CN111520740B - 一种多个多孔介质燃烧器协调优化运行的方法 - Google Patents

一种多个多孔介质燃烧器协调优化运行的方法 Download PDF

Info

Publication number
CN111520740B
CN111520740B CN202010183542.2A CN202010183542A CN111520740B CN 111520740 B CN111520740 B CN 111520740B CN 202010183542 A CN202010183542 A CN 202010183542A CN 111520740 B CN111520740 B CN 111520740B
Authority
CN
China
Prior art keywords
porous medium
combustor
air quantity
heat load
burner
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
Application number
CN202010183542.2A
Other languages
English (en)
Other versions
CN111520740A (zh
Inventor
王春林
梁莹
金朝阳
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.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN202010183542.2A priority Critical patent/CN111520740B/zh
Publication of CN111520740A publication Critical patent/CN111520740A/zh
Application granted granted Critical
Publication of CN111520740B publication Critical patent/CN111520740B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
    • G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
    • F23N—REGULATING OR CONTROLLING COMBUSTION
    • F23N2223/00—Signal processing; Details thereof
    • F23N2223/10—Correlation
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
    • F23N—REGULATING OR CONTROLLING COMBUSTION
    • F23N2223/00—Signal processing; Details thereof
    • F23N2223/44—Optimum control
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Abstract

本发明公开了一种多个多孔介质燃烧器协调优化运行的方法，目前实际的生产过程中对各台多孔介质燃烧器的运行，完全依据个人经验，这种情况下的燃烧效率有待提高。本发明方法具体是针对多孔介质燃烧器总台数为h(h＞1)台的生产单位，分别采集各台锅炉生产过程中，负荷及与之相对应的锅炉效率数据，利用数据挖掘技术和并行优化算法，针对每台多孔介质燃烧器的运行参数与燃烧效率间关系，建立特性模型，结合寻优算法对各台多孔介质燃烧器的运行参数优化，以达到最优的目标。

Description

一种多个多孔介质燃烧器协调优化运行的方法
技术领域
本发明属于信息与控制技术领域，涉及到自动化技术，特别是涉及一种优化锅炉负荷分配方法。
背景技术
多个多孔介质燃烧器的协调运行是影响锅炉燃烧效率的重要因素，一般情况下，燃烧效率与多个多孔介质运行参数有复杂的关系，存在效率最高的协调运行点。对于多孔介质燃烧器总台数为h(h＞1)台的情况，在保证总负荷的条件下，可以提高总的锅炉效率，总效率的提高主要依靠各多孔介质燃烧器的协调运行情况。如果在各多孔介质燃烧器上分配的适当的热负荷使其处于燃烧效率高的点，则总燃烧效率能达到较高的水平，进而使总的锅炉效率达到在给定的负荷条件下最高。每台多孔介质燃烧器都有自己独特的燃烧效率与运行参数间的关系曲线，因此进行提高总燃烧效率的负荷分配，首先要获得每台多孔介质燃烧器的燃烧效率与运行参数间的特性关系，然后再进行总负荷的有效分配。然而，要获得较为准确的每台多孔介质燃烧器的燃烧效率与负荷间的特性关系，并在总负荷一定的情况下，为每台多孔介质燃烧器分配好负荷，并不是一件容易的事情。目前，还没有很好的解决方法。
实际生产中主要是靠工作人员经验，其目标也只是维持生产正常进行，并没有优化分配负荷的概念，因此其生产过程中燃烧效率还有很大的可提升空间。
通过数据挖掘，应用机器学习的方法，挖掘出各多孔介质燃烧器燃烧效率与运行参数间的特性关系模型，再结合优化算法对负荷分配进行优化是非常有潜力的方法。如何使该方法真正达到生产实际的要求，是该技术的关键，主要难题包括，如何提高模型的预测和泛化能力，如何实现有约束条件的优化分配。
发明内容
本发明的目标是针对多个多孔介质燃烧器协调优化运行，提出一种优化方法，优化内容兼顾了各台多孔介质燃烧器的燃烧效率和总燃烧效率的情况。
本发明的技术方案是通过各台多孔介质燃烧器燃烧效率和与之相对应的热负荷数据采集，对每台多孔介质燃烧器运行参数与燃烧效率，建立基于数据挖掘技术的模型，并结合并行的优化算法等手段，确立了一种多个多孔介质燃烧器协调优化运行方法，利用该方法可有效的在总负荷一定的情况，通过优化各多孔介质燃烧器的运行参数，提高总燃烧效率。
本发明的具体步骤是：
步骤(1)针对多孔介质燃烧器总台数为h(h＞1)台的锅炉，分别对各个多孔介质燃烧器采集燃烧特性数据，包括：多孔介质燃烧器最大允许热负荷(设计值或生产安全限值)，一次风量、二次风量、氧量、燃气量、燃气工业分析指标，及与之相对应的燃烧热效率数据，建立数据库；具体的最大允许热负荷(设计值或生产安全限值)数据可由设计产品说明书或运行手册获得，其它数据可针对各多孔介质燃烧器作试验获得，具体运行参数数值可通过实时运行监测系统获取，或直接通过仪器设备测量采集，燃烧热效率可通过实验计算获得，实验和计算方法均有行业标准；
步骤(2)分别对每个多孔介质燃烧器采用基于数据的建模算法建模，如支持向量机算法，神经网络算法及贝叶斯算法等，建立各多孔介质燃烧器燃烧效率的模型，共建立h个模型m1,m2,m3,…,mh；
用于建模样本的输入参数及输出参数表示为
Figure BDA0002413387400000021
其中xi表示第i组作为输入数据的多孔介质燃烧器的运行参数，包括：一次风量、二次风量、氧量、燃气量、燃气工业分析指标。yi表示第i组作为输出参数的多孔介质燃烧器的燃烧热效率，N为样本数量， N应大于40，以保证模型的预测能力，在实际数据基础上，建立各多孔介质燃烧器燃烧效率的模型。
在有建模样本情况下，用数据建模方法建立基于数据的预测模型为成熟且流行的方式，在此不在赘述。所建模型应可以准确的预测给定多孔介质燃烧器运行参数情况下的相应燃烧热效率，误差应在3％以内。
步骤(3)利用遗传优化算法，结合步骤(2)所建各多孔介质燃烧器燃烧效率模型，进行多个多孔介质燃烧器协调优化运行，具体步骤如下：
a.定义遗传算法初始群体x向量的各维分量，分别为各多孔介质燃烧器运行参数：一次风量、二次风量、氧量、燃气量、燃气工业分析指标；
b.设定遗传算法的搜索目标和迭代次数，搜索目标为各多孔介质燃烧器的燃烧效率之和最高，即燃烧总效率最高；
c.根据锅炉的实际需求总热负荷Qz(各多孔介质燃烧器的实际热负荷之和，
Figure BDA0002413387400000031
qi,z为第i个多孔介质燃烧器的实际运行热负荷，实际运行热负荷可由燃气量、燃气工业分析、一次风量和二次风量计算获得，计算方法为行业标准方法。反之，在已知热负荷及燃气工业指标的情况下，可以根据行业标准计算获得多孔介质燃烧器所需燃气量，根据燃气量及运行手册所规定的过量空气系数或氧量，获得氧量和一次风量及二次风量，进而确定多孔介质燃烧器的运行参数。)和各多孔介质燃烧器的最大允许热负荷qi,max，及各多孔介质燃烧器的最大允许热负荷之和
Figure BDA0002413387400000032
设定各多孔介质燃烧器的运行参数寻优范围，设Qk为已初始化好的各台多孔介质燃烧器参数所对应的总热负荷 (
Figure BDA0002413387400000033
k为一初始化好的多孔介质燃烧器个数，qk.k为已初始化好的各多孔介质燃烧器的初始化热负荷，已初始化好的多孔介质燃烧器最大允许热负荷为
Figure BDA0002413387400000034
)，当qi,k≥(Qz-Qk)时，qi,k＝(Qz-Qk)，(qi,k为第i台多孔介质燃烧器的初始化热负荷)第i台多孔介质燃烧器之后的多孔介质燃烧器负荷为0，否则第i台多孔介质燃烧器所对应热负荷区间应为：[qi,max,Qmax-Qz-Qk,max+Qk]，在此区间上初始化第i台多孔介质燃烧器运行参数个体，使其对应热负荷区间为[qi,max,2Qz-Qmax-Qk]。依据以上的步骤初始化群体向量x，并通过步骤(2)所建各多孔介质燃烧器燃烧效率模型，根据初始群体中各多孔介质燃烧器的运行参数，获得各多孔介质燃烧器在初始群体负荷下的燃烧效率，然后根据上一步设定的搜索目标，用遗传算法进行迭代计算，搜索多孔介质燃烧器协调运行的状态； d.当遗传算法完成迭代次数或找到设定要求的最优时，停止计算获得相应最优的群体向量，即获得最优的各多孔介质燃烧器的协调运行状态。
多个多孔介质燃烧器优化分配对于提高燃烧效率，节能减排，非常有益，但是也存在一定难度。目前实际的生产过程中对各台多孔介质燃烧器的运行，完全依据个人经验，这种情况下的燃烧效率有待提高。本发明方法具体是针对多孔介质燃烧器总台数为h(h＞1)台的生产单位，分别采集各台锅炉生产过程中，负荷及与之相对应的锅炉效率数据，利用数据挖掘技术和并行优化算法，针对每台多孔介质燃烧器的运行参数与燃烧效率间关系，建立特性模型，结合寻优算法对各台多孔介质燃烧器的运行参数优化，以达到最优的目标。
本发明方法既可以在线优化也可以离线优化。
具体实施方式
一种多个多孔介质燃烧器协调优化运行的方法，具体是以下步骤：
(1)针对多孔介质燃烧器总台数为h(h＞1)台的锅炉，分别对各个多孔介质燃烧器采集燃烧特性数据，包括：多孔介质燃烧器最大允许热负荷(设计值或生产安全限值)，一次风量、二次风量、氧量、燃气量、燃气工业分析指标，及与之相对应的燃烧热效率数据，建立数据库；具体的最大允许热负荷(设计值或生产安全限值)数据可由设计产品说明书或运行手册获得，其它数据可针对各多孔介质燃烧器作试验获得，具体运行参数数值可通过实时运行监测系统获取，或直接通过仪器设备测量采集，燃烧热效率可通过实验计算获得，实验和计算方法均有行业标准；
(2)分别对每个多孔介质燃烧器采用基于数据的建模算法建模，如支持向量机算法，神经网络算法及贝叶斯算法等，建立各多孔介质燃烧器燃烧效率的模型，共建立h个模型 m1,m2,m3,…,mh；
用于建模样本的输入参数及输出参数表示为
Figure BDA0002413387400000041
其中xi表示第i组作为输入数据的多孔介质燃烧器的运行参数，包括：一次风量、二次风量、氧量、燃气量、燃气工业分析指标。yi表示第i组作为输出参数的多孔介质燃烧器的燃烧热效率，N为样本数量， N应大于40，以保证模型的预测能力，在实际数据基础上，建立各多孔介质燃烧器燃烧效率的模型。
在有建模样本情况下，用数据建模方法建立基于数据的预测模型为成熟且流行的方式，在此不在赘述。所建模型应可以准确的预测给定多孔介质燃烧器运行参数情况下的相应燃烧热效率，误差应在3％以内。
(3)利用遗传优化算法，结合步骤(2)所建各多孔介质燃烧器燃烧效率模型，进行多个多孔介质燃烧器协调优化运行，具体步骤如下：
a.定义遗传算法初始群体x向量的各维分量，分别为各多孔介质燃烧器运行参数：一次风量、二次风量、氧量、燃气量、燃气工业分析指标；
b.设定遗传算法的搜索目标和迭代次数，搜索目标为各多孔介质燃烧器的燃烧效率之和最高，即燃烧总效率最高；
c.根据锅炉的实际需求总热负荷Qz(各多孔介质燃烧器的实际热负荷之和，
Figure BDA0002413387400000042
qi,z为第i个多孔介质燃烧器的实际运行热负荷，实际运行热负荷可由燃气量、燃气工业分析、一次风量和二次风量计算获得，计算方法为行业标准方法。反之，在已知热负荷及燃气工业指标的情况下，可以根据行业标准计算获得多孔介质燃烧器所需燃气量，根据燃气量及运行手册所规定的过量空气系数或氧量，获得氧量和一次风量及二次风量，进而确定多孔介质燃烧器的运行参数。)和各多孔介质燃烧器的最大允许热负荷qi,max，及各多孔介质燃烧器的最大允许热负荷之和
Figure BDA0002413387400000051
设定各多孔介质燃烧器的运行参数寻优范围，设Qk为已初始化好的各台多孔介质燃烧器参数所对应的总热负荷 (
Figure BDA0002413387400000052
k为一初始化好的多孔介质燃烧器个数，qk.k为已初始化好的各多孔介质燃烧器的初始化热负荷，已初始化好的多孔介质燃烧器最大允许热负荷为
Figure BDA0002413387400000053
)，当qi,k≥(Qz-Qk)时，qi,k＝(Qz-Qk)，(qi,k为第i台多孔介质燃烧器的初始化热负荷)第i台多孔介质燃烧器之后的多孔介质燃烧器负荷为0，否则第i台多孔介质燃烧器所对应热负荷区间应为：[qi,max,Qmax-Qz-Qk,max+Qk]，在此区间上初始化第i台多孔介质燃烧器运行参数个体，使其对应热负荷区间为[qi,max,2Qz-Qmax-Qk]。依据以上的步骤初始化群体向量x，并通过步骤(2)所建各多孔介质燃烧器燃烧效率模型，根据初始群体中各多孔介质燃烧器的运行参数，获得各多孔介质燃烧器在初始群体负荷下的燃烧效率，然后根据上一步设定的搜索目标，用遗传算法进行迭代计算，搜索多孔介质燃烧器协调运行的状态；
d.当遗传算法完成迭代次数或找到设定要求的最优时，停止计算获得相应最优的群体向量，即获得最优的各多孔介质燃烧器的协调运行状态。

Claims (2)

1.一种多个多孔介质燃烧器协调优化运行的方法，其特征在于，该方法的步骤包括：
步骤(1)针对多孔介质燃烧器总台数为h台的锅炉，h>1，分别对各个多孔介质燃烧器采集燃烧特性数据，包括：多孔介质燃烧器最大允许热负荷、一次风量、二次风量、氧量、燃气量、燃气工业分析指标，及与之相对应的燃烧热效率数据，建立数据库；具体的最大允许热负荷数据由设计产品说明书或运行手册获得，其它数据针对各多孔介质燃烧器作试验获得，具体运行参数数值通过实时运行监测系统获取，或直接通过仪器设备测量采集，燃烧热效率通过实验计算获得，实验和计算方法均有行业标准；
步骤(2)分别对每个多孔介质燃烧器采用基于数据的建模算法建模，建立各多孔介质燃烧器燃烧效率的模型，共建立h个模型m1,m2,m3,…,mh；
用于建模样本的输入参数及输出参数表示为
Figure FDA0003732666770000011
其中xi表示第i组作为输入数据的多孔介质燃烧器的运行参数，包括：一次风量、二次风量、氧量、燃气量、燃气工业分析指标；yi表示第i组作为输出参数的多孔介质燃烧器的燃烧热效率，N为样本数量，N应大于40，以保证模型的预测能力，在实际数据基础上，建立各多孔介质燃烧器燃烧效率的模型；
所建模型应准确的预测给定多孔介质燃烧器运行参数情况下的相应燃烧热效率，误差应在3％以内；
步骤(3)利用遗传优化算法，结合步骤(2)所建各多孔介质燃烧器燃烧效率模型，进行多个多孔介质燃烧器协调优化运行，具体步骤如下：
a.定义遗传算法初始群体x向量的各维分量，分别为各多孔介质燃烧器运行参数：一次风量、二次风量、氧量、燃气量、燃气工业分析指标；
b.设定遗传算法的搜索目标和迭代次数，搜索目标为各多孔介质燃烧器的燃烧效率之和最高，即燃烧总效率最高；
c.根据锅炉的实际需求总热负荷Qz、各多孔介质燃烧器的最大允许热负荷qi,max，及各多孔介质燃烧器的最大允许热负荷之和
Figure FDA0003732666770000012
其中总热负荷Qz即各多孔介质燃烧器的实际热负荷之和，
Figure FDA0003732666770000021
qi,z为第i个多孔介质燃烧器的实际运行热负荷，实际运行热负荷由燃气量、燃气工业分析、一次风量和二次风量计算获得，计算方法为行业标准方法；反之，在已知热负荷及燃气工业指标的情况下，根据行业标准计算获得多孔介质燃烧器所需燃气量，根据燃气量及运行手册所规定的过量空气系数，获得氧量和一次风量及二次风量，进而确定多孔介质燃烧器的运行参数；
设定各多孔介质燃烧器的运行参数寻优范围，设Qk为已初始化好的各台多孔介质燃烧器参数所对应的总热负荷，
Figure FDA0003732666770000022
k为一初始化好的多孔介质燃烧器个数，qk.k为已初始化好的各多孔介质燃烧器的初始化热负荷，已初始化好的多孔介质燃烧器最大允许热负荷为
Figure FDA0003732666770000023
当qi,k≥(Qz-Qk)时，qi,k＝(Qz-Qk)，qi,k为第i台多孔介质燃烧器的初始化热负荷，第i台多孔介质燃烧器之后的多孔介质燃烧器负荷为0，否则第i台多孔介质燃烧器所对应热负荷区间应为：[qi,max,Qmax-Qz-Qk,max+Qk]，在此区间上初始化第i台多孔介质燃烧器运行参数个体，使其对应热负荷区间为[qi,max,2Qz-Qmax-Qk]；依据以上的步骤初始化群体向量x，并通过步骤(2)所建各多孔介质燃烧器燃烧效率模型，根据初始群体中各多孔介质燃烧器的运行参数，获得各多孔介质燃烧器在初始群体负荷下的燃烧效率，然后根据上一步设定的搜索目标，用遗传算法进行迭代计算，搜索多孔介质燃烧器协调运行的状态；
d.当遗传算法完成迭代次数或找到设定要求的最优时，停止计算获得相应最优的群体向量，即获得最优的各多孔介质燃烧器的协调运行状态。
2.根据权利要求1所述的方法，其特征在于：所述的采用基于数据的建模算法建模，建模算法包括支持向量机算法、神经网络算法或贝叶斯算法。
CN202010183542.2A 2020-03-16 2020-03-16 一种多个多孔介质燃烧器协调优化运行的方法 Active CN111520740B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010183542.2A CN111520740B (zh) 2020-03-16 2020-03-16 一种多个多孔介质燃烧器协调优化运行的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010183542.2A CN111520740B (zh) 2020-03-16 2020-03-16 一种多个多孔介质燃烧器协调优化运行的方法

Publications (2)

Publication Number Publication Date
CN111520740A CN111520740A (zh) 2020-08-11
CN111520740B true CN111520740B (zh) 2022-10-04

Family

ID=71910406

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010183542.2A Active CN111520740B (zh) 2020-03-16 2020-03-16 一种多个多孔介质燃烧器协调优化运行的方法

Country Status (1)

Country Link
CN (1) CN111520740B (zh)

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS60129523A (ja) * 1983-12-16 1985-07-10 Hitachi Ltd 燃焼制御システム
CN201222183Y (zh) * 2008-07-02 2009-04-15 南京金炼科技有限公司 加热炉优化控制系统
CN101373383B (zh) * 2008-09-03 2012-02-01 东南大学 基于流量平衡组的负荷经济分配控制方法
CN202048569U (zh) * 2010-06-01 2011-11-23 广东电网公司电力科学研究院 一种基于强化燃烧的大型循环流化床机组协调控制装置
CN102221820B (zh) * 2011-03-28 2014-05-28 首钢总公司 一种优化控制高炉顶燃式热风炉燃烧换向周期的模型
CN102252343B (zh) * 2011-05-05 2013-05-08 浙江宜景环保科技有限公司 一种多孔介质燃烧器燃烧优化的方法
CN102799778B (zh) * 2012-07-16 2016-06-22 杭州电子科技大学 一种优化锅炉负荷分配方法
CN102750424B (zh) * 2012-07-16 2014-07-09 杭州电子科技大学 一种生物质炉燃烧优化的方法
CN104376145B (zh) * 2014-08-12 2018-08-07 广东江联能源环保有限公司 基于cfd 技术的旋流燃烧器燃烧质量评判方法
CN105488266A (zh) * 2015-11-25 2016-04-13 江苏方天电力技术有限公司 一种火电机组实发功率预测方法
CN109145361A (zh) * 2018-06-29 2019-01-04 杭州电子科技大学 一种燃煤分质利用与清洁预处理系统的优化运行方法

Also Published As

Publication number Publication date
CN111520740A (zh) 2020-08-11

Similar Documents

Publication Publication Date Title
CN104534507B (zh) 一种锅炉燃烧优化控制方法
CN103576655B (zh) 一种电站锅炉燃烧子空间建模及多目标优化方法和系统
CN107726358A (zh) 基于cfd数值模拟和智能建模的锅炉燃烧优化系统及方法
CN109886471A (zh) 基于神经网络与智能优化算法的火电机组负荷分配方法
CN103631140B (zh) 基于性能评估的焦炉加热燃烧过程火道温度自动调节方法
CN112836429A (zh) 一种基于煤质预测的多目标优化配煤方法
CN112016754A (zh) 基于神经网络的电站锅炉排烟温度超前预测系统及方法
CN111457392B (zh) 城市生活垃圾焚烧过程风量智能设定方法
CN110207094A (zh) 基于主成分分析的iqga-svr锅炉受热面沾污特性辨识方法
CN106594794A (zh) 一种混合智能锅炉效率燃烧优化模型更新方法
CN111401652A (zh) 一种基于co在线检测的锅炉优化方法及系统
CN105808945B (zh) 一种混合智能锅炉效率燃烧优化方法
CN114721263A (zh) 基于机器学习和智能优化算法的水泥分解炉智慧调控方法
CN111520740B (zh) 一种多个多孔介质燃烧器协调优化运行的方法
CN105302976A (zh) 基于spea2算法的铝电解生产优化方法
CN111931436A (zh) 一种基于数值模拟与神经网络的燃烧器喷口风量预测方法
CN106873377A (zh) 不确定扰动下的焦炉加热燃烧过程火道温度自动调节方法
CN110684547A (zh) 一种生物质热解炭化窑优化控制方法
CN115657466A (zh) 一种智能控制氨气输入量的锅炉系统
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
CN111428906B (zh) 一种基于图像变换的工业锅炉蒸汽量预测方法
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
CN114647191A (zh) 一种基于锅炉热负荷均衡分配的制粉系统优化调度方法
CN115145152A (zh) 一种锅炉燃烧与脱硝过程协同优化控制的方法

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
GR01 Patent grant
GR01 Patent grant