CN115451424B - 一种基于压力前馈的燃煤锅炉给煤控制方法 - Google Patents
一种基于压力前馈的燃煤锅炉给煤控制方法 Download PDFInfo
- Publication number
- CN115451424B CN115451424B CN202210965524.9A CN202210965524A CN115451424B CN 115451424 B CN115451424 B CN 115451424B CN 202210965524 A CN202210965524 A CN 202210965524A CN 115451424 B CN115451424 B CN 115451424B
- Authority
- CN
- China
- Prior art keywords
- boiler
- coal
- main steam
- delta
- preset
- 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 191
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000005540 biological transmission Effects 0.000 claims abstract description 13
- 238000004519 manufacturing process Methods 0.000 claims description 69
- 238000012546 transfer Methods 0.000 claims description 37
- 230000008859 change Effects 0.000 claims description 36
- COYHRQWNJDJCNA-NUJDXYNKSA-N Thr-Thr-Thr Chemical compound C[C@@H](O)[C@H](N)C(=O)N[C@@H]([C@@H](C)O)C(=O)N[C@@H]([C@@H](C)O)C(O)=O COYHRQWNJDJCNA-NUJDXYNKSA-N 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 13
- 230000001419 dependent effect Effects 0.000 claims description 10
- 235000014653 Carica parviflora Nutrition 0.000 claims description 8
- 241000243321 Cnidaria Species 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 8
- 101150000419 GPC gene Proteins 0.000 claims description 6
- 101150026392 N gene Proteins 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 4
- 230000001105 regulatory effect Effects 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 239000000523 sample Substances 0.000 claims 1
- 230000004044 response Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23N—REGULATING OR CONTROLLING COMBUSTION
- F23N1/00—Regulating fuel supply
- F23N1/002—Regulating fuel supply using electronic means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Control Of Steam Boilers And Waste-Gas Boilers (AREA)
Abstract
本发明涉及一种基于压力前馈的燃煤锅炉给煤控制方法,包括:S1、确定当前锅炉主蒸汽流量确定对应的训练好的预设的主蒸汽压力传递模型;S2、根据当前锅炉消费流量变化量,利用与当前锅炉主蒸汽流量所对应的训练好的预设的主蒸汽压力传递模型,预测锅炉的压力趋势变化量delta‑k;S3、基于预测的锅炉的压力趋势变化量delta‑k和锅炉当前的压力,获取锅炉的压力趋势;S4、判断所述锅炉的压力趋势和预先设定的目标压力值之间的差值的绝对值是否小于预先设定的阈值,获取判断结果;若所述判断结果为小于预先设定的阈值,则不对锅炉进行给煤控制。
Description
技术领域
本发明涉及能源生产技术领域,尤其涉及一种基于压力前馈的燃煤锅炉给煤控制方法。
背景技术
燃煤机组运行过程中,主蒸汽流量的生产供给及消费需求是一个相对慢速的响应过程,且由于燃烧的滞后性,生产或者消费的调整均会导致主汽压力的波动,因此压力的稳定是锅炉控制的主要调整任务之一,因为只有在压力稳定的基础上,才能进一步提高生产的安全性与经济性,这就要求运行人员需要熟悉锅炉的特性,才能在运行调整过程中做到提前判断、提前操作;由于锅炉运行的时滞性、不稳定以及负荷波动等动态特性,目前最常用的是采用PID算法思路利用主蒸汽压力反馈调整锅炉负荷,进而利用锅炉负荷-入炉煤量的前馈逻辑函数进行给煤量的调整,从而实现压力的稳定性控制;
传统控制方法中PID控制的参数设定对运行经验的依赖性过高,需要运行人员进行反复试验,且存在响应滞后及无法自适应不同运行工况的缺点,而前馈逻辑函数并不能很好的体现锅炉燃烧的惯性及测量滞后特性,因此在响应速度与调整精度上均无法满足更高的控制要求。
发明内容
(一)要解决的技术问题
鉴于现有技术的上述缺点、不足,本发明提供一种基于压力前馈的燃煤锅炉给煤控制方法,其解决了现有技术中调整响应滞后及无法自适应工况变化的技术问题。
(二)技术方案
为了达到上述目的,本发明采用的主要技术方案包括:
本发明实施例提供一种基于压力前馈的燃煤锅炉给煤控制方法,包括:
S1、确定当前锅炉主蒸汽流量所属的预先划分的区间,并根据该区间确定与当前锅炉主蒸汽流量对应的训练好的预设的主蒸汽压力传递模型;预先划分的区间是根据预先采集的第一时间段内锅炉的运行历史时序数据中主蒸汽流量的最大值和最小值所划分的区间;
S2、根据当前锅炉消费流量变化量,利用与当前锅炉主蒸汽流量所对应的并基于所述第一时间段内锅炉的运行历史时序数据所训练好的预设的主蒸汽压力传递模型,预测锅炉的压力趋势变化量delta-k;
S3、基于预测的锅炉的压力趋势变化量delta-k和锅炉当前的压力,获取锅炉的压力趋势;
其中,锅炉的压力趋势=锅炉当前的压力+(压力趋势变化量delta-k×t0);t0为当前锅炉消费流量变化量的统计时长;
S4、判断所述锅炉的压力趋势和预先设定的目标压力值之间的差值的绝对值是否小于预先设定的阈值,获取判断结果;若所述判断结果为小于预先设定的阈值,则不对锅炉进行给煤控制。
优选地,所述方法在S1之前还包括:
A1、获取第一时间段内锅炉的运行历史时序数据;
所述第一时间段内锅炉的运行历史时序数据包括:在第一时间段内按照预先设定频率所采集的锅炉运行过程中的入炉煤量、入炉风量、主蒸汽流量、主蒸汽压力、消费流量;
A2、按照预先设定标准筛选第一时间段内锅炉的运行历史时序数据,以构建特征变量数据集;
A3、基于构建的特征变量数据集,训练预设的k个相同的主蒸汽压力传递模型,分别获取训练好的k个主蒸汽压力传递模型。
优选地,所述A2具体包括:
A21、沿时间轴截取第一时间段内锅炉的运行历史时序数据中长度为L的数据序列S,其中L≥90秒;
A22、按照预设设定标准将截取的数据序列S划分为s1、s2、s3共3个数据序列段;
其中,所述预先设定标准包括:
t1≥30秒、t3≥30秒、35秒≥t2≥15秒;
t1为数据序列段s1的时间长度;t2为数据序列段s2的时间长度;t3为数据序列段s3的时间长度;
A23、判断数据序列S是否满足预先设定条件,获取数据序列判断结果;
若所述数据序列判断结果为所述数据序列S不满足预先设定条件,则沿时间轴截取第一时间段内锅炉的运行历史时序数据中与所述数据序列S相邻的长度为L的数据序列并作为新的数据序列S,并重复步骤A22-A23,直至所述数据序列判断结果为所述数据序列S满足预先设定条件;
所述预先设定条件包括:该数据序列S中数据序列段s1内的入炉煤量波动幅度不超过5%以及入炉风量波动幅度不超过5%;和该数据序列S中数据序列段s2内的入炉煤量波动幅度不超过5%以及入炉风量波动幅度不超过5%;
若所述数据序列判断结果为所述数据序列S满足预先设定条件,则分别通过公式(1)、公式(2)、公式(3),分别获取所述数据序列S的特征变量:平均负荷压力趋势变化量delta-k、主汽流量变化量delta-s;
所述公式(1)为:
∑s1-steam为数据序列段s1中按照预先设定频率所采集的所有的主蒸汽流量的总值;
∑s2_steam为数据序列段s2中按照预先设定频率所采集的所有的主蒸汽流量的总值;
∑s3_steam为数据序列段s3中按照预先设定频率所采集的所有的主蒸汽流量的总值;
所述公式(2)为:
delta-k=s3_k-s1_k;
s1_pres(1)为数据序列段s1中起始时刻主蒸汽压力;
s1_pres(-1)为数据序列段s1中结束时刻主蒸汽压力;
s3_pres(1)为数据序列段s3中起始时刻主蒸汽压力;
s3_pres(-1)为数据序列段s3中结束时刻主蒸汽压力;
所述公式(3)为:
A24、沿时间轴截取第一时间段内锅炉的运行历史时序数据中与数据序列S相邻的长度为L的数据序列并作为新的数据序列S,并重复n-1次步骤A22-A24,得到特征变量数据集;
优选地,所述A3具体包括:
A31、以固定间距ds将第一时间段内锅炉的运行历史时序数据中主蒸汽流量的最大值至最小值之间划分为k个相同长度的区间,其中,20t/h≥ds≥5t/h;
A33、采用k个数据子集D1,D2,...Di...,Dk,分别去训练预设的k个相同的主蒸汽压力传递模型,获取分别训练好的k个主蒸汽压力传递模型m1,m2,...mi...,mk。
优选地,A33具体包括:
针对k个数据子集D1,D2,...Di...,Dk中的第i数据子集Di,以数据子集Di中的主汽流量变化量delta-s为自变量,以数据子集Di中的压力趋势变化量delta-k为因变量,训练相应的主蒸汽压力传递模型mi,获取训练好的主蒸汽压力传递模型mi。
优选地,
所述训练好的主蒸汽压力传递模型mi为:
压力趋势变化量delta-k的预测值=ai×输入主蒸汽压力传递模型mi中的主汽流量变化量delta-s的值;
其中,ai为所述训练好的主蒸汽压力传递模型mi中的固定系数。
优选地,所述方法还包括:
S5、若所述判断结果为所述锅炉的压力趋势和预先设定的目标压力值之间的差值的绝对值大于等于预先设定的阈值,则以预先设定的给煤量最大向下调整度值、给煤量最大向上调整度值及固定调整步长生成搜索空间space;
其中,space=[c1,c2,c3...cm,Cm+1...cs];
其中c1为预先设定的给煤量最大向下调整度值;
cs为预先设定的给煤量最大向上调整度值;
Cm+1=cm+dc;dc为固定调整步长;
cm为搜索空间space中的第m个调整量;
S6、获取[t-T~t]时间段内的炉煤量变化量delta-coal;
t为当前时刻;
所述[t-T~t]时间段内的炉煤量变化量delta-coal包括:[t-T~t]时间段内按照预先设定频率所采集的入炉煤量coal中任意相邻的两个入炉煤量coal之间的差值;
S7、针对生成搜索空间space中的任一调整量ci,根据[t-T~t]时间段内的炉煤量变化量delta-coal,利用预先设定的训练后的主汽流量生产模型m计算得到与调整量ci对应的锅炉生产变化量delta-steamt;
S8、根据与调整量ci对应的锅炉生产变化量delta-steamt和当前锅炉消费流量变化量,获取与调整量ci对应的新的锅炉消费流量变化量;
其中,与调整量ci对应的新的锅炉消费流量变化量=与ci对应的锅炉生产变化量delta-steamt+当前锅炉消费流量变化量;
S9、根据与调整量ci对应的新的锅炉消费流量变化量,利用与当前锅炉主蒸汽流量对应的训练好的预设的主蒸汽压力传递模型预测锅炉的与调整量ci对应的压力趋势变化量delta-k;
S10、基于与调整量ci对应的压力趋势变化量delta-k和锅炉当前的压力,获取与调整量ci对应的锅炉的压力趋势tpi;
其中,tpi=now-pres+(与ci对应的压力趋势变化量delta-k×t0);
now-pres为锅炉当前压力值;
S11、在得到的锅炉的压力趋势tp1,tp2,...tpi...,tps中,筛选出满足预设条件的锅炉的压力趋势;
所述预设条件为:
|锅炉的压力趋势-target_pres|<ε;
ε为预先设定的阈值;target_pres为预先设定的目标压力值;
S11、分别获取每一满足预设条件的锅炉的压力趋势所对应的搜索空间space中的调整量,并将满足预设条件的锅炉的压力趋势所对应的搜索空间space中的调整量中的最小的调整量作为最终的入炉煤量推荐。
优选地,所述方法在S1之前还包括:
B1、获取第二时间段内锅炉的运行历史时序数据;
第二时间段大于等于1天;
所述第二时间段内锅炉的运行历史时序数据包括:在第二时间段内按照预先设定频率所采集的锅炉运行过程中的入炉煤量coal、主蒸汽流量steam;
B2、基于所述第二时间段内锅炉的运行历史时序数据,获取第二时间段内入炉煤量变化量delta-coal及主蒸汽流量变化量delta-steam;
所述第二时间段内的入炉煤量变化量delta-coal包括:第二时间段内按照预先设定频率所采集的入炉煤量coal中任意相邻的两个入炉煤量coal之间后一个入炉煤量coal减去前一个入炉煤量coal的差值;
所述第二时间段内的主蒸汽流量变化量delta-steam包括:第二时间段内按照预先设定频率所采集的主蒸汽流量中任意相邻的两个主蒸汽流量steam之间后一个主蒸汽流量steam减去前一个主蒸汽流量steam的差值;
B3、基于第二时间段内入炉煤量变化量delta-coal及主蒸汽流量变化量delta-steam,以[ta-T~ta]时间段内的炉煤量变化量delta-coal作为自变量,以ta时刻主蒸汽流量变化量delta-steam为因变量训练主汽流量生产模型m,得到训练好的主汽流量生产模型m;
其中,ta时刻是时间段H内的任一时刻;
所述时间段H=第二时间段-T时长;
T为给煤机操作到主蒸汽流量测量的最大惯性滞后时长。
优选地,所述B3具体包括:
以[ta-T~ta]时间段内的炉煤量变化量delta-coal作为自变量,以ta时刻主蒸汽流量变化量delta-steam为因变量分别代入到主汽流量生产模型m中,得到公式(4);
所述公式(4)为:
f为预先设定频率;
w0~wi均为主汽流量生产模型中的系数;
计算所述公式(4),获取主汽流量生产模型m中系数w0~wi的具体数值,完成主汽流量生产模型m的训练。
优选地,所述S7具体包括:将生成搜索空间space中的任一调整量ci作为预先设定的训练后的主汽流量生产模型m中的t时刻的炉煤量变化量delta-coal,并且,将[t-T~t)时间段内的炉煤量变化量delta-coal输入到预先设定的训练后的主汽流量生产模型m中得到公式(5),通过所述公式(5)得到与调整量ci对应的锅炉生产变化量delta-steamt;
所述公式(5)为:
delta-coalt-i为代入到预先设定的训练后的主汽流量生产模型中的[t-T~t)时间段内的炉煤量变化量中距离t时刻的第i个炉煤量变化量delta-coal;
b0为主汽流量生产模型中的系数w0的具体数值;
bi为主汽流量生产模型中的系数wi的具体数值。
(三)有益效果
本发明的有益效果是:本发明的一种基于压力前馈的燃煤锅炉给煤控制方法,由于采用第一时间段内锅炉的运行历史时序数据所训练好的预设的主蒸汽压力传递模型,预测锅炉的压力趋势变化量delta-k,并基于预测的锅炉的压力趋势变化量delta-k和锅炉当前的压力,获取锅炉的压力趋势,进一步,通过压力趋势与目标压力值确定是否对锅炉进行控制,本实施例中的主蒸汽压力传递模型是从第一时间段内锅炉的运行历史时序数据训练出来的,因此能够挖掘燃煤锅炉运行过程中压力趋势变化量,其可以提升锅炉响应速度与调节精度,从而提升锅炉运行的整体安全性与经济效益。
附图说明
图1为本发明的一种基于压力前馈的燃煤锅炉给煤控制方法流程图;
图2为本发明实施例中s3-k和s1-k的示意图;
图3为本发明的一种基于压力前馈的燃煤锅炉给煤控制方法与传统PID控制方法下的压力趋势对比图。
具体实施方式
为了更好的解释本发明,以便于理解,下面结合附图,通过具体实施方式,对本发明作详细描述。
为了更好的理解上述技术方案,下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更清楚、透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
实施例一
参见图1,本实施例提供一种基于压力前馈的燃煤锅炉给煤控制方法,包括:
S1、确定当前锅炉主蒸汽流量所属的预先划分的区间,并根据该区间确定与当前锅炉主蒸汽流量对应的训练好的预设的主蒸汽压力传递模型;预先划分的区间是根据预先采集的第一时间段内锅炉的运行历史时序数据中主蒸汽流量的最大值和最小值所划分的区间。
本实施例中分不同区间对应着不同的主蒸汽压力传递模型,使得不同因素对压力的影响程度具有自适应能力。
S2、根据当前锅炉消费流量变化量,利用与当前锅炉主蒸汽流量所对应的并基于所述第一时间段内锅炉的运行历史时序数据所训练好的预设的主蒸汽压力传递模型,预测锅炉的压力趋势变化量delta-k。
S3、基于预测的锅炉的压力趋势变化量delta-k和锅炉当前的压力,获取锅炉的压力趋势。
其中,锅炉的压力趋势=锅炉当前的压力+(压力趋势变化量delta-k×t0);t0为当前锅炉消费流量变化量的统计时长。
S4、判断所述锅炉的压力趋势和预先设定的目标压力值之间的差值的绝对值是否小于预先设定的阈值,获取判断结果;若所述判断结果为所述锅炉的压力趋势和预先设定的目标压力值之间的差值的绝对值小于预先设定的阈值,则不对锅炉进行给煤控制。
在本实施例的实际应用中,所述方法在S1之前还包括:
A1、获取第一时间段内锅炉的运行历史时序数据。
所述第一时间段内锅炉的运行历史时序数据包括:在第一时间段内按照预先设定频率所采集的锅炉运行过程中的入炉煤量、入炉风量、主蒸汽流量、主蒸汽压力、消费流量。
A2、按照预先设定标准筛选第一时间段内锅炉的运行历史时序数据,以构建特征变量数据集。
在本实施例的具体应用中,所述A2具体包括:
A21、沿时间轴截取第一时间段内锅炉的运行历史时序数据中长度为L的数据序列S,其中L≥90秒。
A22、按照预设设定标准将截取的数据序列S划分为s1、s2、s3共3个数据序列段。
其中,所述预先设定标准包括:
t1≥30秒、t3≥30秒、35秒≥t2≥15秒。
t1为数据序列段s1的时间长度;t2为数据序列段s2的时间长度;t3为数据序列段s3的时间长度。
A23、判断数据序列S是否满足预先设定条件,获取数据序列判断结果。
若所述数据序列判断结果为所述数据序列S不满足预先设定条件,则沿时间轴截取第一时间段内锅炉的运行历史时序数据中与所述数据序列S相邻的长度为L的数据序列并作为新的数据序列S,并重复步骤A22-A23,直至所述数据序列判断结果为所述数据序列S满足预先设定条件。
所述预先设定条件包括:所述预先设定条件包括:该数据序列S中数据序列段s1内的入炉煤量波动幅度不超过5%以及入炉风量波动幅度不超过5%;和该数据序列S中数据序列段s2内的入炉煤量波动幅度不超过5%以及入炉风量波动幅度不超过5%。
若所述数据序列判断结果为所述数据序列S满足预先设定条件,则分别通过公式(1)、公式(2)、公式(3),分别获取所述数据序列S的特征变量:平均负荷压力趋势变化量delta-k、主汽流量变化量delta-s。
所述公式(1)为:
∑s1_steam为数据序列段s1中按照预先设定频率所采集的所有的主蒸汽流量的总值。
∑s2_steam为数据序列段s2中按照预先设定频率所采集的所有的主蒸汽流量的总值。
∑s3_steam为数据序列段s3中按照预先设定频率所采集的所有的主蒸汽流量的总值。
所述公式(2)为:
delta-k=s3_k-s1_k。
参见图2,其中:
s1_pres(1)为数据序列段s1中起始时刻主蒸汽压力。
s1_pres(-1)为数据序列段s1中结束时刻主蒸汽压力。
s3_pres(1)为数据序列段s3中起始时刻主蒸汽压力。
s3_pres(-1)为数据序列段s3中结束时刻主蒸汽压力。
所述公式(3)为:
A24、沿时间轴截取第一时间段内锅炉的运行历史时序数据中与数据序列S相邻的长度为L的数据序列并作为新的数据序列S,并重复n-1次步骤A22-A24,得到特征变量数据集。
A3、基于构建的特征变量数据集,训练预设的k个相同的主蒸汽压力传递模型,分别获取训练好的k个主蒸汽压力传递模型。
所述A3具体包括:
A31、以固定间距ds将第一时间段内锅炉的运行历史时序数据中主蒸汽流量的最大值至最小值之间划分为k个相同长度的区间,其中,20t/h≥ds≥5t/h。
A33、采用k个数据子集D1,D2,...Di...,Dk,分别去训练预设的k个相同的主蒸汽压力传递模型,获取分别训练好的k个主蒸汽压力传递模型m1,m2,...mi...,mk。
在实际应用中,A33具体包括:
针对k个数据子集D1,D2,...Di...,Dk中的第i数据子集Di,以数据子集Di中的主汽流量变化量delta-s为自变量,以数据子集Di中的压力趋势变化量delta-k为因变量,训练相应的主蒸汽压力传递模型mi,获取训练好的主蒸汽压力传递模型mi。
在具体应用中,所述训练好的主蒸汽压力传递模型mi为:压力趋势变化量delta-k的预测值=ai×输入主蒸汽压力传递模型mi中的主汽流量变化量delta-s的值;其中,ai为所述训练好的主蒸汽压力传递模型mi中的固定系数。
本实施例中的一种基于压力前馈的燃煤锅炉给煤控制方法,由于采用第一时间段内锅炉的运行历史时序数据所训练好的预设的主蒸汽压力传递模型,预测锅炉的压力趋势变化量delta-k,并基于预测的锅炉的压力趋势变化量delta-k和锅炉当前的压力,获取锅炉的压力趋势,进一步,通过压力趋势与目标压力值确定是否对锅炉进行控制,本实施例中的主蒸汽压力传递模型是从第一时间段内锅炉的运行历史时序数据训练出来的,因此能够挖掘燃煤锅炉运行过程中压力趋势变化量,其可以提升锅炉响应速度与调节精度,从而提升锅炉运行的整体安全性与经济效益。
在实际应用中,本实施例提供一种基于压力前馈的燃煤锅炉给煤控制方法还包括:
S5、若所述判断结果为所述锅炉的压力趋势和预先设定的目标压力值之间的差值的绝对值大于等于预先设定的阈值,则以预先设定的给煤量最大向下调整度值、给煤量最大向上调整度值及固定调整步长生成搜索空间space。
其中,space=[c1,c2,c3...cm,cm+1...cs]。
其中c1为预先设定的给煤量最大向下调整度值。
cs为预先设定的给煤量最大向上调整度值。
Cm+1=cm+dc;dc为固定调整步长。
cm为搜索空间space中的第m个调整量。
S6、获取[t-T~t]时间段内的炉煤量变化量delta-coal。
t为当前时刻。
所述[t-T~t]时间段内的炉煤量变化量delta-coal包括:[t-T~t]时间段内按照预先设定频率所采集的入炉煤量coal中任意相邻的两个入炉煤量coal之间的差值。
S7、针对生成搜索空间space中的任一调整量ci,根据[t-T~t]时间段内的炉煤量变化量delta-coal,利用预先设定的训练后的主汽流量生产模型m计算得到与调整量ci对应的锅炉生产变化量delta-steamt。
S8、根据与调整量ci对应的锅炉生产变化量delta-steamt和当前锅炉消费流量变化量,获取与调整量ci对应的新的锅炉消费流量变化量。
其中,与调整量ci对应的新的锅炉消费流量变化量=与ci对应的锅炉生产变化量delta-steamt+当前锅炉消费流量变化量。
S9、根据与调整量ci对应的新的锅炉消费流量变化量,利用与当前锅炉主蒸汽流量对应的训练好的预设的主蒸汽压力传递模型预测锅炉的与调整量ci对应的压力趋势变化量delta-k。
S10、基于与调整量ci对应的压力趋势变化量delta-k和锅炉当前的压力,获取与调整量ci对应的锅炉的压力趋势tpi。
其中,tpi=now-pres+(与ci对应的压力趋势变化量delta-k×t0)。
now-pres为锅炉当前压力值。
S11、在得到的锅炉的压力趋势tp1,tp2,...tpi...,tps中,筛选出满足预设条件的锅炉的压力趋势。
所述预设条件为:
|锅炉的压力趋势-target_pres|<ε。
ε为预先设定的阈值;target_pres为预先设定的目标压力值。
S11、分别获取每一满足预设条件的锅炉的压力趋势所对应的搜索空间space中的调整量,并将满足预设条件的锅炉的压力趋势所对应的搜索空间space中的调整量中的最小的调整量作为最终的入炉煤量推荐。
在本实施例的实际应用中,所述方法在S1之前还包括:
B1、获取第二时间段内锅炉的运行历史时序数据。
第二时间段大于等于1天。
所述第二时间段内锅炉的运行历史时序数据包括:在第二时间段内按照预先设定频率所采集的锅炉运行过程中的入炉煤量coal、主蒸汽流量steam。
B2、基于所述第二时间段内锅炉的运行历史时序数据,获取第二时间段内入炉煤量变化量delta-coal及主蒸汽流量变化量delta-steam。
所述第二时间段内的入炉煤量变化量delta-coal包括:第二时间段内按照预先设定频率所采集的入炉煤量coal中任意相邻的两个入炉煤量coal之间后一个入炉煤量coal减去前一个入炉煤量coal的差值。
所述第二时间段内的主蒸汽流量变化量delta-steam包括:第二时间段内按照预先设定频率所采集的主蒸汽流量中任意相邻的两个主蒸汽流量steam之间后一个主蒸汽流量steam减去前一个主蒸汽流量steam的差值。
B3、基于第二时间段内入炉煤量变化量delta-coal及主蒸汽流量变化量delta-steam,以[ta-T~ta]时间段内的炉煤量变化量delta-coal作为自变量,以ta时刻主蒸汽流量变化量delta-steam为因变量训练主汽流量生产模型m,得到训练好的主汽流量生产模型m。
其中,ta时刻是时间段H内的任一时刻。
所述时间段H=第二时间段-T时长。
T为给煤机操作到主蒸汽流量测量的最大惯性滞后时长。
所述B3具体包括:
以[ta-T~ta]时间段内的炉煤量变化量delta-coal作为自变量,以ta时刻主蒸汽流量变化量delta-steam为因变量分别代入到主汽流量生产模型m中,得到公式(4)。
所述公式(4)为:
f为预先设定频率。
w0~wi均为主汽流量生产模型中的系数。
计算所述公式(4),获取主汽流量生产模型m中系数w0~wi的具体数值,完成主汽流量生产模型m的训练。
具体的,所述S7具体包括:将生成搜索空间space中的任一调整量ci作为预先设定的训练后的主汽流量生产模型m中的t时刻的炉煤量变化量delta-coal,并且,将[t-T~t)时间段内的炉煤量变化量delta-coal输入到预先设定的训练后的主汽流量生产模型m中得到公式(5),通过所述公式(5)得到与调整量ci对应的锅炉生产变化量delta-steamt。
所述公式(5)为:
delta-coalt-i为代入到预先设定的训练后的主汽流量生产模型中的[t-T~t)时间段内的炉煤量变化量中距离t时刻的第i个炉煤量变化量delta-coal。
b0为主汽流量生产模型中的系数w0的具体数值。
bi为主汽流量生产模型中的系数wi的具体数值。
本实施例中一种基于压力前馈的燃煤锅炉给煤控制方法以训练好的预设的主蒸汽压力传递模型和训练后的主汽流量生产模型m组合而成的前馈控制方式代替传统的反馈调节,能够在摆脱对运行人员强依赖性的同时,更提升锅炉运行的响应速度及调整精度。
实施例二
本实施例提供一种基于压力前馈的燃煤锅炉给煤控制方法,包括:
S1、确定当前锅炉主蒸汽流量所属的预先划分的区间,并根据该区间确定与当前锅炉主蒸汽流量对应的训练好的预设的主蒸汽压力传递模型;预先划分的区间是根据预先采集的第一时间段内锅炉的运行历史时序数据中主蒸汽流量的最大值和最小值所划分的区间。
S2、根据当前锅炉消费流量变化量,利用与当前锅炉主蒸汽流量所对应的并基于所述第一时间段内锅炉的运行历史时序数据所训练好的预设的主蒸汽压力传递模型,预测锅炉的压力趋势变化量delta-k。
本实施例中训练好的预设的主蒸汽压力传递模型,是通过如下步骤得到的:
获取第一时间段内锅炉的运行历史时序数据。
所述第一时间段内锅炉的运行历史时序数据包括:在第一时间段内按照预先设定频率所采集的锅炉运行过程中的入炉煤量、入炉风量、主蒸汽流量、主蒸汽压力、消费流量。
按照预设设定标准筛选第一时间段内锅炉的运行历史时序数据,以构建特征变量数据集。
基于构建的特征变量数据集,训练预设的k个相同的主蒸汽压力传递模型,分别获取训练好的k个主蒸汽压力传递模型。
S3、基于预测的锅炉的压力趋势变化量和锅炉当前的压力,获取锅炉的压力趋势。
其中,锅炉的压力趋势=锅炉当前的压力+(压力趋势变化量delta-k×t0);t0为当前锅炉消费流量变化量的统计时长。
S4、判断所述锅炉的压力趋势和预先设定的目标压力值之间的差值的绝对值是否小于预先设定的阈值,获取判断结果;若所述判断结果为小于预先设定的阈值,则不对锅炉进行给煤控制。
S5、若所述判断结果为所述锅炉的压力趋势和预先设定的目标压力值之间的差值的绝对值大于等于预先设定的阈值,则以预先设定的给煤量最大向下调整度值、给煤量最大向上调整度值及固定调整步长生成搜索空间space。
其中,space=[c1,c2,c3...cm,cm+1...cs]。
其中c1为预先设定的给煤量最大向下调整度值。
cs为预先设定的给煤量最大向上调整度值。
cm+1=cm+dc;dc为固定调整步长。
cm为搜索空间space中的第m个调整量。
S6、获取[t-T~t]时间段内的炉煤量变化量delta-coal。
t为当前时刻。
所述[t-T~t]时间段内的炉煤量变化量delta-coal包括:[t-T~t]时间段内按照预先设定频率所采集的入炉煤量coal中任意相邻的两个入炉煤量coal之间的差值。
S7、针对生成搜索空间space中的任一调整量ci,根据[t-T~t]时间段内的炉煤量变化量delta-coal,利用预先设定的训练后的主汽流量生产模型m计算得到与调整量ci对应的锅炉生产变化量delta-steamt。
本实施例中预先设定的训练后的主汽流量生产模型m,是通过如下步骤得到的:
获取第二时间段内锅炉的运行历史时序数据。
第二时间段大于等于1天。
所述第二时间段内锅炉的运行历史时序数据包括:在第二时间段内按照预先设定频率所采集的锅炉运行过程中的入炉煤量coal、主蒸汽流量steam。
基于所述第二时间段内锅炉的运行历史时序数据,获取第二时间段内入炉煤量变化量delta-coal及主蒸汽流量变化量delta-steam。
所述第二时间段内的入炉煤量变化量delta-coal包括:第二时间段内按照预先设定频率所采集的入炉煤量coal中任意相邻的两个入炉煤量coal之间后一个入炉煤量coal减去前一个入炉煤量coal的差值。
所述第二时间段内的主蒸汽流量变化量delta-steam包括:第二时间段内按照预先设定频率所采集的主蒸汽流量中任意相邻的两个主蒸汽流量steam之间后一个主蒸汽流量steam减去前一个主蒸汽流量steam的差值。
基于第二时间段内入炉煤量变化量delta-coal及主蒸汽流量变化量delta-steam,以[ta-T~ta]时间段内的炉煤量变化量delta-coal作为自变量,以ta时刻主蒸汽流量变化量delta-steam为因变量训练主汽流量生产模型m,得到训练好的主汽流量生产模型m。
其中,ta时刻是时间段H内的任一时刻。
所述时间段H=第二时间段-T时长。
T为给煤机操作到主蒸汽流量测量的最大惯性滞后时长。
S8、根据与调整量ci对应的锅炉生产变化量delta-steamt和当前锅炉消费流量变化量,获取与调整量ci对应的新的锅炉消费流量变化量。
其中,与调整量ci对应的新的锅炉消费流量变化量=与ci对应的锅炉生产变化量delta-steamt+当前锅炉消费流量变化量。
S9、根据与调整量ci对应的新的锅炉消费流量变化量,利用与当前锅炉主蒸汽流量对应的训练好的预设的主蒸汽压力传递模型预测锅炉的与调整量ci对应的压力趋势变化量delta-k。
S10、基于与调整量ci对应的压力趋势变化量delta-k和锅炉当前的压力,获取与调整量ci对应的锅炉的压力趋势tpi。
其中,tpi=now-pres+(与ci对应的压力趋势变化量delta-k×t0)。
now-pres为锅炉当前压力值。
S11、在得到的锅炉的压力趋势tp1,tp2,...tpi...,tps中,筛选出满足预设条件的锅炉的压力趋势。
所述预设条件为:
|锅炉的压力趋势-target_pres|<ε。
ε为预先设定的阈值;target_pres为预先设定的目标压力值。
S11、分别获取每一满足预设条件的锅炉的压力趋势所对应的搜索空间space中的调整量,并将满足预设条件的锅炉的压力趋势所对应的搜索空间space中的调整量中的最小的调整量作为最终的入炉煤量推荐。
参见图3,通过本实施例提供一种基于压力前馈的燃煤锅炉给煤控制方法和传统的PID控制方法,这两中方法下的压力趋势图的对比,可以看出使用本实施例提供一种基于压力前馈的燃煤锅炉给煤控制方法中的压力趋势控制的更为平稳,波动幅度更小,本实施例提供一种基于压力前馈的燃煤锅炉给煤控制方法更能提升锅炉运行的整体安全性。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例,或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。
应当注意的是,在权利要求中,不应将位于括号之间的任何附图标记理解成对权利要求的限制。词语“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的词语“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的权利要求中,这些装置中的若干个可以是通过同一个硬件来具体体现。词语第一、第二、第三等的使用,仅是为了表述方便,而不表示任何顺序。可将这些词语理解为部件名称的一部分。
此外,需要说明的是,在本说明书的描述中,术语“一个实施例”、“一些实施例”、“实施例”、“示例”、“具体示例”或“一些示例”等的描述,是指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管已描述了本发明的优选实施例,但本领域的技术人员在得知了基本创造性概念后,则可对这些实施例作出另外的变更和修改。所以,权利要求应该解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种修改和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也应该包含这些修改和变型在内。
Claims (10)
1.一种基于压力前馈的燃煤锅炉给煤控制方法,其特征在于,包括:
S1、确定当前锅炉主蒸汽流量所属的预先划分的区间,并根据该区间确定与当前锅炉主蒸汽流量对应的训练好的预设的主蒸汽压力传递模型;预先划分的区间是根据预先采集的第一时间段内锅炉的运行历史时序数据中主蒸汽流量的最大值和最小值所划分的区间;
S2、根据当前锅炉消费流量变化量,利用与当前锅炉主蒸汽流量所对应的并基于所述第一时间段内锅炉的运行历史时序数据所训练好的预设的主蒸汽压力传递模型,预测锅炉的压力趋势变化量delta-k;
S3、基于预测的锅炉的压力趋势变化量delta-k和锅炉当前的压力,获取锅炉的压力趋势;
其中,锅炉的压力趋势=锅炉当前的压力+(压力趋势变化量delta-k×t0);t0为当前锅炉消费流量变化量的统计时长;
S4、判断所述锅炉的压力趋势和预先设定的目标压力值之间的差值的绝对值是否小于预先设定的阈值,获取判断结果;若所述判断结果为小于预先设定的阈值,则不对锅炉进行给煤控制。
2.根据权利要求1所述的方法,其特征在于,所述方法在S1之前还包括:
A1、获取第一时间段内锅炉的运行历史时序数据;
所述第一时间段内锅炉的运行历史时序数据包括:在第一时间段内按照预先设定频率所采集的锅炉运行过程中的入炉煤量、入炉风量、主蒸汽流量、主蒸汽压力、消费流量;
A2、按照预先设定标准筛选第一时间段内锅炉的运行历史时序数据,以构建特征变量数据集;
A3、基于构建的特征变量数据集,训练预设的k个相同的主蒸汽压力传递模型,分别获取训练好的k个主蒸汽压力传递模型。
3.根据权利要求2所述的方法,其特征在于,所述A2具体包括:
A21、沿时间轴截取第一时间段内锅炉的运行历史时序数据中长度为L的数据序列S,其中L≥90秒;
A22、按照预设设定标准将截取的数据序列S划分为s1、s2、s3共3个数据序列段;
其中,所述预先设定标准包括:
t1≥30秒、t3≥30秒、35秒≥t2≥15秒;
t1为数据序列段s1的时间长度;t2为数据序列段s2的时间长度;t3为数据序列段s3的时间长度;
A23、判断数据序列S是否满足预先设定条件,获取数据序列判断结果;
若所述数据序列判断结果为所述数据序列S不满足预先设定条件,则沿时间轴截取第一时间段内锅炉的运行历史时序数据中与所述数据序列S相邻的长度为L的数据序列并作为新的数据序列S,并重复步骤A22-A23,直至所述数据序列判断结果为所述数据序列S满足预先设定条件;
所述预先设定条件包括:该数据序列S中数据序列段s1内的入炉煤量波动幅度不超过5%以及入炉风量波动幅度不超过5%;和该数据序列S中数据序列段s2内的入炉煤量波动幅度不超过5%以及入炉风量波动幅度不超过5%;
若所述数据序列判断结果为所述数据序列S满足预先设定条件,则分别通过公式(1)、公式(2)、公式(3),分别获取所述数据序列S的特征变量:平均负荷压力趋势变化量delta-k、主汽流量变化量delta-s;
所述公式(1)为:
∑s1_steam为数据序列段s1中按照预先设定频率所采集的所有的主蒸汽流量的总值;
∑s2_steam为数据序列段s2中按照预先设定频率所采集的所有的主蒸汽流量的总值;
∑s3_steam为数据序列段s3中按照预先设定频率所采集的所有的主蒸汽流量的总值;
所述公式(2)为:
delta-k=s3-k-s1-k;
s1-pres(1)为数据序列段s1中起始时刻主蒸汽压力;
s1-pres(-1)为数据序列段s1中结束时刻主蒸汽压力;
s3-pres(1)为数据序列段s3中起始时刻主蒸汽压力;
s3-pres(-1)为数据序列段s3中结束时刻主蒸汽压力;
所述公式(3)为:
A24、沿时间轴截取第一时间段内锅炉的运行历史时序数据中与数据序列S相邻的长度为L的数据序列并作为新的数据序列S,并重复n-1次步骤A22-A24,得到特征变量数据集;
4.根据权利要求3所述的方法,其特征在于,所述A3具体包括:
A31、以固定间距ds将第一时间段内锅炉的运行历史时序数据中主蒸汽流量的最大值至最小值之间划分为k个相同长度的区间,其中,20t/h≥ds≥5t/h;
A33、采用k个数据子集D1,D2,...Di...,Dk,分别去训练预设的k个相同的主蒸汽压力传递模型,获取分别训练好的k个主蒸汽压力传递模型m1,m2,...mi...,mk。
5.根据权利要求4所述的方法,其特征在于,A33具体包括:
针对k个数据子集D1,D2,...Di...,Dk中的第i数据子集Di,以数据子集Di中的主汽流量变化量delta-s为自变量,以数据子集Di中的压力趋势变化量delta-k为因变量,训练相应的主蒸汽压力传递模型mi,获取训练好的主蒸汽压力传递模型mi。
6.根据权利要求5所述的方法,其特征在于,
所述训练好的主蒸汽压力传递模型mi为:
压力趋势变化量delta-k的预测值=ai×输入主蒸汽压力传递模型mi中的主汽流量变化量delta-s的值;
其中,ai为所述训练好的主蒸汽压力传递模型mi中的固定系数。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
S5、若所述判断结果为所述锅炉的压力趋势和预先设定的目标压力值之间的差值的绝对值大于等于预先设定的阈值,则以预先设定的给煤量最大向下调整度值、给煤量最大向上调整度值及固定调整步长生成搜索空间space;
其中,space=[c1,c2,c3...cm,cm+1...cs];
其中c1为预先设定的给煤量最大向下调整度值;
cs为预先设定的给煤量最大向上调整度值;
cm+1=cm+dc;dc为固定调整步长;
cm为搜索空间space中的第m个调整量;
S6、获取[t-T~t]时间段内的炉煤量变化量delta-coal;
t为当前时刻;
所述[t-T~t]时间段内的炉煤量变化量delta-coal包括:[t-T~t]时间段内按照预先设定频率所采集的入炉煤量coal中任意相邻的两个入炉煤量coal之间的差值;
S7、针对生成搜索空间space中的任一调整量ci,根据[t-T~t]时间段内的炉煤量变化量delta-coal,利用预先设定的训练后的主汽流量生产模型m计算得到与调整量ci对应的锅炉生产变化量delta-steamt;
S8、根据与调整量ci对应的锅炉生产变化量delta-steamt和当前锅炉消费流量变化量,获取与调整量ci对应的新的锅炉消费流量变化量;
其中,与调整量ci对应的新的锅炉消费流量变化量=与ci对应的锅炉生产变化量delta-steamt+当前锅炉消费流量变化量;
S9、根据与调整量ci对应的新的锅炉消费流量变化量,利用与当前锅炉主蒸汽流量对应的训练好的预设的主蒸汽压力传递模型预测锅炉的与调整量ci对应的压力趋势变化量delta-k;
S10、基于与调整量ci对应的压力趋势变化量delta-k和锅炉当前的压力,获取与调整量ci对应的锅炉的压力趋势tpi;
其中,tpi=now-pres+(与ci对应的压力趋势变化量delta-k×t0);
now-pres为锅炉当前压力值;
S11、在得到的锅炉的压力趋势tp1,tp2,...tpi...,tps中,筛选出满足预设条件的锅炉的压力趋势;
所述预设条件为:
|锅炉的压力趋势-target_pres|<ε;
ε为预先设定的阈值;target_pres为预先设定的目标压力值;
S11、分别获取每一满足预设条件的锅炉的压力趋势所对应的搜索空间space中的调整量,并将满足预设条件的锅炉的压力趋势所对应的搜索空间space中的调整量中的最小的调整量作为最终的入炉煤量推荐。
8.根据权利要求7所述的方法,其特征在于,所述方法在S1之前还包括:
B1、获取第二时间段内锅炉的运行历史时序数据;
第二时间段大于等于1天;
所述第二时间段内锅炉的运行历史时序数据包括:在第二时间段内按照预先设定频率所采集的锅炉运行过程中的入炉煤量coal、主蒸汽流量steam;
B2、基于所述第二时间段内锅炉的运行历史时序数据,获取第二时间段内入炉煤量变化量delta-coal及主蒸汽流量变化量delta-steam;
所述第二时间段内的入炉煤量变化量delta-coal包括:第二时间段内按照预先设定频率所采集的入炉煤量coal中任意相邻的两个入炉煤量coal之间后一个入炉煤量coal减去前一个入炉煤量coal的差值;
所述第二时间段内的主蒸汽流量变化量delta-steam包括:第二时间段内按照预先设定频率所采集的主蒸汽流量中任意相邻的两个主蒸汽流量steam之间后一个主蒸汽流量steam减去前一个主蒸汽流量steam的差值;
B3、基于第二时间段内入炉煤量变化量delta-coal及主蒸汽流量变化量delta-steam,以[ta-T~ta]时间段内的炉煤量变化量delta-coal作为自变量,以ta时刻主蒸汽流量变化量delta-steam为因变量训练主汽流量生产模型m,得到训练好的主汽流量生产模型m;
其中,ta时刻是时间段H内的任一时刻;
所述时间段H=第二时间段-T时长;
T为给煤机操作到主蒸汽流量测量的最大惯性滞后时长。
9.根据权利要求8所述的方法,其特征在于,所述B3具体包括:
以[ta-T~ta]时间段内的炉煤量变化量delta-coal作为自变量,以ta时刻主蒸汽流量变化量delta-steam为因变量分别代入到主汽流量生产模型m中,得到公式(4);
所述公式(4)为:
delta-coalta为代入到主汽流量生产模型中的ta时刻的炉煤量变化量delta-coal;
f为预先设定频率;
w0~wi均为主汽流量生产模型中的系数;
计算所述公式(4),获取主汽流量生产模型m中系数w0~wi的具体数值,完成主汽流量生产模型m的训练。
10.根据权利要求9所述的方法,其特征在于,所述S7具体包括:将生成搜索空间space中的任一调整量ci作为预先设定的训练后的主汽流量生产模型m中的t时刻的炉煤量变化量delta-coal,并且,将[t-T~t)时间段内的炉煤量变化量delta-coal输入到预先设定的训练后的主汽流量生产模型m中得到公式(5),通过所述公式(5)得到与调整量ci对应的锅炉生产变化量delta-steamt;
所述公式(5)为:
delta-coalt-i为代入到预先设定的训练后的主汽流量生产模型中的[t-T~t)时间段内的炉煤量变化量中距离t时刻的第i个炉煤量变化量delta-coal;
b0为主汽流量生产模型中的系数w0的具体数值;
bi为主汽流量生产模型中的系数wi的具体数值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210965524.9A CN115451424B (zh) | 2022-08-12 | 2022-08-12 | 一种基于压力前馈的燃煤锅炉给煤控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210965524.9A CN115451424B (zh) | 2022-08-12 | 2022-08-12 | 一种基于压力前馈的燃煤锅炉给煤控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115451424A CN115451424A (zh) | 2022-12-09 |
CN115451424B true CN115451424B (zh) | 2023-04-21 |
Family
ID=84298329
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210965524.9A Active CN115451424B (zh) | 2022-08-12 | 2022-08-12 | 一种基于压力前馈的燃煤锅炉给煤控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115451424B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116753509B (zh) * | 2023-05-08 | 2024-04-02 | 北京全应科技有限公司 | 一种热力系统中锅炉控制方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109539804A (zh) * | 2018-10-23 | 2019-03-29 | 湖南工业大学 | 锌沸腾焙烧余热发电过程的燃煤锅炉工况高效迁移方法 |
CN113609684A (zh) * | 2021-08-09 | 2021-11-05 | 工数科技(广州)有限公司 | 基于工业数据和工艺机理的锅炉吨煤产汽优化方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4466232B2 (ja) * | 2004-06-28 | 2010-05-26 | 株式会社日立製作所 | ボイラの劣化診断方法,装置,システム及びプログラムを記録した記録媒体 |
CN101788155A (zh) * | 2010-01-22 | 2010-07-28 | 云南电力试验研究院(集团)有限公司 | 煤质自适应的火电机组协调与自动发电控制方法 |
CN102607055B (zh) * | 2012-02-29 | 2014-10-29 | 东南大学 | 一种防止变负荷过程中锅炉给煤量过量调节的控制方法 |
CN103499102B (zh) * | 2013-09-29 | 2015-07-08 | 国家电网公司 | 一种定向控制火力发电机组入炉燃料量的方法 |
CN108954375B (zh) * | 2018-07-18 | 2020-06-19 | 厦门邑通软件科技有限公司 | 锅炉节煤控制方法 |
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 |
CN113095591B (zh) * | 2021-04-29 | 2023-03-21 | 中国大唐集团科学技术研究院有限公司中南电力试验研究院 | 一种用于火电机组运行参数自寻优的耗差分析方法 |
CN113390099B (zh) * | 2021-06-18 | 2023-01-13 | 天津华能杨柳青热电有限责任公司 | 一种燃煤热电联产机组自适应btu下的协调控制方法 |
CN114583764A (zh) * | 2022-03-07 | 2022-06-03 | 青岛洪锦智慧能源技术有限公司 | 一种火电机组agc性能指标优化方法及其装置 |
CN114673981B (zh) * | 2022-04-25 | 2024-04-30 | 四川泸天化创新研究院有限公司 | 锅炉装置的先进控制系统和控制方法 |
-
2022
- 2022-08-12 CN CN202210965524.9A patent/CN115451424B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109539804A (zh) * | 2018-10-23 | 2019-03-29 | 湖南工业大学 | 锌沸腾焙烧余热发电过程的燃煤锅炉工况高效迁移方法 |
CN113609684A (zh) * | 2021-08-09 | 2021-11-05 | 工数科技(广州)有限公司 | 基于工业数据和工艺机理的锅炉吨煤产汽优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115451424A (zh) | 2022-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111045326B (zh) | 一种基于递归神经网络的烘丝过程水分预测控制方法及系统 | |
CN1072368C (zh) | 采用自动调节进行模糊逻辑控制的方法和装置 | |
US7826909B2 (en) | Dynamic model predictive control | |
CN108008627B (zh) | 一种并行优化的强化学习自适应pid控制方法 | |
CN115451424B (zh) | 一种基于压力前馈的燃煤锅炉给煤控制方法 | |
CN101995822A (zh) | 一种大时滞系统的灰色自抗扰控制方法 | |
CN110202768B (zh) | 一种注塑机料筒温度控制方法 | |
CN106703904A (zh) | 一种基于数据挖掘技术的汽轮机配汽曲线优化方法 | |
CN110308654B (zh) | 基于模型预测控制的电感耦合等离子体产生系统的整定方法 | |
CN111001660B (zh) | 控制装置以及控制方法 | |
CN110703718A (zh) | 一种基于信号补偿的工业过程控制方法 | |
CN110554715A (zh) | 基于rbf神经网络的硫酸氧钛外加晶种水解工艺温度pid控制方法 | |
CN114622048A (zh) | 一种热风炉燃烧优化系统及方法 | |
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 | |
CN117066496B (zh) | 一种铸造冷却控制方法及系统 | |
Hisbullah et al. | Comparative evaluation of various control schemes for fed-batch fermentation | |
CN114001562A (zh) | 一种水泥预分解炉调温pid参数自整定方法 | |
CN110347038B (zh) | 一种水泥熟料冷却过程的二自由度Smith预估控制方法 | |
CN110393954B (zh) | 一种基于强化学习的浓密机在线控制方法 | |
Qiao et al. | Intelligence-based temperature switching control for cement raw meal calcination process | |
CN109101683B (zh) | 燃煤分质利用与清洁预处理系统热解釜的模型更新方法 | |
CN107870567B (zh) | 一种比例微分超前广义智能内部模型集pid控制器设计方法 | |
CN116880191A (zh) | 一种基于时序预测的过程工业生产系统的智能控制方法 | |
CN108132597B (zh) | 一种微分超前智能模型集pid控制器设计方法 | |
CN115032888A (zh) | 基于分温区延时累加策略的松散润叶机出口温度控制方法 |
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 |