CN111829003B - 一种电厂燃烧控制系统及控制方法 - Google Patents

Abstract

本发明公开了一种电厂燃烧控制系统，包括数据采集部分，控制部分以及执行部分；数据采集部分包括声波测温系统、DCS数据采集系统；控制部分包括神经网络模型模块、评估器、优化器；执行部分包括二次风门开度调节装置；本发明还公开了一种电厂燃烧控制方法。本发明采用神经网络进行模型搭建，具有极强的通用性、可移植性；本发明实现了电厂稳定、长期并且不依赖人工干预的燃烧，并能够实现在给定负荷的情况下尽量减少煤耗，NOx、CO排放，降低炉膛燃烧温度、均匀燃烧以及降低烟温的目标。

Description

一种电厂燃烧控制系统及控制方法

技术领域

本发明具体涉及一种电厂燃烧控制系统及控制方法。

背景技术

现阶段，火力发电仍然在工业生产中扮演着重要角色，而电厂燃烧作为火力发电的重要一环直接影响着工业生产的方方面面。随着工业生产企业对电力需求的逐渐增大，对电厂燃烧效率、运行稳定性以及降低污染物排放的要求越来越高，对其控制水平的要求也越来越高。在我国大部分的电厂中，电厂燃烧控制仍采用传统控制模式，不能完全满足锅炉高效平稳运行以及较低污染物排放的要求。

现有的锅炉燃烧控制方案中，一般包括以下组成部分：数据采集部分，数据处理部分，控制输出部分，执行器部分。

数据采集部分现通常采用声学测温系统。这种测温系统使用一定数量的收发器形成一个测量网格，从而测量炉内一个水平面上的温度场二维分布情况。利用层析成像算法，从通道网格测量数据可以计算得到平面二维温度分布，并得到等温图。通道温度、自定义区域温度值(网格子分区的平均值)、统计分析数据(最低、最高温度，标准偏差，各区间的平均温度差异)可以显示在外部控制设备上，用于锅炉诊断和操作优化。

现有方法中，数据处理部分往往通过数值拟合的方式来得到关于炉膛内燃烧温度的数学模型。这种方法仅适用于相关输入量较少的情况下。当相关输入量较多时，数值拟合过程将十分复杂。除此之外，数值拟合的方法对于不同的锅炉计算方法有较大的差别，计算出的模型准确度也会出现差别，方法的通用性较差。

控制输出部分一般采用传统PID控制或采用人工控制。在PID控制中通过调整PID控制系统中的各参数使得炉膛内温度能够保证炉膛稳定燃烧以及锅炉平稳运行。而人工控制则根据数据处理部分得到的关系模型人工操作或下达指令。传统PID控制的缺陷，主要包括以下方面：

(1)PID控制中的参数只针对特定锅炉，对于不同锅炉设计PID控制方案时都要重新对参数进行整定，方法的通用性较差。

(2)在PID控制中，误差积分反馈的引入会带来负作用。误差积分反馈的作用是消除静差，提高系统响应的准确性，但同时误差积分反馈的引入，使闭环变得迟钝，容易产生振荡，易产生由积分饱和引起的控制量饱和。

(3)PID控制器给出的控制量是误差的现在、过去、将来三者的线性组合，但线性组合不一定是最好的组合方式。

发明内容

针对上述情况，为克服现有技术的缺陷，本发明提供一种电厂燃烧控制系统及控制方法。

为了实现上述目的，本发明提供以下技术方案：

一种电厂燃烧控制系统，包括数据采集部分，控制部分以及执行部分；其中数据采集部分包括声波测温系统、DCS数据采集系统；控制部分包括神经网络模型模块、评估器、优化器；执行部分包括二次风门开度调节装置；声波测温系统、DCS数据采集系统分别与神经网络模型模块连接，神经网络模型模块与评估器连接，评估器与优化器连接，优化器与二次风门开度调节装置连接；

DSC数据采集系统和声波测温系统采集电厂的实时数据，并能够将实时数据传输至神经网络模型模块，神经网络模型模块输出电厂未来状态预测值，并将电厂未来状态预测值传输至评估器，评估器根据电厂未来状态预测值与电厂当前的运行状态计算优化指标，并将优化指标数据传输至优化器，优化器根据优化指标计算所需的二次风门开度并将数据信息传递给二次风门开度调节装置，二次风门开度调节装置执行操作。

一种电厂燃烧控制方法，该控制方法采用以上所述的控制系统，包括以下步骤：

(1)DSC数据采集系统与声波测温系统采集电厂实时数据，并将实时数据传输至神经网络模型模块与评估器，DSC数据采集系统采集的数据包括二次风门开度，给煤量，总负荷，NOx排放量，烟温，炉膛温度；声波测温系统能够测得炉膛各平面的二维温度场分布；

(2)神经网络模型模块中神经神经网络模型根据步骤(1)得到的数据对电厂的未来状态进行预测，并将电厂未来状态预测值传输至评估器；

(3)评估器根据设定的电厂运行状态评估不同控制指标之间的相对权重，并将评估结果数据传输至优化器，所述不同控制指标包括炉膛燃烧温度均匀，NOx排放量低以及烟温低；

(4)优化器根据步骤(3)得到的评估结果数据信息计算得到所要优化的目标函数；根据目标函数计算下一时刻二次风门的开度，并对二次风门开度调节装置发出调整指令信号。

进一步地，步骤(2)中，神经神经网络模型采用非线性自回归神经网络。

进一步地，步骤(2)中，神经神经网络模型是根据电厂历史数据进行建立的；在建立神经网络模型的过程中，将稳定燃烧工况下的二次风门开度、给煤机给煤量从历史数据中提取出来作为模型输入，炉膛温度、NOx排放量以及烟温的历史数据作为输出，以上所述的输入输出数据作为建立神经网络模型所需要的训练样本；通过训练样本，神经网络模型中的神经元权重会不断更新迭代直到得到一个误差较小的神经网络模型。

进一步地，在获得神经网络模型之后，需要进行交叉验证来验证模型的准确性，该过程步骤如下：

(1)管线化所训练的神经网络；

(2)将测试数据输入训练过的神经网络，观测输出的精准度以及损失函数来判断模型预测效果以及有无过拟合；

(3)选择精准度高以及没有过拟合的神经网络作为最终预测模型。

本发明的有益效果是：

(1)本发明提出了基于神经网络模型和模型预测控制(MPC)的电厂燃烧控制方案。在数据处理部分，本发明采用非线性自回归神经网络进行模型搭建，该神经网络模型能够拟合任意非线性函数并具有良好的泛化能力和自学习能力。通过大容量高质量的训练样本对多层神经网络模型进行训练，可以不断更新各节点权重，最终建立误差较小的神经网络模型。这种建模方法可以将锅炉燃烧过程中的历史数据充分利用起来。对于不同的锅炉，只需要采集其在过去一段时间之内的历史运行数据就可以得到该锅炉的数学模型，方法具有极强的通用性、可移植性。

(2)在控制输出部分，本发明采用模型预测控制方法，模型预测控制具有预测功能，即能够根据系统的现时刻的控制输入以及过程的历史信息，预测过程输出的未来值。相比于PID控制，模型预测控制在应用的过程中不用进行参数的整定，仅需要被控对象的数学模型就可以实现精确控制，而被控对象的数学模型可以在数据处理部分得到，这使得该控制方法具有较强的可移植性。

(3)本发明通过将电厂未来状态预测值输入到评估器，评估器根据当前的运行状态评估不同控制指标之间的相对权重，优化器根据评估器得到的结果计算所需的二次风门开度并将数据传递给二次风门开度调节装置；最终实现了稳定、长期并且不依赖人工干预的燃烧，并实现在给定负荷的情况下尽量减少煤耗，NOx、CO排放，降低炉膛燃烧温度、均匀燃烧以及降低烟温的目标。

(4)本发明将神经网络与模型预测控制相结合，通过神经网络模型预测下一时刻的锅炉燃烧相关参数，并通过模型预测控制对这些参数进行实时控制。

(5)在数据采集方面，本发明采用目前最为先进的声波测温系统，该系统包括声波收发器、转换适配器、压缩空气软管，前置放大器、数据转换及传输系统，具有以下优势：测量真实气体温度，无热源辐射和水冷壁辐射造成的测温误差；测量系统无老化，测量数据无漂移，系统无需标定；每个声波发生器都可实现双向收发，每个测温通道都可实现双向测量；高分辨率高速二维温度场分布测量；支持各种类型的与DCS的数据接口；测温不受吹灰器工作影响，即吹灰器工作期间，声波测温系统仍保持正常测温工作状态，以上优势能够保证在数据采集的准确性以及可兼容性。

附图说明

图1是电厂燃烧控制系统组成部分示意图。

图2是实施例1中神经网络建模过程示意图。

图3是实施例1中神经网络模型结构示意图。

图4是实施例1中声波测温系统结构示意图。

图5是实施例1中模型预测控制流程示意图。

具体实施方式

以下结合附图对本发明的技术方案做进一步详细说明，应当指出的是，具体实施方式只是对本发明的详细说明，不应视为对本发明的限定。

如图1所示，一种电厂燃烧控制系统，包括数据采集部分，控制部分以及执行部分；其中数据采集部分包括声波测温系统、DCS(Distributed Control System)数据采集系统；控制部分包括神经网络模型模块、评估器、优化器；执行部分包括二次风门开度调节装置。声波测温系统、DCS数据采集系统分别与神经网络模型模块连接，神经网络模型模块与评估器连接，评估器与优化器连接，优化器与二次风门开度调节装置连接。

DSC数据采集系统和声波测温系统采集电厂的实时数据，并能够将实时数据传输至神经网络模型模块，神经网络模型模块输出电厂未来状态预测值，并将电厂未来状态预测值传输至评估器，评估器结合电厂未来状态预测值与电厂当前的运行状态，计算优化指标，并将优化指标数据传输至优化器，优化器根据优化指标得到所要优化的目标函数，根据目标函数计算所需的二次风门开度并将数据信息传递给二次风门开度调节装置，二次风门开度调节装置根据数据信息执行操作。

在一些优选的方式中，如图2所示，根据电厂历史数据搭建神经网络模型。本实施例中，采用非线性自回归神经网络，能够将过去时间点的数据作为输入，与未来时间的温度等数据建立联系；实现对未来时间温度等数据的预测。

在一些优选的方式中，在建立神经网络模型的过程中，将稳定燃烧工况下的二次风门开度、给煤机给煤量从历史数据中提取出来作为模型输入，炉膛内温度场分布、NOx排放量以及烟温的历史数据作为输出，以上所述的输入输出数据作为建立非线性自回归神经网络模型所需要的训练样本。通过训练样本，神经网络模型中的神经元权重会不断更新迭代直到得到一个预测输出与实际输出误差较小的神经网络模型。

在真实使用过程中，神经网络模型能够对输出量如炉膛内温度场分布，NOx排放量、烟温进行预测，这些预测值将在之后的步骤中起到关键作用。图2是神经网络建模过程示意图，图中显示了，神经网络模型能够输出炉膛温度预测值；图2仅仅作为范例参考，NOx排放量、烟温的预测值，也可以采用同样的方法够得到。

除此之外，由于电厂在运行一段时间后其各项指标会发生改变，所以在投入使用一个月左右后，需要根据新的历史数据对神经网络模型进行更新，更新神经网络模型的过程与建立神经网络模型的过程相似。

一种电厂燃烧控制方法包含以下步骤：

步骤一：数据采集系统采集实时数据，并将数据传输至神经网络模型模块，在电厂的运行过程中，DCS数据采集系统采集电厂的实时数据，实时数据包括二次风门开度，给煤量，总负荷，NOx排放量，烟温，炉膛温度等信息。除此之外，为了使得获取的信息更加全面，还需要收集AGAM声波测温系统所测得的炉膛各平面的二维温度场分布，以使得最后得到的控制结果保证炉膛内能够均匀燃烧。

炉膛各平面的二维温度场分布不用来输入模型，但炉膛各平面的二维温度场分布是对控制效果验证的一个重要参考。炉膛内部温度的测量值由分布在各个点位的温度传感器收集数据。

步骤二：神经网络模型模块中神经神经网络模型根据实时数据对电厂的未来状态进行预测，并将电厂未来状态预测值传输至评估器；所述电厂未来状态预测值包括炉膛温度预测值、NOx排放量，烟温；神经网络模型被用作有预测能力的模型，控制对象可以是炉膛燃烧的温度、NOx排放量以及烟温。

步骤三：评估器根据电厂未来状态预测值与电厂当前的运行状态，确定优化指标，具体的优化指标取决于所要控制的对象以及期望的控制效果。例如：控制目标为温度，期望的控制效果为炉膛内温度分布均匀，优化指标的表达式为：

其中F(t)为t时刻温度设定值(即目标温度值)，Y(t)为t时刻温度测量值(即实际测得的温度值)，Q为(半)正定矩阵。在确定优化指标后，将优化指标数据传输至优化器，电厂当前的运行状态包括二次风门开度、给煤量、总负荷、炉膛温度。

步骤四：优化器根据优化指标得到所要优化的目标函数。对于不同的工作状态，具体的目标函数是不同的。当优化指标为步骤三中所示表达式时，对应的目标函数为：

其中，J(t)为以炉膛温度为优化目标时的目标函数，控制输入U(t)为t时刻所有二次风门的开度，Q以及R为(半)正定矩阵，F(t)为t时刻温度设定值(即目标温度值)，Y(t)为t时刻温度测量值(即实际测得的温度值)。得到目标函数后，根据目标函数计算下一时刻二次风门的开度，并对二次风门开度调节装置发出调整指令信号；同时，优化器能够将下一时刻二次风门的开度数据传输至神经网络模块。

燃烧控制优化有三个指标：炉膛燃烧温度低且均匀，NOx排放量低以及烟温低，这三个指标之间通常是无法同时做到的最优的。这三个指标的目标值会在电厂初期调试之后进行初步确定，并在燃烧控制优化过程中逐步调整。这三个指标的相对重要性往往取决于电厂稳态燃烧时的总负荷，因此在进行二次风门开度计算的过程中需要结合当前电厂稳态燃烧的总负荷情况对三个指标进行评估加权，找到使得三个指标的加权和最小的二次风门开度作为下一时刻二次风门开度指令。

在一些优选的方式中，在控制优化方法投入使用的初期，为了安全起见，二次风门采用分层控制的控制策略，即将所有的二次风门进行分组，同组的二次风门的开度指令保持一致。虽然这样保守的控制策略在一定程度上限制了控制优化算法的自由度，但降低了初期的尝试过程的安全隐患。当分层控制的控制策略已经稳定可靠之后，可以考虑所有二次风门单独受控，从而最大限度利用控制执行机构的自由度。

本发明提出的电厂燃烧控制部分与电厂的数据采集部分并行运算，互相独立，仅仅进行数据传递，从而确保电厂燃烧控制部分不会对除二次风门控制以外的其它机构产生影响。

本发明优化了电厂燃烧的控制过程，能够让锅炉保持长期、持续稳定的均衡燃烧，降低了人为控制的因素。除此之外，本发明所提出的电厂燃烧控制系统还能够根据锅炉运行状况自适应地控制。

实施例1

以国内某600MW燃煤电厂为例，该实施例目标为使得炉膛内温度均匀分布，接下来将具体阐述本发明的具体流程。

神经网络模型的建立，如图2和图3所示，首先从电厂的上月历史数据库中找到关键数据，将二次风门开度与给煤量作为输入，炉膛内温度分布作为输出建立神经网络模型。

在本实施例中，输入为28X N矩阵，其中每列28个数据分别为16个二次风门开度值以及12个给煤量值。输入的矩阵列数代表时间深度，此处时间深度设定为参数N；输出为6X1向量，代表六块区域温度的预测值。在该神经网络中，需要整定以下参数：

(1)网络拓扑(层数以及每层神经元个数)；

(2)每层抛弃比率；

(3)训练数据遍历次数；

(4)单次迭代中参数打包更新频率；

(5)模型时间深度，即深度N；

(6)优化器(Adam/SGD)，其中SGD需要调自身三个参数。

本实施例中，网络拓扑层数为2层，每层神经元个数分别为4和6；每层抛弃比率为0，即无抛弃；每组数据遍历一次，每一次迭代进行一次参数更新，模型的时间深度为2，SGD的三个参数分别为：学习率，动量参数以及每次更新后学习率的衰减，分别设置为0.1，0，0。

面对如此大量的待调参数，本发明使用多核并行计算进行参数遍历。最终使用交叉验证中效果最好的神经网络作为最后的模型。

在获得神经网络模型之后，训练获得的神经网络模型需要进行交叉验证来验证模型的准确性，该过程步骤如下：

(1)管线化所训练的神经网络，防止训练数据泄露；

(2)将测试数据输入训练过的神经网络，最终获得精准度以及损失函数；

所述精准度指的是神经网络模型输出的精准度，测试数据包括电厂实际的二次风门开度，给煤量及对应的炉膛温度输出。所述损失函数指实际输出与预测输出的差值。

损失函数为：

其中，n为温度测量点的数量；

为实际温度；

为预测温度。

将二次风门开度，给煤量输入到神经网络模型中，可以得到输出的炉膛温度预测值。当这个温度预测值与电厂的实际温度的误差保持在0.5％-3％时，认为神经网络模型是可以被接受的。

(3)选择精准度高以及没有过拟合的神经网络作为最终预测模型。

经过训练和精准度检测之后的神经网络模型能够实现准确预测未来10小时燃烧塔内温度分布，并且预测温度的平均误差仅为1.7％左右。

在建立神经网络模型后，下一步是收集电厂的实时信息数据，在此例中主要采用声波测温系统和电厂的DCS数据采集系统进行数据采集。其中声波测温系统的结构示意图如图4所示，本实施例中，采用的声波测温系统是现有的、常规的。在此步骤中获得的数据包括炉膛内各部分温度分布、给煤量、二次风门开度。

获得数据之后，需要对二次风门开度进行模型预测控制，其流程如图5所示，可以分为以下步骤：

(1)神经网络通过电厂实测数据预测未来时刻炉膛内各部分温度值；本实施例中，电厂实测数据包括温度,给煤量数据以及二次风门开度。

(2)评估器根据预测温度值与电厂当前的运行状态，计算优化指标；所述优化指标为：

其中F(t)为t时刻温度设定值(即目标温度值)，Y(t)为t时刻温度测量值(即实际测得的温度值)，Q为(半)正定矩阵。评估器可以采用现有技术中的常规的评估器。

(3)优化器根据优化目标函数决定下一时刻二次风门控制信号。

所述优化目标函数可表示为下式：

其中，J(t)为以炉膛温度为优化目标时的目标函数，控制输入U(t)为t时刻所有二次风门的开度，Q以及R为(半)正定矩阵，F(t)为t时刻温度设定值(即目标温度值)，Y(t)为t时刻温度测量值(即实际测得的温度值)。优化器可以采用现有技术中的常规的优化器。

该优化目标旨在控制输入满足一定条件时，尽量减小炉膛内六块温度区域温度分布的方差。

模型预测控制优化约束主要包括以下：

(1)二次风门开度总和不变(即总风量固定)；

(2)风门开度变化量不能太剧烈(为了电厂安全考虑)；

(3)单个风门开度在0％-100％之间(物理约束)。

通过解此问题的最优解可以得到使得六块温度区域温度分布方差最小时各二次风门的开度。

通过本发明提出的电厂燃烧优化控制方案，电厂不同区域温差从控制优化前的170摄氏度以上，降到控制优化后的100摄氏度以下，能够实现均匀燃烧。

当控制目标为多个时，需要根据电厂的运行状态给定多个目标之间的权值关系，将这些目标加权求和得到新的目标。

显然，所描述的实施例仅仅是本发明的一部分实施例，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，都应当属于本发明保护的范围。

Claims (3)

1.一种电厂燃烧控制方法，其特征是，该控制方法采用一种电厂燃烧控制系统，所述控制系统包括数据采集部分，控制部分以及执行部分；其中数据采集部分包括声波测温系统、DCS数据采集系统；控制部分包括神经网络模型模块、评估器、优化器；执行部分包括二次风门开度调节装置；声波测温系统、DCS数据采集系统分别与神经网络模型模块连接，神经网络模型模块与评估器连接，评估器与优化器连接，优化器与二次风门开度调节装置连接；

DCS数据采集系统和声波测温系统采集电厂的实时数据，并能够将实时数据传输至神经网络模型模块，神经网络模型模块输出电厂未来状态预测值，并将电厂未来状态预测值传输至评估器，评估器根据电厂未来状态预测值与电厂当前的运行状态计算优化指标，并将优化指标数据传输至优化器，优化器根据优化指标得到所要优化的目标函数，根据目标函数计算下一时刻的二次风门开度并将数据信息传递给二次风门开度调节装置，二次风门开度调节装置执行操作；

步骤一：数据采集系统采集实时数据，并将数据传输至神经网络模型模块，在电厂的运行过程中，DCS数据采集系统采集电厂的实时数据，实时数据包括二次风门开度，给煤量，总负荷，NOx排放量，烟温，炉膛温度等信息；除此之外，为了使得获取的信息更加全面，还需要收集AGAM声波测温系统所测得的炉膛各平面的二维温度场分布，以使得最后得到的控制结果保证炉膛内能够均匀燃烧；

步骤二：神经网络模型模块中神经网络模型根据实时数据对电厂的未来状态进行预测，并将电厂未来状态预测值传输至评估器；所述电厂未来状态预测值包括炉膛温度预测值、NOx排放量，烟温；神经网络模型被用作有预测能力的模型，控制对象可以是炉膛燃烧的温度、NOx排放量以及烟温；

在获得神经网络模型之后，训练获得的神经网络模型需要进行交叉验证来验证模型的准确性，该过程步骤如下：

(1)管线化所训练的神经网络，防止训练数据泄露；

(2)将测试数据输入训练过的神经网络，最终获得精准度以及损失函数；

所述精准度指的是神经网络模型输出的精准度，测试数据包括电厂实际的二次风门开度，给煤量及对应的炉膛温度输出；所述损失函数指实际输出与预测输出的差值；

损失函数为：

其中，n为温度测量点的数量；为实际温度；为预测温度；

将二次风门开度，给煤量输入到神经网络模型中，可以得到输出的炉膛温度预测值；当这个温度预测值与电厂的实际温度的误差保持在0.5％-3％时，认为神经网络模型是被接受的；

(3)选择精准度高以及没有过拟合的神经网络作为最终预测模型；

步骤三：评估器根据电厂未来状态预测值与电厂当前的运行状态，确定优化指标，具体的优化指标取决于所要控制的对象以及期望的控制效果；控制目为温度，期望的控制效果为炉膛内温度分布均匀，优化指标的表达式为：

其中F(t)为t时刻温度设定值，即目标温度值，Y(t)为t时刻温度测量值，即实际测得的温度值，Q为半正定矩阵或正定矩阵；在确定优化指标后，将优化指标数据传输至优化器，电厂当前的运行状态包括二次风门开度、给煤量、总负荷、炉膛温度；

步骤四：优化器根据优化指标得到所要优化的目标函数；对于不同的工作状态，具体的目标函数是不同的；当优化指标为步骤三中所示表达式时，对应的目标函数为：

其中，J(t)为以炉膛温度为优化目标时的目标函数，控制输入U(t)为t时刻所有二次风门的开度，Q以及R为半正定矩阵或正定矩阵，F(t)为t时刻温度设定值，即目标温度值，Y(t)为t时刻温度测量值，即实际测得的温度值，得到目标函数后，根据目标函数计算下一时刻二次风门的开度，并对二次风门开度调节装置发出调整指令信号；同时，优化器能够将下一时刻二次风门的开度数据传输至神经网络模块。

2.根据权利要求1所述的一种电厂燃烧控制方法，其特征是，步骤(2)中，神经网络模型采用非线性自回归神经网络。

3.根据权利要求2所述的一种电厂燃烧控制方法，其特征是，步骤(2)中，神经网络模型是根据电厂历史数据进行建立的；在建立神经网络模型的过程中，将稳定燃烧工况下的二次风门开度、给煤机给煤量从历史数据中提取出来作为模型输入，炉膛温度、NOx排放量以及烟温的历史数据作为输出，以上所述的输入输出数据作为建立神经网络模型所需要的训练样本；通过训练样本，神经网络模型中的神经元权重会不断更新迭代直到得到一个误差较小的神经网络模型。

Images