CN111401652A - 一种基于co在线检测的锅炉优化方法及系统 - Google Patents

一种基于co在线检测的锅炉优化方法及系统 Download PDF

Info

Publication number
CN111401652A
CN111401652A CN202010214224.8A CN202010214224A CN111401652A CN 111401652 A CN111401652 A CN 111401652A CN 202010214224 A CN202010214224 A CN 202010214224A CN 111401652 A CN111401652 A CN 111401652A
Authority
CN
China
Prior art keywords
boiler
data
concentration
optimization
neuron
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.)
Pending
Application number
CN202010214224.8A
Other languages
English (en)
Inventor
鄢烈祥
裴彬
周力
刘立柱
彭愿
梁矩亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangu Yunzhi Wuhan Technology Co ltd
Original Assignee
Hangu Yunzhi Wuhan Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangu Yunzhi Wuhan Technology Co ltd filed Critical Hangu Yunzhi Wuhan Technology Co ltd
Priority to CN202010214224.8A priority Critical patent/CN111401652A/zh
Publication of CN111401652A publication Critical patent/CN111401652A/zh
Pending legal-status Critical Current

Links

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"
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
    • F23N—REGULATING OR CONTROLLING COMBUSTION
    • F23N5/00—Systems for controlling combustion
    • 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
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
    • F23N—REGULATING OR CONTROLLING COMBUSTION
    • F23N2900/00—Special features of, or arrangements for controlling combustion
    • F23N2900/05001—Measuring CO content in flue gas

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Water Supply & Treatment (AREA)
  • Biomedical Technology (AREA)
  • Mechanical Engineering (AREA)
  • Public Health (AREA)
  • Chemical & Material Sciences (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Combustion & Propulsion (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Regulation And Control Of Combustion (AREA)
  • Control Of Steam Boilers And Waste-Gas Boilers (AREA)

Abstract

本发明公开了一种基于CO在线检测的锅炉优化方法及系统，运用大数据及智能优化算法，建立了CO浓度与锅炉热效率之间的数理模型，通过控制炉膛内CO的浓度来控制锅炉效率，并运用关联规则、BP神经网络等算法进行优化计算，得到最佳的锅炉操作方案，从而实现锅炉的实时闭环优化。

Description

一种基于CO在线检测的锅炉优化方法及系统
技术领域
本发明涉及电力领域，具体涉及发电行业一种基于CO在线检测的锅炉优化方法及系统。
背景技术
随着发电机组在向大容量、高参数方向发展，锅炉的容量不断增加，炉膛温度呈上升趋势；另外，环保对NOx排放的要求越来越严格，为了减少氮氧化物的排放，燃煤锅炉采用低氮燃烧方式，但是低氮燃烧方式导致主燃烧区域缺氧燃烧，使得水冷壁表面的还原性气氛增强，水冷壁高温腐蚀现象频繁出现。水冷壁的高温腐蚀与还原性气氛有着极密切的关系，CO浓度大的地方腐蚀程度就高。CO在锅炉水冷壁高温腐蚀作用有两方面：一方面作为监控锅炉水冷壁高温腐蚀的一个主要参数，并且反应腐蚀气体H2S的生成量；另一方面，直接参与对锅炉水冷壁的高温腐蚀。
研究表明，炉内燃烧配风控制是锅炉提升热效率最为有效的方式。传统电厂通过氧量控制锅炉，氧量不能真实反映风煤混合好坏，且其受漏风影响较大，难以精准地反映锅炉的燃烧情况。
发明内容
本发明就是针对现有技术的不足，提供了一种基于CO在线检测的锅炉优化方法及系统。
为了实现上述目的，本申请提供了以下技术手段：
在一个总体方面，提供了一种基于CO在线检测的锅炉操作优化方法，其特征在于，包括以下步骤：
采集数据：采集锅炉主要运行数据与CO在线检测数据按指定格式存入数据库；
数据预处理：
1)剔除锅炉系统运行数据中的异常数据；
2)进行锅炉稳态分析，剔除锅炉非稳态运行的异常数据；
3)运用相关系数法对各操作变量与锅炉效率进行相关性分析，并按相关性强弱进行排序，保留相关性强的主要操作变量；
数理模型建立：运用BP神经网络对锅炉稳态运行数据进行挖掘，分别建立CO浓度与锅炉效率、CO浓度与NOx浓度之间的数理模型；
优化模型与计算：根据CO浓度与锅炉效率及NOx浓度之间的数理模型，建立锅炉系统优化模型；并将多目标优化问题转化为单目标优化问题，计算得到最佳CO浓度；并运用关联规则算法进行实时优化计算，获取最佳的锅炉运行操作方案。
进一步地，锅炉稳态分析采用滑动窗口法，即从数据的开始时间位置往后取一段时间内的运行数据作为一个窗口，计算窗口内数据的波动情况，若“锅炉主蒸汽流量”波动较大，则认为窗口内数据处于非稳态，不保留数据；
否则数据处于稳态，保留数据；以此流程从开始时间点滑动到结束时间点，得到所有的锅炉稳态数据；计算公式如下：
Figure BDA0002423847880000021
式中：t表示开始时间；N表示滑动窗口的宽度；
Figure BDA0002423847880000022
表示从t到t+N-1之间的均值；xt表示第t个工况的值；λ为主蒸汽流量波动范围。
更进一步地，相关性分析的具体过程如下：
相关系数的计算公式：
Figure BDA0002423847880000031
其中rxy表示样本相关系数，Sxy表示样本协方差，Sx表示X的样本标准差，Sy表示y的样本标准差。下面分别是Sxy协方差和Sx和Sy标准差的计算公式。由于是样本协方差和样本标准差，因此分母使用的是n-1。
Sxy样本协方差计算公式：
Figure BDA0002423847880000032
Sx样本标准差计算公式：
Figure BDA0002423847880000033
Sy样本标准差计算公式：
Figure BDA0002423847880000034
再进一步地，CO浓度与锅炉效率的数理模型的建立具体如下：
第一步，网络初始化
给各连接权值分别赋一个区间(-1，1)内的随机数，设定误差函数e，给定计算精度值ε和最大学习次数M；
第二步，随机选取第k个输入样本及对应期望输出
x(k)＝(x1(k)，x2(k)，…xn(k))
do(k)＝(d1(k)，d2(k)，…dq(k))
第三步，计算隐含层各神经元的输入和输出，第j个神经元的输入值Sj和输出值yj为：
Figure BDA0002423847880000041
Figure BDA0002423847880000042
其中，xi表示来自神经元i的输入；wji表示神经元i与第j个神经元的连接强度，即权值；yj为第j个神经元的输出；
第四步，利用网络期望输出和实际输出，计算误差函数对输出层的各神经元的偏导数δo(k)；
第五步，利用隐含层到输出层的连接权值、输出层的δo(k)和隐含层的输出计算误差函数对隐含层各神经元的偏导数δh(k)；
第六步，利用输出层各神经元的δo(k)和隐含层各神经元的输出来修正连接权值who(k)；
第七步，利用隐含层各神经元的δh(k)和输入层各神经元的输入修正连接权。
第八步，计算全局误差
Figure BDA0002423847880000043
第九步，判断网络误差是否满足要求，当误差达到预设精度或学习次数大于设定的最大次数，则结束算法；否则，选取下一个学习样本及对应的期望输出，返回到第三步，进入下一轮学习，从而得到CO浓度与锅炉效率之间的数理模型。
进一步地，所述优化模型的
1)优化目标：在满足产汽量需求时，控制合适的CO浓度，使锅炉的总耗煤量最小，使NOx浓度较低。
2)约束条件包括：
①煤质参数；
②锅炉运行负荷；
③锅炉设计参数；
④锅炉实际运行特性等；
3)优化变量包括：
①耗煤量；
②一次风率；
③二次风率；
④过量空气系数等。
再进一步地，所述优化模型的计算具体过程如下：
结合CO与锅炉效率和NOx浓度模型，分别赋予权重系数k1和k2，将多目标优化问题转化为单目标优化问题，计算得到最佳的CO浓度；利用关联规则算法进行实时优化计算，获取最佳的锅炉运行操作方案，具体如下：
输入：
锅炉运行数据、煤质数据和计算所得的锅炉正平衡效率值，记为D(k)，k表示数据的维度；
最小支持度：min_sup；
最小置信度：min_conf。
输出：锅炉最佳运行方案，即置信度最大的频繁k项集Lkb。
方法：
首先，通过扫描数据库，确定每个项的计数，并收集满足最小支持度的项，找出频繁1项集的集合,该集合记为L1；然后，使用L1找出频繁2项集的集合L2，使用L2找出L3，如此下去，找到满足最小支持度和最小置信度的频繁k项集，选取置信度最大的频繁k项集Lk，即为最佳的锅炉运行方案；
使用Lk-1找出Lk，其中k≥2，主要包括连接步和剪枝步：
连接步：为找出Lk，通过将Lk-1与自身连接产生候选k项集的集合；该候选项集的集合记为Ck；设l1和l2是Lk-1中的项集；记号li[j]表示li的第j项，对于(k-1)项集li，使得li[1]＜li[2]＜…＜li[k-1]，执行连接Lk-1？Lk-1；如果(l1[1]＝l2[1])∧(l1[2]＝l2[2])∧…∧(l1[k-2]＝l2[k-2])∧(l1[k-1]＝l2[k-1])；连接l1和l2产生的结果项集是{l1[1]，l1[2]，…，l1[k-2]，l1[k-1]}；
剪枝步：Ck是Lk的超集，也就是说，Ck的成员可以是也可以不是频繁的，但所有的频繁k项集都包含在Ck中；由于任何非频繁的(k-1)项集都不是频繁k项的子集，因此，如果一个候选k项集的(k-1)项子集不再Lk-1中，则该候选也不可能是频繁的，从而可以从Ck中删除。
在另一个总体方面，本发明提供了一种基于CO在线检测的锅炉操作优化系统，其特殊之处在于：包括数据采集模块、数据预处理模块、数理模型建立模块、优化模型与计算模块；
其中，
所述数据采集模块：采集锅炉主要运行数据与CO在线检测数据按指定格式存入数据库；
所述数据预处理模块：
1)剔除锅炉系统运行数据中的异常数据；
2)进行锅炉稳态分析，剔除锅炉非稳态运行的异常数据；
3)运用相关系数法对各操作变量与锅炉效率进行相关性分析，并按相关性强弱进行排序，保留相关性强的主要操作变量；
所述数理模型建立模块：运用BP神经网络对锅炉稳态运行数据进行挖掘，分别建立CO浓度与锅炉效率、CO浓度与NOx浓度之间的数理模型；
所述优化模型与计算模块：根据CO浓度与锅炉效率及NOx浓度之间的数理模型，建立锅炉系统优化模型；并将多目标优化问题转化为单目标优化问题，计算得到最佳CO浓度；并运用关联规则算法进行实时优化计算，获取最佳的锅炉运行操作方案。
本发明的优点在于：
1)本发明将大数据技术、CO在线检测技术与锅炉运行操作相结合，不需要实时煤质数据，就可实时进行优化计算，并给出最佳的锅炉运行方案。
2)本发明通过OPC/database读取锅炉与在线CO检测系统的实时运行数据，结合锅炉历史运行数据库，运用大数据技术，实现对锅炉系统的实时闭环优化。
3)本发明运用大数据技术与CO在线检测技术，通过控制炉膛CO浓度来控制锅炉的燃烧与NOx浓度，使锅炉安全高效运行。
4)锅炉最佳运行状态点是在满足污染物排放要求的情况下锅炉效率最高的运行状态点。传统锅炉优化算法一般只针对锅炉效率进行优化，没有考虑污染物排放，但锅炉效率最高的状态点不一定是锅炉的最佳运行状态点，本发明运用的算法集成了滑动窗口稳态分析法、BP神经网络算法、关联规则算法及多目标优化算法，计算得到锅炉最佳运行状态点。
5)与其它算法相比，本发明运用的锅炉优化算法，实时挖掘出锅炉当前状态下的最佳运行方案，具有安全、可靠及可实现性。
6)本发明基于锅炉的运行数据与CO在线检测数据，运用大数据技术进行优化计算，无需改造设备、优化效益高、安全稳定性好。
附图说明
图1是本发明系统原理图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
由于锅炉入炉煤质检测的滞后性，无法实时获得准确的煤质数据，因此，很难实时得到锅炉的热效率。本发明提供一种基于CO在线检测的锅炉优化方法及系统，方法的具体过程是运用大数据及智能优化算法，建立了CO浓度与锅炉热效率之间的数理模型，通过控制炉膛内CO的浓度来控制锅炉效率，并运用关联规则、BP神经网络等算法进行优化计算，得到最佳的锅炉操作方案，从而实现锅炉的实时闭环优化。
方法融合了数据采集、数据库、CO浓度与锅炉效率模型、CO浓度与NOx浓度数理模型、智能优化算法等技术，以实现对锅炉系统实时在线闭环优化，使锅炉自动化、高效化、低污染运行。方法的工作流程如图1所示。主要包括：
1数据采集
运用OPC/database读取锅炉主要运行数据与CO在线检测数据，并按指定的格式存入数据库。锅炉主要运行参数包括耗煤量，一次风率，二次风率，过量空气系数等。若每5分钟采集一次数据，则至少需要采集3个月的数据，数据量越大，优化空间越大。
2数据预处理
①剔除异常值
删除锅炉系统运行数据中的NAN空数据、数值为0及违反常理的异常值的数据。
②稳态分析
由于锅炉在变负荷运行时，即非稳态运行时，锅炉各运行参数存在剧烈波动，此时的数据难以反映锅炉的真实运行水平，因此对锅炉系统运行数据采用滑动窗口法进行稳分析，剔除锅炉非稳态运行的异常数据，得到稳定状态下的运行数据。
锅炉主蒸汽流量是反映机组运行工况是否稳定的重要因素，以“锅炉主蒸汽流量”为衡量锅炉运行状态的标准，用滑动窗口法，对锅炉运行数据按照时间序列进行稳态分析，从数据的开始时间位置往后取一段时间内的运行数据作为一个窗口，计算窗口内数据的波动情况，若“锅炉主蒸汽流量”波动大于10t/h，则认为窗口内数据处于非稳态，不保留数据；否则数据处于稳态，保留数据。以此流程从开始时间点滑动到结束时间点，得到所有的锅炉稳态数据。计算公式如下：
Figure BDA0002423847880000091
式中：t表示开始时间；N表示滑动窗口的宽度；
Figure BDA0002423847880000092
表示从t到t+N-1之间的均值；xt表示第t个工况的值；λ为主蒸汽流量波动范围。
③相关性分析与变量约减
运用相关系数法对各操作变量与锅炉效率进行相关性分析，筛选出相关性绝对值大于0.1的各操作变量，并按相关性强弱进行排序，保留相关性强的主要操作变量。相关系数是反应变量之间关系密切程度的统计指标，相关系数的取值区间在1到-1之间。1表示两个变量完全线性相关，-1表示两个变量完全负相关，0表示两个变量不相关。数据越趋近于0表示相关关系越弱。以下是相关系数的计算公式：
Figure BDA0002423847880000101
其中rxy表示样本相关系数，Sxy表示样本协方差，Sx表示X的样本标准差，Sy表示y的样本标准差。下面分别是Sxy协方差和Sx和Sy标准差的计算公式。由于是样本协方差和样本标准差，因此分母使用的是n-1。
Sxy样本协方差计算公式：
Figure BDA0002423847880000102
Sx样本标准差计算公式：
Figure BDA0002423847880000103
Sy样本标准差计算公式：
Figure BDA0002423847880000104
3 CO浓度与锅炉效率数理模型
根据锅炉稳态运行的历史数据，运用BP神经网络算法，建立CO浓度与锅炉效率之间的数理模型。
第一步，网络初始化
给各连接权值分别赋一个区间(-1，1)内的随机数，设定误差函数e，给定计算精度值ε为10-5和最大学习次数M为1000。
Figure BDA0002423847880000105
第二步,随机选取第k个输入样本及对应期望输出
x(k)＝(x1(k)，x2(k)，…xn(k))
do(k)＝(d1(k)，d2(k)，…dq(k))
第三步，计算隐含层各神经元的输入和输出，第j个神经元的输入值Sj和输出值yj为：
Figure BDA0002423847880000111
Figure BDA0002423847880000112
其中，xi表示来自神经元i的输入；wji表示神经元i与第j个神经元的连接强度，即权值；yj为第j个神经元的输出；
第四步，利用网络期望输出和实际输出，计算误差函数对输出层的各神经元的偏导数δo(k)；
第五步，利用隐含层到输出层的连接权值、输出层的δo(k)和隐含层的输出计算误差函数对隐含层各神经元的偏导数δh(k)；
第六步，利用输出层各神经元的δo(k)和隐含层各神经元的输出来修正连接权值who(k)；
第七步，利用隐含层各神经元的δh(k)和输入层各神经元的输入修正连接权。
第八步，计算全局误差
Figure BDA0002423847880000113
第九步，判断网络误差是否满足要求。当误差达到预设精度或学习次数大于设定的最大次数，则结束算法。否则，选取下一个学习样本及对应的期望输出，返回到第三步，进入下一轮学习。从而得到CO浓度与锅炉效率之间的数理模型。
4 CO浓度与NOx浓度数理模型
同样的，根据锅炉稳态运行的历史数据，运用BP神经网络算法，得到CO浓度与NOx浓度之间的数理模型。
5锅炉系统优化模型
根据CO浓度与锅炉效率及NOx浓度之间的关系，把CO浓度作为衡量锅炉效率与NOx浓度的指标，建立锅炉系统优化模型。
1)优化目标：在满足产汽量需求时，控制合适的CO浓度，使锅炉的总耗煤量最小，使NOx浓度较低。
2)约束条件：
①煤质参数；
②锅炉运行负荷；
③锅炉设计参数；
④锅炉实际运行特性等。
3)优化变量：
①耗煤量；
②一次风率；
③二次风率；
④过量空气系数等。
6优化计算
根据CO浓度与锅炉效率、CO浓度与NOx浓度的模型，分别赋予权重系数k1和k2(k1和k2,之和为1，默认k1和k2均为0.5，可以根据企业的实际需求进行调整)，将多目标优化问题转化为单目标优化问题，得到锅炉各负荷所对应的锅炉最佳CO浓度。然后根据当前锅炉的运行负荷及个符合所对应的锅炉最佳CO浓度，在数据库中挖掘同状态(负荷波动小于5t/h)下的历史运行数据，运用关联规则算法进行实时优化计算，得到最佳CO浓度对应的锅炉各运行参数，即最佳的锅炉运行操作方案。关联规则算法计算逻辑如下：
输入：
锅炉运行数据、煤质数据和计算所得的锅炉正平衡效率值，记为D(k)，k表示数据的维度；
最小支持度：min_sup；
最小置信度：min_conf。
输出：锅炉最佳运行方案，即置信度最大的频繁k项集Lkb。
方法：
首先，通过扫描数据库，确定每个项的计数，并收集满足最小支持度的项，找出频繁1项集的集合,该集合记为L1。然后，使用L1找出频繁2项集的集合L2，使用L2找出L3，如此下去，找到满足最小支持度和最小置信度的频繁k项集，选取置信度最大的频繁k项集Lk，即为最佳的锅炉运行方案。
使用Lk-1找出Lk，其中k≥2，主要包括连接步和剪枝步：
连接步：为找出Lk，通过将Lk-1与自身连接产生候选k项集的集合；该候选项集的集合记为Ck；设l1和l2是Lk-1中的项集；记号li[j]表示li的第j项，对于(k-1)项集li，使得li[1]＜li[2]＜…＜li[k-1]，执行连接Lk-1？Lk-1；如果(l1[1]＝l2[1])∧(l1[2]＝l2[2])∧…∧(l1[k-2]＝l2[k-2])∧(l1[k-1]＝l2[k-1])；连接l1和l2产生的结果项集是{l1[1]，l1[2]，…，l1[k-2]，l1[k-1]}；
剪枝步：Ck是Lk的超集，也就是说，Ck的成员可以是也可以不是频繁的，但所有的频繁k项集都包含在Ck中。由于任何非频繁的(k-1)项集都不是频繁k项的子集，因此，如果一个候选k项集的(k-1)项子集不再Lk-1中，则该候选也不可能是频繁的，从而可以从Ck中删除。
相关的方法由Python、JavaScript和Go等语言开发实现，实现了对燃煤锅炉的自动化操作优化。
本发明具有如下优点：
1)本发明将大数据技术、CO在线检测技术与锅炉运行操作相结合，不需要实时煤质数据，就可实时进行优化计算，并给出最佳的锅炉运行方案。
2)本发明通过OPC技术/database数据库技术读取锅炉与在线CO检测系统的实时运行数据，结合锅炉历史运行数据库，运用大数据技术，实现对锅炉系统的实时闭环优化。
3)本发明运用大数据技术与CO在线检测技术，通过控制炉膛CO浓度来控制锅炉的燃烧与NOx浓度，使锅炉安全高效运行。
4)锅炉最佳运行状态点是在满足污染物排放要求的情况下锅炉效率最高的运行状态点。传统锅炉优化算法一般只针对锅炉效率进行优化，没有考虑污染物排放，但锅炉效率最高的状态点不一定是锅炉的最佳运行状态点，本发明运用的算法集成了滑动窗口稳态分析法、BP神经网络算法、关联规则算法及多目标优化算法，计算得到锅炉最佳运行状态点。
5)与其它算法相比，本发明运用的锅炉优化算法，实时挖掘出锅炉当前状态下的最佳运行方案，具有安全、可靠及可实现性。
6)本发明基于锅炉的运行数据与CO在线检测数据，运用大数据技术进行优化计算，无需改造设备、优化效益高、安全稳定性好。
以上所述本发明的具体实施方式，并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形，均应包含在本发明权利要求的保护范围内。

Claims (7)

1.一种基于CO在线检测的锅炉优化方法，其特征在于，包括以下步骤：
采集数据：采集锅炉主要运行数据与CO在线检测数据按指定格式存入数据库；
数据预处理：
1)剔除锅炉系统运行数据中的异常数据；
2)进行锅炉稳态分析，剔除锅炉非稳态运行的异常数据；
3)运用相关系数法对各操作变量与锅炉效率进行相关性分析，并按相关性强弱进行排序，保留相关性强的主要操作变量；
数理模型建立：运用BP神经网络对锅炉稳态运行数据进行挖掘，分别建立CO浓度与锅炉效率、CO浓度与NOx浓度之间的数理模型；
优化模型与计算：根据CO浓度与锅炉效率及NOx浓度之间的数理模型，建立锅炉系统优化模型；并将多目标优化问题转化为单目标优化问题，计算得到最佳CO浓度；并运用关联规则算法进行实时优化计算，获取最佳的锅炉运行操作方案。
2.根据权利要求1所述的基于CO在线检测的锅炉优化方法，其特征在于：以“锅炉主蒸汽流量”为衡量锅炉运行状态的标准，锅炉稳态分析采用滑动窗口法，即从数据的开始时间位置往后取一段时间内的运行数据作为一个窗口，计算窗口内数据的波动情况，若“锅炉主蒸汽流量”波动较大，则认为窗口内数据处于非稳态，不保留数据；否则数据处于稳态，保留数据；
以此流程从开始时间点滑动到结束时间点，得到所有的锅炉稳态数据；计算公式如下：
Figure FDA0002423847870000011
式中：t表示开始时间；N表示滑动窗口的宽度；
Figure FDA0002423847870000012
表示从t到t+N-1之间的均值；xt表示第t个工况的值；λ为主蒸汽流量波动范围。
3.根据权利要求1所述的基于CO在线检测的锅炉优化方法，其特征在于：相关性分析的具体过程如下：
相关系数的计算公式：
Figure FDA0002423847870000021
其中rxy表示样本相关系数，Sxy表示样本协方差，Sx表示X的样本标准差，Sy表示y的样本标准差；其中：
Sxy样本协方差计算公式：
Figure FDA0002423847870000022
Sx样本标准差计算公式：
Figure FDA0002423847870000023
Sy样本标准差计算公式：
Figure FDA0002423847870000024
由于是样本协方差和样本标准差，因此分母使用的是n-1。
4.根据权利要求1所述的基于CO在线检测的锅炉优化方法，其特征在于：CO浓度与锅炉效率的数理模型的建立具体如下：
第一步，网络初始化
给各连接权值分别赋一个区间(-1，1)内的随机数，设定误差函数e，给定计算精度值ε和最大学习次数M；
第二步，随机选取第k个输入样本及对应期望输出
x(k)＝(x1(k)，x2(k)，…xn(k))
do(k)＝(d1(k)，d2(k)，…dq(k))
第三步，计算隐含层各神经元的输入和输出，第j个神经元的输入值Sj和输出值yj为：
Figure FDA0002423847870000031
Figure FDA0002423847870000032
其中，xi表示来自神经元i的输入；wji表示神经元i与第j个神经元的连接强度，即权值；yj为第j个神经元的输出；
第四步，利用网络期望输出和实际输出，计算误差函数对输出层的各神经元的偏导数δo(k)；
第五步，利用隐含层到输出层的连接权值、输出层的δo(k)和隐含层的输出计算误差函数对隐含层各神经元的偏导数δh(k)；
第六步，利用输出层各神经元的δo(k)和隐含层各神经元的输出来修正连接权值who(k)；
第七步，利用隐含层各神经元的δh(k)和输入层各神经元的输入修正连接权：
第八步，计算全局误差
Figure FDA0002423847870000033
第九步，判断网络误差是否满足要求，当误差达到预设精度或学习次数大于设定的最大次数，则结束算法；否则，选取下一个学习样本及对应的期望输出，返回到第三步，进入下一轮学习，从而得到CO浓度与锅炉效率之间的数理模型。
5.根据权利要求1所述的基于CO在线检测的锅炉优化方法，其特征在于：所述优化模型的
1)优化目标：在满足产汽量需求时，控制合适的CO浓度，使锅炉的总耗煤量最小，使NOx浓度较低；
2)约束条件包括：
①煤质参数；
②锅炉运行负荷；
③锅炉设计参数；
④锅炉实际运行特性；
3)优化变量包括：
①耗煤量；
②一次风率；
③二次风率；
④过量空气系数。
6.根据权利要求1所述的基于CO在线检测的锅炉优化方法，其特征在于：所述优化模型的计算具体过程如下：
结合CO与锅炉效率和NOx浓度模型，分别赋予权重系数k1和k2，将多目标优化问题转化为单目标优化问题，计算得到最佳的CO浓度；利用关联规则算法进行实时优化计算，获取最佳的锅炉运行操作方案，具体如下：
输入：
锅炉运行数据、煤质数据和计算所得的锅炉正平衡效率值，记为D(k)，k表示数据的维度；
最小支持度：min_sup；
最小置信度：min_conf；输出：锅炉最佳运行方案，即置信度最大的频繁k项集Lkb；方法：
首先，通过扫描数据库，确定每个项的计数，并收集满足最小支持度的项，找出频繁1项集的集合，该集合记为L1；然后，使用L1找出频繁2项集的集合L2，使用L2找出L3，如此下去，找到满足最小支持度和最小置信度的频繁k项集，选取置信度最大的频繁k项集Lk，即为最佳的锅炉运行方案；
使用Lk-1找出Lk，其中k≥2，主要包括连接步和剪枝步：
连接步：为找出Lk，通过将Lk-1与自身连接产生候选k项集的集合；该候选项集的集合记为Ck；设l1和l2是Lk-1中的项集；记号li[j]表示1i的第j项，对于(k-1)项集li，使得li[1]＜li[2]＜…＜li[k-1]，执行连接Lk-1？Lk-1；如果(l1[1]＝l2[1])∧(l1[2]＝l2[2])∧…∧(l1[k-2]＝l2[k-2])∧(l1[k-1]＝12[k-1])；连接11和12产生的结果项集是{l1[1]，l1[2]，…，l1[k-2]，l1[k-1]}；
剪枝步：Ck是Lk的超集，Ck的成员可以是也可以不是频繁的，但所有的频繁k项集都包含在Ck中；由于任何非频繁的(k-1)项集都不是频繁k项的子集，因此，如果一个候选k项集的(k-1)项子集不再Lk-1中，则该候选也不可能是频繁的，从而可以从Ck中删除。
7.一种基于CO在线检测的锅炉操作优化系统，其特征在于：包括数据采集模块、数据预处理模块、数理模型建立模块、优化模型与计算模块；其中，
所述数据采集模块：采集锅炉主要运行数据与CO在线检测数据按指定格式存入数据库；
所述数据预处理模块：
1)剔除锅炉系统运行数据中的异常数据；
2)进行锅炉稳态分析，剔除锅炉非稳态运行的异常数据；
3)运用相关系数法对各操作变量与锅炉效率进行相关性分析，并按相关性强弱进行排序，保留相关性强的主要操作变量；
所述数理模型建立模块：运用BP神经网络对锅炉稳态运行数据进行挖掘，分别建立CO浓度与锅炉效率、CO浓度与NOx浓度之间的数理模型；
所述优化模型与计算模块：根据CO浓度与锅炉效率及NOx浓度之间的数理模型，建立锅炉系统优化模型；并将多目标优化问题转化为单目标优化问题，计算得到最佳CO浓度；并运用关联规则算法进行实时优化计算，获取最佳的锅炉运行操作方案。
CN202010214224.8A 2020-03-24 2020-03-24 一种基于co在线检测的锅炉优化方法及系统 Pending CN111401652A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010214224.8A CN111401652A (zh) 2020-03-24 2020-03-24 一种基于co在线检测的锅炉优化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010214224.8A CN111401652A (zh) 2020-03-24 2020-03-24 一种基于co在线检测的锅炉优化方法及系统

Publications (1)

Publication Number Publication Date
CN111401652A true CN111401652A (zh) 2020-07-10

Family

ID=71431193

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010214224.8A Pending CN111401652A (zh) 2020-03-24 2020-03-24 一种基于co在线检测的锅炉优化方法及系统

Country Status (1)

Country Link
CN (1) CN111401652A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112325329A (zh) * 2020-10-13 2021-02-05 华中科技大学 一种防高温腐蚀的锅炉风门开度控制方法及系统
CN113504765A (zh) * 2021-06-18 2021-10-15 汉谷云智(武汉)科技有限公司 一种电厂循环流化床锅炉操作优化方法
CN114764093A (zh) * 2021-01-13 2022-07-19 新智数字科技有限公司 燃气锅炉烟气一氧化碳含量监测方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104809069A (zh) * 2015-05-11 2015-07-29 中国电力科学研究院 一种基于集成神经网络的源代码漏洞检测方法
CN104951836A (zh) * 2014-03-25 2015-09-30 上海市玻森数据科技有限公司 基于神经网络技术的发帖预测系统
CN106529161A (zh) * 2016-10-28 2017-03-22 东南大学 一种基于火电机组运行数据确定升降负荷速率的方法
CN107292387A (zh) * 2017-05-31 2017-10-24 汪薇 一种基于bp识别蜂蜜质量的方法
CN109237510A (zh) * 2018-10-09 2019-01-18 沃森能源技术（廊坊）有限公司 一种基于co在线监测的锅炉燃烧优化系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104951836A (zh) * 2014-03-25 2015-09-30 上海市玻森数据科技有限公司 基于神经网络技术的发帖预测系统
CN104809069A (zh) * 2015-05-11 2015-07-29 中国电力科学研究院 一种基于集成神经网络的源代码漏洞检测方法
CN106529161A (zh) * 2016-10-28 2017-03-22 东南大学 一种基于火电机组运行数据确定升降负荷速率的方法
CN107292387A (zh) * 2017-05-31 2017-10-24 汪薇 一种基于bp识别蜂蜜质量的方法
CN109237510A (zh) * 2018-10-09 2019-01-18 沃森能源技术（廊坊）有限公司 一种基于co在线监测的锅炉燃烧优化系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
吕玉坤 等: "电站锅炉热效率和NOx排放混合建模与优化" *
孙群丽: "基于数据挖掘的锅炉优化运行的研究" *
张晨浩 等: "基于尾部烟道CO在线监测的锅炉燃烧优化" *
王晓峰: "基于数据挖掘的电站锅炉运行优化研究" *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112325329A (zh) * 2020-10-13 2021-02-05 华中科技大学 一种防高温腐蚀的锅炉风门开度控制方法及系统
CN114764093A (zh) * 2021-01-13 2022-07-19 新智数字科技有限公司 燃气锅炉烟气一氧化碳含量监测方法及装置
CN113504765A (zh) * 2021-06-18 2021-10-15 汉谷云智(武汉)科技有限公司 一种电厂循环流化床锅炉操作优化方法

Similar Documents

Publication Publication Date Title
CN111804146B (zh) 一种智能喷氨控制方法以及智能喷氨控制装置
CN109062053B (zh) 一种基于多变量校正的脱硝喷氨控制方法
CN111401652A (zh) 一种基于co在线检测的锅炉优化方法及系统
CN104534507B (zh) 一种锅炉燃烧优化控制方法
US8554706B2 (en) Power plant control device which uses a model, a learning signal, a correction signal, and a manipulation signal
CN113433911B (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
CN106019935B (zh) 基于约束模糊关联规则的多目标锅炉燃烧优化
CN108954375A (zh) 锅炉节煤控制方法
CN115111601B (zh) 多变负荷下内嵌算法融合的多目标锅炉燃烧优化控制方法
CN111897373A (zh) 一种基于模型预测的scr脱硝装置喷氨流量调节方法
CN116085823A (zh) 锅炉燃烧控制方法及系统
CN115685743A (zh) 一种智能控制燃煤锅炉及其智能预测调控烟气排放方法
CN112231978B (zh) 一种基于人工神经网络的锅炉烟气酸露点测试方法
CN115113519A (zh) 一种煤-煤气混烧锅炉脱硝系统出口NOx浓度预警方法
CN115437245A (zh) 一种基于燃烧状态预测模型的锅炉优化控制方法
CN117829342A (zh) 基于改进随机森林算法的燃煤电厂氮氧化物排放预测方法
CN116186625A (zh) 一种锅炉受热面超温预警方法
CN114861126A (zh) 一种燃气轮机燃烧调整过程中稳定性的预测方法及系统
CN116029433A (zh) 基于灰色预测的能效基准值判定方法、系统、设备和介质
CN114066212A (zh) 一种基于历史工况的机组升降负荷工况寻优方法
CN117991639B (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
CN111538355B (zh) 一种基于ga-igpc的锅炉烟气含氧量控制方法和系统
CN111520740B (zh) 一种多个多孔介质燃烧器协调优化运行的方法
CN112699600B (zh) 火电运行参数与NOx排放浓度间的偏回分析方法
CN114779722B (zh) 一种用于燃煤电站锅炉的智慧燃烧优化控制系统及方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20200710

RJ01 Rejection of invention patent application after publication