CN112396162A - 一种燃煤机组屛式过热器壁温预测神经网络模型 - Google Patents
一种燃煤机组屛式过热器壁温预测神经网络模型 Download PDFInfo
- Publication number
- CN112396162A CN112396162A CN202011274447.XA CN202011274447A CN112396162A CN 112396162 A CN112396162 A CN 112396162A CN 202011274447 A CN202011274447 A CN 202011274447A CN 112396162 A CN112396162 A CN 112396162A
- Authority
- CN
- China
- Prior art keywords
- wall temperature
- neural network
- input
- superheater
- prediction
- 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
-
- 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
- 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"
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Control Of Steam Boilers And Waste-Gas Boilers (AREA)
Abstract
本发明公开了一种燃煤机组屛式过热器壁温预测神经网络模型,由多个神经网络递次连接组成,每一个神经网络由输入层、隐含层和输出层组成;所述输入层分为预测受热面壁温变量输入、上游受热面壁温变量输入和其他关键变量输入三类,既考虑了影响壁温的关键因素以及上游受热面壁温变化情况,同时考虑了预测受热面壁温历史数据对自身的影响;确定输入变量结构、修正输入参数延迟系数、隐含层个数、激活函数,提高模型训练和泛化精度,通过递次壁温预测获得不同时刻预测壁温的变化趋势,实现较优的屛式过热器壁温预测精度。
Description
技术领域
本发明涉及燃煤机组受热面壁温特性建模技术领域,具体涉及一种燃煤机组屛式过热器壁温预测神经网络模型。
背景技术
随着燃煤机组等级的不断提高,提高蒸汽温度、压力等发电参数是超超临界机组效率提升的重要途径,但蒸汽温度上升对蒸汽管道材料、壁温控制提出了更高要求。受限于材料的蠕变强度及持久强度的制约,温度波动必须在安全裕度以内,由于水冷壁温测量偏差造成不能及时进行参数调整,使水冷壁长时间超温运行势必会增加爆管的风险,另外,目前国内超(超)临界直流锅炉由于对高温过热器金属温度的监控重视不足,容易产生氧化皮脱落堵塞,也极易发生过热器爆管事故。因此对于壁温的实时测量、壁温的提前预测与控制是降低爆管风险的有效途径。
目前,燃煤机组对于壁温的测量方案主要是以下两种:
1)通过在锅炉过热器、再热器、水冷壁等部位的管壁金属处安装大量的热电偶壁温测点来实现壁温测量,利用单独的监视系统或者直接接入DCS系统直接监视,提高锅炉长期运行的安全行、稳定性;目前该方法对测点周围的环境要求较高,而炉内环境往往较恶劣,对测量的精度和准确性有一定的影响;同时该方法只能够测得当前时刻温度值,由于测点较多,只有测点发生超温现象时才会发出报警,从而运行人员根据实际经验对锅炉参数进行相应的调整。这样会导致运行人员在壁温超温监盘过程中无法对大量的壁温测点进行实时判断、并且当发生超温报警是在进行控制操作处理,不能及时解决超温问题,对锅炉运行安全带来了不利的影响。
2)通过机理或数理分析方法建立壁温预测模型,从而实现壁温的计算和预测。其中通过水冷壁、过热器等部件的机理建模分析计算壁温,这种方法较为复杂,边界参数较多,电厂实际测点无法给出所有边界参数,且模型不同条件下需要不断修正,因此不符合在线计算的要求,无法实时参与电站壁温闭环控制;基于数理建模分析方法,目前多采用基于人工神经网络的的壁温预测方法,只考虑了外部因素对壁温的影响,采用BP神经网络等静态网络结构对锅炉管壁温度进行预测。对于当前壁温历史数据、上游壁温历史数据以及相关因素的变化速率并未考虑,并未对时序预测神经网络结构、神经网络激活函数等内容进行研究,预测结构较为落后、计算结果较差。
综上所述,现有的壁温超温应对措施和预测手段,仅仅停留在显示报警,从而凭借运行人员经验进行参数更改,并未实现闭环控制。另一方面,壁温预测模型需要优化,从而实现壁温精准预测,实现提前闭环操作避免壁温超温。
发明内容
为了克服上述现有技术存在的问题,本发明提供一种燃煤机组屛式过热器壁温预测神经网络模型,该模型考虑当前壁温历史数据、上游壁温历史数据以及相关因素的变化速率等,通过递次壁温预测获得不同时刻预测壁温的变化趋势,实现较优的壁温预测精度。
为了实现上述目的,本发明采用以下技术方案:
一种燃煤机组屛式过热器壁温预测神经网络模型,由多个神经网络递次连接组成,每一个神经网络由输入层、隐含层和输出层组成;所述输入层分为预测受热面壁温变量输入、上游受热面壁温变量输入和其他关键变量输入三类,既考虑了影响壁温的关键因素以及上游受热面壁温变化情况,同时考虑了预测受热面壁温历史数据对自身的影响;所述预测受热面壁温变量输入即屛式过热器壁温最大值和屛式过热器壁温平均值;所述上游受热面壁温变量输入是指屛式过热器的上一级受热面壁温变量,即低温过热器壁温平均值;所述其他关键变量输入是指信号的变化对屛式过热器壁温影响显著的参数,包括一级减温水量变化率、机组实际负荷;所述输出层为屛式过热器壁温最大值预测值。
所述多个神经网络中第一个神经网络输入神经元包括屛式过热器壁温最大值、屛式过热器壁温平均值、低温过热器壁温平均值、一级减温水量变化率、机组实际负荷五个输入神经元;第一个神经网络输出神经元为预测周期1的屛式过热器壁温最大值预测值;将第一个神经网络输出神经元与第二个神经网络输入连接,将预测周期1的屏式过热器壁温最大值预测值送入屛式过热器壁温最大值输入神经元进行历史数据更新,其余输入神经元与屛式过热器壁温平均值、低温过热器壁温平均值、一级减温水量变化率、机组实际负荷四个输入神经元进行连接,第二个神经网络输出神经元为预测周期2的屛式过热器壁温最大值预测值;依次类推,从而获得第n个神经网络输出神经元的预测结果,即预测周期n的屛式过热器壁温最大值预测值;所述神经网络模型中的隐含层神经元分别与所有的输入神经元、输出神经元相连,将神经网络输入神经元归一化输入变量与各输入的权值相乘,并通过激活函数进行计算叠加神经元偏置获得神经元输出。
多个神经网络输出神经元与输入神经元之间的数学关系如下式表示:
第1个神经网络:
Z(1)=f(X1(t-1),X1(t-2),…X1(t-P),X2(t-1),X2(t-2),…X2(t-P),…Y(t-1),Y(t-2),…Y(t-P))
第2个神经网络:
Z(2)=f(X1(t-1),X1(t-1),X1(t-2),…X1(t-P+1),X2(t-1),X2(t-1),X2(t-2),…X2(t-P+1),…Z(1),Y(t-1),Y(t-2),…Y(t-P+1))
…
第n个神经网络:
其中,X1、X2…X4分别表示神经网络的输入层中4个影响因素,即屛式过热器壁温平均值、低温过热器壁温平均值、一级减温水量变化率、机组实际负荷四个输入;Y表示神经网络输入层中1个影响因素,即屛式过热器壁温最大值;Z表示神经网络的预测输出,即屛式过热器壁温最大值预测值;n表示神经网络个数,即预测周期数;P表示神经网络输入神经元的延迟数;X1(t-1),X1(t-2),…,X1(t-P)表示输入变量X1的第1个至第P个历史数据值;Y(t-1),Y(t-2),…Y(t-P)表示输入变量Y的第1个至第P个历史数据值;Z(1),Z(2),…Z(n)表示第1至第n个周期的屛式过热器壁温最大值预测值。
每一个神经网络的隐含层节点个数由公式确定,其中l为输入层节点个数,m为输出层节点个数,a为1-10之间的常数;同时根据模型计算确定输入变量的延迟阶数、隐含层节点数;输入输出激活函数均选择线性激活函数,可以避免训练模型弱化壁温超温点,从而造成泛化能力减弱。通过遗传算法确定隐含层权值,即通过选择、交叉、变异操作来寻找最优适应度对应个体,从而确定隐含层最佳权值。
每一个神经网络中输入神经元的计算,采用如下传递函数:
其中:f为激活函数;wi为上一层第i个神经元输出至该神经元的权值;ui为上一层第i个神经元输出,也即该神经元的第i个输入;b为该神经元的偏置。
和现有技术相比较,本发明具备如下优点:
1)本发明神经网络模型,既考虑了影响屏过壁温的关键因素,即机组负荷及一级减温水量变化率,又考虑屏过壁温自身平均温度以及最大值的历史数据,同时还考虑了上游换热器的平均壁温,即低温过热器平均温度。使用上述多种影响屛式过热器壁温的输入进行预测,同时考虑了上游换热器温度变化,避免了随机选择变量的不确定性,有针对性的选择预测模型输入变量,可以获得较优的预测结果。
2)使用多个递推式神经网络模型结构,相比于直接预测n个周期后的屛式过热器最大温度,预测结果更为精确,并且可以实现对壁温超前动态预测,利用预测结果,参与完成壁温超温控制逻辑闭环控制,可以提供足够的操作时间,通过部分工作直接参与控制,有效降低运行人员的劳动强度和监盘工作,同时避免壁温超温反应不及时,造成的爆管等安全运行问题。
3)确定输入变量结构、修正输入参数延迟系数、隐含层个数、激活函数,提高模型训练和泛化精度。
附图说明
图1为本发明燃煤机组屛式过热器壁温预测神经网络模型示意图。
图2为屛式过热器壁温预测神经网络模型输入延迟系数确定曲线图。
图3为屛式过热器壁温预测神经网络模型误差效果图。
具体实施方式
下面结合附图和实施例对本发明作进一步详细说明。
如图1所示,本发明一种燃煤机组屛式过热器壁温预测神经网络模型,由多个神经网络递次连接组成,每一个神经网络由输入层、隐含层和输出层组成;所述输入层分为预测受热面壁温变量输入、上游受热面壁温变量输入和其他关键变量输入三类,既考虑了影响壁温的关键因素以及上游受热面壁温变化情况,同时考虑了预测受热面壁温历史数据对自身的影响;所述预测受热面壁温变量输入即屛式过热器壁温最大值和屛式过热器壁温平均值;所述上游受热面壁温变量输入是指屛式过热器的上一级受热面壁温变量,即低温过热器壁温平均值;所述其他关键变量输入是指信号的变化对屛式过热器壁温影响显著的参数,包括一级减温水量变化率、机组实际负荷;所述输出层为屛式过热器壁温最大值预测值。
所述多个神经网络中第一个神经网络的输入神经元包括屛式过热器壁温最大值、屛式过热器壁温平均值、低温过热器壁温平均值、一级减温水量变化率、机组实际负荷五个输入神经元;第一个神经网络输出神经元为预测周期1的屛式过热器壁温最大值预测值;将第一个神经网络输出神经元与第二个神经网络输入连接,将预测周期1的屏式过热器壁温最大值预测值送入屛式过热器壁温最大值输入神经元进行历史数据更新,其余输入神经元与屛式过热器壁温平均值、低温过热器壁温平均值、一级减温水量变化率、机组实际负荷四个输入神经元进行连接,第二个神经网络输出神经元为预测周期2的屛式过热器壁温最大值预测值;依次类推,从而获得第n个神经网络输出神经元的预测结果,即预测周期n的屛式过热器壁温最大值预测值;所述神经网络模型中的隐含层神经元分别与所有的输入神经元、输出神经元相连,将神经网络输入神经元归一化输入变量与各输入的权值相乘,并通过激活函数进行计算叠加神经元偏置获得神经元输出。
实施例:
某电厂660MW机组,锅炉为超超临界直流锅炉,采用单炉膛,一次中间再热,尾部双烟道结构。综合分析屛式过热器壁温影响因素,选取机组负荷、一级减温水变化率、屛式过热器平均壁温、上游低温过热器平均壁温和屛式过热器最大壁温值作为神经网络模型输入神经元。数据采样周期为10s,使用六个神经网络模型进行递次预测60s后的输出结果,以便实现壁温最大值的超前动态预测。即10s后的预测值作为第二个神经网络屏过壁温最大值的历史输入,从而完成第二个神经网络预测给出20s后的预测值,依次类推,获得60s后的屏过壁温预测结果。根据图2所示,模型计算确定输入变量的延迟阶数为20、隐含层节点数为4;即有5个输入节点,每个输入节点包含20个历史数据,隐含层节点数为4个,输出层节点数为1个为屏过壁温最大值,所设置的神经网络结构为5-4-1;输入输出层激活函数为线性函数,可以保证历史超温点不会弱化,泛化能力更强。选取某电厂历史数据共100000组作为训练数据训练神经网络,采样周期为10s,并把预测值与实际值的偏差作为个体适应度值。遗传算法通过选择、交叉和变异操作找到最优个体适应度值对应个体;将上述获得的最优个体给神经网络权值赋值,用某电厂历史数据共10000组作为测试数据对壁温进行预测,验证结果表明,可以实现对屛式过热器壁温温度提前60s的超前动态预测,如图3所示,预测的平均温度偏差绝对值仅为0.3828℃,测试点99%以上的预测绝对误差在2℃以内,预测最大偏差在5℃以内,预测模型准确有效。
Claims (5)
1.一种燃煤机组屛式过热器壁温预测神经网络模型,其特征在于:由多个神经网络递次连接组成,每一个神经网络由输入层、隐含层和输出层组成;所述输入层分为预测受热面壁温变量输入、上游受热面壁温变量输入和其他关键变量输入三类,既考虑了影响壁温的关键因素以及上游受热面壁温变化情况,同时考虑了预测受热面壁温历史数据对自身的影响;所述预测受热面壁温变量输入即屛式过热器壁温最大值和屛式过热器壁温平均值;所述上游受热面壁温变量输入是指屛式过热器的上一级受热面壁温变量,即低温过热器壁温平均值;所述其他关键变量输入是指信号的变化对屛式过热器壁温影响显著的参数,包括一级减温水量变化率、机组实际负荷;所述输出层为屛式过热器壁温最大值预测值。
2.根据权利要求1所述的一种燃煤机组屛式过热器壁温预测神经网络模型,其特征在于:所述多个神经网络中第一个神经网络的输入神经元包括屛式过热器壁温最大值、屛式过热器壁温平均值、低温过热器壁温平均值、一级减温水量变化率、机组实际负荷五个输入神经元;第一个神经网络输出神经元为预测周期1的屛式过热器壁温最大值预测值;将第一个神经网络输出神经元与第二个神经网络输入连接,将预测周期1的屏式过热器壁温最大值预测值送入屛式过热器壁温最大值输入神经元进行历史数据更新,其余输入神经元与屛式过热器壁温平均值、低温过热器壁温平均值、一级减温水量变化率、机组实际负荷四个输入神经元进行连接,第二个神经网络输出神经元为预测周期2的屏式过热器壁温最大值预测值;依次类推,从而获得第n个神经网络输出神经元的预测结果,即预测周期n的屏式过热器壁温最大值预测值;所述神经网络模型中的隐含层神经元分别与所有的输入神经元、输出神经元相连,将神经网络输入神经元归一化输入变量与各输入的权值相乘,并通过激活函数进行计算叠加神经元偏置获得神经元输出。
3.根据权利要求2所述的一种燃煤机组屏式过热器壁温预测神经网络模型,其特征在于:多个神经网络输出神经元与输入神经元之间的数学关系如下式表示:
第1个神经网络:
Z(1)=f(X1(t-1),X1(t-2),…X1(t-P),X2(t-1),X2(t-2),…X2(t-P),…Y(t-1),Y(t-2),…Y(t-P))
第2个神经网络:
Z(2)=f(X1(t-1),X1(t-1),X1(t-2),…X1(t-P+1),X2(t-1),X2(t-1),X2(t-2),…X2(t-P+1),…Z(1),Y(t-1),Y(t-2),…Y(t-P+1))
…
第n个神经网络:
其中,X1、X2…X4分别表示神经网络的输入层中4个影响因素,即屏式过热器壁温平均值、低温过热器壁温平均值、一级减温水量变化率、机组实际负荷四个输入;Y表示神经网络输入层中1个影响因素,即屏式过热器壁温最大值;Z表示神经网络的预测输出,即屏式过热器壁温最大值预测值;n表示神经网络个数,即预测周期数;P表示神经网络输入神经元的延迟数;X1(t-1),X1(t-2),…,X1(t-P)表示输入变量X1的第1个至第P个历史数据值;Y(t-1),Y(t-2),…Y(t-P)表示输入变量Y的第1个至第P个历史数据值;Z(1),Z(2),…Z(n)表示第1至第n个周期的屏式过热器壁温最大值预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011274447.XA CN112396162B (zh) | 2020-11-15 | 2020-11-15 | 一种燃煤机组屏式过热器壁温预测神经网络模型 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011274447.XA CN112396162B (zh) | 2020-11-15 | 2020-11-15 | 一种燃煤机组屏式过热器壁温预测神经网络模型 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112396162A true CN112396162A (zh) | 2021-02-23 |
CN112396162B CN112396162B (zh) | 2023-04-07 |
Family
ID=74599331
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011274447.XA Active CN112396162B (zh) | 2020-11-15 | 2020-11-15 | 一种燃煤机组屏式过热器壁温预测神经网络模型 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112396162B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113378477A (zh) * | 2021-06-29 | 2021-09-10 | 西北师范大学 | 一种基于深度学习方法的锅炉过热器区域高低温预测方法 |
CN117077839A (zh) * | 2023-07-13 | 2023-11-17 | 华能国际电力股份有限公司上海石洞口第二电厂 | 一种基于am-boa-lstm的燃煤电厂过热器壁温预测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5311421A (en) * | 1989-12-08 | 1994-05-10 | Hitachi, Ltd. | Process control method and system for performing control of a controlled system by use of a neural network |
CN103309314A (zh) * | 2013-05-23 | 2013-09-18 | 国家电网公司 | 超临界燃煤机组高温过热器金属壁温预警优化控制方法 |
CN104504292A (zh) * | 2015-01-14 | 2015-04-08 | 济南大学 | 基于bp神经网络预测循环流化床锅炉最佳工作温度的方法 |
WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
CN109583585A (zh) * | 2018-11-22 | 2019-04-05 | 西安热工研究院有限公司 | 一种电站锅炉壁温预测神经网络模型 |
CN110531797A (zh) * | 2019-05-31 | 2019-12-03 | 华电国际电力股份有限公司技术服务分公司 | 基于神经网络的超超临界机组高温过热器壁温预测方法 |
-
2020
- 2020-11-15 CN CN202011274447.XA patent/CN112396162B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5311421A (en) * | 1989-12-08 | 1994-05-10 | Hitachi, Ltd. | Process control method and system for performing control of a controlled system by use of a neural network |
CN103309314A (zh) * | 2013-05-23 | 2013-09-18 | 国家电网公司 | 超临界燃煤机组高温过热器金属壁温预警优化控制方法 |
WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
CN104504292A (zh) * | 2015-01-14 | 2015-04-08 | 济南大学 | 基于bp神经网络预测循环流化床锅炉最佳工作温度的方法 |
CN109583585A (zh) * | 2018-11-22 | 2019-04-05 | 西安热工研究院有限公司 | 一种电站锅炉壁温预测神经网络模型 |
CN110531797A (zh) * | 2019-05-31 | 2019-12-03 | 华电国际电力股份有限公司技术服务分公司 | 基于神经网络的超超临界机组高温过热器壁温预测方法 |
Non-Patent Citations (4)
Title |
---|
TONG LIU ET AL.: "The Calculation of the Tube Wall Temperature of Superheater in Boiler Based on the Resilient Back Propagation Artificial Neural Network", 《2008 FOURTH INTERNATIONAL CONFERENCE ON NATURAL COMPUTATION》 * |
卢彬 等: "基于NARX 神经网络的锅炉壁温预测模型", 《热力发电》 * |
栾秀春 等: "基于局部神经网络模型的过热汽温多模型预测控制的研究", 《中国电机工程学报》 * |
蒋蓬勃 等: "基于BP神经网络的超超临界机组高温过热器壁温预测方法", 《第三届智能电网会议论文集——智能用电》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113378477A (zh) * | 2021-06-29 | 2021-09-10 | 西北师范大学 | 一种基于深度学习方法的锅炉过热器区域高低温预测方法 |
CN117077839A (zh) * | 2023-07-13 | 2023-11-17 | 华能国际电力股份有限公司上海石洞口第二电厂 | 一种基于am-boa-lstm的燃煤电厂过热器壁温预测方法及系统 |
CN117077839B (zh) * | 2023-07-13 | 2024-04-12 | 华能国际电力股份有限公司上海石洞口第二电厂 | 一种基于am-boa-lstm的燃煤电厂过热器壁温预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112396162B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112381210B (zh) | 一种燃煤机组水冷壁壁温预测神经网络模型 | |
CN109583585B (zh) | 一种电站锅炉壁温预测神经网络模型的构建方法 | |
CN112396162B (zh) | 一种燃煤机组屏式过热器壁温预测神经网络模型 | |
CN105955026B (zh) | 模糊pid控制方法和装置及系统 | |
CN113361192A (zh) | 一种锅炉内受热面壁温安全监测评估系统 | |
CN110285403A (zh) | 基于被控参数预估的主蒸汽温度控制方法 | |
CN102889598A (zh) | 一种利用垃圾热值预测辅助垃圾稳定燃烧的控制方法 | |
CN104778361B (zh) | 改进型EMD‑Elman神经网络预测铁水硅含量的方法 | |
CN111829003A (zh) | 一种电厂燃烧控制系统及控制方法 | |
CN104881714A (zh) | 一种锅炉高温受热面屏间热偏差模型预测方法 | |
CN113433911A (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 | |
CN110472274A (zh) | 一种锅炉内流场热偏差模型实时预测方法 | |
CN112084631A (zh) | 基于仿真模型的供热管网蒸汽回供调度方法及系统 | |
CN112381296B (zh) | 一种燃煤机组高温过热器壁温预测神经网络模型 | |
Ma et al. | Neural network based superheater steam temperature control for a large-scale supercritical boiler unit | |
Shi et al. | Ash fouling monitoring and key variables analysis for coal fired power plant boiler | |
CN108647478B (zh) | 基于bp神经网络的热电联产机组scr入口烟温在线计算方法 | |
CN112286060B (zh) | 一种基于遗传算法和模糊控制技术的热网温度控制方法 | |
Aziz et al. | Improving the performance of temperature model of economizer using bond graph and genetic algorithm | |
Sai et al. | Neural Network Applications in a Power Station | |
CN113885607B (zh) | 一种汽温控制方法、装置、电子设备和计算机存储介质 | |
CN102967393A (zh) | 一种超超临界机组锅炉分离器出口温度在线校准的方法 | |
CN115326237A (zh) | 一种考虑锅炉过热器氧化皮影响的壁温测量方法与系统 | |
JPH11242503A (ja) | プラント運転制御支援システム | |
CN113418208A (zh) | 一种基于炉膛温度场的锅炉燃烧优化方法及系统 |
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 |