CN112859780A - 一种基于云数据、云计算的火电厂智慧燃烧控制方法 - Google Patents
一种基于云数据、云计算的火电厂智慧燃烧控制方法 Download PDFInfo
- Publication number
- CN112859780A CN112859780A CN202110020405.1A CN202110020405A CN112859780A CN 112859780 A CN112859780 A CN 112859780A CN 202110020405 A CN202110020405 A CN 202110020405A CN 112859780 A CN112859780 A CN 112859780A
- Authority
- CN
- China
- Prior art keywords
- data
- cloud
- nox concentration
- wall temperature
- neural network
- 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
- 238000002485 combustion reaction Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 31
- 239000003245 coal Substances 0.000 claims abstract description 27
- 238000005457 optimization Methods 0.000 claims abstract description 22
- 238000000513 principal component analysis Methods 0.000 claims abstract description 7
- 230000002159 abnormal effect Effects 0.000 claims abstract description 4
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 4
- 231100000719 pollutant Toxicity 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims abstract description 4
- 238000013528 artificial neural network Methods 0.000 claims description 32
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000012546 transfer Methods 0.000 claims description 7
- 239000000446 fuel Substances 0.000 claims description 6
- 230000002068 genetic effect Effects 0.000 claims description 6
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 5
- 229910052760 oxygen Inorganic materials 0.000 claims description 5
- 239000001301 oxygen Substances 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 230000010152 pollination Effects 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 2
- 238000012706 support-vector machine Methods 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 5
- 230000008859 change Effects 0.000 abstract description 5
- 238000010248 power generation Methods 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000000738 capillary electrophoresis-mass spectrometry Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004880 explosion Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000007175 bidirectional communication Effects 0.000 description 2
- 230000006854 communication Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000013021 overheating Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000012843 least square support vector machine Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41845—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by system universality, reconfigurability, modularity
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/33—Director till display
- G05B2219/33273—DCS distributed, decentralised controlsystem, multiprocessor
-
- 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)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Regulation And Control Of Combustion (AREA)
- Control Of Steam Boilers And Waste-Gas Boilers (AREA)
Abstract
一种基于云数据、云计算的火电厂智慧燃烧控制的方法,首先构建云数据库,对构建云数据库中的输入数据和输出数据进行异常值处理,然后进行主成分分析,采用主成分分析结果对换热面壁温预测模型、脱硝反应器入口NOx浓度分布预测模型和锅炉效率预测模型进行训练,将训练结果与的模型校准系统的数据进行比较,均方根误差在15%以内则根据一体化预测模型提供的换热面壁温预测值、NOx浓度预测值与锅炉效率预测值,通过智慧运行控制模块进行计算,得到最佳运行参数,实现锅炉燃烧及污染物生成的动态优化控制。本发明提高了锅炉效率和对煤种变化的适应性,NOx的平均排放量降低10%以上,实现发电效益的最大化。
Description
技术领域
本发明属于热工自动控制领域,涉及一种电站锅炉燃烧系统的优化运行技术,特别是涉及一种基于云数据、云计算的火电厂智慧燃烧控制方法。
背景技术
火电厂普遍采用燃烧调整试验优化运行,通过在不同负荷下开展燃烧实验,将锅炉效率和NOx作为优化目标,最优燃烧工况对应的操作变量保存至DCS设定模块中,从而对锅炉实际运行进行调控。然而,锅炉的负荷、入炉煤种、环境温度等边界条件的变化导致锅炉实际运行工况与试验工况相差较大,燃烧调整试验规律并不满足锅炉的实际运行需要。同时,人工控制时往往不能兼顾锅炉效率与NOx生成量;燃烧调整严重依赖人工经验,而人工的调整优化又不够精细;锅炉不能在调峰全负荷范围内始终保持最优状态运行;运行人员水平的差异也导致锅炉不能始终保持最优状态;市面上的运行优化系统多为离线指导系统而不能在线实时控制。
目前火电厂普遍采用了分散控制系统(DCS)进行控制,离智能控制还有一定差距。
由于锅炉炉膛内流场、燃烧化学反应的复杂性,众多运行参数之间存在着复杂的耦合关系,给锅炉燃烧的建模和优化带来极大困难。锅炉具有很大的时变特性,随着时间的推移以及锅炉运行工况的变化,锅炉燃烧过程的学习模型将会出现较大误差,离线建立的模型不能适应这种变化,从而导致模型失配。
有必要寻找一种新的方法来完成电站锅炉燃烧优化的模型预测控制问题,解决上述提到的两大难点,即在线实时建立较为准确的预测模型并获取实时最优控制量。
发明内容
针对上述现有技术存在的问题和不足,本发明的目的是提供了一种基于云数据、云计算的火电厂智慧燃烧控制方法。
为实现上述目的,本发明采用的技术方案为:
一种基于云数据、云计算的火电厂智慧燃烧控制的方法,包括如下步骤:
S1:构建云数据库,云数据库分为标杆数据库和原始数据库;原始数据库包括火电厂的DCS数据,将火电厂DCS数据分为输入数据和输出数据;
S2:对原始数据库中的输入数据和输出数据进行异常值处理,然后进行主成分分析,分别得到换热面壁温、NOx浓度、锅炉效率的前6~15个主成分,分别标记为换热面壁温主成分输入数据、NOx浓度主成分输入数据与锅炉效率主成分输入数据;
S3:构建一体化预测模型,一体化预测模型包括:换热面壁温预测模型、脱硝反应器入口NOx浓度分布预测模型和锅炉效率预测模型,分别采用步骤S2的换热面壁温主成分输入数据、NOx浓度主成分输入数据、锅炉效率主成分输入数据对换热面壁温预测模型、脱硝反应器入口NOx浓度分布预测模型和锅炉效率预测模型进行训练,得到换热面壁温预测值、NOx浓度预测值与锅炉效率预测值;
S4:建立模型校准系统,模型校准系统的数据包括:炉膛的多点壁温数据、脱硝入口烟道的网格法测得的NOx浓度数据与锅炉效率数据;
S5:将步骤S3得到的换热面壁温预测值、NOx浓度预测值、锅炉效率预测值与步骤S4的模型校准系统的数据进行比较,均方根误差在15%以内则满足要求,则进行步骤S6;如果不满足,返回步骤S2;
S6:将换热面壁温预测值、NOx浓度预测值、锅炉效率预测值与步骤S4的模型校准系统的数据,进行分类、存储在标杆数据库中;
S7:根据一体化预测模型提供的换热面壁温预测值、NOx浓度预测值与锅炉效率预测值,通过智慧运行控制模块进行计算,得到最佳运行参数,实现锅炉燃烧及污染物生成的动态优化控制。
本发明进一步的改进在于,步骤S1中,输入数据包括机组负荷、磨煤机的给煤量、锅炉给水量、给水温度、过热蒸汽温度、再热蒸汽温度、再热蒸汽压力、煤质参数、一次风量、二次风量、氧气浓度、燃烧温度、一次风温度、二次风温度、燃烧器摆角、燃料风门开度、二次风门开度、燃尽风门开度以及换热面壁温,输出数据包括换热面壁温、NOx浓度以及锅炉效率。
本发明进一步的改进在于,所述的煤质参数包括:实时入炉的煤种工业分析结果、元素分析结果、发热量和灰熔融特性数据中的一种或多种。
本发明进一步的改进在于,所述的NOx浓度包括网格法测试得到的脱硝A反应器入口NOx浓度分布与脱硝B反应器入口NOx浓度分布。
本发明进一步的改进在于,云数据库通过智能数据传输模块连接有云服务器。
本发明进一步的改进在于,步骤S3中,一体化预测模型采用径向基函数神经网络、BP神经网络、遗传算法神经网络、极限学习机、概率神经网络、广义回归神经网络、卷积神经网络、深度信念神经网络、循环神经网络、广义回归神经网络、基于粒子群的最小二乘支持向量机与蚁群优化算法神经网络中的一种或多种。
本发明进一步的改进在于,步骤S6中,通过智慧运行控制模块进行计算。
本发明进一步的改进在于,智慧运行控制模块采用蚁群算法、菌群算法、蛙跳算法、人工蜂群算法、花朵授粉算法、遗传算法、差分进化算法以及免疫算法中的一种或多种进行计算。
与现有技术相比,本发明具有的有益效果:
1)可实现三个目标:燃烧优化、降低NOx生成、有效监测与防止局部超温对水冷壁管的损伤、减少爆管事故发生。
2)动态测算燃烧参数当前是否偏离正常区间,自动调整燃烧参数或给运行人员优化燃烧的操作指导,减少了运行人员的工作量,降低了对运行人员的要求,提高了机组经济性。
3)结合云存储、云计算的技术,提供云平台来统一处理数据,完成异地协同和模拟计算,减少对硬件设备要求和投资费用。
4)主成分分析可以筛选出关键变量,可减少无用计算,提高计算效率,有效避免个别CEMS仪表故障引起错误预测、错误控制。
5)锅炉始终保持最优状态运行,提高了锅炉效率和对煤种变化的适应性,NOx的平均排放量降低10%以上,实现发电效益的最大化。
6)可用于离线的燃烧优化调整试验,也可用于在线的燃烧优化调整控制。
进一步的,在线学习神经网络模型能够根据电站锅炉燃烧过程非线性系统的时变特性,在线调整模型的结构和参数,辨识过程简单,可调参数少,泛化能力强。
附图说明
图1为本发明的智慧燃烧控制系统的流程图。
图2为本发明的NOx浓度分布预测模型的神经网络拓扑结构图。
图3为本发明的锅炉效率预测模型的神经网络拓扑结构图。
图4为本发明的换热面壁温预测模型的神经网络拓扑结构图。
具体实施方式
下面结合附图对本发明进行详细描述。
参见图1、图2、图3和图4,一种基于云数据、云计算的火电厂智慧燃烧控制的方法,步骤如下:
S1:构建云数据库,云数据库分为标杆数据库和原始数据库;原始数据库自动采集火电厂的DCS数据,并分为输入数据和输出数据;输入数据包括机组负荷、磨煤机的给煤量、锅炉给水量、给水温度、过热蒸汽温度、再热蒸汽温度、再热蒸汽压力、煤质参数、一次风量、二次风量、氧气浓度、燃烧温度、一次风温度、二次风温度、燃烧器摆角、燃料风门开度、二次风门开度、燃尽风门开度以及换热面壁温,输出数据包括换热面壁温、NOx浓度以及锅炉效率;
其中,所述的煤质参数包括以下一种或多种参数:实时入炉的煤种工业分析结果、元素分析结果、发热量和灰熔融特性数据;
所述的换热面壁温包括安装在锅炉炉膛不同位置的所有热电偶的数据;
所述的NOx浓度包括网格法测试得到的脱硝A反应器入口NOx浓度分布、脱硝B反应器入口NOx浓度分布;
所述的磨煤机的给煤量指所运行的每台磨煤机的给煤量;
所述的燃烧器摆角包括锅炉投运的所有燃烧器的摆角;
所述的燃料风门开度包括锅炉正常投运的所有的燃料风门的开度,二次风门开度包括锅炉正常投运的所有的二次风门的开度;
所述的燃尽风门开度包括锅炉正常投运的所有的燃尽风门的开度;
所述的氧气浓度、锅炉给水量、给水温度、过热蒸汽温度、再热蒸汽温度、再热蒸汽压力分别指火电厂炉膛内部或近炉膛出口的相应CEMS仪表的显示值,如果有多个测点,取平均值;
通过智能数据传输模块依据OPC、TCP/IP、Modbus等各种工业通讯协议,实现云数据库与DCS的双向通讯,通过智能数据传输模块实现云数据库与云服务器也可以无线双向通讯;借助智能数据传输模块实现将火电厂DCS数据远传到云端数据服务器中,使用户无需在现场即可实现随时随地通过任何智能设备或桌面客户端访问燃烧工艺过程的关键数据。
所述的智能数据传输模块可以为计算机。
S2:数据预处理系统对原始数据库中的输入数据和输出数据进行异常值处理,然后进行主成分分析,分别得到换热面壁温、NOx浓度、锅炉效率的前6~15个主成分,分别标记为换热面壁温主成分输入数据、NOx浓度主成分输入数据与锅炉效率主成分输入数据;
S3:构建一体化预测模型,一体化预测模型包括三个子模型:换热面壁温预测模型、脱硝反应器入口NOx浓度分布预测模型和锅炉效率预测模型,分别采用步骤S2的换热面壁温主成分输入数据、NOx浓度主成分输入数据、锅炉效率主成分输入数据对三个预测模型进行训练,得到换热面壁温预测值、NOx浓度预测值与锅炉效率预测值;一体化预测模型可采用但不限于云存储、云计算的方式,减少对硬件的要求;
一体化预测模型可以采用以下一种或多种组合:径向基函数神经网络、BP神经网络、遗传算法神经网络、极限学习机、概率神经网络、广义回归神经网络、卷积神经网络、深度信念神经网络、循环神经网络、广义回归神经网络、基于粒子群的最小二乘支持向量机、蚁群优化算法神经网络。
S4:采用标准仪器定期开展脱硝优化调整实验、燃烧优化调整实验,建立基于仪器测试的模型校准系统,模型校准系统的主要数据包括:炉膛的多点壁温数据、脱硝入口烟道的网格法测得的NOx浓度数据与锅炉效率数据。
S5:将步骤S3得到的换热面壁温预测值、NOx浓度预测值、锅炉效率预测值与同时段的步骤S4的模型校准系统的数据进行比较,均方根误差在15%以内可认为满足要求,则进行步骤S6;如果不满足,需对模型参数和样本数据进行更新,返回步骤S2;
S6:对换热面壁温预测值、NOx浓度预测值、锅炉效率预测值与同时段的步骤S4的模型校准系统的数据的均方根误差在15%的数据,按照一定规则自动或手动进行分类、存储在标杆数据库中备用,如不同煤种下的输入数据和输出数据、不同负荷下的输入数据和输出数据、机组冷态启动时的输入数据和输出数据、机组热态启动时的输入数据和输出数据、机组发生故障时的输入数据和输出数据、机组停机过程的输入数据和输出数据等;
S7:根据一体化预测模型的三个子模型提供的换热面壁温、NOx浓度、锅炉效率,通过智慧运行控制模块得到最佳运行参数;
智慧运行控制模块具备以下功能:1)根据实时的煤种和负荷,给出最佳的二次配风参数、燃烧器摆角、一次风量等运行参数,实现燃烧优化、降低NOx生成、避免受热面超温,2)动态测算燃烧参数当前是否偏离正常区间,实现换热面壁温超温早期预警,无需人工判断,并极大降低误报漏报率,3)结合锅炉效率和NOx生成浓度,开展成本预测分析、成本影响因素分析,以发电效益的最大化为导向自动调整燃烧参数,或给运行人员优化燃烧的操作指导。
智慧运行控制模块计算得到的最佳运行参数通过无线传输方式从云服务器传输到智能数据传输模块,智能数据传输模块可以将最佳运行参数纳入到DCS系统中进行自动优化调整或为运行人员提供参考,也可以采用独立于DCS的控制器进行控制,通过通信或硬线与DCS进行信号跟踪与控制权的切换,当智慧运行控制模块故障时,能够自动切换至DCS控制。
当某些CEMS仪表出现故障导致步骤S5的数据无法达到误差要求,智慧运行控制模块根据入炉的煤种和负荷,调取标杆数据库中的相同工况,给出最佳的锅炉给水量、给水温度、过热蒸汽温度、再热蒸汽温度、再热蒸汽压力、煤质参数、一次风量、二次风量、氧气浓度、燃烧温度、一次风温度、二次风温度、燃烧器摆角、燃料风门开度、二次风门开度、燃尽风门开度。
所述的智慧运行控制模块可以采用但不限于以下一种算法或多种组合算法:蚁群算法、菌群算法、蛙跳算法、人工蜂群算法、花朵授粉算法、遗传算法、差分进化算法以及免疫算法。
该方法基于准确的一体化预测模型,实时预测锅炉输出参数(换热面壁温、脱硝反应器入口NOx浓度分布、锅炉效率),从而优化控制参数,实现锅炉燃烧及污染物生成的动态优化控制,保证机组的经济、环保、安全运行。
锅炉燃烧过程中由于烟温偏差,会产生过热器、再热器管壁超温甚至爆管等问题,锅炉壁温分布状态能反映炉内温度场分布状态,进而反映燃烧过程优劣程度,基于此,建立换热面壁温特征模型。
本发明具有如下优点:
1)可实现三个目标:燃烧优化、降低NOx生成、有效监测与防止局部超温对水冷壁管的损伤、减少爆管事故发生;
2)动态测算燃烧参数当前是否偏离正常区间,自动调整燃烧参数或给运行人员优化燃烧的操作指导,减少了运行人员的工作量,降低了对运行人员的要求,提高了机组经济性;
3)在线学习神经网络模型能够根据电站锅炉燃烧过程非线性系统的时变特性,在线调整模型的结构和参数,辨识过程简单,可调参数少,泛化能力强;
4)结合云存储、云计算的技术,提供云平台来统一处理数据,完成异地协同和模拟计算,减少对硬件设备要求和投资费用;
5)主成分分析可以筛选出关键变量,可减少无用计算,提高计算效率,有效避免个别CEMS仪表故障引起错误预测、错误控制;
6)锅炉始终保持最优状态运行,提高了锅炉效率和对煤种变化的适应性,NOx的平均排放量降低10%以上,实现发电效益的最大化;
7)可用于离线的燃烧优化调整试验,也可用于在线的燃烧优化调整控制。
Claims (8)
1.一种基于云数据、云计算的火电厂智慧燃烧控制的方法,其特征在于,包括如下步骤:
S1:构建云数据库,云数据库分为标杆数据库和原始数据库;原始数据库包括火电厂的DCS数据,将火电厂DCS数据分为输入数据和输出数据;
S2:对原始数据库中的输入数据和输出数据进行异常值处理,然后进行主成分分析,分别得到换热面壁温、NOx浓度、锅炉效率的前6~15个主成分,分别标记为换热面壁温主成分输入数据、NOx浓度主成分输入数据与锅炉效率主成分输入数据;
S3:构建一体化预测模型,一体化预测模型包括:换热面壁温预测模型、脱硝反应器入口NOx浓度分布预测模型和锅炉效率预测模型,分别采用步骤S2的换热面壁温主成分输入数据、NOx浓度主成分输入数据、锅炉效率主成分输入数据对换热面壁温预测模型、脱硝反应器入口NOx浓度分布预测模型和锅炉效率预测模型进行训练,得到换热面壁温预测值、NOx浓度预测值与锅炉效率预测值;
S4:建立模型校准系统,模型校准系统的数据包括:炉膛的多点壁温数据、脱硝入口烟道的网格法测得的NOx浓度数据与锅炉效率数据;
S5:将步骤S3得到的换热面壁温预测值、NOx浓度预测值、锅炉效率预测值与步骤S4的模型校准系统的数据进行比较,均方根误差在15%以内则满足要求,则进行步骤S6;如果不满足,返回步骤S2;
S6:将换热面壁温预测值、NOx浓度预测值、锅炉效率预测值与步骤S4的模型校准系统的数据,进行分类、存储在标杆数据库中;
S7:根据一体化预测模型提供的换热面壁温预测值、NOx浓度预测值与锅炉效率预测值,进行计算,得到最佳运行参数,实现锅炉燃烧及污染物生成的动态优化控制。
2.根据权利要求1所述的一种基于云数据、云计算的火电厂智慧燃烧控制的方法,其特征在于,步骤S1中,输入数据包括机组负荷、磨煤机的给煤量、锅炉给水量、给水温度、过热蒸汽温度、再热蒸汽温度、再热蒸汽压力、煤质参数、一次风量、二次风量、氧气浓度、燃烧温度、一次风温度、二次风温度、燃烧器摆角、燃料风门开度、二次风门开度、燃尽风门开度以及换热面壁温,输出数据包括换热面壁温、NOx浓度以及锅炉效率。
3.根据权利要求2所述的一种基于云数据、云计算的火电厂智慧燃烧控制的方法,其特征在于,所述的煤质参数包括:实时入炉的煤种工业分析结果、元素分析结果、发热量和灰熔融特性数据中的一种或多种。
4.根据权利要求3所述的一种基于云数据、云计算的火电厂智慧燃烧控制的方法,其特征在于,所述的NOx浓度包括网格法测试得到的脱硝A反应器入口NOx浓度分布与脱硝B反应器入口NOx浓度分布。
5.根据权利要求1所述的一种基于云数据、云计算的火电厂智慧燃烧控制的方法,其特征在于,云数据库通过智能数据传输模块连接有云服务器。
6.根据权利要求1所述的一种基于云数据、云计算的火电厂智慧燃烧控制的方法,其特征在于,步骤S3中,一体化预测模型采用径向基函数神经网络、BP神经网络、遗传算法神经网络、极限学习机、概率神经网络、广义回归神经网络、卷积神经网络、深度信念神经网络、循环神经网络、广义回归神经网络、基于粒子群的最小二乘支持向量机与蚁群优化算法神经网络中的一种或多种。
7.根据权利要求1所述的一种基于云数据、云计算的火电厂智慧燃烧控制的方法,其特征在于,步骤S6中,通过智慧运行控制模块进行计算。
8.根据权利要求7所述的一种基于云数据、云计算的火电厂智慧燃烧控制的方法,其特征在于,智慧运行控制模块采用蚁群算法、菌群算法、蛙跳算法、人工蜂群算法、花朵授粉算法、遗传算法、差分进化算法以及免疫算法中的一种或多种进行计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110020405.1A CN112859780B (zh) | 2021-01-07 | 2021-01-07 | 一种基于云数据、云计算的火电厂智慧燃烧控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110020405.1A CN112859780B (zh) | 2021-01-07 | 2021-01-07 | 一种基于云数据、云计算的火电厂智慧燃烧控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112859780A true CN112859780A (zh) | 2021-05-28 |
CN112859780B CN112859780B (zh) | 2022-06-28 |
Family
ID=76005050
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110020405.1A Active CN112859780B (zh) | 2021-01-07 | 2021-01-07 | 一种基于云数据、云计算的火电厂智慧燃烧控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112859780B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113467392A (zh) * | 2021-06-18 | 2021-10-01 | 中国大唐集团科学技术研究院有限公司中南电力试验研究院 | 一种燃煤锅炉开环燃烧控制优化方法 |
CN113531581A (zh) * | 2021-06-11 | 2021-10-22 | 江苏未来智慧信息科技有限公司 | 一种未来智慧稳态燃烧智慧环保岛系统 |
CN114397814A (zh) * | 2021-12-06 | 2022-04-26 | 中国电建集团贵州电力设计研究院有限公司 | 一种基于bp神经网络的火电机组最佳运行参数寻找方法 |
CN114413247A (zh) * | 2022-01-14 | 2022-04-29 | 西安热工研究院有限公司 | 一种锅炉燃烧受热面超温监测及主动抑制系统 |
CN114779722A (zh) * | 2022-03-14 | 2022-07-22 | 上海发电设备成套设计研究院有限责任公司 | 一种用于燃煤电站锅炉的智慧燃烧优化控制系统及方法 |
CN117704349A (zh) * | 2024-01-02 | 2024-03-15 | 中国电力工程顾问集团有限公司 | 燃煤电厂锅炉低负荷水动力自适应调控方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120052450A1 (en) * | 2010-08-27 | 2012-03-01 | Alstom Technology Ltd | System and method for control and optimization of a pulverized coal boiler system |
CN104807039A (zh) * | 2015-04-23 | 2015-07-29 | 华北电力大学 | 一种锅炉燃烧优化的变量降维建模方法 |
CN105894109A (zh) * | 2016-03-31 | 2016-08-24 | 国网江西省电力科学研究院 | 一种火电机组锅炉混煤优化配煤方案获取方法 |
CN107657104A (zh) * | 2017-09-20 | 2018-02-02 | 浙江浙能台州第二发电有限责任公司 | 基于在线支持向量机的锅炉燃烧系统动态建模方法 |
WO2020025758A1 (en) * | 2018-08-03 | 2020-02-06 | Spirax-Sarco Limited | Calibration of a boiler |
CN110953074A (zh) * | 2018-09-27 | 2020-04-03 | 通用电气公司 | 气体涡轮燃烧的控制和调谐 |
CN111695249A (zh) * | 2020-05-29 | 2020-09-22 | 广东省特种设备检测研究院顺德检测院 | 一种燃气锅炉热效率的预测方法 |
-
2021
- 2021-01-07 CN CN202110020405.1A patent/CN112859780B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120052450A1 (en) * | 2010-08-27 | 2012-03-01 | Alstom Technology Ltd | System and method for control and optimization of a pulverized coal boiler system |
CN104807039A (zh) * | 2015-04-23 | 2015-07-29 | 华北电力大学 | 一种锅炉燃烧优化的变量降维建模方法 |
CN105894109A (zh) * | 2016-03-31 | 2016-08-24 | 国网江西省电力科学研究院 | 一种火电机组锅炉混煤优化配煤方案获取方法 |
CN107657104A (zh) * | 2017-09-20 | 2018-02-02 | 浙江浙能台州第二发电有限责任公司 | 基于在线支持向量机的锅炉燃烧系统动态建模方法 |
WO2020025758A1 (en) * | 2018-08-03 | 2020-02-06 | Spirax-Sarco Limited | Calibration of a boiler |
CN110953074A (zh) * | 2018-09-27 | 2020-04-03 | 通用电气公司 | 气体涡轮燃烧的控制和调谐 |
CN111695249A (zh) * | 2020-05-29 | 2020-09-22 | 广东省特种设备检测研究院顺德检测院 | 一种燃气锅炉热效率的预测方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113531581A (zh) * | 2021-06-11 | 2021-10-22 | 江苏未来智慧信息科技有限公司 | 一种未来智慧稳态燃烧智慧环保岛系统 |
CN113467392A (zh) * | 2021-06-18 | 2021-10-01 | 中国大唐集团科学技术研究院有限公司中南电力试验研究院 | 一种燃煤锅炉开环燃烧控制优化方法 |
CN113467392B (zh) * | 2021-06-18 | 2024-03-26 | 中国大唐集团科学技术研究院有限公司中南电力试验研究院 | 一种燃煤锅炉开环燃烧控制优化方法 |
CN114397814A (zh) * | 2021-12-06 | 2022-04-26 | 中国电建集团贵州电力设计研究院有限公司 | 一种基于bp神经网络的火电机组最佳运行参数寻找方法 |
CN114413247A (zh) * | 2022-01-14 | 2022-04-29 | 西安热工研究院有限公司 | 一种锅炉燃烧受热面超温监测及主动抑制系统 |
CN114779722A (zh) * | 2022-03-14 | 2022-07-22 | 上海发电设备成套设计研究院有限责任公司 | 一种用于燃煤电站锅炉的智慧燃烧优化控制系统及方法 |
CN117704349A (zh) * | 2024-01-02 | 2024-03-15 | 中国电力工程顾问集团有限公司 | 燃煤电厂锅炉低负荷水动力自适应调控方法及装置 |
CN117704349B (zh) * | 2024-01-02 | 2024-06-04 | 中国电力工程顾问集团有限公司 | 燃煤电厂锅炉低负荷水动力自适应调控方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112859780B (zh) | 2022-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112859780B (zh) | 一种基于云数据、云计算的火电厂智慧燃烧控制方法 | |
US11789417B2 (en) | Method for determining and tuning process characteristic parameters using a simulation system | |
CN103322547B (zh) | 一种锅炉控制与燃烧优化方法 | |
CN110486749B (zh) | 一种火电机组锅炉燃烧优化控制方法及系统 | |
CN103759277B (zh) | 燃煤电站锅炉智能吹灰闭环控制方法、装置和系统 | |
CN105955210B (zh) | 余热锅炉与工业锅炉联合发电系统的动态优化方法 | |
CN111396920A (zh) | 火电机组及其基于co测量的锅炉燃烧监测方法及系统 | |
CN113418207B (zh) | 一种电站炉膛燃烧监测诊断装置及方法 | |
CN112381210B (zh) | 一种燃煤机组水冷壁壁温预测神经网络模型 | |
CN112628712A (zh) | 一种基于风门阻力系数的二次风闭环优化控制系统 | |
CN108361683B (zh) | 一种全负荷段再热气温智能控制系统 | |
CN115685743A (zh) | 一种智能控制燃煤锅炉及其智能预测调控烟气排放方法 | |
CN103870877B (zh) | 一种基于神经网络的锅炉燃烧智能控制方法 | |
CN106949457B (zh) | 一种超临界锅炉屏式过热器超温控制系统及方法 | |
CN113418208A (zh) | 一种基于炉膛温度场的锅炉燃烧优化方法及系统 | |
CN112950409A (zh) | 煤气和蒸汽能源综合利用系统生产调度优化方法 | |
CN111855953A (zh) | 一种燃煤电站入炉煤发热量快速反馈方法及系统 | |
CN115657466A (zh) | 一种智能控制氨气输入量的锅炉系统 | |
CN114562713A (zh) | 发电锅炉主蒸汽温度控制方法及系统 | |
Tang et al. | Artificial neural networks model for predicting oxygen content in flue gas of power plant | |
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 | |
CN114779722B (zh) | 一种用于燃煤电站锅炉的智慧燃烧优化控制系统及方法 | |
Śladewski et al. | Close loop optimisation of large CHP based on approximation model | |
CN118466427A (zh) | 一种基于燃烧器工作状况的深度学习燃烧优化控制方法及系统 | |
CN213686786U (zh) | 基于壁温预测的燃煤机组屏式过热器超温控制系统 |
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 |