CN113843039B - 一种基于人工智能的磨煤机开关机智能运行优化方法 - Google Patents
一种基于人工智能的磨煤机开关机智能运行优化方法 Download PDFInfo
- Publication number
- CN113843039B CN113843039B CN202110822382.6A CN202110822382A CN113843039B CN 113843039 B CN113843039 B CN 113843039B CN 202110822382 A CN202110822382 A CN 202110822382A CN 113843039 B CN113843039 B CN 113843039B
- Authority
- CN
- China
- Prior art keywords
- coal
- coal mill
- mill
- data
- feeding amount
- 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
- 239000003245 coal Substances 0.000 title claims abstract description 638
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000005457 optimization Methods 0.000 title claims abstract description 31
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000004140 cleaning Methods 0.000 claims abstract description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 40
- 238000004088 simulation Methods 0.000 claims description 22
- 238000005070 sampling Methods 0.000 claims description 12
- 238000001816 cooling Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 239000000843 powder Substances 0.000 claims description 5
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 4
- 239000003546 flue gas Substances 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 239000000428 dust Substances 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000002068 genetic effect Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010298 pulverizing process Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B02—CRUSHING, PULVERISING, OR DISINTEGRATING; PREPARATORY TREATMENT OF GRAIN FOR MILLING
- B02C—CRUSHING, PULVERISING, OR DISINTEGRATING IN GENERAL; MILLING GRAIN
- B02C25/00—Control arrangements specially adapted for crushing or disintegrating
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B02—CRUSHING, PULVERISING, OR DISINTEGRATING; PREPARATORY TREATMENT OF GRAIN FOR MILLING
- B02C—CRUSHING, PULVERISING, OR DISINTEGRATING IN GENERAL; MILLING GRAIN
- B02C23/00—Auxiliary methods or auxiliary devices or accessories specially adapted for crushing or disintegrating not provided for in preceding groups or not specially adapted to apparatus covered by a single preceding group
-
- 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
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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]
-
- 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)
- Food Science & Technology (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Disintegrating Or Milling (AREA)
- Regulation And Control Of Combustion (AREA)
Abstract
一种基于人工智能的磨煤机开关机智能运行优化方法，包括：获取磨煤机运行相关测点变量历史数据；对获取的数据进行数据清洗；构建磨煤机运行控制模型；基于采集的历史数据对磨煤机运行控制模型进行训练，获得最终磨煤机运行控制模型；采集磨煤机运行相关测点变量实时数据输入到磨煤机运行控制模型获得磨煤机启停建议、给煤量优化建议以及磨煤机运行控制指令。本发明可根据不同磨煤机的历史运行数据训练相应的最优控制方案，具有灵活性、普适性；克服了单纯使用传统物理模型对系统进行优化造成的模型过度简单和理想导致的失准情况；选用模型可进行在线更新，模型训练好后，能根据实时数据进行模型更新，保证模型对新工况的适应性。
Description
技术领域
本发明属于计算机与火力发电业务结合领域，特别涉及一种基于人工智能的磨煤机开关机智能运行优化方法。
背景技术
我国约50％的煤炭用于发电，煤电占发电总量的80％以上，每年消耗22亿吨煤，价值1.8万亿元，产生超过0.2亿吨污染物，且在未来50年内，煤炭在一次能源构成中的主导地位不会改变。然而，随着节能减排的标准逐步提高，火电机组目前面临着环保、经济、安全、市场等各个方面的风险和压力也在提高；如何提高火电机组的综合性能指标，保证机组安全、经济、稳定、环保运行前提下，实现节能减排是火电机组在将来需要长期考虑的问题。
为实现以上需求，优化火电机组运行方式，采用新的方法和技术改善机组运行环境，是有效提高火电机组运行效率的有效手段之一。对于制粉系统进行开关机优化，在保证水冷壁受热面均匀以及不影响机组效率、不降低煤耗的情况下，可以最大限度降低制粉系统的厂用电量，实现节能目标。
该发明立足于实际需求，致力于解决能源行业痛点，提供了一套人工智能的磨煤机开关机运行优化指导系统。
发明内容
基于以上技术不足，本发明是将大数据技术和人工智能技术相结合，本发明基于火力发电厂磨煤机长期的运行数据，将磨煤机开关机步骤分为开关机寻优、给煤量寻优、磨煤机仿真三个依次相连的模块，使用自动学习方法进行模型建模，基于遗传算法进行优化指导，提出一种基于人工智能的磨煤机开关机智能运行优化方法。
本发明具体采用以下技术方案：
一种基于人工智能的磨煤机开关机智能运行优化方法，其特征在于，所述方法包括以下步骤：
步骤1：从数据库中获取磨煤机运行相关测点变量历史数据，所述磨煤机相关测点变量包括磨煤机状态数据、磨煤机操作指令数据、磨煤机给煤量数据、水冷壁系统状态数据；
步骤2：对所述步骤1中获取的磨煤机运行相关测点变量历史数据进行预处理，所述预处理包括数据格式统一处理和数据清洗；
步骤3：构建磨煤机运行控制模型，所述磨煤机运行控制模型根据输入的磨煤机相关测点变量向用户提供各台磨煤机运行控制建议；
步骤4：将所述步骤2中预处理好的数据输入到所述磨煤机运行控制模型中进行训练，获得最终的磨煤机运行控制模型；
步骤5：采集磨煤机状态实时数据、磨煤机给煤量实时数据、水冷壁系统状态实时数据输入到所述步骤4的磨煤机运行控制模型中，输出磨煤机运行控制建议。
本发明还进一步采用以下优选技术方案：
在步骤1中，按预定的时间间隔获取预定测点在取样时刻保存在数据库中的磨煤机相关测点变量历史数据。
磨煤机状态数据包括磨煤机出口压力、一次风压、磨煤机料位、风粉温度、热一次风温度、锅炉负荷、磨煤机主电机电流；
磨煤机操作指令数据包括一次风机动叶调节执行器阀位、磨煤机入口冷一次风电动调节风门阀位、磨煤机入口热一次风电动调节风门阀位、磨煤机入口混合风电动调节风门1阀位、磨煤机入口混合风电动调节风门2阀；
所述磨煤机给煤量数据包括在每个数据取样时刻分别送往每台磨煤机的给煤量数据；
所述水冷壁系统状态数据包括空预器出口烟气温度、热一次风总管压力、冷一次风总管压力、磨煤机出口压力、磨煤机至燃烧器风粉温度、锅炉负荷、实发功率。
步骤2包括以下步骤：
步骤201：对不同数据格式的数据进行数据格式统一处理；
步骤202：预先设定各个测点变量的最低阈值和最高阈值，即预先设定的各个测点变量的取值范围；
步骤203：判断各项数据的值是否在该取值范围内，若存在不在该取值范围内的数据，则去掉不属于所述取值范围的数据，并采用插值法补全该位置的数据。
在步骤3中，磨煤机运行控制模型包括磨煤机开关机寻优子模型、磨煤机给煤量寻优子模型以及磨煤机操作仿真子模型；
所述磨煤机开关机寻优子模型根据各台磨煤机主电机电流、各台磨煤机给煤量数据给出磨煤机启停建议列表Si＝[n1，n2，...，ni]，其中i表示磨煤机总数量，n表示磨煤机的启停建议，n＝1或0；1表示开启，0表示关闭；
所述磨煤机给煤量寻优子模型根据磨煤机启停建议列表、磨煤机给煤量数据、水冷壁系统状态数据，对磨煤机启停建议列表中的磨煤机推荐给煤量；
所述磨煤机操作仿真子模型根据推荐给煤量和磨煤机状态数据，输出对磨煤机的推荐操作指令。
在步骤4中，训练磨煤机开关机寻优子模型包括以下步骤：
步骤401：输入磨煤机主电机电流和磨煤机给煤量数据，根据以下公式计算不同给煤量情况下，每台磨煤机的实际单耗Yij＝[yi1，yi2，...，yij]：
其中，Yij表示给煤量为Xj时的第i个磨煤机的单耗，Aj表示给煤量为Xj时的第i 个磨煤机主电机电流，下标j表示给煤量编号，即不同给煤量的种类数量；
步骤402：根据实际单耗列表，计算第i台磨煤机的平均单耗，获得所有磨煤机的平均单耗列表
步骤403：根据平均单耗列表中的平均单耗值的大小进行排序，获取单耗序列表
步骤404：根据实际已开启的磨煤机数量以及输入的磨煤机给煤量数据，计算平均给煤量值：
其中，
表示平均给煤量值，N表示开启的磨煤机数量，xi表示第i个磨煤机的给煤量值；
步骤405：判断平均给煤量值是否在给煤量的预设范围[feedmin，feedmax]内；若
不作调整；否则根据单耗序列表给出磨煤机启停建议。
在步骤402包括以下子步骤：
步骤402-1：以各台磨煤机的给煤量为x，对应单耗为y进行拟合，得到各台磨煤机的出力曲线模型；
步骤402-2：基于磨煤机给煤量预设范围[feedmin，feedmax]，间隔预定给煤量进行取样，计算各台磨煤机对应的单耗；
步骤402-3：统计各台磨煤机在所有采样给煤量下的单耗，进行平均，获得各台磨煤机的平均单耗列表。
在步骤405中，若
根据单耗序列表给出关闭磨煤机的建议，依次关闭目前处于开启状态的单耗排序最大的磨煤机关闭，直到
若
根据单耗序列表给出开启磨煤机建议，依次开启目前处于停止状态的单耗排序最小的磨煤机，直到
在步骤4中，训练磨煤机给煤量寻优子模型包括以下步骤：
步骤406：在预设的给煤量预设范围[feedmin，feedmax]中进行探索，随机获得一组磨煤机给煤量推荐表；
步骤407：基于步骤406并通过以下公式计算磨煤机加权平均单耗：
其中，Y表示磨煤机加权平均单耗，Ttotal表示总给煤量，N表示磨煤机数量，Fi表示第i台磨煤机的给煤量，Yi(Fi)表示第i台磨煤机在给煤量为Fi时的单耗值；
步骤408：基于各台磨煤机的给煤量和与该给煤量对应的磨煤机状态数据计算水冷壁系统的水冷壁温差值；其中，水冷壁各温差包括左上墙水冷壁温度差、左下墙水冷壁温度差、右上墙水冷壁温度差、右下墙水冷壁温度差、后上墙水冷壁温度差、后下墙水冷壁温度差、前上墙水冷壁温度差以及前下墙水冷壁温度差；
步骤409：反复执行步骤406-408直到探索到步骤408计算的水冷壁温差值小于预设阈值的同时，步骤407中计算的磨煤机加权平均单耗取最小值时的一组磨煤机给煤量，将其作为给煤量寻优子模型的输出。
在步骤406中，对于推荐开启的磨煤机，根据规程，给煤量可探索的范围在5吨～60吨；对于推荐不开启的磨煤机，给煤量可探索的范围在0吨～0.00000001吨之间。
步骤408包括以下步骤：
步骤408-1：以第i个磨煤机给煤量数据和磨煤机状态数据为输入，以该磨煤机在不同给煤量下锅炉的水冷壁各部位温差为输出，进行训练，获得水冷壁温差模型；
步骤408-2：输入步骤406中获得的磨煤机给煤量，计算水冷壁温差。
在步骤4中，训练磨煤机操作仿真子模型包括以下步骤：
步骤408：搭建神经网络模型，作为磨煤机操作仿真子模型，该模型包括输入层、隐藏层以及输出层；
步骤409：以磨煤机给煤量寻优子模型的输出结果为输入，以磨煤机状态数据为输出进行训练，获得最终的磨煤机操作仿真子模型。
一种基于上述的磨煤机开关机运行优化方法的磨煤机开关机智能运行控制系统，包括数据采集模块、磨煤机运行控制模块以及显示模块，其特征在于：
数据采集模块采集当前时刻的磨煤机运行相关测点变量数据并输入到磨煤机运行控制模块；
磨煤机运行控制模块根据接收的所述数据给出磨煤机启停建议列表、对于建议开启的磨煤机的给煤量建议值以及相应的磨煤机操作指令；
显示模块显示磨煤机运行实时状态以及经磨煤机运行控制模块控制过后的运行状态。
磨煤机运行相关测点变量包括磨煤机状态数据、磨煤机给煤量数据、水冷壁系统状态数据。
磨煤机运行控制模块包括磨煤机开关机寻优单元、磨煤机给煤量寻优单元以及磨煤机操作仿真单元；
磨煤机开关机寻优单元根据各台磨煤机主电机电流、各台磨煤机给煤量数据进行磨煤机开机与关机寻优判断，给出磨煤机启停建议列表Si＝[n1，n2，...，ni]，其中i表示磨煤机总数量，n表示磨煤机的启停建议，n＝1或0；1表示开启，0表示关闭；
磨煤机给煤量寻优单元根据磨煤机启停建议列表和磨煤机给煤量数据、水冷壁系统状态数据，对磨煤机启停建议列表的磨煤机推荐给煤量；
磨煤机操作仿真单元根据推荐给煤量和磨煤机状态数据，对磨煤机推荐操作指令本发明具有以下有益技术效果：
1)利用长期真实历史数据进行训练，对磨煤机、水冷壁运行状态变化刻画可信度高；
2)可根据不同火力发电机组的历史数据训练相应的最优控制方案，具有灵活性、普适性；
3)克服了单纯使用传统物理/化学方程对系统进行优化造成的模型过度简化及理想化，以及其导致的失准情况；
4)选用模型(gbdt、神经网络)可进行在线更新，模型训练好后，能根据实时数据进行模型更新，保证模型对新工况的适应性。
附图说明
图1为本发明的一种基于人工智能的磨煤机开关机运行优化方法流程图；
图2为本发明的离线学习模型训练流程图。
具体实施方式
下面结合附图和具体实施方式对本发明型进行详细说明。
如图1-2示，本发明的一种基于人工智能的磨煤机开关机智能运行优化方法，具体包括以下步骤：
步骤1：从数据库中获取磨煤机运行相关测点变量历史数据，磨煤机相关测点变量包括磨煤机状态数据、磨煤机操作指令数据、磨煤机给煤量数据、水冷壁系统状态数据。其中采集该磨煤机运行相关测点变量历史数据时，按预定的时间间隔获取磨煤机相关测点变量历史数据，即抽取定义好的测点在取样时刻保存在电厂数据库中的数据。测点是电厂数据库中记录的数据点，并且，磨煤机状态数据、磨煤机操作指令数据、磨煤机给煤量数据、水冷壁系统状态数据只是测点有所不同，其余均是一样。在数据格式上有属于float浮点数和bool布尔类型两种数据。在本发明的一个实施例中，时间间隔以5s进行数据采集。
具体地，磨煤机状态数据包括磨煤机出口压力、一次风压、磨煤机料位、风粉温度、热一次风温度、锅炉负荷、磨煤机主电机电流；磨煤机操作指令数据包括一次风机动叶调节执行器阀位、磨煤机入口冷一次风电动调节风门阀位、磨煤机入口热一次风电动调节风门阀位、磨煤机入口混合风电动调节风门1阀位、磨煤机入口混合风电动调节风门 2阀；磨煤机给煤量数据包括在每个数据取样时刻分别送往每台磨煤机的给煤量数据，是实际数据值；水冷壁系统状态数据包括空预器出口烟气温度、热一次风总管压力、冷一次风总管压力、磨煤机出口压力、磨煤机至燃烧器风粉温度、锅炉负荷、实发功率。
步骤2：对步骤1中获取的磨煤机运行相关测点变量历史数据进行预处理，预处理包括数据格式统一处理和数据清洗，具体步骤如下所示：
步骤201：对不同数据格式的数据进行数据格式统一处理。
步骤202：预先设定各个测点变量的最低阈值和最高阈值，即预先设定的各个测点变量的取值范围。
步骤203：判断各项数据的值是否在该取值范围内，若存在不在该取值范围内的数据，则去掉不属于所述取值范围的数据，并采用插值法补全该位置的数据。步骤3：构建磨煤机运行控制模型，所述磨煤机运行控制模型根据输入的磨煤机相关测点变量数据向用户提供各台磨煤机运行控制建议。
具体地，磨煤机运行控制模型包括磨煤机开关机寻优子模型、磨煤机给煤量寻优子模型以及磨煤机操作仿真子模型；
所述磨煤机开关机寻优子模型根据各台磨煤机主电机电流、各台磨煤机给煤量数据进行给出磨煤机启停建议列表Si＝[n1，n2，...，ni]，其中i表示磨煤机总数量，n表示磨煤机的启停建议，n＝1或0；1表示开启，0表示关闭。
在本发明的一个实施例中，具有6台磨煤机则输出长度为6的bool列表，列表中的每一项分别代表对于每台磨煤机的启停建议。
所述磨煤机给煤量寻优子模型根据磨煤机启停列表、磨煤机给煤量数据、水冷壁系统状态数据，对磨煤机启停建议列表中的磨煤机推荐给煤量。
所述磨煤机操作仿真子模型推荐给煤量和磨煤机状态数据，输出对磨煤机的推荐操作指令。
步骤4：将所述步骤2中预处理好的数据输入到所述磨煤机运行控制模型中进行训练，获得最终的磨煤机运行控制模型。
对于磨煤机开关机寻优子模型的具体训练步骤如下：
步骤401：输入磨煤机主电机电流和磨煤机给煤量数据，根据以下公式计算不同给煤量情况下，每台磨煤机的实际单耗Yij＝[yi1，yi2，...，yij]：
其中，Yij表示给煤量为Xj时的第i个磨煤机的单耗，Aj表示给煤量为Xj时的第i 个磨煤机主电机电流，下标j表示给煤量编号，即不同给煤量的种类数量。在本发明的一个实施例中，在进行上述计算时，将磨煤机给煤量正规划到小数点后一位之后进行相应计算。
步骤402：根据实际单耗列表，计算第i台磨煤机的平均单耗，获得所有磨煤机的平均单耗列表
在本发明的一个实施例中，通过以下步骤计算磨煤机的平均单耗：
步骤402-1：以各台磨煤机的给煤量为x，对应单耗为y进行拟合，得到各台磨煤机的出力曲线模型；
步骤402-2：基于磨煤机给煤量预设范围[feedmin，feedmax]，间隔预定给煤量进行取样，计算各台磨煤机对应的单耗；
步骤402-3：统计各台磨煤机在所有采样给煤量下的单耗，进行平均，获得各台磨煤机的平均单耗列表。
步骤403：根据平均单耗列表中的平均单耗值的大小进行排序，获取单耗序列表
步骤404：根据实际已开启的磨煤机数量以及输入的磨煤机给煤量数据，计算平均给煤量值：
其中，
表示平均给煤量值，N表示开启的磨煤机数量，xi表示第i个磨煤机的给煤量值；
步骤405：判断平均给煤量值是否在给煤量的预设范围[feedmin，feedmax]内；若
不作调整；否则根据单耗序列表给出磨煤机启停建议。
具体地，若
根据单耗序列表给出关闭磨煤机的建议，依次关闭目前处于开启状态的单耗排序最大的磨煤机关闭，直到
若
根据单耗序列表给出开启磨煤机建议，依次开启目前处于停止状态的单耗排序最小的磨煤机，直到
磨煤机给煤量寻优子模型是一个求最小值的优化模型，其中要求取最小值的优化目标为各台磨煤机的平均单耗加权和，优化过程中的限制条件为水冷壁各部位温差应小于阈值，以及磨煤机开启、关闭情况，优化模型使用遗传算法，具体过程为寻找到一个磨煤机给煤量方案，假设有6台磨煤机，优化任务是需要找到一个6台磨煤机的给煤量值，在这6个给煤量值以及前边所述的磨煤机给煤量寻优子模型相关测点的当前数据情况下，满足水冷壁各部位温差小于阈值，磨煤机开启、关闭满足磨煤机开关机寻优模型的推荐，且各台磨煤机的平均单耗加权和为最小值。对于磨煤机给煤量寻优子模型的具体训练步骤如下：
步骤406：在预设的给煤量预设范围[feedmin，feedmax]中进行探索，随机获得一组磨煤机给煤量推荐表。在本发明的一个实施例中，对于推荐开启的磨煤机，根据规程，给煤量可探索的范围在5吨～60吨；对于推荐不开启的磨煤机，给煤量可探索的范围在 0吨～0.00000001吨之间。
步骤407：基于步骤406并通过以下公式计算磨煤机加权平均单耗：
其中，Y表示磨煤机加权平均单耗，Ttotal表示总给煤量，N表示磨煤机数量，Fi表示第i台磨煤机的给煤量，Yi(Fi)表示第i台磨煤机在给煤量为Fi时的单耗值。
步骤408：基于各台磨煤机的给煤量和与该给煤量对应的磨煤机状态数据计算水冷壁系统的水冷壁温差值；其中，水冷壁各温差包括左上墙水冷壁温度差、左下墙水冷壁温度差、右上墙水冷壁温度差、右下墙水冷壁温度差、后上墙水冷壁温度差、后下墙水冷壁温度差、前上墙水冷壁温度差以及前下墙水冷壁温度差。
在本发明的一个实施例中，通过以下步骤计算水冷壁温差：
步骤408-1：以第i个磨煤机给煤量数据和磨煤机状态数据为输入，以该磨煤机在不同给煤量下锅炉的水冷壁各部位温差为输出，进行训练，获得水冷壁温差模型。
具体地，需要采用总给煤量、锅炉负荷、机组负荷、发电机设定功率值、主蒸汽流量、锅炉主蒸汽温度、主蒸汽压力、再热蒸汽温选度出值、再热蒸汽压力选出值、再热蒸汽压力、总给煤量、总风量信号、炉膛总风量、总一次风量、冷一次风量、热一次风量、热一次风总管压力、冷一次风总管压力等100+个与磨煤机相关的测点数据，各台磨煤机主电机电流、各台磨煤机出口压力、各台磨煤机至燃烧器风粉温度、各台磨煤机驱动侧料位、各台磨煤机有功功率、主蒸汽压力、热一次风量、锅炉给水温度、锅炉主蒸汽温度、再热蒸汽压力、炉膛氧量、膛总风量、主蒸汽流量等100+个与锅炉效率相关的测点数据，作为水冷壁温差模型的输入；以空预器出口烟气温度、热一次风总管压、冷一次风总管压力、各磨煤机出口压力、各磨煤机至燃烧器风粉温度、锅炉负荷、实发功率等100+个与水冷壁温差相关的测点数据为输出进行训练。
步骤408-2：输入步骤406中获得的磨煤机给煤量，计算水冷壁温差。
需要说明的是，水冷壁温差模型使用gbdt模型，通过提取的特征数据，拟合8个温差数据。实际中采用python语言的lightgbm第三方库中的LGBMRegressor完成训练。
步骤409：基于遗传算法，反复执行步骤406-408直到探索到步骤408计算的水冷壁温差值小于预设阈值的同时，步骤407中计算的磨煤机加权平均单耗取最小值时的一组磨煤机给煤量，将其作为给煤量寻优子模型的输出。
在本发明的一个实施例中，有6台磨煤机，则磨煤机推荐给煤量列表为一个长度为6的float浮点数列表，对应各台磨煤机的给煤量推荐值，对于上述磨煤机开启列表中处于关闭状态的磨煤机，推荐给煤量值为0，各台磨煤机给煤量推荐值之和为当前总给煤量值。
步骤409具体包括以下步骤：
步骤409-1：在设定的探索值范围内，随机初始化K组(比如设定K＝30，也就是有30组不同的6台磨煤机给煤量列表)各台磨煤机的给煤量，给煤量之和等于当前时刻总给煤量之和；
步骤409-2：计算上述各组煤量值的适应度值，其中，该值越大越好。
步骤409-3：从K组中选择M组适应度最大的给煤量值。
步骤409-4：对这M组值进行遗传算法的变异操作，即对给煤量值添加随机的偏移量。
步骤409-5：对步骤409-4中得到的各组给煤量列表，进行遗传算法中的产生后代操作，在本算法中是随机挑选两组给煤量列表，求取平均值，产生后代N组。
步骤409—6：对步骤409-5中得到的各组给煤量列表，重复执行步骤409-2～步骤409-5，直到迭代次数满足要求，或者两次迭代之间，步骤409-2计算的最大适应度值小于一定阈值，则输出取得最大适应度值得给煤量列表作为优化结果。
对于磨煤机操作仿真子模型的具体训练步骤如下：
步骤408：搭建神经网络模型，作为磨煤机操作仿真子模型，该模型包括输入层、隐藏层以及输出层；
步骤409：以磨煤机给煤量寻优子模型的输出结果为输入，以磨煤机状态数据为输出进行训练，获得最终的磨煤机操作仿真子模型。
在本分明的一个实施例中。可使用python语言的tensorflow框架构建神经网络来进行训练。步骤5：采集磨煤机状态实时数据、磨煤机给煤量实时数据、水冷壁系统状态实时数据输入到所述步骤4的磨煤机运行控制模型中，输出磨煤机运行控制建议。即通过数据库实时获取磨煤机当前工况下的给煤量、一次风压、锅炉负荷等等数据。
通过模型调用将实时状态数据输入到模型中，依次经过开关机寻优模块、给煤量寻优、磨煤机仿真模块，模型将自动计算当前磨煤机工况状态下的最优调整策略，并在系统界面显示推荐值。
本发明利用长期真实历史数据进行训练，对磨煤机、水冷壁运行状态变化刻画可信度高；可根据不同火力发电机组的历史数据训练相应的最优控制方案，具有灵活性、普适性；克服了单纯使用传统物理/化学方程对系统进行优化造成的模型过度简化及理想化，以及其导致的失准情况；选用模型(gbdt、神经网络)可进行在线更新，模型训练好后，能根据实时数据进行模型更新，保证模型对新工况的适应性。
本发明还基于上述方法提供一种磨煤机开关机智能运行控制系统，包括数据采集模块、磨煤机运行控制模块以及显示模块。
具体地，数据采集模块采集当前时刻的磨煤机运行相关测点变量数据并输入到磨煤机运行控制模块，其中，磨煤机运行相关测点变量包括磨煤机状态数据、磨煤机给煤量数据、水冷壁系统状态数据。
磨煤机运行控制模块根据接收的所述数据给出磨煤机启停建议列表、对于建议开启的磨煤机的给煤量建议值以及相应的磨煤机操作指令。
具体地，磨煤机运行控制模块包括磨煤机开关机寻优单元、磨煤机给煤量寻优单元以及磨煤机操作仿真单元；
磨煤机开关机寻优单元根据各台磨煤机主电机电流、各台磨煤机给煤量数据进行磨煤机开机与关机寻优判断，给出磨煤机启停建议列表Si＝[n1，n2，...，ni]，其中i表示磨煤机总数量，n表示磨煤机的启停建议，n＝1或0；1表示开启，0表示关闭；
磨煤机给煤量寻优单元根据磨煤机启停建议列表和磨煤机给煤量数据、水冷壁系统状态数据，对磨煤机启停建议列表的磨煤机推荐给煤量；
磨煤机操作仿真单元根据推荐给煤量和磨煤机状态数据，对磨煤机推荐操作指令。
显示模块显示磨煤机运行实时状态以及经磨煤机运行控制模块控制过后的运行状态。
本发明利用长期真实历史数据进行训练，对磨煤机、水冷壁运行状态变化刻画可信度高；并且可根据不同火力发电机组的历史数据训练相应的最优控制方案，具有灵活性、普适性。本发明克服了单纯使用传统物理/化学方程对系统进行优化造成的模型过度简化及理想化，以及其导致的失准情况。并且本发明选用的模型(gbdt、神经网络)可进行在线更新，模型训练好后，能根据实时数据进行模型更新，保证模型对新工况的适应性。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。
Claims (13)
1.一种基于人工智能的磨煤机开关机智能运行优化方法，其特征在于，所述方法包括以下步骤：
步骤1：从数据库中获取磨煤机运行相关测点变量历史数据，所述磨煤机相关测点变量包括磨煤机状态数据、磨煤机操作指令数据、磨煤机给煤量数据、水冷壁系统状态数据；
步骤2：对所述步骤1中获取的磨煤机运行相关测点变量历史数据进行预处理，所述预处理包括数据格式统一处理和数据清洗；包括：
步骤201：对不同数据格式的数据进行数据格式统一处理；
步骤202：预先设定各个测点变量的最低阈值和最高阈值，即预先设定的各个测点变量的取值范围；
步骤203：判断各项数据的值是否在该取值范围内，若存在不在该取值范围内的数据，则去掉不属于所述取值范围的数据，并采用插值法补全该位置的数据；
步骤3：构建磨煤机运行控制模型，所述磨煤机运行控制模型根据输入的磨煤机相关测点变量向用户提供各台磨煤机运行控制建议；磨煤机运行控制模型包括磨煤机开关机寻优子模型、磨煤机给煤量寻优子模型以及磨煤机操作仿真子模型；
所述磨煤机开关机寻优子模型根据各台磨煤机主电机电流、各台磨煤机给煤量数据给出磨煤机启停建议列表Si＝[n1，n2，...，ni]，其中i表示磨煤机总数量，n表示磨煤机的启停建议，n＝1或0；1表示开启，0表示关闭；
所述磨煤机给煤量寻优子模型根据磨煤机启停建议列表、磨煤机给煤量数据、水冷壁系统状态数据，对磨煤机启停建议列表中的磨煤机推荐给煤量；
所述磨煤机操作仿真子模型根据推荐给煤量和磨煤机状态数据，输出对磨煤机的推荐操作指令；
步骤4：将所述步骤2中预处理好的数据输入到所述磨煤机运行控制模型中进行训练，获得最终的磨煤机运行控制模型；
步骤5：采集磨煤机状态实时数据、磨煤机给煤量实时数据、水冷壁系统状态实时数据输入到所述步骤4的磨煤机运行控制模型中，输出磨煤机运行控制建议。
2.根据权利要求1所述的基于人工智能的磨煤机开关机智能运行优化方法，其特征在于：
在步骤1中，按预定的时间间隔获取预定测点在取样时刻保存在数据库中的磨煤机相关测点变量历史数据。
3.根据权利要求2所述的基于人工智能的磨煤机开关机智能运行优化方法，其特征在于：
磨煤机状态数据包括磨煤机出口压力、一次风压、磨煤机料位、风粉温度、热一次风温度、锅炉负荷、磨煤机主电机电流；
磨煤机操作指令数据包括一次风机动叶调节执行器阀位、磨煤机入口冷一次风电动调节风门阀位、磨煤机入口热一次风电动调节风门阀位、磨煤机入口混合风电动调节风门1阀位、磨煤机入口混合风电动调节风门2阀；
所述磨煤机给煤量数据包括在每个数据取样时刻分别送往每台磨煤机的给煤量数据；
所述水冷壁系统状态数据包括空预器出口烟气温度、热一次风总管压力、冷一次风总管压力、磨煤机出口压力、磨煤机至燃烧器风粉温度、锅炉负荷、实发功率。
4.根据权利要求1所述的基于人工智能的磨煤机开关机智能运行优化方法，其特征在于：
在步骤4中，训练磨煤机开关机寻优子模型包括以下步骤：
步骤401：输入磨煤机主电机电流和磨煤机给煤量数据，根据以下公式计算不同给煤量情况下，每台磨煤机的实际单耗Yij＝[yi1，yi2，...，yij]：
其中，Yij表示给煤量为Xj时的第i个磨煤机的单耗，Aj表示给煤量为Xj时的第i个磨煤机主电机电流，下标j表示给煤量编号，即不同给煤量的种类数量；
步骤402：根据实际单耗列表，计算第i台磨煤机的平均单耗，获得所有磨煤机的平均单耗列表
步骤403：根据平均单耗列表中的平均单耗值的大小进行排序，获取单耗序列表
步骤404：根据实际已开启的磨煤机数量以及输入的磨煤机给煤量数据，计算平均给煤量值：
其中，
表示平均给煤量值，N表示开启的磨煤机数量，xi表示第i个磨煤机的给煤量值；
步骤405：判断平均给煤量值是否在给煤量的预设范围[feedmin，feedmax]内；若
不作调整；否则根据单耗序列表给出磨煤机启停建议。
5.根据权利要求4所述的基于人工智能的磨煤机开关机智能运行优化方法，其特征在于：
在步骤402包括以下子步骤：
步骤402-1：以各台磨煤机的给煤量为x，对应单耗为y进行拟合，得到各台磨煤机的出力曲线模型；
步骤402-2：基于磨煤机给煤量预设范围[feedmin，feedmax]，间隔预定给煤量进行取样，计算各台磨煤机对应的单耗；
步骤402-3：统计各台磨煤机在所有采样给煤量下的单耗，进行平均，获得各台磨煤机的平均单耗列表。
6.根据权利要求4或5所述的基于人工智能的磨煤机开关机智能运行优化方法，其特征在于：
在步骤405中，若
根据单耗序列表给出关闭磨煤机的建议，依次关闭目前处于开启状态的单耗排序最大的磨煤机关闭，直到
若
根据单耗序列表给出开启磨煤机建议，依次开启目前处于停止状态的单耗排序最小的磨煤机，直到
7.根据权利要求4或5所述的基于人工智能的磨煤机开关机智能运行优化方法，其特征在于：
在步骤4中，训练磨煤机给煤量寻优子模型包括以下步骤：
步骤406：在预设的给煤量预设范围[feedmin，feedmax]中进行探索，随机获得一组磨煤机给煤量推荐表；
步骤407：基于步骤406并通过以下公式计算磨煤机加权平均单耗：
其中，Y表示磨煤机加权平均单耗，Ttotal表示总给煤量，N表示磨煤机数量，Fi表示第i台磨煤机的给煤量，Yi(Fi)表示第i台磨煤机在给煤量为Fi时的单耗值；
步骤408：基于各台磨煤机的给煤量和与该给煤量对应的磨煤机状态数据计算水冷壁系统的水冷壁温差值；其中，水冷壁各温差包括左上墙水冷壁温度差、左下墙水冷壁温度差、右上墙水冷壁温度差、右下墙水冷壁温度差、后上墙水冷壁温度差、后下墙水冷壁温度差、前上墙水冷壁温度差以及前下墙水冷壁温度差；
步骤409：反复执行步骤406-408直到探索到步骤408计算的水冷壁温差值小于预设阈值的同时，步骤407中计算的磨煤机加权平均单耗取最小值时的一组磨煤机给煤量，将其作为给煤量寻优子模型的输出。
8.根据权利要求7所述的基于人工智能的磨煤机开关机智能运行优化方法，其特征在于：
在步骤406中，对于推荐开启的磨煤机，根据规程，给煤量可探索的范围在5吨～60吨；对于推荐不开启的磨煤机，给煤量可探索的范围在0吨～0.00000001吨之间。
9.根据权利要求7所述的基于人工智能的磨煤机开关机智能运行优化方法，其特征在于：
步骤408包括以下步骤：
步骤408-1：以第i个磨煤机给煤量数据和磨煤机状态数据为输入，以该磨煤机在不同给煤量下锅炉的水冷壁各部位温差为输出，进行训练，获得水冷壁温差模型；
步骤408-2：输入步骤406中获得的磨煤机给煤量，计算水冷壁温差。
10.根据权利要求8所述的基于人工智能的磨煤机开关机智能运行优化方法，其特征在于：
在步骤4中，训练磨煤机操作仿真子模型包括以下步骤：
步骤408：搭建神经网络模型，作为磨煤机操作仿真子模型，该模型包括输入层、隐藏层以及输出层；
步骤409：以磨煤机给煤量寻优子模型的输出结果为输入，以磨煤机状态数据为输出进行训练，获得最终的磨煤机操作仿真子模型。
11.一种基于权利要求1-10任意一项所述的运行优化方法的磨煤机开关机智能运行控制系统，包括数据采集模块、磨煤机运行控制模块以及显示模块，其特征在于：
数据采集模块采集当前时刻的磨煤机运行相关测点变量数据并输入到磨煤机运行控制模块；
磨煤机运行控制模块根据接收的所述数据给出磨煤机启停建议列表、对于建议开启的磨煤机的给煤量建议值以及相应的磨煤机操作指令；
显示模块显示磨煤机运行实时状态以及经磨煤机运行控制模块控制过后的运行状态。
12.根据权利要求11所述的磨煤机开关机智能运行控制系统，其特征在于：
磨煤机运行相关测点变量包括磨煤机状态数据、磨煤机给煤量数据、水冷壁系统状态数据。
13.根据权利要求11所述的磨煤机开关机智能运行控制系统，其特征在于：
磨煤机运行控制模块包括磨煤机开关机寻优单元、磨煤机给煤量寻优单元以及磨煤机操作仿真单元；
磨煤机开关机寻优单元根据各台磨煤机主电机电流、各台磨煤机给煤量数据进行磨煤机开机与关机寻优判断，给出磨煤机启停建议列表Si＝[n1，n2，...，ni]，其中i表示磨煤机总数量，n表示磨煤机的启停建议，n＝1或0；1表示开启，0表示关闭；
磨煤机给煤量寻优单元根据磨煤机启停建议列表和磨煤机给煤量数据、水冷壁系统状态数据，对磨煤机启停建议列表的磨煤机推荐给煤量；
磨煤机操作仿真单元根据推荐给煤量和磨煤机状态数据，对磨煤机推荐操作指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110822382.6A CN113843039B (zh) | 2021-07-21 | 2021-07-21 | 一种基于人工智能的磨煤机开关机智能运行优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110822382.6A CN113843039B (zh) | 2021-07-21 | 2021-07-21 | 一种基于人工智能的磨煤机开关机智能运行优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113843039A CN113843039A (zh) | 2021-12-28 |
| CN113843039B true CN113843039B (zh) | 2023-04-07 |
Family
ID=78975167
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110822382.6A Active CN113843039B (zh) | 2021-07-21 | 2021-07-21 | 一种基于人工智能的磨煤机开关机智能运行优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113843039B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115055273B (zh) * | 2022-05-24 | 2024-03-29 | 华北电力科学研究院有限责任公司 | 全工况宽负荷下的制粉系统智能控制方法及装置 |
| CN115318421B (zh) * | 2022-08-10 | 2024-02-13 | 西安热工研究院有限公司 | 启、停磨煤机组控制方法、装置、存储介质及电子设备 |
| CN115555096A (zh) * | 2022-09-13 | 2023-01-03 | 国能信控互联技术有限公司 | 一种基于机理分析的制粉系统磨煤机运行优化方法及系统 |
| CN116393217B (zh) * | 2023-02-24 | 2024-07-09 | 华能曲阜热电有限公司 | 一种钢球磨煤机料位的智能监测方法 |
| CN116213092A (zh) * | 2023-03-07 | 2023-06-06 | 浙江浙能兰溪发电有限责任公司 | 一种磨煤机系统节能优化方法及系统 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110346160B (zh) * | 2019-06-24 | 2020-07-10 | 浙江大学 | 一种基于svr的磨煤机效率异常检测与诊断方法 |
| CN111594817A (zh) * | 2020-03-10 | 2020-08-28 | 上海皖祥商务咨询有限公司 | 一种全负荷超临界水冷壁的控制装置 |
| CN111881120B (zh) * | 2020-06-16 | 2024-04-26 | 国能信控互联技术有限公司 | 一种锅炉智能运行优化方法 |
| CN112130538B (zh) * | 2020-09-22 | 2022-02-01 | 京东城市(北京)数字科技有限公司 | 磨煤机的控制优化及模型训练的方法、装置、设备和介质 |
| CN112883993B (zh) * | 2020-12-23 | 2022-04-26 | 上海大学 | 一种基于机器学习的磨煤机最佳制粉单耗时工况预测方法 |
| CN112916189A (zh) * | 2020-12-31 | 2021-06-08 | 国家电投集团东北电力有限公司本溪热电分公司 | 制粉系统的优化方法 |
-
2021
- 2021-07-21 CN CN202110822382.6A patent/CN113843039B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN113843039A (zh) | 2021-12-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113843039B (zh) | 一种基于人工智能的磨煤机开关机智能运行优化方法 | |
| CN110163411B (zh) | 一种区域综合能源系统运行优化方法 | |
| CN103576655B (zh) | 一种电站锅炉燃烧子空间建模及多目标优化方法和系统 | |
| CN110889549B (zh) | 考虑人体舒适度的综合能源系统多目标优化调度方法 | |
| CN106500128B (zh) | 一种变负荷工况下火电厂锅炉NOx排放控制方法 | |
| CN105337303B (zh) | 一种含热泵的热电联产型微电网容量优化配置方法 | |
| CN109858759A (zh) | 一种工业园区综合能源平衡调度方法 | |
| CN107464008A (zh) | 一种大型楼宇冷热电联供系统的优化调度方法 | |
| CN101667013A (zh) | 微型燃气轮机冷电联供分布式供能系统优化运行控制方法 | |
| CN111881120B (zh) | 一种锅炉智能运行优化方法 | |
| CN108197726B (zh) | 一种基于改进进化算法的家庭能量数据优化方法 | |
| CN107860057B (zh) | 一种热电联产供暖系统热负荷经济优化调度方法 | |
| CN109345012A (zh) | 基于综合评价指标的园区能源互联网运行优化方法 | |
| CN115111601B (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 | |
| CN114580265B (zh) | 一种多炉多机复杂生产系统的负荷调度分配方法及平台 | |
| CN112628712A (zh) | 一种基于风门阻力系数的二次风闭环优化控制系统 | |
| CN113255198B (zh) | 一种含虚拟储能的冷热电联供微电网多目标优化方法 | |
| CN113435095A (zh) | 一种用于综合能源系统的优化调度的方法及系统 | |
| CN111191353B (zh) | 考虑热惯性的电-热综合能源系统协调运行方法 | |
| CN112950409A (zh) | 煤气和蒸汽能源综合利用系统生产调度优化方法 | |
| CN117472007A (zh) | 基于串级优化策略的煤仓与磨煤机外挂深度配煤控制系统 | |
| CN112949903A (zh) | 一种含电转气和储能的区域综合能源系统日前优化调度方法 | |
| CN109882883B (zh) | 一种基于人工智能优化锅炉燃煤效率的方法及装置 | |
| CN104390472A (zh) | 采用低温余热锅炉进行电除尘烟气的调质方法和调质装置 | |
| CN114958395B (zh) | 一种生物质炭化炉余热利用方法及其利用系统 |
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 | ||
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: Room 618 and 619, 6th floor, building 301, Guodian New Energy Institute, No. 9, Yingcai North 2nd Street, future science and Technology City, Changping District, Beijing 102209 Patentee after: Guoneng Information Control Technology Co.,Ltd. Country or region after: China Patentee after: Guoneng Nanning Power Generation Co.,Ltd. Address before: 102211 2nd floor, building 307, Guodian New Energy Institute, 9 Yingcai North 2nd Street, future science and Technology City, Changping District, Beijing Patentee before: Guoneng xinkong Internet Technology Co.,Ltd. Country or region before: China Patentee before: Guoneng Nanning Power Generation Co.,Ltd. |