CN114036758A - 基于数值模拟和机器学习的锅炉燃烧状态动态展示方法 - Google Patents

Abstract

基于数值模拟和机器学习的锅炉燃烧状态动态展示方法，涉及锅炉燃烧状态监测领域。本发明是为了解决目前主要通过从模拟数据库中调用燃烧参数获取锅炉燃烧状态预测范围有限，且仅适用于离线分析实时性差的问题。本发明包括：将待获取燃烧参数的锅炉运行工况输入到训练好的全工况燃烧参数预测模型中获得该运行工况下的燃烧参数，然后将燃烧参数转换为可供显示程序识别的RGB值和沿炉膛宽度、高度方向上静态或动态各个截面上的燃烧参数分布信息即可动态实时展示锅炉燃烧状态。本发明用于实时获取锅炉燃烧状态。

Description

基于数值模拟和机器学习的锅炉燃烧状态动态展示方法

技术领域

本发明涉及锅炉燃烧状态监测领域，特别涉及基于数值模拟和机器学习的锅炉燃烧状态动态展示方法。

背景技术

锅炉是一个多系统耦合的综合体，主要包括汽水系统、燃烧系统和辅助系统等，多系统相互作用使得炉膛内燃烧情况非常复杂。受限于目前锅炉燃烧检测技术，运行调试人员无法准确、实时获得炉膛内部燃烧状态信息，这就导致锅炉相当于一个“黑匣子”，检测不到、测量不准、理解不深、控制不精是目前锅炉运行的常态。目前，当锅炉运行过程中出现问题时，主要依靠专家和调试人员的经验来判断目前锅炉的燃烧状态，然后再根据燃烧状态解决问题。但是，目前火电机组常常会出现深度调峰、变换煤种等运行调整，不断会有新的问题产生且目前显示锅炉内部燃烧状态的研究较少，相关的工程经验匮乏，理论支持不足，因此如何以客观的数据直观的体现锅炉燃烧状态成为本领域的研究重点。

现有技术中主要通过从存储燃烧参数与运行数据对应关系的模拟数据库中调用与运行数据对应的燃烧参数，来获得锅炉目前的燃烧状态。但是这种方法预测范围有限，只能获取模拟数据库中已经存入的运行数据对应的燃烧状态参数，并不能预测模拟数据库中不存在的运行工况下的锅炉燃烧参数，且目前的预测物理场的方法仅适用于离线分析，并不能实时获得锅炉的燃烧参数。

发明内容

本发明目的是为了解决目前主要通过从模拟数据库中调用燃烧参数获取锅炉燃烧状态预测范围有限，且仅适用于离线分析存在实时性差的问题，而提出了基于数值模拟和机器学习的锅炉燃烧状态动态展示方法。

基于数值模拟和机器学习的锅炉燃烧状态动态展示方法具体过程为：

将待获取燃烧参数的锅炉运行工况输入到训练好的全工况燃烧参数预测模型中获得该运行工况下的燃烧参数，然后将燃烧参数转换为可供显示程序识别的RGB值和沿炉膛宽度、高度方向上静态或动态各个截面上的燃烧参数分布信息即可动态实时展示锅炉燃烧状态；

所述训练好的全工况燃烧参数预测模型通过以下方式获得：

步骤一、构建燃烧参数训练集和测试集；

步骤二、构建预测模型，利用训练集训练预测模型并利用测试集测试训练好的预测模型，从而获取全工况燃烧参数预测模型。

本发明的有益效果为：

本发明以典型工况的锅炉的信息作为数据进行数值模拟建立典型工况数据集，可以获得实时运行数据对应下的锅炉内部燃烧状态参数分布情况，并利用典型工况数据训练机器学习模型，通过训练好的机器学习模型可以获取任何工况下的锅炉燃烧参数且可以实时输入运行数据实时输出燃烧参数，提高了锅炉燃烧参数预测的实时性。本发明可以获得沿炉膛宽度、高度方向上静态或动态各个截面上的燃烧参数分布信息，运行调试人员根据这些图像实时获得炉膛内部燃烧状态信息和特定区域处的燃烧参数值，采用了工质侧和燃烧侧耦合的计算方法进行数值模拟，提升了数值模拟的准确性，使得数值模拟结果能够较好地吻合锅炉实际运行情况，提升了锅炉燃烧参数预测准确率。

附图说明

图1为本发明流程图；

图2是数值模拟校正流程图。

具体实施方式

具体实施方式一：本实施方式基于数值模拟和机器学习的锅炉燃烧状态动态展示方法具体过程为(如图1所示)：将待获取燃烧参数的锅炉运行工况输入到训练好的全工况燃烧参数预测模型中获得该运行工况下的燃烧参数，然后将燃烧参数转换为可供显示程序识别的RGB值和沿炉膛宽度、高度方向上静态或动态各个截面上的燃烧参数分布信息即可动态实时展示锅炉燃烧状态。

所述训练好的全工况燃烧参数预测模型通过以下方式获得：

步骤一、构建燃烧参数训练集和测试集：

步骤一一、采集运行周期一年以上的锅炉运行数据；

所述锅炉运行数据包括：锅炉煤质分析数据、总风量、总煤量、总水量、负荷、风门挡板开度、烟温测点、汽温测点、燃烧产物测点等数据。

步骤一二、利用步骤一一采集的锅炉运行数据获取锅炉燃烧参数构建典型工况数据库：

步骤一二一、利用概率密度函数分析步骤一一获取的负荷数据，获得锅炉概率密度，按照锅炉概率密度从大到小提取多个锅炉典型运行工况；

其中，锅炉每一个概率密度即为一种运行工况；

所述锅炉典型运行工况的个数人为规定；

步骤一二二、对提取的多个锅炉典型运行工况中的锅炉运行数据分别进行数值模拟并对数值模拟结果校正获得每个典型工况下炉膛内任意位置处的燃烧参数，所有典型工况下炉膛内任意位置处的燃烧信息构成典型数据库；

所述燃烧参数包括：温度、烟汽速度、氧气含量、一氧化碳含量、煤粉浓度、氮氧化物含量；

所述数值模拟时以锅炉运行数据中的锅炉煤质分析数据、总风量、总煤量、风门挡板开度数据作为边界条件；

所述数值模拟结果的校正数据是：烟温测点、汽温测点、燃烧产物测点数据；

所述数值模拟的校正过程包括以下步骤(如图2)：

S1、提取数值模拟结果中的受热面的热负荷，然后采用水动力计算公式利用数值模拟结果中各受热面的热负荷数据和总水量分别计算出各受热面管内工质温度；

S2、将S1中获得的各受热面管内工质温度和数值模拟边界条件中工质温度对比，如果两者差值的绝对值大于精度阈值，将数值模拟边界条件中的工质温度替换为S1获得的各受热面管内工质温度，依次迭代，直至两者的差值小于精度阈值；

S3、将数值模拟结果与运行数据中的测点数据(烟温测点、汽温侧点、燃烧产物测点)对比，如果测点数据差值的绝对值小于精度阈值，则修正数值模拟计算参数中的辐射与对流换热系数、化学反应系数等边界条件，直至测点数据差值的绝对值小于大于精度阈值。

步骤一三、利用典型工况数据库中的燃烧参数构建每个燃烧参数的训练集和测试集，包括以下步骤：

首先，从典型工况数据库中提取所有典型工况的所有燃烧参数并获取每个典型工况中每个燃烧参数的位置信息；

然后，将典型工况A下的锅炉运行数据、典型工况A中的燃烧参数a和燃烧参数a对应的位置信息构成典型工况数据集1，然后将典型工况数据集1分为燃烧参数a的训练集和测试集；

最后，按照上述方法获取所有燃烧参数的训练集和测试集。

本步骤的有益效果为：典型运行工况具有负荷覆盖范围广、包含所有常运行负荷、考虑所有挡板开度和煤质变换等特点，将锅炉煤质分析数据、总风量、总煤量、风门挡板开度数据作为边界条件，以烟温测点、汽温测点、燃烧产物测点数据作为数值模拟计算结果的校正数据，保证了数值模拟计算结果的准确性。

利用数值模拟和数值模拟校正结合通过反复迭代计算方法修正炉膛换热系数，实现数值模拟结果与锅炉实际运行情况的高度吻合，为下一步的机器学习计算提供优质的数据基础。

步骤二、利用机器学习算法构建预测模型，利用训练集训练预测模型并利用测试集测试训练好的预测模型，从而获取全工况燃烧参数预测模型：

步骤二一、利用每个燃烧参数的训练集分别训练燃烧参数预测模型，获得多个训练好的燃烧参数预测模型，然后利用每个燃烧参数的测试集分别测试训练好的多个燃烧参数预测模型，若准确率大于预设阈值则保存训练好的机器学习模型，若准确率小于预设阈值则重新获取燃烧参数训练集训练燃烧参数预测模型；

步骤二二、将多个燃烧参数训练集训练完成并将保存的燃烧参数预测模型组合，获得全工况燃烧参数预测模型。

Claims (7)

1.基于数值模拟和机器学习的锅炉燃烧状态动态展示方法，其特征在于所述方法具体过程为：

将待获取燃烧参数的锅炉运行工况输入到训练好的全工况燃烧参数预测模型中获得该运行工况下的燃烧参数，然后将燃烧参数转换为可供显示程序识别的RGB值和沿炉膛宽度、高度方向上静态或动态各个截面上的燃烧参数分布信息即可动态实时展示锅炉燃烧状态；

所述训练好的全工况燃烧参数预测模型通过以下方式获得：

步骤一、构建燃烧参数训练集和测试集；

步骤二、构建预测模型，利用训练集训练预测模型并利用测试集测试训练好的预测模型，从而获取全工况燃烧参数预测模型。

2.根据权利要求1所述的基于数值模拟和机器学习的锅炉燃烧状态动态展示方法，其特征在于：所述步骤一中的构建燃烧参数训练集和测试集，包括以下步骤：

步骤一一、采集运行周期一年以上的锅炉运行数据；

所述锅炉运行数据包括：锅炉煤质分析数据、总风量、总煤量、总水量、负荷、风门挡板开度、烟温测点、汽温测点、燃烧产物测点数据；

步骤一二、利用步骤一一采集的锅炉运行数据获取锅炉燃烧参数构建典型工况数据库；

步骤一三、利用典型工况数据库中的燃烧参数构建燃烧参数训练集和测试集。

3.根据权利要求2所述的基于数值模拟和机器学习的锅炉燃烧状态动态展示方法，其特征在于：所述步骤一二中的利用步骤一一采集的锅炉运行数据获取锅炉燃烧参数构建典型工况数据库，包括以下步骤：

步骤一二一、利用概率密度函数分析步骤一一获取的负荷数据，获得锅炉概率密度，按照锅炉概率密度从大到小提取多个锅炉典型运行工况；

步骤一二二、对提取的多个锅炉典型运行工况中的锅炉运行数据分别进行数值模拟并对数值模拟结果校正获得每个典型工况下炉膛内任意位置处的燃烧参数，所有典型工况下炉膛内任意位置处的燃烧信息构成典型数据库；

所述燃烧参数包括：温度、烟汽速度、氧气含量、一氧化碳含量、煤粉浓度、氮氧化物含量；

步骤一三、利用典型工况数据库中的燃烧参数构建每个燃烧参数的训练集和测试集。

4.根据权利要求3所述的基于数值模拟和机器学习的锅炉燃烧状态动态展示方法，其特征在于：所述步骤一二二中对提取的多个锅炉典型运行工况中的锅炉运行数据分别进行数值模拟时的边界条件为：锅炉煤质分析数据、总风量、总煤量、风门挡板开度数据；

所述对数值模拟结果校正数据为：烟温测点、汽温测点、燃烧产物测点数据。

5.根据权利要求4所述的基于数值模拟和机器学习的锅炉燃烧状态动态展示方法，其特征在于：所述对数值模拟结果校正，包括以下步骤：

S1、提取数值模拟结果中的受热面的热负荷，然后采用水动力计算公式利用数值模拟结果中的各受热面的热负荷数据和总水量分别计算出各受热面管内工质温度；

S2、将S1中获得的各受热面管内工质温度和数值模拟边界条件中工质温度对比，如果两者差值的绝对值大于精度阈值，则将数值模拟边界条件中的工质温度替换为S1获得的各受热面管内工质温度，依次迭代，直至两者的差值小于精度阈值；

S3、将数值模拟结果中的测点数据与运行数据中的测点数据对比，如果测点数据差值的绝对值小于精度阈值，则修正数值模拟过程中的参数，直至测点数据差值的绝对值小于大于精度阈值；

所述测点数据包括：烟温测点、汽温侧点、燃烧产物测点。

6.根据权利要求5所述的基于数值模拟和机器学习的锅炉燃烧状态动态展示方法，其特征在于：所述步骤一三中利用典型工况数据库中的燃烧参数构建每个燃烧参数的训练集和测试集，包括以下步骤：

首先，从典型工况数据库中提取所有典型工况的所有燃烧参数并获取每个典型工况中每个燃烧参数的位置信息；

然后，将典型工况A下的锅炉运行数据、典型工况A中的燃烧参数a和燃烧参数a对应的位置信息构成多个典型工况数据集1，然后将典型工况数据集1分为燃烧参数a的训练集和测试集；

最后，根据上述方法获取所有燃烧参数的训练集和测试集。

7.根据权利要求6所述的基于数值模拟和机器学习的锅炉燃烧状态动态展示方法，其特征在于：所述步骤二中利用训练集训练预测模型并利用测试集测试训练好的预测模型，从而获取全工况燃烧参数预测模型，包括以下步骤：

步骤二一、利用每个燃烧参数的训练集分别训练预测模型，获得多个训练好的燃烧参数预测模型，然后利用每个燃烧参数的测试集分别测试训练好的多个燃烧参数预测模型，若准确率大于预设准确率阈值则保存训练好的燃烧参数预测模型，若准确率小于预设准确率阈值则重新获取燃烧参数训练集训练燃烧参数预测模型；

步骤二二、将多个燃烧参数训练集训练完成并将保存的燃烧参数预测模型组合，获得全工况燃烧参数预测模型。

Images