CN113533622A - 一种基于神经网络的磨煤机煤质预测方法 - Google Patents

一种基于神经网络的磨煤机煤质预测方法 Download PDF

Info

Publication number
CN113533622A
CN113533622A CN202110815569.3A CN202110815569A CN113533622A CN 113533622 A CN113533622 A CN 113533622A CN 202110815569 A CN202110815569 A CN 202110815569A CN 113533622 A CN113533622 A CN 113533622A
Authority
CN
China
Prior art keywords
coal
coal mill
mill
neural network
layer
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
Application number
CN202110815569.3A
Other languages
English (en)
Inventor
周立仁
陈思勤
陈慕欧
孙天逸
钟秀敏
王学海
陈佳伟
陈慧贤
郭建辉
黄春艳
吴善森
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Shidongkou Second Power Plant of Huaneng Power International Inc
Original Assignee
Shanghai Shidongkou Second Power Plant of Huaneng Power International Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Shidongkou Second Power Plant of Huaneng Power International Inc filed Critical Shanghai Shidongkou Second Power Plant of Huaneng Power International Inc
Priority to CN202110815569.3A priority Critical patent/CN113533622A/zh
Publication of CN113533622A publication Critical patent/CN113533622A/zh
Priority to US17/702,803 priority patent/US20230016291A1/en
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N31/00—Investigating or analysing non-biological materials by the use of the chemical methods specified in the subgroup; Apparatus specially adapted for such methods
    • G01N31/12—Investigating or analysing non-biological materials by the use of the chemical methods specified in the subgroup; Apparatus specially adapted for such methods using combustion
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • 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
    • 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
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Accounting & Taxation (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Disintegrating Or Milling (AREA)

Abstract

本发明公开了一种基于神经网络的磨煤机煤质预测方法，包括，根据磨煤机运行和锅炉燃烧机理对采集的磨煤机数据进行分析、整理和清洗；基于神经网络多层感知机建立预测模型，导入清洗后的所述磨煤机数据进行模型训练；将训练好的所述预测模型与DCS系统实时连接，在线计算磨煤机运行煤种，根据计算结果判断磨煤机实时运行煤质。本发明方法利用大数据分析神经网络多层感知机对大量的煤种运行参数进行分析建模，能够准确分析出各参数对煤种成分(热值、水分、挥发分、灰分、硫分)的影响权重，精确计算出磨煤机当前运行煤种成分，无需投入大量硬件和软件改造设备，安装系统，省时省力。

Description

一种基于神经网络的磨煤机煤质预测方法
技术领域
本发明涉及大数据分析和磨煤机煤质计算的技术领域，尤其涉及一种基于神经网络的磨煤机煤质预测方法。
背景技术
火电厂由于经济运行的需求,均采用配煤掺烧的方法进行锅炉燃烧,每台磨煤机配烧的煤种都有可能不同,同一台磨煤机通常每8个小时会更换煤种,这就对磨煤机设备安全和运行及锅炉燃烧和调整带来很大的困难,主要是因为煤质的不确定性引起,煤质变化而运行调整操作不变,极易产生爆燃、超温、锅炉结焦、调节滞后等问题。
在线煤质分析仪通常用核技术、激光、次红外等技术进行探测分析，每种技术各有利弊。有的种、煤检测指标少，受环境、煤流高低等因素影响较大，实测精度较低，实际推广效果不好；有的探测仪必须装有中子放射源，存在放射性安全风险；有的分析仪体积庞大，现场安装不便，检测滞后等。普遍的问题都是价格不菲(如要实时检测磨煤机煤种，需要在每台給煤机上装一台测量装置，按6台计算，价格近千万元)，同时需要费时费力安装，一般都不是很实用。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题，提出了本发明。
因此，本发明提供了一种基于神经网络的磨煤机煤质预测方法，能够解决磨煤机煤质预测不准确、机器安装更换经济费用昂贵的问题。
为解决上述技术问题，本发明提供如下技术方案：包括，根据磨煤机运行和锅炉燃烧机理对采集的磨煤机数据进行分析、整理和清洗；基于神经网络多层感知机建立预测模型，导入清洗后的所述磨煤机数据进行模型训练；将训练好的所述预测模型与DCS系统实时连接，在线计算磨煤机运行煤种，根据计算结果判断磨煤机实时运行煤质。
作为本发明所述的基于神经网络的磨煤机煤质预测方法的一种优选方案，其中：所述神经网络多层感知机包括，第一层、第二层和第三层；所述第一层包括，输入层；所述第二层包括，两层隐藏层；所述第三层包括，输出层。
作为本发明所述的基于神经网络的磨煤机煤质预测方法的一种优选方案，其中：所述预测模型包括，
Z2＝XW1
a2＝tanh(z2)
z3＝a2w2
其中，
Figure BDA0003169906800000021
Figure BDA0003169906800000022
Figure BDA0003169906800000023
Figure BDA0003169906800000024
Figure BDA0003169906800000025
Figure BDA0003169906800000026
作为本发明所述的基于神经网络的磨煤机煤质预测方法的一种优选方案，其中：还包括，
a3＝Relu(z3)
z4＝a3W3
Y＝sigmoid(z4)
其中，
Figure BDA0003169906800000027
Figure BDA0003169906800000028
Figure BDA0003169906800000029
Figure BDA00031699068000000210
作为本发明所述的基于神经网络的磨煤机煤质预测方法的一种优选方案，其中：所述第一层、所述第二层和所述第三层均包括激活函数；所述第一层的激活函数包括，双区正切函数；所述第二层的激活函数包括，Relu函数；所述第三层的激活函数包括，Sigmoid函数。
作为本发明所述的基于神经网络的磨煤机煤质预测方法的一种优选方案，其中：包括，利用接口实时获取所述DCS系统中的运行参数；基于Python语言编程训练完成的所述预测模型，在所述DCS系统中外挂一台计算机，将编程好的所述预测模型的运行代码导入所述计算机中；通过接口与所述DCS系统通讯，实时读取所述预测模型汇总所需的运行参数，并将实时计算出的当前磨煤机运行煤质回写至所述DCS系统中。
作为本发明所述的基于神经网络的磨煤机煤质预测方法的一种优选方案，其中：所述运行参数包括，给煤机的煤量反馈、磨煤机的一次风进口温度、磨煤机的进口风量、磨煤机的进口风压、磨煤机至锅炉1角进口风速、磨煤机至锅炉2角进口风速、磨煤机至锅炉3角进口风速、磨煤机至锅炉4角进口风速、磨煤机磨碗差压、磨煤机石子煤落料管温度和磨煤机电流。
作为本发明所述的基于神经网络的磨煤机煤质预测方法的一种优选方案，其中：还包括，磨煤机煤粉一次风管壁温度1、磨煤机煤粉一次风管壁温度2、磨煤机煤粉一次风管壁温度3、磨煤机煤粉一次风管壁温度4、磨煤机热一次风调节挡板阀位、磨煤机旋转分离器速度反馈、磨煤机旋转分离器电流、磨煤机出口风粉温度、磨煤机出口风粉压力1、磨煤机出口风粉压力2、磨煤机冷一次风调节挡板阀位、密封风磨碗差压、总风量、总燃料量、发电机有功功率和凝汽器进口循环水温度。
作为本发明所述的基于神经网络的磨煤机煤质预测方法的一种优选方案，其中：所述运行参数即为分析、整理清洗后的所述磨煤机数据；根据加仓煤种和所述运行参数，人工判断出磨煤机当前运行每一种煤种的时间并整理出50至100种煤种；将所述运行参数根据整理出的时间段导出，进行时标对齐差值计算，并标注相应煤种的热值、水分、挥发分、灰分、硫分。
本发明的有益效果：本发明方法利用大数据分析神经网络多层感知机对大量的煤种运行参数进行分析建模，能够准确分析出各参数对煤种成分(热值、水分、挥发分、灰分、硫分)的影响权重，精确计算出磨煤机当前运行煤种成分，无需投入大量硬件和软件改造设备，安装系统，省时省力；另一方面，本发明计算出磨煤机当前运行煤种成分后，能根据煤种变化信息迅速改变控制策略，预防磨煤机爆燃，锅炉结焦、超温和环保超标，大大提高了机组安全、经济、环保性能，为打造“智慧电厂”奠定基础。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明一个实施例所述的基于神经网络的磨煤机煤质预测方法的流程示意图；
图2为本发明一个实施例所述的基于神经网络的磨煤机煤质预测方法的神经网络多层感知机网络拓扑结构示意图；
图3为本发明一个实施例所述的基于神经网络的磨煤机煤质预测方法的隐藏层节点示意图；
图4为本发明一个实施例所述的基于神经网络的磨煤机煤质预测方法的双区正切函数示意图；
图5为本发明一个实施例所述的基于神经网络的磨煤机煤质预测方法的Relu函数示意图；
图6为本发明一个实施例所述的基于神经网络的磨煤机煤质预测方法的Sigmoid函数示意图；
图7为本发明一个实施例所述的基于神经网络的磨煤机煤质预测方法的个案处理摘要数据示意图；
图8为本发明一个实施例所述的基于神经网络的磨煤机煤质预测方法的模型处理摘要中因变量为灰分的示意图；
图9为本发明一个实施例所述的基于神经网络的磨煤机煤质预测方法的模型处理摘要中因变量为挥发分的示意图；
图10为本发明一个实施例所述的基于神经网络的磨煤机煤质预测方法的模型处理摘要中因变量为热值的示意图；
图11为本发明一个实施例所述的基于神经网络的磨煤机煤质预测方法的模型处理摘要中因变量为水分的示意图；
图12为本发明一个实施例所述的基于神经网络的磨煤机煤质预测方法的模型描述数据示意图；
图13为本发明一个实施例所述的基于神经网络的磨煤机煤质预测方法的又一种个案处理摘要数据示意图；
图14为本发明一个实施例所述的基于神经网络的磨煤机煤质预测方法的估算的分布参数示意图；
图15为本发明一个实施例所述的基于神经网络的磨煤机煤质预测方法的热值预测的正态P-P示意图；
图16为本发明一个实施例所述的基于神经网络的磨煤机煤质预测方法的热值预测的去趋势正态P-P示意图；
图17为本发明一个实施例所述的基于神经网络的磨煤机煤质预测方法的水分预测的正态P-P示意图；
图18为本发明一个实施例所述的基于神经网络的磨煤机煤质预测方法的水分预测的去趋势正态P-P示意图；
图19为本发明一个实施例所述的基于神经网络的磨煤机煤质预测方法的挥发分预测的正态P-P示意图；
图20为本发明一个实施例所述的基于神经网络的磨煤机煤质预测方法的挥发分预测的去趋势正态P-P示意图；
图21为本发明一个实施例所述的基于神经网络的磨煤机煤质预测方法的灰分预测的正态P-P示意图；
图22为本发明一个实施例所述的基于神经网络的磨煤机煤质预测方法的灰分预测的去趋势正态P-P示意图；
图23为本发明一个实施例所述的基于神经网络的磨煤机煤质预测方法的硫分预测的正态P-P示意图；
图24为本发明一个实施例所述的基于神经网络的磨煤机煤质预测方法的硫分预测的去趋势正态P-P示意图；
图25为本发明一个实施例所述的基于神经网络的磨煤机煤质预测方法的估值预测对比示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1～图6，为本发明的第一个实施例，提供了一种基于神经网络的磨煤机煤质预测方法，具体包括：
S1：根据磨煤机运行和锅炉燃烧机理对采集的磨煤机数据进行分析、整理和清洗。其中需要说明的是：
运行参数即为分析、整理清洗后的磨煤机数据；
根据加仓煤种和运行参数，人工判断出磨煤机当前运行每一种煤种的时间并整理出50至100种煤种；
将运行参数根据整理出的时间段导出，进行时标对齐差值计算，并标注相应煤种的热值、水分、挥发分、灰分、硫分。
具体的，运行参数包括：
给煤机的煤量反馈、磨煤机的一次风进口温度、磨煤机的进口风量、磨煤机的进口风压、磨煤机至锅炉1角进口风速、磨煤机至锅炉2角进口风速、磨煤机至锅炉3角进口风速、磨煤机至锅炉4角进口风速、磨煤机磨碗差压、磨煤机石子煤落料管温度和磨煤机电流；
磨煤机煤粉一次风管壁温度1、磨煤机煤粉一次风管壁温度2、磨煤机煤粉一次风管壁温度3、磨煤机煤粉一次风管壁温度4、磨煤机热一次风调节挡板阀位、磨煤机旋转分离器速度反馈、磨煤机旋转分离器电流、磨煤机出口风粉温度、磨煤机出口风粉压力1、磨煤机出口风粉压力2、磨煤机冷一次风调节挡板阀位、密封风磨碗差压、总风量、总燃料量、发电机有功功率和凝汽器进口循环水温度。
S2：基于神经网络多层感知机建立预测模型，导入清洗后的磨煤机数据进行模型训练。本步骤需要说明的是：
神经网络多层感知机包括，第一层、第二层和第三层；
第一层包括，输入层；
第二层包括，两层隐藏层；
第三层包括，输出层；
第一层、第二层和第三层均包括激活函数；
第一层的激活函数包括，双区正切函数；
Figure BDA0003169906800000071
第二层的激活函数包括，Relu函数；
Figure BDA0003169906800000072
第三层的激活函数包括，Sigmoid函数；
Figure BDA0003169906800000073
预测模型包括：
Z2＝XW1
a2＝tanh(z2)
z3＝a2w2
a3＝Relu(z3)
z4＝a3W3
Y＝sigmoid(z4)
其中，
Figure BDA0003169906800000081
Figure BDA0003169906800000082
Figure BDA0003169906800000083
Figure BDA0003169906800000084
Figure BDA0003169906800000085
Figure BDA0003169906800000086
Figure BDA0003169906800000087
Figure BDA0003169906800000088
Figure BDA0003169906800000089
Figure BDA00031699068000000810
S3：将训练好的预测模型与DCS系统实时连接，在线计算磨煤机运行煤种，根据计算结果判断磨煤机运行煤质。其中还需要说明的是：
利用接口实时获取DCS系统中的运行参数；
基于Python语言编程训练完成的预测模型，在DCS系统中外挂一台计算机，将编程好的预测模型的运行代码导入计算机中；
通过接口与DCS系统通讯，实时读取预测模型汇总所需的运行参数，并将实时计算出的当前磨煤机运行煤质回写至DCS系统中，其用于显示、报警和控制。
本发明方法利用大数据分析神经网络多层感知机对大量的煤种运行参数进行分析建模，能够准确分析出各参数对煤种成分(热值、水分、挥发分、灰分、硫分)的影响权重，精确计算出磨煤机当前运行煤种成分，无需投入大量硬件和软件改造设备，安装系统，省时省力。
实施例2
参照图7～图25，为本发明的第二个实施例，该实施例不同于第一个实施例的是，提供了一种基于神经网络的磨煤机煤质预测方法的预测准确度验证，具体包括：
为了更好地对本发明方法中采用的技术效果加以验证说明，本实施例选择以传统的机理模型预测技术与本发明方法进行对比测试，以科学论证的手段对比试验结果，以验证本发明方法所具有的的真实效果。
传统的机理模型预测技术无法实时在线计算磨煤机煤种情况，煤种数据判断有误差，为验证本发明方法相对传统方法具有较高的预测准确度和较低的经济性，本实施例中将采用传统方法与本发明方法分别对仿真平台的磨煤机煤质进行预测对比。
测试环境：(1)设置预测参数，分别为热值、水分、挥发分、灰分和硫分；
(2)定义无季节性周期长度，采用布洛姆算法进行分数秩估算，且分配给绑定值的秩为平均秩；
(3)获取热值预测、水分预测、挥发分预测、灰分预测和硫分预测的序列长度，对其正态分布下的位置和标度分别进行分布参数估算；
(4)通过自动化测试设备调试仿真实验，观察、记录并输出热值预测、水分预测、挥发分预测、灰分预测和硫分预测的正态P-P及去趋势正态P-P曲线图；
(5)自动化测试设备跟踪并记录输出真实值、本发明方法预测值及传统方法下的机理模型预测值的对比数据。
参照图15～图24，为热值预测、水分预测、挥发分预测、灰分预测和硫分预测的正态P-P及去趋势正态P-P曲线图，参照图25，为真实值、本发明方法预测值及传统方法下的机理模型预测值的对比数据示意图，从中能够直观的看出，本发明方法的技术效果具有较好的鲁棒性，即验证了本发明方法的真实性。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (9)

1.一种基于神经网络的磨煤机煤质预测方法，其特征在于：包括，
根据磨煤机运行和锅炉燃烧机理对采集的磨煤机数据进行分析、整理和清洗；
基于神经网络多层感知机建立预测模型，导入清洗后的所述磨煤机数据进行模型训练；
将训练好的所述预测模型与DCS系统实时连接，在线计算磨煤机运行煤种，根据计算结果判断磨煤机实时运行煤质。
2.根据权利要求1所述的基于神经网络的磨煤机煤质预测方法，其特征在于：所述神经网络多层感知机包括，第一层、第二层和第三层；
所述第一层包括，输入层；
所述第二层包括，两层隐藏层；
所述第三层包括，输出层。
3.根据权利要求1或2所述的基于神经网络的磨煤机煤质预测方法，其特征在于：所述预测模型包括，
Z2＝XW1
a2＝tanh(z2)
z3＝a2w2
其中，
Figure FDA0003169906790000011
Figure FDA0003169906790000012
Figure FDA0003169906790000013
Figure FDA0003169906790000014
Figure FDA0003169906790000015
Figure FDA0003169906790000016
4.根据权利要求3所述的基于神经网络的磨煤机煤质预测方法，其特征在于：还包括，
a3＝Relu(z3)
z4＝a3W3
Y＝sigmoid(z4)
其中，
Figure FDA0003169906790000017
Figure FDA0003169906790000018
Figure FDA0003169906790000021
Figure FDA0003169906790000022
5.根据权利要求2所述的基于神经网络的磨煤机煤质预测方法，其特征在于：所述第一层、所述第二层和所述第三层均包括激活函数；
所述第一层的激活函数包括，双区正切函数；
所述第二层的激活函数包括，Relu函数；
所述第三层的激活函数包括，Sigmoid函数。
6.根据权利要求4所述的基于神经网络的磨煤机煤质预测方法，其特征在于：包括，
利用接口实时获取所述DCS系统中的运行参数；
基于Python语言编程训练完成的所述预测模型，在所述DCS系统中外挂一台计算机，将编程好的所述预测模型的运行代码导入所述计算机中；
通过接口与所述DCS系统通讯，实时读取所述预测模型汇总所需的运行参数，并将实时计算出的当前磨煤机运行煤质回写至所述DCS系统中。
7.根据权利要求6所述的基于神经网络的磨煤机煤质预测方法，其特征在于：所述运行参数包括，
给煤机的煤量反馈、磨煤机的一次风进口温度、磨煤机的进口风量、磨煤机的进口风压、磨煤机至锅炉1角进口风速、磨煤机至锅炉2角进口风速、磨煤机至锅炉3角进口风速、磨煤机至锅炉4角进口风速、磨煤机磨碗差压、磨煤机石子煤落料管温度和磨煤机电流。
8.根据权利要求7所述的基于神经网络的磨煤机煤质预测方法，其特征在于：还包括，
磨煤机煤粉一次风管壁温度1、磨煤机煤粉一次风管壁温度2、磨煤机煤粉一次风管壁温度3、磨煤机煤粉一次风管壁温度4、磨煤机热一次风调节挡板阀位、磨煤机旋转分离器速度反馈、磨煤机旋转分离器电流、磨煤机出口风粉温度、磨煤机出口风粉压力1、磨煤机出口风粉压力2、磨煤机冷一次风调节挡板阀位、密封风磨碗差压、总风量、总燃料量、发电机有功功率和凝汽器进口循环水温度。
9.根据权利要求8所述的基于神经网络的磨煤机煤质预测方法，其特征在于：所述运行参数即为分析、整理清洗后的所述磨煤机数据；
根据加仓煤种和所述运行参数，人工判断出磨煤机当前运行每一种煤种的时间并整理出50至100种煤种；
将所述运行参数根据整理出的时间段导出，进行时标对齐差值计算，并标注相应煤种的热值、水分、挥发分、灰分、硫分。
CN202110815569.3A 2021-07-19 2021-07-19 一种基于神经网络的磨煤机煤质预测方法 Pending CN113533622A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110815569.3A CN113533622A (zh) 2021-07-19 2021-07-19 一种基于神经网络的磨煤机煤质预测方法
US17/702,803 US20230016291A1 (en) 2021-07-19 2022-03-24 Method for predicting coal quality of coal mill based on neural network

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110815569.3A CN113533622A (zh) 2021-07-19 2021-07-19 一种基于神经网络的磨煤机煤质预测方法

Publications (1)

Publication Number Publication Date
CN113533622A true CN113533622A (zh) 2021-10-22

Family

ID=78100265

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110815569.3A Pending CN113533622A (zh) 2021-07-19 2021-07-19 一种基于神经网络的磨煤机煤质预测方法

Country Status (2)

Country Link
US (1) US20230016291A1 (zh)
CN (1) CN113533622A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114813635A (zh) * 2022-06-28 2022-07-29 华谱智能科技(天津)有限公司 煤炉燃烧参数的优化方法及电子设备
CN115688567A (zh) * 2022-10-20 2023-02-03 中国大唐集团科学技术研究总院有限公司华东电力试验研究院 一种火电厂磨煤机煤种实时在线检测方法及系统

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103576655A (zh) * 2013-11-06 2014-02-12 华北电力大学（保定） 一种电站锅炉燃烧子空间建模及多目标优化方法和系统
CN104634706A (zh) * 2015-01-23 2015-05-20 国家电网公司 一种基于神经网络的煤粉细度软测量方法
CN109579043A (zh) * 2018-11-23 2019-04-05 江苏方天电力技术有限公司 一种电站锅炉入炉煤质变化快速检测方法
CN110084717A (zh) * 2019-03-25 2019-08-02 华电电力科学研究院有限公司 一种基于bp神经网络的电站锅炉入炉煤水分计算方法
CN110647560A (zh) * 2019-09-25 2020-01-03 山西三合盛智慧科技股份有限公司 一种机理与类脑智能结合的电厂入炉煤质在线软测量方法
CN110738357A (zh) * 2019-09-20 2020-01-31 神华黄骅港务有限责任公司 煤炭堆场起尘量预测方法、装置、系统和存储介质
CN111222284A (zh) * 2019-12-27 2020-06-02 中国大唐集团科学技术研究院有限公司西北电力试验研究院 一种中速磨煤机组入口一次风量整体软测量方法
CN111754093A (zh) * 2020-06-11 2020-10-09 浙江浙能技术研究院有限公司 一种基于煤质预测和pso-svm的飞灰含碳量预测方法
CN112231978A (zh) * 2020-10-15 2021-01-15 西安特种设备检验检测院 一种基于人工神经网络的锅炉烟气酸露点测试方法
CN112508226A (zh) * 2020-10-29 2021-03-16 华能国际电力股份有限公司玉环电厂 一种火电厂煤场场损预测方法及系统
CN112686422A (zh) * 2020-12-03 2021-04-20 华润电力技术研究院有限公司 一种火电厂入炉煤质信息确定方法、装置、设备及介质
CN112833409A (zh) * 2021-01-18 2021-05-25 江苏方天电力技术有限公司 一种基于动态损失预测的炉膛吹灰优化方法
KR102271069B1 (ko) * 2020-03-31 2021-06-29 조선대학교산학협력단 석탄화력발전소 보일러의 상태 예측 모델 생성 방법 및 장치

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103576655A (zh) * 2013-11-06 2014-02-12 华北电力大学（保定） 一种电站锅炉燃烧子空间建模及多目标优化方法和系统
CN104634706A (zh) * 2015-01-23 2015-05-20 国家电网公司 一种基于神经网络的煤粉细度软测量方法
CN109579043A (zh) * 2018-11-23 2019-04-05 江苏方天电力技术有限公司 一种电站锅炉入炉煤质变化快速检测方法
CN110084717A (zh) * 2019-03-25 2019-08-02 华电电力科学研究院有限公司 一种基于bp神经网络的电站锅炉入炉煤水分计算方法
CN110738357A (zh) * 2019-09-20 2020-01-31 神华黄骅港务有限责任公司 煤炭堆场起尘量预测方法、装置、系统和存储介质
CN110647560A (zh) * 2019-09-25 2020-01-03 山西三合盛智慧科技股份有限公司 一种机理与类脑智能结合的电厂入炉煤质在线软测量方法
CN111222284A (zh) * 2019-12-27 2020-06-02 中国大唐集团科学技术研究院有限公司西北电力试验研究院 一种中速磨煤机组入口一次风量整体软测量方法
KR102271069B1 (ko) * 2020-03-31 2021-06-29 조선대학교산학협력단 석탄화력발전소 보일러의 상태 예측 모델 생성 방법 및 장치
CN111754093A (zh) * 2020-06-11 2020-10-09 浙江浙能技术研究院有限公司 一种基于煤质预测和pso-svm的飞灰含碳量预测方法
CN112231978A (zh) * 2020-10-15 2021-01-15 西安特种设备检验检测院 一种基于人工神经网络的锅炉烟气酸露点测试方法
CN112508226A (zh) * 2020-10-29 2021-03-16 华能国际电力股份有限公司玉环电厂 一种火电厂煤场场损预测方法及系统
CN112686422A (zh) * 2020-12-03 2021-04-20 华润电力技术研究院有限公司 一种火电厂入炉煤质信息确定方法、装置、设备及介质
CN112833409A (zh) * 2021-01-18 2021-05-25 江苏方天电力技术有限公司 一种基于动态损失预测的炉膛吹灰优化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李大虎: "《基于MIV 特征选择与PSO －BP 神经网络的煤炭发热量预测》", 《煤炭工程》, vol. 52, no. 11, pages 154 - 160 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114813635A (zh) * 2022-06-28 2022-07-29 华谱智能科技(天津)有限公司 煤炉燃烧参数的优化方法及电子设备
CN114813635B (zh) * 2022-06-28 2022-10-04 华谱智能科技(天津)有限公司 煤炉燃烧参数的优化方法及电子设备
CN115688567A (zh) * 2022-10-20 2023-02-03 中国大唐集团科学技术研究总院有限公司华东电力试验研究院 一种火电厂磨煤机煤种实时在线检测方法及系统

Also Published As

Publication number Publication date
US20230016291A1 (en) 2023-01-19

Similar Documents

Publication Publication Date Title
Zhan et al. Data requirements and performance evaluation of model predictive control in buildings: A modeling perspective
CN105992977B (zh) 成套设备的诊断装置和诊断方法
CA2438056C (en) Process unit monitoring program
CN113533622A (zh) 一种基于神经网络的磨煤机煤质预测方法
US20070100475A1 (en) Method and apparatus for applying reduced nonlinear models to optimization of an operation
CN101038277B (zh) 基于最小二乘-支持向量机的制粉过程煤粉细度软测量方法
AU2002240449A1 (en) Process unit monitoring program
CN106649919A (zh) 燃煤电站锅炉飞灰含碳量预测模型构建方法及系统
CN107133460A (zh) 一种锅炉飞灰含碳量在线动态预测方法
CN112818604A (zh) 一种基于风功率预测的风电机组风险度评估方法
Wang Accuracy, validity and relevance of probabilistic building energy models
CN116383636A (zh) 一种基于pca与lstm融合算法的磨煤机故障预警方法
CN109670549A (zh) 火电机组的数据筛选方法、装置以及计算机设备
CN114117954B (zh) 一种反应器内部三维反应场动态实时可视化方法
JP7451854B2 (ja) 産業環境におけるエネルギー消費量を診断する方法、システム、及びコンピュータプログラム製品
CN117350897A (zh) 一种考虑空气湿度的转换功率预测的方法和系统
CN112765787A (zh) 动态环境下考虑性能指标聚类的退化建模与寿命预测方法
CN207112772U (zh) 基于核偏最小二乘的锅炉炉膛温度在线预测系统
CN108931713A (zh) 电缆局放检测装置选型方法及装置
T Agami Reddy PhD The nearest neighborhood method to improve uncertainty estimates in statistical building energy models
CN114971308A (zh) 一种基于多维数据分析的变压器健康状况评估方法
CN207264186U (zh) 一种燃料全过程在线监督装置
Galindo et al. Fault detection in engine measurement systems by a model-based approach
Lautala et al. A hierarchical expert system for failure diagnosis in power plants
Conti et al. Energy Modelling and Forecasting for an Underground Agricultural Farm using a Higher Order Dynamic Mode Decomposition Approach

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