CN116293784A - 基于co测量的锅炉燃烧控制方法及控制系统 - Google Patents

基于co测量的锅炉燃烧控制方法及控制系统 Download PDF

Info

Publication number
CN116293784A
CN116293784A CN202310203914.7A CN202310203914A CN116293784A CN 116293784 A CN116293784 A CN 116293784A CN 202310203914 A CN202310203914 A CN 202310203914A CN 116293784 A CN116293784 A CN 116293784A
Authority
CN
China
Prior art keywords
concentration
hearth
combustion
model
prediction model
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
Application number
CN202310203914.7A
Other languages
English (en)
Inventor
赵伶玲
李居展
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN202310203914.7A priority Critical patent/CN116293784A/zh
Publication of CN116293784A publication Critical patent/CN116293784A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
    • F23N—REGULATING OR CONTROLLING COMBUSTION
    • F23N1/00—Regulating fuel supply
    • F23N1/02—Regulating fuel supply conjointly with air supply
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
    • F23N—REGULATING OR CONTROLLING COMBUSTION
    • F23N5/00—Systems for controlling combustion
    • F23N5/003—Systems for controlling combustion using detectors sensitive to combustion gas properties
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
    • F23N—REGULATING OR CONTROLLING COMBUSTION
    • F23N2900/00—Special features of, or arrangements for controlling combustion
    • F23N2900/05001—Measuring CO content in flue gas

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • General Engineering & Computer Science (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Regulation And Control Of Combustion (AREA)

Abstract

本发明公开了一种基于CO测量的锅炉燃烧控制系统，包括：构建从燃烧器到省煤器出口处的全炉膛三维几何模型；对炉膛燃烧过程进行批量化的数值模拟计算；测量省煤器出口处CO浓度；根据测量结果，建立省煤器出口处的CO浓度预测模型；根据数值模拟的计算结果，对CO浓度预测模型进行训练调试；利用CO预测模型，根据炉膛入口参数实时数据，预测省煤器出口CO浓度，并以此为根据，通过调节风量和煤粉量对炉膛燃烧状况进行调整。本发明采用可调谐光谱吸收技术测量CO浓度值，可较为实时准确的获取省煤器出口CO浓度；通过CO浓度预测模型和炉膛燃烧模型来指导进风量以及煤粉量。

Description

基于CO测量的锅炉燃烧控制方法及控制系统
技术领域
本发明涉及锅炉燃烧调整领域技术领域，具体涉及一种基于CO测量的锅炉燃烧控制方法及控制系统。
背景技术
燃煤电站锅炉燃烧中，烟气中的CO浓度反映了炉膛内部风粉配比的优劣情况，而煤粉量和风量的配比不均增大了燃烧过程中的机械未完全燃烧热损失和化学未完全燃烧热损失，因此，烟气中CO浓度是可燃物不完全燃烧状态的主要表现参数之一，烟气中CO浓度过高会使得锅炉燃烧热效率下降，且易引起水冷壁高温腐蚀。
此外，CO浓度下降，也从一定方面说明了此时炉膛送风量偏多，氧气含量充分，总风量过高，而过高的总风量会使得烟气量增加，增大锅炉排烟热损失，使得锅炉燃烧热效率下降。
在外界条件(煤质、燃烧器旋流角度等)一定的情况下，炉膛内部的煤粉燃烧状况由总煤量、总风量和燃烧器各次风配风量决定。
因此，省煤器出口处的CO浓度与锅炉负荷、风量、煤量必然存在一定的关联性，而借助于这种关联性，我们便可以通过省煤器出口处CO浓度指导炉膛燃烧调整，从而达到优化炉膛内燃烧状况的目的。
发明内容
本发明的目的是为了解决现有技术中的不足，提供一种通过对省煤器出口处CO浓度测量，通过对CO浓度的实时预测进行燃烧调整的基于CO测量的锅炉燃烧控制方法及控制系统。
为解决上述技术问题，本发明采用的技术方法是：本发明公开了一种基于CO测量的锅炉燃烧控制方法，包括如下步骤
S1.测量省煤器出口处CO浓度，根据测量结果，建立省煤器出口处的CO浓度预测模型；
S2根据所述CO浓度预测模型的数值模拟的计算结果，对CO浓度预测模型进行训练调试；
S3利用CO预测模型，根据炉膛入口参数实时数据，预测省煤器出口CO浓度，并以此为根据，通过调节风量和煤粉量对炉膛燃烧状况进行调整。
进一步的，所述CO浓度预测模型为：
Figure BDA0004110061220000011
式中，高斯核函数
Figure BDA0004110061220000012
αi、αi *是拉格朗日乘子，b*是位移项；
Figure BDA0004110061220000013
表示运用了拉格朗日乘子法。
进一步的，建立所述CO浓度预测模型包括如下步骤，
S21.采用了高斯核函数进行映射，找到一个映射将二维平面的点放到三维平面之中，即k＝(xn,x),n＝1,2,3,4,5,6；
式中，X1：A-F磨给煤量、X2：中心风开度、X3：一次风开度、X4：内二次风开度、X5：外二次风开度、X6：燃尽风开度；
S22.应用格朗日乘子法，寻找受到多个约束条件下的极限值，即
Figure BDA0004110061220000021
S23.得到CO浓度预测模型：
Figure BDA0004110061220000022
进一步的，在所述步骤S1中，还包括如下步骤，
S101：根据锅炉设计数据，采用近似处理方法，按照1:1的比例将炉膛转化为三维空间结构；
S102:根据所述三维空间结构建立全炉膛的三维几何模型；所述三维几何模型模型主要包括冷灰斗区域、燃烧器区域、燃尽风区域、折焰角区域、水平烟道区域和竖直烟道区域；
其中，冷灰斗区域主要负责冷却和汇集灰渣；燃烧器区域包含30个旋流燃烧器，每个燃烧器由中心风管、一次风管、内二次风管和外二次风管组成；燃尽风区域包含10个燃尽风燃烧器，每个燃烧器由中心的直流风管和外部的旋流风管组成；在水平烟道和竖直烟道处，以无厚度薄壁构建了过热器、再热器和省煤器等受热面；采用前处理ICEM软件进行几何建模和结构化网格划分；
S103:获取炉膛燃烧的边界条件；根据电厂的分布式控制方法获得锅炉的实时运行参数，主要运行参数包括：锅炉负荷、煤粉量、总风量、一次风温、二次风温、燃尽风温、主燃烧区温度、省煤器出口烟气温度、省煤器出口氧量等；根据锅炉实际运行状况，分别设定各区域壁面的辐射率和换热系数；
S104:根据所述三维空间结构和所述边界条件构建炉膛燃烧模型；所述全炉膛燃烧的数值计算模型包括基本控制方程、气相湍流模型、气固两相流模型、煤粉燃烧模型、辐射换热模型；
S105:根据所述三维几何模型以及所述炉膛燃烧模型确定不同工况下所述炉膛燃烧分布的动态数据库。
进一步的，在所述步骤S2中，还包括如下步骤，
S201:采用可调谐光谱吸收技术测量CO浓度值，在省煤器出口抽取一定量的烟气，通过前处理过滤单元，进入激光浓度测量模块，将过滤掉粉尘的烟气通入到CO气体吸收池，测量激光谱线变化反演出CO浓度值；
S202:由S201获取多个测点的CO浓度值，建立省煤器出口CO浓度预测模型；
S203:采用机器学习算法，获得CO浓度预测值；所述机器学习算法，以S105中数值计算结果为训练集，DCS数据为测试集，根据所述训练集对CO浓度预测模型进行训练，得到训练好的CO预测模型，包括：预先设置CO浓度预测模型的学习率，训练轮次和样本数。
进一步的，所述省煤器出口CO浓度预测模型的自变量为炉膛燃烧入口参数数据，因变量为炉膛出口CO浓度数据；回归函数和回归函数的法向量分别为：
Figure BDA0004110061220000031
Figure BDA0004110061220000032
式中，αi、αi*是拉格朗日乘子，b是位移项。
进一步的，在所述步骤S3中，还包括如下步骤，
S301.根据数据对比方法，通过所述CO浓度预测模型生成CO预测值随时间变化规律；
S302.利用所述CO预测模型，根据炉膛入口参数实时数据，预测省煤器出口CO浓度，并以此为根据，调节风量和煤粉量，根据燃烧模型进行燃烧状况调整。
本发明还公开了一种基于CO测量的锅炉燃烧控制系统，包括CO浓度计算模块100、CO浓度预测模型模块200和锅炉燃烧调整模块300；所述基于CO测量的锅炉燃烧控制系统执行时实现上述基于CO测量的锅炉燃烧控制方法的步骤。
有益效果：
相较于现有技术，本发明通过CO浓度预测模型和炉膛燃烧模型来指导进风量以及煤粉量，能够根据实际工况下炉膛实时入口参数，在燃烧工况变化，即风/粉等操作参数调节时，预测出炉膛出口处CO的变化，对炉膛内部燃烧状况进行提前指导，减少炉膛燃烧的未完全燃烧热损失，提高燃煤电厂的热效率，对提升电厂的经济效益具有重要意义。
附图说明
图1为本发明中基于CO测量的锅炉燃烧控制的系统结构图。
图2为本发明中支持向量机建立的CO预测模型示意图；
图3为本发明中全炉膛物理模型可视化系统用户界面图。
具体实施方式
下面结合附图说明和具体实施方式对本发明作进一步详细的描述。
如图1所示，本实例是一种基于CO测量的锅炉燃烧控制系统，包括CO浓度计算模块100，CO浓度预测模型模块200和锅炉燃烧调整模块300。
CO浓度计算模块100由以下流程组成：
S101：根据锅炉设计数据，采用近似处理方法，按照1:1的比例将炉膛转化为三维空间结构；
S102:如图3所示，根据三维空间结构建立全炉膛的三维几何模型；该模型主要包括冷灰斗区域、燃烧器区域、燃尽风区域、折焰角区域、水平烟道区域和竖直烟道区域。
其中，冷灰斗区域主要负责冷却和汇集灰渣；燃烧器区域包含30个旋流燃烧器LNASB，每个燃烧器由中心风管、一次风管、内二次风管和外二次风管组成；燃尽风区域包含10个燃尽风燃烧器，每个燃烧器由中心的直流风管和外部的旋流风管组成；在水平烟道和竖直烟道处，以无厚度薄壁构建了过热器、再热器和省煤器等受热面；采用前处理ICEM软件进行几何建模和结构化网格划分。
S103:获取炉膛燃烧的边界条件；根据电厂的分布式控制系统DistributedControl System，DCS获得锅炉的实时运行参数，主要运行参数包括：锅炉负荷、煤粉量、总风量、一次风量、二次风量、燃尽风量、主燃烧区温度、省煤器出口烟气温度、省煤器出口氧量等；根据锅炉实际运行状况，分别设定各区域壁面的辐射率和换热系数；
S104:根据三维空间结构和边界条件构建炉膛燃烧模型；全炉膛燃烧的数值计算模型包括基本控制方程、气相湍流模型、气固两相流模型、煤粉燃烧模型、辐射换热模型。
具体说明如下：
基本控制方程包括质量守恒、动量守恒和能量守恒。
质量守恒方程为：
Figure BDA0004110061220000041
式中，ρ为烟气密度，kg/m3；
Figure BDA0004110061220000042
为速度矢量，m/s；t为时间，s；Sm是从分散的第二相(例如由于液滴的蒸发)和用户定义的质量来源添加到连续相的质量。
动量守恒方程为：
Figure BDA0004110061220000043
式中，p是流体的静压，Pa；
Figure BDA0004110061220000044
是应力张量，Pa；/>
Figure BDA0004110061220000045
为和/>
Figure BDA0004110061220000046
分别是重力体力和外体力，N。
能量守恒方程为：
Figure BDA0004110061220000047
式中，xj为流体在j方向的位移，m；uj为流体在j方向的速度，m/s；h为流体距边界的距离，m；T为热力学温度；K；
Figure BDA0004110061220000048
表示的是导热项，Sh和Φ分别表示热源和流体机械能的耗散项。
气相湍流模型采用Realizable k-ε模型，该模型对旋流流动的修正更适用于包括强流线曲率、涡流和旋转的流动。
Realizable k-ε模型中的k和ε方程分别为：
Figure BDA0004110061220000051
Figure BDA0004110061220000052
式中，p表示压力，Pa；k表示紊流脉动动能，J；ε表示紊流脉动动能的耗散率，％；μ和μt分别为流体在标准状态和温度t下的湍流黏度，kg/(m·s)；σk和σε分别是k和ε的普朗特常数；Gk和Gb分别为由于层流速度梯度和浮力而产生的湍流动能，m2/s2；YM表示可压缩湍流中的波动膨胀对总耗散率的贡献，m2/s2；Sk和Sε是用户定义的源术语；C1、C2、C1ε、C3ε是常数。
气固两相流模型采用离散相模型来耦合煤粉和气流的流动，其中将气体作为连续相处理，将煤粉颗粒作为离散相处理。通过建立入射颗粒来模拟煤粉的入射，采用基于拉格眀日模型的随机轨道模型(Discrete Random Walk Model)描述入射粒子的运动过程。
该模型模拟了粒子与一系列离散的流体相湍流涡流的相互作用，粒子涡流穿越时间定义为：
Figure BDA0004110061220000053
式中，τ是粒子弛豫时间；Le是涡长尺度；|u-up|是相对速度的大小。
煤粉燃烧模型包括挥发分析出模型、气象燃烧模型和焦炭燃烧模型。
挥发分析出模型采用双竞争反应速率模型(Two Competing Rates Model)来模拟挥发分的析出过程，挥发分析出速率为：
Figure BDA0004110061220000054
Figure BDA0004110061220000055
式中，mp为颗粒质量，kg；mp,0为颗粒的初始质量，kg；fv,0为颗粒中挥发分的初始质量分数；k为动力学速率，s-1；E为活化能，J/mol；A为指前因子；R为摩尔气体常数。
气象燃烧模型采用非预混燃烧模型，该模型将热化学物质简化为一个参数，即混合分数。
焦炭燃烧模型选用扩散-动力控制反应速率模型。焦炭表面反应燃烧速率
Figure BDA0004110061220000056
为：
Figure BDA0004110061220000057
式中，Tp和T∞分别为反应物表面的温度和周围介质的温度，K；dp为发生化学反应的表面积，m2；Yox为局部气体中氧化剂的质量分数；Mw,ox为氧化剂的摩尔质量，g/mol；R为考虑了焦炭内表面的反应及其扩散的动力学反应常数。
辐射换热模型采用P1模型，该模型的辐射通量qr表示为：
Figure BDA0004110061220000061
式中，a为吸收系数；a为吸收系数；σs为散射系数；G为入射辐射率；C为各相异性的相位函数系数。
再根据三维几何模型以及炉膛燃烧模型确定不同工况下炉膛燃烧分布的动态数据库105。
CO浓度预测模型模块200包括以下步骤：
S201采用可调谐光谱吸收技术测量CO浓度值201,在省煤器出口抽取一定量的烟气，通过前处理过滤单元，进入激光浓度测量模块，将过滤掉粉尘的烟气通入到CO气体吸收池，测量激光谱线变化反演出CO浓度值；
S202由S201获取多个测点的CO浓度值，建立省煤器出口CO浓度预测模型202；
省煤器出口CO浓度预测模型202的自变量为炉膛燃烧入口参数数据，因变量为炉膛出口CO浓度数据，回归函数和回归函数的法向量分别为：
Figure BDA0004110061220000062
Figure BDA0004110061220000063
式中，αi、αi*是拉格朗日乘子，b是位移项。
选择具有较强非线性映射能力的高斯核函数作为支持向量机的核函数，以适用锅炉内部复杂的燃烧环境。
基于支持向量机建立的CO预测模型示意图如图2所示。
S203采用机器学习算法，获得CO浓度预测值。
算法为机器学习算法，以S105中动态数据库中数值计算结果为训练集，DCS数据为测试集，根据训练集对CO浓度预测模型进行训练，得到训练好的CO预测模型，包括：预先设置CO浓度预测模型的学习率，训练轮次和样本数。
锅炉燃烧调整模块300包括以下步骤：
S301根据数据对比方法，通过CO浓度预测模型生成CO预测值随时间变化规律；
S302利用CO预测模型，根据炉膛入口参数实时数据，预测省煤器出口CO浓度，并以此为根据，调节风量和煤粉量，根据燃烧模型进行燃烧状况调整。
调整的方式与S105中的动态数据库关联，动态数据库中记录了总煤量，总风量，一次风量，二次风量，燃尽风量等与省煤器出口处CO浓度的关系，根据此关系，可进行燃烧调整指导。例如：在50％负荷时，省煤器出口CO浓度随一次风量增大而减少，当CO浓度过高，可以增大一次风量。
上述预测系统具体实施时的用户界面如图3所示。
预测系统可根据实际工况下炉膛实时入口参数，实时预测了炉膛出口CO浓度，给用户提供指导。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (8)

1.一种基于CO测量的锅炉燃烧控制方法，其特征在于：包括如下步骤
S1.测量省煤器出口处CO浓度，根据测量结果，建立省煤器出口处的CO浓度预测模型；
S2.根据所述CO浓度预测模型的数值模拟的计算结果，对CO浓度预测模型进行训练调试；
S3.利用CO预测模型，根据炉膛入口参数实时数据，预测省煤器出口CO浓度，并以此为根据，通过调节风量和煤粉量对炉膛燃烧状况进行调整。
2.根据权利要求1所述的基于CO测量的锅炉燃烧控制方法，其特征在于：所述CO浓度预测模型为：
Figure FDA0004110061210000011
式中，高斯核函数
Figure FDA0004110061210000012
αi、αi *是拉格朗日乘子，b*是位移项；/>
Figure FDA0004110061210000015
表示运用了拉格朗日乘子法。
3.根据权利要求2所述的基于CO测量的锅炉燃烧控制方法，其特征在于：建立所述CO浓度预测模型包括如下步骤，
S21.采用了高斯核函数进行映射，找到一个映射将二维平面的点放到高维空间之中，即k＝(xn,x),n＝1,2,3,4,5,6；
式中，X1：A-F磨给煤量、X2：中心风开度、X3：一次风开度、X4：内二次风开度、X5：外二次风开度、X6：燃尽风开度；
S22.应用格朗日乘子法，寻找受到多个约束条件下的极限值，即
Figure FDA0004110061210000013
S23.得到CO浓度预测模型：
Figure FDA0004110061210000014
4.根据权利要求2所述的基于CO测量的锅炉燃烧控制方法，其特征在于：在所述步骤S1中，还包括如下步骤，
S101：根据锅炉设计数据，采用近似处理方法，按照1:1的比例将炉膛转化为三维空间结构；
S102:根据所述三维空间结构建立全炉膛的三维几何模型；所述三维几何模型模型主要包括冷灰斗区域、燃烧器区域、燃尽风区域、折焰角区域、水平烟道区域和竖直烟道区域；
其中，冷灰斗区域主要负责冷却和汇集灰渣；燃烧器区域包含30个旋流燃烧器，每个燃烧器由中心风管、一次风管、内二次风管和外二次风管组成；燃尽风区域包含10个燃尽风燃烧器，每个燃烧器由中心的直流风管和外部的旋流风管组成；在水平烟道和竖直烟道处，以无厚度薄壁构建了过热器、再热器和省煤器等受热面；采用前处理ICEM软件进行几何建模和结构化网格划分；
S103:获取炉膛燃烧的边界条件；根据电厂的分布式控制方法获得锅炉的实时运行参数，主要运行参数包括：锅炉负荷、煤粉量、总风量、一次风温、二次风温、燃尽风温、主燃烧区温度、省煤器出口烟气温度、省煤器出口氧量等；根据锅炉实际运行状况，分别设定各区域壁面的辐射率和换热系数；
S104:根据所述三维空间结构和所述边界条件构建炉膛燃烧模型；所述全炉膛燃烧的数值计算模型包括基本控制方程、气相湍流模型、气固两相流模型、煤粉燃烧模型、辐射换热模型；
S105:根据所述三维几何模型以及所述炉膛燃烧模型确定不同工况下所述炉膛燃烧分布的动态数据库。
5.根据权利要求1所述的基于CO测量的锅炉燃烧控制方法，其特征在于：在所述步骤S2中，还包括如下步骤，
S201:采用可调谐光谱吸收技术测量CO浓度值，在省煤器出口抽取一定量的烟气，通过前处理过滤单元，进入激光浓度测量模块，将过滤掉粉尘的烟气通入到CO气体吸收池，测量激光谱线变化反演出CO浓度值；
S202:由S201获取多个测点的CO浓度值，建立省煤器出口CO浓度预测模型；
S203:采用机器学习算法，获得CO浓度预测值；所述机器学习算法，以S105中数值计算结果为训练集，DCS数据为测试集，根据所述训练集对CO浓度预测模型进行训练，得到训练好的CO预测模型，包括：预先设置CO浓度预测模型的学习率，训练轮次和样本数。
6.根据权利要求5所述的基于CO测量的锅炉燃烧控制方法，其特征在于：所述省煤器出口CO浓度预测模型的自变量为炉膛燃烧入口参数数据，因变量为炉膛出口CO浓度数据；回归函数和回归函数的法向量分别为：
Figure FDA0004110061210000021
Figure FDA0004110061210000022
式中，αi、αi*是拉格朗日乘子，b是位移项。
7.根据权利要求5或6所述的基于CO测量的锅炉燃烧控制方法，其特征在于：在所述步骤S3中，还包括如下步骤，
S301.根据数据对比方法，通过所述CO浓度预测模型生成CO预测值随时间变化规律；
S302.利用所述CO预测模型，根据炉膛入口参数实时数据，预测省煤器出口CO浓度，并以此为根据，调节风量和煤粉量，根据燃烧模型进行燃烧状况调整。
8.一种基于CO测量的锅炉燃烧控制系统，其特征在于：包括CO浓度计算模块100、CO浓度预测模型模块200和锅炉燃烧调整模块300；所述控制系统执行时实现如权利要求1-5任一所述方法的步骤。
CN202310203914.7A 2023-03-06 2023-03-06 基于co测量的锅炉燃烧控制方法及控制系统 Pending CN116293784A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310203914.7A CN116293784A (zh) 2023-03-06 2023-03-06 基于co测量的锅炉燃烧控制方法及控制系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310203914.7A CN116293784A (zh) 2023-03-06 2023-03-06 基于co测量的锅炉燃烧控制方法及控制系统

Publications (1)

Publication Number Publication Date
CN116293784A true CN116293784A (zh) 2023-06-23

Family

ID=86837344

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310203914.7A Pending CN116293784A (zh) 2023-03-06 2023-03-06 基于co测量的锅炉燃烧控制方法及控制系统

Country Status (1)

Country Link
CN (1) CN116293784A (zh)

Similar Documents

Publication Publication Date Title
Fiveland et al. Numerical model for predicting performance of three-dimensional pulverized-fuel fired furnaces
Askarova et al. Investigation of turbulence characteristics of burning process of the solid fuel in BKZ 420 combustion chamber
Zhao et al. Coal-fired utility boiler modelling for advanced economical low-NOx combustion controller design
Scharler et al. Numerical modelling of biomass grate furnaces
CN106548032A (zh) 基于锅炉烟道网格检测烟气co和o2浓度的分布场重建方法
Seddighi Design of large scale oxy-fuel fluidized bed boilers: Constant thermal power and constant furnace size scenarios
Wang et al. Mechanism modeling of optimal excess air coefficient for operating in coal fired boiler
Tajik et al. The impact of critical operational parameters on the performance of the aluminum anode baking furnace
von Bohnstein et al. 3D CFD simulation of a 250 MWel oxy-fuel boiler with evaluation of heat radiation calculation
Xiao et al. A physically based air proportioning methodology for optimized combustion in gas-fired boilers considering both heat release and NOx emissions
Ben-Mansour et al. Characteristics of oxyfuel and air–fuel combustion in an industrial water tube boiler
Tian et al. Numerical modelling of pulverised coal combustion
Shan et al. A review on fundmental research of oxy-coal combustion technology
CN106838979A (zh) 基于锅炉炉膛网格检测co和o2浓度的分布场构建方法
Sun et al. Large eddy simulation on the effects of coal particles size on turbulent combustion characteristics and NOx formation inside a corner-fired furnace
CN116293784A (zh) 基于co测量的锅炉燃烧控制方法及控制系统
Holkar et al. CFD Anlysis of Pulverised-Coal Combustion of Burner Used In Furnace with Different Radiation Models
von Bohnstein et al. CFD Simulation of an Oxy-fuel Demonstration Power Plant with Application of a WSGG radiation model
CN103343978A (zh) 一种煤粉火焰稳定性预测与诊断方法
Filkoski et al. Assessment of the impact of under-fire air introduction on the pulverised coal combustion efficiency
Ben-Mansour et al. Oxy-fuel combustion in a 600 MW gaseous fuel tangentially fired boiler
Filkoski et al. Computational fluid dynamics technique as a tool for description of the phenomena occurring in pulverized coal combustion systems
Sakolaree et al. Numerical simulation and experimental validation of pulverized coal combustion by using CFD
CN116959594A (zh) 基于CFD数据的省煤器出口NOx浓度分布的预测方法及系统
Zhang et al. Study on radiation characteristics of coal fired boiler changing with burnout rate

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