执行对上述锅炉的燃烧优化的步骤;对从上述锅炉采集到的数据进行预处理的步骤;以上述经过预处理的数据为基础生成锅炉燃烧模型的步骤;利用上述锅炉燃烧模型执行燃烧优化演算并计算出最佳值的步骤;以及,通过将上述最佳值反映到锅炉控制逻辑来对锅炉运行进行控制的步骤。
通过本发明,能够在提升发电厂内锅炉的燃烧效率的同时将引起环境污染的废气排放最小化。此外,还能够在相当程度上节省为了对废气进行处理而消耗的成本,从而大幅降低发电厂的运营成本。
此外,能够实现比现有的由熟练的专业人士对锅炉燃烧环境进行调整的情况更加优秀的燃烧环境且能够参考通过人工智能学习的结果物,因此即使是非熟练的作业人员也能够顺利地将锅炉调整至优化的状态。
此外,本发明即使是在如锅炉等控制对象非常多的情况下,也能够通过在执行优化演算时将控制对象分割成如组、部分、单元等单位来进行演算从而节省演算时间,由此在更短的周期内以接近于实时的状态对锅炉进行控制。
此外,在上述分析异常症候预测方法中,上述步骤(d)能够包括:按照各个单元单位判断异常与否的步骤、在对至少两个以上的单元进行分组之后按照分组判断异常与否的步骤、以及判断整体单元的异常与否的步骤中的至少一个以上的步骤。
此外,适用本发明之又一实施例的分析异常症候预测系统,能够包括:建模层,以第1分析数据为基础生成与设计对象相关的信号生成部模型以及分析模型;以及预测层,以第2分析数据为基础利用上述信号生成部模型以及分析模型计算出一个以上的预测值,并通过对上述预测值以及上述第2分析数据进行比较来判断上述设计对象的分析是否异常。
此外,在上述分析异常症候预测系统中,上述第1分析数据以及第2分析数据能够根据利用计算机对上述设计对象执行的流体力学分析结果来获得,上述第1分析数据以及第2分析数据能够包括与按照单位空间对上述设计对象周边的流体进行分割的单元(cell)相关的数据。
此外,在上述分析异常症候预测系统中,上述预测层能够包括:预测部,以第2分析数据为基础利用上述信号生成部模型以及分析模型计算出一个以上的预测值;早期警报逻辑部,以上述预测值为基础生成早期警报信息;以及诊断部,以上述早期警报信息为基础判断上述设计对象的分析是否异常。
上述预测部能够包括:信号生成部,以第2分析数据为基础生成新信号(VSG);以及模拟部,通过将上述信号(VSG)适用到在上述建模层中生成的分析模型而计算出预测值(YSIM),进而还能够包括:补偿部,对利用上述信号生成部生成的信号(VSG)进行补偿处理并将上述经过补偿处理的信号传递到上述模拟部。
此外,在上述分析异常症候预测系统中,上述早期警报逻辑部能够包括:残差演算部,计算出上述预测值与上述第2分析数据之间的残差值;以及早期警报信息生成部,以上述残差值为基础生成早期警报信息。上述早期警报信息,能够包括与上述残差值是否包含在预先设定的范围内相关的信息。
此外,在上述分析异常症候预测方法中,上述诊断部能够按照各个单元单位判断异常与否,在对至少两个以上的单元进行分组来按照分组判断异常与否,或者判断整体单元的异常与否。
此外,适用本发明之又一实施例的计算机可读取的记录介质,存储有用于执行分析异常症候预测方法的指令,其中,上述分析异常症候预测方法,能够包括:步骤(a)以第1分析数据为基础生成与设计对象相关的信号生成部模型以及分析模型;步骤(b)通过以第2分析数据为基础将上述信号生成部模型所生成的信号适用到上述分析模型中而计算出一个以上的预测值;步骤(c)通过对上述预测值与上述第2分析数据进行比较而生成多个早期警报信息;以及步骤(d)以上述多个早期警报信息是否满足预先设定的条件为基准决定是否输出早期警报。
通过本发明,能够在工厂或结构体的设计过程中利用计算机执行分析时大幅节省其分析时间,借此还能够在节省工厂设计所需要的整体时间的同时大幅节省工厂建设所需要的费用。
此外,通过本发明,即使是非熟练人员也能够轻易地完成分析,借此能够在雇佣人力的经营者立场上节省费用或更加高效地应用人力资源。
附图说明
图1是对火力发电厂的概括性的构成进行图示的示意图。
图2是对适用本发明的锅炉控制系统的构成进行图示的框图。
图3是用于对控制系统内的构成中的尤其是优化演算部的功能进行说明的示意图。
图4是对优化演算部所执行的代表性的步骤按照顺序进行图示的示意图。
图5是对优化演算部所执行的步骤中的尤其是算法选择步骤进行详细图示的示意图。
图6是对优化演算部所执行的步骤中的尤其是优化演算步骤进行详细图示的示意图。
图7是用于对优化演算步骤进行进一步说明的模式图。
具体实施方式
与本发明的目的和技术构成及其效果相关的具体事项,将通过结合适用本发明之说明书的附图进行的详细说明得到进一步明确。接下来,将结合附图对适用本发明的实施例进行详细的说明。
不应将在本说明书中公开的实施例理解为或用于对本发明的范围进行限定。对于本领域的一般技术人员,包含本说明书中的实施例在内的说明能够具有多种不同的应用。因此,在本发明的详细说明中所记载的任意实施例只是用于更好地对本发明进行说明的示例性内容,并不是为了将本发明的范围限定于特定的实施例。
在附图中图示并在下述内容中进行说明的功能块只是可能的实现例。在其他实现例中,能够在不脱离详细说明的思想以及范围的前提下使用其他功能块。此外,本发明的一个以上的功能块以单独的块进行表示,但是本发明的功能块中的一个以上能够是用于执行相同功能的多种硬件以及软件构成的组合。
此外,包含某一个构成要素的表达属于“开放型”表达,只是单纯地表示相应的构成要素存在,并不应该理解为排除其他追加的构成要素。
进而,当记载为某一个构成要素与其他构成要素“连接”或“接触”时,虽然能够与其他构成要素直接连接或接触,但也能够理解为中间有其他构成要素存在。
接下来,将结合附图对本发明所提案的锅炉控制系统及其方法进行详细的说明。
首先,图1是对火力发电厂的概括性的构成进行图示的示意图,尤其是用于对本发明中的控制对象即锅炉的位置以及作用进行说明。火力发电厂通常是利用煤炭或石油的火力生成蒸汽驱动蒸汽涡轮机发生旋转并借此生成电能,尤其是其中的锅炉属于为了向蒸汽涡轮机供应高温高压的蒸汽而燃烧燃料并烧制热水的核心构成。作为锅炉的主要构成,包括用于收容水和蒸汽的锅炉主体、燃料燃烧装置、以及火炉,其中,能够通过利用控制系统调整燃烧装置以及火炉等来对温度以及压力等进行调节。
此外,对发电厂内的锅炉控制属于最核心的部分,因为在过去对锅炉进行操作时需要经历非常复杂的过程,因此为了正常运行必须配备熟练的专业人士,但是最近通过在锅炉的运行过程中采用自动控制方式,能够实现即使是在没有人员一一进行手动操作的情况下也可以高效运行的系统。此外,通过采用如上所述的自动控制方式,还能够实现在过去不可能实现的对锅炉的实时控制,而最近为了提升锅炉的燃烧效率,正在积极开展能够以较短的周期对锅炉的当前状态进行检查并根据当前状态对各个控制对象分别进行控制的逐渐接近于实时控制的相关研究。
本发明通过在目前为止的锅炉控制系统及方法中追加:(i)利用人工智能的锅炉燃烧模型的生成和更新;以及(ii)通过参考当前正在运行的锅炉的状态而查找出不同控制对象的最佳设定点(set point)的优化演算过程,由此提供一种能够在与现有方式相比进一步提升燃烧效率的同时还能够减少所排出的废气量的锅炉控制系统及方法。
图2是对适用本发明的锅炉控制系统进行图示的框图。如图2所示,锅炉控制系统大体上包括作业管理部、预处理部20、优化演算部30、建模部40、以及输出控制部50,接下来将对各个构成进行详细的说明。作为参考,在图2的锅炉控制系统中为了便于理解发明的内容而按照所执行的功能或步骤划分指定了图示块,上述锅炉控制系统能够由配备有用于执行演算的中央处理单元(CPU)以及能够对用于执行演算的程序以及数据进行存储的存储器(Memory)的装置实现,上述作业管理部乃至输出控制部50的构成能够在利用计算机可读取的语言设计的程序上实现并通过上述中央处理单元(CPU)执行。进而,锅炉控制系统能够通过硬件(hardware)、固件(firmware)、软件或上述之结合实现,在利用硬件实现时能够由专用集成电路(ASIC,application specific integrated circuit)或数字信号处理器(DSP,digital signal processor)、数字信号处理设备(DSPD,digital signal processingdevice)、可编程逻辑设备(PLD,programmable logic device)以及现场可编程门阵列(FPGA,field programmable gate array)等构成,在利用固件或软件实现时能够由包含用于执行如上所述的功能或动作的模块、步骤或函数等的固件或软件构成。
接下来,将重新参阅图2对各个构成进行说明。
首先,作业管理部10(Task Manager)确认锅炉的当前运行状态并判断是否执行锅炉燃烧优化。具体来讲,上述作业管理部10能够对当前正在运行的锅炉的运行数据以及状态数据(状态二进值)进行采集,并以此为基础判断是否能够对锅炉执行燃烧优化,即,是否需要对锅炉执行燃烧优化。锅炉的运行数据包括从安装在当前正在运行的锅炉内的各种传感器接收到的测定值或能够通过相应的锅炉控制系统进行监控的控制值,而作为如上所述的运行数据的实例,能够包括如发电功率(MW)、指令值以及瞬时值等。状态数据包括用于指示锅炉功率的变动、燃料的变动与否、各个部件的温度以及压力等的值。
上述作业管理部10将以在上述过程中采集到的运行数据以及状态数据为基础判断是否需要执行或是否能够执行燃烧优化,而在如上所述的判断过程中还将考虑如锅炉系统的健全性(例如硬件的正常工作与否、系统资源现状以及是否可以正常通信等)、锅炉内的不同模块的健全性(例如软件的正常工作与否以及锅炉燃烧模型的存在与否等)。例如,作业管理部10能够在发电功率急剧变化的区间内判定发电厂没有处于稳定状态,更具体来讲,能够在30分钟之内发生的几十兆瓦的发电功率变动大于基准值时,例如如果在发电功率为500MW时30分钟内的发电功率变动大于50MW以上,则作业管理部10能够将其判定为不稳定状态并不执行优化。
此外,在是否需要执行或是否能够执行上述燃烧优化的判断过程中大体上能够使用3种分析方法,其中能够包括基于锅炉运行数据的分析方法、基于状态二进值的分析方法、以及基于早期记录和存储的专业人士的知识和经验的分析方法。在上述作业管理部10判定燃烧优化的执行与否的过程中,能够仅使用上述分析方法中的某一个或对两种以上进行组合使用。作为参考,基于早期记录和存储的专业人士的知识和经验的分析方法是指,以预先存储的在由熟练的专业人士对锅炉运行进行操作时的操作当时的状况以及在不同状况下的专业人士的操作内容为基础的方式,例如,以预先存储的在锅炉燃烧室内的温度为A值时将供应燃料量调整为B值的内容以及在锅炉燃烧室内的温度为C值时将风门角度调整为D值的内容等作为参考的分析方法。
接下来,预处理部20(Data Pre-processing Unit)是用于事先对适合于执行后续说明的建模的数据即适合于由建模部40学习的数据进行过滤的构成。通常,能够从锅炉采集到的输入以及与上述输入相关的输出数据的量非常庞大,而上述数据中会有相互的关联性较低或不符合状况的错误值混入,因此可能会导致在建模时的准确度下降的问题。预处理部20可以说是通过事先对如上所述的不必要的数据进行过滤而用于在后续的过程中由建模部40生成模型时提升其准确度的构成。
预处理部20大体上执行信号重建、过滤、以及极端值处理功能。信号重建是指在从锅炉部采集到的信号中有部分缺失的情况下对其进行重建或在锅炉发生异常或故障的情况下对相应的信号进行重建的功能,过滤是指利用基于基础知识的逻辑对上述经过重建的信号中超出正常数据范围的数据进行过滤或去除信号中的噪声,进而仅提取出需要在建模、优化演、算以及输出控制中使用的数据的功能,而极端值处理是指利用基于数据的逻辑对超出趋势的数据进行处理的功能。
此外,预处理部20还能够根据设计师的意图或用户的需要进一步执行如标记聚类功能以及数据采样功能,此时,标记聚类是指通过从锅炉的各个控制对象所对应的标记中删除不需要的标记信息并仅提取出相关性较高的标记信息而构成一个数据集团的构成,数据采样是指通过对数据的模式进行演算并按照采样算法对数据进行采样而输出建模所需要的学习数据。
如上所述,预处理部20用于在对与锅炉的运行相关的数据进行采集之后将其加工成适合于在后续过程中进行建模的状态。
接下来,优化演算部30(Optimizer)是用于在后续说明的建模部40生成了锅炉燃烧模型的前提下利用上述锅炉燃烧模型计算出可以实现最佳燃烧状态的输入的构成。优化演算部30大体上执行从用户接收所选择的目的的功能、从建模部40接收锅炉燃烧模型的功能以及利用上述锅炉燃烧模型执行锅炉燃烧优化演算的功能。
首先,关于从用户接收所选择的目的的功能,用户即对锅炉控制系统进行操作的人员能够在执行燃烧优化之前选择需要更偏重于哪一种目的执行燃烧优化,上述优化演算部30能够通过为用户提供用于从多个目的进行选择的用户界面而接收用户的选择。多个目的中,能够包括例如最优先考虑成本(Cost)的成本优化、最优先考虑减少污染物质的污染物质优化、以及最优先考虑设备保护的设备保护优化。但是,这仅属于一个实施例,优化对象中还能够包括考虑到其他目的的多种选项。优化演算部30能够根据从用户接收到的所选择的目的分别适用不同的逻辑执行优化演算。
接下来,关于从建模部40接收锅炉燃烧模型的功能,优化演算部30为了执行优化演算而必须使用锅炉燃烧模型,此时,锅炉燃烧模型是指锅炉的燃烧模型,能够由包含人工神经网络的数学模型的组合构成,这能够是建模部40经过反复学习生成的结果。
最后,关于执行锅炉燃烧优化演算的功能,优化演算部30能够通过适用上述用户所选择的目的以及上述所接收到的锅炉燃烧模型执行模拟而计算出最佳的输入值作为最终输出值,此时所使用的算法或控制器,能够包括如比例-积分-微分(PID,Proportional-Integral-Derivative)算法、自由度(DOF,degree Of Freedom)算法、模型预测控制(MPC,Model Predictive Control)算法、自适应(adaptive)算法、模糊算法、H-无穷(H-infinity)算法、基于线性变参数(LPV(Linear Parameter Varying)Model-based)模型的算法、粒子群优化算法(Particle Swarm Optimization)以及遗传算法(GeneticAlgorithm)等。
如上所述,优化演算部30能够通过根据用户所选择的目的以及从建模部40接收到的锅炉燃烧模型执行优化演算而最终计算出锅炉燃烧控制所需要的最佳的输入值。
接下来,建模部40用于最终生成能够在上述优化演算部30执行演算时使用的锅炉燃烧模型,本发明的建模部40的特征在于,利用人工神经网络生成锅炉燃烧模型。
人工神经网络是指,通过以数学方式对由神经细胞构成的大脑的信息处理结构进行建模而模拟出归纳式学习能力的数据处理方法论中的一种,其基本目的在于对输入值与输出值之间的相关关系进行模式化并通过所推导出的模式预测出与新的输入值相关的输出值。人工神经网络由用于执行神经细胞作用的节点(node)的并列连接结构(层;layer)构成,通常以具有输入层-隐含层-输出层(Input layer-Hidden layer-Output layer)的串联连接的结构构成,也能够通过配备多个隐含层而对复杂的输入输出的相关关系进行处理。在利用如上所述的人工神经网络时,即使是在无法明确了解物理特性或关系的情况下也能够仅通过输入以及输出实现相关关系的学习,还能够在不执行多个输出值预测以及对非线性行为的单独的线性假定的情况下推导出输入与输出之间的相关关系。
此外,本发明的建模部40能够从上述的预处理部20接收与锅炉燃烧相关的输入值以及输出值,作为输入数据的实例,能够包括如1级空气与2级空气的风门角度、燃烧用空气喷嘴(OFA)的风门角度、供碳器的供碳量、以及外部气体温度等,作为输出数据的实例,能够包括如锅炉功率、锅炉内燃烧气体的温度以及压力、氮氧化物、一氧化碳、燃烧气体内的氧气量、以及再加热器喷雾流量等。
如上所述,建模部40利用人工神经网络生成与实际的锅炉运行状态接近的锅炉燃烧模型,通过如上所述的方式生成的锅炉燃烧模型将被供应到优化演算部30。
接下来,输出控制部50是用于最终执行锅炉的燃烧控制的构成,大体上执行在锅炉控制之前确认当前的锅炉运行状态的功能、以及通过将在上述过程中利用优化演算部30计算出的最佳值关联到当前的锅炉控制逻辑而反映出上述最佳值的功能。
首先,关于确认锅炉运行状态的功能,输出控制部50在实际执行锅炉控制之前需要确认当前的锅炉状态如何,即使是在利用优化演算部计算出最佳值的情况下,如果立即将其反映到锅炉的运行状态上,则有可能导致锅炉进入不稳定的状态或发生错误,因此应该在事先确认当前的锅炉状态之后适当地分步反映上述最佳值。
此外,输出控制部50通过将在上述过程中利用优化演算部30计算出的最佳值输入到当前正在运行的锅炉而实际执行锅炉燃烧效率的最大化,此时,输出控制部50能够通过对在上述过程中计算出的最佳值执行动态偏差跟踪(Dynamic Bias Tracking)而实时地反映到当前的锅炉燃烧逻辑。例如,在假定上述最佳值为锅炉燃烧室内温度值T100的情况下,如果当前锅炉的锅炉燃烧室内温度为T1,输出控制部50需要执行从T1升温至T100的控制过程,但是因为急剧的温度变更会诱发其他问题,因此需要阶段性地对其进行控制。在上述情况下,输出控制部50能够将升温至T100的温度变更过程分割成多个短周期执行,例如,输出控制部50能够阶段性地在第1短周期从T1升温至T20,在第2短周期从T20升温至T40,在第3短周期从T40升温至T60,在第4短周期从T60升温至T80,最后在第5短周期从T80升温至T100。上述周期短于利用上述优化演算部30计算出最佳值的周期,例如,在假定优化演算部30以5分钟为周期计算出最佳值的情况下,上述输出控制部50能够以10秒的短周期执行锅炉运行控制。如上所述的分成短周期执行锅炉运行控制的方式在本发明的详细说明中将被定义为动态偏移跟踪,这是为了能够在实时地确认锅炉的运行状态的同时在不会使锅炉的运行发生急剧变更的情况下稳定地反映出最佳值。
在上述内容中,参阅图2对适用本发明的锅炉控制系统的各个独立构成以及各个独立构成的锅炉控制方法进行了说明。
图3用于对上述构成中的尤其是优化演算部30进行更为详细的说明,参阅图3,优化演算部30的内部是通过锅炉燃烧模型以及燃烧优化算法最终计算出最佳值。所提及的燃烧优化算法能够理解为是用于执行燃烧优化的步骤、方法、以及指令的集合,燃烧优化算法还能够利用如燃烧优化技术、燃烧优化控制(控制器)等术语进行替代。
其中,锅炉燃烧模型是利用在上述内容中进行说明的建模部40生成,这是通过人工神经网络进行学习的结果,与其相关的信息已在上述内容中进行了说明,所以在此将省略其详细的说明。
此外,在本发明的详细说明书中作为实施例提及的燃烧优化算法能够存在多种不同的类型,作为本发明的详细说明中的一实施例,能够指利用粒子群优化技术的控制。粒子群优化技术属于群智能技法(Swarm Intelligence Technique),是一种从如鱼群或鸟群等动物的社会学行为模式获得灵感而开发出的概率性全局优化技法。粒子群优化算法是一种对称之为粒子(particle)的多个个体以各个粒子信息以及群整体信息为基础在给定的探索区域内查找出最佳解的方式进行模拟的算法,这与其他试探式优化技法相比具有能够仅通过四则运算实现探索的容易实现的优点,尤其是因为不使用倾斜度信息而具有能够轻易地对无法执行微分的自然现象进行分析的优点。但是需要理解的是,如后所述,燃烧优化算法并不限定于粒子群优化算法,而是能够在后续说明的S30算法选择步骤中选择用于实现燃烧优化的多种算法中的某一种。
优化演算部30能够理解为是在有如上所述的一个锅炉燃烧模型存在的前提下向上述锅炉燃烧模型输入多个控制变量之后将上述控制变量视为一个粒子并利用粒子群优化算法或所选择的其他算法反复执行逐渐收敛获得最佳值的过程。
图4是对适用本发明的优化演算部30所执行的各个步骤按照顺序进行图示的示意图。如图4所示,优化演算部30包括首先选择算法(控制器)的算法选择步骤即S30、以及接下来根据所选择的算法演算出最佳值的优化演算步骤即S32。
在算法选择步骤即S30中,优化演算部30将选择优化效果最高的算法乃至控制器。此时,优化演算部30能够接收算法选择所需要的信息,例如从相应锅炉控制系统的其他构成或安装在锅炉内的传感器等接收测定值(Measured data),此时的测定值能够包括如当前正在运行的锅炉的测定值以及对过去的锅炉运行状态进行存储的测定值。此外,上述优化演算部30还能够从相应锅炉控制系统的其他构成或锅炉控制系统外部的其他构成接收分析信息(Analysis Information),此时的分析信息中能够包括与所分析数据的模式、发电功率、发电效率以及运行状态相关的信息。进而,在上述算法选择步骤即S30中,能够从建模部40接收与锅炉燃烧模型相关的信息。
此外,参阅图5,算法选择步骤即S30具体来讲能够包括算法筛选步骤即S301、算法性能模拟步骤即S302、以及优化算法选择步骤即S303。
首先,算法筛选步骤即S301是由优化演算部30筛选出判定为适合于执行锅炉燃烧优化的至少两个以上的算法的步骤。此时,能够存在多种不同的用于执行锅炉燃烧优化的算法或控制器,例如,能够包括如比例-积分-微分(PID,Proportional-Integral-Derivative)控制器、自由度(DOF,degree Of Freedom)控制器、模型预测控制(MPC,ModelPredictive Control)、自适应(adaptive)控制器、模糊(Fuzzy)控制器、H-无穷(H-infinity)控制器、以及基于线性变参数(LPV(Linear Parameter Varying)Model-based)模型的控制器等,进而还能够包括基于遗传算法(GA,Genetic Algorithm)的控制器,例如分布式遗传算法(DGA,Distributed GA)、交互式遗传算法(iGA,Interactive GA)、多目标遗传算法(MOGA,Multi-Objective Genetic Algorithm)、遗传编程(GeneticProgramming)以及粒子群优化(PSO,Particle Swarm Optimization)等。在如上所述的多种算法或控制器中,优化演算部30能够参考测定值、分析信息以及模型信息中的至少一个筛选出最适合于对锅炉燃烧优化进行演算的至少两个以上的算法。此时,能够设定多种不同的筛选基准,例如,能够根据对锅炉内的哪一个对象进行控制、测定值是关于哪一个部件、燃烧量在多长的时间内发生了多大的变动、从建模部40接收到的锅炉燃烧模型为哪一个等对算法进行筛选。
在步骤S301中筛选出两个以上的算法之后,在步骤S302中,优化演算部30按照所筛选出的不同算法执行性能模拟,并在步骤S303中,根据性能模拟结果选择呈现出最高效率性的算法作为最佳控制器即用于执行优化演算的算法或控制器。
例如,优化演算部30能够筛选出比例-积分-微分(PID)控制器以及粒子群优化(PSO)作为用于执行优化的控制器,并通过对不同的控制器执行性能模拟而判定哪一个控制器最适合于查找出锅炉燃烧优化值,然后根据其结果最终选择其中的某一个控制器。
在算法选择步骤即S30之后执行的优化演算步骤即S32,是在之前的步骤中决定了用于执行优化演算的算法的前提下,最终计算出用于执行锅炉燃烧优化的值的步骤。为了便于理解说明内容,在本发明的详细说明中将以作为用于执行优化演算的算法选择粒子群优化(PSO)的情况为前提进行说明。
此外,图6是对优化演算步骤即S32进行详细图示的示意图,即,优化演算步骤即S32能够包括:首先适用组控制算法的步骤即S321;适用部分控制算法的步骤即S322;以及适用单元控制算法的步骤即S323。在图6中图示的各个算法,是为了解决当一个锅炉内需要进行控制的对象为多个时难以对各个对象分别执行优化演算的问题而提出的方案,例如,在假定锅炉内的控制对象为100个的情况下,因为为了分别演算出最佳值即设定点(setpoint)而需要耗费非常多的时间,因此可能会导致无法实时地对锅炉运行进行控制的问题,而本方案的目的在于解决如上所述的问题。如果对锅炉运行进行控制的控制周期为5分钟但在上述控制周期内并没有完成演算,此时会因为实际上无法了解到需要在下一个周期对锅炉进行控制的最佳值而无法达成当初本发明所预期的燃烧效率最大化以及废气排放最小化等目的,因此采用将控制对象分割成组(大单位)、部分(中单位)、以及单元(小单位)来执行演算的方式。
图7是对图6所提案的演算过程进行进一步详细说明的示意图,即,对首先将多个控制对象分割成4个组并计算出最佳值,接下来将每个组分割成5个部分并计算出共计20个最佳值,最后将每个部分分割成5个单元并计算出共计100个最佳值的过程进行了图示。多个控制对象中能够包括如安装在锅炉内的不同位置上的风门。通常,在锅炉内能够安装几十个单位的风门,而为了提升燃烧的效率性,必须执行对上述风门进行单独控制的作业。但是,因为演算量的急剧增加以及因此而导致的控制装置的过大负载,实际上很难针对各个风门演算出最佳设定点,因此直至目前为止,对各个风门的最佳控制仍然是有待解决的重要课题。在图6以及图7中提出的演算过程正是为了对如上所述的安装在锅炉内的多个控制对象进行单独控制而提升演算效率性的方案,是一种能够通过将条件或环境类似的控制对象分割成一个组或一个部分来依次查找出最佳值的方案。例如,在锅炉内的第1区域乃至第4区域中分散配备有多个风门的情况下,上述演算能够是在对配备于第1区域乃至第4区域中的所有风门执行第1次演算之后,再以通过上述第1次演算计算出的值为基准分别对配备于第1区域、第2区域、第3区域以及第4去榆中的风门执行第2次演算,接下来以通过第2次演算计算出的值为基准再次对第1区域内的个别风门、第2区域内的个别风门、第3区域内的各个风门、以及第4区域内的各个风门执行第3次演算。作为参考,在第1次演算过程中计算出的值能够是所有风门的平均值,在第2次演算过程中计算出的值能够是配备于各个区域上的风门的平均值,按照如上所述的方式进行分组之后对控制对象进行分类演算的结果值,能够作为执行下一级较小单位的演算时的基准值使用。
如上所述,在分割成大单位、中单位以及小单位来对多个控制对象执行演算时,能够快速地对多个控制对象执行演算,尤其是在如本发明所述的需要以较短的周期反复地对多个控制对象进行控制的系统中,可以说必须使用如上所述的演算方法。
在上述内容中,对锅炉控制系统及其方法进行了介绍。本发明并不限定于如上所述的特定的实施例以及应用例,具有本发明所属技术领域之一般知识的人员能够在不脱离权利要求书所请求的本发明之要旨的范围内对本发明进行各种变形实施,而如上所述的变形实施应理解为包含在本发明的技术思想或前景内。
Claims (13)
1.一种锅炉控制系统,其特征在于,包括:
作业管理部,对与锅炉的当前运行状态相关的信息进行采集并判断是否执行对上述锅炉的燃烧优化;
预处理部,对从上述锅炉采集到的数据进行预处理并将经过预处理的数据提供到建模部以及优化演算部;
优化演算部,从建模部接收锅炉燃烧模型并利用上述锅炉燃烧模型执行锅炉燃烧优化演算;
建模部,以从上述预处理部接收到的经过预处理的数据为基础生成锅炉燃烧模型;以及
输出控制部,从上述优化演算部接收基于演算结果的最佳值,并通过将上述最佳值反映到锅炉控制逻辑来对锅炉运行进行控制,
其中:
上述优化演算部通过将从上述预处理部接收到的经过预处理的数据适用于上述锅炉燃烧模型并将对上述锅炉燃烧模型进行反复模拟的结果适用于燃烧优化算法来计算出最佳值,
上述优化演算部对多个锅炉内控制对象的最佳值进行计算,
在此,将上述控制对象分割成包含任意数量的控制对象的单位来计算出不同单位的最佳值,以及
将上述控制对象中的条件或环境类似的控制对象分割成大单位、中单位或小单位来计算出不同单位的最佳值,
其中,所述多个锅炉内控制对象包括安装在所述锅炉内的多个风门,所述多个风门包括所述锅炉内的多个区域中的每个区域中的一组风门,所述一组风门包括多个部分,并且所述多个部分中的每个部分包括至少一个单元,以及
其中,所述优化演算部对所述多个区域中的每个区域的所述一组风门执行第一次演算,以所述第一次演算计算出的值为基准分别对所述一组风门中的所述多个部分执行第二次演算,以及以所述第二次演算计算出的值为基准分别对所述至少一个单元中的各个风门执行第三次演算,从而对所述多个风门中的每个风门的最佳值进行计算。
2.根据权利要求1所述的锅炉控制系统,其特征在于:
上述燃烧优化算法是比例-积分-微分算法、自由度算法、模型预测控制算法、自适应算法、模糊算法、H-无穷算法、基于线性变参数模型的算法以及遗传算法中的一个。
3.根据权利要求1所述的锅炉控制系统,其特征在于:
上述优化演算部根据从用户接收到的目的来适用上述燃烧优化算法。
4.根据权利要求3所述的锅炉控制系统,其特征在于:
上述优化演算部接收在最优先考虑成本的成本优化、最优先考虑减少污染物质的污染物质优化、以及最优先考虑锅炉设备保护的设备保护优化中由用户选择的目的。
5.根据权利要求1所述的锅炉控制系统,其特征在于:
在执行锅炉燃烧优化演算之前,
上述优化演算部从多个算法中筛选出能够执行上述燃烧优化演算的多个算法并选择其中的一个算法作为用于执行上述燃烧优化演算的燃烧优化算法。
6.根据权利要求5所述的锅炉控制系统,其特征在于:
上述优化演算部对所筛选出的多个上述算法执行性能模拟,并根据上述性能模拟执行结果来选择呈现出最高效率性的算法作为燃烧优化算法。
7.一种锅炉控制方法,其特征在于,包括:
对与锅炉的当前运行状态相关的信息进行采集并判断是否执行对上述锅炉的燃烧优化的步骤;
对从上述锅炉采集到的数据进行预处理的步骤;
以上述经过预处理的数据为基础生成锅炉燃烧模型的步骤;
利用上述锅炉燃烧模型执行燃烧优化演算并计算出最佳值的步骤;以及
通过将上述最佳值反映到锅炉控制逻辑来对锅炉运行进行控制的步骤,
其中:
在上述计算出最佳值的步骤中,
通过将上述经过预处理的数据适用于上述锅炉燃烧模型并将对上述锅炉燃烧模型进行反复模拟的结果适用于燃烧优化算法来计算出最佳值,
将多个锅炉内控制对象分割成包含任意数量的控制对象的单位来计算出不同单位的最佳值,以及
将上述控制对象中的条件或环境类似的控制对象分割成大单位、中单位或小单位来依次计算出不同单位的最佳值,
其中,所述多个锅炉内控制对象包括安装在所述锅炉内的多个风门,所述多个风门包括所述锅炉内的多个区域中的每个区域中的一组风门,所述一组风门包括多个部分,并且所述多个部分中的每个部分包括至少一个单元,以及
其中,在上述计算出最佳值的步骤中,对所述多个区域中的每个区域的所述一组风门执行第一次演算,以所述第一次演算计算出的值为基准分别对所述一组风门中的所述多个部分执行第二次演算,以及以所述第二次演算计算出的值为基准分别对所述至少一个单元中的各个风门执行第三次演算,从而对所述多个风门中的每个风门的最佳值进行计算。
8.根据权利要求7所述的锅炉控制方法,其特征在于:
上述燃烧优化算法是比例-积分-微分算法、自由度算法、模型预测控制算法、自适应算法、模糊算法、H-无穷算法、基于线性变参数模型的算法以及遗传算法中的一个。
9.根据权利要求7所述的锅炉控制方法,其特征在于:
在上述计算出最佳值的步骤中,
是从用户接收优化目的并根据所接收到的目的来适用燃烧优化算法。
10.根据权利要求9所述的锅炉控制方法,其特征在于:
上述优化目的包括:最优先考虑成本的成本优化、最优先考虑减少污染物质的污染物质优化、以及最优先考虑锅炉设备保护的设备保护优化。
11.根据权利要求7所述的锅炉控制方法,其特征在于:
在执行上述燃烧优化演算之前,还包括:
从多个算法中筛选出能够执行上述燃烧优化演算的多个算法并选择其中的一个算法作为用于执行上述燃烧优化演算的燃烧优化算法的步骤。
12.根据权利要求11所述的锅炉控制方法,其特征在于:
上述选择燃烧优化算法的步骤包括:
对上述所筛选出的多个算法执行性能模拟,并根据上述性能模拟执行结果选择呈现出最高效率性的算法作为燃烧优化算法的步骤。
13.一种存储有用于执行锅炉控制方法的指令的计算机可读取存储介质,其特征在于:
上述锅炉控制方法,包括:
对与锅炉的当前运行状态相关的信息进行采集并判断是否执行对上述锅炉的燃烧优化的步骤;
对从上述锅炉采集到的数据进行预处理的步骤;
以上述经过预处理的数据为基础生成锅炉燃烧模型的步骤;
利用上述锅炉燃烧模型执行燃烧优化演算并计算出最佳值的步骤;以及
通过将上述最佳值反映到锅炉控制逻辑来对锅炉运行进行控制的步骤,
其中:
在上述计算出最佳值的步骤中,
通过将上述经过预处理的数据适用于上述锅炉燃烧模型并将对上述锅炉燃烧模型进行反复模拟的结果适用于燃烧优化算法来计算出最佳值,
将多个锅炉内控制对象分割成包含任意数量的控制对象的单位来计算出不同单位的最佳值,以及
将上述控制对象中的条件或环境类似的控制对象分割成大单位、中单位或小单位来依次计算出不同单位的最佳值,
其中,所述多个锅炉内控制对象包括安装在所述锅炉内的多个风门,所述多个风门包括所述锅炉内的多个区域中的每个区域中的一组风门,所述一组风门包括多个部分,并且所述多个部分中的每个部分包括至少一个单元,以及
其中,在上述计算出最佳值的步骤中,对所述多个区域中的每个区域的所述一组风门执行第一次演算,以所述第一次演算计算出的值为基准分别对所述一组风门中的所述多个部分执行第二次演算,以及以所述第二次演算计算出的值为基准分别对所述至少一个单元中的各个风门执行第三次演算,从而对所述多个风门中的每个风门的最佳值进行计算。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR10-2018-0152752 | 2018-11-30 | ||
KR1020180152752A KR102106827B1 (ko) | 2018-11-30 | 2018-11-30 | 보일러 연소의 최적화를 위한 시스템 및 방법 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111260107A CN111260107A (zh) | 2020-06-09 |
CN111260107B true CN111260107B (zh) | 2024-03-05 |
Family
ID=70681451
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910857796.5A Active CN111260107B (zh) | 2018-11-30 | 2019-09-11 | 锅炉燃烧优化系统及方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11232376B2 (zh) |
KR (1) | KR102106827B1 (zh) |
CN (1) | CN111260107B (zh) |
DE (1) | DE102019126310B4 (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111881120B (zh) * | 2020-06-16 | 2024-04-26 | 国能信控互联技术有限公司 | 一种锅炉智能运行优化方法 |
CN111765445B (zh) * | 2020-07-01 | 2021-10-15 | 河北工业大学 | 一种锅炉在线燃烧优化控制方法、系统及计算机设备 |
CN114545866A (zh) * | 2020-11-11 | 2022-05-27 | 台泥资讯股份有限公司 | 控制煤耗系统的方法 |
KR20220094069A (ko) | 2020-12-28 | 2022-07-05 | 린나이코리아 주식회사 | 스마트앱을 이용한 스마트 보일러의 최적화 기능설정 시스템 및 그 방법 |
CN113177352A (zh) * | 2021-04-07 | 2021-07-27 | 华南理工大学 | 一种基于数值模拟和人工智能的锅炉燃烧优化系统及方法 |
CN113112095A (zh) * | 2021-05-11 | 2021-07-13 | 杭州英集动力科技有限公司 | 一种多模式多供热机组负荷实时优化调度方法及管理系统 |
KR102337026B1 (ko) * | 2021-06-02 | 2021-12-08 | 주식회사 이엠코 | 화력발전소의 질소산화물 함유 배가스 처리장치 및 화력발전소의 질소산화물 함유 배가스 처리방법 |
KR102337021B1 (ko) * | 2021-06-02 | 2021-12-08 | 주식회사 이엠코 | 화력발전소의 배가스 처리장치 및 화력발전소의 배가스 처리방법 |
CN113467392B (zh) * | 2021-06-18 | 2024-03-26 | 中国大唐集团科学技术研究院有限公司中南电力试验研究院 | 一种燃煤锅炉开环燃烧控制优化方法 |
CN113657683A (zh) * | 2021-08-24 | 2021-11-16 | 湛江电力有限公司 | 一种燃煤电厂火电机组脱硝系统管理优化平台 |
CN113864812A (zh) * | 2021-10-08 | 2021-12-31 | 大唐陕西发电有限公司 | 一种锅炉二次风门智能优化方法和控制系统 |
CN114372093A (zh) * | 2021-12-15 | 2022-04-19 | 南昌大学 | 一种变压器dga在线监测数据的处理方法 |
CN114791102B (zh) * | 2022-04-21 | 2023-09-22 | 中国矿业大学 | 一种基于动态运行数据分析的燃烧优化控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101498457A (zh) * | 2009-03-02 | 2009-08-05 | 杭州电子科技大学 | 一种锅炉燃烧优化的方法 |
KR20100078286A (ko) * | 2008-12-30 | 2010-07-08 | 두산중공업 주식회사 | 보일러 최적 연소조정 시스템 |
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 |
CN104776446A (zh) * | 2015-04-14 | 2015-07-15 | 东南大学 | 一种锅炉燃烧优化控制方法 |
KR20160104481A (ko) * | 2015-02-26 | 2016-09-05 | 두산중공업 주식회사 | 보일러 연소 제어 시스템 |
Family Cites Families (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2687520B1 (fr) * | 1992-02-14 | 1994-05-06 | France Telecom | Procede d'implantation de l'infrastructure d'un reseau cellulaire de communication. |
US5740033A (en) | 1992-10-13 | 1998-04-14 | The Dow Chemical Company | Model predictive controller |
NO312567B2 (no) * | 1999-05-27 | 2002-05-27 | Halfwave As | Fremgangsmate ved maling av materialtykkelsesfordeling |
WO2002077527A1 (de) | 2001-03-02 | 2002-10-03 | Powitec Intelligent Technologies Gmbh | Verfahren zur regelung eines thermodynamischen prozesses, insbesondere eines verbrennungsprozesses |
KR100560114B1 (ko) | 2003-10-27 | 2006-03-13 | 한국생산기술연구원 | 다단 공기 공급 연소시스템의 자동 제어 방법 |
KR100576763B1 (ko) | 2004-08-10 | 2006-05-03 | 한국전력공사 | 보일러 성능감시 및 자동계산 방법과 그 장치 |
US7584024B2 (en) * | 2005-02-08 | 2009-09-01 | Pegasus Technologies, Inc. | Method and apparatus for optimizing operation of a power generating plant using artificial intelligence techniques |
US7599750B2 (en) * | 2005-12-21 | 2009-10-06 | Pegasus Technologies, Inc. | Model based sequential optimization of a single or multiple power generating units |
US7389151B2 (en) * | 2006-03-06 | 2008-06-17 | General Electric Company | Systems and methods for multi-level optimizing control systems for boilers |
US7756591B2 (en) * | 2006-04-25 | 2010-07-13 | Pegasus Technologies, Inc. | System for optimizing oxygen in a boiler |
US8135653B2 (en) * | 2007-11-20 | 2012-03-13 | Hitachi, Ltd. | Power plant control device which uses a model, a learning signal, a correction signal, and a manipulation signal |
JP5155690B2 (ja) * | 2008-02-25 | 2013-03-06 | 株式会社日立製作所 | 石炭焚きボイラのガス濃度推定装置及びガス濃度推定方法 |
US20100319592A1 (en) * | 2007-12-07 | 2010-12-23 | Abb Technology Ag | System and Method for Full Combustion Optimization For Pulverized Coal-Fired Steam Boilers |
US20100049561A1 (en) | 2008-08-22 | 2010-02-25 | Alstom Technology Ltd. | Fluidized bed combustion optimization tool and method thereof |
JP5006947B2 (ja) * | 2010-01-14 | 2012-08-22 | 本田技研工業株式会社 | プラントの制御装置 |
US8755916B2 (en) | 2010-12-07 | 2014-06-17 | Alstom Technology Ltd. | Optimized integrated controls for oxy-fuel combustion power plant |
JP5663510B2 (ja) * | 2012-02-29 | 2015-02-04 | 株式会社日立製作所 | 石炭火力プラントの制御装置及び、石炭火力プラント |
CN105444201B (zh) * | 2014-09-26 | 2018-11-13 | 通用电气公司 | 燃烧优化的方法及其系统 |
US9898787B2 (en) * | 2014-10-16 | 2018-02-20 | Honeywell International Inc. | Allocation of energy production changes to meet demand changes |
JP6424725B2 (ja) * | 2015-04-20 | 2018-11-21 | 三浦工業株式会社 | ボイラシステム |
JP6522445B2 (ja) * | 2015-06-30 | 2019-05-29 | 三菱日立パワーシステムズ株式会社 | 制御パラメータ最適化システム及びそれを備えた運転制御最適化装置 |
JPWO2019208773A1 (ja) * | 2018-04-27 | 2020-08-27 | 三菱日立パワーシステムズ株式会社 | ボイラの運転支援装置、ボイラの運転支援方法、及びボイラの学習モデルの作成方法 |
US11159022B2 (en) * | 2018-08-28 | 2021-10-26 | Johnson Controls Tyco IP Holdings LLP | Building energy optimization system with a dynamically trained load prediction model |
JP7325948B2 (ja) * | 2018-11-21 | 2023-08-15 | 三菱重工業株式会社 | 微粉炭機の微粉炭乾燥システム及びその微粉炭乾燥方法並びに微粉炭乾燥プログラム、微粉炭機、ガス化複合発電設備 |
-
2018
- 2018-11-30 KR KR1020180152752A patent/KR102106827B1/ko active IP Right Grant
-
2019
- 2019-09-05 US US16/562,409 patent/US11232376B2/en active Active
- 2019-09-11 CN CN201910857796.5A patent/CN111260107B/zh active Active
- 2019-09-30 DE DE102019126310.7A patent/DE102019126310B4/de active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100078286A (ko) * | 2008-12-30 | 2010-07-08 | 두산중공업 주식회사 | 보일러 최적 연소조정 시스템 |
CN101498457A (zh) * | 2009-03-02 | 2009-08-05 | 杭州电子科技大学 | 一种锅炉燃烧优化的方法 |
KR20160104481A (ko) * | 2015-02-26 | 2016-09-05 | 두산중공업 주식회사 | 보일러 연소 제어 시스템 |
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 |
CN104776446A (zh) * | 2015-04-14 | 2015-07-15 | 东南大学 | 一种锅炉燃烧优化控制方法 |
Also Published As
Publication number | Publication date |
---|---|
DE102019126310B4 (de) | 2023-05-17 |
CN111260107A (zh) | 2020-06-09 |
KR102106827B1 (ko) | 2020-05-06 |
DE102019126310A1 (de) | 2020-06-04 |
US20200175435A1 (en) | 2020-06-04 |
US11232376B2 (en) | 2022-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111260107B (zh) | 锅炉燃烧优化系统及方法 | |
KR102094288B1 (ko) | 보일러의 연소 최적화 연산을 위한 시스템 및 방법 | |
Fast et al. | Development and multi-utility of an ANN model for an industrial gas turbine | |
RU2482307C2 (ru) | Способы и системы для моделирования нейронных сетей компонентов турбины | |
Kalogirou | Artificial intelligence for the modeling and control of combustion processes: a review | |
CN105020705A (zh) | 循环流化床锅炉燃烧性能实时优化控制方法及系统 | |
CN104763999A (zh) | 电厂煤粉锅炉燃烧性能在线优化方法和系统 | |
Rossi et al. | Artificial neural networks and physical modeling for determination of baseline consumption of CHP plants | |
CN113433911A (zh) | 基于浓度精准预测的脱硝装置喷氨精准控制系统与方法 | |
GB2433145A (en) | Predictive modeling using a committee of models | |
US11526687B2 (en) | Apparatus for generating learning data for combustion optimization and method therefor | |
US8019446B2 (en) | Control loop for regulating a combustion process | |
KR102108015B1 (ko) | 보일러 운전을 제어하기 위한 시스템 및 방법 | |
Deshpande et al. | Thermal power plant analysis using artificial neural network | |
US11761623B2 (en) | Apparatus for combustion optimization and method therefor | |
JP6548862B2 (ja) | 発電所の運転を管理するための方法及び装置 | |
KR102291800B1 (ko) | 보일러 연소 모델 도출 장치 및 방법 | |
Kim et al. | Strategy to coordinate actions through a plant parameter prediction model during startup operation of a nuclear power plant | |
US11629856B2 (en) | Apparatus for managing combustion optimization and method therefor | |
Warsokusumo et al. | Real-time online monitoring for maintaining energy efficiency performance of power generation system | |
CN117704349A (zh) | 燃煤电厂锅炉低负荷水动力自适应调控方法及装置 | |
Bhoj et al. | Intelligent Manufacturing System | |
CN113988383A (zh) | 一种基于机器学习k-meas的地区电网风险评估方法 | |
Śladewski et al. | Close loop optimisation of large CHP based on approximation model | |
CN117991639A (zh) | 基于机器学习的燃煤电厂多目标燃烧优化控制方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |