CN112782976B - 一种基于cnn算法的智能燃烧优化的闭环控制方法 - Google Patents
一种基于cnn算法的智能燃烧优化的闭环控制方法 Download PDFInfo
- Publication number
- CN112782976B CN112782976B CN202011464722.4A CN202011464722A CN112782976B CN 112782976 B CN112782976 B CN 112782976B CN 202011464722 A CN202011464722 A CN 202011464722A CN 112782976 B CN112782976 B CN 112782976B
- Authority
- CN
- China
- Prior art keywords
- optimization
- combustion
- closed
- algorithm
- classification result
- 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
Links
Images
Classifications
-
- 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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Regulation And Control Of Combustion (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种基于CNN算法的智能燃烧优化的闭环控制方法,包括:步骤1,基于机组运行相关数据生成包含机组运行信息和时间维度的二维数据表,将表格内的数据通过CNN神经网络算法进行分类处理,得到分类结果;所述分类的信息包括机组负荷、风量、给煤量、给水流量、风门开度、风压、给水温度,燃烧效率、生成氮氧化物等;步骤2,根据分类结果对燃烧系统进行实时预测,并采用粒子群算法进行寻优,得到优化控制指令;步骤3,根据寻优得到的优化控制指令对燃烧系统进行闭环优化控制。本发明解决了燃烧系统多输入多输出建模困难,难于实现建模优化的问题,同时实现了对燃烧系统的闭环控制。
Description
技术领域
本发明属于火力发电技术领域,尤其涉及一种基于CNN算法的智能燃烧优化的闭环控制方法。
背景技术
目前火电厂已进入饱和期,火电厂的经营以内部优化为主,煤电机组更是火力发电的主力军,同时煤粉锅炉燃烧存在主要的问题亟待解决:一是炉膛内的燃烧复杂多变,锅炉的优化控制缺乏精准依据;二是目前锅炉燃烧优化严重依赖人工经验,传统控制技术无法解决锅炉燃烧多变量耦合、惯性滞后大等问题。为了解决燃烧系统优化的问题,目前虽然已经出现了多种优化方式,但具有燃烧系统多输入多输出建模困难,难于实现建模优化的问题。
发明内容
本发明的目的是提供一种基于CNN算法的智能燃烧优化的闭环控制方法,以解决燃烧系统多输入多输出建模困难,难于实现建模优化的问题,同时实现对燃烧系统的闭环控制。
本发明提供了一种基于CNN算法的智能燃烧优化的闭环控制方法,包括:
步骤1,基于机组运行相关数据生成包含机组运行信息和时间维度的二维数据表,将表格内的数据通过CNN神经网络算法进行分类处理,得到分类结果;所述分类的信息包括机组负荷、风量、给煤量、给水流量、风门开度、风压、给水温度,燃烧效率、生成氮氧化物;
步骤2,根据分类结果对燃烧系统进行实时预测,并采用粒子群算法进行寻优,得到优化控制指令;
步骤3,根据寻优得到的优化控制指令对燃烧系统进行闭环优化控制。
进一步地,所述分类结果用于燃烧效率和生成氮氧化物浓度的预测,所述寻优目标为氮氧化物浓度低与燃烧效率高。
进一步地,所述步骤1包括:
基于CNN算法对燃烧系统进行分类,通过燃烧系统的数据组成9*9的二维数据表,以时间和相关系统物理量测量值为两个维度,通过CNN神经网络进行学习,基于BP算法确定卷积核,对燃烧效率和生成氮氧化物浓度进行分类,所述卷积核选择2-3个。
进一步地,所述步骤2包括:通过设置权重系数来调节寻优目标。
进一步地,所述步骤3包括:
将寻优得到的优化控制指令在DCS系统进行安全指令切换,在投入优化控制系统状态下,通过优化控制指令直接控制每个执行机构的输出指令。
借由上述方案,通过基于CNN算法的智能燃烧优化的闭环控制方法,采用CNN神经网络算法对燃烧系统及机组相关数据进行分类,同时结合粒子群寻优算法对燃烧系统效率和燃烧生成氮氧化物浓度进行优化,从而达到燃烧系统优化控制的目标,解决了燃烧系统多输入多输出建模困难,难于实现建模优化的问题,同时实现了对燃烧系统的闭环控制。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例详细说明如后。
附图说明
图1是本发明基于CNN算法的智能燃烧优化的闭环控制方法的流程图;
图2是本发明一实施例中闭环控制逻辑二次风优化闭环控制流程图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
参图1所示,本实施例提供了一种基于CNN算法的智能燃烧优化的闭环控制方法,包括:
步骤S1,基于机组运行相关数据生成包含机组运行信息和时间维度的二维数据表,将表格内的数据通过CNN神经网络算法进行分类处理,得到分类结果;分类信息主要包括机组负荷、风量、给煤量、给水流量、风门开度、风压、给水温度,燃烧效率、生成氮氧化物等。
步骤S2,根据分类结果对燃烧系统进行实时预测,并采用粒子群算法进行寻优,得到优化控制指令;所述寻优目标为氮氧化物浓度低与燃烧效率高;
步骤S3,根据优化控制指令对燃烧系统进行闭环优化控制。
该基于CNN算法的智能燃烧优化的闭环控制方法,采用CNN神经网络算法对燃烧系统及机组相关数据进行分类,同时结合粒子群寻优算法对燃烧系统效率和燃烧生成氮氧化物浓度进行优化,从而达到燃烧系统优化控制的目标,解决了燃烧系统多输入多输出建模困难,难于实现建模优化的问题,同时实现了对燃烧系统的闭环控制。
参图2所示,在一具体实施例中,选择2个3*3的卷积核,分别用来按照燃烧效率和生成氮氧化物浓度两个维度分类,分类结果用来实现燃烧效率和生成氮氧化物浓度的预测,并通过粒子群算法对风门开度进行寻优,将风门优化指令送至DCS系统实现优化闭环控制。具体步骤包括:
第一步:基于CNN算法对燃烧系统进行分类,通过燃烧系统的数据组成9*9的二维数据表,以时间和相关系统物理量测量值为两个维度,通过CNN神经网络进行学习,通过BP算法实现卷积核的确定,卷积核选择2-3个,本例选择2个卷积核来训练,分别用来对燃烧效率和生成氮氧化物浓度进行分类,分别分成10类,共计分为20类。CNN神经网络学习的样本样式如表1所示,表1中1/0代表燃烧系统的实际数据。
表1 CNN神经网络学习的样本样式
第二步:将分类结果进行燃烧效率和生成氮氧化物的实时预测,并采用粒子群优化算法对风门开度进行寻优,寻优目标为燃烧效率高和生成氮氧化物低,通过设置权重系数来调节优化目标。
χ=k1NOx+k2(1-η)
式中:χ为系统寻优目标函数,k1为生成氮氧化物浓度权重系数,k2为锅炉效率损失部分权重系数。
第三步:通过闭环控制系统将优化策略指令分别送至一次风、二次风执行机构。将寻优得到的优化控制指令在DCS系统进行安全指令切换,投入优化控制系统状态下,优化控制指令直接控制每个执行机构的输出指令。
以上所述仅是本发明的优选实施方式,并不用于限制本发明,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
Claims (1)
1.一种基于CNN算法的智能燃烧优化的闭环控制方法,其特征在于,包括:
步骤1,基于机组运行相关数据生成包含机组运行信息和时间维度的二维数据表,将所述二维数据表内的数据通过CNN神经网络算法进行分类处理,得到分类结果;所述分类结果的信息包括机组负荷、风量、给煤量、给水流量、风门开度、风压、给水温度,燃烧效率和/或生成氮氧化物;
步骤2,根据分类结果对燃烧系统进行实时预测,并根据寻优目标采用粒子群算法进行寻优,得到优化控制指令;
步骤3,根据寻优得到的优化控制指令对燃烧系统进行闭环优化控制;
所述分类结果用于燃烧效率和生成氮氧化物浓度的预测,所述寻优目标为氮氧化物浓度低与燃烧效率高;所述步骤1包括:
基于CNN神经网络算法对燃烧系统进行分类,通过燃烧系统的机组运行相关数据组成9*9的所述二维数据表,以时间和相关系统物理量测量值为两个维度,通过CNN神经网络进行学习,基于BP算法确定卷积核,对燃烧效率和生成的氮氧化物浓度进行分类,所述卷积核选择2-3个;
所述步骤2包括:通过设置权重系数来调节所述寻优目标;其中,所述寻优目标的函数为:χ=k1NOx+k2(1-η) ;式中:χ为所述寻优目标的函数,k1为生成氮氧化物浓度权重系数,k2为锅炉效率损失部分权重系数;
所述步骤3包括:
通过闭环控制系统将优化策略指令分别送至一次风和二次风执行机构;将寻优得到的优化控制指令在DCS系统进行安全指令切换,在投入优化控制系统状态下,通过所述优化控制指令直接控制每个执行机构的输出指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011464722.4A CN112782976B (zh) | 2020-12-14 | 2020-12-14 | 一种基于cnn算法的智能燃烧优化的闭环控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011464722.4A CN112782976B (zh) | 2020-12-14 | 2020-12-14 | 一种基于cnn算法的智能燃烧优化的闭环控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112782976A CN112782976A (zh) | 2021-05-11 |
CN112782976B true CN112782976B (zh) | 2023-03-07 |
Family
ID=75750835
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011464722.4A Active CN112782976B (zh) | 2020-12-14 | 2020-12-14 | 一种基于cnn算法的智能燃烧优化的闭环控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112782976B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103870877A (zh) * | 2014-03-28 | 2014-06-18 | 西安西热控制技术有限公司 | 一种基于神经网络的锅炉燃烧智能控制系统及方法 |
CN106019935A (zh) * | 2016-04-28 | 2016-10-12 | 天津市职业大学 | 基于约束模糊关联规则的多目标锅炉燃烧优化 |
CN108985381A (zh) * | 2018-07-25 | 2018-12-11 | 广东工业大学 | 氮氧化物排放量预测模型的确定方法、装置及设备 |
CN109782373A (zh) * | 2018-12-14 | 2019-05-21 | 内蒙古工业大学 | 一种基于改进的Naive Bayesian-CNN多目标分类算法的沙尘暴预测方法 |
CN110378431A (zh) * | 2019-07-24 | 2019-10-25 | 中国人民解放军国防科技大学 | 基于卷积神经网络的超声速燃烧室燃烧模式检测方法 |
CN111582395A (zh) * | 2020-05-13 | 2020-08-25 | 金陵科技学院 | 一种基于卷积神经网络的产品质量分类系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11442445B2 (en) * | 2017-08-02 | 2022-09-13 | Strong Force Iot Portfolio 2016, Llc | Data collection systems and methods with alternate routing of input channels |
-
2020
- 2020-12-14 CN CN202011464722.4A patent/CN112782976B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103870877A (zh) * | 2014-03-28 | 2014-06-18 | 西安西热控制技术有限公司 | 一种基于神经网络的锅炉燃烧智能控制系统及方法 |
CN106019935A (zh) * | 2016-04-28 | 2016-10-12 | 天津市职业大学 | 基于约束模糊关联规则的多目标锅炉燃烧优化 |
CN108985381A (zh) * | 2018-07-25 | 2018-12-11 | 广东工业大学 | 氮氧化物排放量预测模型的确定方法、装置及设备 |
CN109782373A (zh) * | 2018-12-14 | 2019-05-21 | 内蒙古工业大学 | 一种基于改进的Naive Bayesian-CNN多目标分类算法的沙尘暴预测方法 |
CN110378431A (zh) * | 2019-07-24 | 2019-10-25 | 中国人民解放军国防科技大学 | 基于卷积神经网络的超声速燃烧室燃烧模式检测方法 |
CN111582395A (zh) * | 2020-05-13 | 2020-08-25 | 金陵科技学院 | 一种基于卷积神经网络的产品质量分类系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112782976A (zh) | 2021-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Garduno-Ramirez et al. | Multiobjective optimal power plant operation through coordinate control with pressure set point scheduling | |
US20050192680A1 (en) | System and method for optimizing global set points in a building environmental management system | |
CN108287477B (zh) | 基于模型预测和多尺度优先级的集群温控负荷控制方法 | |
CN104019526A (zh) | 改进pso算法模糊自适应pid温湿度控制系统及方法 | |
CN113251670B (zh) | 热风炉控制、训练方法、装置、设备、热风炉系统及介质 | |
Espín et al. | A hybrid sliding mode controller approach for level control in the nuclear power plant steam generators | |
Cass et al. | Adaptive process optimization using functional-link networks and evolutionary optimization | |
CN114909706B (zh) | 一种基于强化学习算法和压差控制的二级网平衡调控方法 | |
CN112782976B (zh) | 一种基于cnn算法的智能燃烧优化的闭环控制方法 | |
CN110501900A (zh) | 一种基于模糊pid控制器调节列车新风系统温度的方法 | |
CN108762086B (zh) | 基于模型预测控制的二次再热蒸汽温度控制装置及控制系统 | |
Pan et al. | Optimization of industrial boiler combustion control system based on genetic algorithm | |
Mazinan et al. | An intelligent multiple models based predictive control scheme with its application to industrial tubular heat exchanger system | |
Song et al. | Short-term forecasting model for residential indoor temperature in DHS based on sequence generative adversarial network | |
Zhang et al. | An ensemble model based on weighted support vector regression and its application in annealing heating process | |
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 | |
Brijet et al. | Optimum control of under‐grate pressure of clinker cooler by optimizing the proportional integral derivative controller parameters using honey badger algorithm technique | |
Garduno-Ramirez et al. | A multiobjective-optimal neuro-fuzzy extension to power plant co-ordinated control | |
Zhang et al. | Multi-Objective Optimization for Gas Distribution in Continuous Annealing Process | |
Jin-Yue et al. | Research on the non-linear function fitting of RBF neural network | |
CN113446621B (zh) | 一种热风炉空燃比滑模控制方法 | |
Zhang et al. | Fuzzy Control for Heat Recovery Systems of Cement Clinker Cooler | |
CN114637212B (zh) | 一种氧含量预测控制方法及系统 | |
CN114673982B (zh) | 一种基于混合智能优化算法的火力发电锅炉主汽温控制系统 | |
CN114415751A (zh) | 一种用于火电机组的主、再热汽温优化系统及方法 |
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 |