CN113177352A - 一种基于数值模拟和人工智能的锅炉燃烧优化系统及方法 - Google Patents
一种基于数值模拟和人工智能的锅炉燃烧优化系统及方法 Download PDFInfo
- Publication number
- CN113177352A CN113177352A CN202110370464.1A CN202110370464A CN113177352A CN 113177352 A CN113177352 A CN 113177352A CN 202110370464 A CN202110370464 A CN 202110370464A CN 113177352 A CN113177352 A CN 113177352A
- Authority
- CN
- China
- Prior art keywords
- data
- simulation
- optimization
- combustion
- real
- 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.)
- Pending
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 95
- 238000005457 optimization Methods 0.000 title claims abstract description 74
- 238000002485 combustion reaction Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 38
- 238000013523 data management Methods 0.000 claims abstract description 20
- 238000005516 engineering process Methods 0.000 claims abstract description 7
- 239000003245 coal Substances 0.000 claims description 19
- 238000012544 monitoring process Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 5
- 229910052760 oxygen Inorganic materials 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 4
- 238000009411 base construction Methods 0.000 claims description 4
- 230000008878 coupling Effects 0.000 claims description 4
- 238000010168 coupling process Methods 0.000 claims description 4
- 238000005859 coupling reaction Methods 0.000 claims description 4
- 239000001301 oxygen Substances 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 2
- 238000006243 chemical reaction Methods 0.000 description 6
- 239000002245 particle Substances 0.000 description 6
- 239000000446 fuel Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 229910052799 carbon Inorganic materials 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 238000000197 pyrolysis Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 240000004282 Grewia occidentalis Species 0.000 description 1
- 238000000540 analysis of variance Methods 0.000 description 1
- 239000002956 ash Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 239000002817 coal dust Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000010881 fly ash Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000013067 intermediate product Substances 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 229910052717 sulfur Inorganic materials 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Regulation And Control Of Combustion (AREA)
Abstract
本发明公开了一种基于数值模拟和人工智能的锅炉燃烧优化系统及方法，包括：数据采集模块：与DCS控制系统连接，用于采集DCS实时运行数据；模拟数据管理模块：利用数值模拟技术对DCS实时运行数据进行仿真获得燃烧设备的实时物理场信息；优化数据管理模块：将物理场信息和运行数据通过规则提取构建关联知识库，结合关联知识库及运行数据构建优化算法模型；显示模块：用于锅炉燃烧运行物理场信息及优化建议指令。本发明充分利用海量数据资源和数值模拟技术，提升燃烧设备自动化、智能化控制程度及快速适应负荷变化的能力，实现燃烧系统运行的精准化与协同化控制。
Description
技术领域
本发明涉及火力发电机组锅炉燃烧状态监测优化技术，具体涉及一种基于数值模拟和人工智能的锅炉燃烧优化系统及方法。
背景技术
随着世界各国的经济发展与社会进步，工业化水平持续提高，对能源的需求量越来越大，我国火电厂面临越来越大的压力。提高锅炉燃烧过程中的能量转换效率和系统运行水平，是能源生产节能减排的重要内容。由于燃料化学成分和组织结构的复杂性、设备内部燃料与气体两相湍流、传热传质、化学反应的强耦合特性，长期以来缺乏实时、准确和全面获取运行信息的方法，同时燃料本身的多变性也是影响能源转换设备经济运行的关键因素。
目前我国大部分燃烧设备的热工控制系统基本配置了分布式控制系统DCS)，用以实现设备运行过程中的监视和报警、数据采集、数据处理，实现机组的自动控制，保证设备的安全可靠运行。与此同时，现有的DCS系统随着机组的运行积累，并实时产生大量的运行数据，导致所积累的信息尚未能得到深度挖掘和利用。因此，亟需一种能够充分利用已有数据信息，根据负荷、煤质实时调整运行方式的方法，使锅炉燃烧能达到其最佳运行状态。
发明内容
为了克服现有技术存在的缺点与不足，本发明首要目的提供一种基于数值模拟和人工智能的锅炉燃烧优化系统；
本发明的次要目的是提供一种基于数值模拟和人工智能的锅炉燃烧优化方法。
本发明采用数值模拟方法的使用可提供燃烧物理场的详细信息，人工智能方法的使用充分利用了现有数据资源，通过燃烧优化系统使运行方式快速响应负荷、煤质变化，实现锅炉燃烧效率和排放的实时优化。
本发明采用如下技术方案：
一种基于数值模拟和人工智能的锅炉燃烧优化系统，包括：
数据采集模块：与DCS系统连接，用于采集DCS实时运行数据；
模拟数据管理模块：利用数值模拟技术对DCS实时运行数据进行仿真获得燃烧设备的实时物理场信息；
优化数据管理模块：将物理场信息和运行数据通过规则提取构建关联知识库，结合关联知识库及运行数据构建优化算法模型；
显示模块：用于显示锅炉燃烧运行物理场信息及优化建议指令。
进一步，所述模拟数据管理模块包括：
数据预处理单元：剔除实时运行数据中的“脏数据”，获得运行中用于反映实际运行状态的高质量数据，利用高质量数据通过数值模拟方法计算三维物理场的信息；
模拟数据库：用于存储三维物理场信息；
数据传输单元：提取模拟数据库中对应工况的模拟结果，传输至优化数据管理模块及显示模块。
进一步，所述优化数据管理模块，包括：
优化数据预处理单元：对模拟数据进行筛选获得有效数据，并得到有效数据参数，用于规则提取；
优化特征选择单元：选取具有理论关联性的监测信号变量，并对所提取的监测信号变量的重要程度进行排序，得到有效数据参数用于规则提取；
规则提取单元：通过聚类和关联算法提取有效数据参数之间的关联关系；
知识库构建单元：根据关联关系构建知识库，所述知识库反映燃烧参数之间的关联规则；
优化算法模型构建单元：提取知识库的相关参数作为优化算法模型的输入参数，耦合不同机器学习算法模型，结合实时数据得到不同工况条件下适合于不同优化目标的优化算法模型。
进一步，所述物理场包括速度场、温度场及浓度场。
进一步，所述模拟数据库分为两个层级结构，其中第一层为模拟数据索引表，第二层为模拟结果数据表，所述模拟数据索引表用于与现场运行工况进行匹配，从而检索出相应工况的模拟结果数据；所述模拟结果数据表用于存放不同工况模拟数据。
一种基于数值模拟和人工智能的锅炉燃烧优化方法，包括：
采集DCS系统实时运行数据；
采用数值模拟方法对对DCS实时运行数据进行处理获取燃烧设备的实时物理场的模拟数据信息；
将模拟数据信息和运行数据通过规则提取构建关联知识库，结合关联知识库及运行数据构建优化算法模型；
在优化算法模型中进行锅炉燃烧运行方式的优化，得到最优运行方式；
显示锅炉燃烧物理场信息及最优运行方式。
进一步，采用数值模拟方法对对DCS实时运行数据进行处理获取燃烧设备的实时物理场的模拟数据信息，具体为：
根据锅炉结构参数，构建锅炉物理模型，采用数值模拟方法对炉内燃烧过程进行模拟，获得模拟数据信息；数值模拟计算时，针对不同负荷、煤质、氧量、给煤方式和配风方式进行模拟，得到相应的物理场信息，并通过热力计算得到锅炉效率。
进一步，最优运行方式包括磨煤机运行方式、配风方式、给水方式及燃烧器摆角运行方式。
一种存储介质，存储有程序，所述程序被处理器执行时，用于所述的方法。
本发明的有益效果：
本发明提出基于数值模拟和人工智能方法的锅炉燃烧优化，结合数值模拟方法和人工智能方法对锅炉燃烧特性进行深入分析，获得工况参数对设备燃烧影响的内在规律及行为机理，构建关联知识库。
本发明通过人工智能方法构建基于多信息融合的具备不同适应性的优化算法模型库，发展适合于锅炉燃烧设备特性的优化方法，有效提高机组能源利用效率和运行水平，降低机组燃料消耗量，实现从源头减少污染物的排放，整体社会效益明显。
本发明可推广到石化、冶金、建材等流程工业过程系统设备的智能运行优化。
附图说明
图1是本发明系统结构图；
图2是本发明锅炉燃烧优化总流程图；
图3是本发明锅炉燃烧优化系统知识库构建技术路线图；
图4是本发明优化算法模型库构建技术路线图；
图5是本发明锅炉燃烧优化反馈控制路线图。
具体实施方式
下面结合实施例及附图，对本发明作进一步地详细说明，但本发明的实施方式不限于此。
实施例
如图1及图2所示，一种基于数值模拟和人工智能的锅炉燃烧优化系统，包括数据采集模块、模拟数据管理模块、优化数据管理模块及显示模块。
数据采集模块：与DCS系统连接，用于实时采集DCS系统的实时运行数据；
模拟数据管理模块：利用数值模拟技术对DCS系统实时运行数据进行仿真获得燃烧设备的实时物理场信息，所述实时物理场为速度场、温度场及浓度场。
其中，数值模拟技术是CFD，CFD是一种仿真计算方法，其中燃烧模拟具体采用的模型如下：
四角切圆锅炉炉内的流动已接近于强旋流动的范围，故使用带有旋流修正的k-ε模型，即Realizable k-ε模型。煤粉颗粒的粒度分布描述方法主要有对数正态分布和rosin-rammler分布。因为煤粉颗粒是一个分布范围很宽的颗粒群，故使用rosin-rammler方法来描述煤粉颗粒粒度的分布。
煤粉在炉内的运动轨迹采用离散相模型确定并采用随机轨道模型跟踪(stochastic tracking model)。
煤粉是一种成分、结构复杂的混合物，挥发分析出也是一个十分复杂的过程，包括许多不稳定的中间产物和最终稳定的热解产物。挥发分析出分为定挥发速率模型、单反应模型、双平行竞争模型及多步平行反应模型四大类。本模拟中挥发分的析出模型采用双竞争反应热解模型，该模型计算简单，对于工业应用具有较好精度。
进一步，模拟数据管理模块，包括：
数据预处理单元：剔除实时运行数据中的“脏数据”，获得运行中用于反映实际运行状态的高质量数据，利用高质量数据通过数值模拟方法计算三维物理场的信息。
所述高质量数据指能真实反映锅炉正常运行的数据，包括涉及锅炉燃烧竖直模拟的所有运行数据和煤质信息。
模拟数据库：用于存储三维数据场信息；所述模拟数据库用于存放各个工况的数值模拟计算结果，模拟数据库分为两个层级结构，其中第一层为模拟数据索引表，第二层为模拟结果数据表，所述模拟数据索引表用于与现场运行工况进行匹配，从而检索出相应工况的模拟结果数据；所述模拟结果数据表用于存放不同工况模拟数据。
数据传输单元：提取模拟数据库中对应工况的模拟结果，传输至优化数据管理模块及显示模块。
优化数据管理模块，将物理场信息和运行数据通过规则提取构建关联知识库，结合关联知识库及运行数据构建优化算法模型，对实时运行数据进行计算获得实时运行最优方式，使锅炉燃烧能达到其最佳运行状态。
所述优化数据管理模块，进一步包括：
优化数据预处理单元：对模拟数据进行筛选获得有效数据，并得到有效数据参数，用于规则提取；
优化特征选择单元：通过特征选择方法如ANOVA、RFE和Tree-based FeatureSelection选取具有理论关联性的监测信号变量，并对所提取的监测信号变量的重要程度进行合理排序，进而得到有效数据参数用于规则提取。
进一步，监测信号变量包括负荷、排烟温度、环境温度、给水量、给水温度、入炉总燃料量、给煤机开度值5个、总空气量、总一次风量、总二次风量、燃烧器摆角4个、一次风挡板开度值5个、二次风挡板开度值7个、燃尽风挡板开度值2个、一次风总风压、煤质参数(发热量、水分、灰分、挥发分、飞灰含碳量、炉渣含碳量、C、H、O、N、S)、省煤器出口氧量、炉膛与风箱差压测点的平均值。
规则提取单元：通过聚类和关联算法提取出操作、状态、性能等有效数据参数之间的可靠、稳定并可解释的关联关系，获得蕴含在内部的运行规律，所提取的含规则数据将用于构建知识库。
进一步，此处的关联算法主要指Apriori算法。相关参数具体指有效的模拟特征参数和重要性排序靠前的监测变量参数。
知识库构建单元：根据关联关系构建知识库，所述知识库反应燃烧参数之间的关联规则，为燃烧优化提供建模依据。
优化算法模型构建单元：提取知识库的相关参数作为优化算法模型的输入参数，耦合不同机器学习算法模型，结合实时数据得到不同工况条件下适合于不同优化目标的优化算法模型。
显示模块，用于锅炉燃烧运行物理场信息及优化建议指令。
实施例2
一种基于数值模拟和人工智能的锅炉燃烧优化方法，包括如下步骤：
(1)根据锅炉结构参数，构建锅炉物理模型，采用数值模拟方法对炉内燃烧过程进行模拟，获得模拟数据结果。
数值模拟计算时，针对不同负荷、煤质、氧量、给煤和配风方式等运行组合方式进行模拟，得到相应的物理场信息，并通过热力计算得到锅炉效率。
(2)通过特征选择和规则提取构建知识库，知识库内存储了运行操作、状态、性能等有效数据参数之间的可靠、稳定并可解释的关联关系。
如图3所示，知识库的搭建包含如下内容：数值模拟、特征选择、规则提取。通过数值模拟获得可实时反映燃烧工况的温度、组分浓度等物理场信息；通过特征选择选取获得具有理论关联性的有效监测信号变量；通过规则提取获得操作、状态、性能等数据之间的对应关系及蕴含在内部的运行规律。
(3)以知识库提供的监测信号变量作为优化算法模型的输入参数，以锅炉效率和污染物生成量为评估目标(输出参数)，耦合不同的机器学习算法模型，建立不同工况条件下适合于不同优化目标的算法模型库。
如图4所示，在构建优化算法模型库时，通过对比不同输入参数对输出值的敏感性，揭示其内在规律及行为机理，获取不同的机器学习算法在设备优化运用中的适应性。结合DCS运行数据库中的实时数据对模型进行检验，对不满足精度要求的模型进行修正，通过系统新样本数据进行试验，当满足精度要求时，更新模型库，进而得到不同工况条件下适合于不同优化目标的算法模型库。
(4)优化数据管理模块从DCS控制系统接口读取实时运行数据，利用优化算法模型库进行寻优，得到此刻工况下最优运行方式。
如图5所示，从燃烧设备DCS系统提取运行参数，经过有效性检验、预处理后筛选出有效的运行参数，结合所构建的基于数值模拟和人工智能的优化算法模型，对模型进行有效判断，模型检验满足精度后进入到在线优化计算阶段，若不满足精度，重新调用模型进行离线模型库规则更新，采用遗传算法、进化策略、强化学习等主流寻优算法，在系统模型与判据模型基础上，求解全局最优操作量，通过优化计算对现有运行状态进行优化调整，反馈给DCS系统执行相关元件的控制。
(5)建立显示界面以保证运行人员对燃烧优化系统的监视和控制。通过显示谋爱，机组运行人员可以手动更新或自动更新优化算法模型。另外，运行人员还可以通过选择手动优化或自动优化模式，控制运行优化的方式，手动方式是通过开环指导的形式将推荐优化运行方式显示在界面上，由运行人员手动调节。自动方式可以通过控制系统直接调节运行方式，实现优化系统的闭环调节。
所述最优最优运行方式包含磨煤机运行方式、配风方式、给水方式、燃烧器摆角运行方式等。
实施例3
一种存储介质，用于存储如实施例2所述的优化方法。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受所述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (9)
1.一种基于数值模拟和人工智能的锅炉燃烧优化系统，其特征在于，包括：
数据采集模块：与DCS系统连接，用于采集DCS实时运行数据；
模拟数据管理模块：利用数值模拟技术对DCS实时运行数据进行仿真获得燃烧设备的实时物理场信息；
优化数据管理模块：将物理场信息和运行数据通过规则提取构建关联知识库，结合关联知识库及运行数据构建优化算法模型；
显示模块：用于显示锅炉燃烧运行物理场信息及优化建议指令。
2.根据权利要求1所述的锅炉燃烧优化系统，其特征在于，所述模拟数据管理模块包括：
数据预处理单元：剔除实时运行数据中的“脏数据”，获得运行中用于反映实际运行状态的高质量数据，利用高质量数据通过数值模拟方法计算三维物理场的信息；
模拟数据库：用于存储三维物理场信息；
数据传输单元：提取模拟数据库中对应工况的模拟结果，传输至优化数据管理模块及显示模块。
3.根据权利要求1所述的锅炉燃烧优化系统，其特征在于，所述优化数据管理模块，包括：
优化数据预处理单元：对模拟数据进行筛选获得有效数据，并得到有效数据参数，用于规则提取；
优化特征选择单元：选取具有理论关联性的监测信号变量，并对所提取的监测信号变量的重要程度进行排序，得到有效数据参数用于规则提取；
规则提取单元：通过聚类和关联算法提取有效数据参数之间的关联关系；
知识库构建单元：根据关联关系构建知识库，所述知识库反映燃烧参数之间的关联规则；
优化算法模型构建单元：提取知识库的相关参数作为优化算法模型的输入参数，耦合不同机器学习算法模型，结合实时数据得到不同工况条件下适合于不同优化目标的优化算法模型。
4.根据权利要求1所述的锅炉燃烧优化系统，其特征在于，所述物理场包括速度场、温度场及浓度场。
5.根据权利要求1所述的锅炉燃烧优化系统，其特征在于，所述模拟数据库分为两个层级结构，其中第一层为模拟数据索引表，第二层为模拟结果数据表，所述模拟数据索引表用于与现场运行工况进行匹配，从而检索出相应工况的模拟结果数据；所述模拟结果数据表用于存放不同工况模拟数据。
6.一种基于权利要求1-5任一项所述的锅炉燃烧优化系统的方法，其特征在于，包括：
采集DCS系统实时运行数据；
采用数值模拟方法对对DCS实时运行数据进行处理获取燃烧设备的实时物理场的模拟数据信息；
将模拟数据信息和运行数据通过规则提取构建关联知识库，结合关联知识库及运行数据构建优化算法模型；
在优化算法模型中进行锅炉燃烧运行方式的优化，得到最优运行方式；
显示锅炉燃烧物理场信息及最优运行方式。
7.根据权利要求6所述的方法，其特征在于，采用数值模拟方法对对DCS实时运行数据进行处理获取燃烧设备的实时物理场的模拟数据信息，具体为：
根据锅炉结构参数，构建锅炉物理模型，采用数值模拟方法对炉内燃烧过程进行模拟，获得模拟数据信息；数值模拟计算时，针对不同负荷、煤质、氧量、给煤方式和配风方式进行模拟，得到相应的物理场信息，并通过热力计算得到锅炉效率。
8.根据权利要求5所述的方法，其特征在于，最优运行方式包括磨煤机运行方式、配风方式、给水方式及燃烧器摆角运行方式。
9.一种存储介质，存储有程序，其特征在于，所述程序被处理器执行时，用于实现权利要求6-8任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110370464.1A CN113177352A (zh) | 2021-04-07 | 2021-04-07 | 一种基于数值模拟和人工智能的锅炉燃烧优化系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110370464.1A CN113177352A (zh) | 2021-04-07 | 2021-04-07 | 一种基于数值模拟和人工智能的锅炉燃烧优化系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113177352A true CN113177352A (zh) | 2021-07-27 |
Family
ID=76923146
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110370464.1A Pending CN113177352A (zh) | 2021-04-07 | 2021-04-07 | 一种基于数值模拟和人工智能的锅炉燃烧优化系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113177352A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114046493A (zh) * | 2021-11-02 | 2022-02-15 | 国家能源集团华北电力有限公司廊坊热电厂 | 一种锅炉燃烧优化系统及终端 |
| CN114218766A (zh) * | 2021-11-29 | 2022-03-22 | 中国电建集团成都勘测设计研究院有限公司 | 炉内三维物理场在线可视化方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030021461A1 (en) * | 1999-12-14 | 2003-01-30 | George Kychakoff | Sensing system for detection and control of deposition on pendant tubes in recovery and power boilers |
| CN103939940A (zh) * | 2014-04-04 | 2014-07-23 | 青岛科技大学 | 锅炉优化燃烧与在线能效评测系统 |
| CN104534507A (zh) * | 2014-11-18 | 2015-04-22 | 华北电力大学（保定） | 一种锅炉燃烧优化控制方法 |
| 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 |
| CN110397951A (zh) * | 2019-08-01 | 2019-11-01 | 广州发展集团股份有限公司 | 一种基于数据驱动及智能算法的锅炉燃烧优化系统、方法和装置 |
| CN110410819A (zh) * | 2019-08-05 | 2019-11-05 | 东南大学 | 燃煤锅炉燃烧动力场快速计算和实时显示系统及计算方法 |
| US20200175435A1 (en) * | 2018-11-30 | 2020-06-04 | Doosan Heavy Industries & Construction Co., Ltd. | System and method for optimizing combustion of boiler |
| CN111723456A (zh) * | 2020-05-08 | 2020-09-29 | 华南理工大学 | 一种基于nsga-ⅱ算法的中央空调系统能效优化方法 |
-
2021
- 2021-04-07 CN CN202110370464.1A patent/CN113177352A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030021461A1 (en) * | 1999-12-14 | 2003-01-30 | George Kychakoff | Sensing system for detection and control of deposition on pendant tubes in recovery and power boilers |
| CN103939940A (zh) * | 2014-04-04 | 2014-07-23 | 青岛科技大学 | 锅炉优化燃烧与在线能效评测系统 |
| CN104534507A (zh) * | 2014-11-18 | 2015-04-22 | 华北电力大学（保定） | 一种锅炉燃烧优化控制方法 |
| 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 |
| US20200175435A1 (en) * | 2018-11-30 | 2020-06-04 | Doosan Heavy Industries & Construction Co., Ltd. | System and method for optimizing combustion of boiler |
| CN110397951A (zh) * | 2019-08-01 | 2019-11-01 | 广州发展集团股份有限公司 | 一种基于数据驱动及智能算法的锅炉燃烧优化系统、方法和装置 |
| CN110410819A (zh) * | 2019-08-05 | 2019-11-05 | 东南大学 | 燃煤锅炉燃烧动力场快速计算和实时显示系统及计算方法 |
| CN111723456A (zh) * | 2020-05-08 | 2020-09-29 | 华南理工大学 | 一种基于nsga-ⅱ算法的中央空调系统能效优化方法 |
Non-Patent Citations (5)
| Title |
|---|
| YAO, SHUNCHUN ET AL.: "Improving the LIBS Quantitative Analysis of Unburned Carbon in Fly Ash Based on the Optimization of Reference Value", 《ENERGY & FUELS》 * |
| 刘定平等: "电站锅炉高效低污染燃烧优化控制系统设计", 《电力自动化设备》 * |
| 刘海峰: "电站燃煤锅炉燃烧优化系统研究", 《中国优秀博硕士学位论文全文数据库（硕士）工程科技II辑》 * |
| 周亮: "船舶燃油锅炉模拟器的软件设计", 《中国优秀博硕士学位论文全文数据库（硕士）信息科技辑》 * |
| 林曦阳等: "电站锅炉仿真平台构建及验证", 《工业炉》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114046493A (zh) * | 2021-11-02 | 2022-02-15 | 国家能源集团华北电力有限公司廊坊热电厂 | 一种锅炉燃烧优化系统及终端 |
| CN114218766A (zh) * | 2021-11-29 | 2022-03-22 | 中国电建集团成都勘测设计研究院有限公司 | 炉内三维物理场在线可视化方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xia et al. | Dioxin emission prediction based on improved deep forest regression for municipal solid waste incineration process | |
| CN110486749B (zh) | 一种火电机组锅炉燃烧优化控制方法及系统 | |
| CN104534507B (zh) | 一种锅炉燃烧优化控制方法 | |
| CN107016455B (zh) | 循环流化床生活垃圾焚烧锅炉炉膛出口烟气含氧量的预测系统及方法 | |
| CN105974793B (zh) | 一种电站锅炉燃烧智能控制方法 | |
| WO2020192166A1 (zh) | 一种城市固废焚烧过程二噁英排放浓度软测量方法 | |
| CN105864797B (zh) | 循环流化床生活垃圾焚烧锅炉入炉热值实时预测系统及方法 | |
| 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 | |
| CN107726358A (zh) | 基于cfd数值模拟和智能建模的锅炉燃烧优化系统及方法 | |
| CN106019935B (zh) | 基于约束模糊关联规则的多目标锅炉燃烧优化 | |
| CN113177352A (zh) | 一种基于数值模拟和人工智能的锅炉燃烧优化系统及方法 | |
| CN110263452B (zh) | 一种烟道内烟气时间分布特性分析方法、系统及脱硝系统 | |
| CN101498457A (zh) | 一种锅炉燃烧优化的方法 | |
| CN111461355A (zh) | 基于随机森林的二噁英排放浓度迁移学习预测方法 | |
| CN110991756B (zh) | 基于ts模糊神经网络的mswi炉膛温度预测方法 | |
| KR20210029807A (ko) | 보일러 석탄 절약 제어 방법 | |
| CN111623369B (zh) | 一种利用烟气含氧量信号调节锅炉入炉燃料量的控制方法 | |
| CN102750424B (zh) | 一种生物质炉燃烧优化的方法 | |
| CN115145152A (zh) | 一种锅炉燃烧与脱硝过程协同优化控制的方法 | |
| CN110260356A (zh) | 一种流化床锅炉的节能控制方法 | |
| CN116085823A (zh) | 锅炉燃烧控制方法及系统 | |
| 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 | |
| CN105808945B (zh) | 一种混合智能锅炉效率燃烧优化方法 | |
| Ding et al. | Event-triggered fuzzy neural multivariable control for a municipal solid waste incineration process | |
| CN113887130B (zh) | 一种基于集成学习的工业锅炉运行优化方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210727 |