CN111881120A - 一种锅炉智能运行优化方法 - Google Patents
一种锅炉智能运行优化方法 Download PDFInfo
- Publication number
- CN111881120A CN111881120A CN202010549580.5A CN202010549580A CN111881120A CN 111881120 A CN111881120 A CN 111881120A CN 202010549580 A CN202010549580 A CN 202010549580A CN 111881120 A CN111881120 A CN 111881120A
- Authority
- CN
- China
- Prior art keywords
- data
- boiler
- combustion
- action
- value
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000005457 optimization Methods 0.000 title claims abstract description 43
- 238000002485 combustion reaction Methods 0.000 claims abstract description 105
- 230000009471 action Effects 0.000 claims abstract description 68
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 230000008859 change Effects 0.000 claims abstract description 7
- 238000004140 cleaning Methods 0.000 claims abstract description 7
- 238000005070 sampling Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims abstract description 6
- 239000003245 coal Substances 0.000 claims description 53
- 238000010298 pulverizing process Methods 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 20
- 230000033001 locomotion Effects 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 230000002068 genetic effect Effects 0.000 claims description 17
- 239000000843 powder Substances 0.000 claims description 17
- 239000000356 contaminant Substances 0.000 claims description 15
- 239000003344 environmental pollutant Substances 0.000 claims description 13
- 231100000719 pollutant Toxicity 0.000 claims description 13
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 7
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 6
- 210000000349 chromosome Anatomy 0.000 claims description 6
- 230000000875 corresponding effect Effects 0.000 claims description 6
- 239000007789 gas Substances 0.000 claims description 6
- 239000001301 oxygen Substances 0.000 claims description 6
- 229910052760 oxygen Inorganic materials 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 4
- 230000035772 mutation Effects 0.000 claims description 4
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000007667 floating Methods 0.000 claims description 3
- 239000003546 flue gas Substances 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 3
- 230000007774 longterm Effects 0.000 abstract description 3
- 230000008901 benefit Effects 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Control Of Steam Boilers And Waste-Gas Boilers (AREA)
- Regulation And Control Of Combustion (AREA)
Abstract
本申请公开了一种锅炉智能运行优化方法,包括获取锅炉燃烧运行测点以及控制变量的历史数据;按照间隔时间t秒进行数据采样;对采样后的数据进行数据清洗;针对清洗后的数据,提取其特征值;根据特征值,训练得到锅炉燃烧模拟器;对锅炉燃烧进行优化动作寻找;锅炉按照推荐的动作运行。利用长期历史数据进行训练,对锅炉运行状态变化刻画可信度高;可根据不同火力发电机组的历史数据训练相应的最优控制方案,具有灵活性、普适性;采用一维卷积神经网络进行时序信号的处理,模拟燃烧模拟器,相比lstm等网络结构,具有在准确率效果不降低的情况下,计算速度提示10倍以上的优势。
Description
技术领域
本发明属于火力发电控制技术领域,涉及一种锅炉智能运行优化方法。
背景技术
我国约50%的煤炭用于发电,煤电占发电总量的80%以上,每年消耗22亿吨煤,价值1.8万亿元,产生超过0.2亿吨污染物,对应4000亿元环境治理费用,未来50年内,煤炭在一次能源构成中的主导地位不会改变。然而,随着节能减排的标准逐步提高,火电机组目前面临着环保、经济、安全、市场等各个方面的风险和压力也在提高;如何提高火电机组的综合性能指标,保证机组安全、经济、稳定、环保运行前提下,实现节能减排是火电机组在将来需要长期考虑的问题。
为实现以上需求,优化火电机组运行方式,采用新的方法和技术改善机组运行环境,是有效提高火电机组运行效率的有效手段之一。火电机组运行过程中,锅炉燃烧的调整是保证在整个机组稳定、经济运行的基础。
然而火电发电机组的运行状态持续变化,内在反应复杂多变,运行调整可控变量众多,仅依赖操作人员经验,无法针对不同工况寻找到最优解。传统的建模优化算法只考虑了少量的状态与动作空间,难以对庞大复杂的锅炉燃烧过程进行精准建模。
发明内容
为解决现有技术中的不足,本申请提供一种锅炉智能运行优化方法,将大数据技术和人工智能技术相结合,基于火力发电厂机组长期的运行数据,利用卷积神经网络进行燃烧系统仿真,使用遗传算法对火力发电机组进行燃烧优化指导。
为了实现上述目标,本申请采用如下技术方案:
一种锅炉智能运行优化方法,所述方法包括以下步骤:
步骤1:获取锅炉燃烧运行测点以及控制变量的历史数据,包括:制粉系统动作数据、制粉系统状态数据、燃烧系统动作数据和燃烧系统状态数据;
并按照间隔时间t秒进行数据采样;
步骤2:对采样后的数据进行数据清洗;
步骤3:针对清洗后的数据,提取其特征值;
步骤4:根据特征值,训练得到锅炉燃烧模拟器;
步骤5:使用遗传算法和锅炉燃烧模拟器,对锅炉燃烧进行优化动作寻找;
步骤6:对锅炉进行在线监测,显示锅炉实时运行动作数据,若步骤5推荐的优化动作数据与实际运行动作数据相差大于给定阈值,则以当前时刻之前的数据作为历史数据返回步骤1,重新优化锅炉运行动作,否则锅炉按照步骤5推荐的动作运行。
本发明进一步包括以下优选方案:
步骤2中,若某种数据超出了预设的数据低超限值或者数据高超限值,去掉原数据,并使用插值法补全该数据,得到清洗后的数据。
所述步骤3中,针对制粉系统动作数据,提取的特征值包括:给煤机的给煤量、磨煤机冷热风风门开度、磨煤机容量、旁路风阀门的开度大小、一次风机动叶调节阀位大小;
针对制粉系统状态数据,提取的特征值包括:磨煤机出口压力、磨煤机电流、磨煤机料位、燃烧器风粉温度;
针对燃烧系统动作数据,提取的特征值包括:给水温度、锅炉总给水流量,燃烧系统动作减温水流量、再热烟气挡板阀位、送风机执行器阀位、引风机执行器阀位、燃烧器二次风执行器阀位、燃烧器F挡板二次风执行器阀位;
针对燃烧系统状态数据,提取的特征值包括:主热蒸汽温度、再热蒸汽温度、主热蒸汽压力、再热蒸汽温度、燃烧系统状态减温水流量,炉膛负压,锅炉氧量,排烟温度,排烟含氧量,锅炉效率,NOx含量。
步骤4中,锅炉燃烧模拟器采用的一维卷积神经网络,所述一维卷积神经网络包括输入层、卷积层C1、卷积层C2、最大池化层S和Softmax回归层;
所述输入层输入步骤3提取的特征值;
所述卷积层C1包含50个尺寸为10的一维卷积核;
所述卷积层C2包含100个尺寸为10的一维卷积核;
所述最大池化层S的窗口高度为3;
所述Softmax回归层用于回归预测,包括锅炉燃烧效率与NOx排放量两个目标量。
所述步骤5具体为:实时获取制粉系统和燃烧系统动作数据与状态数据,通过遗传算法和锅炉燃烧模拟器,对燃烧系统与制粉系统的动作特征进行探索,找到适应度最优化的动作序列,并给出对应动作推荐,包括制粉系统与燃烧系统两部分的动作推荐。
所述步骤5包括以下步骤:
步骤5.1:实时获取的制粉系统和燃烧系统动作数据与状态数据经过步骤2的数据清洗与步骤3的特征提取后,得到输入数据,确定编码方式,对输入数据进行编码;
步骤5.2:随机产生种群:随机生成m个动作数据,每个动作的每一维赋值为当前时刻该动作量的值加一个随机偏移量,生成的m个动作数据作为m个个体构成整个族群;
步骤5.3:计算族群中每个动作数据的适应度函数值并判断其是否符合优化准则,若符合,则输出最佳个体及其最优解,结束寻优;否则,进行步骤5.4;
步骤5.4:依据适应度函数值选择父母:对于族群中的m个动作数据,分别计算其适应度函数值,选取其中最高的n个动作数据作为父母,其中n<m;
步骤5.5:用父母的染色体进行交叉,生成子代;
步骤5.6:对子代染色体进行变异;
步骤5.7:由交叉和变异产生新一代种群,返回步骤5.3,直到最优解产生。
步骤5.1中,采用浮点数编码方法进行编码。
步骤5.3中,适应度函数=change燃烧*W燃烧-change污染物*W污染物;
其中,W燃烧为燃烧效率权重,W污染物为污染物NOx权重,根据优化目标调整;
change燃烧表示燃烧效率的变化值,change燃烧=r2-r1,r1为根据制粉系统和燃烧系统的当前实际动作数据输入到步骤4中的锅炉燃烧模拟器中,计算得到的燃烧效率,r2为根据制粉系统与燃烧系统在遗传算法中的探索值输入到步骤4中的锅炉燃烧模拟器中,计算得到的燃烧效率;
change污染物表示污染物排放的变化值,change污染物=w2-w1,w1为根据制粉系统和燃烧系统的当前实际动作数据输入到步骤4中的锅炉燃烧模拟器中,计算得到的污染物排放量,w2为根据制粉系统与燃烧系统在遗传算法中的探索值输入到步骤4中的锅炉燃烧模拟器中,计算得到污染物排放量;
所述优化准则为:优化开始时刻时计算的适应度函数值,以及遗传算法探索到的某一个动作计算的适应度函数值,当两个适应度函数的变化值大于设定值,则认为满足最优解要求,否则继续进行优化。
步骤5.5中,根据遗传算法中的SBX方法进行交叉计算,生成子女。
步骤5.6中,通过加高斯噪声的方法对生成的子女进行变异计算。
本申请所达到的有益效果:
1)利用长期历史数据进行训练,对锅炉运行状态变化刻画可信度高;
2)可根据不同火力发电机组的历史数据训练相应的最优控制方案,具有灵活性、普适性;
3)克服了单纯使用传统物理/化学方程对系统进行优化造成的模型过度简化及理想化,以及其导致的失准情况;
4)采用一维卷积神经网络进行时序信号的处理,模拟燃烧模拟器,相比长短期记忆网络(Long Short-Term Memory,lstm)等网络结构,具有在准确率效果不降低的情况下,计算速度提示10倍以上的优势。
附图说明
图1是一种锅炉智能运行优化方法的流程图;
图2是一维卷积神经网络结构示意图;
图3是本发明方法实施例示意图。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本申请的保护范围。
如图1和图3所示,本申请的一种锅炉智能运行优化方法,所述方法包括以下步骤:
步骤1:获取锅炉燃烧运行测点以及控制变量的历史数据,包括:制粉系统动作数据、制粉系统状态数据、燃烧系统动作数据和燃烧系统状态数据;
并按照间隔时间t秒进行数据采样;
所述动作数据为各系统的控制变量,比如制粉系统动作数据包括磨煤机开关机台数、各台磨煤机给煤量、各磨煤机二次风气动执行器阀位、各磨煤机冷一次风电动调节风门阀位等。
所述状态数据为各系统的运行测点监测数据,比如制粉系统状态数据包括主蒸汽压力、各台磨煤机出口压力、燃烧器风粉温度等。
步骤2:根据业务规则和安全操作规范,对采样后的数据进行数据清洗,得到合乎安全操作的清洗后的数据;
本申请具体实施时,若某种数据超出了预设的数据低超限值或者数据高超限值,去掉原数据,并使用插值法补全该数据,例如但不限于,对于测点A,将测点A在前一分钟内的采样数据计算平均值,并用该平均值补全为测点A在此时刻的数据,得到清洗后的数据。各种数据对应的数据低超限值与数据高超限值根据根据业务规则和安全操作规范设定。
值得注意的是,所属领域技术人员可以清楚地认识到,给出的平均插值法仅是一种非限制的举例,可以采用任意其它差值法补全数据,实现类似的技术效果。
步骤3:针对清洗后的数据,提取其特征值;
针对制粉系统动作数据,提取的特征值包括:给煤机的给煤量、磨煤机冷热风风门开度、磨煤机容量、旁路风阀门的开度大小、一次风机动叶调节阀位大小;
针对制粉系统状态数据,提取的特征值包括:磨煤机出口压力、磨煤机电流、磨煤机料位、燃烧器风粉温度;
针对燃烧系统动作数据,提取的特征值包括:给水温度、锅炉总给水流量,燃烧系统动作减温水流量、再热烟气挡板阀位、送风机执行器阀位、引风机执行器阀位、燃烧器二次风执行器阀位、燃烧器F挡板二次风执行器阀位;
针对燃烧系统状态数据,提取的特征值包括:主热蒸汽温度、再热蒸汽温度、主热蒸汽压力、再热蒸汽温度、燃烧系统状态减温水流量,炉膛负压,锅炉氧量,排烟温度,排烟含氧量,锅炉效率,NOx含量。
步骤4:根据特征值,训练得到锅炉燃烧模拟器,输入制粉系统和燃烧系统动作数据与状态数据,可预测锅炉燃烧效率与NOx排放量;
如图2所示,锅炉燃烧模拟器采用的一维卷积神经网络,所述一维卷积神经网络包括输入层、卷积层C1、卷积层C2、最大池化层S和Softmax回归层;
所述输入层输入步骤3提取的特征值;为1个包含t个采样数据的序列,采样数据里边包含有系统的状态数据、动作数据两部分,一共有f维特征,可以看作是一个t*f尺寸的图。
所述卷积层C1包含50个尺寸为10的一维卷积核,经过卷积操作后,得到(t-9)*50的特征图。
所述卷积层C2包含100个尺寸为10的一维卷积核,经过卷积操作后,得到(t-18)*100的特征图。
所述最大池化层S的窗口高度为3,经过池化操作后,得到(t-18)/3*100的特征图。
所述Softmax回归层用于回归预测,包括锅炉燃烧效率与NOx排放量两个目标量。
步骤5:使用遗传算法和锅炉燃烧模拟器,对锅炉燃烧进行优化动作寻找:实时获取制粉系统和燃烧系统动作数据与状态数据,通过遗传算法和锅炉燃烧模拟器,对燃烧系统与制粉系统的动作特征进行探索,找到适应度最优化的动作序列,并给出对应动作推荐,包括制粉系统与燃烧系统两部分的动作推荐。
具体包括以下步骤:
步骤5.1:实时获取的制粉系统和燃烧系统动作数据与状态数据经过步骤2的数据清洗与步骤3的特征提取后,得到输入数据,确定编码方式,对输入数据进行编码;
采用浮点数编码方法进行编码。对于这个动作,采用一位编码,比如阀门开度,可以取[min,max]中的某个角度,其中min、max为满足安全生产的角度最小值、最大值。对于m个动作数据,会得到一个m维的编码代表对这m个动作的操作。
步骤5.2:随机产生种群:随机生成m个动作数据,每个动作的每一维赋值为当前时刻该动作量的值加一个随机偏移量(正负随机),生成的m个动作数据作为m个个体构成整个族群;
步骤5.3:计算族群中每个动作数据的适应度函数值并判断其是否符合优化准则,若符合,则输出最佳个体及其最优解,结束寻优;否则,进行步骤5.4;
适应度函数=change燃烧*W燃烧-change污染物*W污染物;
其中,W燃烧为燃烧效率权重,W污染物为污染物NOx权重,根据优化目标调整;
change燃烧表示燃烧效率的变化值,change燃烧=r2-r1,r1为根据制粉系统和燃烧系统的当前实际动作数据输入到步骤4中的锅炉燃烧模拟器中,计算得到的燃烧效率,r2为根据制粉系统与燃烧系统在遗传算法中的探索值输入到步骤4中的锅炉燃烧模拟器中,计算得到的燃烧效率;
change污染物表示污染物排放的变化值,change污染物=w2-w1,w1为根据制粉系统和燃烧系统的当前实际动作数据输入到步骤4中的锅炉燃烧模拟器中,计算得到的污染物排放量,w2为根据制粉系统与燃烧系统在遗传算法中的探索值输入到步骤4中的锅炉燃烧模拟器中,计算得到污染物排放量;
所述优化准则为:优化开始时刻时计算的适应度函数值,以及遗传算法探索到的某一个动作计算的适应度函数值,当两个适应度函数的变化值(比如第二个适应度值相比第一个适应度值增加10%)大于设定值,则认为满足最优解要求,否则继续进行优化。
假设系统的动作数据为2台磨煤机的给煤量,一个个体的给煤量值为(1,20),表示给第一台磨煤机1吨煤,第二台磨煤机20吨煤;另一个个体的给煤量为(10,11),表示给第一台磨煤机10吨煤,第二台磨煤机11吨煤。
适应度函数f(x1,x2)=锅炉效率(x1,x2),其中锅炉效率(x1,x2)计算的是第一台磨煤机给煤x1吨、第二台磨煤机给煤x2吨时的锅炉燃烧效率预估。
假设优化开始时刻,给煤量情况为(5,16),此时f(5,16)=0.5,预设的优化准则为锅炉效率提升10%,也就是0.5*1.1=0.55。
遗传算法会在0<x1<21,0<x2<21,x1+x2=21的限制条件下,尝试m个不同的(x1,x2)组合,如果找到一个(x1,x2)使得f(x1,x2)>=0.55,则认为符合优化准则,找到最佳个体,可以输出此时的给煤量优化值。
一般会事先设定最大迭代次数,如果进行的迭代(从5.7->5.3)次数大于最大迭代次数,且并没有找到符合优化准则的个体,则取最后一次迭代过程中出现的个体中适应度最高的那个作为最优结果。
步骤5.4:依据适应度函数值选择父母,适应度函数值高的个体被选中的概率高,适应度函数值低的个体被淘汰:对于族群中的m个动作数据,分别计算其适应度函数值,选取其中最高的n个动作数据作为父母,其中n<m;
步骤5.5:用父母的染色体进行交叉,生成子代:根据遗传算法中的SBX方法进行交叉计算,生成子女;
步骤5.6:对子代染色体进行变异:通过加高斯噪声的方法对生成的子女进行变异计算;
步骤5.7:由交叉和变异产生新一代种群(即对子女与父母进行筛选,得到新的种群),返回步骤5.3,直到最优解产生;
步骤6:对锅炉进行在线监测,显示锅炉实时运行动作数据,若步骤5推荐的优化动作数据与实际运行动作数据相差大于给定阈值,则以当前时刻之前的数据作为历史数据返回步骤1,重新优化锅炉运行动作,否则锅炉按照步骤5推荐的动作运行。
假设当前时刻为t,开始锅炉运行优化,实际数据为t时刻时的制粉系统动作数据、燃烧系统动作数据这两部分动作数据,推荐值则是根据步骤1~5计算出的运行优化动作数据:制粉系统运行优化动作数据、燃烧系统运行优化动作数据。当实际动作数据与推荐动作数据相差过大时,比如实际给煤量为10吨,推荐给煤量为60吨,变化过大,可能会引起系统运行状态变化过大,带来未知危险,所以认为此时推荐的动作数据存在问题。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述,但是本领域技术人员应该理解,以上实施示例仅为本发明的优选实施方案,详尽的说明只是为了帮助读者更好地理解本发明精神,而并非对本发明保护范围的限制,相反,任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。
Claims (10)
1.一种锅炉智能运行优化方法,其特征在于:
所述方法包括以下步骤:
步骤1:获取锅炉燃烧运行测点以及控制变量的历史数据,包括:制粉系统动作数据、制粉系统状态数据、燃烧系统动作数据和燃烧系统状态数据;
并按照间隔时间t秒进行数据采样;
步骤2:对采样后的数据进行数据清洗;
步骤3:针对清洗后的数据,提取其特征值;
步骤4:根据特征值,训练得到锅炉燃烧模拟器;
步骤5:使用遗传算法和锅炉燃烧模拟器,对锅炉燃烧进行优化动作寻找;
步骤6:对锅炉进行在线监测,显示锅炉实时运行动作数据,若步骤5推荐的优化动作数据与实际运行动作数据相差大于给定阈值,则以当前时刻之前的数据作为历史数据返回步骤1,重新优化锅炉运行动作,否则锅炉按照步骤5推荐的动作运行。
2.根据权利要求1所述的一种锅炉智能运行优化方法,其特征在于:
步骤2中,若某种数据超出了预设的数据低超限值或者数据高超限值,去掉原数据,并使用插值法补全该数据,得到清洗后的数据。
3.根据权利要求1所述的一种锅炉智能运行优化方法,其特征在于:
所述步骤3中,针对制粉系统动作数据,提取的特征值包括:给煤机的给煤量、磨煤机冷热风风门开度、磨煤机容量、旁路风阀门的开度大小、一次风机动叶调节阀位大小;
针对制粉系统状态数据,提取的特征值包括:磨煤机出口压力、磨煤机电流、磨煤机料位、燃烧器风粉温度;
针对燃烧系统动作数据,提取的特征值包括:给水温度、锅炉总给水流量,燃烧系统动作减温水流量、再热烟气挡板阀位、送风机执行器阀位、引风机执行器阀位、燃烧器二次风执行器阀位、燃烧器F挡板二次风执行器阀位;
针对燃烧系统状态数据,提取的特征值包括:主热蒸汽温度、再热蒸汽温度、主热蒸汽压力、再热蒸汽温度、燃烧系统状态减温水流量,炉膛负压,锅炉氧量,排烟温度,排烟含氧量,锅炉效率,NOx含量。
4.根据权利要求1所述的一种锅炉智能运行优化方法,其特征在于:
步骤4中,锅炉燃烧模拟器采用的一维卷积神经网络,所述一维卷积神经网络包括输入层、卷积层C1、卷积层C2、最大池化层S和Softmax回归层;
所述输入层输入步骤3提取的特征值;
所述卷积层C1包含50个尺寸为10的一维卷积核;
所述卷积层C2包含100个尺寸为10的一维卷积核;
所述最大池化层S的窗口高度为3;
所述Softmax回归层用于回归预测,包括锅炉燃烧效率与NOx排放量两个目标量。
5.根据权利要求1所述的一种锅炉智能运行优化方法,其特征在于:
所述步骤5具体为:实时获取制粉系统和燃烧系统动作数据与状态数据,通过遗传算法和锅炉燃烧模拟器,对燃烧系统与制粉系统的动作特征进行探索,找到适应度最优化的动作序列,并给出对应动作推荐,包括制粉系统与燃烧系统两部分的动作推荐。
6.根据权利要求5所述的一种锅炉智能运行优化方法,其特征在于:
所述步骤5包括以下步骤:
步骤5.1:实时获取的制粉系统和燃烧系统动作数据与状态数据经过步骤2的数据清洗与步骤3的特征提取后,得到输入数据,确定编码方式,对输入数据进行编码;
步骤5.2:随机产生种群:随机生成m个动作数据,每个动作的每一维赋值为当前时刻该动作量的值加一个随机偏移量,生成的m个动作数据作为m个个体构成整个族群;
步骤5.3:计算族群中每个动作数据的适应度函数值并判断其是否符合优化准则,若符合,则输出最佳个体及其最优解,结束寻优;否则,进行步骤5.4;
步骤5.4:依据适应度函数值选择父母:对于族群中的m个动作数据,分别计算其适应度函数值,选取其中最高的n个动作数据作为父母,其中n<m;
步骤5.5:用父母的染色体进行交叉,生成子代;
步骤5.6:对子代染色体进行变异;
步骤5.7:由交叉和变异产生新一代种群,返回步骤5.3,直到最优解产生。
7.根据权利要求6所述的一种锅炉智能运行优化方法,其特征在于:
步骤5.1中,采用浮点数编码方法进行编码。
8.根据权利要求6所述的一种锅炉智能运行优化方法,其特征在于:
步骤5.3中,适应度函数=change燃烧*W燃烧-change污染物*W污染物;
其中,W燃烧为燃烧效率权重,W污染物为污染物NOx权重,根据优化目标调整;
change燃烧表示燃烧效率的变化值,change燃烧=r2-r1,r1为根据制粉系统和燃烧系统的当前实际动作数据输入到步骤4中的锅炉燃烧模拟器中,计算得到的燃烧效率,r2为根据制粉系统与燃烧系统在遗传算法中的探索值输入到步骤4中的锅炉燃烧模拟器中,计算得到的燃烧效率;
change污染物表示污染物排放的变化值,change污染物=w2-w1,w1为根据制粉系统和燃烧系统的当前实际动作数据输入到步骤4中的锅炉燃烧模拟器中,计算得到的污染物排放量,w2为根据制粉系统与燃烧系统在遗传算法中的探索值输入到步骤4中的锅炉燃烧模拟器中,计算得到污染物排放量;
所述优化准则为:优化开始时刻时计算的适应度函数值,以及遗传算法探索到的某一个动作计算的适应度函数值,当两个适应度函数的变化值大于设定值,则认为满足最优解要求,否则继续进行优化。
9.根据权利要求6所述的一种锅炉智能运行优化方法,其特征在于:
步骤5.5中,根据遗传算法中的SBX方法进行交叉计算,生成子女。
10.根据权利要求6所述的一种锅炉智能运行优化方法,其特征在于:
步骤5.6中,通过加高斯噪声的方法对生成的子女进行变异计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010549580.5A CN111881120B (zh) | 2020-06-16 | 2020-06-16 | 一种锅炉智能运行优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010549580.5A CN111881120B (zh) | 2020-06-16 | 2020-06-16 | 一种锅炉智能运行优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111881120A true CN111881120A (zh) | 2020-11-03 |
CN111881120B CN111881120B (zh) | 2024-04-26 |
Family
ID=73157986
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010549580.5A Active CN111881120B (zh) | 2020-06-16 | 2020-06-16 | 一种锅炉智能运行优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111881120B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113843039A (zh) * | 2021-07-21 | 2021-12-28 | 国能信控互联技术有限公司 | 一种基于人工智能的磨煤机开关机智能运行优化方法 |
CN114462321A (zh) * | 2022-04-12 | 2022-05-10 | 武汉博赛环保能源科技有限公司 | 基于锅炉燃烧特性的神经网络预测方法 |
CN116393217A (zh) * | 2023-02-24 | 2023-07-07 | 华能曲阜热电有限公司 | 一种钢球磨煤机料位的智能监测方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005050283A (ja) * | 2003-07-31 | 2005-02-24 | Fuji Electric Holdings Co Ltd | 機器特性パラメータ推定装置及び機器特性パラメータ情報出力装置 |
CN1719171A (zh) * | 2005-06-23 | 2006-01-11 | 西安理工大学 | 电弧炉控制系统的智能优化控制方法 |
US20070027992A1 (en) * | 2002-03-08 | 2007-02-01 | Ciphertrust, Inc. | Methods and Systems for Exposing Messaging Reputation to an End User |
RU2005137948A (ru) * | 2005-12-07 | 2007-06-20 | Государственное образовательное учреждение высшего профессионального образовани Военный институт радиоэлектроники (RU) | Интегрированный механизм "виппер" подготовки и осуществления дистанционного мониторинга и блокирования потенциально опасных объектов, оснащаемый блочно-модульным оборудованием и машиночитаемыми носителями баз данных и библиотек сменных программных модулей |
CN103324862A (zh) * | 2013-07-11 | 2013-09-25 | 中国石油大学(华东) | 一种基于改进神经网络与遗传算法的燃煤锅炉优化方法 |
CN104616061A (zh) * | 2015-01-28 | 2015-05-13 | 合肥工业大学 | 基于小波包对数能量熵及遗传算法优化的孤岛检测方法 |
CN107726358A (zh) * | 2017-10-12 | 2018-02-23 | 东南大学 | 基于cfd数值模拟和智能建模的锅炉燃烧优化系统及方法 |
CN108644805A (zh) * | 2018-05-08 | 2018-10-12 | 南京归图科技发展有限公司 | 基于大数据的锅炉智能燃烧优化控制方法 |
CN109340046A (zh) * | 2018-10-26 | 2019-02-15 | 广东工业大学 | 一种基于改进遗传算法的大型风力发电机组偏航控制参数优化方法 |
CN109507889A (zh) * | 2018-12-28 | 2019-03-22 | 浙江大学 | 卷积神经网络的丙烯聚合生产过程最优在线预报系统 |
CN110486749A (zh) * | 2019-08-29 | 2019-11-22 | 国网河南省电力公司电力科学研究院 | 一种火电机组锅炉燃烧优化控制方法及系统 |
US20200074307A1 (en) * | 2018-09-05 | 2020-03-05 | WEnTech Solutions Inc. | System and method for anaerobic digestion process assessment, optimization and/or control |
US20200175435A1 (en) * | 2018-11-30 | 2020-06-04 | Doosan Heavy Industries & Construction Co., Ltd. | System and method for optimizing combustion of boiler |
-
2020
- 2020-06-16 CN CN202010549580.5A patent/CN111881120B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070027992A1 (en) * | 2002-03-08 | 2007-02-01 | Ciphertrust, Inc. | Methods and Systems for Exposing Messaging Reputation to an End User |
JP2005050283A (ja) * | 2003-07-31 | 2005-02-24 | Fuji Electric Holdings Co Ltd | 機器特性パラメータ推定装置及び機器特性パラメータ情報出力装置 |
CN1719171A (zh) * | 2005-06-23 | 2006-01-11 | 西安理工大学 | 电弧炉控制系统的智能优化控制方法 |
RU2005137948A (ru) * | 2005-12-07 | 2007-06-20 | Государственное образовательное учреждение высшего профессионального образовани Военный институт радиоэлектроники (RU) | Интегрированный механизм "виппер" подготовки и осуществления дистанционного мониторинга и блокирования потенциально опасных объектов, оснащаемый блочно-модульным оборудованием и машиночитаемыми носителями баз данных и библиотек сменных программных модулей |
CN103324862A (zh) * | 2013-07-11 | 2013-09-25 | 中国石油大学(华东) | 一种基于改进神经网络与遗传算法的燃煤锅炉优化方法 |
CN104616061A (zh) * | 2015-01-28 | 2015-05-13 | 合肥工业大学 | 基于小波包对数能量熵及遗传算法优化的孤岛检测方法 |
CN107726358A (zh) * | 2017-10-12 | 2018-02-23 | 东南大学 | 基于cfd数值模拟和智能建模的锅炉燃烧优化系统及方法 |
CN108644805A (zh) * | 2018-05-08 | 2018-10-12 | 南京归图科技发展有限公司 | 基于大数据的锅炉智能燃烧优化控制方法 |
US20200074307A1 (en) * | 2018-09-05 | 2020-03-05 | WEnTech Solutions Inc. | System and method for anaerobic digestion process assessment, optimization and/or control |
CN109340046A (zh) * | 2018-10-26 | 2019-02-15 | 广东工业大学 | 一种基于改进遗传算法的大型风力发电机组偏航控制参数优化方法 |
US20200175435A1 (en) * | 2018-11-30 | 2020-06-04 | Doosan Heavy Industries & Construction Co., Ltd. | System and method for optimizing combustion of boiler |
CN109507889A (zh) * | 2018-12-28 | 2019-03-22 | 浙江大学 | 卷积神经网络的丙烯聚合生产过程最优在线预报系统 |
CN110486749A (zh) * | 2019-08-29 | 2019-11-22 | 国网河南省电力公司电力科学研究院 | 一种火电机组锅炉燃烧优化控制方法及系统 |
Non-Patent Citations (2)
Title |
---|
严细辉;蔡伯根;宁滨;上官伟;: "基于差分进化的高速列车运行操纵的多目标优化研究", 铁道学报, no. 09, 15 September 2013 (2013-09-15), pages 69 - 75 * |
金秀章;刘潇;: "基于改进云自适应粒子群优化算法的NO_X含量测量", 自动化仪表, no. 07, 20 July 2017 (2017-07-20), pages 78 - 82 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113843039A (zh) * | 2021-07-21 | 2021-12-28 | 国能信控互联技术有限公司 | 一种基于人工智能的磨煤机开关机智能运行优化方法 |
CN114462321A (zh) * | 2022-04-12 | 2022-05-10 | 武汉博赛环保能源科技有限公司 | 基于锅炉燃烧特性的神经网络预测方法 |
CN114462321B (zh) * | 2022-04-12 | 2022-06-21 | 武汉博赛环保能源科技有限公司 | 基于锅炉燃烧特性的神经网络预测方法 |
CN116393217A (zh) * | 2023-02-24 | 2023-07-07 | 华能曲阜热电有限公司 | 一种钢球磨煤机料位的智能监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111881120B (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111881120A (zh) | 一种锅炉智能运行优化方法 | |
Zhan et al. | Deepthermal: Combustion optimization for thermal power generating units using offline reinforcement learning | |
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 | |
CN104534507B (zh) | 一种锅炉燃烧优化控制方法 | |
CN111144609A (zh) | 一种锅炉废气排放预测模型建立方法、预测方法及装置 | |
WO2024060488A1 (zh) | 一种基于深度循环神经网络和进化计算的工业锅炉燃烧优化方法 | |
CN113843039B (zh) | 一种基于人工智能的磨煤机开关机智能运行优化方法 | |
CN104613468A (zh) | 基于模糊自适应推理的循环流化床锅炉燃烧优化控制方法 | |
CN112287598A (zh) | 一种基于粒子群参数优化的飞灰含碳量预测方法 | |
CN113742997B (zh) | 城市固废焚烧过程风量智能优化设定方法 | |
CN116307507B (zh) | 一种基于过热器壁温预测的多目标粒子群配煤方法 | |
CN115111601A (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 | |
CN115809744A (zh) | 一种基于遗传模拟退火参数优化的飞灰含碳量预测方法 | |
CN116432515A (zh) | 一种基于人工智能的锅炉效率操作指令优化方法及系统 | |
CN113836819B (zh) | 一种基于时序关注的床温预测方法 | |
Amine et al. | Wind turbine maximum power point tracking using FLC tuned with GA | |
Ilamathi et al. | Predictive modelling and optimization of nitrogen oxides emission in coal power plant using Artificial Neural Network and Simulated Annealing | |
CN111428906B (zh) | 一种基于图像变换的工业锅炉蒸汽量预测方法 | |
Liu et al. | A prediction method of NOx in thermal power plants using GC-LSTM neural network | |
CN113887130A (zh) | 一种基于集成学习的工业锅炉运行优化方法 | |
Zhao et al. | Modeling and optimization of efficiency and NOx emission at a coal-fired utility boiler | |
Balamurugan et al. | ANN-SQP Approach for NOx emission reduction in coal fired Boilers | |
Shi | Combining support vector regression and kernel principal component analysis to monitor NOx emissions in coal-fired utility boiler | |
Sharma et al. | Data Ensemble Model for Prediction of Oxygen Content in Gas fired Boiler for Efficient Combustion | |
Weiqing | Multi-objective optimization of coal-fired boiler efficiency and NOx emission under different ecological environment |
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 | ||
CB02 | Change of applicant information |
Country or region after: China Address after: Room 618 and 619, 6th floor, building 301, Guodian New Energy Institute, No. 9, Yingcai North 2nd Street, future science and Technology City, Changping District, Beijing 102209 Applicant after: Guoneng xinkong Internet Technology Co.,Ltd. Address before: Building 1, yard 16, West Fourth Ring Middle Road, Haidian District, Beijing 100039 Applicant before: BEIJING HUADIAN TIANREN ELECTRIC POWER CONTROL TECHNOLOGY Co.,Ltd. Country or region before: China |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |