CN116776770A - 基于cfd数值模拟耦合bp神经网络缓解锅炉高温腐蚀的方法 - Google Patents
基于cfd数值模拟耦合bp神经网络缓解锅炉高温腐蚀的方法 Download PDFInfo
- Publication number
- CN116776770A CN116776770A CN202310698603.2A CN202310698603A CN116776770A CN 116776770 A CN116776770 A CN 116776770A CN 202310698603 A CN202310698603 A CN 202310698603A CN 116776770 A CN116776770 A CN 116776770A
- Authority
- CN
- China
- Prior art keywords
- boiler
- temperature
- neural network
- field
- numerical simulation
- 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.)
- Granted
Links
- 238000005260 corrosion Methods 0.000 title claims abstract description 42
- 230000007797 corrosion Effects 0.000 title claims abstract description 42
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 39
- 238000004088 simulation Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000008878 coupling Effects 0.000 title claims abstract description 15
- 238000010168 coupling process Methods 0.000 title claims abstract description 15
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 15
- 238000002485 combustion reaction Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 42
- 239000003245 coal Substances 0.000 claims description 26
- 230000004913 activation Effects 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000012546 transfer Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000009529 body temperature measurement Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 239000007787 solid Substances 0.000 claims description 3
- 230000005514 two-phase flow Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 2
- 238000004861 thermometry Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 3
- 238000013461 design Methods 0.000 description 3
- 239000002956 ash Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 235000002918 Fraxinus excelsior Nutrition 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000003546 flue gas Substances 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
Landscapes
- Regulation And Control Of Combustion (AREA)
Abstract
本发明公开了一种基于CFD数值模拟耦合BP神经网络缓解锅炉高温腐蚀的方法，包括以下步骤：步骤1，获取炉膛的详细结构，建立网格化模型；步骤2，通过CFD数值模拟获得三维模型得到炉膛温度场和CO场；步骤3，取温度T0，CO浓度n0为锅炉水冷壁高温腐蚀风险严重提升的判据，温度T0’，CO浓度n0’为锅炉恢复初始开门度的临界判据，调节二次风门开度；步骤4，重复步骤2的工作得到大量工况下温度场和CO场分布，通过BP神经网络对部分工况下温度场和CO场训练，获取全工况下温度场和CO场预测分布，并对应调整锅炉的开门度，改变炉内燃烧状况进而有效缓解锅炉高温腐蚀。本发明运行成本低，控制效果好。
Description
技术领域
本发明涉及电站锅炉燃烧优化与自动控制技术领域，特别是涉及一种基于CFD数值模拟耦合BP神经网络缓解锅炉高温腐蚀的方法。
背景技术
能源是国民经济的重要物质基础，而煤炭是我国主要能源之一。燃煤锅炉作为火力发电最为重要的组成部分，其性能直接影响燃煤电站运行。燃煤锅炉中存在着高温腐蚀的现象，当烟气和积灰层中含有腐蚀性成分时，受热面将发生腐蚀，甚至造成爆管。锅炉高温腐蚀与H2S的浓度直接相关，但炉内严苛的高温环境影响了其直接测量，此外，也没有较为准确的模拟手段能够直接模拟出H2S的分布场。目前已有研究表明锅炉炉内H2S浓度与CO浓度存在着强烈的正相关性。
专利“一种防高温腐蚀的锅炉风门开度控制方法及系统(CN112325329A)”建立风门开度数据集；将锅炉实时运行数据代入参数预测模型中，计算得到风门开度数据集各优化值下锅炉的参数预测值；计算锅炉的实时锅炉效率；将风门开度数据集各优化值下的锅炉参数预测值与锅炉的实时锅炉效率、锅炉的实时SCR脱硝系统入口处NOx的浓度和各CO测点处的实时CO浓度相对比，对锅炉风门的开度进行调整。但其只能测量固定几点CO值，无法获得炉膛整场CO分布，因此自动控制中心给出开度调整可能不足够准确。专利“一种降低水冷壁高温腐蚀的锅炉运行控制方法(CN110425565B)”提出一种适用于八角双切圆燃烧方式锅炉的降低水冷壁高温腐蚀的运行控制方法，该运行控制方法通过对每层周界风开度、二次辅助风开度、OFA风开度、运行氧量、SOFA风开度进行优化调整，有效改善水冷壁壁面气氛参数，从而预防锅炉水冷壁高温腐蚀，提高锅炉安全性。但其锅炉开度调整依据设计参数而非运行参数，存在一定误差。
发明内容
本发明的目的是针对现有技术中存在的技术缺陷，而提供一种基于CFD数值模拟耦合BP神经网络缓解锅炉高温腐蚀的方法，旨在通过模拟预测手段可以实现锅炉全工况下缓解高温腐蚀效果。
为实现本发明的目的所采用的技术方案是：
一种基于CFD(计算流体力学)数值模拟耦合BP神经网络缓解锅炉高温腐蚀的方法，包括以下步骤：
步骤1，获取炉膛的详细结构，建立网格化模型；
步骤2，根据步骤1的网格化模型，建立炉内燃烧数学模型、气相湍流模型、气固两相流模型、湍流燃烧模型、颗粒相燃烧模型和辐射换热模型，通过CFD数值模拟获得三维模型得到炉膛温度场和CO场；
步骤3，取温度T0，CO浓度n0为锅炉水冷壁高温腐蚀风险严重提升的判据，温度T0’，CO浓度n0’为锅炉恢复初始开门度的临界判据(T0>T0’,n0>n0’)，将每个网格的温度值与T0、T0’进行比较，CO浓度值与n0、n0’进行比较，调节二次风开度；
步骤4，重复步骤2的工作得到大量工况下温度场和CO场分布，通过BP神经网络对部分工况下温度场和CO场训练，获取全工况下温度场和CO场预测分布，并对应调整锅炉的开门度，改变炉内燃烧状况进而有效缓解锅炉高温腐蚀。
在上述技术方案中，所述步骤3中通过监测CO浓度和温度来确定水冷壁受高温腐蚀情况，CO浓度越高，高温腐蚀情况越严重，炉膛温度越高，高温腐蚀反应速率越快。
在上述技术方案中，所述步骤3中，若温度值高于T0的网格数量大于30％或者CO浓度值高于n0的网格数量大于30％，通过炉膛火焰中心自动调节模块控制，减少燃尽区的所有二次风门开度，并增大主燃烧区磨煤机投用层的二次风开度，以使火焰中心下降；当网格温度值高于T0’的网格数占比小于30％且CO浓度值高于T0’的网格数占比小于30％，则将锅炉的开度恢复到之前的状态。
在上述技术方案中，步骤3所提及温度及CO浓度改变是通过二次风的调节来完成，同时在二次风口和燃尽风口安装自动调节模块用实现燃烧的精细化控制。
在上述技术方案中，步骤4中从数值模拟得到的温度场中提取自定义坐标位置下的具体温度数值，并将位置坐标、温度数据按照固定顺序排列，得到关于位置坐标及温度的算术矩阵，再将运行参数加入算术矩阵，得到一串对应温度场和CO场的数据集合，通过BP神经网络对部分工况下温度场和CO场训练得到所有工况下的温度场和CO场分布图。
在上述技术方案中，在所述BP神经网络中，输入参数的神经元激活函数选择S型Logsig对数传输函数，隐含层的神经元激活函数同样选择S型Logsig对数传输函数，输出层神经元激活函数选用Purelin线性传输函数，神经网络的训练函数选用反向传播算法Trainlm函数，偏差学习函数选用附加动量因子的梯度下降权值学习算法Learngdm函数，性能评价函数选用均方误差性能算法Mse函数。
在上述技术方案中，所述步骤4中，调整锅炉的开门度时，所述燃尽区的所有二次风门开度每次减少幅度为10％，所述主燃烧区磨煤机投用层的二次风门开度每次增大幅度为5％。
在上述技术方案中，步骤4中的运行参数包括锅炉负荷、煤质参数、锅炉给煤量、锅炉二次风门开度、锅炉一二次风流量、CO浓度和声波测温温度的一种或多种。
在上述技术方案中，锅炉负荷、煤质参数、锅炉给煤量、锅炉一二次风流量为CFD数值模拟；
CO浓度和声波测温温度用于模拟结果验证；
煤质参数、锅炉给煤量、锅炉一二次风流量为BP神经网络的输入。
在上述技术方案中，步骤4需要在炉膛观火口处安装多处温度和CO测点，通过现场试验验证预测出的CO场和温度场准确性。
与现有技术相比，本发明的有益效果是：
1.通过数值模拟的方法得到全工况炉膛内部温度和CO浓度分布，减少温度和CO检测设备的安装数量。
2.通过神经网络预测的方法，减少数值模拟的计算量，节约计算成本。
3.仅调节二次风量，减少了控制系统的执行机构数量，简化控制逻辑结构，且可以保证调整的精准度。
附图说明
图1是本发明一种基于CFD数值模拟耦合BP神经网络缓解锅炉高温腐蚀的方法的流程图。
图2是本发明采用ICEM所画网格图。
图3是本发明采用锅炉100％工况下温度场和CO场分布。
具体实施方式
以下结合具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例1
参图1所示，本实施例提供了一种基于CFD数值模拟耦合BP神经网络缓解锅炉高温腐蚀的方法，包括如下步骤：
步骤1：获取炉膛的详细结构，建立网格化模型；
步骤2：根据步骤1的网格化模型，建立炉内燃烧数学模型、气相湍流模型、气固两相流模型、湍流燃烧模型、颗粒相燃烧模型和辐射换热模型，通过数值模拟获得三维模型得到炉膛温度场和CO场。
步骤3:取温度T0，CO浓度n0为锅炉水冷壁高温腐蚀风险严重提升的判据，温度T0’，CO浓度n0’为锅炉恢复初始开门度的临界判据(T0>T0’,n0>n0’)。将每个网格温度值与T0进行比较,CO浓度值与n0进行比较，若温度值高于T0的网格数量大于30％或者CO浓度值高于n0的网格数量大于30％，通过炉膛火焰中心自动调节模块控制，减少燃尽区的所有二次风门开度，并增大主燃烧区磨煤机投用层的二次风开度，以使火焰中心下降；当网格温度值高于T0’的网格数小于30％且CO浓度值高于T0’的网格数小于30％，则将锅炉的开度恢复到之前的状态；
步骤4:重复步骤2的工作得到大量工况下温度场和CO场分布，通过BP神经网络对部分工况下温度场和CO场训练，获取全工况下温度场和CO场预测分布，并对应调整锅炉的开门度，改变炉内燃烧状况进而有效缓解锅炉高温腐蚀。
从数值模拟得到的温度场中提取自定义坐标位置下的具体温度数值，并将位置坐标、温度数据按照固定顺序排列，得到关于位置坐标及温度的算术矩阵，再将运行参数加入算术矩阵，得到一串对应温度场和CO场的数据集合，通过BP神经网络对部分工况下温度场和CO场训练得到所有工况下的温度场和CO场分布图。
实施例2
本实施例在实施例1的基础上进行进一步说明。
本实施例提供的一种基于CFD数值模拟耦合BP神经网络缓解锅炉高温腐蚀的方法，主要针对配置前后墙对冲煤粉锅炉的大型电站机组，基于炉膛温度场和CO场分布情况，调节二次风进量从而达到缓解高温腐蚀的目的。
在所述BP神经网络中，输入参数的神经元激活函数选择S型Logsig对数传输函数。隐含层的神经元激活函数同样选择S型Logsig对数传输函数，输出层神经元激活函数选用Purelin线性传输函数，神经网络的训练函数选用反向传播算法Trainlm函数，偏差学习函数选用附加动量因子的梯度下降权值学习算法Learngdm函数，性能评价函数选用均方误差性能算法Mse函数。
进一步说：步骤3中通过监测CO浓度和温度来衡量水冷壁受高温腐蚀情况，CO浓度越高，高温腐蚀情况越严重，炉膛温度越高，高温腐蚀反应速率越快。
在本实施例中，步骤3所提及温度及CO浓度改变是通过二次风的调节来完成，同时在二次风口和燃尽风口安装自动调节模块用实现燃烧的精细化控制。
在本实施例中，步骤4通过BP神经网络对部分工况下温度场和CO场训练得到所有工况下的温度场和CO场分布图，根据其分布情况，对应调整锅炉的开门度，进而缓解所有工况下锅炉高温腐蚀。
在本实施例中，步骤4所述方法锅炉历史运行数据和所述锅炉实时运行数据均包括锅炉负荷、煤质参数、锅炉给煤量、锅炉二次风门开度、锅炉一二次风流量、CO浓度和声波测温温度。
在本实施例中，步骤4需安装多个温度和CO测点，验证BP神经网络模拟预测的准确性。
实施例3
本实施例在实施例1的基础上进行进一步说明。
锅炉配置的前后墙对冲旋流燃烧器，前墙2层和后墙3层，每层均有4个燃烧器，并在前后墙各布置1层燃烬风喷口。
参图2、图3所示，基于BP神经网络耦合CFD数值模拟缓解锅炉高温腐蚀的预测方法包括以下步骤：
步骤1，根据炉膛整体结构，采用ICEM进行网格划分，如图2所示。
步骤2，在炉膛横截面上可获取整场的炉膛温度场、CO场分布，其应布置于，如图3所示。
步骤3，提取每个网格的温度和CO浓度，形成数据库，取温度T0，CO浓度n0(具体数值根据锅炉的设计数据与现场运行经验参数确定)为锅炉水冷壁高温腐蚀严重提升的判据，温度T0’，CO浓度n0’(具体数值根据锅炉的设计数据与现场运行经验参数确定)为锅炉恢复初始开门度的临界判据(T0>T0’,n0>n0’)。
T0、T0’、n0和n0’可根据煤质变动情况进行手动修改；
步骤4，在二次风和燃尽风入口均安装自动调节装置，即当锅炉屏式受热面结渣风险严重提升时即自动减少燃尽区的二次风量即减小燃尽区的所有二次风门开度、增加主燃烧区磨煤机投用层的二次风量即开大主燃烧区磨煤机投用层的二次风门开度，达到缓解高温腐蚀的效果；
在炉膛网格结构中，温度值高于T0的量大于30％时，或者CO浓度大于n0的量高于30％时，则启动炉膛火焰中心自动功能调节模块；
在炉膛所有网格中，温度值高于T0’的数量小于30％且CO浓度值低于n0’的数量小于30％时，则将燃尽区与主燃烧区二次风门的开度恢复到之前的状态；
更进一步的，在自动调节模块中搭建炉膛火焰中心自动功能调节模块的投、退按钮，可随时将自动调节功能投入或退出；
更进一步的，在自动调节模块中搭建炉膛火焰中心自动功能调节模块的手动偏置功能，可允许运行人员实时手动微调自动调节功能。
以上所述仅是本发明的优选实施方式，应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.基于CFD数值模拟耦合BP神经网络缓解锅炉高温腐蚀的方法，其特征在于，包括以下步骤：
步骤1，获取炉膛的详细结构，建立网格化模型；
步骤2，根据步骤1的网格化模型，建立炉内燃烧数学模型、气相湍流模型、气固两相流模型、湍流燃烧模型、颗粒相燃烧模型和辐射换热模型，通过CFD数值模拟获得三维模型得到炉膛温度场和CO场；
步骤3，取温度T0，CO浓度n0为锅炉水冷壁高温腐蚀风险严重提升的判据，温度T0’，CO浓度n0’为锅炉恢复初始开门度的临界判据，T0>T0’,n0>n0’，将每个网格的温度值与T0、T0’进行比较，CO浓度值与n0、n0’进行比较，调节二次风开度；
步骤4，重复步骤2的工作得到大量工况下温度场和CO场分布，通过BP神经网络对部分工况下温度场和CO场训练，获取全工况下温度场和CO场预测分布，并对应调整锅炉的开门度，改变炉内燃烧状况进而有效缓解锅炉高温腐蚀。
2.如权利要求1所述的基于CFD数值模拟耦合BP神经网络缓解锅炉高温腐蚀的方法，其特征在于，所述步骤3中，若温度值高于T0的网格数量大于30％或者CO浓度值高于n0的网格数量大于30％，通过炉膛火焰中心自动调节模块控制，减少燃尽区的所有二次风门开度，并增大主燃烧区磨煤机投用层的二次风开度，以使火焰中心下降；当网格温度值高于T0’的网格数占比小于30％且CO浓度值高于T0’的网格数占比小于30％，则将锅炉的开度恢复到之前的状态。
3.如权利要求1所述的基于CFD数值模拟耦合BP神经网络缓解锅炉高温腐蚀的方法，其特征在于，步骤3中二次风的调节时，在二次风口和燃尽风口安装自动调节模块用实现燃烧的精细化控制。
4.如权利要求1所述的基于CFD数值模拟耦合BP神经网络缓解锅炉高温腐蚀的方法，其特征在于，步骤4中从数值模拟得到的温度场中提取自定义坐标位置下的具体温度数值，并将位置坐标、温度数据按照固定顺序排列，得到关于位置坐标及温度的算术矩阵，再将运行参数加入算术矩阵，得到一串对应温度场和CO场的数据集合，通过BP神经网络对部分工况下温度场和CO场训练得到所有工况下的温度场和CO场分布图。
5.如权利要求4所述的基于CFD数值模拟耦合BP神经网络缓解锅炉高温腐蚀的方法，其特征在于，在所述BP神经网络中，输入参数的神经元激活函数选择S型Logsig对数传输函数。隐含层的神经元激活函数同样选择S型Logsig对数传输函数，输出层神经元激活函数选用Purelin线性传输函数，神经网络的训练函数选用反向传播算法Trainlm函数，偏差学习函数选用附加动量因子的梯度下降权值学习算法Learngdm函数。
6.如权利要求5所述的基于CFD数值模拟耦合BP神经网络缓解锅炉高温腐蚀的方法，其特征在于，在所述BP神经网络中，性能评价函数选用均方误差性能算法Mse函数。
7.如权利要求1所述的基于CFD数值模拟耦合BP神经网络缓解锅炉高温腐蚀的方法，其特征在于，所述步骤4中，调整锅炉的开门度时，所述燃尽区的所有二次风门开度每次减少幅度为10％，所述主燃烧区磨煤机投用层的二次风门开度每次增大幅度为5％。
8.如权利要求4所述的基于CFD数值模拟耦合BP神经网络缓解锅炉高温腐蚀的方法，其特征在于，所述运行参数包括锅炉负荷、煤质参数、锅炉给煤量、锅炉二次风门开度、锅炉一二次风流量、CO浓度和声波测温温度中的一种或多种。
9.如权利要求8所述的基于CFD数值模拟耦合BP神经网络缓解锅炉高温腐蚀的方法，其特征在于，其中锅炉负荷、煤质参数、锅炉给煤量、锅炉一二次风流量为CFD数值模拟；
CO浓度和声波测温温度用于模拟结果验证；
煤质参数、锅炉给煤量、锅炉一二次风流量为BP神经网络的输入。
10.如权利要求1所述的基于CFD数值模拟耦合BP神经网络缓解锅炉高温腐蚀的方法，其特征在于，步骤4在炉膛观火口处安装多处温度和CO测点，通过现场试验验证预测出的CO场和温度场准确性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310698603.2A CN116776770B (zh) | 2023-06-13 | 2023-06-13 | 基于cfd数值模拟耦合bp神经网络缓解锅炉高温腐蚀的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310698603.2A CN116776770B (zh) | 2023-06-13 | 2023-06-13 | 基于cfd数值模拟耦合bp神经网络缓解锅炉高温腐蚀的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116776770A true CN116776770A (zh) | 2023-09-19 |
| CN116776770B CN116776770B (zh) | 2024-03-19 |
Family
ID=87987252
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310698603.2A Active CN116776770B (zh) | 2023-06-13 | 2023-06-13 | 基于cfd数值模拟耦合bp神经网络缓解锅炉高温腐蚀的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116776770B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117368724A (zh) * | 2023-12-08 | 2024-01-09 | 天津国能津能滨海热电有限公司 | 电机寿命预测方法、装置、介质及设备 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106407584A (zh) * | 2016-09-27 | 2017-02-15 | 广东电网有限责任公司电力科学研究院 | 一种HT‑NR3低NOx燃烧器流动与燃烧特性模拟方法及装置 |
| CN110274258A (zh) * | 2019-05-09 | 2019-09-24 | 国网河北能源技术服务有限公司 | 一种基于燃烧区域温度场预测的前馈控制燃烧调整方法 |
| CN111006239A (zh) * | 2019-11-14 | 2020-04-14 | 中国大唐集团科学技术研究院有限公司火力发电技术研究院 | 前后墙对冲煤粉锅炉炉膛火焰中心上下位置自动调整方法 |
| CN111006238A (zh) * | 2019-11-14 | 2020-04-14 | 中国大唐集团科学技术研究院有限公司火力发电技术研究院 | 四角切圆煤粉锅炉炉膛火焰中心上下位置自动调整方法 |
| CN111339716A (zh) * | 2020-02-19 | 2020-06-26 | 浙江大学 | 一种锅炉高温烟气流场在线代理模型构建方法 |
| CN111589302A (zh) * | 2020-05-29 | 2020-08-28 | 广东电科院能源技术有限责任公司 | 燃煤电厂scr脱硝性能预测方法、装置、设备和存储介质 |
| CN111695249A (zh) * | 2020-05-29 | 2020-09-22 | 广东省特种设备检测研究院顺德检测院 | 一种燃气锅炉热效率的预测方法 |
| CN112325329A (zh) * | 2020-10-13 | 2021-02-05 | 华中科技大学 | 一种防高温腐蚀的锅炉风门开度控制方法及系统 |
| CN114251651A (zh) * | 2021-11-11 | 2022-03-29 | 中国大唐集团科学技术研究院有限公司火力发电技术研究院 | 基于炉膛温度场分布的煤粉锅炉火焰中心调整方法及系统 |
| CN115034138A (zh) * | 2022-06-24 | 2022-09-09 | 华北电力大学 | 以计算流体力学与深度学习结合的锅炉温度场预测方法 |
-
2023
- 2023-06-13 CN CN202310698603.2A patent/CN116776770B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106407584A (zh) * | 2016-09-27 | 2017-02-15 | 广东电网有限责任公司电力科学研究院 | 一种HT‑NR3低NOx燃烧器流动与燃烧特性模拟方法及装置 |
| CN110274258A (zh) * | 2019-05-09 | 2019-09-24 | 国网河北能源技术服务有限公司 | 一种基于燃烧区域温度场预测的前馈控制燃烧调整方法 |
| CN111006239A (zh) * | 2019-11-14 | 2020-04-14 | 中国大唐集团科学技术研究院有限公司火力发电技术研究院 | 前后墙对冲煤粉锅炉炉膛火焰中心上下位置自动调整方法 |
| CN111006238A (zh) * | 2019-11-14 | 2020-04-14 | 中国大唐集团科学技术研究院有限公司火力发电技术研究院 | 四角切圆煤粉锅炉炉膛火焰中心上下位置自动调整方法 |
| CN111339716A (zh) * | 2020-02-19 | 2020-06-26 | 浙江大学 | 一种锅炉高温烟气流场在线代理模型构建方法 |
| CN111589302A (zh) * | 2020-05-29 | 2020-08-28 | 广东电科院能源技术有限责任公司 | 燃煤电厂scr脱硝性能预测方法、装置、设备和存储介质 |
| CN111695249A (zh) * | 2020-05-29 | 2020-09-22 | 广东省特种设备检测研究院顺德检测院 | 一种燃气锅炉热效率的预测方法 |
| CN112325329A (zh) * | 2020-10-13 | 2021-02-05 | 华中科技大学 | 一种防高温腐蚀的锅炉风门开度控制方法及系统 |
| CN114251651A (zh) * | 2021-11-11 | 2022-03-29 | 中国大唐集团科学技术研究院有限公司火力发电技术研究院 | 基于炉膛温度场分布的煤粉锅炉火焰中心调整方法及系统 |
| CN115034138A (zh) * | 2022-06-24 | 2022-09-09 | 华北电力大学 | 以计算流体力学与深度学习结合的锅炉温度场预测方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117368724A (zh) * | 2023-12-08 | 2024-01-09 | 天津国能津能滨海热电有限公司 | 电机寿命预测方法、装置、介质及设备 |
| CN117368724B (zh) * | 2023-12-08 | 2024-03-19 | 天津国能津能滨海热电有限公司 | 电机寿命预测方法、装置、介质及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116776770B (zh) | 2024-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2023065719A1 (zh) | 一种锅炉炉膛数值模拟与水动力协同集成计算方法 | |
| CN111339716B (zh) | 一种锅炉高温烟气流场在线代理模型构建方法 | |
| CN105148727B (zh) | 燃煤发电机组脱硝优化控制方法和系统 | |
| CN202101268U (zh) | 锅炉炉膛温度场分布控制系统 | |
| TWI705316B (zh) | 鍋爐之運轉支援裝置、鍋爐之運轉支援方法、及鍋爐之學習模型之作成方法 | |
| CN112283689B (zh) | 燃煤电站锅炉受热面积灰在线监测系统及其检测方法 | |
| CN104061588A (zh) | 基于二次风门调风控制的低氮燃烧控制方法和系统 | |
| CN116776770B (zh) | 基于cfd数值模拟耦合bp神经网络缓解锅炉高温腐蚀的方法 | |
| CN113418207B (zh) | 一种电站炉膛燃烧监测诊断装置及方法 | |
| CN111695249B (zh) | 一种燃气锅炉热效率的预测方法 | |
| CN109695892B (zh) | 一种锅炉受热面壁温保护方法及装置 | |
| CN107543199A (zh) | 一种煤粉锅炉风粉在线监测及燃烧优化管理系统 | |
| CN113266843A (zh) | 一种燃煤锅炉燃烧优化方法、系统及装置 | |
| CN103955599A (zh) | 锅炉改造后不同周界风量下燃烧特性的获取方法 | |
| CN105240868A (zh) | 基于风煤比煤质校正的锅炉自动燃烧调整控制方法 | |
| CN112628712A (zh) | 一种基于风门阻力系数的二次风闭环优化控制系统 | |
| CN113074459A (zh) | 锅炉控制优化方法及系统 | |
| CN114675607A (zh) | 结合火焰温度的入炉煤热值预测与校正控制方法 | |
| CN115111601A (zh) | 多变负荷下内嵌算法融合的多目标锅炉燃烧优化控制方法 | |
| CN103870877B (zh) | 一种基于神经网络的锅炉燃烧智能控制方法 | |
| CN213362403U (zh) | 基于壁温预测的燃煤机组水冷壁超温控制系统 | |
| CN112097232A (zh) | 基于壁温预测的燃煤机组水冷壁超温控制系统及方法 | |
| TWI691821B (zh) | 運轉條件評價裝置、運轉條件評價方法及鍋爐之控制系統 | |
| CN112255978A (zh) | 一种燃煤锅炉智慧运维系统及方法 | |
| 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 |
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 |