CN116085823A - 锅炉燃烧控制方法及系统 - Google Patents
锅炉燃烧控制方法及系统 Download PDFInfo
- Publication number
- CN116085823A CN116085823A CN202211539226.XA CN202211539226A CN116085823A CN 116085823 A CN116085823 A CN 116085823A CN 202211539226 A CN202211539226 A CN 202211539226A CN 116085823 A CN116085823 A CN 116085823A
- Authority
- CN
- China
- Prior art keywords
- boiler
- model
- combustion
- current
- working condition
- 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.)
- Pending
Links
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23N—REGULATING OR CONTROLLING COMBUSTION
- F23N5/00—Systems for controlling combustion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/211—Schema design and management
- G06F16/212—Schema design and management with details for data modelling support
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Computational Mathematics (AREA)
- Biomedical Technology (AREA)
- Combustion & Propulsion (AREA)
- Fluid Mechanics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Mechanical Engineering (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Algebra (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Regulation And Control Of Combustion (AREA)
Abstract
本发明实施例提供一种锅炉燃烧控制方法及系统,属于锅炉燃烧控制技术领域。所述方法包括:获取当前锅炉运行信息,并基于所述当前锅炉运行信息模拟锅炉当前工况;基于预构建的锅炉燃烧全工况在线数据库进行当前锅炉工况处理,获得锅炉当前工况对应的最优燃烧状态;基于所述最优燃烧状态确定锅炉各项运行参数的目标值,并基于各项运行参数的目标值确定调整方案;基于所述调整方案进行锅炉各项运行参数的调整。本发明方案解决了现有锅炉运行参数进行寻优的优化方案存在的与实际运行工况匹配度差和优化结果应用价值小的问题。
Description
技术领域
本发明涉及锅炉燃烧控制技术领域,具体地涉及一种锅炉燃烧控制方法及一种锅炉燃烧控制系统。
背景技术
随着大数据、人工智能、先进控制算法模型等技术在燃煤机组控制上的大规模开展应用,炉内燃烧智能实时控制已具备了实现的技术条件。对于智能火电建设而言,锅炉燃烧过程的智能优化控制是业内公认的重点、难点,为此开展锅炉燃烧数值模拟计算及炉内燃烧状态优化研究,为锅炉燃烧智能实时控制提供支撑。现有情况下,大多数机组依据历史数据,通过运行指导原则和人工经验控制磨煤机的出力方式、一二次风温、风压以及锅炉侧的配风方式等,以提高锅炉效率,降低NOX排放,从而达到优化燃烧状态的目的,但该种优化方案使得锅炉燃烧状态难以稳定在最佳状态。
在现有技术背景下,针对锅炉运行参数进行寻优的优化方案,主要采用神经网络等智能建模方法,以电厂历史运行数据和实验数据为样本,建立锅炉燃烧模型,根据模型采用智能算法对锅炉运行参数进行寻优,并提出优化策略。以上方案存在两方面问题,一方面因为常规机组历史运行的数据库覆盖范围小,无法匹配当前新型电力系统下电厂深度调峰的实际运行工况;另一方面由于算法自身存在局限,导致过拟合和局部最优,而非全局最优。针对现有锅炉运行参数进行寻优的优化方案存在的与实际运行工况匹配度差和优化结果应用价值小的问题,需要创造一种新的锅炉燃烧控制方法。
发明内容
本发明实施方式的目的是提供一种锅炉燃烧控制方法及系统,以至少解决现有锅炉运行参数进行寻优的优化方案存在的与实际运行工况匹配度差和优化结果应用价值小的问题。
为了实现上述目的,本发明第一方面提供一种锅炉燃烧控制方法,应用于燃煤机组的锅炉燃烧状态控制,所述方法包括:获取当前锅炉运行信息,并基于所述当前锅炉运行信息模拟计算锅炉当前工况;基于预构建的锅炉燃烧全工况在线数据库进行当前锅炉工况处理,获得锅炉当前工况对应的最优燃烧状态;基于所述最优燃烧状态确定锅炉各项运行参数的目标值,并基于各项运行参数的目标值确定调整方案;基于所述调整方案进行锅炉各项运行参数的调整。
可选的,所述当前锅炉运行信息包括:当前燃煤机组的负荷和燃煤参数。
可选的,所述方法还包括:构建锅炉燃烧全工况在线数据库,包括:采集锅炉的当前结构参数,并基于当前结构参数进行三维锅炉模型构建;对所述三维锅炉模型进行网格划分,获得锅炉网格模型;采集当前锅炉的历史运行数据,并基于三维锅炉模型进行所述历史运行数据处理,获得锅炉典型运行工况;其中,所述典型运行工况为各项运行参数在可调范围内按照任一选定值进行组合后得到的锅炉运行工况的集合;基于所述典型运行工况进行CFD数值模拟计算,获得典型运行工况下的各项运行参数的数值计算结果;基于所述历史运行数据获得稳态运行工况下的各项运行参数值;基于所述典型运行工况下的各项运行参数的数值计算结果和所述稳态运行工况下的各项运行参数值进行锅炉燃烧全工况在线数据库构建。
可选的,在基于所述典型运行工况进行CFD数值模拟计算之前,所述方法还包括:基于燃煤机组的实测运行参数或适应性训练参数确定各项运行参数的数值计算的边界条件;所述基于所述典型运行工况进行CFD数值模拟计算,包括:基于锅炉燃烧的各耦合因素选用对应的数学模型;其中,锅炉燃烧的各耦合因素为锅炉燃烧状态的各项评判因素;在典型运行工况下,基于选择的数学模型对应分别计算锅炉燃烧各阶段的状态参数;基于锅炉燃烧各阶段的状态参数获得CFD数值模拟计算结果。
可选的,锅炉燃烧的各耦合因素包括:气相湍流过程、气固两相间的换热过程、辐射换热过程、焦炭颗粒的燃烧过程、颗粒的运动过程、煤粉的热解过程;各耦合因素对应的数学模型包括:用于描述气相湍流过程的湍流模型;用于描述气固两相间的换热过程的气相燃烧模型;用于描述辐射换热过程的辐射模型;用于描述焦炭颗粒的燃烧过程的焦炭燃烧模型;用于描述颗粒的运动过程的气固两相流模型;用于描述煤粉的热解过程的NOx生成模型。
可选的,所述湍流模型为Realizable k-ε模型;所述气相燃烧模型为非预混燃烧模型;所述辐射模型为P-1模型;所述焦炭燃烧模型为单步热解模型和扩散-动力控制反应速率模型;所述气固两相流模型为离散相模型;所述NOx生成模型为氮氧化物生成后处理模型。
可选的,所述基于预构建的锅炉燃烧全工况在线数据库进行当前锅炉工况处理,获得锅炉当前工况对应的最优燃烧状态,包括:基于蚁群算法,在所述预构建的锅炉燃烧全工况在线数据库中,进行当前锅炉工况处理获得当前锅炉工况对应的最优燃烧状态;所述各项运行参数包括:磨煤机的出力方式、风温、风压和锅炉侧的配风方式。
可选的,所述方法还包括:构建锅炉炉内状态三维可视化模型,包括:基于典型运行工况模拟得到的计算结果,确定影响计算结果的各个参数;基于历史运行数据获得工况寻优模型和相似工况识别模型;基于影响计算结果的各个参数、工况寻优模型和相似工况识别模型构建对应锅炉的数字孪生模型;基于当前锅炉运行信息,基于即时学习策略和所述数字孪生模型进行锅炉炉内状态三维可视化模型构建。
本发明第二方面提供一种锅炉燃烧控制系统,应用于燃煤机组的锅炉燃烧状态控制,所述系统包括:采集单元,用于获取当前锅炉运行信息,并基于所述当前锅炉运行信息模拟锅炉当前工况;处理单元,用于基于预构建的锅炉燃烧全工况在线数据库进行当前锅炉工况处理,获得锅炉当前工况对应的最优燃烧状态;方案生成单元,用于基于所述最优燃烧状态确定锅炉各项运行参数的目标值,并基于各项运行参数的目标值确定调整方案;调整单元,用于基于所述调整方案进行锅炉各项运行参数的调整。
另一方面,本发明提供一种计算机可读储存介质,该计算机可读存储介质上储存有指令,其在计算机上运行时使得计算机执行上述的锅炉燃烧控制方法。
通过上述技术方案,本发明方案基于CFD数值模拟,建立锅炉燃烧全工况在线数据库,根据负荷、煤质等对锅炉相关运行参数,应用改进蚁群算法进行寻优并实时调整的方法,优化锅炉燃烧状态,提高锅炉效率,降低NOX排放。本方案同时解决了常规机组历史运行的数据库覆盖范围小,算法自身存在局限导致过拟合和局部最优的问题。
本发明实施方式的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施方式的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明实施方式,但并不构成对本发明实施方式的限制。在附图中:
图1是本发明一种实施方式提供的锅炉燃烧控制方法的步骤流程图;
图2是本发明一种实施方式提供的锅炉燃烧全工况在线数据库构建过程的步骤流程图;
图3是本发明一种实施方式提供的锅炉燃烧控制系统的系统结构图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明,并不用于限制本发明。
随着大数据、人工智能、先进控制算法模型等技术在燃煤机组控制上的大规模开展应用,炉内燃烧智能实时控制已具备了实现的技术条件。对于智能火电建设而言,锅炉燃烧过程的智能优化控制是业内公认的重点、难点,为此开展锅炉燃烧数值模拟计算及炉内燃烧状态优化研究,为锅炉燃烧智能实时控制提供支撑。现有情况下,大多数机组依据历史数据,通过运行指导原则和人工经验控制磨煤机的出力方式、一二次风温、风压以及锅炉侧的配风方式等,以提高锅炉效率,降低NOX排放,从而达到优化燃烧状态的目的,但该种优化方案使得锅炉燃烧状态难以稳定在最佳状态。
在现有技术背景下,针对锅炉运行参数进行寻优的优化方案,主要采用神经网络等智能建模方法,以电厂历史运行数据和实验数据为样本,建立锅炉燃烧模型,根据模型采用智能算法对锅炉运行参数进行寻优,并提出优化策略。以上方案存在两方面问题,一方面因为常规机组历史运行的数据库覆盖范围小,无法匹配当前新型电力系统下电厂深度调峰的实际运行工况;另一方面由于算法自身存在局限,导致过拟合和局部最优,而非全局最优。
针对现有锅炉运行参数进行寻优的优化方案存在的与实际运行工况匹配度差和优化结果应用价值小的问题,本发明方案创造了一种新的锅炉燃烧控制方法。本发明方案基于CFD数值模拟,建立锅炉燃烧全工况在线数据库,根据负荷、煤质等对锅炉相关运行参数,应用改进蚁群算法进行寻优并实时调整的方法,优化锅炉燃烧状态,降低NOX排放。本方案同时解决了常规机组历史运行的数据库覆盖范围小,算法自身存在局限导致过拟合和局部最优的问题。
本发明方案的目的是提出一种基于CFD数值模拟和蚁群算法历史寻优的锅炉燃烧优化控制方法。根据电厂锅炉运行的实际情况,获取准确煤质特性参数和合适燃烧机理模型基础上,建立大型燃煤机组炉膛全尺寸数值模拟模型,对多种典型运行工况进行数值模拟和深入研究,以获得常规锅炉运行监视无法实时感知的重要参数,如炉内温度场分布、燃烧产物分布和燃料燃烧轨迹等,建立锅炉燃烧全工况在线数据库,根据负荷、煤质等对锅炉相关运行参数进行寻优并实时调整的方法,优化锅炉燃烧状态,降低NOX排放。
图1是本发明一种实施方式提供的锅炉燃烧控制方法的方法流程图。如图1所示,本发明实施方式提供一种锅炉燃烧控制方法,所述方法包括:
步骤S10:获取当前锅炉运行信息,并基于所述当前锅炉运行信息进行锅炉当前工况模拟。
具体的,总得来说,本发明方案是通过多种测量分析和实验手段,确定和建立煤粉的燃烧和反应特性,建立电厂煤种参数数据库,为后续模拟计算提供相关参数。根据锅炉设计参数和改造后的最新结构参数,应用先进建模工具,建立充分反应锅炉实际结构特点的三维锅炉模型,应用网格划分工具对上述三维锅炉模型进行网格划分。根据锅炉历史运行数据,筛选锅炉典型运行工况,进行CFD数值模拟计算,建立锅炉燃烧全工况在线数据库,最后基于蚁群算法根据负荷、煤质对锅炉相关运行参数进行寻优,并依据最优值调整锅炉的燃烧状态,降低NOX排放。
基于此,上述提到的这些模型均是进行预先构建的,在后续的使用过程中,仅需要根据锅炉的实时运行状态进行对应的最优参数预测便可,即后续的锅炉状态监测过程均是构建的各模型的使用过程。作为锅炉燃烧全工况在线数据库的模型输入数据,需要准确采集锅炉系统的当前运行信息,并准确模拟出锅炉系统的当前运行工况,然后基于该运行工况进行后续的最优参数预测。
基于此,直接影响锅炉燃烧状态的参数主要为燃烧机组的负荷和燃煤参数。前者规定了燃烧效率和能量输出等燃烧结果信息,后者影响了燃烧过程信息,二者共同影响着锅炉的整个燃烧状态。基于此,想要准确进行锅炉燃烧状态判断和寻优,需要采集这种直接影响因素。即所述当前锅炉运行信息包括:当前燃煤机组的负荷和燃煤参数。获得当前燃煤机组的负荷和燃煤参数后,便可以基于这两个参数进行当前锅炉燃烧状态模拟,获得当前锅炉工况。
优选的,上述所说的燃煤参数包括燃煤品种、煤粉颗粒大小和燃煤组分信息,为了准确了解燃煤参数,可以进行对应的专业知识查询或适应性训练获得。例如,对电厂用煤进行工业分析、元素分析、灰成分分析、灰熔点测试以及TGA热重试验、沉降炉试验等,获得煤粉的燃烧和反应特性,并建立煤质参数数据库,为后续模拟计算提供参数、并提高模拟精度。
步骤S20:基于预构建的锅炉燃烧全工况在线数据库进行当前锅炉工况处理,获得锅炉当前工况对应的最优燃烧状态。
具体的,上述已知,本发明方案实现技术效果的核心方案是基于当前锅炉工况和锅炉燃烧全工况在线数据库进行最优工况寻优,并基于最优工况进行各项参数调整。基于此,本发明方案首先需要进行锅炉燃烧全工况在线数据库构建,包括以下步骤:
步骤S201:采集锅炉的当前结构参数,并基于当前结构参数进行三维锅炉模型构建。
具体的,因为燃烧过程涉及气固相流动和换热过程等,这些过程与锅炉的三维结构存在密不可分的关系,所以,想要准确模拟和预测锅炉燃烧状态,进行锅炉的结构参数考虑也是必不可少的。优选的,该结构参数来自于锅炉设计参数,且为了考虑后续对锅炉改装等因素,也需要采集锅炉的最新结构参数。总之,需要保证构建的三维锅炉模型是准确描述当前锅炉结构的。
步骤S202:对所述三维锅炉模型进行网格划分,获得高质量的锅炉网格模型。
具体的,网格划分就是把模型实现离散化,把求解区域分解成可得到精确值的适当数量的单元,作为有限元分析前处理的重中之重,网格划分与计算目标的匹配程度、网格的质量好坏,决定了后期有限元计算的质量。为后续数值计算提供条件,需要对构建的三维锅炉模型进行网格划分,并保证网格质量良好,且经过网格无关性验证。
步骤S203:基于所述典型运行工况进行CFD数值模拟计算,获得典型运行工况下的各项运行参数的数值计算结果。
具体的,在基于所述典型运行工况进行CFD数值模拟计算之前,所述方法还包括:基于燃煤机组的实测运行参数或适应性训练参数确定各项运行参数的数值计算的边界条件。所述基于所述典型运行工况进行CFD数值模拟计算,包括:基于锅炉燃烧的各耦合因素选用对应的数学模型;其中,锅炉燃烧的各耦合因素为锅炉燃烧状态的各项评判因素;在典型运行工况下,基于选择的数学模型对应分别计算锅炉燃烧各阶段的状态参数;基于锅炉燃烧各阶段的状态参数获得CFD数值模拟计算结果。
进一步的,锅炉燃烧的各耦合因素包括:气相湍流燃烧过程、气固两相间的换热过程、辐射换热过程、焦炭颗粒的燃烧过程、颗粒的运动过程、煤粉的热解过程;各耦合因素对应的数学模型包括:用于描述气相湍流燃烧过程的湍流模型;用于描述气固两相间的换热过程的气相燃烧模型;用于描述辐射换热过程的辐射模型;用于描述焦炭颗粒的燃烧过程的焦炭燃烧模型;用于描述颗粒的运动过程的气固两相流模型;用于描述煤粉的热解过程的NOx生成模型。
进一步的,所述湍流模型为Realizable k-ε模型;所述气相燃烧模型为非预混燃烧模型;所述辐射模型为P-1模型;所述焦炭燃烧模型为单步热解模型和扩散-动力控制反应速率模型;所述气固两相流模型为离散相模型;所述NOx生成模型为氮氧化物生成后处理模型。
以下进行各耦合因素详细说明:
1)锅炉燃烧的数值模拟计算要遵循基本守恒方程,即连续性方程、动量方程、能量方程和组分守恒方程。在旋流对冲锅炉中旋流二次风以及燃尽风使得锅炉内的气流为强烈扰动状态,因此锅炉内的流动为湍流流动。选用Realizable k-ε模型来描述炉内的湍流流动,Realizable k-ε模型中包含了旋流修正,其适用于圆形射流扩散、旋转流动、强逆压力梯度边界层的流动和二次流等。
2)锅炉内煤粉颗粒运动过程是典型的气固两相流动过程,采用离散相模型来描述气固两相流动,其中将气体作为连续相处理,将煤粉颗粒所为离散相处理,采用随机颗粒轨道模型模拟煤粉颗粒的运动轨迹,计算中考虑阻力、重力以及湍流脉动对颗粒运动的影响。
3)气相燃烧采用非预混燃烧模型。该模型不需要解大量的组分输运方程,而是通过求解一个或两个守恒量的输运方程,单个组分的浓度通过预测的混合分数分布来求解。气相流动为湍流,且反应系统包含了一个燃料流和一个氧化剂流。湍流和化学反应的相互作用考虑为一个概率,即混合分数-概率密度函数(PDF)。在该模型中,燃料和氧化剂以异相流动进入反应区,假设流体的瞬时热化学状态与守恒量(混合分数f)有关。
4)焦炭燃烧模型涉及挥发分析和挥发分析出后的剩余焦炭燃烧,其中,挥发分析出过程复杂,在计算中采用单步热解模型,该模型假定挥发分析出过程中煤粉粒径保持不变。煤粉颗粒挥发分析出后,剩余的焦炭开始燃烧。焦炭的燃烧属于异相化学反应,此过程中包括氧的扩散、内扩散、反应物吸附、氧化、脱落等一系列过程,选用扩散-动力控制反应速率模型,该模型同时考虑了扩散作用和反应动力学对颗粒表面反应速率的影响。
5)在煤粉锅炉的燃烧反应中,火焰的温度高,辐射换热是炉膛内换热的主要方式,其换热量占总换热量的90%,采用P-1模型来模拟辐射换热。当模型中包含颗粒离散相时,P-1模型中考虑颗粒的影响,一旦考虑颗粒辐射时,将忽略气相的散射,即假定所有的散射全部由颗粒引起。
6)氮氧化物是燃煤锅炉产生的主要污染源之一,但在炉膛中相比其他的主要组分而言浓度较低,在模拟计算中,同时计算氮氧化物生成,或者将氮氧化物生成过程解耦,然后采用后处理方法计算,两者计算结果没有明显的区别。本项目采用后处理计算NOx的生成与还原过程。NOx的生成路径主要有三种:热力型NOx,燃料型NOx,和快速型NOx。
其中,热力型NOx是空气中的N2在温度1500K以上的条件下,被直接氧化为NO的过程。燃料型NOx是由燃料中的N元素转化而来,其生成路径可由De Scoete机理描述,该机理认为煤粉中的N元素分布在焦炭和挥发分中,其中氮元素在焦炭和挥发分中分布的比例是准确模拟燃料型NOx的重要数据。燃料型NOx生成过程中,挥发分N首先随热解过程以HCN和NH3的形式释放,之后HCN和NH3被氧化为NO和被还原为N2的反应同时进行。同时焦炭对NO也有还原作用,因此有部分NO被焦炭还原为N2。对于燃料型NOx的计算,除了NO,还需要求解HCN和NH3的输运方程。快速型NOx在煤粉燃烧过程中比其他路径生成的NOx比例低,本项目中不考虑快速型NOx生成路径。炉内的NOx生成和还原都受到湍流脉动的影响,焦炭和NOx的非均相反应,其反应时间尺度大,因此可以不考虑湍流脉动的影响。而对于NOx的各均相反应,其反应时间尺度和湍流过程在同一数量级,因此湍流脉动的影响必须考虑。比较常用的做法是,采用概率密度函数模拟湍流脉动,利用β-PDF模拟气相湍流脉动对NOx生成和还原的影响。
步骤S204:基于所述历史运行数据获得稳态运行工况下的各项运行参数值。
具体的,进行历史数据采集时,为了使得构建的模型与实际情况更符合,根据锅炉历史运行数据,筛选锅炉典型运行工况,尽量覆盖锅炉运行全工况(例如不同负荷、煤种、一二次风量风温、磨煤机运行方式等不同组合形式)。
具体的,收集锅炉历史运行数据,针对大量的历史运行数据(包括各测点的测量数据),采用智能算法进行整理、清洗和分析,剔除异常值,保留稳定运行工况时的准确值,进而确定稳态运行工况时,各运行状态的准确的运行数据和各测点数据。需要对动态数据的准稳态筛选与处理方法;历史数据的时效性分析与处理;实时数据的逻辑相关性验证方法等问题进行的研究。
步骤S205:基于所述典型运行工况下的各项运行参数的数值计算结果和所述稳态运行工况下的各项运行参数值进行锅炉燃烧全工况在线数据库构建。
具体的,对步骤S203中模拟计算得到的数据进行预处理(包括数据筛选、清理和整理)后,对数据进行深度挖掘,筛选影响锅炉运行的重要参数,基于智能算法建立结构映射模型,得到锅炉典型工况燃烧状态参数。
进一步的,结合锅炉典型工况的数值模拟结果和经筛选处理后的锅炉历史运行数据,建立锅炉运行全工况数据的智能预测模型,得到锅炉运行全工况数据(负荷、煤质、各个风量风温等)和锅炉内坐标参数对炉膛的各个信息参数(温度、速度、各烟气成分含量、污染物含量)的影响,即得到不同运行状态时,锅炉内各位置处与锅炉运行有关的各个参数。结合锅炉的运行状态,拟采用BP神经网络和支持向量机这两种方法建立智能预测模型,得到不同运行状态时,锅炉各位置的运行参数。
其中,支持向量机的建立的主要步骤如下:
步骤S2061:对导入的训练数据和测试数据进行归一化处理;
步骤S2062:核函数的确定,可以RBF kernel函数作为核函数;
步骤S2063:将利用Grid search方法得到的全局最优参数c和g的值输入模型中,作为参数输入的确定值;
步骤S2064:通过得到的最优c和g对模型进行训练,解决优化问题;
步骤S2065:对模型性能进行测试分析。
获得不同运行状态时,锅炉各位置的运行参数后,对上述建立的智能预测模型进行修正。结合DCS实时运行数据,对建立的智能运行模型进行修正,并实时校正,从而改善智能预测模型的精度,进而建立全工况在线数据库。
构建获得锅炉燃烧全工况在线数据库后,便需要当前锅炉工况进行处理,获得锅炉当前工况对应的最优燃烧状态。
优选的,在CFD数值模拟建立全工况数据库的基础上,应用蚁群算法,根据负荷、煤质对磨煤机的出力方式、风温、风压以及锅炉侧的配风方式等相关运行参数进行寻优,系统自动给出锅炉燃烧最优调整值。
一般来说,蚁群算法可以认为是3个过程的相互作用:初始化参数、蚂蚁构建解、更新信息素。第1个步骤,主要是信息素和各参数的初始化;第2个步骤每一个蚂蚁根据转移概率准则来选择下一地点直到创建一个完整路径其中转移概率是分支上信息素的函数;第3个步骤信息素的更新它的更新规则有2种:
1)信息素的挥发,它有助于搜索更好解,“忘记”先前的较差解。信息素挥发公式如下:
τij←(1-ρ)τij
其中,τij为在路径起点i到终点j的ij路径上的信息素大小;ρ代表信息素的挥发系数;1-ρ代表信息素的残留系数。
2)信息素的增加,它与蚂蚁所经路径长度成正比,公式如下:
本发明方案将负荷、煤质作为起点,将后续磨煤机的出力方式、风温、风压以及锅炉侧的配风方式等相关运行参数作为终点,构建多为距离矩阵,然后基于该距离矩阵进行蚁群算法应用。
在优化函数中求解一个全局极值问题即要找一点Xmin∈S满足对于区间S中的任意一点x都有f(x)≥f(Xmin)成立。其中解空间是一种区域性的表示而不是离散的点。所以在连续空间寻优问题求解中蚁群选择行进方式的依据不是各点的信息素大小而是某个区域信息素对该蚂蚁的影响。设优化函数:y=minf(x),x=(x1,x2,…,xn)的取值范围为蚁群规模为m,在优化空间内随机地放置m个蚂蚁,作为每个蚂蚁进行搜索的起点。当蚂蚁数为m时,各个子区间的长度为:
则蚂蚁i的初始分布为:
Xi=rand(S(1),E(1)),rand(S(2),E(2)),…,rand(S(n),E(n))
其中,rand(S(j),E(j))为区间S(j),E(j)上的一个随机数;根据蚂蚁所在位置的分布情况,按照寻优问题的不同来确定蚂蚁i的初始信息素大小:
其中,a,k为大于零的数。若为函数最小值寻优,取a>1(可取a=e);若为函数最大值寻优,取0<a<1。对于最小值优化问题,目标函数值f(xi)越小,则xi在所在位置留下的信息素就越多;而对于最大值优化问题,目标函数值f(xi)越大则xi在所在位置留下的信息素就越多。
进一步的,每只蚂蚁在完成本次搜索后,会根据相应的移动规则进行下次搜索。在改进蚁群算法中,蚁群在完成本次循环后,将本次循环得到的最优解作为其它蚂蚁下次循环时的起始位置,蚂蚁的移动规则分为2部分:一是将上次循环中没有找到最优解的蚂蚁向最优解移动;另一部分是指让获得最优解的蚂蚁在最优解领域进行搜索,以便找到更好解。
规则1:完成本次循环后,蚂蚁xi将向上次循环中找到最优解的蚂蚁x(best)进行转移。转移概率公式如下:
其中,t(i)表示蚂蚁i处的信息素;t(best)表示蚂蚁在最优解处的信息素。蚂蚁在向最优解移动的过程中,可能会找到更优的解,设第i只蚂蚁向最好位置处转移的步长为:
其中,中0<p0<1,0<λ<1。
规则2:在上次循环过程中获得最优解的蚂蚁Xbest在该解的领域范围内进行搜索。若新的位置比原来的位置更优,则用新的位置取代原来的位置;反之,则保留原来的位置。搜索步长ω应随着迭代次数的增加而减少,以便在以后的搜索中能够得到更精确的解。公式为:
其中,dx为步长,ω在完成本次搜索后,ω=0.1×ω,使搜索步长逐渐减小,提高解的质量。在完成上述搜索后,将对蚂蚁i处的信息素进行更新,更新规则见式:
t(i)=ρ×t(i)+Δt(i)
最后,根据NOX生成原理,确定磨煤机的出力方式、风温、风压以及锅炉侧的配风方式等相关运行参数与NOx排放之间的关系,调整每个运行参数对于燃烧优化的权重,通过蚁群算法进行工况寻优,给出当前负荷、煤质下燃烧最优值,减少NOx排放。
步骤S30:基于所述最优燃烧状态确定各项运行参数的目标值,并基于各项运行参数的目标值确定调整方案。
步骤S40:基于所述调整方案进行锅炉对应各项运行参数调整。
具体的,上述步骤中,已经通过蚁群算法获得最优燃烧状态下的各项参数目标值。想要将锅炉的燃烧状态调整到对应的最优状态,需要对应调整各项运行参数到目标运行参数。
在本发明实施例中,本发明方案在获取准确煤质特性参数和合适燃烧机理模型基础上,建立大型燃煤机组炉膛全尺寸数值模拟模型,对多种典型运行工况进行数值模拟和深入研究,建立锅炉燃烧全工况在线数据库,寻找到最优的运行工况。
优选的,本发明还包括,构建锅炉炉内状态三维可视化模型,包括:基于典型运行工况模拟得到的计算结果,确定影响计算结果的各个参数;基于历史运行数据获得工况寻优模型和相似工况识别模型;基于影响计算结果的各个参数、工况寻优模型和相似工况识别模型构建对应锅炉的数字孪生模型;基于当前锅炉运行信息,基于即时学习策略和所述数字孪生模型进行锅炉炉内状态三维可视化模型构建。
为了便于锅炉当前燃烧状态展示和最优燃烧状态展示,也为了相关技术人员基于该直观展示了解锅炉的具体运行状态和结构缺陷,本发明方案对应提出了一种锅炉炉内状态三维可视化模型的构建方案。
具体的,依据CFD计算产生的海量工况及数据,通过智能算法建立工况参数与运行数据的结构映射模型,开发基于数据融合的三维可视化平台,通过DCS实时工况参数数据筛选,并驱动三维可视化平台,实时反映机组运行状况,主要功能包括:三维展示、二维截面展示、任意点展示,能够准确的展示出三维和二维截面的温度、速度、湍流强度、积灰结渣、气态成分分布等。本发明方案采用基于即时学习建模策略数据驱动模型对原数字孪生模型进行加权融合,主要可分为四个步骤:
步骤1:基于典型工况模拟得到的计算结果,确定影响计算结果的各个参数。
步骤2:提取系统所存储的历史数据,对数据进行预处理。利用整理后的数据,一方面对系统整体的性能参数和设备特性参数进行离线寻优辨识,得到能够适用于全工况的离线模型;另一方面通过工况聚类建立历史数据库,用于即时学习建模过程中相似工况的识别。
步骤3:在系统运行时,利用实时运行数据,采用改进即时学习策略对孪生机理模型系统参数和设备参数进行在线修正和协同。
步骤4:若模型通过在线参数化仍然不能保证与实际系统运行状态与动态特性完全协同,则可以利用数据驱动即时学习建模框架对模型预测结果进行加权融合,最后将数字孪生模型得到的数据存储在历史数据库中。
进一步的,根据热力系统运行规律建立的数字孪生机理模型中有大量的参数需要确定,而这些参数在前期工作中主要是通过经验数据或离线运行数据来确定的,与实际运行过程中需要的模型参数存在差异,造成数字孪生模型精确度降低。数字孪生模型的协同与融合理论可以通过仿真模拟各模型设备的输出状态,在线调整模型参数,实现仿真输出状态和实测状态参数之间的差异最小化,进而实现数字孪生模型参数在线校准的目的。
进一步的,提高不同工况下模型的建模精度,采用一种适用于全工况范围的多参数多工况拟合的分布式数字孪生模型离线智能辨识建模方法。根据相似度阈值进行判断,采用自适应模型参数更新策略,实现数字孪生模型的在线协同。
图3是本发明一种实施方式提供的锅炉燃烧控制系统的系统结构图。如图3所示,本发明实施方式提供一种锅炉燃烧控制系统,所述系统包括:采集单元,用于获取当前锅炉运行信息,并基于所述当前锅炉运行信息模拟锅炉当前工况;处理单元,用于基于预构建的锅炉燃烧全工况在线数据库进行当前锅炉工况处理,获得锅炉当前工况对应的最优燃烧状态;方案生成单元,用于基于所述最优燃烧状态确定锅炉各项运行参数的目标值,并基于各项运行参数的目标值确定调整方案;调整单元,用于基于所述调整方案进行锅炉各项运行参数的调整。
本发明实施方式还提供一种计算机可读储存介质,该计算机可读存储介质上储存有指令,其在计算机上运行时使得计算机执行上述的锅炉燃烧控制方法。
本领域技术人员可以理解实现上述实施方式的方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得单片机、芯片或处理器(processor)执行本发明各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上结合附图详细描述了本发明的可选实施方式,但是,本发明实施方式并不限于上述实施方式中的具体细节,在本发明实施方式的技术构思范围内,可以对本发明实施方式的技术方案进行多种简单变型,这些简单变型均属于本发明实施方式的保护范围。另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本发明实施方式对各种可能的组合方式不再另行说明。
此外,本发明的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明实施方式的思想,其同样应当视为本发明实施方式所公开的内容。
Claims (10)
1.一种锅炉燃烧控制方法,应用于燃煤机组的锅炉燃烧状态控制,其特征在于,所述方法包括:
获取当前锅炉运行信息,并基于所述当前锅炉运行信息模拟锅炉当前工况;
基于预构建的锅炉燃烧全工况在线数据库进行当前锅炉工况处理,获得锅炉当前工况对应的最优燃烧状态;
基于所述最优燃烧状态确定锅炉各项运行参数的目标值,并基于各项运行参数的目标值确定调整方案;
基于所述调整方案进行锅炉各项运行参数的调整。
2.根据权利要求1所述的方法,其特征在于,所述当前锅炉运行信息包括:
当前燃煤机组的负荷和燃煤参数。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
构建锅炉燃烧全工况在线数据库,包括:
采集锅炉的当前结构参数,并基于当前结构参数进行三维锅炉模型构建;
对所述三维锅炉模型进行网格划分,获得锅炉网格模型;
采集当前锅炉的历史运行数据,并基于所述锅炉网格模型进行所述历史运行数据处理,获得锅炉典型运行工况;其中,所述典型运行工况为各项运行参数在可调范围内按照任一选定值进行组合后得到的锅炉运行工况的集合;
基于所述典型运行工况进行CFD数值模拟计算,获得典型运行工况下的各项运行参数的数值计算结果;
基于所述历史运行数据获得稳态运行工况下的各项运行参数值;
基于所述典型运行工况下的各项运行参数的数值计算结果和所述稳态运行工况下的各项运行参数值进行锅炉燃烧全工况在线数据库构建。
4.根据权利要求3所述的方法,其特征在于,在基于所述典型运行工况进行CFD数值模拟计算之前,所述方法还包括:
基于燃煤机组的实测运行参数或适应性训练参数确定各项运行参数的数值计算的边界条件;
所述基于所述典型运行工况进行CFD数值模拟计算,包括:
基于锅炉燃烧的各耦合因素选用对应的数学模型;其中,锅炉燃烧的各耦合因素为锅炉燃烧状态的各项评判因素;
在典型运行工况下,基于选择的数学模型对应分别计算锅炉燃烧各阶段的状态参数;
基于锅炉燃烧各阶段的状态参数获得CFD数值模拟计算结果。
5.根据权利要求4所述的方法,其特征在于,锅炉燃烧的各耦合因素包括:
气相湍流过程、气固两相间的换热过程、辐射换热过程、焦炭颗粒的燃烧过程、颗粒的运动过程、煤粉的热解过程;
各耦合因素对应的数学模型包括:
用于描述气相湍流过程的湍流模型;
用于描述气固两相间的换热过程的气相燃烧模型;
用于描述辐射换热过程的辐射模型;
用于描述焦炭颗粒的燃烧过程的焦炭燃烧模型;
用于描述颗粒的运动过程的气固两相流模型;
用于描述煤粉的热解过程的NOx生成模型。
6.根据权利要求5所述的方法,其特征在于,所述湍流模型为Realizable k-ε模型;
所述气相燃烧模型为非预混燃烧模型;
所述辐射模型为P-1模型;
所述焦炭燃烧模型为单步热解模型和扩散-动力控制反应速率模型;
所述气固两相流模型为离散相模型;
所述NOx生成模型为氮氧化物生成后处理模型。
7.根据权利要求1所述的方法,其特征在于,所述基于预构建的锅炉燃烧全工况在线数据库进行当前锅炉工况处理,获得锅炉当前工况对应的最优燃烧状态,包括:
基于蚁群算法,在所述预构建的锅炉燃烧全工况在线数据库中,进行当前锅炉工况处理获得当前锅炉工况对应的最优燃烧状态;
所述各项运行参数包括:
磨煤机的出力方式、风温、风压和锅炉侧的配风方式。
8.根据权利要求1所述的方法,其特征在于,所述方法还包括:
构建锅炉炉内状态三维可视化模型,包括:
基于典型运行工况模拟得到的计算结果,确定影响计算结果的各个参数;
基于历史运行数据获得工况寻优模型和相似工况识别模型;
基于影响计算结果的各个参数、工况寻优模型和相似工况识别模型构建对应锅炉的数字孪生模型;
基于当前锅炉运行信息,基于即时学习策略和所述数字孪生模型进行锅炉炉内状态三维可视化模型构建。
9.一种锅炉燃烧控制系统,应用于燃煤机组的锅炉燃烧状态控制,其特征在于,所述系统包括:
采集单元,用于获取当前锅炉运行信息,并基于所述当前锅炉运行信息模拟锅炉当前工况;
处理单元,用于基于预构建的锅炉燃烧全工况在线数据库进行当前锅炉工况处理,获得锅炉当前工况对应的最优燃烧状态;
方案生成单元,用于基于所述最优燃烧状态确定锅炉各项运行参数的目标值,并基于各项运行参数的目标值确定调整方案;
调整单元,用于基于所述调整方案进行锅炉各项运行参数的调整。
10.一种计算机可读储存介质,该计算机可读存储介质上储存有指令,其在计算机上运行时使得计算机执行权利要求1-8中任一项权利要求所述的锅炉燃烧控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211539226.XA CN116085823A (zh) | 2022-12-01 | 2022-12-01 | 锅炉燃烧控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211539226.XA CN116085823A (zh) | 2022-12-01 | 2022-12-01 | 锅炉燃烧控制方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116085823A true CN116085823A (zh) | 2023-05-09 |
Family
ID=86211101
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211539226.XA Pending CN116085823A (zh) | 2022-12-01 | 2022-12-01 | 锅炉燃烧控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116085823A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117057238A (zh) * | 2023-08-15 | 2023-11-14 | 天津大学 | 基于物理信息算子网络模型的燃烧器稳燃钝体设计方法 |
-
2022
- 2022-12-01 CN CN202211539226.XA patent/CN116085823A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117057238A (zh) * | 2023-08-15 | 2023-11-14 | 天津大学 | 基于物理信息算子网络模型的燃烧器稳燃钝体设计方法 |
CN117057238B (zh) * | 2023-08-15 | 2024-04-19 | 天津大学 | 基于物理信息算子网络模型的燃烧器稳燃钝体设计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8185216B2 (en) | Plant controlling device and method, thermal power plant, and its control method | |
CN101504152B (zh) | 成套设备的控制方法及控制装置 | |
CN108549792B (zh) | 一种基于潜结构映射算法的固废焚烧过程二噁英排放浓度软测量方法 | |
CN107016455B (zh) | 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 | |
US8135653B2 (en) | Power plant control device which uses a model, a learning signal, a correction signal, and a manipulation signal | |
CN105864797B (zh) | 循环流化床生活垃圾焚烧锅炉入炉热值实时预测系统及方法 | |
CN104534507B (zh) | 一种锅炉燃烧优化控制方法 | |
CN109583585B (zh) | 一种电站锅炉壁温预测神经网络模型的构建方法 | |
CN105974793A (zh) | 一种电站锅炉燃烧智能控制方法 | |
CN101846332A (zh) | 具有燃烧装置的控制对象物的控制装置 | |
CN111695249B (zh) | 一种燃气锅炉热效率的预测方法 | |
CN104807039A (zh) | 一种锅炉燃烧优化的变量降维建模方法 | |
CN111829003A (zh) | 一种电厂燃烧控制系统及控制方法 | |
CN111222685A (zh) | 基于模型迁移的锅炉宽负荷NOx排放浓度预测方法 | |
Li et al. | Coke oven intelligent integrated control system | |
CN106327004A (zh) | 一种基于熟料质量指标的水泥烧成过程优化方法 | |
CN116085823A (zh) | 锅炉燃烧控制方法及系统 | |
CN111401652A (zh) | 一种基于co在线检测的锅炉优化方法及系统 | |
CN109992844A (zh) | 一种基于adqpso-svr模型的锅炉飞灰含碳量预测方法 | |
CN105808945B (zh) | 一种混合智能锅炉效率燃烧优化方法 | |
Xu et al. | A novel online combustion optimization method for boiler combining dynamic modeling, multi-objective optimization and improved case-based reasoning | |
CN113177352A (zh) | 一种基于数值模拟和人工智能的锅炉燃烧优化系统及方法 | |
CN113074459A (zh) | 锅炉控制优化方法及系统 | |
JP7374590B2 (ja) | Kpi改善支援システム及びkpi改善支援方法 | |
CN116542164A (zh) | 一种基于物理驱动参数化代理模型的燃烧系统优化设计方法 |
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 |