CN114637212A - 一种氧含量预测控制方法及系统 - Google Patents

一种氧含量预测控制方法及系统 Download PDF

Info

Publication number
CN114637212A
CN114637212A CN202210531394.8A CN202210531394A CN114637212A CN 114637212 A CN114637212 A CN 114637212A CN 202210531394 A CN202210531394 A CN 202210531394A CN 114637212 A CN114637212 A CN 114637212A
Authority
CN
China
Prior art keywords
oxygen content
value
particle
combustion device
combinations
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
Application number
CN202210531394.8A
Other languages
English (en)
Other versions
CN114637212B (zh
Inventor
蒋善行
郑政杰
李钦武
练海军
周春于
颜舒倩
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.)
Zhejiang Haopu Intelligent Technology Co ltd
Original Assignee
Zhejiang Haopu Intelligent Technology Co ltd
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 Zhejiang Haopu Intelligent Technology Co ltd filed Critical Zhejiang Haopu Intelligent Technology Co ltd
Priority to CN202210531394.8A priority Critical patent/CN114637212B/zh
Publication of CN114637212A publication Critical patent/CN114637212A/zh
Application granted granted Critical
Publication of CN114637212B publication Critical patent/CN114637212B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • Y02E20/00—Combustion technologies with mitigation potential
    • Y02E20/34—Indirect CO2mitigation, i.e. by acting on non CO2directly related matters of the process, e.g. pre-heating or heat recovery

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Automation & Control Theory (AREA)
  • Regulation And Control Of Combustion (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明涉及一种氧含量预测控制方法及系统，基于历史工况数据选择影响燃烧装置运行状态的目标参数组合的多种数值组合；利用粒子群算法对目标参数组合的多种数值组合进行优化，得到优化后的数值组合；根据优化后的数值组合及对应的氧含量数值训练向量回归机；利用训练后的向量回归机得到燃烧装置的氧含量预测值；根据氧含量预测值和氧含量目标值对燃烧装置的运行状态进行调整。本发明采用粒子群算法得到目标参数组合最优的数值组合，利用最优的数值组合训练向量回归机预测模型，使得氧含量的预测更加精准，从而实现对氧含量精准的调控。

Description

一种氧含量预测控制方法及系统
技术领域
本发明涉及数据预测控制领域，特别是涉及一种氧含量预测控制方法及系统。
背景技术
节能、环保是各发电企业必须要面临的问题，提高锅炉运行效率是降低发电煤耗的关键。烟气含氧量是锅炉燃烧状态的重要指标，与锅炉燃烧效率、污染物的排放等有着密切关系，烟气含氧量的高低是实现锅炉高效燃烧、降低碳排放的重要基础。在锅炉的实际运行过程中，由于高温、高压等恶劣环境因素的影响，烟气含氧量的变化出现多种可能，这些可能性都会造成锅炉效率的降低和资源的浪费，因此，分析控制含氧量的变化对于锅炉的节能减排有着十分重要的意义。
发明内容
本发明的目的是提供一种氧含量预测控制方法及系统，采用粒子群算法得到目标参数组合最优的数值组合，利用最优的数值组合训练向量回归机预测模型，使得氧含量的预测更加精准，从而实现对氧含量精准的调控。
为实现上述目的，本发明提供了如下方案：
一种氧含量预测控制方法，包括：
获取燃烧装置运行的历史工况数据；
基于所述历史工况数据选择影响所述燃烧装置运行状态的目标参数组合的多种数值组合；所述目标参数组合包括机组负荷、燃料量、炉膛压力、一次送风量、一次风温、二次送风量、二次风温、主汽压力、主汽流量、给水流量和排烟温度；
利用粒子群算法对所述目标参数组合的多种数值组合进行优化，得到优化后的数值组合；
根据所述优化后的数值组合及对应的氧含量数值训练向量回归机，得到训练后的向量回归机；
利用训练后的向量回归机得到所述燃烧装置的氧含量预测值；
根据所述氧含量预测值和氧含量目标值对所述燃烧装置的运行状态进行调整。
可选的，所述利用粒子群算法对所述目标参数组合的多种数值组合进行优化，得到优化后的数值组合，具体包括：
根据所述目标参数组合的多种数值组合产生初始粒子群；
设定所述初始粒子群中粒子的个体初始最佳位置和初始全局最佳位置；
计算当前粒子群中每个所述粒子的适应度值；
根据所述适应度值确定每个所述粒子的个体最优位置和整个种群全局最优位置；
根据粒子速度更新公式和粒子位置更新公式对当前所述粒子群中的每个所述粒子的速度和位置进行更新；
判断当前迭代次数是否等于最大迭代次数；
若是，则输出当前所述粒子群；
若否，则返回步骤“计算当前粒子群中每个所述粒子的适应度值”，直至当前所述迭代次数达到最大迭代次数。
可选的，计算当前所述粒子群中每个所述粒子的适应度值采用的适应度函数表达式为：
Figure 304287DEST_PATH_IMAGE001
其中，m表示当前粒子群的粒子个数；N i 表示第i个粒子对应的氧含量历史值；M i 表示第i个粒子对应的氧含量目标值。
可选的，所述根据所述氧含量预测值和氧含量目标值对所述燃烧装置的运行状态进行调整，具体包括：
计算所述氧含量预测值和所述氧含量目标值的偏差值；
根据偏差值调整所述燃烧装置的所述一次送风量和/或所述二次送风量。
可选的，所述根据所述氧含量预测值和氧含量目标值对所述燃烧装置的运行状态进行调整，具体包括：
计算所述氧含量预测值和所述氧含量目标值的偏差值；
根据所述偏差值结合当前所述燃料量的变化前反馈结果调整所述燃烧装置的所述一次送风量和/或所述二次送风量。
一种氧含量预测控制系统，包括：
数据获取模块，用于获取燃烧装置运行的历史工况数据；
目标参数组合获取模块，用于基于所述历史工况数据选择影响所述燃烧装置运行状态的目标参数组合的多种数值组合；所述目标参数组合包括机组负荷、燃料量、炉膛压力、一次送风量、一次风温、二次送风量、二次风温、主汽压力、主汽流量、给水流量和排烟温度；
优化模块，用于利用粒子群算法对所述目标参数组合的多种数值组合进行优化，得到优化后的数值组合；
训练模块，用于根据所述优化后的数值组合及对应的氧含量数值训练向量回归机，得到训练后的向量回归机；
预测模块，用于利用训练后的向量回归机得到所述燃烧装置的氧含量预测值；
控制模块，用于根据所述氧含量预测值和氧含量目标值对所述燃烧装置的运行状态进行调整。
可选的，所述优化模块具体包括：
根据所述目标参数组合的多种数值组合产生初始粒子群；
设定所述初始粒子群中粒子的个体初始最佳位置和初始全局最佳位置；
计算当前粒子群中每个所述粒子的适应度值；
根据所述适应度值确定每个所述粒子的个体最优位置和整个种群全局最优位置；
根据粒子速度更新公式和粒子位置更新公式对当前所述粒子群中的每个所述粒子的速度和位置进行更新；
判断当前迭代次数是否等于最大迭代次数；
若是，则输出当前所述粒子群；
若否，则返回步骤“计算当前粒子群中每个所述粒子的适应度值”，直至当前所述迭代次数达到最大迭代次数。
可选的，所述控制模块具体包括：
计算所述氧含量预测值和所述氧含量目标值的偏差值；
根据偏差值调整所述燃烧装置的所述一次送风量和/或所述二次送风量。
可选的，所述控制模块具体包括：
计算所述氧含量预测值和所述氧含量目标值的偏差值；
根据所述偏差值结合当前所述燃料量的变化前反馈结果调整所述燃烧装置的所述一次送风量和/或所述二次送风量。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供一种氧含量预测控制方法及系统，基于历史工况数据选择影响燃烧装置运行状态的目标参数组合的多种数值组合；利用粒子群算法对目标参数组合的多种数值组合进行优化，得到优化后的数值组合；根据优化后的数值组合及对应的氧含量数值训练向量回归机；利用训练后的向量回归机得到燃烧装置的氧含量预测值；根据氧含量预测值和氧含量目标值对燃烧装置的运行状态进行调整。本发明采用粒子群算法得到目标参数组合最优的数值组合，利用最优的数值组合训练向量回归机预测模型，使得氧含量的预测更加精准，从而实现对氧含量精准的调控。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例1提供的一种氧含量预测控制方法流程图；
图2为本发明实施例1提供的氧含量控制流程图；
图3为本发明实施例2提供的一种氧含量预测控制系统框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术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，都属于本发明保护的范围。
本发明的目的是提供一种氧含量预测控制方法及系统，通过大数据采集机组负荷、燃料量、炉膛压力、一次送风量和风温、二次送风量和风温、主汽压力和流量、给水流量、排烟温度等参数，并将不同纲量和数量级的参数进行归一化的预处理，将预处理的数据输入到粒子群-向量机预测模型系统，以实时对氧含量监测值进行反馈校准，得到氧含量预测值。再将预测和目标氧含量的值导入燃料-送风交叉控制系统，通过改变送风量和燃料量来控制烟气氧含量在最优值附近，使得燃烧处在最佳状态，从而提高了锅炉的热效率，节省了能源消耗，为企业带来了一定的经济效益。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
如图1所示，本实施例提供一种氧含量预测控制方法，包括：
步骤S1：获取燃烧装置运行的历史工况数据。
步骤S2：基于所述历史工况数据选择影响所述燃烧装置运行状态的目标参数组合的多种数值组合；所述目标参数组合包括机组负荷、燃料量、炉膛压力、一次送风量、一次风温、二次送风量、二次风温、主汽压力、主汽流量、给水流量和排烟温度。每一数值组合下对应一种氧含量值。
根据锅炉的燃烧特性选择机组负荷、燃料量、炉膛压力、一次送风量、一次风温、二次送风量、二次风温、主汽压力、主汽流量、给水流量、排烟温度11个参数作为目标参数组合，对目标参数组合从锅炉运行的历史工况数据中挑选出不同负荷下共m对样本（对应的是多种数值组合），经过坏数据剔除、滤波和输入数据的归一化预处理。
步骤S3：利用粒子群算法对所述目标参数组合的多种数值组合进行优化，得到优化后的数值组合。
具体的步骤S3具体包括：
根据所述目标参数组合的多种数值组合产生初始粒子群；目标参数组合的一种数值组合作为一个粒子。
设定所述初始粒子群中粒子的个体初始最佳位置和初始全局最佳位置；
计算当前粒子群中每个所述粒子的适应度值；
其中，计算当前粒子群中每个所述粒子的适应度值采用的适应度函数表达式为：
Figure 752586DEST_PATH_IMAGE001
其中，m表示当前粒子群的粒子个数；N i 表示第i个粒子对应的氧含量历史值；M i 表示第i个粒子对应的氧含量目标值。
根据所述适应度值确定每个所述粒子的个体最优位置和整个种群全局最优位置；
根据粒子速度更新公式和粒子位置更新公式对当前所述粒子群中的每个所述粒子的速度和位置进行更新；
判断当前迭代次数是否等于最大迭代次数；
若是，则输出当前所述粒子群。下一步骤中利用当前粒子群中的所有粒子对向量回归机进行训练。
若否，则返回步骤“计算当前粒子群中每个所述粒子的适应度值”，直至当前所述迭代次数达到最大迭代次数。
粒子群算法将每个粒子视为是n维搜索空间中的没有体积的点，由位置和速度两个属性构成。粒子群算法的实现方法如下：
1.参数初始化
假设在n（n=11）维的空间中，其中第i个粒子的位置表示为：Xi=（xi1，xi2，…，xin）i=1,2,3…,m，速度为Vij=(vi1，vi2，…，vin)；j=1,2，...，n；
设定粒子群规模，学习因子C1，C2参数，最大迭代次数kmax等参数，粒子搜索速度的限制是[-Vmax，Vmax]，设定粒子个体初始最佳位置Xb和初始全局最佳位置Xbz等。
2.更新粒子速度和粒子位置
速度迭代公式如下：
Vij k=βVij k-1+C1（Xbij-Vij k-1）+C2（Xbzj-Vij k-1）
β—惯性权重，C1，C2—学习因子，其中，C1是认知因子，代表了向自身极值趋近的加速权值；C2表示社会因子，是趋近全局极值的加速权值。
确定粒子自身的最优位置记为Xbi=（xbi1，xbi2，…，xbin），其迭代公式如下：
Xbi k=Xbi k-1+Vij k，其中，k—当前迭代次数；k-1—上一次迭代次数；
在寻优过程中，粒子群迭代了若干步之后，整个种群全局最优位置记为Xbz。
3.计算适应度函数
向量回归机的训练和预测效果好坏取决于适应度函数的选择，本文选择均方误差为适应度函数。
4.终止条件判断
如果在设定的最大迭代次数kmax之前，适应度函数就达到了设置的极值并收敛，就终止迭代；否则继续迭代寻优，直到最大迭代次数。
步骤S4：根据所述优化后的数值组合及对应的氧含量数值训练向量回归机，得到训练后的向量回归机；
步骤S5：利用训练后的向量回归机得到所述燃烧装置的氧含量预测值；
步骤S6：根据所述氧含量预测值和氧含量目标值对所述燃烧装置的运行状态进行调整。
作为一种可选的实施方式，在燃料量没有发生变化的情况下，步骤S6具体包括：
计算所述氧含量预测值和所述氧含量目标值的偏差值；
根据偏差值调整所述燃烧装置的所述一次送风量和/或所述二次送风量。
作为另一种可选的实施方式，在燃料量发生变化的情况下，如图2所示，步骤S6具体包括：
计算所述氧含量预测值和所述氧含量目标值的偏差值；
根据所述偏差值结合当前燃料量的变化前反馈结果调整所述燃烧装置的所述一次送风量和/或所述二次送风量。
采用带前反馈的风量控制策略，如氧含量控制流程图2所示。根据预测氧含量和目标氧含量的差值的变化，改变进入锅炉的总送风量来控制氧含量。同时，将燃料量作为前馈进行补偿，以克服燃料量变化对氧含量的影响。当预测的氧含量偏离了目标氧含量，通过控制总送风量来保证烟气氧含量在最优值附近。燃料量变化时，通过前发馈控制器进行补偿，提前改变空燃比，保持一定的空燃比，使氧含量基本维持在最佳燃烧状态范围内波动。
本实施例中，（1）采用粒子群算法得到目标参数组合最优的数值组合，利用最优的数值组合训练向量回归机预测模型，使得含氧量的预测更加精准；（2）采用前反馈风量控制对含氧量进行控制，具有计算量小、适应性强等优点；（3）通过含氧量的预测控制，从而提高了锅炉的热效率，节省了能源消耗，减少污染物的生成，为企业带来了一定的经济效益。
实施例2
如图3所示，本实施例提供一种氧含量预测控制系统，包括：
数据获取模块M1，用于获取燃烧装置运行的历史工况数据；
目标参数组合获取模块M2，用于基于所述历史工况数据选择影响所述燃烧装置运行状态的目标参数组合的多种数值组合；所述目标参数组合包括机组负荷、燃料量、炉膛压力、一次送风量、一次风温、二次送风量、二次风温、主汽压力、主汽流量、给水流量和排烟温度；
优化模块M3，用于利用粒子群算法对所述目标参数组合的多种数值组合进行优化，得到优化后的数值组合；
所述优化模块M3具体包括：
根据所述目标参数组合的多种数值组合产生初始粒子群；
设定所述初始粒子群中粒子的个体初始最佳位置和初始全局最佳位置；
计算当前粒子群中每个所述粒子的适应度值；
根据所述适应度值确定每个所述粒子的个体最优位置和整个种群全局最优位置；
根据粒子速度更新公式和粒子位置更新公式对当前所述粒子群中的每个所述粒子的速度和位置进行更新；
判断当前迭代次数是否等于最大迭代次数；
若是，则输出当前所述粒子群；
若否，则返回步骤“计算当前粒子群中每个所述粒子的适应度值”，直至当前所述迭代次数达到最大迭代次数。
训练模块M4，用于根据所述优化后的数值组合及对应的氧含量数值训练向量回归机，得到训练后的向量回归机；
预测模块M5，用于利用训练后的向量回归机得到所述燃烧装置的氧含量预测值；
控制模块M6，用于根据所述氧含量预测值和氧含量目标值对所述燃烧装置的运行状态进行调整。
所述控制模块M6具体包括：（在燃料量未发生变化的情况下）
计算所述氧含量预测值和所述氧含量目标值的偏差值；
根据偏差值调整所述燃烧装置的所述一次送风量和/或所述二次送风量。
或者所述控制模块M6具体包括：（在燃料量发生变化的情况下）
计算所述氧含量预测值和所述氧含量目标值的偏差值；
根据所述偏差值结合当前燃料量的变化前反馈结果调整所述燃烧装置的所述一次送风量和/或所述二次送风量。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (9)

1.一种氧含量预测控制方法，其特征在于，包括：
获取燃烧装置运行的历史工况数据；
基于所述历史工况数据选择影响所述燃烧装置运行状态的目标参数组合的多种数值组合；所述目标参数组合包括机组负荷、燃料量、炉膛压力、一次送风量、一次风温、二次送风量、二次风温、主汽压力、主汽流量、给水流量和排烟温度；
利用粒子群算法对所述目标参数组合的多种数值组合进行优化，得到优化后的数值组合；
根据所述优化后的数值组合及对应的氧含量数值训练向量回归机，得到训练后的向量回归机；
利用训练后的向量回归机得到所述燃烧装置的氧含量预测值；
根据所述氧含量预测值和氧含量目标值对所述燃烧装置的运行状态进行调整。
2.根据权利要求1所述的方法，其特征在于，所述利用粒子群算法对所述目标参数组合的多种数值组合进行优化，得到优化后的数值组合，具体包括：
步骤T1：根据所述目标参数组合的多种数值组合产生初始粒子群；
步骤T2：设定所述初始粒子群中粒子的个体初始最优位置和种群初始全局最优位置；
步骤T3：计算当前粒子群中每个所述粒子的适应度值；
步骤T4：根据所述适应度值确定每个所述粒子的个体最优位置和整个种群全局最优位置；
步骤T5：根据粒子速度更新公式和粒子位置更新公式对当前所述粒子群中的每个所述粒子的速度和位置进行更新；
步骤T6：判断当前迭代次数是否等于最大迭代次数；若是，则输出当前所述粒子群；若否，则返回步骤T3，直至当前所述迭代次数达到最大迭代次数。
3.根据权利要求2所述的方法，其特征在于，计算当前所述粒子群中每个所述粒子的适应度值采用的适应度函数表达式为：
Figure DEST_PATH_IMAGE001
其中，m表示当前粒子群的粒子个数；N i 表示第i个粒子对应的氧含量历史值；M i 表示第i个粒子对应的氧含量目标值。
4.根据权利要求1所述的方法，其特征在于，所述根据所述氧含量预测值和氧含量目标值对所述燃烧装置的运行状态进行调整，具体包括：
计算所述氧含量预测值和所述氧含量目标值的偏差值；
根据偏差值调整所述燃烧装置的所述一次送风量和/或所述二次送风量。
5.根据权利要求1所述的方法，其特征在于，所述根据所述氧含量预测值和氧含量目标值对所述燃烧装置的运行状态进行调整，具体包括：
计算所述氧含量预测值和所述氧含量目标值的偏差值；
根据所述偏差值结合当前所述燃料量的变化前反馈结果调整所述燃烧装置的所述一次送风量和/或所述二次送风量。
6.一种基于权利要求1至5任一项所述方法的氧含量预测控制系统，其特征在于，包括：
数据获取模块，用于获取燃烧装置运行的历史工况数据；
目标参数组合获取模块，用于基于所述历史工况数据选择影响所述燃烧装置运行状态的目标参数组合的多种数值组合；所述目标参数组合包括机组负荷、燃料量、炉膛压力、一次风量、一次风温、二次风量、二次风温、主汽压力、主汽流量、给水流量和排烟温度；
优化模块，用于利用粒子群算法对所述目标参数组合的多种数值组合进行优化，得到优化后的数值组合；
训练模块，用于根据所述优化后的数值组合及对应的氧含量数值训练向量回归机，得到训练后的向量回归机；
预测模块，用于利用训练后的向量回归机得到所述燃烧装置的氧含量预测值；
控制模块，用于根据所述氧含量预测值和氧含量目标值对所述燃烧装置的运行状态进行调整。
7.根据权利要求6所述的系统，其特征在于，所述优化模块具体包括：
初始粒子群构建单元，用于根据所述目标参数组合的多种数值组合产生初始粒子群；
位置设定单元，用于设定所述初始粒子群中粒子的个体初始最佳位置和初始全局最佳位置；
适应度计算单元，用于计算当前粒子群中每个所述粒子的适应度值；
最优位置确定单元，用于根据所述适应度值确定每个所述粒子的个体最优位置和整个种群全局最优位置；
更新单元，用于根据粒子速度更新公式和粒子位置更新公式对当前所述粒子群中的每个所述粒子的速度和位置进行更新；
判断单元，用于判断当前迭代次数是否等于最大迭代次数；若是，则输出当前所述粒子群；若否，则返回执行所述适应度计算单元，直至当前所述迭代次数达到最大迭代次数。
8.根据权利要求6所述的系统，其特征在于，所述控制模块具体包括：
第一偏差计算单元，用于计算所述氧含量预测值和所述氧含量目标值的偏差值；
第一调整单元，用于根据偏差值调整所述燃烧装置的所述一次送风量和/或所述二次送风量。
9.根据权利要求6所述的系统，其特征在于，所述控制模块具体包括：
第二偏差计算单元，用于计算所述氧含量预测值和所述氧含量目标值的偏差值；
第二调整单元，用于根据所述偏差值结合当前所述燃料量的变化前反馈结果调整所述燃烧装置的所述一次送风量和/或所述二次送风量。
CN202210531394.8A 2022-05-17 2022-05-17 一种氧含量预测控制方法及系统 Active CN114637212B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210531394.8A CN114637212B (zh) 2022-05-17 2022-05-17 一种氧含量预测控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210531394.8A CN114637212B (zh) 2022-05-17 2022-05-17 一种氧含量预测控制方法及系统

Publications (2)

Publication Number Publication Date
CN114637212A true CN114637212A (zh) 2022-06-17
CN114637212B CN114637212B (zh) 2022-08-30

Family

ID=81952809

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210531394.8A Active CN114637212B (zh) 2022-05-17 2022-05-17 一种氧含量预测控制方法及系统

Country Status (1)

Country Link
CN (1) CN114637212B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN107016455A (zh) * 2017-02-27 2017-08-04 浙江大学 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
CN107289998A (zh) * 2017-05-12 2017-10-24 淮阴工学院 基于can总线的猪舍环境温度智能监测系统
CN107895205A (zh) * 2017-11-07 2018-04-10 武汉大学 基于粒子群‑支持向量回归的gis触头热点温度预测方法
CN109492807A (zh) * 2018-11-01 2019-03-19 大唐环境产业集团股份有限公司 基于改进量子粒子群算法的锅炉noｘ预测模型优化方法
CN109657847A (zh) * 2018-12-06 2019-04-19 华中科技大学 基于粒子群优化支持向量回归的工业生产中故障预测方法
CN109657709A (zh) * 2018-12-06 2019-04-19 湖北博华自动化系统工程有限公司 一种基于粒子群优化支持向量回归的设备故障预测方法
CN109765331A (zh) * 2018-10-08 2019-05-17 陕西科技大学 一种基于最小二乘支持向量机的烟气氧含量软测量系统
CN109992844A (zh) * 2019-03-13 2019-07-09 上海电力学院 一种基于adqpso-svr模型的锅炉飞灰含碳量预测方法
CN111061149A (zh) * 2019-07-01 2020-04-24 浙江逸智信息科技有限公司 基于深度学习预测控制优化的循环流化床节煤降耗的方法
CN111931413A (zh) * 2020-06-22 2020-11-13 中国人民解放军陆军军事交通学院 基于带极值扰动的混沌粒子群的优化极限学习机高海拔柴油机性能预测方法
CN112085277A (zh) * 2020-09-10 2020-12-15 南京工业大学 一种基于机器学习的scr脱硝系统预测模型优化方法
CN112287598A (zh) * 2020-09-28 2021-01-29 山西漳山发电有限责任公司 一种基于粒子群参数优化的飞灰含碳量预测方法
CN112818608A (zh) * 2021-02-22 2021-05-18 南方电网调峰调频发电有限公司 一种基于改进的粒子群优化算法与支持向量机的中长期径流预报方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN107016455A (zh) * 2017-02-27 2017-08-04 浙江大学 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
CN107289998A (zh) * 2017-05-12 2017-10-24 淮阴工学院 基于can总线的猪舍环境温度智能监测系统
CN107895205A (zh) * 2017-11-07 2018-04-10 武汉大学 基于粒子群‑支持向量回归的gis触头热点温度预测方法
CN109765331A (zh) * 2018-10-08 2019-05-17 陕西科技大学 一种基于最小二乘支持向量机的烟气氧含量软测量系统
CN109492807A (zh) * 2018-11-01 2019-03-19 大唐环境产业集团股份有限公司 基于改进量子粒子群算法的锅炉noｘ预测模型优化方法
CN109657709A (zh) * 2018-12-06 2019-04-19 湖北博华自动化系统工程有限公司 一种基于粒子群优化支持向量回归的设备故障预测方法
CN109657847A (zh) * 2018-12-06 2019-04-19 华中科技大学 基于粒子群优化支持向量回归的工业生产中故障预测方法
CN109992844A (zh) * 2019-03-13 2019-07-09 上海电力学院 一种基于adqpso-svr模型的锅炉飞灰含碳量预测方法
CN111061149A (zh) * 2019-07-01 2020-04-24 浙江逸智信息科技有限公司 基于深度学习预测控制优化的循环流化床节煤降耗的方法
CN111931413A (zh) * 2020-06-22 2020-11-13 中国人民解放军陆军军事交通学院 基于带极值扰动的混沌粒子群的优化极限学习机高海拔柴油机性能预测方法
CN112085277A (zh) * 2020-09-10 2020-12-15 南京工业大学 一种基于机器学习的scr脱硝系统预测模型优化方法
CN112287598A (zh) * 2020-09-28 2021-01-29 山西漳山发电有限责任公司 一种基于粒子群参数优化的飞灰含碳量预测方法
CN112818608A (zh) * 2021-02-22 2021-05-18 南方电网调峰调频发电有限公司 一种基于改进的粒子群优化算法与支持向量机的中长期径流预报方法

Also Published As

Publication number Publication date
CN114637212B (zh) 2022-08-30

Similar Documents

Publication Publication Date Title
CN110368808B (zh) 一种scr烟气脱硝系统的喷氨量控制方法及系统
Fang et al. Backstepping-based nonlinear adaptive control for coal-fired utility boiler–turbine units
US8185216B2 (en) Plant controlling device and method, thermal power plant, and its control method
Kusiak et al. Combustion efficiency optimization and virtual testing: A data-mining approach
CN111765445A (zh) 一种锅炉在线燃烧优化控制方法、系统及计算机设备
CN107203687B (zh) 吸收塔脱硫过程多目标协同智能优化控制方法
US9952566B2 (en) Method for controlling and/or regulating a technical system in a computer-assisted manner
Song et al. Constraint-based control of boiler efficiency: A data-mining approach
CN104534507A (zh) 一种锅炉燃烧优化控制方法
CN114721263B (zh) 基于机器学习和智能优化算法的水泥分解炉智慧调控方法
Qiao A novel online modeling for NOx generation prediction in coal-fired boiler
CN114637212B (zh) 一种氧含量预测控制方法及系统
Zheng et al. Data-driven based multi-objective combustion optimization covering static and dynamic states
Zhang et al. Robust constrained fuzzy affine model predictive control with application to a fluidized bed combustion plant
CN110684547A (zh) 一种生物质热解炭化窑优化控制方法
KR20200118685A (ko) 보일러 연소 모델 도출 장치 및 방법
CN115309050A (zh) 基于双层结构的燃-燃联合动力装置多目标优化控制方法
CN109506248B (zh) 一种基于可在线寻优的案例推理锅炉燃烧优化方法
Fang et al. Data‐driven control for combustion process of circulating fluidised bed boiler
CN112036091A (zh) 一种利用回归算法预测四角切圆燃烧器喷口风量的方法
Chen et al. Lowering Nitrogen Oxide Emissions in a Coal-Powered 1000-MW Boiler
CN111520740B (zh) 一种多个多孔介质燃烧器协调优化运行的方法
Zhong et al. Supervisory Predictive Control of Circulating Fluidized Bed Based on TS Fuzzy Neural Network
Tang et al. Deep belief network based NOx emissions prediction of coal-fired boiler
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

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