CN116756704A - 一种利用风粉测量参数预测入炉煤量的方法 - Google Patents
一种利用风粉测量参数预测入炉煤量的方法 Download PDFInfo
- Publication number
- CN116756704A CN116756704A CN202310782268.4A CN202310782268A CN116756704A CN 116756704 A CN116756704 A CN 116756704A CN 202310782268 A CN202310782268 A CN 202310782268A CN 116756704 A CN116756704 A CN 116756704A
- Authority
- CN
- China
- Prior art keywords
- coal
- wind powder
- furnace
- predicting
- auxiliary variable
- 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
- 239000003245 coal Substances 0.000 title claims abstract description 107
- 239000000843 powder Substances 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000005259 measurement Methods 0.000 title claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000009467 reduction Effects 0.000 claims description 9
- 239000000203 mixture Substances 0.000 claims description 3
- 238000002485 combustion reaction Methods 0.000 abstract description 7
- 230000008859 change Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000010219 correlation analysis Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000227 grinding Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000005514 two-phase flow Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measuring Volume Flow (AREA)
Abstract
本发明公开了一种利用风粉测量参数预测入炉煤量的方法,利用全截面非接触式静电方法测量磨煤机出口处一次风粉管道的风粉参数值;分析风粉参数与瞬时给煤量的相关性,计算得到选取的风粉辅助变量;对所选取的风粉辅助变量进行数据预处理;利用所述风粉辅助变量,通过最小二乘法原理进行入炉煤量回归模型拟合,并利用所述模型进行入炉煤量的预测。本发明的方法可以实时准确地测量变负荷工况下的入炉煤量,为运行人员提供准确数据,以帮助其进行最优燃烧调整,从而提高锅炉的燃烧稳定性、经济性和安全性。
Description
技术领域
本发明涉燃煤发电技术领域,特别涉及一种利用风粉测量参数预测入炉煤量的方法。
背景技术
在火力发电机组中,控制送入锅炉内的煤粉量至关重要。故需要对送入锅炉的煤粉量进行实时监测,准确实时监控送入锅炉的煤粉量不仅可以实现煤粉在炉内的均匀燃烧,还可以提高锅炉的热效率。如果能够准确获得或者描述当前时刻进入炉膛的煤量,就可以优化协调控制系统的策略,提高负荷响应速度。此外,准确测量入炉煤量还可以帮助监视锅炉机组的燃烧工况,以及确保操作人员能够及时快速地调整锅炉运行状态,对于燃煤电厂的稳定燃烧具有重要意义。
传统的入炉煤量测量技术大多数采用与入炉煤量相关的参数进行分析建模,而没有直接使用一次风粉管中的实际入炉煤量进行数据采集和建模。这种建模方法在稳态工况下可以取得良好的预测效果,但在变工况下,受多种参数变化的影响,无法准确获得良好的预测模型。
发明内容
本发明旨在克服现有技术的缺陷,提出一种利用风粉测量参数预测入炉煤量的方法,在本发明的方法中,使用全截面非接触式静电法测量技术,根据准确采集的风粉参数,可以实时准确地测量变负荷工况下的入炉煤量,为运行人员提供准确数据,以帮助其进行最优燃烧调整,从而提高锅炉的燃烧稳定性、经济性和安全性。
一种利用风粉测量参数预测入炉煤量的方法,其特征在于,包括如下步骤:
步骤1:利用全截面非接触式静电方法测量磨煤机出口处一次风粉管道的风粉参数值;
步骤2:分析风粉参数与瞬时给煤量的相关性,计算得到选取的风粉辅助变量;
步骤3:对所选取的风粉辅助变量进行数据预处理;
步骤4:利用所述风粉辅助变量,通过最小二乘法原理进行入炉煤量回归模型拟合,并利用所述模型进行入炉煤量的预测。
可选地,采用下式计算得到选取的风粉辅助变量
式中,x为风粉辅助变量;y为与x对应时刻的瞬时入炉煤量值;Cov(x,y)为变量x和y的协方差;Rxy为变量x和y的相关系数值。
可选地,选取的风粉辅助变量包括磨煤机入口处一次风量,一次风粉管道的管道流速、静电信号强度和管道流量。
可选地,数据预处理为小波降噪。
可选地,在所述步骤4中,利用所述风粉辅助变量,通过最小二乘法原理进行入炉煤量回归模型拟合,首先获得稳态工况下的预测模型;然后利用该模型预测非稳态工况下的入炉煤量。
具体地,所述稳态情况为磨煤机出口混合物温度基本保持不变且给煤量也基本维持一定值,且所述给煤量等于入炉煤量。
本发明的有益效果在于:
本发明提供了一种利用风粉测量参数预测入炉煤量的方法,旨在通过依靠现有技术设备进行准确测试和实时计算,从而准确获得或表征当前时刻进入炉膛的煤量,可优化协调控制系统的策略,并提高负荷的响应速度。此外,入炉煤量的准确测量值还有助于监视锅炉机组的燃烧工况,并确保操作人员能够及时快速地调整锅炉的运行状况,对于燃煤电厂的稳定燃烧非常重要。
附图说明
图1是本发明利用风粉测量参数预测入炉煤量的流程图;
图2是利用最小二乘法建模过程中为了消除系统噪声进行的降噪流程图;
图3是风粉参数中Air参数值降噪前后的对照图;
图4是风粉参数中E参数值降噪前后的对照图;
图5是风粉参数中Ms参数值降噪前后的对照图;
图6是风粉参数中V参数值降噪前后的对照图;
图7是在85%稳态负荷下,利用风粉参数预测入炉煤量的预测值与真实值的对照图;
图8是在45%稳态负荷下,利用风粉参数预测入炉煤量的预测值与真实值的对照图;
图9是在85%-45%变负荷过程中,利用风粉参数预测入炉煤量预测结果图。
具体实施方式
下面结合附图,对实施例作详细说明。
图1是本发明利用风粉测量参数预测入炉煤量的流程图。本发明的入炉煤量预测方法主要包括两个方面:风粉参数的获取和数据预处理,以及稳态和非稳态情况下的模型建立和预测结果。
针对当前时刻进入炉膛的煤量难以准确测量问题,本发明利用采集到的一次风粉管道的风粉参数值,并结合最小二乘回归方法来准确测量煤量。
在利用风粉参数预测煤量的过程中,首先通过相关性分析选择并确定合适的参数,然后将数据进行预处理,并作为最小二乘回归模型的输入。最后对预测模型进行分析,以得到全工况下的煤量预测方法。
动力煤在火力发电厂中经过磨煤机研磨后,产生一定细度的煤粉,随后通过一次风粉管道输送至炉膛进行燃烧。在这个流动过程中,煤粉的动力学特性十分复杂,属于气固两相流中的稀相流动。由于一次风粉管道的布置受到空间限制,并且一次风粉管道形状非标准,传统的风粉测点存在流场分布不均匀的问题,因此传统的测量技术难以准确测量一次风粉管道的相关参数值。磨煤机的出口到燃烧器之间有足够长的直管段,可以使用全截面非接触式静电方法精确测量磨煤机出口处一次风粉管道的风粉参数值。
1)基于相关性分析的风粉辅助变量选择
通过将测量的各个风粉参数与瞬时给煤量进行相关性分析,采用下式计算得到选取的辅助变量。
式中,x为风粉辅助变量;y为与x对应时刻的瞬时入炉煤量值;Cov(x,y)为变量x和y的协方差;Rxy为变量x和y的相关系数值,该值越大说明越相关,可选为辅助变量。在一般情况下,Rxy为0.6以上时,可将该参数选为辅助变量。
在本发明的实施例中,选取的风粉辅助变量包括磨煤机入口处的一次风量(Air),一次风粉管道的管道流速(V)、静电信号强度(E)和管道流量(Ms)。
为了验证通过上述方法选取的辅助变量的合理性,本发明利用部分实验数据中辅助变量和对应的瞬时入炉煤量值通过上述的相关系数公式计算得到各个辅助变量与瞬时入炉煤量的相关系数,如表1所示。
通过表1的中的计算得到相关系数分析可知,选择的风粉辅助变量与瞬时入炉煤量之间的相关性比较大,故所选的上述辅助变量是合理的。
2)数据预处理
准确可靠的数据测量是保证运行人员对控制系统正确调节的基础和前提。针对这一特点,利用小波降噪技术消除现场噪声对各风粉参数值的影响,从而确保建模的准确性。
将信号通过小波变换(采用Mallat算法)后,信号产生的小波系数含有信号的重要信息,将信号经小波分解后小波系数较大,噪声的小波系数较小,并且噪声的小波系数要小于信号的小波系数,通过选取一个合适的阀值,大于阀值的小波系数被认为是有信号产生的,应予以保留,小于阀值的则认为是噪声产生的,置为零从而达到去噪的目的。其实质为抑制信号中无用的部分、增强有用部分。如图2所示,其基本步骤为:
步骤1、分解:选定一种层数为N的小波对信号进行小波分解;
步骤2、阀值处理过程:分解后通过选取一合适的阀值,用阀值函数对各层系数进行量化;
步骤3、重构:用处理后的系数重构信号。
图3-图6是上面表1中的风粉辅助参数信号通过小波降噪得到的结果。从图中可以看出,降噪后参数信号中的有用部分更明显,噪声变得更小。
3)利用最小二乘法原理拟合模型
最小二乘法是一种常用的回归分析方法,用于拟合一个线性模型,其中输入变量可以是多个,而输出变量是一个。它的原理是通过最小化实际观测值与线性模型预测值之间的误差平方和,来确定模型的最佳拟合参数。
假设有一个多输入单输出的线性模型表示为:
y=w0+w1*x1+w2*x2+...+wn*xn
其中,y是输出变量,x1、x2、...、xn是输入变量,w0、w1、w2、...、wn是待求的模型参数。
最小二乘法的目标是找到一组最优的参数值,使得模型预测值与实际观测值之间的误差最小。误差定义为:
error=y-(w0+w1*x1+w2*x2+...+wn*xn)
通过最小化误差的平方和,即最小二乘和(Sum of Squares of Errors,SSE),来确定最优参数。数学上,这可以表示为以下最小化问题:
minimize SSE=Σ(y-(w0+w1*x1+w2*x2+...+wn*xn))^2
最小二乘法的解可以通过求导和求解方程组得到,具体的求解方法是使用最小二乘法的正规方程(Normal Equation):
^^
X T*X*W=X T*Y
其中,X是输入变量的设计矩阵,每一行表示一个样本的输入特征,Y是输出变量的向量,W是待求的参数向量。通过求解上述方程,可以得到最优参数的估计值。
当磨煤机出口混合物温度基本保持不变且给煤量也基本维持一定值时,可以认为磨煤机处于稳态工况;在这种工况下,磨煤机内部的存煤保持不变,可以近似认为给煤量等于入炉煤量,可以使用稳态情况下的给煤量代替入炉煤量来检验预测模型的准确性。本发明使用最小二乘回归算法结合所选历史数据,进行了多种稳态情况下的入炉煤量的预测实验,得出了较为准确的入炉煤量预测模型;
Q=f(V,E,Ms,Air)
Q表示实际的入炉煤量,V表示风粉参数中的管道流速、E表示风粉参数中的静电信号强度,Ms表示风粉参数中的管道流量,Air表示一次风量。
在稳态情况下,给煤量C近似等于入炉煤量Q。图7-图8分别为45%、85%稳态负荷下磨煤机入炉煤量的真实值和预测值。从图中可以看出,预测值非常接近真实值。
下面对模型进行检验。
表2..线性回归分析结果表
表2展示了本发明模型的分析结果参数,包括模型的VIF值、R2、RMSE、F值等,用于模型的检验,表征模型的准确性。
R2代表曲线回归的拟合程度,越接近1效果越好;表2中R2为0.875表示模型较好。
VIF值代表多重共线性严重程度,用于检验模型是否呈现共线性,即解释变量间存在高度相关的关系(VIF应小于10或者5,严格为5),由于风粉参数VIF值均小于10,表明各变量与入炉煤量之间存在高度相关。
RMSE均方根误差是预测值与实际观测值之间差异平方的平均值的平方根。它常用于回归问题,衡量了预测值与实际值之间的误差水平,较低的RMSE表示预测值与实际值的平均平方根差异较小,说明模型效果更好。
F检验的结果分析可以得到,显著性P值为0.008***,水平上呈现显著性,拒绝回归系数为0的原假设,因此模型基本满足要求。
从上面的内容可以看出,本发明中在稳态工况下利用风粉参数建立的入炉煤量预测模型准确性较高,具有一定的可靠性。
磨煤机在非稳态工况下运行时,磨在不考虑煤质的变化、煤粉细度的变化、磨受损程度,以及碾磨压力的变化的情况下,影响磨煤机工况变化(即入炉煤量发生变化)的主要因素为给煤量、一次风量和磨煤机入口风温变化。磨内的存煤量在不断变化,给煤机的给煤量并不等于实际的入炉煤量。由于采用全截面非接触式静电法测量技术,能够准确测得表征入炉煤量的风粉参数值,消除了外界因素变化导致的入炉煤量不准确性问题。可以利用在稳态情况下已经建立了入炉煤量与风粉参数之间的模型关系,利用准确测得的风粉参数值,就可以得到相应变工况下的入炉煤量。如图9示出了85%负荷降到45%负荷过程中某台磨的实时入炉煤量变化图。
此实施例仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (6)
1.一种利用风粉测量参数预测入炉煤量的方法,其特征在于,包括如下步骤:
步骤1:利用全截面非接触式静电方法测量磨煤机出口处一次风粉管道的风粉参数值;
步骤2:分析风粉参数与瞬时给煤量的相关性,计算得到选取的风粉辅助变量;
步骤3:对所选取的风粉辅助变量进行数据预处理;
步骤4:利用所述风粉辅助变量,通过最小二乘法原理进行入炉煤量回归模型拟合,并利用所述模型进行入炉煤量的预测。
2.根据权利要求1所述的一种利用风粉测量参数预测入炉煤量的方法,其特征在于,所述步骤2中,采用下式计算得到选取的风粉辅助变量
式中,x为风粉辅助变量;y为与x对应时刻的瞬时入炉煤量值;Cov(x,y)为变量x和y的协方差;Rxy为变量x和y的相关系数值。
3.根据权利要求1或2所述的一种利用风粉测量参数预测入炉煤量的方法,其特征在于,所述选取的风粉辅助变量包括磨煤机入口处一次风量,一次风粉管道的管道流速、静电信号强度和管道流量。
4.根据权利要求1所述的一种利用风粉测量参数预测入炉煤量的方法,其特征在于,所述步骤3中,所述数据预处理为小波降噪。
5.根据权利要求1所述的一种利用风粉测量参数预测入炉煤量的方法,其特征在于,在所述步骤4中,利用所述风粉辅助变量,通过最小二乘法原理进行入炉煤量回归模型拟合,首先获得稳态工况下的预测模型;然后利用该模型预测非稳态工况下的入炉煤量。
6.根据权利要求5所述的一种利用风粉测量参数预测入炉煤量的方法,其特征在于,所述稳态情况为磨煤机出口混合物温度基本保持不变且给煤量也基本维持一定值,且所述给煤量等于入炉煤量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310782268.4A CN116756704A (zh) | 2023-06-29 | 2023-06-29 | 一种利用风粉测量参数预测入炉煤量的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310782268.4A CN116756704A (zh) | 2023-06-29 | 2023-06-29 | 一种利用风粉测量参数预测入炉煤量的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116756704A true CN116756704A (zh) | 2023-09-15 |
Family
ID=87956933
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310782268.4A Pending CN116756704A (zh) | 2023-06-29 | 2023-06-29 | 一种利用风粉测量参数预测入炉煤量的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116756704A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117451116A (zh) * | 2023-10-27 | 2024-01-26 | 上海全应科技有限公司 | 一种中储式煤粉炉实时入炉煤量的测量方法 |
-
2023
- 2023-06-29 CN CN202310782268.4A patent/CN116756704A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117451116A (zh) * | 2023-10-27 | 2024-01-26 | 上海全应科技有限公司 | 一种中储式煤粉炉实时入炉煤量的测量方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108319131B (zh) | 基于数据挖掘的机组调峰能力评估方法 | |
CN113592134B (zh) | 一种基于能源数据的电力碳排放评估系统及方法 | |
CN104715142B (zh) | 一种电站锅炉NOx排放动态软测量方法 | |
CN112916189A (zh) | 制粉系统的优化方法 | |
CN111523595A (zh) | 一种基于离群点检测算法的电缆缺陷研判方法 | |
CN113468798A (zh) | 基于最小二乘支持向量机算法的中速磨煤机故障预警方法及系统 | |
CN116383636A (zh) | 一种基于pca与lstm融合算法的磨煤机故障预警方法 | |
CN109146141B (zh) | 一种燃煤电站回转式空气预热器漏风率预测方法 | |
CN112782220A (zh) | 一种电站入炉煤热值的测量方法及系统 | |
AU2021335237A1 (en) | Method for detecting abnormality of automatic verification system of smart watt-hour meter based on transductive support vector machine (TSVM) model | |
CN112784474A (zh) | 一种基于单位煤粉耗氧量的锅炉燃煤相对热值计算方法 | |
CN115455340A (zh) | 一种负载特征值和权重求解方法 | |
CN115496188A (zh) | 一种基于深度学习卷积神经网络的磨煤机故障预警方法 | |
CN117575373B (zh) | 一种基于大数据的设备能耗监测分析方法及系统 | |
CN106325258B (zh) | 一种基于在线监测信息的继电保护装置状态评估方法 | |
CN114418378A (zh) | 基于lof离群因子检测算法的光伏发电上网数据校核方法 | |
CN116756704A (zh) | 一种利用风粉测量参数预测入炉煤量的方法 | |
CN107895972B (zh) | 一种火电机组带负荷能力评估方法及其系统 | |
CN110750760B (zh) | 一种基于态势感知和控制图的异常理论线损检测方法 | |
CN113632025A (zh) | 用于评估工业环境中的能量消耗的方法、系统和计算机程序产品 | |
CN114626207B (zh) | 构建面向工业负荷谐波发射水平的通用概率模型的方法 | |
CN112541296A (zh) | 一种基于pso-lssvm的so2预测方法 | |
CN110689176B (zh) | 一种双进双出磨煤机出力计量优化方法、系统及介质 | |
CN116029433A (zh) | 基于灰色预测的能效基准值判定方法、系统、设备和介质 | |
CN113255850B (zh) | 配用电节能节费潜力评估方法 |
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 |