CN112361376A - 一种用于锅炉燃烧过程的控制方法、装置及存储介质 - Google Patents
一种用于锅炉燃烧过程的控制方法、装置及存储介质 Download PDFInfo
- Publication number
- CN112361376A CN112361376A CN202011260934.0A CN202011260934A CN112361376A CN 112361376 A CN112361376 A CN 112361376A CN 202011260934 A CN202011260934 A CN 202011260934A CN 112361376 A CN112361376 A CN 112361376A
- Authority
- CN
- China
- Prior art keywords
- moment
- nitrogen oxides
- network model
- time
- discharge amount
- 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
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23N—REGULATING OR CONTROLLING COMBUSTION
- F23N3/00—Regulating air supply or draught
-
- 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
Abstract
本申请公开了一种用于锅炉燃烧过程的控制方法、装置及存储介质,其中方法包括:获取炉膛出口的氮氧化物排放量;根据所述氮氧化物排放量,基于目标模型确定锅炉燃烧系统的最优可控参数,并根据所述最优可控参数对锅炉燃烧系统进行控制。而利用该目标模型,可以准确确定锅炉在不同燃烧状态下的最佳可控参数,实现燃煤电厂锅炉燃烧过程自动化控制,满足NOx稳定超低排放的要求。
Description
技术领域
本申请涉及燃煤技术领域,尤其涉及一种用于锅炉燃烧过程的控制方法、装置及存储介质。
背景技术
燃煤电厂是通过燃烧煤炭进行发电的电厂。在煤炭燃烧过程中,产生的氮氧化物NOx会对大气造成污染,也会对人体健康造成损害,因此,有必要对锅炉燃烧过程中产生的NOx的排放量进行控制。
控制NOx排放量可以通过控制锅炉燃烧过程实现。比如,可以在锅炉燃烧过程中通过调整配风方式、风量配比等可控参数降低NOx排放量。而通过控制锅炉燃烧系统的可控参数来控制NOx的排放量,需要先建立能够NOx排放量和与可控参数之间的模型,但目前仍然未有能够满足控制需求的模型。
发明内容
本申请提供了一种用于锅炉燃烧过程的控制方法、装置及存储介质,解决了目前没有能够满足控制需求的模型的技术问题。
有鉴于此,本申请第一方面提供了一种用于锅炉燃烧过程的控制方法,包括:
获取炉膛出口的氮氧化物排放量;
根据所述氮氧化物排放量,基于目标模型确定锅炉燃烧系统的最优可控参数,并根据所述最优可控参数对锅炉燃烧系统进行控制;
其中,所述目标模型通过以下方式得到:
根据t时刻的氮氧化物排放量,确定t时刻对应的所述可控参数;
根据t时刻对应的所述可控参数,预测t+1时刻的氮氧化物排放量;
根据t+1时刻的氮氧化物排放量,确定t时刻对应的回报;
根据t时刻对应的所述可控参数、所述氮氧化物排放量、所述回报以及t+1时刻的所述氮氧化物排放量,对第一策略网络模型进行优化,得到目标模型,其中,所述第一策略网络模型的输入包括所述氮氧化物排放量,输出包括所述可控参数,所述t大于等于0。
可选地,所述根据t时刻对应的所述可控参数,预测t+1时刻的氮氧化物排放量,包括:
将t时刻对应的所述可控参数,输入基于循环神经网络的预测模型,得到所述预测模型输出的t+1时刻的氮氧化物排放量。
可选地,所述循环神经网络包括GRU神经网络。
可选地,所述根据t时刻的氮氧化物排放量,确定t时刻对应的所述可控参数,包括:
将t时刻的氮氧化物排放量输入第一策略网络模型,得到所述第一策略网络模型输出的t时刻对应的可控参数。
可选地,所述根据t+1时刻的氮氧化物排放量,确定t时刻对应的回报,包括:
根据t+1时刻的氮氧化物排放量与预设的氮氧化物排放量的目标范围的关系,确定t时刻对应的回报。
可选地,所述根据t时刻对应的所述可控参数、所述氮氧化物排放量、所述回报以及t+1时刻的所述氮氧化物排放量,对第一策略网络模型进行优化,得到目标模型,包括:
将t+1时刻的氮氧化物排放量输入第二策略网络模型,得到所述第二策略网络模型输出的t+1时刻对应的所述可控参数;
将t+1时刻对应的所述可控参数与所述氮氧化物排放量输入第二价值网络模型,得到所述第二价值网络模型输出的t+1时刻对应的值函数;
根据所述t+1时刻对应的值函数以及t时刻对应的值函数,计算损失函数,其中,所述t时刻对应的值函数是通过第一价值网络模型计算得到的;
根据所述损失函数对所述第一价值网络模型进行优化,并根据优化后的所述第一价值网络模型对所述第一策略网络模型进行优化,得到目标模型。
可选地,所述可控参数包括以下一种或多种:给煤量、机组负荷、一次风压、一次风量、二次风量、省煤器出口氧量、第一排烟温度、第二排烟温度。
可选地,所述氮氧化物排放量包括氮氧化物的质量浓度。
本申请第二方面提供一种用于锅炉燃烧过程的控制装置,包括:
获取模型,用于获取炉膛出口的氮氧化物排放量;
确定模块,用于根据所述氮氧化物排放量,基于目标模型确定锅炉燃烧系统的最优可控参数;
控制模块,用于根据所述最优可控参数对锅炉燃烧系统进行控制;
训练模块,用于通过以下方式训练得到目标模型:根据t时刻的氮氧化物排放量,确定t时刻对应的所述可控参数;根据t时刻对应的所述可控参数,预测t+1时刻的氮氧化物排放量;根据t+1时刻的氮氧化物排放量,确定t时刻对应的回报;根据t时刻对应的所述可控参数、所述氮氧化物排放量、所述回报以及t+1时刻的所述氮氧化物排放量,对第一策略网络模型进行优化,得到目标模型,其中,所述第一策略网络模型的输入包括所述氮氧化物排放量,输出包括所述可控参数,所述t大于等于0。
本申请第三方面提供一种存储介质,所述存储介质用于存储程序代码,所述程序代码用于执行上述第一方面所述的方法。
从以上技术方案可以看出,本申请具有以下优点:
本申请实施例提供的用于锅炉燃烧过程的控制方法,可以根据t时刻的氮氧化物排放量,确定t时刻对应的所述可控参数;根据t时刻对应的所述可控参数,预测t+1时刻的氮氧化物排放量;根据t+1时刻的氮氧化物排放量,确定t时刻对应的回报;根据t时刻对应的所述可控参数、所述氮氧化物排放量、所述回报以及t+1时刻的所述氮氧化物排放量,对第一策略网络模型进行优化,得到目标模型。而利用该目标模型,可以准确确定锅炉在不同燃烧状态下的最佳可控参数,实现燃煤电厂锅炉燃烧过程自动化控制,满足NOx稳定超低排放的要求。
附图说明
图1为本申请实施例提供的用于锅炉燃烧过程的控制方法的流程图。
图2为本申请实施例提供的目标模型的建立方法的流程图。
图3为本申请实施例提供的通过GRU神经网络预测NOx排放量的示意图。
图4是本申请实施例提供的目标模型优化过程的架构图。
图5是本申请实施例提供的用于锅炉燃烧过程的控制方法的另一流程图。
图6是本申请实施例提供的用于锅炉燃烧过程的控制装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请中的附图,对本申请中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
燃煤电厂是通过燃烧煤炭进行发电的电厂。在煤炭燃烧过程中,产生的氮氧化物NOx会对大气造成污染,也会对人体健康造成损害,因此,有必要对锅炉燃烧过程中产生的NOx的排放量进行控制。
控制NOx排放量可以通过控制锅炉燃烧过程实现。比如,可以在锅炉燃烧过程中通过调整配风方式、风量配比等可控参数降低NOx排放量。而通过控制锅炉燃烧系统的可控参数来控制NOx的排放量,需要先建立能够NOx排放量和与可控参数之间的模型。
请参阅图1,图1为本申请实施例提供的用于锅炉燃烧过程的控制方法的流程图。该方法可以包括以下步骤:
S101、获取炉膛出口的氮氧化物排放量。
S102、根据所述氮氧化物排放量,基于目标模型确定锅炉燃烧系统的最优可控参数。
S103、根据所述最优可控参数对锅炉燃烧系统进行控制。
还可以参考图2,图2为本申请实施例提供的目标模型的建立方法的流程图,该方法包括以下步骤:
S201、根据t时刻的氮氧化物排放量,确定t时刻对应的所述可控参数。
氮氧化物排放量可以通过氮氧化物的质量浓度进行表征,质量浓度的单位为mg/m3。可控参数可以包括以下一种或多种:给煤量、机组负荷、一次风压、一次风量、二次风量、省煤器出口氧量、第一排烟温度、第二排烟温度。可以参考下表,下表给出了对每一种可控参数的限制范围:
在一种实施方式中,可以通过第一策略网路模型确定t时刻对应的可控参数。第一策略网络模型也可以称为Actor主网络模型。Actor网络模型可以是包括输入层、隐含层和输出层的人工神经网络模型,其目标可以是学习并优化策略。
第一策略网络模型的输入可以包括氮氧化物排放量,输出可以包括可控参数,因此,可以将t时刻的氮氧化物排放量St输入第一策略网络模型,则可以得到第一策略网络模型输出的t时刻对应的可控参数at。
S202、根据t时刻对应的所述可控参数,预测t+1时刻的氮氧化物排放量。
预测下一时刻数据的方法有多种。由于锅炉燃烧过程属于持续性的工艺流程,当前时刻的工况会受到前N个周期的工况的叠加影响,因此,在进行预测时,为将历史时刻的工况影响加以考虑,可以采用循环神经网络对t+1时刻的氮氧化物排放量进行预测。具体的,可以将t时刻对应的可控参数at,输入基于循环神经网络的预测模型,从而得到所述预测模型输出的t+1时刻的氮氧化物排放量St+1。
进一步的,该循环神经网络可以是GRU(Gate Recurrent Unit)神经网络,通过GRU神经网络进行预测,可以考虑到锅炉燃烧过程高维输入特征参数之间的耦合影响,使锅炉燃烧过程NOx排放量的预测具有更高的准确率。可以参考图3,图3为本申请实施例提供的通过GRU神经网络预测NOx排放量的示意图,图中layer表示层。
S203、根据t+1时刻的氮氧化物排放量,确定t时刻对应的回报。
本申请实施例提供的控制方法是为了将氮氧化物的排放量控制在合理范围内。可以理解的,这个合理范围可以是预设的氮氧化物排放量的目标范围。在一个例子中,若是针对燃煤、燃油锅炉电厂,目标范围可以是炉膛出口的NOx质量浓度在0-200mg/m3之内;若是针对燃气锅炉电厂,目标范围可以是炉膛出口的NOx质量浓度在0-150mg/m3之内。
在确定t时刻对应的回报rt时,具体的,若t+1时刻的氮氧化物排放量St+1在目标范围内,可以确定t时刻对应的回报rt=1,否则,可以确定t时刻对应的回报rt=-1。
S204、根据t时刻对应的所述可控参数、所述氮氧化物排放量、所述回报以及t+1时刻的所述氮氧化物排放量,对第一策略网络模型进行优化,得到目标模型。
在一种实施方式中,可以将t时刻对应的可控参数at、氮氧化物排放量St、回报rt以及t+1时刻的氮氧化物排放量St+1构成一组样本数据(St,at,rt,St+1),可以将该样本数据存储到记忆库。并可以将St+1赋给St,并返回执行步骤S201,如此循环,生成多组样本数据(St,at,rt,St+1)存储至记忆库,直至样本数据的个数达到记忆库设定的容量。在记忆库中的样本数据达到预设数量后,可以从记忆库中随机采样N个样本数据用于模型的训练,以训练出目标模型。
具体的,可以将t+1时刻的氮氧化物排放量St+1输入第二策略网络模型,得到所述第二策略网络模型输出的t+1时刻对应的所述可控参数at+1。这里,第二策略网络模型也可以称为Actor目标网络模型。
可以将t+1时刻对应的所述可控参数at+1与所述氮氧化物排放量St+1输入第二价值网络模型,得到所述第二价值网络模型输出的t+1时刻对应的值函数rt+γqt+1,其中γqt+1为未来的折扣回报。这里,第二价值网络模型也可以称为Critic目标网络模型。
可以根据t+1时刻对应的值函数rt+γqt+1以及t时刻对应的值函数qt,计算损失函数。这里,t时刻对应的值函数qt可以是通过第一价值网络模型计算得到的。第一价值网络模型也可以称为Critic主网络模型,具体的,可以将可以将t时刻对应的所述可控参数at与所述氮氧化物排放量St输入第一价值网络模型,得到所述第一价值网络模型输出的t时刻对应的值函数qt。对于损失函数的计算,具体可以通过式子L=E[(rt+γqt+1-qt)2]计算得到。
在计算得到损失函数值之后,可以根据损失函数对第一价值网络模型(即Critic主网络模型)进行优化。这里,在一种实施方式中,可以通过Adam优化算法对第一价值网络模型进行优化。还可以根据优化后的第一价值网络模型对第一策略网络模型(Actor主网络模型)优化,从而得到目标模型。这里,在一种实施方式中,可以根据优化后的第一价值网络模型,使用策略梯度对第一策略网络模型进行优化。
在一种实施方式中,可以对第一策略网络模型进行多次优化,即可以在每一次优化后,重新在记忆库中获取新的样本数据(St,at,rt,St+1),并可以基于新的样本数据再次通过上述步骤对第一策略网络模型进行优化,直至优化次数达到设定的次数,则可以结束训练。
上述说明中,将采样得到样本数据记为(St,at,rt,St+1),这里,t可以表征任一时刻。在另一种表达方式中,上述的t也可以用i进行取代,即采样得到的样本数据也可以记为(Si,ai,ri,Si+1),这里,i也可以表征任一时刻。
本申请实施例提供的用于锅炉燃烧过程的控制方法,可以根据t时刻的氮氧化物排放量,确定t时刻对应的所述可控参数;根据t时刻对应的所述可控参数,预测t+1时刻的氮氧化物排放量;根据t+1时刻的氮氧化物排放量,确定t时刻对应的回报;根据t时刻对应的所述可控参数、所述氮氧化物排放量、所述回报以及t+1时刻的所述氮氧化物排放量,对第一策略网络模型进行优化,得到目标模型。而利用该目标模型,可以准确确定锅炉在不同燃烧状态下的最佳可控参数,实现燃煤电厂锅炉燃烧过程自动化控制,满足NOx稳定超低排放的要求。
下面可以参考图4,图4是本申请实施例提供的目标模型优化过程的架构图,还可以参考图5,图5是本申请实施例提供的用于锅炉燃烧过程的控制方法的另一流程图。该方法可以包括:
S501、初始化Actor主网络模型、Actor目标网络模型、Critic主网络模型与Critic目标网络模型的网络参数。
可以随机初始化Actor主网络模型与Critic主网络模型的网络参数,并将Actor主网络模型与Critic主网络模型的网络参数分别赋给Actor目标网络模型与Critic目标网络模型,同时,初始化t时刻的氮氧化物排放量St。
S502、将t时刻的氮氧化物排放量St输入Actor主网络模型,得到Actor主网络模型输出的t时刻对应的可控参数at。
S503、将t时刻对应的可控参数at输入预测模型,得到所述预测模型输出的t+1时刻的氮氧化物排放量St+1。
S504、根据t+1时刻的氮氧化物排放量St+1与预设的氮氧化物排放量的目标范围的关系,确定t时刻对应的回报rt。
S505、将t+1时刻的氮氧化物排放量St+1输入Actor目标网络模型,得到Actor目标网络模型输出的t+1时刻对应的所述可控参数at+1。
S506、将t+1时刻对应的可控参数at+1与氮氧化物排放量St+1输入Critic目标网络模型,得到Critic目标网络模型输出的t+1时刻对应的值函数rt+γqt+1。
S507、根据t+1时刻对应的值函数rt+γqt+1以及t时刻对应的值函数qt,计算损失函数。
S508、根据损失函数对Critic主网络模型进行优化。
S509、根据优化后的Critic主网络模型对Actor主网络模型进行优化,得到目标模型。
还可以参见图6,图6是本申请实施例提供的用于锅炉燃烧过程的控制装置的结构示意图。该装置可以包括:
获取模型601,用于获取炉膛出口的氮氧化物排放量;
确定模块602,用于根据所述氮氧化物排放量,基于目标模型确定锅炉燃烧系统的最优可控参数;
控制模块603,用于根据所述最优可控参数对锅炉燃烧系统进行控制;
训练模块604,用于通过以下方式训练得到目标模型:根据t时刻的氮氧化物排放量,确定t时刻对应的所述可控参数;根据t时刻对应的所述可控参数,预测t+1时刻的氮氧化物排放量;根据t+1时刻的氮氧化物排放量,确定t时刻对应的回报;根据t时刻对应的所述可控参数、所述氮氧化物排放量、所述回报以及t+1时刻的所述氮氧化物排放量,对第一策略网络模型进行优化,得到目标模型,其中,所述第一策略网络模型的输入包括所述氮氧化物排放量,输出包括所述可控参数,所述t大于等于0。
本申请实施例提供的用于锅炉燃烧过程的控制装置,可以根据t时刻的氮氧化物排放量,确定t时刻对应的所述可控参数;根据t时刻对应的所述可控参数,预测t+1时刻的氮氧化物排放量;根据t+1时刻的氮氧化物排放量,确定t时刻对应的回报;根据t时刻对应的所述可控参数、所述氮氧化物排放量、所述回报以及t+1时刻的所述氮氧化物排放量,对第一策略网络模型进行优化,得到目标模型。而利用该目标模型,可以准确确定锅炉在不同燃烧状态下的最佳可控参数,实现燃煤电厂锅炉燃烧过程自动化控制,满足NOx稳定超低排放的要求。
本申请实施例还提供了一种存储介质,所述存储介质用于存储程序代码,所述程序代码用于执行本申请实施例提供的用于锅炉燃烧过程的控制方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置和模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文全称:Read-OnlyMemory,英文缩写:ROM)、随机存取存储器(英文全称:Random Access Memory,英文缩写:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种用于锅炉燃烧过程的控制方法,其特征在于,包括:
获取炉膛出口的氮氧化物排放量;
根据所述氮氧化物排放量,基于目标模型确定锅炉燃烧系统的最优可控参数,并根据所述最优可控参数对锅炉燃烧系统进行控制;
其中,所述目标模型通过以下方式得到:
根据t时刻的氮氧化物排放量,确定t时刻对应的所述可控参数;
根据t时刻对应的所述可控参数,预测t+1时刻的氮氧化物排放量;
根据t+1时刻的氮氧化物排放量,确定t时刻对应的回报;
根据t时刻对应的所述可控参数、所述氮氧化物排放量、所述回报以及t+1时刻的所述氮氧化物排放量,对第一策略网络模型进行优化,得到目标模型,其中,所述第一策略网络模型的输入包括所述氮氧化物排放量,输出包括所述可控参数,所述t大于等于0。
2.根据权利要求1所述的用于锅炉燃烧过程的控制方法,其特征在于,所述根据t时刻对应的所述可控参数,预测t+1时刻的氮氧化物排放量,包括:
将t时刻对应的所述可控参数,输入基于循环神经网络的预测模型,得到所述预测模型输出的t+1时刻的氮氧化物排放量。
3.根据权利要求2所述的用于锅炉燃烧过程的控制方法,其特征在于,所述循环神经网络包括GRU神经网络。
4.根据权利要求1所述的用于锅炉燃烧过程的控制方法,其特征在于,所述根据t时刻的氮氧化物排放量,确定t时刻对应的所述可控参数,包括:
将t时刻的氮氧化物排放量输入第一策略网络模型,得到所述第一策略网络模型输出的t时刻对应的可控参数。
5.根据权利要求1所述的用于锅炉燃烧过程的控制方法,其特征在于,所述根据t+1时刻的氮氧化物排放量,确定t时刻对应的回报,包括:
根据t+1时刻的氮氧化物排放量与预设的氮氧化物排放量的目标范围的关系,确定t时刻对应的回报。
6.根据权利要求1所述的用于锅炉燃烧过程的控制方法,其特征在于,所述根据t时刻对应的所述可控参数、所述氮氧化物排放量、所述回报以及t+1时刻的所述氮氧化物排放量,对第一策略网络模型进行优化,得到目标模型,包括:
将t+1时刻的氮氧化物排放量输入第二策略网络模型,得到所述第二策略网络模型输出的t+1时刻对应的所述可控参数;
将t+1时刻对应的所述可控参数与所述氮氧化物排放量输入第二价值网络模型,得到所述第二价值网络模型输出的t+1时刻对应的值函数;
根据所述t+1时刻对应的值函数以及t时刻对应的值函数,计算损失函数,其中,所述t时刻对应的值函数是通过第一价值网络模型计算得到的;
根据所述损失函数对所述第一价值网络模型进行优化,并根据优化后的所述第一价值网络模型对所述第一策略网络模型进行优化,得到目标模型。
7.根据权利要求1所述的用于锅炉燃烧过程的控制方法,其特征在于,所述可控参数包括以下一种或多种:给煤量、机组负荷、一次风压、一次风量、二次风量、省煤器出口氧量、第一排烟温度、第二排烟温度。
8.根据权利要求1所述的用于锅炉燃烧过程的控制方法,其特征在于,所述氮氧化物排放量包括氮氧化物的质量浓度。
9.一种用于锅炉燃烧过程的控制装置,其特征在于,包括:
获取模型,用于获取炉膛出口的氮氧化物排放量;
确定模块,用于根据所述氮氧化物排放量,基于目标模型确定锅炉燃烧系统的最优可控参数;
控制模块,用于根据所述最优可控参数对锅炉燃烧系统进行控制;
训练模块,用于通过以下方式训练得到目标模型:根据t时刻的氮氧化物排放量,确定t时刻对应的所述可控参数;根据t时刻对应的所述可控参数,预测t+1时刻的氮氧化物排放量;根据t+1时刻的氮氧化物排放量,确定t时刻对应的回报;根据t时刻对应的所述可控参数、所述氮氧化物排放量、所述回报以及t+1时刻的所述氮氧化物排放量,对第一策略网络模型进行优化,得到目标模型,其中,所述第一策略网络模型的输入包括所述氮氧化物排放量,输出包括所述可控参数,所述t大于等于0。
10.一种存储介质,其特征在于,所述存储介质用于存储程序代码,所述程序代码用于执行权利要求1-8任一项所述的用于锅炉燃烧过程的控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011260934.0A CN112361376B (zh) | 2020-11-12 | 2020-11-12 | 一种用于锅炉燃烧过程的控制方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011260934.0A CN112361376B (zh) | 2020-11-12 | 2020-11-12 | 一种用于锅炉燃烧过程的控制方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112361376A true CN112361376A (zh) | 2021-02-12 |
CN112361376B CN112361376B (zh) | 2023-02-10 |
Family
ID=74514466
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011260934.0A Active CN112361376B (zh) | 2020-11-12 | 2020-11-12 | 一种用于锅炉燃烧过程的控制方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112361376B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103759290A (zh) * | 2014-01-16 | 2014-04-30 | 广东电网公司电力科学研究院 | 大型燃煤机组在线监测与优化控制系统及其实现方法 |
CN104879750A (zh) * | 2015-06-15 | 2015-09-02 | 神华集团有限责任公司 | 一种用于循环流化床锅炉的燃烧优化设备、系统以及方法 |
CN105020705A (zh) * | 2015-03-04 | 2015-11-04 | 内蒙古瑞特优化科技股份有限公司 | 循环流化床锅炉燃烧性能实时优化控制方法及系统 |
CN106500128A (zh) * | 2017-01-12 | 2017-03-15 | 东北电力大学 | 一种变负荷工况下火电厂锅炉NOx排放控制方法 |
CN108426266A (zh) * | 2018-03-01 | 2018-08-21 | 中国神华能源股份有限公司 | 锅炉燃烧控制系统和方法 |
CN108592080A (zh) * | 2018-03-01 | 2018-09-28 | 中国神华能源股份有限公司 | 锅炉燃烧控制系统和方法 |
CN109063359A (zh) * | 2018-08-16 | 2018-12-21 | 燕山大学 | 一种循环流化床锅炉燃烧过程的动态建模方法 |
CN113266843A (zh) * | 2021-04-08 | 2021-08-17 | 华中科技大学 | 一种燃煤锅炉燃烧优化方法、系统及装置 |
-
2020
- 2020-11-12 CN CN202011260934.0A patent/CN112361376B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103759290A (zh) * | 2014-01-16 | 2014-04-30 | 广东电网公司电力科学研究院 | 大型燃煤机组在线监测与优化控制系统及其实现方法 |
CN105020705A (zh) * | 2015-03-04 | 2015-11-04 | 内蒙古瑞特优化科技股份有限公司 | 循环流化床锅炉燃烧性能实时优化控制方法及系统 |
CN104879750A (zh) * | 2015-06-15 | 2015-09-02 | 神华集团有限责任公司 | 一种用于循环流化床锅炉的燃烧优化设备、系统以及方法 |
CN106500128A (zh) * | 2017-01-12 | 2017-03-15 | 东北电力大学 | 一种变负荷工况下火电厂锅炉NOx排放控制方法 |
CN108426266A (zh) * | 2018-03-01 | 2018-08-21 | 中国神华能源股份有限公司 | 锅炉燃烧控制系统和方法 |
CN108592080A (zh) * | 2018-03-01 | 2018-09-28 | 中国神华能源股份有限公司 | 锅炉燃烧控制系统和方法 |
CN109063359A (zh) * | 2018-08-16 | 2018-12-21 | 燕山大学 | 一种循环流化床锅炉燃烧过程的动态建模方法 |
CN113266843A (zh) * | 2021-04-08 | 2021-08-17 | 华中科技大学 | 一种燃煤锅炉燃烧优化方法、系统及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112361376B (zh) | 2023-02-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Panwar et al. | Binary grey wolf optimizer for large scale unit commitment problem | |
Aghaei et al. | Multiobjective generation expansion planning considering power system adequacy | |
Li et al. | Short-term economic environmental hydrothermal scheduling using improved multi-objective gravitational search algorithm | |
CN110263395A (zh) | 基于数值模拟和数据分析的电厂脱硝运行优化方法及系统 | |
Liu et al. | Aggregate production planning for shipbuilding with variation-inventory trade-offs | |
Harrold et al. | Data-driven battery operation for energy arbitrage using rainbow deep reinforcement learning | |
KR102094288B1 (ko) | 보일러의 연소 최적화 연산을 위한 시스템 및 방법 | |
CN111589302A (zh) | 燃煤电厂scr脱硝性能预测方法、装置、设备和存储介质 | |
CN110386768B (zh) | 水泥烧成过程中能耗动态实时控制方法 | |
US8340789B2 (en) | System for monitoring and optimizing controllers for process performance | |
US20160230699A1 (en) | Combined cycle power generation optimization system | |
CN112163335A (zh) | 一种NOx浓度预测模型的训练方法、预测方法和装置 | |
CN113887973A (zh) | 一种综合能源系统的多目标规划方法、装置及终端设备 | |
KR20160060132A (ko) | 기술 시스템의 컴퓨터-도움 제어 및/또는 조절을 위한 방법 | |
CN112966883B (zh) | 综合能源系统运行优化方法及终端设备 | |
CN110059821A (zh) | 神经网络优化方法、装置、计算机设备及存储介质 | |
JP2004171548A (ja) | プラントの最適運用方法、最適設計方法、最適運転計画方法、及び最適化装置 | |
JP2009198136A (ja) | 石炭焚きボイラのガス濃度推定装置及びガス濃度推定方法 | |
CN112361376B (zh) | 一种用于锅炉燃烧过程的控制方法、装置及存储介质 | |
Budi et al. | A review of potential method for optimization of power plant expansion planning in Jawa-Madura-Bali electricity system | |
Taieb et al. | Probabilistic time series forecasting with boosted additive models: an application to smart meter data | |
CN110888401B (zh) | 火力发电机组燃烧控制优化方法、装置及可读存储介质 | |
Ansari et al. | Implementation of particle swarm optimization for dynamic economic load dispatch problem | |
CN115657466A (zh) | 一种智能控制氨气输入量的锅炉系统 | |
CN113578008A (zh) | 一种垃圾焚烧锅炉脱硝控制方法及系统 |
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 |