CN114187976A - 一种基于实时测量数据的氧量预测方法 - Google Patents
一种基于实时测量数据的氧量预测方法 Download PDFInfo
- Publication number
- CN114187976A CN114187976A CN202111419192.6A CN202111419192A CN114187976A CN 114187976 A CN114187976 A CN 114187976A CN 202111419192 A CN202111419192 A CN 202111419192A CN 114187976 A CN114187976 A CN 114187976A
- Authority
- CN
- China
- Prior art keywords
- oxygen
- data
- measurement
- multipoint
- grid
- 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
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 title claims abstract description 110
- 239000001301 oxygen Substances 0.000 title claims abstract description 110
- 229910052760 oxygen Inorganic materials 0.000 title claims abstract description 110
- 238000005259 measurement Methods 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 title claims abstract description 22
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims abstract description 30
- 239000003546 flue gas Substances 0.000 claims abstract description 30
- 238000013528 artificial neural network Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 18
- 239000003245 coal Substances 0.000 claims abstract description 16
- 238000012795 verification Methods 0.000 claims abstract description 11
- 238000011065 in-situ storage Methods 0.000 claims abstract description 6
- 238000012360 testing method Methods 0.000 claims abstract description 5
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims 1
- 239000000523 sample Substances 0.000 description 16
- 238000005070 sampling Methods 0.000 description 10
- MCMNRKCIXSYSNV-UHFFFAOYSA-N Zirconium dioxide Chemical compound O=[Zr]=O MCMNRKCIXSYSNV-UHFFFAOYSA-N 0.000 description 8
- 210000002569 neuron Anatomy 0.000 description 6
- 238000010606 normalization Methods 0.000 description 6
- 238000010248 power generation Methods 0.000 description 5
- 238000002485 combustion reaction Methods 0.000 description 3
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
-
- 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
- G06N3/045—Combinations of networks
-
- 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
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Water Supply & Treatment (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
Abstract
本发明公开了一种基于实时测量数据的氧量预测方法,其包括步骤为:(1)在烟道原位氧量测点后加装网格多点氧量测量装置;(2)收集电站锅炉运行的数据;(3)抽取一部分数据作为人工神经网络的训练样本,剩余的数据作为验证样本;(4)设预测时间提前量为t0,并以多个不同t时刻的机组负荷、总给煤量、总风量、烟气流量样本数据为输入,t+t0时刻的网格多点氧量样本数据为预测输出进行训练;(5)对训练好的人工神经网络通过验证样本测试;(6)将验证后的人工神经网络作为氧量补偿预测模型嵌入到测量系统中,负责氧量预测。本发明既有实际氧量硬测量的准确性,又有软测量预测的优点,可以更好地满足送风自动中氧量副调的需求。
Description
技术领域
本发明涉及一种基于实时测量数据的氧量预测方法,属于烟气含氧量监测领域。
背景技术
目前火力发电在我国发电体系中仍然占有主导地位。火力发电的优化方向主要是提高锅炉的燃烧效率和减少污染物的排放。电厂烟气含氧量作为一个和锅炉效率以及污染物排放测量直接相关的参数,其测量的准确性对于指导生产运行有着重要的作用。
如测得的烟气含氧量偏高,表明空气量与燃料量之比偏大,排烟热损失会增大,锅炉效率会降低,且氮氧化物生成量增加,不利于电厂环保排放;如测得烟气含氧量偏低,空气量与燃料量之比偏小,燃烧不充分,固体不完全燃烧损失增大,锅炉效率会降低。
目前电厂常采用氧化锆探头测量烟气中的含氧量,氧化锆普遍布置在烟气温度较低的空预器入口或SCR的出口,此处烟道通流面积大且附近烟道中存在拐弯,部分区域还可能存在涡流,导致烟气含氧量分布很不均匀,同时氧化锆的取样位置、探头伸入长度等因素也会直接影响测量结果,使得氧量测量过程十分困难。
同时,现有方案中,为了提高取样的代表性,往往采用网格多点测量来代替原位单点测量,相比于原有的原位单点测量,网格多点测量提高了测量结果的代表性,但也存在取样管道变长引起更大的氧量测量滞后问题。
此外还有软测量方法,如发明专利《一种电站烟气含氧量的测量方法及系统》(申请号CN202110235773.8),通过统计分析现场试验和历史数据,建立烟气含氧量软测量机理模型,获取烟气含氧量计算公式,然后根据系统传感器获取的现场数据,得到一次风量和燃煤低位发热量,然后结合二次风量的真实密度对烟气含氧量计算公式进行修正。这样的软测量方法烟气含氧量软测量值由DCS系统直接算出,速度快,没有氧化锆测量滞后问题,有利于指导运行人员调整和自动控制优化。缺点是需要知道燃煤低位发热量,另要求锅炉运行期间内状态参数尽可能不变,如漏风量不能发生变化,若发生变化,软测量就无法得到准确的测量结果。
因此,为了精确测量烟道内烟气氧量,有必要提高氧量测量取样的代表性,以及减少氧量的滞后性。
发明内容
本发明的目的在于提供一种基于实时测量数据的氧量预测方法,结合网格多点测量和软测量的优点,以锅炉实时发电功率、煤量、风量,网格多点氧量等实时数据为基础,建立全工况下的氧量补偿预测模型,准确预测烟气中氧含量以满足送风自动中氧量副调的需求。
为实现上述目的,本发明采取的技术方案是:一种基于实时测量数据的氧量预测方法,其包括以下步骤:
步骤一、在烟道原位氧量测点后加装网格多点氧量测量装置;
步骤二、收集一段时间内电站锅炉运行的数据,数据包括:机组负荷、总给煤量、总风量、烟气流量、网格多点氧量;
步骤三、按照不同的工况,抽取一部分数据作为人工神经网络的训练样本,剩余的另一部分数据作为验证样本;
步骤四、设预测时间提前量为t0,并以多个不同t时刻的机组负荷、总给煤量、总风量、烟气流量样本数据为输入,t+t0时刻的网格多点氧量样本数据为预测输出进行训练;
步骤五、对训练好的人工神经网络通过验证样本测试,要求预测相对误差不超过2%;
步骤六、将上述通过验证后的人工神经网络作为氧量补偿预测模型嵌入到测量系统中,负责氧量预测的软测量结果输出。
作为本方案的进一步优选,抽取80%的数据作为人工神经网络的训练样本数据,剩余的20%数据作为验证数据。
作为本方案的进一步优选,训练样本数据和验证样本数据均进行归一化预处理,归一化公式如式(1)所示:
其中,x是指要归一化处理的原始数据,xmax为数据最大可能值,xmin为数据最小可能值,x归一化为处理后的数据,经过预处理后的输入和输出值限定在[-1,1]区间内。
作为本方案的进一步优选,所述人工神经网络采用4-12-1的网络结构,即输入层4个神经元,隐藏层12个神经元,输出层1个神经元。
作为本方案的进一步优选,所述人工神经网络训练采用Levenberg-Marquardt算法。
作为本方案的进一步优选,所述网格多点氧量测量装置输出的氧量数据为硬测量输出,氧量补偿预测模型输出的氧量数据为软测量输出,软测量输出的氧量预测数据与指定提前预测时间段t0后的网格多点硬测量输出值的差值控制在4%以内;若如发现连续多个差值超过4%,则提醒电厂运行人员对多点氧量测量结果进行确认。
作为本方案的进一步优选,若连续多个差值超过4%,且确认网格多点氧量测量结果无误,则对软测量的氧量补偿预测模型进行修正,具体为:记录这些时刻的机组负荷、总煤量、总风量和烟气流量、网格多点氧量数据,根据机组负荷、煤量和风量确定运行工况,用这些新数据去取代原训练样本库中对应运行工况的旧数据,然后重新对人工神经网络进行训练和验证,根据验证后的人工神经网络修改嵌入到测量系统中氧量补偿预测模型,继续负责氧量预测的软测量结果输出。
作为本方案的进一步优选,所述测量系统中嵌入多点氧量测量数据合理性判据,即在满负荷和大负荷运行情况下,烟气氧量应在3-5%范围内,如发现连续20次以上测量数据超出此范围,则认为网格多点氧量测量装置测量结果异常,如网格多点氧量测量数据没有触发上述判据,则认为网格多点氧量测量正常。
本发明的有益效果如下:
(1)氧量测量结果更具有代表性,能够准确反应烟道中烟气氧量;
(2)全工况下的氧量补偿预测模型,可提前准确预测氧量,可以更好地满足送风自动中氧量副调的需求。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
图1是网格多点布置示意图;
图中标记:1-多点取样口(共16个),2-总取样口3-烟道4-支撑杆。
图2是人工神经网络结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
如图1所示,在烟道A侧SCR烟气脱硝系统的出口烟道3处加装网格多点测量装置,烟气从16个网格多点取样口1进入取样装置,多个取样口的烟气汇合后从总取样口2流入后续氧量测量装置。在软测量未投入前,先将多点氧量测量数据上传给DCS。
然后收集14天内电站锅炉运行的实时机组负荷(发电功率)、煤量和一二次风量、原位测点氧量、网格多点氧量数据,这些数据应覆盖锅炉绝大多数运行工况。然后按照不同的工况,抽取了80%的数据作为人工神经网络的训练样本数据,剩余的20%数据作为验证数据。训练样本数据和验证样本数据需要进行归一化预处理,归一化公式如式(1)所示,其中的x是指要归一化处理的原始数据,xmax为数据最大可能值,xmin为数据最小可能值,x归一化为处理后的数据,经过预处理后的输入和输出值都限定在[-1,1]区间内。
如图2所示,人工神经网络采用4-12-1的网络结构,即输入层4个神经元,隐藏层12个神经元,输出层1个神经元,激活函数f形式如式2所示:
提前预测时间定为30秒,人工神经网络训练采用Levenberg-Marquardt算法,该算法使用非线性最小二乘法,利用梯度求最大(小)值,具有梯度法和牛顿法的优点。训练好的人工神经网络,经验证样本验证,与30S后的网格多点氧量测量数据相比,最大预测误差小于1.8%。
然后将4-12-1结构的人工神经网络程序作为氧量补偿预测模型嵌入到测量系统中,负责氧量预测的软测量结果输出,此时对外输出结果有两个:一个是网格多点输出的氧量硬测量数据,另一个是软测量输出的30S后氧量预测数据。经实际测试验证,这两个数据在工况负荷比较稳定时,两者输出结果基本相同,差值不超过2%。在工况负荷多变时,软测量输出的氧量预测数据应与30S后的网格多点硬测量输出值基本相同,绝大多数工况差值都在3%以内,个别工况在4%以内。
同时在测量主程序中嵌入多点氧量测量数据合理性判据,即在满负荷和大负荷运行情况下,烟气氧量应在3-5%范围内,允许极个别点超出此范围,如发现连续20次测量以上发现数据超出此范围,认为网格多点氧量测量装置测量结果异常,此时即使软测量预测结果与30S秒后的网格多点测量有着较大的差值,也不启动软测量里BP网络程序的重新训练。如网格多点氧量测量数据没有触发上述判据,则认为网格多点氧量测量正常,如软测量输出的氧量预测数据应与30S后的网格多点硬测量输出值差值连续10次超过4%,则记录这些差值超过4%时的工况数据如机组负荷(发电功率)、总给煤量、总风量、烟气流量、网格多点氧量数据,然后启动自修正程序,在后台将上述记录的数据补充进训练样本,然后重新对人工神经网络进行训练,训练后的人工神经网络替代原有的神经网络,继续负责氧量预测的软测量结果输出。
在测量系统正常运行条件下,应以软测量输出的氧量预测数据作为送风自动中氧量副调的参考数据。
综上,本发明以网格多点的实时氧量测量数据为基础,通过人工神经网络建立基于机组负荷、总煤量、总风量、烟气流量和氧气氧量之间的预测关系,减少网格多点氧量测量的滞后性。同时通过对比氧量预测值与预测时间对应点的网格多点测量值,随时对人工神经网络进行再训练,可避免软测量预测数据因锅炉状态参数、煤质的改变而引起的软测量失效问题。本发明既有实际氧量硬测量的准确性,又有软测量预测的优点,可以更好地满足送风自动中氧量副调的需求。
以上显示和描述了本发明的基本原理、主要特征和优点。本领域的普通技术人员应该了解,上述实施例不以任何形式限制本发明的保护范围,凡采用等同替换等方式所获得的技术方案,均落于本发明的保护范围内。本发明未涉及部分均与现有技术相同或可采用现有技术加以实现。
Claims (5)
1.一种基于实时测量数据的氧量预测方法,其特征在于包括以下步骤:
步骤一、在烟道原位氧量测点后加装网格多点氧量测量装置;
步骤二、收集一段时间内电站锅炉运行的数据,数据包括:机组负荷、总给煤量、总风量、烟气流量、网格多点氧量;
步骤三、按照不同的工况,抽取一部分数据作为人工神经网络的训练样本,剩余的另一部分数据作为验证样本;
步骤四、设预测时间提前量为t0,并以多个不同t时刻的机组负荷、总给煤量、总风量、烟气流量样本数据为输入,t+t0时刻的网格多点氧量样本数据为预测输出进行训练;
步骤五、对训练好的人工神经网络通过验证样本测试,要求预测相对误差不超过2%;
步骤六、将上述通过验证后的人工神经网络作为氧量补偿预测模型嵌入到测量系统中,负责氧量预测的软测量结果输出。
2.根据权利要求1所述的一种基于实时测量数据的氧量预测方法,其特征在于,所述步骤三中,抽取80%的数据作为人工神经网络的训练样本数据,剩余的20%数据作为验证数据。
3.根据权利要求1所述的一种基于实时测量数据的氧量预测方法,其特征在于,所述网格多点氧量测量装置输出的氧量数据为硬测量输出,氧量补偿预测模型输出的氧量数据为软测量输出,软测量输出的氧量预测数据与指定提前预测时间段t0后的网格多点硬测量输出值的差值控制在4%以内;若发现连续多个差值超过4%,则提醒电厂运行人员对多点氧量测量结果进行确认。
4.根据权利要求3所述的一种基于实时测量数据的氧量预测方法,其特征在于,若连续多个差值超过4%,且确认网格多点氧量测量结果无误,则对软测量的氧量补偿预测模型进行修正,具体为:记录这些时刻的机组负荷、总煤量、总风量和烟气流量、网格多点氧量数据,根据机组负荷、煤量和风量确定运行工况,用这些新数据去取代原训练样本库中对应运行工况的旧数据,然后重新对人工神经网络进行训练和验证,根据验证后的人工神经网络修改嵌入到测量系统中氧量补偿预测模型,继续负责氧量预测的软测量结果输出。
5.根据权利要求4所述的一种基于实时测量数据的氧量预测方法,其特征在于,所述测量系统中嵌入多点氧量测量数据合理性判据,即在满负荷和大负荷运行情况下,烟气氧量应在3-5%范围内,如发现连续20次以上测量数据超出此范围,则认为网格多点氧量测量装置测量结果异常,如网格多点氧量测量数据没有触发上述判据,则认为网格多点氧量测量正常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111419192.6A CN114187976B (zh) | 2021-11-26 | 一种基于实时测量数据的氧量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111419192.6A CN114187976B (zh) | 2021-11-26 | 一种基于实时测量数据的氧量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114187976A true CN114187976A (zh) | 2022-03-15 |
CN114187976B CN114187976B (zh) | 2024-07-12 |
Family
ID=
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116189805A (zh) * | 2023-04-19 | 2023-05-30 | 北京全应科技有限公司 | 一种基于氧量预测的煤质变化监测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002364425A (ja) * | 2001-06-05 | 2002-12-18 | Unisia Jecs Corp | 内燃機関の空燃比制御装置 |
US20070250215A1 (en) * | 2006-04-25 | 2007-10-25 | Pegasus Technologies, Inc. | System for optimizing oxygen in a boiler |
CN211205941U (zh) * | 2019-12-13 | 2020-08-07 | 华电淄博热电有限公司 | 一种差压式烟气网格化多点取样装置 |
CN111651847A (zh) * | 2019-02-18 | 2020-09-11 | 新奥数能科技有限公司 | 一种确定燃气锅炉的运行氧量的方法及装置 |
CN112856478A (zh) * | 2021-01-14 | 2021-05-28 | 新智数字科技有限公司 | 燃气锅炉的空燃比调节方法、装置、设备和介质 |
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002364425A (ja) * | 2001-06-05 | 2002-12-18 | Unisia Jecs Corp | 内燃機関の空燃比制御装置 |
US20070250215A1 (en) * | 2006-04-25 | 2007-10-25 | Pegasus Technologies, Inc. | System for optimizing oxygen in a boiler |
CN111651847A (zh) * | 2019-02-18 | 2020-09-11 | 新奥数能科技有限公司 | 一种确定燃气锅炉的运行氧量的方法及装置 |
CN211205941U (zh) * | 2019-12-13 | 2020-08-07 | 华电淄博热电有限公司 | 一种差压式烟气网格化多点取样装置 |
CN112856478A (zh) * | 2021-01-14 | 2021-05-28 | 新智数字科技有限公司 | 燃气锅炉的空燃比调节方法、装置、设备和介质 |
Non-Patent Citations (2)
Title |
---|
LI JIAN ET AL: ""Research on the soft sensing methods of oxygen content in flue gas"", PROCESS AUTOMATION INSTRUMENTATION, vol. 37, no. 6, 20 June 2016 (2016-06-20), pages 83 - 85 * |
孔凡义;宋严强;闵国政;田林林;: "燃煤锅炉烟气氧量多点测量装置优化设计", 资源节约与环保, no. 12, 25 December 2019 (2019-12-25), pages 27 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116189805A (zh) * | 2023-04-19 | 2023-05-30 | 北京全应科技有限公司 | 一种基于氧量预测的煤质变化监测方法 |
CN116189805B (zh) * | 2023-04-19 | 2023-07-21 | 北京全应科技有限公司 | 一种基于氧量预测的煤质变化监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109541168B (zh) | 一种煤粉经济细度在线监测与调整方法 | |
CN101858591B (zh) | 锅炉水冷壁高温腐蚀状态诊断及预防系统及方法 | |
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 | |
CN110991756B (zh) | 基于ts模糊神经网络的mswi炉膛温度预测方法 | |
CN113033873B (zh) | 基于入炉煤质测量的脱硫系统入口硫氧化物含量预测方法 | |
CN111880504A (zh) | 一种智能的动态分区喷氨控制方法和系统 | |
CN116557950A (zh) | 一种基于人工智能的集中供热热网运行故障监测预警系统 | |
CN108197723B (zh) | 煤电机组供电煤耗与污染物排放的优化节能调度方法 | |
CN113918881A (zh) | 基于分层多项式模型的飞灰含碳量软测量方法及监测系统 | |
CN115145152A (zh) | 一种锅炉燃烧与脱硝过程协同优化控制的方法 | |
CN113418207B (zh) | 一种电站炉膛燃烧监测诊断装置及方法 | |
CN201811207U (zh) | 锅炉水冷壁高温腐蚀状态诊断及预防系统 | |
CN114187976B (zh) | 一种基于实时测量数据的氧量预测方法 | |
CN108021027B (zh) | 一种超临界循环流化床机组输出功率预测系统及方法 | |
CN114418169A (zh) | 一种基于大数据挖掘的在线运行优化系统 | |
CN114187976A (zh) | 一种基于实时测量数据的氧量预测方法 | |
CN113836794B (zh) | 一种软硬结合的飞灰含碳量在线监测方法 | |
CN207478283U (zh) | 一种火电机组脱硝实时控制装置 | |
CN114675607A (zh) | 结合火焰温度的入炉煤热值预测与校正控制方法 | |
CN111911907B (zh) | 一种基于归一化误差积分的加热器水位控制品质评估方法 | |
CN113887116A (zh) | 一种电站锅炉动态运行主汽温延迟特性建模方法 | |
CN113032970A (zh) | 一种电站烟气含氧量的测量方法及系统 | |
CN113587136B (zh) | 燃煤火电厂入炉煤热值在线实时检测方法、系统及装置 | |
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 | |
CN115616139B (zh) | 一种提高碳排放计算准确率的方法及系统 |
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 |