CN114779722B - 一种用于燃煤电站锅炉的智慧燃烧优化控制系统及方法 - Google Patents
一种用于燃煤电站锅炉的智慧燃烧优化控制系统及方法 Download PDFInfo
- Publication number
- CN114779722B CN114779722B CN202210246389.2A CN202210246389A CN114779722B CN 114779722 B CN114779722 B CN 114779722B CN 202210246389 A CN202210246389 A CN 202210246389A CN 114779722 B CN114779722 B CN 114779722B
- Authority
- CN
- China
- Prior art keywords
- real
- combustion
- optimization control
- data
- boiler
- 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
- 238000002485 combustion reaction Methods 0.000 title claims abstract description 131
- 238000005457 optimization Methods 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000013528 artificial neural network Methods 0.000 claims abstract description 42
- 230000002068 genetic effect Effects 0.000 claims abstract description 11
- 238000010977 unit operation Methods 0.000 claims abstract description 9
- 230000008878 coupling Effects 0.000 claims abstract description 8
- 238000010168 coupling process Methods 0.000 claims abstract description 8
- 238000005859 coupling reaction Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 38
- 238000012549 training Methods 0.000 claims description 35
- 238000010438 heat treatment Methods 0.000 claims description 30
- 230000007175 bidirectional communication Effects 0.000 claims description 25
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 18
- 239000003546 flue gas Substances 0.000 claims description 18
- 239000003245 coal Substances 0.000 claims description 12
- 230000006854 communication Effects 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 12
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 9
- 239000001301 oxygen Substances 0.000 claims description 9
- 229910052760 oxygen Inorganic materials 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 5
- 230000007614 genetic variation Effects 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 238000010298 pulverizing process Methods 0.000 claims description 2
- 238000007405 data analysis Methods 0.000 abstract description 7
- 238000012360 testing method Methods 0.000 abstract description 5
- 230000009467 reduction Effects 0.000 abstract description 3
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 240000004282 Grewia occidentalis Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 229910021529 ammonia Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004939 coking Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Regulation And Control Of Combustion (AREA)
Abstract
本发明提供了一种用于燃煤电站锅炉的智慧燃烧优化控制系统及方法,采用BP神经网络物理模型耦合遗传算法得出不同工况下的燃烧参数最优输出集Ve,对燃煤电站锅炉的智慧燃烧进行合理调控;所述智慧燃烧优化控制方法应用大数据分析理论方法,从机组运行历史数据及试验数据中查找、推理不同工况下的最优运行模式,得到了燃烧参数最优输出集Ve,大大促进了机组的精细化运行,提高了节能减排效率以及运行安全性。
Description
技术领域
本发明涉及燃煤电站锅炉燃烧系统自动控制技术领域,尤其涉及一种用于燃煤电站锅炉的智慧燃烧优化控制系统及方法。
背景技术
现代工业信息技术的发展使数据资源成为越来越重要的生产要素,大数据技术已引起电力相关领域的高度关注。工业和新兴产业大数据工程建设中指出,利用大数据推动信息化和工业化深度融合,研究推动大数据在研发设计、生产制造、经营管理、市场营销、售后服务等产业链各环节的应用,研发面向不同行业、不同环节的大数据分析应用平台,选择典型企业、重点行业、重点地区开展工业企业大数据应用项目试点,积极推动制造业网络化和智能化。
大功率锅炉因其燃烧涉及大空间激烈复杂的物理化学反应,大量关键参数的测量缺乏有效的手段,因而锅炉的精细化自动控制水平普遍较低,大量配风和燃烧控制长期处于粗放运行状态,这不仅造成了极大的节能和环保潜力,而且不适当的配风和燃烧控制在动态负荷变化过程中对负荷的调节、参数的稳定和NOx的生成都具有极大的影响,故必须通过了解锅炉燃烧运行特性,优化调整燃烧过程来提高锅炉运行效率,降低发电煤耗;降低烟气污染物的排放,满足环保要求,同时保证锅炉受热面的安全。
考虑到锅炉的燃烧过程是一个多变量、强耦合的非线性复杂系统,大部分电站锅炉都达不到最佳的燃烧效果。在信息化、智能化、绿色化发展的道路上,如何有效地分析利用电站实际运行数据,并从中挖掘有用的知识信息,以此提高机组的精细化运行、节能减排效率以及运行安全性,成为目前亟待解决的问题。
CN112859780A公开了一种基于云数据、云计算的火电厂智慧燃烧控制的方法,首先构建云数据库,对构建云数据库中的输入数据和输出数据进行异常值处理,然后进行主成分分析,采用主成分分析结果对换热面壁温预测模型、脱硝反应器入口NOx浓度分布预测模型和锅炉效率预测模型进行训练,将训练结果与的模型校准系统的数据进行比较,均方根误差在15%以内则根据一体化预测模型提供的换热面壁温预测值、NOx浓度预测值与锅炉效率预测值,通过智慧运行控制模块进行计算,得到最佳运行参数,实现锅炉燃烧及污染物生成的动态优化控制。所述方法提高了锅炉效率和对煤种变化的适应性,NOx的平均排放量降低10%以上,实现了发电效益的最大化。
CN111522290A公开了一种基于深度学习方法的脱硝控制方法和系统,该方法包括如下步骤:通过对燃煤机组锅炉燃烧原理及SCR脱硝反应机理分析,确定与SCR反应器出口NOx浓度相关的变量,采集与SCR出口NOx相关的历史运行数据,通过离散点和归一化方法对历史数据进行预处理,采用深度信念网络建立出口NOx浓度智能预测模型,基于实时运行数据,得到当前时刻的出口NOx浓度,通过对燃煤机组锅炉燃烧原理及SCR脱硝反应机理分析,步骤101中SCR出口NOx相关的影响因素包括机组负荷。通过所述基于深度学习方法的脱硝控制方法,能够提前预测SCR反应器出口NOx浓度,对喷氨量做到及时调整。
CN112255978A公开了一种燃煤锅炉智慧运维系统及方法,系统包括数据采集模块、数据分析模块、性能评估模块及锅炉自动控制耦合模块,所述数据采集模块采集的数据包括DCS系统锅炉运行数据和导入的化验数据,数据分析模块连接数据采集模块,用以接收数据采集模块采集的数据并进行数据计算和分析;性能评估模块连接数据分析模块,用以接收数据分析模块计算和分析后的数据;锅炉自动控制耦合模块连接性能评估模块,将解决问题的具体方案措施耦合到锅炉自动控制单元,对锅炉主辅设备进行自动优化调整,使锅炉运行工况达到最佳状态,锅炉调整后参数又重新导入至数据采集模块,建立循环。所述燃煤锅炉智慧运维系统及方法能够帮助发电企业挖掘机组增效潜能、提升企业智慧运维水平。
但是上述各种智慧燃烧控制或运维的方法还有待进一步提高。
因此,开发一种可实现模型自学习、进一步提升锅炉效率,降低炉膛出口NOx生成量同时提高锅炉受热面运行安全性的用于燃煤电站锅炉的智慧燃烧优化控制系统及方法具有重要意义。
发明内容
鉴于现有技术中存在的问题,本发明提供一种用于燃煤电站锅炉的智慧燃烧优化控制系统及方法,所述智慧燃烧优化控制系统采用BP神经网络物理模型耦合遗传算法得出不同工况下的燃烧参数最优输出集Ve,对燃煤电站锅炉的智慧燃烧进行合理调控;所述智慧燃烧优化控制方法应用大数据分析理论方法,从机组运行历史数据及试验数据中查找、推理不同工况下的最优运行模式,实现模型自学习,达到了燃煤电站锅炉的智慧化燃烧。
为达此目的,本发明采用以下技术方案:
第一方面,本发明提供一种用于燃煤电站锅炉的智慧燃烧优化控制系统,所述智慧燃烧优化控制系统包括软件主体,所述软件主体采用BP神经网络和遗传算法相耦合的方式,对发送至优化算法服务器的实时运行数据进行计算后,发送燃烧优化控制指令。
本发明所述用于燃煤电站锅炉的智慧燃烧优化控制系统采用BP神经网络和遗传算法相耦合,得到了不同工况下的燃烧参数最优输出集Ve,保证了最优值的合理性和稳定性,大大促进了机组的精细化运行,提高了节能减排效率以及运行安全性。
优选地,所述智慧燃烧优化控制系统还包括硬件主体。
本发明所述硬件主体安装在电站锅炉电子设备间的控制机柜内。
优选地,所述硬件主体包括优化算法服务器、PLC控制器、双向通讯链路、双向通讯网络和电源模块;
其中,所述PLC控制器与DCS系统之间通过双向通讯链路连接,并基于Modbus协议进行数据交换;所述优化算法服务器和PLC控制器通过双向通讯网络连接,并基于TCP/IP协议进行数据交换。
优选地,所述双向通讯链路和双向通讯网络将DCS系统的运行数据进行实时采集,发送至优化算法服务器。
优选地,所述优化算法服务器生成的燃烧优化控制指令输出至DCS系统。
第二方面,本发明还提供一种用于燃煤电站锅炉的智慧燃烧优化控制方法,所述智慧燃烧优化控制方法采用第一方面所述的用于燃煤电站锅炉的智慧燃烧优化控制系统进行。
所述智慧燃烧优化控制方法包括如下步骤:
(1)读取并储存机组运行历史数据至优化算法服务器后,剔除数据的噪音信号、填补缺失数据以及筛选各功能需求数据,构建BP神经网络输入向量Vin;其中,BP神经网络隐含层为3层,隐含层函数选用“tansig”函数,输出层函数选用“purelin”函数,训练函数选用“trainlm”函数;
(2)基于所述BP神经网络输入向量Vin的各参数,计算锅炉效率和锅炉受热面安全性系数,并结合炉膛出口NOx生成量,构建BP神经网络输出向量Vout;
(3)用所述BP神经网络输入向量Vin和所述BP神经网络输出向量Vout生成训练样本I,构建BP神经网络物理模型N,并进行训练和存储;
(4)实时采集2分钟内的运行数据,在优化算法服务器中进行处理和计算,生成所述BP神经网络物理模型N的实时输入向量Vin-real和实时输出向量Vout-real;在此基础上,采用遗传算法对实时输入向量Vin-real中的燃烧参数进行遗传变异处理,以Vout-real最大值为最佳适应度对燃烧参数进行寻优,得到对应工况下的燃烧参数最优输出集Ve;
(5)所述燃烧参数最优输出集Ve通过通讯链路发送至DCS系统。
本发明所述用于燃煤电站锅炉的智慧燃烧优化控制方法通过对海量的机组运行历史数据进行处理,充分考虑了机组经济性、环保性以及安全性三个方面的需求,基于锅炉效率、锅炉受热面安全性系数以及炉膛出口NOx生成量归一化性能指标,建立了评价指标J以及适应度函数F,运行人员可以根据燃烧参数最优输出集Ve,实现燃烧的优化控制。
优选地,步骤(1)所述机组运行历史数据包括机组负荷、各磨煤机运行参数、风量、送风机特性参数、引风机特性参数、一次风机特性参数、给水量、煤质特性参数、各风门开度、含氧量和各测点烟气温度。
本发明所述送风机特性参数、引风机特性参数和一次风机特性参数均包括压力、流量和电流。
优选地,所述各功能需求数据包括稳态数据和变工况数据。
优选地,步骤(2)所述基于所述BP神经网络输入向量Vin的各参数,计算锅炉效率和锅炉受热面安全性系数,并结合炉膛出口NOx生成量,构建BP神经网络输出向量Vout的步骤包括:对锅炉效率、锅炉受热面安全性系数以及炉膛炉膛出口NOx生成量进行归一化处理,归一化后锅炉效率记做η、锅炉受热面安全性系数记做α和炉膛炉膛出口NOx生成量记做β。
优选地,所述锅炉受热面安全性系数α的归一化处理是基于实时采集的炉膛烟气温度数据进行计算。
本发明中基于实时采集的炉膛烟气温度测点数据计算得出锅炉受热面安全性系数α,采用该锅炉受热面安全性系数α对锅炉受热面的安全性进行评判,不仅保住了机组的经济性和环保性,还考虑了机组运行的安全性。
其中,Ti表示所选取的受热面所对应的第i个烟气温度测点;
θi表示第i个烟气温度测点所占的权重系数;
优选地,步骤(4)所述实时采集2分钟内的运行数据是通过双向通讯链路和双向通讯网络进行采集。
优选地,所述以Vout-real最大值为最佳适应度对燃烧参数进行寻优,具体包括:以Vout-real最大值为智慧燃烧优化控制系统输出最优,构建包含η、α和β的适应度函数F和评价指标J,
F=MAX (J),
J=λ1·η-λ2·α-(1-λ1-λ2)·β;
其中0<λ1<1,表示η的权重系数,
0<λ2<1,表示α的权重系数,
且0<λ1+λ2<1。
优选地,所述燃烧参数包括一次风压、总风量、含氧量、二次风门挡板开度、燃尽风挡板开度、风箱差压和燃烧器摆角。
优选地,生成所述BP神经网络物理模型N的实时输入向量Vin-real和实时输出向量Vout-real后,对Vin-real以及训练样本I内Vin中相匹配的工况进行对比,用Vout-real和Vout中的参数计算评价指标J。
优选地,如果Jout-real>Jout,则将训练样本I中向量Vin以及Vout替换为向量Vin-real以及Vout-real,记做训练样本II,并重复步骤(3)。
优选地,如果Jout-real≤Jout,则保持训练样本I不变。
本发明对Jout-real和Jout进行比较的步骤,可以更新训练样本的数据,如若当前工况性能评价指标优于样本库,则对相匹配的工况进行替代,并重新进行样本训练,使算法模型及训练样本具备实时更新自学习的功能。
优选地,步骤(4)所述对应工况下的燃烧参数最优输出集Ve包括制粉系统负荷分配指令、氧量给定指令、一次风压指令、各层二次风挡板开度指令、燃尽风挡板开度指令和燃烧器摆角指令。
本发明所述燃烧参数最优输出集Ve在求解的过程中充分考虑了不同负荷工况的物理边界上下限,即燃烧参数最优输出集Ve是在现有物理模型的边界下做相应的变异优化调整,其优化的上下限随负荷的变化而变化,得到了合理且稳定的最优值。
优选地,步骤(5)所述DCS系统接收对应工况下的燃烧参数最优输出集Ve后,采取开环控制方式或闭环控制方式进行调控。
优选地,所述开环控制方式包括燃烧参数最优输出集Ve在DCS系统组态画面上展示后,进入手动模式,实现燃烧的优化控制。
优选地,所述闭环控制方式包括燃烧参数最优输出集Ve直接进入DCS系统并在组态画面上展示后,进入自动模式,实现燃烧的优化控制。
优选地,所述DCS系统的组态逻辑中包括接口逻辑。
本发明所述所述DCS系统的组态逻辑中包括接口逻辑,可以提供DCS系统与智慧燃烧优化控制系统间的控制权切换功能和相应的安全保障功能。
作为本发明优选的技术方案,所述智慧燃烧优化控制方法包括如下步骤:
(1)读取并储存机组运行历史数据至优化算法服务器后,剔除数据的噪音信号、填补缺失数据以及筛选各功能需求数据,构建BP神经网络输入向量Vin;其中,BP神经网络隐含层为3层,隐含层函数选用“tansig”函数,输出层函数选用“purelin”函数,训练函数选用“trainlm”函数;所述机组运行历史数据包括机组负荷、各磨煤机运行参数、风量、送风机特性参数、引风机特性参数、一次风机特性参数、给水量、煤质特性参数、各风门开度、含氧量和各测点烟气温度;所述各功能需求数据包括稳态数据和变工况数据;
(2)基于所述BP神经网络输入向量Vin的各参数,对锅炉效率、锅炉受热面安全性系数以及炉膛炉膛出口NOx生成量进行归一化处理,归一化后锅炉效率记做η、锅炉受热面安全性系数记做α和炉膛炉膛出口NOx生成量记做β;
其中,Ti表示所选取的受热面所对应的第i个烟气温度测点;
θi表示第i个烟气温度测点所占的权重系数;
(3)用所述BP神经网络输入向量Vin和所述BP神经网络输出向量Vout生成训练样本I,构建BP神经网络物理模型N,并进行训练和存储;
(4)通过双向通讯链路和双向通讯网络实时采集2分钟内的运行数据,在优化算法服务器中进行处理和计算,生成所述BP神经网络物理模型N的实时输入向量Vin-real和实时输出向量Vout-real;在此基础上,采用遗传算法对实时输入向量Vin-real中的燃烧参数进行遗传变异处理,以Vout-real最大值为智慧燃烧优化控制系统输出最优,构建包含η、α和β的适应度函数F和评价指标J,
F=MAX (J),
J=λ1·η-λ2·α-(1-λ1-λ2)·β;
其中0<λ1<1,表示η的权重系数,
0<λ2<1,表示α的权重系数,
且0<λ1+λ2<1;
得到对应工况下的燃烧参数最优输出集Ve;所述对应工况下的燃烧参数最优输出集Ve包括制粉系统负荷分配指令、氧量给定指令、一次风压指令、各层二次风挡板开度指令、燃尽风挡板开度指令和燃烧器摆角指令;
生成所述BP神经网络物理模型N的实时输入向量Vin-real和实时输出向量Vout-real后,对Vin-real以及训练样本I内Vin中相匹配的工况进行对比,用Vout-real和Vout中的参数计算评价指标J;
如果Jout-real>Jout,则将训练样本I中向量Vin以及Vout替换为向量Vin-real以及Vout-real,记做训练样本II,并重复步骤(3);如果Jout-real≤Jout,则保持训练样本I不变;
(5)所述燃烧参数最优输出集Ve通过通讯链路发送至DCS系统后,采取开环控制方式或闭环控制方式进行调控;
所述开环控制方式包括燃烧参数最优输出集Ve在DCS系统组态画面上展示后,进入手动模式,实现燃烧的优化控制;所述闭环控制方式包括燃烧参数最优输出集Ve直接进入DCS系统并在组态画面上展示后,进入自动模式,实现燃烧的优化控制;所述DCS系统的组态逻辑中包括接口逻辑。
与现有技术相比,本发明至少具有以下有益效果:
(1)本发明提供的用于燃煤电站锅炉的智慧燃烧优化控制系统在现有的燃煤电站锅炉燃烧系统的优化调整基本原理和运行经验的基础上建立了BP神经网络物理模型,并耦合遗传算法求解不同工况下的燃烧参数最优输出集Ve,保证了最优值的合理性和稳定性;
(2)本发明提供的用于燃煤电站锅炉的智慧燃烧优化控制方法中算法模型及训练样本都具备实时更新自学习的功能;
(3)本发明提供的用于燃煤电站锅炉的智慧燃烧优化控制方法中对燃烧参数最优输出集Ve可采取开环控制方式或闭环控制方式进行调控,具体很好的系统的适应性。
附图说明
图1是本发明提供的用于燃煤电站锅炉的智慧燃烧优化控制系统的示意图。
图2是本发明提供的用于燃煤电站锅炉的智慧燃烧优化控制方法的工作流程示意图。
图中:1-DCS系统;2-控制机柜;21-优化算法服务器;22-PLC控制器;23-双向通讯链路;24-双向通讯网络;25-电源模块。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
下面对本发明进一步详细说明。但下述的实例仅仅是本发明的简易例子,并不代表或限制本发明的权利保护范围,本发明的保护范围以权利要求书为准。
作为本发明的一个具体实施方式,提供一种用于燃煤电站锅炉的智慧燃烧优化控制系统,其示意图如图1所示。
所述智慧燃烧优化控制系统包括软件主体,所述软件主体采用BP神经网络和遗传算法相耦合的方式,对发送至DELL服务器的实时运行数据进行计算后,发送燃烧优化控制指令。
所述智慧燃烧优化控制系统还包括硬件主体;所述硬件主体安装在电站锅炉电子设备间的控制机柜2内。所述硬件主体包括优化算法服务器21、PLC控制器22、双向通讯链路23、双向通讯网络24和电源模块25。其中优化算法服务器21是一台DELL服务器,PLC控制器22是两台贝加莱X20系列PLC控制器,双向通讯链路23是两个艾默生LC通讯卡,电源模块25是一个施耐德电源模块。所述智慧燃烧优化控制系统还包括相应的通讯电缆。
所述贝加莱X20系列PLC控制器与DCS系统1之间通过通讯电缆以及艾默生LC通讯卡连接,并基于Modbus协议进行数据交换;所述DELL服务器的通讯接口和贝加莱X20系列PLC控制器的通讯接口通过网线连接,并基于TCP/IP协议进行数据交换。
所述艾默生LC通讯卡和双向通讯网络将DCS系统1的运行数据进行实时采集,发送至DELL服务器;所述DELL服务器生成的燃烧优化控制指令输出至DCS系统1。
作为本发明的一个具体实施方式,还提供一种用于燃煤电站锅炉的智慧燃烧优化控制方法,所述智慧燃烧优化控制方法采用上述的用于燃煤电站锅炉的智慧燃烧优化控制系统进行,用于调控哈尔滨锅炉厂生产的某660MW超超临界四角切圆锅炉,其工作流程示意图如图2所示。
所述智慧燃烧优化控制方法包括如下步骤:
(1)读取并储存机组运行8个月的数据至优化算法服务器后,剔除数据的噪音信号、填补缺失数据以及筛选各功能需求数据,构建BP神经网络输入向量Vin;其中,BP神经网络隐含层为3层,隐含层函数选用“tansig”函数,输出层函数选用“purelin”函数,训练函数选用“trainlm”函数;所述机组运行8个月的数据包括机组负荷、各磨煤机运行参数、风量、送风机特性参数、引风机特性参数、一次风机特性参数、给水量、煤质特性参数、各风门开度、含氧量和各测点烟气温度,近400000条记录;所述各功能需求数据包括稳态数据和变工况数据;
(2)基于所述BP神经网络输入向量Vin的各参数,对锅炉效率、锅炉受热面安全性系数以及炉膛炉膛出口NOx生成量进行归一化处理,归一化后锅炉效率记做η、锅炉受热面安全性系数记做α和炉膛炉膛出口NOx生成量记做β;
其中,Ti表示所选取的受热面所对应的第i个烟气温度测点;
θi表示第i个烟气温度测点所占的权重系数;
(3)用所述BP神经网络输入向量Vin和所述BP神经网络输出向量Vout生成近35000条训练样本I,构建BP神经网络物理模型N,并进行训练和存储;
(4)机组为330MW负荷,通过双向通讯链路和双向通讯网络实时采集2分钟内的运行数据,在优化算法服务器中进行处理和计算,生成所述BP神经网络物理模型N的实时输入向量Vin-real和实时输出向量Vout-real;在此基础上,采用遗传算法对330MW负荷下对应的实时输入向量Vin-real中的燃烧参数进行遗传变异处理,其变异的上下限通过锅炉燃烧调整试验结论或锅炉设计参数来确定,建立各变量随负荷变化的运行曲线,以此作为基准,并以Vout-real最大值为智慧燃烧优化控制系统输出最优,构建包含η、α和β的适应度函数F和评价指标J,
F=MAX (J),
J=λ1·η-λ2·α-(1-λ1-λ2)·α;
其中0<λ1<1,表示η的权重系数,
0<λ2<1,表示α的权重系数,
且0<λ1+λ2<1;得到对应工况下的燃烧参数最优输出集Ve;
所述最优输出集Ve主要包括6台磨煤机的负荷分配指令、6台磨煤机的一次风流量、1个烟气氧量、1个总风量、1个一次风压、1个辅助风箱与炉膛差压,15层二次风门开度、7层燃尽风风门开度、4个燃烧器摆角,共计32个变量;
系统投运后,智慧燃烧优化控制系统实时采集2分钟内的运行数据,生成BP神经网络物理模型实时输入向量Vin-real以及Vout-real后,对Vin-real以及训练样本I中Vin中相匹配的工况进行对比,并对Vout-real和Vout中相关参数进行计算。如果Jout-real>Jout,则将训练样本I中向量Vin以及Vout替换为向量Vin-real以及Vout-real,记做训练样本II,并重复步骤(3),基于更新后的训练样本对BP神经网络物理模型N进行再次训练并存储参数;如果Jout-real≤Jout,则保持训练样本I不变;
(5)所述燃烧参数最优输出集Ve通过通讯链路发送至DCS系统后,采取开环控制方式或闭环控制方式进行调控;
点击二次风优化(投/切)按钮,二次风优化状态由已退出切换为已投运,此时二次风门开度推荐值进入DCS闭环控制。以AA层风门开度为例,当前AA风门开度为60,负荷为330MW,算法最优值为65,投运二次风优化后,二次风门开度由60缓慢切换至65,二次风门开度由智慧燃烧优化系统-二次风优化接管并控制,此时运行人员仍然可以通知增加手动偏置的方式来调节风门开度;当不需要二次风门优化闭环控制时,再次点击二次风优化(投/切)按钮,二次风优化状态由已投运切换为已退出,此时智慧燃烧优化系统只输出运行指导建议至最优值,不进入DCS闭环控制,运行人员可参考该优化值进行手动调节,此时二次风门控制为开环控制。
本具体实施方式中的智慧燃烧优化控制系统投运后,燃煤电站锅炉的效率整体提高了约0.3%~0.5%,炉膛处理NOx生成量降低了5%~10%,锅炉受热面的结焦现象得以延缓和控制,达到了技术预期的优化目标。
综上所述,本发明提供的用于燃煤电站锅炉的智慧燃烧优化控制系统及方法在充分考虑了机组的经济性、环保性以及安全性的前提下,提升了锅炉效率,降低了炉膛出口NOx生成量,实现了燃煤电站锅炉的智慧化燃烧。
申请人声明,以上所述仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,所属技术领域的技术人员应该明了,任何属于本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,均落在本发明的保护范围和公开范围之内。
Claims (13)
1.一种用于燃煤电站锅炉的智慧燃烧优化控制方法,其特征在于,所述智慧燃烧优化控制方法采用如下所述的用于燃煤电站锅炉的智慧燃烧优化控制系统进行;
所述智慧燃烧优化控制系统包括软件主体,所述软件主体采用BP神经网络和遗传算法相耦合的方式,对发送至优化算法服务器的实时运行数据进行计算后,发送燃烧优化控制指令;
所述智慧燃烧优化控制方法包括如下步骤:
(1)读取并储存机组运行历史数据至优化算法服务器后,剔除数据的噪音信号、填补缺失数据以及筛选各功能需求数据,构建BP神经网络输入向量Vin;其中,BP神经网络隐含层为3层,隐含层函数选用“tansig”函数,输出层函数选用“purelin”函数,训练函数选用“trainlm”函数;
(2)对锅炉效率、锅炉受热面安全性系数以及炉膛炉膛出口NOx生成量进行归一化处理,归一化后锅炉效率记做η、锅炉受热面安全性系数记做α和炉膛炉膛出口NOx生成量记做β;
所述锅炉受热面安全性系数α的归一化处理是基于实时采集的炉膛烟气温度数据进行计算;
其中,Ti表示所选取的受热面所对应的第i个烟气温度测点;
θi表示第i个烟气温度测点所占的权重系数;
(3)用所述BP神经网络输入向量Vin和所述BP神经网络输出向量Vout生成训练样本I,构建BP神经网络物理模型N,并进行训练和存储;
(4)实时采集2分钟内的运行数据,在优化算法服务器中进行处理和计算,生成所述BP神经网络物理模型N的实时输入向量Vin-real和实时输出向量Vout-real;在此基础上,采用遗传算法对实时输入向量Vin-real中的燃烧参数进行遗传变异处理,以Vout-real最大值为智慧燃烧优化控制系统输出最优,构建包含η、α和β的适应度函数F和评价指标J,
F=MAX(J),
J=λ1·η-λ2·α-(1-λ1-λ2)·β;
其中0<λ1<1,表示η的权重系数,
0<λ2<1,表示α的权重系数,
且0<λ1+λ2<1;
生成所述BP神经网络物理模型N的实时输入向量Vin-real和实时输出向量Vout-real后,对Vin-real以及训练样本I内Vin中相匹配的工况进行对比,用Vout-real和Vout中的参数计算评价指标J;
如果Jout-real>Jout,则将训练样本I中向量Vin以及Vout替换为向量Vin-real以及Vout-real,记做训练样本II,并重复步骤(3);
如果Jout-real≤Jout,则保持训练样本I不变;得到对应工况下的燃烧参数最优输出集Ve;
(5)所述燃烧参数最优输出集Ve通过通讯链路发送至DCS系统。
2.根据权利要求1所述的智慧燃烧优化控制方法,其特征在于,所述智慧燃烧优化控制系统还包括硬件主体。
3.根据权利要求2所述的智慧燃烧优化控制方法,其特征在于,所述硬件主体包括优化算法服务器、PLC控制器、双向通讯链路、双向通讯网络和电源模块;
其中,所述PLC控制器与DCS系统之间通过双向通讯链路连接,并基于Modbus协议进行数据交换;所述优化算法服务器和PLC控制器通过双向通讯网络连接,并基于TCP/IP协议进行数据交换。
4.根据权利要求3所述的智慧燃烧优化控制方法,其特征在于,所述双向通讯链路和双向通讯网络将DCS系统的运行数据进行实时采集,发送至优化算法服务器。
5.根据权利要求3所述的智慧燃烧优化控制方法,其特征在于,所述优化算法服务器生成的燃烧优化控制指令输出至DCS系统。
6.根据权利要求1所述的智慧燃烧优化控制方法,其特征在于,步骤(1)所述机组运行历史数据包括机组负荷、各磨煤机运行参数、风量、送风机特性参数、引风机特性参数、一次风机特性参数、给水量、煤质特性参数、各风门开度、含氧量和各测点烟气温度。
7.根据权利要求1所述的智慧燃烧优化控制方法,其特征在于,所述各功能需求数据包括稳态数据和变工况数据。
8.根据权利要求1所述的智慧燃烧优化控制方法,其特征在于,步骤(4)所述实时采集2分钟内的运行数据是通过双向通讯链路和双向通讯网络进行采集。
9.根据权利要求1所述的智慧燃烧优化控制方法,其特征在于,步骤(4)所述对应工况下的燃烧参数最优输出集Ve包括制粉系统负荷分配指令、氧量给定指令、一次风压指令、各层二次风挡板开度指令、燃尽风挡板开度指令和燃烧器摆角指令。
10.根据权利要求1所述的智慧燃烧优化控制方法,其特征在于,步骤(5)所述DCS系统接收对应工况下的燃烧参数最优输出集Ve后,采取开环控制方式或闭环控制方式进行调控。
11.根据权利要求10所述的智慧燃烧优化控制方法,其特征在于,所述开环控制方式包括燃烧参数最优输出集Ve在DCS系统组态画面上展示后,进入手动模式,实现燃烧的优化控制。
12.根据权利要求10所述的智慧燃烧优化控制方法,其特征在于,所述闭环控制方式包括燃烧参数最优输出集Ve直接进入DCS系统并在组态画面上展示后,进入自动模式,实现燃烧的优化控制。
13.根据权利要求1所述的智慧燃烧优化控制方法,其特征在于,所述DCS系统的组态逻辑中包括接口逻辑。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210246389.2A CN114779722B (zh) | 2022-03-14 | 2022-03-14 | 一种用于燃煤电站锅炉的智慧燃烧优化控制系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210246389.2A CN114779722B (zh) | 2022-03-14 | 2022-03-14 | 一种用于燃煤电站锅炉的智慧燃烧优化控制系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114779722A CN114779722A (zh) | 2022-07-22 |
CN114779722B true CN114779722B (zh) | 2023-07-14 |
Family
ID=82423201
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210246389.2A Active CN114779722B (zh) | 2022-03-14 | 2022-03-14 | 一种用于燃煤电站锅炉的智慧燃烧优化控制系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114779722B (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3556616B2 (ja) * | 2001-06-07 | 2004-08-18 | 川崎重工業株式会社 | 微粉炭ミルにおける適応制御方法及び装置 |
CN109695892B (zh) * | 2018-12-03 | 2020-05-19 | 中冶南方都市环保工程技术股份有限公司 | 一种锅炉受热面壁温保护方法及装置 |
CN110793059A (zh) * | 2019-11-13 | 2020-02-14 | 南京昆岳智能电力科技有限公司 | 锅炉智能燃烧综合优化控制方法 |
CN111880504A (zh) * | 2020-08-17 | 2020-11-03 | 大唐环境产业集团股份有限公司 | 一种智能的动态分区喷氨控制方法和系统 |
CN112859780B (zh) * | 2021-01-07 | 2022-06-28 | 西安西热锅炉环保工程有限公司 | 一种基于云数据、云计算的火电厂智慧燃烧控制方法 |
-
2022
- 2022-03-14 CN CN202210246389.2A patent/CN114779722B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114779722A (zh) | 2022-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112580250A (zh) | 基于深度学习的火电机组脱硝系统及优化控制方法 | |
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 | |
CN101063872B (zh) | 锅炉氧量优化系统 | |
CN110263395A (zh) | 基于数值模拟和数据分析的电厂脱硝运行优化方法及系统 | |
CN108664006A (zh) | 一种基于分区控制和先进控制的scr脱硝智能喷氨优化方法及系统 | |
CN108837698A (zh) | 基于先进测量仪表和先进控制算法的scr脱硝喷氨优化方法及系统 | |
CN108628177A (zh) | 一种基于模型自适应pid的scr脱硝智能喷氨优化方法及系统 | |
CN101556038B (zh) | 循环流化床锅炉稳定运行与经济燃烧优化控制系统 | |
CN113433911B (zh) | 基于浓度精准预测的脱硝装置喷氨精准控制系统与方法 | |
CN112859780B (zh) | 一种基于云数据、云计算的火电厂智慧燃烧控制方法 | |
CN111624876B (zh) | 一种智能的喷氨优化控制系统 | |
CN111306572B (zh) | 一种锅炉智能优化燃烧节能控制系统 | |
CN109886471A (zh) | 基于神经网络与智能优化算法的火电机组负荷分配方法 | |
CN102053562A (zh) | 一种裂解炉出口温度混合控制方法 | |
CN112628712A (zh) | 一种基于风门阻力系数的二次风闭环优化控制系统 | |
CN115111594B (zh) | 一种蓄热式热力氧化炉智能调控系统及方法 | |
CN114427684A (zh) | 一种天然气净化过程中燃烧炉的控制方法及控制装置 | |
CN112783115B (zh) | 一种蒸汽动力系统的在线实时优化方法及装置 | |
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 | |
CN112950409A (zh) | 煤气和蒸汽能源综合利用系统生产调度优化方法 | |
CN115145152A (zh) | 一种锅炉燃烧与脱硝过程协同优化控制的方法 | |
CN115657466A (zh) | 一种智能控制氨气输入量的锅炉系统 | |
CN115685743A (zh) | 一种智能控制燃煤锅炉及其智能预测调控烟气排放方法 | |
CN114881207A (zh) | 基于lstm深度循环神经网络的蒸汽压力预测方法及装置 | |
CN113609684A (zh) | 基于工业数据和工艺机理的锅炉吨煤产汽优化方法 |
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 |