CN116293623A - 一种基于能效曲线的锅炉负荷分配方法 - Google Patents
一种基于能效曲线的锅炉负荷分配方法 Download PDFInfo
- Publication number
- CN116293623A CN116293623A CN202310250202.0A CN202310250202A CN116293623A CN 116293623 A CN116293623 A CN 116293623A CN 202310250202 A CN202310250202 A CN 202310250202A CN 116293623 A CN116293623 A CN 116293623A
- Authority
- CN
- China
- Prior art keywords
- boiler
- load
- energy efficiency
- unit
- data
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 238000004140 cleaning Methods 0.000 claims abstract description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 30
- 238000005259 measurement Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 22
- 239000000446 fuel Substances 0.000 claims description 18
- 239000000779 smoke Substances 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 11
- 239000007789 gas Substances 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 239000003546 flue gas Substances 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 8
- 239000001301 oxygen Substances 0.000 claims description 8
- 229910052760 oxygen Inorganic materials 0.000 claims description 8
- 238000010438 heat treatment Methods 0.000 claims description 6
- 238000003556 assay Methods 0.000 claims description 4
- 239000002817 coal dust Substances 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 239000003245 coal Substances 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 7
- 230000004048 modification Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F22—STEAM GENERATION
- F22B—METHODS OF STEAM GENERATION; STEAM BOILERS
- F22B35/00—Control systems for steam boilers
- F22B35/008—Control systems for two or more steam generators
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F22—STEAM GENERATION
- F22B—METHODS OF STEAM GENERATION; STEAM BOILERS
- F22B35/00—Control systems for steam boilers
- F22B35/06—Control systems for steam boilers for steam boilers of forced-flow type
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Physics & Mathematics (AREA)
- Thermal Sciences (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Control Of Steam Boilers And Waste-Gas Boilers (AREA)
Abstract
本发明涉及一种基于能效曲线的锅炉负荷分配方法，包括以下步骤：获取机组内所有锅炉的预设时间段内的历史数据，采用指定数据清洗和处理策略对每一锅炉的历史数据进行处理，获取机组内每一锅炉能效曲线函数；根据机组内每一锅炉的能效曲线函数和机组当前运行状态，采用平衡最优策略进行锅炉负荷分配，周期性的基于当前运行状态调整各锅炉的负荷分配，使得每一锅炉的能效达到在承受范围内的最优负荷，保持机组总体能效在最优状态。本发明通过提供一种基于能效曲线的锅炉负荷分配方法，解决现有分配方法中锅炉能效计算误差较大、锅炉之间的负荷分配经济性较差或计算过程难度较大导致的实用性不高的问题。
Description
技术领域
本发明涉及热电生产技术领域，尤其涉及一种基于能效曲线的锅炉负荷分配方法。
背景技术
母管制锅炉的蒸汽压力是机组运行的主要控制参数，直接影响到机组的安全及经济运行，在母管制运行方式下，需根据母管压力与给定值的偏差，向各并列运行的锅炉发出增减负荷的信号，各锅炉接收信号并调节燃料量与风量，以快速满足负荷要求，进而响应母管压力的调整。
现有锅炉机组负荷分配方式有按锅炉机组的负荷比例分配、按机组总效率最高的原则分配、按燃料消耗量微增率相等的原则分配，这些分配方式，通常都要基于锅炉的能效数据进行。
锅炉能效一般需要通过能效测试机构到现场进行测试确定，或基于历史运行数据利用正平衡法或反平衡法计算，其中正平衡法没有考虑蒸汽湿度、锅炉热损失等带来的影响，计算所得能效数据受运行参数及噪声数据影响太大，而反平衡法中的各项热损失需要较多的测量且数据采集难度大，某些损失无法直接测量只能通过估计得到。
现有的锅炉负荷分配方法，基于上述锅炉能效的获取方式，存在锅炉能效计算误差较大、锅炉之间的负荷分配经济性较差，或者计算过程难度较大导致的实用性不高的问题。
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，本发明提供了一种基于能效曲线的锅炉负荷分配方法。
(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：
第一方面，本发明实施例提供一种基于能效曲线的锅炉负荷分配方法，包括以下步骤：
S1，获取机组内所有锅炉的预设时间段内的历史数据，采用指定数据清洗和处理策略对每一锅炉的历史数据进行处理，获取机组内每一锅炉能效曲线函数；
S2，根据机组内每一锅炉的能效曲线函数和机组当前运行状态，采用平衡最优策略进行锅炉负荷分配，周期性的基于当前运行状态调整各锅炉的负荷分配，使得每一锅炉的能效达到在承受范围内的最优负荷，保持机组总体能效在最优状态；
所述机组当前运行状态包括：机组内所有锅炉的当前运行负荷、额定负荷，机组总待分配负荷量，负荷最小调整量；所述机组内锅炉数量大于1。
可选地，所述S1获取机组内所有锅炉的预设时间段内的历史数据包括：
以分钟为单位获取锅炉历史运行数据，包含时间戳、燃料消耗量、锅炉负荷、蒸汽压力、蒸汽温度、给水压力、给水温度；
以天或班组为单位获取燃料化验报表数据，包含时间戳、燃料低位发热量；
以分钟为单位获取热损失衡量指标数据，包含时间戳、烟气量、烟气温度、排烟氧含量、煤粉细度、炉膛温度、烟气中不同气体的含量。
可选地，所述S1包括：
S101，以时间戳为索引对所述历史数据进行横向拼接，并滑动过滤选择锅炉负荷波动幅度小于工况稳定预设阈值的运行数据段作为工况稳定能效数据集；
S102，基于工况稳定能效数据集，根据热损失衡量指标利用箱线图法进行过滤，选择满足热损失衡量指标预设阈值的有效数据段作为第一预处理数据集；
其中，所述热损失衡量指标包括下述的一种或多种：烟气量、烟气温度、排烟氧含量、煤粉细度、炉膛温度和烟气中不同气体的含量；
S103，根据第一预处理数据集计算得到锅炉能效E，并合入第一预处理数据，得到第二预处理数据集；
其中，锅炉能效E计算公式如下：
其中，
h给水＝H(P给水,T给水)，
h蒸汽＝H(P蒸汽,T蒸汽)，
Q为锅炉负荷，C为燃料消耗量，Qnet为燃料低位发热量，P给水、T给水分别为给水压力与给水温度，P蒸汽、T蒸汽分别为蒸汽压力与蒸汽温度，H为计算水和水蒸气焓值的函数；
S104，对第二预处理数据集进行异常点处理，生成能效模型数据集；
S105，对能效模型数据集拟合二次多项式曲线，得到锅炉能效曲线函数：
E＝f(Q)，
其中，以Q为锅炉负荷，E为锅炉能效。
可选地，所述滑动过滤选择锅炉负荷波动幅度小于工况稳定预设阈值的运行数据段包括：
以长度大于10分钟的窗口沿时间戳滑动，选择锅炉负荷波动幅度小于工况稳定预设阈值的运行数据段作为有效数据；
其中，工况稳定预设阈值为1％。
可选地，所述S102利用箱线图法进行过滤，包括：
确定热损失衡量指标上四分位数q1，下四分位数q3，四分位间距iqr＝q1-q3，则有效数据上限为q1+1.5*iqr，有效数据下限为q3-1.5*iqr。
可选地，所述S104包括以下步骤：
SS1，以预设步长值为间隔将锅炉负荷Q划分为等长区间，根据锅炉负荷Q的区间分布将第二预处理数据集划分为不同的区间；
SS2，针对每一区间，利用BP神经网络预测模型进行异常点处理，生成区间有效数据；
SS3，合并各区间有效数据，得到能效模型数据集；
其中，预设步长值为1。
可选地，所述SS2包括：
所述BP神经网络预测模型以热损失衡量指标为自变量，以锅炉能效E为因变量，包含输入层、隐藏层、输出层，并选择tanh作为神经元激活函数；
所述BP神经网络预测模型利用所在区间内数据进行训练，获得区间预测模型；
利用区间预测模型对区间内数据进行预测，得到预测值，并根据以下公式计算绝对误差百分比：
将绝对误差百分比大于误差阈值预设值的数据作为异常点剔除，其余有效数据保存为该区间有效数据；
其中，所述误差阈值预设值σ的取值范围为：
0.1≥σ≥0.01。
可选地，所述采用平衡最优策略进行锅炉负荷分配，包括以下具体步骤：
S2-1，根据每一锅炉的能效曲线函数，得到使得每一锅炉的能效达到最大值的每一锅炉的最优负荷；
S2-2，根据每一锅炉的最优负荷、当前运行负荷、额定负荷得到每一锅炉的负荷分配因子；
S2-3，根据机组内所有锅炉的负荷分配因子，以及机组总待分配负荷量、负荷最小调整量进行负荷分配：
若机组总待分配负荷量>0，对负荷分配因子最小的锅炉分配增加负荷最小调整量的负荷；
若机组总待分配负荷量<0，对负荷分配因子最大的锅炉分配减少负荷最小调整量的负荷；
S2-4，若机组总待分配负荷量＝0，锅炉负荷分配结束；否，则更新机组当前运行状态，并重复S2-2和S2-3。
可选地，所述S2-2包括：
根据以下公式计算负荷分配因子：
其中，κi为锅炉i的负荷分配因子，Qi为锅炉i的当前运行负荷，
为锅炉i的额定负荷，Qi,best为锅炉i的最优负荷。
第二方面，本发明提供一种计算机装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述基于能效曲线的锅炉负荷分配方法的步骤。
(三)有益效果
与现有技术相比，本发明基于机组内每一锅炉的能效曲线函数和机组当前运行状态，采用平衡最优策略进行锅炉负荷分配，周期性的基于当前运行状态调整各锅炉的负荷分配，使得每一锅炉的能效达到在承受范围内的最优负荷，保持机组总体能效在最优状态，实现多炉之间的协调优化控制，为机组的经济、安全运行提供精准支撑。提高了可靠性，安全性，稳定性，效率更高，准确性更好。
进一步地，本发明利用大量的锅炉历史数据，通过有效的数据清洗和过滤手段，包括通过滑动过滤选择锅炉负荷波动幅度小的工况稳定数据，以及利用热损失衡量指标基于箱线图法对数据的预处理，在降低能效计算过程中热损失影响的同时，避免了数据采集难度及测量精度带来的影响，提高了所获得能效曲线的准确性和有效性。
同时，在锅炉机组的负荷分配过程中，本发明利用拟合得到的能效曲线函数以及锅炉当前运行状态计算负荷分配因子，当负荷需求增加时优先分配给负荷分配因子最小的锅炉，当负荷需求减小时优先分配给负荷分配因子最大的锅炉，以保证各个锅炉运行负荷距离最优运行状态的相对距离大致相当；本发明所述分配方法兼顾经济性与安全运行的同时，摆脱了对运行人员技术水平的限制，实时的负荷分配计算结果指导实现多炉之间的协调优化控制，为机组的经济、安全运行提供精准支撑。
附图说明
图1为本发明基于能效曲线的锅炉负荷分配方法流程图；
图2为本发明一实施例提供的热损失衡量指标箱线图；
图3为本发明一实施例提供的锅炉能效拟合曲线图；
图4为本发明一实施例提供的基于神经网络预测模型的异常点识别示意图。
具体实施方式
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
如图1所示，本实施例提供一种基于能效曲线的锅炉负荷分配方法，包括如下步骤：
S1，获取机组内所有锅炉的预设时间段内的历史数据，采用指定数据清洗和处理策略对每一锅炉的历史数据进行处理，获取机组内每一锅炉能效曲线函数；
在实际应用中，举例来说，历史数据可以为：
以分钟为单位获取锅炉历史运行数据，包含时间戳、燃料消耗量、锅炉负荷、蒸汽压力、蒸汽温度、给水压力、给水温度；
以天或班组为单位获取燃料化验报表数据，包含时间戳、燃料低位发热量；
以分钟为单位获取热损失衡量指标数据，包含时间戳、烟气量、烟气温度、排烟氧含量、煤粉细度、炉膛温度、烟气中不同气体的含量等。
其中以天或班组为单位获取的燃料化验报表数据表示当天或当前运行班组内任一时间数据维持不变。
在实际应用中，机组中锅炉数量大于1台。
S2，根据机组内每一锅炉的能效曲线函数和机组当前运行状态，采用平衡最优策略进行锅炉负荷分配，周期性的基于当前运行状态调整各锅炉的负荷分配，使得每一锅炉的能效达到在承受范围内的最优负荷，保持机组总体能效在最优状态；
举例来说，所述机组当前运行状态包括：机组内所有锅炉的当前运行负荷、额定负荷，机组总待分配负荷量和负荷最小调整量等。
利用本实施例中的基于能效曲线的锅炉负荷分配方法，能够基于当前运行状态调整各锅炉的负荷分配，使得每一锅炉的能效达到在承受范围内的最优负荷，保持机组总体能效在最优状态，实现多个锅炉之间协调优化控制，为机组的经济、安全运行提供精准支撑。
为了更好的理解上述的步骤S1，下面采用子步骤A1至子步骤A5进行详细说明。
A1，以时间戳为索引对所述历史数据进行横向拼接，并滑动过滤选择锅炉负荷波动幅度小于工况稳定预设阈值的运行数据段作为工况稳定能效数据集；
举例来说，以长度大于10分钟的时间窗口沿时间轴方向滑动，选择锅炉负荷波动幅度小于1％的运行数据段作为有效数据，剔除因为工况变化造成的锅炉运行能效异常波动的数据。
本实施例中不限定以10分钟的时间窗口，可根据实际需要进行选择，窗口的粒度越小，其数据越准确。
A2，基于工况稳定能效数据集，根据热损失衡量指标利用箱线图法进行过滤，选择满足热损失衡量指标预设阈值的有效数据段作为第一预处理数据集；
在实际应用中，举例来说，其中的热损失衡量指标包括下述的一种或多种：烟气量、烟气温度、排烟氧含量、煤粉细度、炉膛温度和烟气中不同气体的含量；
举例来说，可以按照以下方法进行箱线图的参数设置：确定热损失衡量指标上四分位数q1，下四分位数q3，四分位间距iqr＝q1-q3，则有效数据上限为q1+1.5*iqr，有效数据下限为q3-1.5*iqr。
如图2所示为本发明所述热损失衡量指标排烟氧含量、炉膛温度的箱线图，其中箱体上下底分别为数据的上下四分位数，箱体中间的线表示中位数，箱体外的横线分别为上下边缘，处在上下边缘外的点即为异常点；箱体的高度在一定程度反映了数据的波动程度，箱体越扁说明数据越集中。
A3，根据第一预处理数据集计算得到锅炉能效E，并合入第一预处理数据，得到第二预处理数据集；
其中，锅炉能效E计算公式如下：
其中，
h给水＝H(P给水,T给水)，
h蒸汽＝H(P蒸汽,T蒸汽)，
Q为锅炉负荷，C为燃料消耗量，Qnet为燃料低位发热量，P给水、T给水分别为给水压力(单位为MPa)与给水温度(单位为K)，P蒸汽、T蒸汽分别为蒸汽压力(单位为MPa)与蒸汽温度(单位为K)，H为计算水和水蒸气焓值的函数；
A4，对第二预处理数据集进行异常点处理，生成能效模型数据集；
A5，对能效模型数据集拟合二次多项式曲线，得到锅炉能效曲线函数：
E＝f(Q)，
其中，以Q为锅炉负荷，E为锅炉能效。
如图3所示为本发明所述方法对额定负荷100t/h的锅炉能效拟合曲线。
本实施例中所采用的方法，利用大量的锅炉历史数据，通过有效的数据清洗和过滤手段，包括通过滑动过滤选择锅炉负荷波动幅度小的工况稳定数据，以及利用热损失衡量指标基于箱线图法对数据的预处理，在降低能效计算过程中热损失影响的同时，避免了数据采集难度及测量精度带来的影响，提高了所获得能效曲线的准确性和有效性。
为了更好的理解上述的步骤A4，下面采用子步骤A4-1至子步骤A4-3进行详细说明。
A4-1，以预设步长值为间隔将锅炉负荷Q划分为等长区间，根据锅炉负荷Q的区间分布将第二预处理数据集划分为不同的区间；
举例来说，预设步长值可以为1。
A4-2，针对每一区间，利用BP神经网络预测模型进行异常点处理，生成区间有效数据；
举例来说，在实际应用中，本步骤中的利用BP神经网络预测模型进行异常点处理，可以采用以下方式：
以烟气量、烟气温度、排烟氧含量、煤粉细度、炉膛温度、烟气中不同气体的含量等热损失衡量指标为自变量，以锅炉能效E为因变量，建立BP神经网络预测模型，利用python中keras模块搭建神经网络模型结构(网络结构包含输入层、隐藏层、输出层，选择tanh作为神经元激活函数)并利用区间内数据进行训练，得到区间预测模型。
利用区间预测模型对区间内数据进行预测，计算绝对误差百分比：
设置误差阈值σ(0.1≥σ≥0.01)，将误差百分比大于阈值σ的数据作为异常点数据剔除；
如图4所示本实施例利用上述神经网络预测模型进行异常点处理的示意图，在锅炉负荷80-81区间内，设定误差阈值σ＝0.03，则识别绝对误差百分比大于σ的数据点为异常点。
A4-3，合并各区间有效数据，得到能效模型数据集；
在本实施例中，利用BP神经网络预测模型进行异常点处理具有可靠性高、易于操作的特点，同时因为各区间神经网络预测模型的结构一致，只是划分不同区间，允许实施中快速批量建模，从而能够快速、准确的实现能效数据中异常点的识别和处理。
为了更好的理解上述的步骤S2，下面采用子步骤B1至子步骤B4进行详细说明。
B1，根据每一锅炉的能效曲线函数，得到使得每一锅炉的能效达到最大值的每一锅炉的最优负荷；
举例来说，锅炉i的能效曲线函数为：
Ei＝fi(Q)，
其中，Ei为锅炉i的能效，Q为锅炉负荷，i为锅炉序号(i＝1，2，…，n，其中n为机组锅炉数量)。
根据该能效曲线函数，利用常规的数学方法，可以得到使得锅炉i的能效Ei达到最大值的对应最优负荷Qi,best。
B2，根据每一锅炉的最优负荷、当前运行负荷、额定负荷得到每一锅炉的负荷分配因子；
举例来说，可以根据以下公式计算负荷分配因子：
其中，κi为锅炉i的负荷分配因子，Qi为锅炉i的当前运行负荷，
为锅炉i的额定负荷，Qi,best为锅炉i的最优负荷，i为锅炉序号(i＝1，2，…，n，其中n为机组锅炉数量)。
B3，根据机组内所有锅炉的负荷分配因子，以及机组总待分配负荷量、负荷最小调整量进行负荷分配：
若机组总待分配负荷量>0，对负荷分配因子最小的锅炉分配增加负荷最小调整量的负荷；
若机组总待分配负荷量<0，对负荷分配因子最大的锅炉分配减少负荷最小调整量的负荷；
B4，若机组总待分配负荷量＝0，锅炉负荷分配结束；否，则更新机组当前运行状态，并重复B2和B3。
本实施例中上述平衡最优策略当负荷需求增加时优先分配给负荷分配因子最小的锅炉，当负荷需求减小时优先分配给负荷分配因子最大的锅炉，通过多个锅炉间的协同分配，能够保证各个锅炉运行负荷距离最优运行状态的相对距离大致相当，实现机组能效和生产效率的最大化。
实施例二
本实施例提供一种计算机装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述实施例一中任一基于能效曲线的锅炉负荷分配方法的步骤。
由于本发明上述实施例所描述的系统/装置，为实施本发明上述实施例的方法所采用的系统/装置，故而基于本发明上述实施例所描述的方法，本领域所属技术人员能够了解该系统/装置的具体结构及变形，因而在此不再赘述。凡是本发明上述实施例的方法所采用的系统/装置都属于本发明所欲保护的范围。
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)
1.一种基于能效曲线的锅炉负荷分配方法，其特征在于，用于锅炉机组负荷分配，包括以下步骤：
S1，获取机组内所有锅炉的预设时间段内的历史数据，采用指定数据清洗和处理策略对每一锅炉的历史数据进行处理，获取机组内每一锅炉能效曲线函数；
S2，根据机组内每一锅炉的能效曲线函数和机组当前运行状态，采用平衡最优策略进行锅炉负荷分配，周期性的基于当前运行状态调整各锅炉的负荷分配，使得每一锅炉的能效达到在承受范围内的最优负荷，保持机组总体能效在最优状态；
所述机组当前运行状态包括：机组内所有锅炉的当前运行负荷、额定负荷，机组总待分配负荷量，负荷最小调整量；所述机组内锅炉数量大于1。
2.根据权利要求1所述的一种基于能效曲线的锅炉负荷分配方法，其特征在于，所述S1获取机组内所有锅炉的预设时间段内的历史数据包括：
以分钟为单位获取锅炉历史运行数据，包含时间戳、燃料消耗量、锅炉负荷、蒸汽压力、蒸汽温度、给水压力、给水温度；
以天或班组为单位获取燃料化验报表数据，包含时间戳、燃料低位发热量；
以分钟为单位获取热损失衡量指标数据，包含时间戳、烟气量、烟气温度、排烟氧含量、煤粉细度、炉膛温度、烟气中不同气体的含量。
3.根据权利要求1所述的一种基于能效曲线的锅炉负荷分配方法，其特征在于，所述S1包括：
S101，以时间戳为索引对所述历史数据进行横向拼接，并滑动过滤选择锅炉负荷波动幅度小于工况稳定预设阈值的运行数据段作为工况稳定能效数据集；
S102，基于工况稳定能效数据集，根据热损失衡量指标利用箱线图法进行过滤，选择满足热损失衡量指标预设阈值的有效数据段作为第一预处理数据集；
其中，所述热损失衡量指标包括下述的一种或多种：烟气量、烟气温度、排烟氧含量、煤粉细度、炉膛温度和烟气中不同气体的含量；
S103，根据第一预处理数据集计算得到锅炉能效E，并合入第一预处理数据，得到第二预处理数据集；
其中，锅炉能效E计算公式如下：
其中，
h给水＝H(P给水,T给水)，
h蒸汽＝H(P蒸汽,T蒸汽)，
Q为锅炉负荷，C为燃料消耗量，Qnet为燃料低位发热量，P给水、T给水分别为给水压力与给水温度，P蒸汽、T蒸汽分别为蒸汽压力与蒸汽温度，H为计算水和水蒸气焓值的函数；
S104，对第二预处理数据集进行异常点处理，生成能效模型数据集；
S105，对能效模型数据集拟合二次多项式曲线，得到锅炉能效曲线函数：
E＝f(Q)，
其中，以Q为锅炉负荷，E为锅炉能效。
4.根据权利要3所述的一种基于能效曲线的锅炉负荷分配方法，其特征在于，所述滑动过滤选择锅炉负荷波动幅度小于工况稳定预设阈值的运行数据段包括：
以长度大于10分钟的窗口沿时间戳滑动，选择锅炉负荷波动幅度小于工况稳定预设阈值的运行数据段作为有效数据；
其中，工况稳定预设阈值为1％。
5.根据权利要3所述的一种基于能效曲线的锅炉负荷分配方法，其特征在于，所述S102利用箱线图法进行过滤，包括：
确定热损失衡量指标上四分位数q1，下四分位数q3，四分位间距iqr＝q1-q3，则有效数据上限为q1+1.5*iqr，有效数据下限为q3-1.5*iqr。
6.根据权利要求3所述的一种基于能效曲线的锅炉负荷分配方法，其特征在于，所述S104包括以下步骤：
SS1，以预设步长值为间隔将锅炉负荷Q划分为等长区间，根据锅炉负荷Q的区间分布将第二预处理数据集划分为不同的区间；
SS2，针对每一区间，利用BP神经网络预测模型进行异常点处理，生成区间有效数据；
SS3，合并各区间有效数据，得到能效模型数据集；
其中，预设步长值为1。
7.根据权利要求6所述的一种基于能效曲线的锅炉负荷分配方法，其特征在于，所述SS2包括：
所述BP神经网络预测模型以热损失衡量指标为自变量，以锅炉能效E为因变量，包含输入层、隐藏层、输出层，并选择tanh作为神经元激活函数；
所述BP神经网络预测模型利用所在区间内数据进行训练，获得区间预测模型；
利用区间预测模型对区间内数据进行预测，得到预测值，并根据以下公式计算绝对误差百分比：
将绝对误差百分比大于误差阈值预设值的数据作为异常点剔除，其余有效数据保存为该区间有效数据；
其中，所述误差阈值预设值σ的取值范围为：
0.1≥σ≥0.01。
8.根据权利要求1所述的一种基于能效曲线的锅炉负荷分配方法，其特征在于，所述采用平衡最优策略进行锅炉负荷分配，包括以下具体步骤：
S2-1，根据每一锅炉的能效曲线函数，得到使得每一锅炉的能效达到最大值的每一锅炉的最优负荷；
S2-2，根据每一锅炉的最优负荷、当前运行负荷、额定负荷得到每一锅炉的负荷分配因子；
S2-3，根据机组内所有锅炉的负荷分配因子，以及机组总待分配负荷量、负荷最小调整量进行负荷分配：
若机组总待分配负荷量>0，对负荷分配因子最小的锅炉分配增加负荷最小调整量的负荷；
若机组总待分配负荷量<0，对负荷分配因子最大的锅炉分配减少负荷最小调整量的负荷；
S2-4，若机组总待分配负荷量＝0，锅炉负荷分配结束；否，则更新机组当前运行状态，并重复S2-2和S2-3。
9.根据权利要求8所述的一种基于能效曲线的锅炉负荷分配方法，其特征在于，所述S2-2包括：
根据以下公式计算负荷分配因子：
其中，κi为锅炉i的负荷分配因子，Qi为锅炉i的当前运行负荷，
为锅炉i的额定负荷，Qi,best为锅炉i的最优负荷。
10.一种计算机装置，其特征在于，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至9任一项所述基于能效曲线的锅炉负荷分配方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310250202.0A CN116293623A (zh) | 2023-03-14 | 2023-03-14 | 一种基于能效曲线的锅炉负荷分配方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310250202.0A CN116293623A (zh) | 2023-03-14 | 2023-03-14 | 一种基于能效曲线的锅炉负荷分配方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116293623A true CN116293623A (zh) | 2023-06-23 |
Family
ID=86777483
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310250202.0A Pending CN116293623A (zh) | 2023-03-14 | 2023-03-14 | 一种基于能效曲线的锅炉负荷分配方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116293623A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116906887A (zh) * | 2023-07-05 | 2023-10-20 | 上海全应科技有限公司 | 一种流化床锅炉燃烧系统的智能控制装置 |
-
2023
- 2023-03-14 CN CN202310250202.0A patent/CN116293623A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116906887A (zh) * | 2023-07-05 | 2023-10-20 | 上海全应科技有限公司 | 一种流化床锅炉燃烧系统的智能控制装置 |
| CN116906887B (zh) * | 2023-07-05 | 2024-04-02 | 上海全应科技有限公司 | 一种流化床锅炉燃烧系统的智能控制装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11232376B2 (en) | System and method for optimizing combustion of boiler | |
| CN110285403B (zh) | 基于被控参数预估的主蒸汽温度控制方法 | |
| Bartolini et al. | Application of artificial neural networks to micro gas turbines | |
| CN109583585B (zh) | 一种电站锅炉壁温预测神经网络模型的构建方法 | |
| 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 | |
| US20090099667A1 (en) | Plant controlling device and method, thermal power plant, and its control method | |
| CN109508818B (zh) | 一种基于LSSVM的在线NOx预测方法 | |
| Wang et al. | Evaluation of operation performance of a multi-chiller system using a data-based chiller model | |
| CN103728879A (zh) | 基于最小二乘支持向量机及在线更新的电站锅炉烟气软测量方法 | |
| CN116293623A (zh) | 一种基于能效曲线的锅炉负荷分配方法 | |
| CN106779384B (zh) | 一种基于信息粒度最优分配的钢铁工业高炉煤气长期区间预测方法 | |
| JP4741968B2 (ja) | プラントの制御装置 | |
| Giantomassi et al. | On-line steam production prediction for a municipal solid waste incinerator by fully tuned minimal RBF neural networks | |
| CN114022021A (zh) | 一种基于集成学习的在线机组负荷预测方法 | |
| CN103729569A (zh) | 一种基于lssvm及在线更新的电站锅炉烟气软测量系统 | |
| Blanco et al. | New investigation on diagnosing steam production systems from multivariate time series applied to thermal power plants | |
| 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 | |
| CN115524976A (zh) | 考虑锅炉燃烧状态的scr系统喷氨量调节方法 | |
| CN115451424A (zh) | 一种基于压力前馈的燃煤锅炉给煤控制方法 | |
| Gao et al. | RIMER and SA based thermal efficiency optimization for fired heaters | |
| CN115145152A (zh) | 一种锅炉燃烧与脱硝过程协同优化控制的方法 | |
| CN115034486A (zh) | 水泥窑烟气iSNCR脱硝预测控制方法 | |
| Zhou et al. | A data-driven operating improvement method for the thermal power unit with frequent load changes | |
| CN114021819A (zh) | 基于分数阶灰色延时模型的火电厂氮氧化物含量预测方法 | |
| Maltais et al. | Predicting Domestic Hot Water Demand Using Machine Learning for Predictive Control Purposes |
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 |