CN115576199B - 一种火电机组深度调峰下辅机低负荷安全自动控制方法 - Google Patents
一种火电机组深度调峰下辅机低负荷安全自动控制方法 Download PDFInfo
- Publication number
- CN115576199B CN115576199B CN202211200413.5A CN202211200413A CN115576199B CN 115576199 B CN115576199 B CN 115576199B CN 202211200413 A CN202211200413 A CN 202211200413A CN 115576199 B CN115576199 B CN 115576199B
- Authority
- CN
- China
- Prior art keywords
- tripping
- blower
- automatic control
- risk
- auxiliary
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 239000003245 coal Substances 0.000 claims abstract description 34
- 230000007704 transition Effects 0.000 claims abstract description 15
- 230000009467 reduction Effects 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 58
- 239000000446 fuel Substances 0.000 claims description 37
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 33
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 claims description 28
- 229910021529 ammonia Inorganic materials 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 13
- 238000002485 combustion reaction Methods 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010298 pulverizing process Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000000873 masking effect Effects 0.000 claims description 2
- 230000003247 decreasing effect Effects 0.000 abstract description 14
- 230000002238 attenuated effect Effects 0.000 abstract description 4
- 238000013461 design Methods 0.000 abstract description 4
- 230000000875 corresponding effect Effects 0.000 description 17
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 3
- 239000003546 flue gas Substances 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 2
- 238000006477 desulfuration reaction Methods 0.000 description 2
- 230000023556 desulfurization Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Abstract
本发明公开了一种火电机组深度调峰下辅机低负荷安全自动控制方法,包括如下步骤:步骤一、辅机故障风险预测;步骤二、判断故障是否触发辅机故障减负荷RB功能;步骤三、故障分类:当送风机发生跳闸风险时,进入步骤301,步骤301送风机跳闸自动控制;当给水泵发生跳闸风险时,进入步骤302;当磨煤机发生跳闸风险时,进入步骤303;步骤四、判断自动控制是否完成,若是,系统进入完成平稳过渡,否则返回步骤三。本发明结构简单、设计合理,发生跳闸风险的送风机的风叶开度和速率分别根据递减函数衰减至0,未发生跳闸风险的送风机的风叶开度和速率根据递增函数增加到目标值,递减函数和总的递增函数相对称,从而实现互补。
Description
技术领域
本发明属于电力系统与设备技术领域,具体涉及一种火电机组深度调峰下辅机低负荷安全自动控制方法。
背景技术
我国新能源发电的迅猛发展,以及煤电产能的过剩,煤电的灵活性改造势在必行。当新能源在电网中的比例逐渐扩大时,对调峰电源的需求也逐渐升高,与新能源等电源相比,煤电具有较好的调峰性能。对于火电机组,如何平稳安全的完成深度调峰任务,成为重要的课题。当前常规的控制逻辑虽然可以满足深度调峰300MW的需求,但在此负荷下重要辅机跳闸,缺少有效的事故控制逻辑,完全由运行人员来操作,由于人的不确定性,处理不当、不及时,则很容易导致锅炉灭火,甚至损伤设备。
因此需要一种可以对重要辅机进行跳闸故障预警的系统,针对跳闸故障的预测结果,提前采取有效措施,进行平滑切换。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种火电机组深度调峰下辅机低负荷安全自动控制方法,其结构简单、设计合理,发生跳闸风险的送风机的风叶开度和速率分别根据递减函数衰减至0,未发生跳闸风险的送风机的风叶开度和速率根据递增函数增加到目标值,递减函数和总的递增函数相对称,从而实现互补,构建辅机跳闸预测模型并采用门过滤器优化用于预测辅机故障概率,采用证据组合规则对不同辅机的故障证据进行证据融合。
为解决上述技术问题,本发明采用的技术方案是:一种火电机组深度调峰下辅机低负荷安全自动控制方法,其特征在于:火电机组包括至少三台投入运行的磨煤机以及至少两台运行的送风机和给水泵,该方法包括如下步骤:
步骤一、辅机故障风险预测:
步骤101、建立数据集:收集辅机在跳闸发生前[T-t,T]时间段内的运行参数构建数据集X,辅机包括送风机、给水泵和磨煤机三种,将数据集X分为训练集和测试集,t表示正整数;
步骤102、基于神经网络模型构建训练好的辅机跳闸预测模型,并优化辅机跳闸预测模型;在每一个卷积层后面增加一个门过滤器φp,门过滤器φp为[1,Cp,1,1],Cp表示加在第p个卷积层后面的门过滤器中的通道个数,采用训练集对辅机跳闸预测模型进行训练;
步骤103、使用传感器组采集辅机运行参数,使用辅机跳闸预测模型对辅机的跳闸风险进行预测,获取辅机的跳闸风险预测结果Wij={w11,...,wij,...whk},wij表示第i种辅机发生第j种跳闸故障的风险;
步骤104、基于D-S证据理论得到新的证据,对辅机跳闸风险进行判断;
步骤二、判断故障是否触发辅机故障减负荷RB功能;
步骤三、故障分类:当送风机发生跳闸风险时,进入步骤301;当给水泵发生跳闸风险时,进入步骤302;当磨煤机发生跳闸风险时,进入步骤303;
步骤301、送风机跳闸自动控制:
步骤3011、发生跳闸风险的送风机的风叶开度根据函数y1=f1(Y)在Y时间内衰减至零,y1∈[0,μ1],μ1表示发生跳闸风险的送风机的当前风叶开度;
步骤3012、发生跳闸风险的送风机的速率根据函数y2=f2(Y)在Y时间内衰减至零,y2∈[0,v1],v1表示发生跳闸风险的送风机的当前风叶开度;
步骤3013、未发生跳闸风险的送风机的风叶开度根据函数y3(ε-r)=f3(ε-r)(Y)在Y时间内由μ2增加到f(sT),y3(ε-r)∈[μ2,f(sT)],μ2表示未发生跳闸风险的送风机的当前风叶开度,f(sT)表示未发生跳闸风险的送风机的出力风叶开度,与y1=f1(Y)关于y=y0对称,y0表示/>与y1=f1(Y)的交点的纵坐标,其中r表示跳闸的送风机数量,ε表示送风机的总数;
步骤3014、上位机根据未发生跳闸风险的送风机的出力风量,计算未发生跳闸风险的送风机的出力速率v3并反馈给未跳闸的送风机的自动控制系统,未发生跳闸风险的送风机的速率根据函数y4(ε-r)=f4(ε-r)(Y)在Y时间内由v2增加到v3,y4(ε-r)∈[v2,v3],v2表示未发生跳闸风险的送风机的当前速率,v3表示未发生跳闸风险的送风机的出力速率,与y2=f2(Y)关于y=y'0对称,y'0表示/>与y2=f2(Y)的交点的纵坐标;
步骤3015、完成送风机跳闸自动控制,进入步骤四;
步骤302、给水泵跳闸自动控制,完成给水泵跳闸自动控制,进入步骤四;
步骤303、磨煤机跳闸自动控制,完成磨煤机跳闸自动控制,进入步骤四;
步骤四、判断自动控制是否完成,若是,系统进入完成平稳过渡,否则返回步骤三。
上述的一种火电机组深度调峰下辅机低负荷安全自动控制方法,其特征在于:所述步骤一中f(sT)的计算方法为:上位机根据公式计算送风机跳闸时未跳闸的送风机的开度f(sT),并将开度f(sT)反馈给未跳闸的送风机的自动控制系统,r表示跳闸的送风机数量,f(r)表示与r相关的未跳闸的送风机的开度函数,f(r)与r的映射关系是经过实验和实际数据预先做出来的,η1T表示氨逃逸的影响因子,C1T表示T时刻烟道内氨气的浓度值,Cset表示烟道内氨气的设定浓度值,η2T表示SO2的影响因子,C2T表示T时刻烟道内SO2的浓度值,b2T表示拟合系数。
上述的一种火电机组深度调峰下辅机低负荷安全自动控制方法,其特征在于:所述v3的计算方法为:上位机根据公式UL=min{ULp,ULw}计算送风机跳闸时的机组负荷目标值UL,其中,ULp表示机组当前负荷值,ULw表示机组稳燃负荷值,上位机根据公式计算未跳闸的送风机的预计风量Q,Qp表示未跳闸的送风机的当前风量,ΔQ表示未跳闸的送风机的风量增量,M表示机组负荷目标值UL对应的燃料量,KM表示燃料量增加到M引起的炉膛热负荷变化的比例因子,τ表示燃料量增加到M的滞后时间,Pb表示送风机出口压力,P表示大气压力,上位机根据公式/>上位机将速率v3反馈给未跳闸的送风机的自动控制系统。
上述的一种火电机组深度调峰下辅机低负荷安全自动控制方法,其特征在于:步骤301还包括给水泵跟随机组负荷目标值UL对应的燃料量M对应的给水流量值变化,变化的多阶惯性时间由常规的20~30秒切换为5秒。
上述的一种火电机组深度调峰下辅机低负荷安全自动控制方法,其特征在于:步骤301还包括低负荷平稳过渡控制动作过程中,屏蔽送风机自动控制中的控制量与设定值偏差大切手动条件以及阀门、开度指令反馈与设定值偏差大切手动条件。
上述的一种火电机组深度调峰下辅机低负荷安全自动控制方法,其特征在于:步骤302中给水泵跳闸自动控制的具体步骤包括:
步骤3021、未跳闸的给水泵跟随机组负荷目标值UL对应的燃料量M对应的给水流量值变化,变化的多阶惯性时间由常规的20~30秒切换为10秒;
步骤3022、未跳闸的给水泵的再循环阀在Y时间全关;
步骤3023、低负荷平稳过渡控制动作过程中,屏蔽磨煤机冷、热风门自动控制中的控制量与设定值偏差大切手动条件以及阀门、开度指令反馈与设定值偏差大切手动条件。
上述的一种火电机组深度调峰下辅机低负荷安全自动控制方法,其特征在于:步骤303中磨煤机跳闸自动控制的具体步骤包括:
上位机根据公式计算目标燃料量Mg,已运行给煤机自动投入燃料量自动控制,Mw表示稳燃燃料量,Mmax表示制粉系统的实际可接受最大燃料量,Mp表示当前实际燃料量,M1max表示单台给煤机最大燃料量,M2max表示单台磨煤机最大燃料量,z表示磨煤机剩余运行台数。
上述的一种火电机组深度调峰下辅机低负荷安全自动控制方法,其特征在于:辅机跳闸预测模型的损失函数为L'=(1-α)L1+αL2,其中X表示输入数据,Y表示相应的标签,θ表示辅机跳闸预测模型的参数,α表示损失函数L2的权重,其中β表示系数,/>β'表示图像特征属于正样本的权重,/>表示调制系数,/>表示图像特征属于正样本的概率。
上述的一种火电机组深度调峰下辅机低负荷安全自动控制方法,其特征在于:步骤102中,优化辅机跳闸预测模型的具体步骤包括:在每一个卷积层后面增加一个门过滤器φp,门过滤器φp为[1,Cp,1,1],Cp表示加在第p个卷积层后面的门过滤器中的通道个数,对其中一个或多个Cp随机赋0,其余的Cp与经过第p个卷积层的输出特征图的图像通道数相同,采用验证集验证随机赋0后的辅机跳闸预测模型的分类结果,若分类结果符合要求,则在辅机跳闸预测模型中删除赋0的Cp所对应的卷积层。
上述的一种火电机组深度调峰下辅机低负荷安全自动控制方法,其特征在于:步骤104中基于D-S证据理论得到新的证据,对辅机跳闸风险进行判断的具体步骤包括:
步骤1041、基于D-S证据理论设置辨识框架Θ={F},mij{F}表示第i种辅机被识别为第j种跳闸故障的基本概率分配函数,将风险wij的值赋值给mij{F};
步骤1042、对多时刻证据进行加权平均:其中mp(A)表示加权平均证据信息,ωt表示T-t+1时刻的证据m(T-t+1)ij(A)对应的权重,l表示共l个时刻;
步骤1043、采用证据组合规则进行证据融合:任意两组的证据组合规则为 表示融合后的证据信息,mp(A)和mp(B)表示两组在辨识框架Θ上待融合的证据,A、B表示幂集2Θ的子集,C表示A和B的交集;
步骤1044、将融合后的证据转换为辅机跳闸概率BetP(A)。
本发明与现有技术相比具有以下优点:
1、本发明的结构简单、设计合理,实现及使用操作方便。
2、本发明中,发生跳闸风险的送风机的风叶开度和速率分别根据递减函数衰减至0,未发生跳闸风险的送风机的风叶开度和速率根据递增函数增加到目标值,递减函数和总的递增函数相对称,从而实现互补,达到有跳闸风险的送风机快速、平滑、自动退出、未发生跳闸风险的送风机的快速、平滑、自动出力替补的功能。
3、构建辅机跳闸预测模型并采用门过滤器优化,在损失函数中加入交叉熵损失函数和门过滤器,以最小的代价消除系统的不确定性,提高辅机跳闸预测模型的准确性。
4、采用证据组合规则对不同辅机的故障证据进行证据融合,用于预测辅机故障概率,得到融合后的证据,将融合后的证据转换为辅机跳闸概率,根据辅机跳闸概率判断是否需要平稳过渡到低负荷。
综上所述,本发明结构简单、设计合理,发生跳闸风险的送风机的风叶开度和速率分别根据递减函数衰减至0,未发生跳闸风险的送风机的风叶开度和速率根据递增函数增加到目标值,递减函数和总的递增函数相对称,从而实现互补,构建辅机跳闸预测模型并采用门过滤器优化用于预测辅机故障概率,采用证据组合规则对不同辅机的故障证据进行证据融合。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的方法流程图。
图2为本发明递增函数和递减函数的波形图。
具体实施方式
下面结合附图及本发明的实施例对本发明的方法作进一步详细的说明。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施方式例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了便于描述,在这里可以使用空间相对术语,如“在……之上”、“在……上方”、“在……上表面”、“上面的”等,用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是,空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如,如果附图中的器件被倒置,则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其他器件或构造之下”。因而,示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位),并且对这里所使用的空间相对描述作出相应解释。
如图1所示,本发中火电机组包括至少三台投入运行的磨煤机以及双列运行的一次风机、送风机、引风机和给水泵,本发明的方法包括如下步骤:
步骤一、辅机故障风险预测:
步骤101、建立数据集:采用多种传感器收集辅机在跳闸发生前[T-t,T]时间段内的运行参数作为正样本,收集辅机正常运行时的运行参数作为负样本,构建数据集数据集X,X={x1,...xi,...,xh},xi表示第i种辅机的运行参数子集,xi={xi1,...xij,...xin},xij表示第i种辅机发生第j种跳闸故障的运行参数,其中1≤i≤h,1≤j≤n,n不小于2,h=5,辅机包括磨煤机、送风机和给水泵三种,将数据集X分为训练集和测试集。
将数据集X按7:3比例分别分为训练集和测试集,训练集中正负样本比例为1:1。
步骤102、基于神经网络模型构建辅机跳闸预测模型,在每一个卷积层后面增加一个门过滤器φp,门过滤器φp为[1,Cp,1,1],Cp表示加在第p个卷积层后面的门过滤器中的通道个数,采用训练集训练辅机跳闸预测模型,将迭代训练的损失值反向传播并更新辅机跳闸预测模型的门过滤器,完成迭代训练后得到训练好的网络模型。
实际使用时,对其中一个或多个Cp随机赋0,其余的Cp与经过第p个卷积层的输出特征图的图像通道数相同,采用验证集验证随机赋0后的辅机跳闸预测模型的分类结果,若分类结果符合要求,则在辅机跳闸预测模型中删除赋0的Cp所对应的卷积层。
在每一个卷积层后面增加一个门过滤器φp,可以将卷积层的输出特征图和通道方向的门过滤器相乘,进而改变标准的神经网络模型模块。当Cp随机赋0的时候,就如同移除了对应的卷积层,从而优化了辅机跳闸预测模型。
本实施例中,辅机跳闸预测模型的损失函数为L'=(1-α)L1+αL2,其中X表示输入数据,Y表示相应的标签,θ表示辅机跳闸预测模型的参数,α表示损失函数L2的权重,/>其中β表示系数,β'表示图像特征属于正样本的权重,表示调制系数,/>表示图像特征属于正样本的概率。实际使用时,γ=2,β'=0.25。
机器学习中,我们希望模型在训练数据上学到的预测数据分布与真实数据分布越相近越好,由于交叉熵描述的是消除真实数据分布的不确定性所需信息量的度量,所以在机器学习中使用交叉熵,以最小的代价消除系统的不确定性。
同时,在训练阶段,需要考虑对门过滤器φp的优化,因此第一个损失函数L1基于门过滤器φp。
步骤103、使用传感器组采集辅机运行参数,上位机实时接收辅机运行参数,使用辅机跳闸预测模型对辅机的跳闸风险进行预测,获取辅机的跳闸风险预测结果Wij={w11,...,wij,...whk},wij表示第i种辅机发生第j种跳闸故障的风险。这里说的风险也就是置信度。
步骤1041、基于D-S证据理论设置辨识框架Θ={F},mij{F}表示第i种辅机被识别为第j种跳闸故障的基本概率分配函数,将风险wij的值赋值给mij{F}。实际使用时,F={F1,F2,F3},F1表示低风险,F2表示中风险,F3表示高风险。
步骤1042、对多时刻证据进行加权平均:其中mp(A)表示加权平均证据信息,ωt表示T-t+1时刻的证据m(T-t+1)ij(A)对应的权重,l表示共l个时刻;
步骤1043、采用证据组合规则进行证据融合:任意两组的证据组合规则为 表示融合后的证据信息,mp(A)和mp(B)表示两组在辨识框架Θ上待融合的证据,A、B表示幂集2Θ的子集,C表示A和B的交集。采用证据组合规则对不同辅机的故障证据进行证据融合,得到融合后的证据/>
步骤1044、将融合后的证据转换为辅机跳闸概率BetP(A)。
步骤二、判断故障是否触发辅机故障减负荷RB功能;
实际使用时,设定机组负荷在30%~50%MCR时触发低负荷平稳过渡;机组负荷小于30%MCR或机组负荷大于50%MCR,触发辅机故障减负荷RB功能。MCR表示最大持续功率。
步骤三、故障分类:当跳闸辅机为送风机时,进入步骤301;当跳闸辅机为一次风机时,进入步骤302;当跳闸辅机为给水泵时,进入步骤303;当跳闸辅机为磨煤机时,进入步骤304;
步骤301、送风机跳闸自动控制:
步骤3011、发生跳闸风险的送风机的风叶开度根据函数y1=f1(Y)在Y时间内衰减至零,y1∈[0,μ1],μ1表示发生跳闸风险的送风机的当前风叶开度;
步骤3012、发生跳闸风险的送风机的速率根据函数y2=f2(Y)在Y时间内衰减至零,y2∈[0,v1],v1表示发生跳闸风险的送风机的当前风叶开度。
步骤3011与步骤3012实现了有跳闸风险的送风机快速、平滑、自动退出的功能。
步骤3013、未发生跳闸风险的送风机的风叶开度根据函数y3(ε-r)=f3(ε-r)(Y)在Y时间内由μ2增加到f(sT),y3(ε-r)∈[μ2,f(sT)],μ2表示未发生跳闸风险的送风机的当前风叶开度,f(sT)表示未发生跳闸风险的送风机的出力风叶开度,与y1=f1(Y)关于y=y0对称,y0表示/>与y1=f1(Y)的交点的纵坐标,其中r表示跳闸的送风机数量,ε表示送风机的总数。
上位机根据公式计算送风机跳闸时未跳闸的送风机的开度f(sT),并将开度f(sT)反馈给未跳闸的送风机的自动控制系统,r表示跳闸的送风机数量,f(r)表示与r相关的未跳闸的送风机的开度函数,f(r)与r的映射关系是经过实验和实际数据预先做出来的,η1T表示氨逃逸的影响因子,C1T表示T时刻烟道内氨气的浓度值,Cset表示烟道内氨气的设定浓度值,η2T表示SO2的影响因子,C2T表示T时刻烟道内SO2的浓度值。
机组在低负荷运行时,炉膛烟温下降,造成脱硫反应效率降低,从而导致氨气逃逸,导致烟道流场均匀性差,或者堵塞发生,因此在计算未跳闸的送风机开度的时候,将氨气逃逸对烟道流畅的影响计算在内,当氨气浓度值较大,即大于烟道内氨气的设定浓度值时,的比值大于1,因此/>的值为正,从而η1T的值大于1,使得氨气浓度值较大时,送风机超值打开,保证了脱硫反应的效率,保证了催化剂的活性,保证了烟道的流畅,适用性好。
烟道流畅的一个指标为烟道内SO2的浓度值,因此加入η2T用来表征烟道流畅度与送风机开度影响因子。燃煤锅炉:烟囱或烟道的烟气中SO2的排放浓度限值是200~300㎎/m3。表示SO2的浓度值与影响因子正相关,SO2的浓度值越大,SO2的影响因子越大,与实际相符。
本实施例中,y1=f1(Y)为与X轴正半轴和Y轴正半轴均有交点的递减函数,y3(ε-r)=f3(ε-r)(Y)为过坐标轴原点的递增函数。例如,y3=arctanY,或者y1=f1(Y)=cosY,y3=sinY,或者y1=f1(Y)=-Y+b1,y3=Y,b1>1。优选的,y1=f1(Y)=Y2,y3=-Y2+b2,采用抛物线函数递增或递减,当调节时间Y较短时,可改变抛物线函数的系数,调节抛物线的曲率和斜率,可以改变速率和开度增加的快慢。
如图2所示,需要说明的是,与y1=f1(Y)关于y=y0对称,因此递减函数和总的递增函数相对称,从而实现互补,达到有跳闸风险的送风机快速、平滑、自动退出、未发生跳闸风险的送风机的快速、平滑、自动出力替补的功能。
步骤3014、上位机根据未发生跳闸风险的送风机的出力风量,计算未发生跳闸风险的送风机的出力速率v3并反馈给未跳闸的送风机的自动控制系统,未发生跳闸风险的送风机的速率根据函数y4(ε-r)=f4(ε-r)(Y)在Y时间内由v2增加到v3,y4(ε-r)∈[v2,v3],v2表示未发生跳闸风险的送风机的当前速率,v3表示未发生跳闸风险的送风机的出力速率,与y2=f2(Y)关于y=y'0对称,y'0表示/>与y2=f2(Y)的交点的纵坐标。
上位机根据公式UL=min{ULp,ULw}计算送风机跳闸时的机组负荷目标值UL,其中,ULp表示机组当前负荷值,ULw表示机组稳燃负荷值,上位机根据公式计算未跳闸的送风机的预计风量Q,Qp表示未跳闸的送风机的当前风量,ΔQ表示未跳闸的送风机的风量增量,M表示机组负荷目标值UL对应的燃料量,KM表示燃料量增加到M引起的炉膛热负荷变化的比例因子,τ表示燃料量增加到M的滞后时间,Pb表示送风机出口压力,P表示大气压力,上位机根据公式/>上位机将速率v3反馈给未跳闸的送风机的自动控制系统。
v3的单位为m/s,Q的单位为立方,机组稳燃负荷值一般通过不投助燃系统的稳燃试验确定,一般为机组额定负荷的35%~50%。当机组为1000MW超临界机组时,稳燃负荷为350MW~500MW。
本实施例中,y2=f2(Y)为与X轴正半轴和Y轴正半轴均有交点的递减函数,为过坐标轴原点的递增函数。同理,y2=f2(Y)和/>可以参照与y1=f1(Y)的函数,可在多项式函数、三角函数中选择。
需要说明的是,步骤301还包括给水泵跟随机组负荷目标值UL对应的燃料量M对应的给水流量值变化,变化的多阶惯性时间由常规的20~30秒切换为5秒;低负荷平稳过渡控制动作过程中,屏蔽送风机自动控制中的控制量与设定值偏差大切手动条件以及阀门、开度指令反馈与设定值偏差大切手动条件。
步骤3015、完成送风机跳闸自动控制,进入步骤四;
步骤302、给水泵跳闸自动控制,完成给水泵跳闸自动控制,进入步骤四:
步骤302中给水泵跳闸自动控制的具体步骤包括:
步骤3021、未跳闸的给水泵跟随机组负荷目标值UL对应的燃料量M对应的给水流量值变化,变化的多阶惯性时间由常规的20~30秒切换为10秒;
步骤3022、未跳闸的给水泵的再循环阀在Y时间全关;此处的关断速率服从递减函数,该递减函数为与X轴正半轴和Y轴正半轴均有交点的递减函数,递减函数的自变量为Y。
步骤3023、低负荷平稳过渡控制动作过程中,屏蔽磨煤机冷、热风门自动控制中的控制量与设定值偏差大切手动条件以及阀门、开度指令反馈与设定值偏差大切手动条件。
步骤303、磨煤机跳闸自动控制,完成磨煤机跳闸自动控制,进入步骤四;
步骤303中磨煤机跳闸自动控制的具体步骤包括:
上位机根据公式计算目标燃料量Mg,已运行给煤机自动投入燃料量自动控制,Mw表示稳燃燃料量,Mmax表示制粉系统的实际可接受最大燃料量,Mp表示当前实际燃料量,M1max表示单台给煤机最大燃料量,M2max表示单台磨煤机最大燃料量,z表示磨煤机剩余运行台数。
需要说明的是,在低负荷平稳过渡触发前,机组的控制方式为汽轮机侧闭环调节机组功率、锅炉侧闭环调机前压力+ULD前馈模式,在低负荷平稳过渡触发后,机组的控制方式切换为汽轮机侧闭环调节机前压力、锅炉侧跟踪低负荷平稳过渡目标燃料量指令模式。
步骤四、判断自动控制是否完成,若是,系统进入完成平稳过渡,否则返回步骤三。
本实施例中,自动控制完成的条件包括:机组实际负荷值与机组负荷目标值UL偏差小于15MW;送风机自动控制调节稳定,炉膛压力波动范围小于±200Pa;炉膛烟气含氧量波动范围小于±0.5%;给水泵自动控制调节稳定,主蒸汽温度波动小于±3℃。
需要说明的是,低负荷平稳过渡完成条件的判定中:给水自动控制调节稳定具体条件为:分离器出口过热度波动小于±5℃,汽包水位波动小于±25mm。
以上所述,仅是本发明的实施例,并非对本发明作任何限制,凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化,均仍属于本发明技术方案的保护范围内。
Claims (10)
1.一种火电机组深度调峰下辅机低负荷安全自动控制方法,其特征在于:火电机组包括至少三台投入运行的磨煤机以及至少两台运行的送风机和给水泵,该方法包括如下步骤:
步骤一、辅机故障风险预测:
步骤101、建立数据集:收集辅机在跳闸发生前[T-t,T]时间段内的运行参数构建数据集X,辅机包括送风机、给水泵和磨煤机三种,将数据集X分为训练集和测试集,t表示正整数;
步骤102、基于神经网络模型构建训练好的辅机跳闸预测模型,并优化辅机跳闸预测模型;在每一个卷积层后面增加一个门过滤器φp,门过滤器φp为[1,Cp,1,1],Cp表示加在第p个卷积层后面的门过滤器中的通道个数,采用训练集对辅机跳闸预测模型进行训练;
步骤103、使用传感器组采集辅机运行参数,使用辅机跳闸预测模型对辅机的跳闸风险进行预测,获取辅机的跳闸风险预测结果Wij={w11,...,wij,...whk},wij表示第i种辅机发生第j种跳闸故障的风险;
步骤104、基于D-S证据理论得到新的证据,对辅机跳闸风险进行判断;
步骤二、判断故障是否触发辅机故障减负荷RB功能;
步骤三、故障分类:当送风机发生跳闸风险时,进入步骤301;当给水泵发生跳闸风险时,进入步骤302;当磨煤机发生跳闸风险时,进入步骤303;
步骤301、送风机跳闸自动控制:
步骤3011、发生跳闸风险的送风机的风叶开度根据函数y1=f1(Y)在Y时间内衰减至零,y1∈[0,μ1],μ1表示发生跳闸风险的送风机的当前风叶开度;
步骤3012、发生跳闸风险的送风机的速率根据函数y2=f2(Y)在Y时间内衰减至零,y2∈[0,v1],v1表示发生跳闸风险的送风机的当前风叶开度;
步骤3013、未发生跳闸风险的送风机的风叶开度根据函数y3(ε-r)=f3(ε-r)(Y)在Y时间内由μ2增加到f(sT),y3(ε-r)∈[μ2,f(sT)],μ2表示未发生跳闸风险的送风机的当前风叶开度,f(sT)表示未发生跳闸风险的送风机的出力风叶开度,与y1=f1(Y)关于y=y0对称,y0表示/>与y1=f1(Y)的交点的纵坐标,其中r表示跳闸的送风机数量,ε表示送风机的总数;
步骤3014、上位机根据未发生跳闸风险的送风机的出力风量,计算未发生跳闸风险的送风机的出力速率v3并反馈给未跳闸的送风机的自动控制系统,未发生跳闸风险的送风机的速率根据函数y4(ε-r)=f4(ε-r)(Y)在Y时间内由v2增加到v3,y4(ε-r)∈[v2,v3],v2表示未发生跳闸风险的送风机的当前速率,v3表示未发生跳闸风险的送风机的出力速率,与y2=f2(Y)关于y=y'0对称,y'0表示/>与y2=f2(Y)的交点的纵坐标;
步骤3015、完成送风机跳闸自动控制,进入步骤四;
步骤302、给水泵跳闸自动控制,完成给水泵跳闸自动控制,进入步骤四;
步骤303、磨煤机跳闸自动控制,完成磨煤机跳闸自动控制,进入步骤四;
步骤四、判断自动控制是否完成,若是,系统进入完成平稳过渡,否则返回步骤三。
2.按照权利要求1所述的一种火电机组深度调峰下辅机低负荷安全自动控制方法,其特征在于:所述步骤一中f(sT)的计算方法为:上位机根据公式计算送风机跳闸时未跳闸的送风机的开度f(sT),并将开度f(sT)反馈给未跳闸的送风机的自动控制系统,r表示跳闸的送风机数量,f(r)表示与r相关的未跳闸的送风机的开度函数,f(r)与r的映射关系是经过实验和实际数据预先做出来的,η1T表示氨逃逸的影响因子,C1T表示T时刻烟道内氨气的浓度值,Cset表示烟道内氨气的设定浓度值,η2T表示SO2的影响因子,C2T表示T时刻烟道内SO2的浓度值,b2T表示拟合系数。
3.按照权利要求1所述的一种火电机组深度调峰下辅机低负荷安全自动控制方法,其特征在于:所述v3的计算方法为:上位机根据公式UL=min{ULp,ULw}计算送风机跳闸时的机组负荷目标值UL,其中,ULp表示机组当前负荷值,ULw表示机组稳燃负荷值,上位机根据公式计算未跳闸的送风机的预计风量Q,Qp表示未跳闸的送风机的当前风量,ΔQ表示未跳闸的送风机的风量增量,M表示机组负荷目标值UL对应的燃料量,KM表示燃料量增加到M引起的炉膛热负荷变化的比例因子,τ表示燃料量增加到M的滞后时间,Pb表示送风机出口压力,P表示大气压力,上位机根据公式/>上位机将速率v3反馈给未跳闸的送风机的自动控制系统。
4.按照权利要求1所述的一种火电机组深度调峰下辅机低负荷安全自动控制方法,其特征在于:步骤301还包括给水泵跟随机组负荷目标值UL对应的燃料量M对应的给水流量值变化,变化的多阶惯性时间由常规的20~30秒切换为5秒。
5.按照权利要求1所述的一种火电机组深度调峰下辅机低负荷安全自动控制方法,其特征在于:步骤301还包括低负荷平稳过渡控制动作过程中,屏蔽送风机自动控制中的控制量与设定值偏差大切手动条件以及阀门、开度指令反馈与设定值偏差大切手动条件。
6.按照权利要求1所述的一种火电机组深度调峰下辅机低负荷安全自动控制方法,其特征在于:步骤302中给水泵跳闸自动控制的具体步骤包括:
步骤3021、未跳闸的给水泵跟随机组负荷目标值UL对应的燃料量M对应的给水流量值变化,变化的多阶惯性时间由常规的20~30秒切换为10秒;
步骤3022、未跳闸的给水泵的再循环阀在Y时间全关;
步骤3023、低负荷平稳过渡控制动作过程中,屏蔽磨煤机冷、热风门自动控制中的控制量与设定值偏差大切手动条件以及阀门、开度指令反馈与设定值偏差大切手动条件。
7.按照权利要求3所述的一种火电机组深度调峰下辅机低负荷安全自动控制方法,其特征在于:步骤303中磨煤机跳闸自动控制的具体步骤包括:
上位机根据公式计算目标燃料量Mg,已运行给煤机自动投入燃料量自动控制,Mw表示稳燃燃料量,Mmax表示制粉系统的实际可接受最大燃料量,Mp表示当前实际燃料量,M1max表示单台给煤机最大燃料量,M2max表示单台磨煤机最大燃料量,z表示磨煤机剩余运行台数。
8.按照权利要求1所述的一种火电机组深度调峰下辅机低负荷安全自动控制方法,其特征在于:辅机跳闸预测模型的损失函数为L'=(1-α)L1+αL2,其中X表示输入数据,Y表示相应的标签,θ表示辅机跳闸预测模型的参数,α表示损失函数L2的权重,/>其中β表示系数,β'表示图像特征属于正样本的权重, 表示调制系数,/>表示图像特征属于正样本的概率,L(X,Y;θ)表示交叉熵损失函数,φp表示门过滤器。
9.按照权利要求1所述的一种火电机组深度调峰下辅机低负荷安全自动控制方法,其特征在于:步骤102中,优化辅机跳闸预测模型的具体步骤包括:在每一个卷积层后面增加一个门过滤器φp,门过滤器φp为[1,Cp,1,1],Cp表示加在第p个卷积层后面的门过滤器中的通道个数,对其中一个或多个Cp随机赋0,其余的Cp与经过第p个卷积层的输出特征图的图像通道数相同,采用验证集验证随机赋0后的辅机跳闸预测模型的分类结果,若分类结果符合要求,则在辅机跳闸预测模型中删除赋0的Cp所对应的卷积层。
10.按照权利要求1所述的一种火电机组深度调峰下辅机低负荷安全自动控制方法,其特征在于:步骤104中基于D-S证据理论得到新的证据,对辅机跳闸风险进行判断的具体步骤包括:
步骤1041、基于D-S证据理论设置辨识框架Θ={F},mij{F}表示第i种辅机被识别为第j种跳闸故障的基本概率分配函数,将风险wij的值赋值给mij{F};
步骤1042、对多时刻证据进行加权平均:其中mp(A)表示加权平均证据信息,ωt表示T-t+1时刻的证据m(T-t+1)ij(A)对应的权重,l表示共l个时刻;
步骤1043、采用证据组合规则进行证据融合:任意两组的证据组合规则为 表示融合后的证据信息,mp(A)和mp(B)表示两组在辨识框架Θ上待融合的证据,A、B表示幂集2Θ的子集,C表示A和B的交集;
步骤1044、将融合后的证据转换为辅机跳闸概率BetP(A)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211200413.5A CN115576199B (zh) | 2022-09-29 | 2022-09-29 | 一种火电机组深度调峰下辅机低负荷安全自动控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211200413.5A CN115576199B (zh) | 2022-09-29 | 2022-09-29 | 一种火电机组深度调峰下辅机低负荷安全自动控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115576199A CN115576199A (zh) | 2023-01-06 |
CN115576199B true CN115576199B (zh) | 2024-03-08 |
Family
ID=84583673
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211200413.5A Active CN115576199B (zh) | 2022-09-29 | 2022-09-29 | 一种火电机组深度调峰下辅机低负荷安全自动控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115576199B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100766365B1 (ko) * | 2006-07-06 | 2007-10-12 | 한국철도기술연구원 | 전기철도용 직류급전계통에서의 델타아이지락보호계전시스템 및 그 제어방법 |
CN104179704A (zh) * | 2013-05-21 | 2014-12-03 | 国家电网公司 | 一种电厂增压风机辅机故障减负荷rb的方法及装置 |
CN104865830A (zh) * | 2015-04-29 | 2015-08-26 | 华北电力大学(保定) | 一种机组负荷双重智能优化控制方法 |
CN107166361A (zh) * | 2017-05-23 | 2017-09-15 | 国网山东省电力公司电力科学研究院 | 火电机组引风机故障减负荷过程中送风机自动控制系统及方法 |
CN110208696A (zh) * | 2019-06-25 | 2019-09-06 | 华北电力大学 | 基于模型自弈和典型样本的磨煤机故障诊断方法 |
CN111077765A (zh) * | 2019-12-17 | 2020-04-28 | 浙江浙能技术研究院有限公司 | 一种用于火电机组深度调峰工况的辅机runback保护控制方法 |
CN112628711A (zh) * | 2021-01-11 | 2021-04-09 | 大唐黄岛发电有限责任公司 | 基于600mw超临界机组低负荷下辅机故障稳燃的控制方法 |
CN113565575A (zh) * | 2021-08-16 | 2021-10-29 | 京能十堰热电有限公司 | 一种汽泵故障联起电泵的锅炉壁温保护评估及控制方法 |
CN113822475A (zh) * | 2021-09-15 | 2021-12-21 | 浙江浙能技术研究院有限公司 | 抽汽供热机组辅机故障减负荷工况热负荷预测及控制方法 |
CN114646051A (zh) * | 2022-03-17 | 2022-06-21 | 国网湖南省电力有限公司 | 超临界火电机组湿态运行锅炉给水自动控制方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5421913B2 (ja) * | 2007-08-03 | 2014-02-19 | スマートシグナル・コーポレーション | 関連するアプリケーションに対する故障パターンマッチング相互参照のためのファジー分類方法 |
US9030795B2 (en) * | 2012-12-21 | 2015-05-12 | Eaton Corporation | Apparatus and method of adaptive electronic overload protection |
-
2022
- 2022-09-29 CN CN202211200413.5A patent/CN115576199B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100766365B1 (ko) * | 2006-07-06 | 2007-10-12 | 한국철도기술연구원 | 전기철도용 직류급전계통에서의 델타아이지락보호계전시스템 및 그 제어방법 |
CN104179704A (zh) * | 2013-05-21 | 2014-12-03 | 国家电网公司 | 一种电厂增压风机辅机故障减负荷rb的方法及装置 |
CN104865830A (zh) * | 2015-04-29 | 2015-08-26 | 华北电力大学(保定) | 一种机组负荷双重智能优化控制方法 |
CN107166361A (zh) * | 2017-05-23 | 2017-09-15 | 国网山东省电力公司电力科学研究院 | 火电机组引风机故障减负荷过程中送风机自动控制系统及方法 |
CN110208696A (zh) * | 2019-06-25 | 2019-09-06 | 华北电力大学 | 基于模型自弈和典型样本的磨煤机故障诊断方法 |
CN111077765A (zh) * | 2019-12-17 | 2020-04-28 | 浙江浙能技术研究院有限公司 | 一种用于火电机组深度调峰工况的辅机runback保护控制方法 |
CN112628711A (zh) * | 2021-01-11 | 2021-04-09 | 大唐黄岛发电有限责任公司 | 基于600mw超临界机组低负荷下辅机故障稳燃的控制方法 |
CN113565575A (zh) * | 2021-08-16 | 2021-10-29 | 京能十堰热电有限公司 | 一种汽泵故障联起电泵的锅炉壁温保护评估及控制方法 |
CN113822475A (zh) * | 2021-09-15 | 2021-12-21 | 浙江浙能技术研究院有限公司 | 抽汽供热机组辅机故障减负荷工况热负荷预测及控制方法 |
CN114646051A (zh) * | 2022-03-17 | 2022-06-21 | 国网湖南省电力有限公司 | 超临界火电机组湿态运行锅炉给水自动控制方法及系统 |
Non-Patent Citations (5)
Title |
---|
Real-Time Remaining Useful Life Prediction for High-Voltage Circuit Breakers Based on the Degradation Model and Data-Driven;Xiaodong Wei 等;2021 IEEE Sustainable Power and Energy Conference (iSPEC);论文第3781-3786页 * |
协调控制系统锅炉主控异常分析及优化;李军亮;;科技创新与应用(第30期);论文第75-76页 * |
基于分类算法的汽动给水泵组故障预测;徐红伟;刘振宇;李崇晟;;热力发电(第04期);论文第132-138页 * |
基于数据融合的超临界机组设备故障诊断研究;倪新宇;茅大钧;;华电技术(第07期);论文第9-13页 * |
火电机组深度调峰工况辅机安全控制技术研究;虞国平;张新胜;屠海彪;李文杰;丁宁;浙江电力;20211231(002);论文第85-90页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115576199A (zh) | 2023-01-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | Machine learning and data-driven techniques for the control of smart power generation systems: An uncertainty handling perspective | |
Padhy et al. | Application of a simplified Grey Wolf optimization technique for adaptive fuzzy PID controller design for frequency regulation of a distributed power generation system | |
CN106773666B (zh) | 一种针对压水堆一回路系统的模型参数获取方法 | |
CN110285403B (zh) | 基于被控参数预估的主蒸汽温度控制方法 | |
CN101713536B (zh) | 一种循环流化床锅炉燃烧系统的控制方法 | |
CN103513640B (zh) | 一种燃煤机组自动发电控制系统整体优化方法及系统 | |
WO2016038672A1 (ja) | 発電システムおよび発電方法 | |
CN108227488B (zh) | 基于滑模预测控制的超超临界火电机组协调控制方法 | |
CN101893877A (zh) | 一种发电厂基于能耗分析的优化运行方法及其系统 | |
CN112365045A (zh) | 一种基于大数据的主蒸汽温度智能预测方法 | |
CN106707756B (zh) | 融合扩张观测器的超临界火电机组机炉协调控制方法 | |
Zhu et al. | Nonlinear model predictive control of USC boiler-turbine power units in flexible operations via input convex neural network | |
CN115576199B (zh) | 一种火电机组深度调峰下辅机低负荷安全自动控制方法 | |
Yang et al. | Simulation and evaluation of flexible enhancement of thermal power unit coupled with flywheel energy storage array | |
CN114880927A (zh) | 一种智慧电厂监控方法、系统、设备及存储介质 | |
CN108488831B (zh) | 锅炉燃烧控制系统和方法 | |
Zhou et al. | Deep reinforcement learning guided cascade control for air supply of polymer exchange membrane fuel cell | |
Escaño et al. | Nonlinear fuzzy model predictive control of the TCP-100 parabolic trough plant | |
Han et al. | A L1-LEMPC hierarchical control structure for economic load-tracking of super-critical power plants | |
CN211526443U (zh) | 垃圾焚烧炉的自动燃烧控制系统 | |
Fang et al. | Data‐driven control for combustion process of circulating fluidised bed boiler | |
Jin et al. | A causal model-based scheduling approach for coke oven gas system in steel industry | |
CN112361322A (zh) | 锅炉给水自动加氨装置及灰色预测前馈pid控制方法 | |
Kaixuan et al. | LSSVM modeling for boiler combustion and denitrification integrated system based on adaptive GA variable selection | |
CN101201159B (zh) | 带可调节闪蒸系统的余热发电方法及余热发电系统 |
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 | ||
GR01 | Patent grant |