CN111396920A - 火电机组及其基于co测量的锅炉燃烧监测方法及系统 - Google Patents

Abstract

本发明公开了一种基于CO测量的锅炉燃烧监测方法，包括：获取多个CO测点的CO浓度值；根据所述CO浓度值创建锅炉偏烧的预测模型；通过所述预测模型对锅炉燃烧状态进行判断，当锅炉火焰中心出现偏移时，发出警报。本发明还公开了一种基于CO测量的锅炉燃烧监测系统及包括该监测系统的火电机组。上述基于CO测量的锅炉燃烧监测方法可有效解决传统由于O₂测量偏差大、滞后等原因而导致的风量波动大、控制不精确、锅炉燃烧区域无法监测等问题；通过精确的CO监测与报警，可有效降低NOx生产及将CO和O₂控制在最合理的区间，而且可以大大提高机组运行的安全性、可靠性、环保达标率和经济性。

Description

火电机组及其基于CO测量的锅炉燃烧监测方法及系统

技术领域

本发明涉及火力发电技术领域，特别涉及一种基于CO测量的锅炉燃烧监测方法。本发明还涉及一种基于CO测量的锅炉燃烧监测系统及包括该基于CO测量的锅炉燃烧监测系统的火电机组。

背景技术

随着国家环保要求要求越来越严格，火电机组对于NOx排放浓度高的燃煤电站锅炉进行的燃烧器低氮改造已逐渐完成。燃烧器低氮改造往往会牺牲一定的燃烧效率，而锅炉燃烧器区域、燃烬区、炉膛出口、省煤器出口烟道等部位的CO浓度大小是衡量炉内燃烧优劣的标准之一。CO为锅炉燃烧过程重要产物之一，CO在烟气中的含量是表征燃烧状况的重要参数，当烟气中CO含量上升，说明锅炉送风量偏少，燃料燃烧不充分，易发生锅炉灭火，同时CO浓度过高又极易引起水冷壁高温腐蚀，当CO含量下降，说明锅炉送风量偏多，烟气含O₂增加，NOx生产增加，烟气量增加导致锅炉热量损失增加，同时烟气流量随之增大，引风机能耗增加，烟道磨损加大。

目前，对于四角切圆燃煤火电机组来说，锅炉炉膛火焰中心的监测尤为重要。锅炉偏烧是指当锅炉一、二配风、锅炉燃烧器摆角、烟气挡板等设备异常或调整不当时，都会使火焰中心偏离，造成锅炉偏烧，偏烧则会导致锅炉受热面局部吸热不均，造成受热面超温、腐蚀、结焦等异常发生，危及锅炉运行安全。根据研究资料表明，运行氧量O₂对CO和NOx的浓度也有很大的关联关系，如图1所示，图1为现有技术中一种660MW四角切圆锅炉中CO浓度、NOx浓度和运行O₂的关系曲线图。由图1可知，CO浓度和NOx排放浓度呈反比关系，低CO运行，势必会造成NOx的升高，增加后续脱硝系统SCR的工作负荷；此外，CO浓度过高又极易引起水冷壁高温腐蚀。因此，从发电经济性和环保性等多方面综合考虑，烟道CO排放浓度已成为锅炉燃烧效率高低的一个非常重要的指标。

锅炉燃烧状态监测是指对燃煤火力机组锅炉燃烧过程的管壁状态、氧量、CO浓度、NOx等参数进行参数监测，并及时对异常参数进行报警，指导运行人员进行及时调整或设备维护、检修，以提高锅炉运行安全可靠性及经济性。然而，现有技术中锅炉燃烧只能通过火焰电视、氧量等进行监测，而对炉膛内的各个部位的局部燃烧情况无法通过测点参数进行监测，即无法进行精确的调整加以控制优化，由于原锅炉炉膛内测点缺乏，便无法对测点历史数据进行建立模型和样本学习及预测异常，这就需运行人员不间断监视参数变化，以致加大运行操作的风险和监盘劳动强度；同时，现有O₂分析仪现场采用直插式氧化锆测量方法，安装位置离锅炉燃烧区域较远，反映锅炉燃烧情况滞后，不能提供一个准确的、真实有效、无系统延时的O2数值，并且单纯采用空预器入口O₂测量及监视，无法反映整个锅炉燃烧区域中CO含量，也无法给运行人员提供锅炉燃烧区域的燃料情况，更无法为运行人员对锅炉送风风量调节、锅炉二次风门调节、燃烧器摆角调节等运行操作提供参考锅炉送风风量调节、锅炉二次风门调节、燃烧器摆角调节等运行操作提供参考。

因此，如何避免由于采用传统O₂监测方式无法反映整个锅炉燃烧区域中CO含量而导致无法给运行人员提供锅炉燃烧区域的燃烧情况，是本领域技术人员目前需要解决的技术问题。

发明内容

本发明的目的是提供一种基于CO测量的锅炉燃烧监测方法，该方法能反映锅炉各区域中CO含量，以对锅炉火焰中心偏移的情况进行有效监测，同时通过精确的CO监测与报警，可大大提高机组运行安全性、可靠性、环保达标率、经济性。本发明的另一目的是提供一种基于CO测量的锅炉燃烧监测系统及包括该基于CO测量的锅炉燃烧监测系统的火电机组。

为实现上述目的，本发明提供一种基于CO测量的锅炉燃烧监测方法，包括：

获取多个CO测点的CO浓度值；

根据所述CO浓度值创建锅炉偏烧的预测模型；

通过所述预测模型对锅炉燃烧状态进行判断，当锅炉火焰中心出现偏移时，发出警报。

可选地，所述获取多个CO测点的CO浓度值，包括：

获取锅炉主燃烧器区域4个CO测点、燃烬区4个CO测点、炉膛出口1个CO测点、省煤器出口烟道6个CO测点的CO浓度值。

可选地，所述根据所述CO浓度值创建锅炉偏烧的预测模型的步骤之前，包括：

获取空预器入口6个O₂测点的O₂浓度值、脱硝进口2个NOx测点的NOx浓度值、脱硝出口2个NOx测点的NOx浓度值；

对锅炉主燃烧器区域4个CO测点、燃烬区4个CO测点、炉膛出口1个CO测点、省煤器出口烟道6个CO测点的CO浓度值和空预器入口6个O₂测点的O₂浓度值、脱硝进口2个NOx测点的NOx浓度值、脱硝出口2个NOx测点的NOx浓度值分别进行偏差计算和取平均值计算。

可选地，所述根据所述CO浓度值创建锅炉偏烧的预测模型，包括：

选取测点，所述测点包括锅炉主燃烧器区域4个CO测点、燃烬区4个CO测点、炉膛出口1个CO测点、省煤器出口烟道6个CO测点、空预器入口6个O₂测点、脱硝进口2个NOx测点、脱硝出口2个NOx测点和机组功率PW；

选取算法，所述算法为机器学习算法或深度学习算法；

选取模式，所述模式为机组正常运行模式或机组启动及低负荷模式；

选取参数变化正常的历史数据为训练样本；

对各个测点的阈值进行设定和调整；

创建所述预测模型。

可选地，所述通过所述预测模型对锅炉燃烧状态进行判断，当锅炉火焰中心出现偏移时，发出警报，包括：

通过所述预测模型生成各个测点的预测值曲线；

获取各个测点的实际值曲线；

根据所述预测值曲线和所述实际值曲线获取偏差值曲线；

根据所述偏差值曲线比对各个测点对应的偏差值和阈值，当任一测点的偏差值大于阈值时，发出报警。

可选地，所述方法进一步包括：

对所述预测模型进行训练和调优。

本发明还提供一种基于CO测量的锅炉燃烧监测系统，包括：

获取模块：用以获取多个CO测点的CO浓度值；

创建模块：用以根据所述CO浓度值创建锅炉偏烧的预测模型；

判断模块：用以通过所述预测模型对锅炉燃烧状态进行判断，当锅炉火焰中心出现偏移时，发出警报。

可选地，所述创建模块包括：

第一选取单元：用以选取测点，所述测点为锅炉主燃烧器区域4个CO测点、燃烬区4个CO测点、炉膛出口1个CO测点、省煤器出口烟道6个CO测点、空预器入口6个O₂测点、脱硝进口2个NOx测点、脱硝出口2个NOx测点和机组功率PW；

第二选取单元：用以选取算法，所述算法为机器学习算法或深度学习算法；

第三选取单元：用以选取模式，所述模式为机组正常运行模式或机组启动及低负荷模式；

第四选取单元：用以选取参数变化正常的历史数据为训练样本；

设定单元：用以对各个测点的阈值进行设定和调整；

创建单元：用以创建所述预测模型。

可选地，所述判断模块包括：

生成单元：用以通过所述预测模型生成各个测点的预测值曲线；

获取单元：用以获取各个测点的实际值曲线；

计算单元：用以根据所述预测值曲线和所述实际值曲线获取偏差值曲线；

比对单元：用以根据所述偏差值曲线比对各个测点对应的偏差值和阈值，当任一测点的偏差值大于阈值时，发出报警。

本发明还提供一种火电机组，包括上述基于CO测量的锅炉燃烧监测系统。

相对于上述背景技术，本发明针对锅炉燃烧的不同要求，设计了一种基于CO测量的锅炉燃烧监测方法，具体来说，该方法包括：S1：获取多个CO测点的CO浓度值；S2：根据CO浓度值创建锅炉偏烧的预测模型；S3：通过预测模型对锅炉燃烧状态进行判断，当锅炉火焰中心出现偏移时，发出警报。同时，在上述基于CO测量的锅炉燃烧监测方法的基础上，还提供了一种基于CO测量的锅炉燃烧监测系统，该系统包括获取模块、创建模块和判断模块，其中，获取模块用于获取多个CO测点的CO浓度值；创建模块用于根据CO浓度值创建锅炉偏烧的预测模型；判断模块用于通过预测模型对锅炉燃烧状态进行判断，当锅炉火焰中心出现偏移时，发出警报。

也就是说，上述方法可实现对锅炉燃烧器区域、燃烬区、炉膛出口、省煤器出口烟道等部位进行CO的参数监测与报警，并引入锅炉偏烧的预测模型中，以实现对锅炉火焰中心状态的监测与控制，通过上述预测模型对实现对锅炉燃烧状态进行判断，并当锅炉火焰中心出现偏移时，发出警报。这样一来，上述基于CO测量的锅炉燃烧监测方法可有效解决传统由于O₂测量偏差大、滞后等原因而导致的风量波动大、控制不精确、锅炉燃烧区域无法监测等问题；同时，可对测点历史数据进行建模及预测异常，为运行人员提供24小时不间断连续参数变化监视与报警，这样即可大大减轻运行操作的监盘劳动强度大；此外，通过精确的CO监测与报警，可有效减少锅炉管壁腐蚀、通过调整燃烧器及二次风门开度、一次风门开度、烟气挡板开度等，避免火焰中心漂移、偏烧，不仅可以有效降低NOx生产及将CO和O₂控制在最合理的区间，而且可以大大提高机组运行的安全性、可靠性、环保达标率和经济性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为现有技术中一种660MW四角切圆锅炉中CO浓度、NOx浓度和运行O₂的关系曲线图；

图2为本发明实施例公开的一种基于CO测量的锅炉燃烧监测方法的流程图；

图3为本发明实施例公开的另一种基于CO测量的锅炉燃烧监测方法的流程图；

图4为本发明实施例中预测模型建立和运行的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的核心是提供一种基于CO测量的锅炉燃烧监测方法，该方法能反映锅炉各区域中CO含量，以对锅炉火焰中心偏移的情况进行有效监测，同时通过精确的CO监测与报警，可大大提高机组运行安全性、可靠性、环保达标率、经济性。本发明的另一核心是提供一种基于CO测量的锅炉燃烧监测系统及包括该基于CO测量的锅炉燃烧监测系统的火电机组。

为了使本技术领域的技术人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。

请参考图2、图3和图4，图2为本发明实施例公开的一种基于CO测量的锅炉燃烧监测方法的流程图；图3为本发明实施例公开的另一种基于CO测量的锅炉燃烧监测方法的流程图；图4为本发明实施例中预测模型建立和运行的流程图。

本发明实施例所提供的基于CO测量的锅炉燃烧监测方法可对锅炉各区域中的CO流场分布做多点监测，即通过反映锅炉各区域中CO含量实现对锅炉火焰中心的偏移状况进行有效监测。上述方法包括：

S1：获取多个CO测点的CO浓度值；

S2：根据CO浓度值创建锅炉偏烧的预测模型；

S3：通过预测模型对锅炉燃烧状态进行判断，当锅炉火焰中心出现偏移时，发出警报。

在S1中，通过对现场锅炉各个区域进行CO浓度值检测，从而对锅炉火焰中心的偏移情况进行有效监测。作为优选的，获取多个CO测点的CO浓度值具体包括：获取锅炉主燃烧器区域4个CO测点、燃烬区4个CO测点、炉膛出口1个CO测点、省煤器出口烟道6个CO测点的CO浓度值。

具体地，在现场各区域(锅炉主燃烧器区域、燃烬区、炉膛出口、省煤器出口烟道等部位)开孔，在孔内焊接取样法兰，并安装CO分析仪，分析仪安装调试完毕后投入运行。根据实际需要，可以在锅炉主燃烧器区域布置4个CO测点，燃烬区布置4个CO测点，炉膛出口布置1个CO测点，省煤器出口烟道布置6个CO测点，各个测点的分析仪能实时输出各区域CO浓度的实测数据，并送入DCS，DCS的设置为锅炉燃烧的常规设置，具体可以参照现有技术。

在S2中，通过上述若干个CO测点的CO浓度值可以反映烟道中对应区域的CO含量，在此基础上，DCS可以实时接收烟道中对应区域分析仪输出的CO浓度值；进一步的，DCS对各区域CO浓度值数据进行数据处理，主要包括：对锅炉主燃烧器4个CO测点的实时数据、燃烬区域4个CO测点的实时数据、炉膛出口1个CO测点的实时数据和省煤器出口6个CO测点实时数据的分别进行偏差计算和取平均计算。

当然，为了提高上述监测系统对锅炉燃烧监测的准确度，上述根据CO浓度值创建锅炉偏烧的预测模型的步骤，还包括：获取空预器入口6个O₂测点的O₂浓度值、脱硝进口2个NOx测点的NOx浓度值、脱硝出口2个NOx测点的NOx浓度值；此外，在对锅炉个区域的CO浓度值数据处理的基础上，进一步对上述空预器入口6个O₂测点的O₂浓度值、脱硝进口2个NOx测点的NOx浓度值、脱硝出口2个NOx测点的NOx浓度值分别进行偏差计算和取平均值计算。

需要说明的是，上述偏差计算是指分别计算锅炉各个区域CO测量值的两两之差，并设定第一阈值，然后判断全部差值与该第一阈值的大小，当上述任一差值大于该第一阈值时，即可发出警报，以提醒现场运行人员进行及时处理；取平均值计算是指计算全部CO测量值的平均值，并设定第二阈值，然后判断该平均值与该第二阈值的大小，当上述平均值大于第二阈值时，即可发出警报。

这样一来，当锅炉火焰中心出现偏移及参数发生异常，监测系统发出报警，包括：主燃烧器CO浓度异常报警、燃烬区域CO浓度异常报警，炉膛出口CO浓度异常报警，省煤器出口烟道CO浓度异常报警，主燃烧器4个CO浓度值之间偏差大报警，燃烬区域4个CO浓度值之间偏差大报警，省煤器出口水平烟道A侧3个CO浓度值之间偏差大报警、省煤器出口水平烟道B侧3个CO浓度值之间偏差大报警，脱硝入口NOx浓度异常报警、脱硝出口NOx浓度异常报警及空预器入口O₂浓度异常报警等。

更加具体地说，上述创建锅炉偏烧的预测模型的过程具体可以包括：

第一步：选取测点。该测点即为锅炉主燃烧器区域4个CO测点、燃烬区4个CO测点、炉膛出口1个CO测点、省煤器出口烟道6个CO测点、空预器入口6个O₂测点、脱硝进口2个NOx测点、脱硝出口2个NOx测点和机组功率PW；当然，根据实际需要，也可以增加送风机电流、动叶开度、风机振动等模型测点，进行模型相关性计算，以提高模型精确度。

第二步：选取算法。该算法为机器学习算法或深度学习算法；如支持向量机模型算法(SVM)，高斯混合模型算法(GMM)，递归高斯混合模型算法(RGMM)，以及其他深度学习算法。

第三步：选取模式。模式为机组正常运行模式或机组启动及低负荷模式；上述模式即为模型投入监控的触发条件，当模式满足时，该模型即可投入监测，如模式不满足，则该模型不进行监测；具体地，上述模型模式选择2种分别为：

机组正常运行模式：当机组功率PW大于30％额定功率(如机组额定功率为660WM，则当机组功率大于198MW时，模型模式满足条件，模型投入监测)。

机组启动及低负荷模式：当机组功率PW小于30％额定功率(如机组额定功率为660WM，则当机组功率小于198MW时，模型模式满足条件，模型投入监测)。

第四步：选取参数变化正常的历史数据为训练样本(若干个时间段)。上述训练样本应覆盖机组运行中的春夏秋冬四季中机组不同负荷工况下的样本，具体可以包括：机组降负荷工况下的样本，稳态负荷工况下的样本，高负荷下的样本、中负荷下的样本、低负荷下的样本、深度调峰负荷下的样本、机组启动阶段时的样本等。

第五步：对各个测点的阈值进行设定和调整。该阈值即模型测点的计算预测值与该测点实际值偏差的设定值，当模型每个测点的计算预测值与该测点实际值的偏差大于阈值时，即发出报警信号；阈值的调整可通过运行人员经验完成。

第六步：创建预测模型。

为了提高预测模型的精度，还包括：对模型进行训练和对模型进行调优。

其中，对模型进行训练是指：可点击模型训练的按钮，让模型进行学习，以便于计算出模型中所有测点的预测值；对模型调优是指：为了提高模型精度，当机组设备检修后发生特性变化或模型精确度低时，需要对模型进行重新训练，循环建模所需的第一步至第六步，并进行新一轮模型训练，以提高模型精确度。

需要注意的是，当模型不需要调优时，模型即可投入上线运行。

在S3中，通过预测模型对锅炉燃烧状态进行判断，当锅炉火焰中心出现偏移时，发出警报，具体可以包括：

第一步：通过预测模型生成各个测点的预测值曲线；

第二步：获取各个测点的实际值曲线；

第三步：根据预测值曲线和实际值曲线获取偏差值曲线；

第四步：根据偏差值曲线比对各个测点对应的偏差值和阈值，当任一测点的偏差值大于阈值时，发出报警。

也就是说，创建上述预测模型的目的是为了生成所有测点的预测值曲线；在此基础上，结合锅炉现场各个测点的实际值，可获取所有对应测点的实际值曲线，通过上述预测值曲线和实际值曲线即可生成出偏差值曲线，偏差值曲线对应每个测点的预测值与该测点实际值的偏差。

此外，该预测模型能够监测上述偏差曲线，当偏差数值大于各自测点对应的阈值时，预测模型即发出报警，以提示现场运行人员该系统存在异常。

综上，上述方法可实现对锅炉燃烧器区域、燃烬区、炉膛出口、省煤器出口烟道等部位进行CO的参数监测与报警，并引入锅炉偏烧的预测模型中，以实现对锅炉火焰中心状态的监测与控制，通过上述预测模型对实现对锅炉燃烧状态进行判断，并当锅炉火焰中心出现偏移时，发出警报。

这样一来，上述基于CO测量的锅炉燃烧监测方法可有效解决传统由于O₂测量偏差大、滞后等原因而导致的风量波动大、控制不精确、锅炉燃烧区域无法监测等问题；同时，可对测点历史数据进行建模及预测异常，为运行人员提供24小时不间断连续参数变化监视与报警，这样即可大大减轻运行操作的监盘劳动强度大；此外，通过精确的CO监测与报警，可有效减少锅炉管壁腐蚀、通过调整燃烧器及二次风门开度、一次风门开度、烟气挡板开度等，避免火焰中心漂移、偏烧，不仅可以有效降低NOx生产及将CO和O₂控制在最合理的区间，而且可以大大提高机组运行的安全性、可靠性、环保达标率和经济性。

在上述基础上，本发明实施例还提供了一种基于CO测量的锅炉燃烧监测系统，该系统包括获取模块、创建模块和判断模块，其中，获取模块用于获取多个CO测点的CO浓度值；创建模块用于根据CO浓度值创建锅炉偏烧的预测模型；判断模块用于通过预测模型对锅炉燃烧状态进行判断，当锅炉火焰中心出现偏移时，发出警报。

具体地，该锅炉燃烧的监测系统能够接收上述模型的报警信号，并发出如下请求：锅炉燃烧器摆角调整及二次风门调整向DCS请求、锅炉燃烧控制系统PID切手动向DCS请求、设备异常需检修请求和系统异常需维护检修处理请求等等。这样即可达到达到锅炉设备及系统状态可控、在控，锅炉燃烧自动控制品质优良，并在满足环保NOx指标的提前下，保证机组安全、经济、可靠、快速响应的运行的目的。

在本发明实施例中，上述创建模块具体包括：

第一选取单元：用于选取测点，所述测点为锅炉主燃烧器区域4个CO测点、燃烬区4个CO测点、炉膛出口1个CO测点、省煤器出口烟道6个CO测点、空预器入口6个O₂测点、脱硝进口2个NOx测点、脱硝出口2个NOx测点和机组功率PW；

第二选取单元：用于选取算法，所述算法为机器学习算法或深度学习算法；

第三选取单元：用于选取模式，所述模式为机组正常运行模式或机组启动及低负荷模式；

第四选取单元：用于选取参数变化正常的历史数据为训练样本；

设定单元：用于对各个测点的阈值进行设定和调整；

创建单元：用于创建所述预测模型。

更加具体地说，上述判断模块具体包括：

生成单元：用于通过所述预测模型生成各个测点的预测值曲线；

获取单元：用于获取各个测点的实际值曲线；

计算单元：用于根据所述预测值曲线和所述实际值曲线获取偏差值曲线；

比对单元：用于根据所述偏差值曲线比对各个测点对应的偏差值和阈值，当任一测点的偏差值大于阈值时，发出报警。

本发明所提供的一种火电机组，包括上述具体实施例所描述的基于CO测量的锅炉燃烧监测系统；火电机组的其他部分可以参照现有技术，本文不再展开。

需要说明的是，在本说明书中，诸如第一和第二之类的关系术语仅仅用来将一个实体与另外几个实体区分开来，而不一定要求或者暗示这些实体之间存在任何这种实际的关系或者顺序。

以上对本发明所提供的火电机组及其基于CO测量的锅炉燃烧监测方法及系统进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (10)

1.一种基于CO测量的锅炉燃烧监测方法，其特征在于，包括：

获取多个CO测点的CO浓度值；

根据所述CO浓度值创建锅炉偏烧的预测模型；

通过所述预测模型对锅炉燃烧状态进行判断，当锅炉火焰中心出现偏移时，发出警报。

2.根据权利要求1所述的基于CO测量的锅炉燃烧监测方法，其特征在于，所述获取多个CO测点的CO浓度值，包括：

获取锅炉主燃烧器区域4个CO测点、燃烬区4个CO测点、炉膛出口1个CO测点、省煤器出口烟道6个CO测点的CO浓度值。

3.根据权利要求2所述的基于CO测量的锅炉燃烧监测方法，其特征在于，所述根据所述CO浓度值创建锅炉偏烧的预测模型的步骤之前，包括：

获取空预器入口6个O₂测点的O₂浓度值、脱硝进口2个NOx测点的NOx浓度值、脱硝出口2个NOx测点的NOx浓度值；

对锅炉主燃烧器区域4个CO测点、燃烬区4个CO测点、炉膛出口1个CO测点、省煤器出口烟道6个CO测点的CO浓度值和空预器入口6个O₂测点的O₂浓度值、脱硝进口2个NOx测点的NOx浓度值、脱硝出口2个NOx测点的NOx浓度值分别进行偏差计算和取平均值计算。

4.根据权利要求3所述的基于CO测量的锅炉燃烧监测方法，其特征在于，所述根据所述CO浓度值创建锅炉偏烧的预测模型，包括：

选取测点，所述测点包括锅炉主燃烧器区域4个CO测点、燃烬区4个CO测点、炉膛出口1个CO测点、省煤器出口烟道6个CO测点、空预器入口6个O₂测点、脱硝进口2个NOx测点、脱硝出口2个NOx测点和机组功率PW；

选取算法，所述算法为机器学习算法或深度学习算法；

选取模式，所述模式为机组正常运行模式或机组启动及低负荷模式；

选取参数变化正常的历史数据为训练样本；

对各个测点的阈值进行设定和调整；

创建所述预测模型。

5.根据权利要求4所述的基于CO测量的锅炉燃烧监测方法，其特征在于，所述通过所述预测模型对锅炉燃烧状态进行判断，当锅炉火焰中心出现偏移时，发出警报，包括：

通过所述预测模型生成各个测点的预测值曲线；

获取各个测点的实际值曲线；

根据所述预测值曲线和所述实际值曲线获取偏差值曲线；

根据所述偏差值曲线比对各个测点对应的偏差值和阈值，当任一测点的偏差值大于阈值时，发出报警。

6.根据权利要求1至5任一项所述的基于CO测量的锅炉燃烧监测方法，其特征在于，所述方法进一步包括：

对所述预测模型进行训练和调优。

7.一种基于CO测量的锅炉燃烧监测系统，其特征在于，包括：

获取模块：用以获取多个CO测点的CO浓度值；

创建模块：用以根据所述CO浓度值创建锅炉偏烧的预测模型；

判断模块：用以通过所述预测模型对锅炉燃烧状态进行判断，当锅炉火焰中心出现偏移时，发出警报。

8.根据权利要求7所述的基于CO测量的锅炉燃烧监测系统，其特征在于，所述创建模块包括：

第一选取单元：用以选取测点，所述测点为锅炉主燃烧器区域4个CO测点、燃烬区4个CO测点、炉膛出口1个CO测点、省煤器出口烟道6个CO测点、空预器入口6个O₂测点、脱硝进口2个NOx测点、脱硝出口2个NOx测点和机组功率PW；

第二选取单元：用以选取算法，所述算法为机器学习算法或深度学习算法；

第三选取单元：用以选取模式，所述模式为机组正常运行模式或机组启动及低负荷模式；

第四选取单元：用以选取参数变化正常的历史数据为训练样本；

设定单元：用以对各个测点的阈值进行设定和调整；

创建单元：用以创建所述预测模型。

9.根据权利要求8所述的基于CO测量的锅炉燃烧监测系统，其特征在于，所述判断模块包括：

生成单元：用以通过所述预测模型生成各个测点的预测值曲线；

获取单元：用以获取各个测点的实际值曲线；

计算单元：用以根据所述预测值曲线和所述实际值曲线获取偏差值曲线；

比对单元：用以根据所述偏差值曲线比对各个测点对应的偏差值和阈值，当任一测点的偏差值大于阈值时，发出报警。

10.一种火电机组，其特征在于，包括如权利要求7至9任一项所述的基于CO测量的锅炉燃烧监测系统。

Images