CN116906887B - 一种流化床锅炉燃烧系统的智能控制装置 - Google Patents

一种流化床锅炉燃烧系统的智能控制装置 Download PDF

Info

Publication number
CN116906887B
CN116906887B CN202310818687.9A CN202310818687A CN116906887B CN 116906887 B CN116906887 B CN 116906887B CN 202310818687 A CN202310818687 A CN 202310818687A CN 116906887 B CN116906887 B CN 116906887B
Authority
CN
China
Prior art keywords
target
model
coal
fan
boiler
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.)
Active
Application number
CN202310818687.9A
Other languages
English (en)
Other versions
CN116906887A (zh
Inventor
阳赛
南玉泽
王栋
党海峰
夏建涛
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.)
Shanghai Allsense Technology Co ltd
Original Assignee
Shanghai Allsense Technology Co ltd
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 Shanghai Allsense Technology Co ltd filed Critical Shanghai Allsense Technology Co ltd
Priority to CN202310818687.9A priority Critical patent/CN116906887B/zh
Publication of CN116906887A publication Critical patent/CN116906887A/zh
Application granted granted Critical
Publication of CN116906887B publication Critical patent/CN116906887B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
    • F23C—METHODS OR APPARATUS FOR COMBUSTION USING FLUID FUEL OR SOLID FUEL SUSPENDED IN  A CARRIER GAS OR AIR 
    • F23C10/00—Fluidised bed combustion apparatus
    • F23C10/18—Details; Accessories
    • F23C10/28—Control devices specially adapted for fluidised bed, combustion apparatus
    • 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
    • G16C20/10—Analysis or design of chemical reactions, syntheses or processes
    • 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

Landscapes

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

Abstract

本发明涉及一种流化床锅炉燃烧系统的智能控制装置，包括：对锅炉运行过程进行解耦得到一个以上的处理模块和至少两个优化控制模块，各相邻处理模块均通过串联方式连接；所有的处理模块借助于各自的机器学习模型对输入的参数进行输出，获得输出参数；所有的优化控制模块为对应流化床锅炉燃烧系统中每一风机或煤机的控制模块，用于基于目标给风量/目标给煤量进行处理，获得风机所属的目标风机频率或煤机所属的目标煤机频率；以优化流化床锅炉的可控参数实现优化控制。本发明的控制装置通过对锅炉燃烧控制过程解耦，解耦后的每个处理/控制模块相互连接，并通过机器学习算法建立模型，模型简单实用，控制装置具有很好的经济性和实用性。

Description

一种流化床锅炉燃烧系统的智能控制装置
技术领域
本发明涉及蒸汽锅炉控制领域，尤其涉及一种流化床锅炉燃烧系统的智能控制装置。
背景技术
循环流化床锅炉在解决劣质煤燃烧的方向上拥有良好的发展前景，但是流化床锅炉的燃烧系统是多输入和多输出的变量的系统，过程复杂，受影响的因素多，需要控制的参数多，而且参数之间相互关联，改变任何输入变量都可能导致其他输出变量发生相应的变化，如给煤、一二次风等耦合性强，燃烧与汽水也存在复杂的耦合关系，再加上过程的非线性和大延时，使得对流化床锅炉的控制操作难度大。
目前国内的循环流化床锅炉主要采用PID控制系统，PID控制器结构简单适用性较强，但是反馈调节效果及响应速度较差，且控制参数的整定对运行经验依赖性过高。也有通过神经网络等机器学习模型直接建立控制目标和风煤等可控参数的关系进行控制，但是这类方法模型复杂度高，可解释性不强，给系统的控制带来不确定性。
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，本发明提供了一种流化床锅炉燃烧系统的智能控制装置，通过将流化床锅炉燃烧系统解耦成多个模块，每个模块都由基于变量之间相关性建立的机器学习模型构成，最终采用串联和前馈解耦的方式以实现对流化床锅炉的优化控制。
(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流化床锅炉燃烧系统的智能控制装置，包括：
对锅炉运行过程进行解耦得到一个以上的处理模块和至少两个优化控制模块，各相邻处理模块均通过串联方式连接，每一个优化控制模块连接串联方式连接的最后一个处理模块；所有的处理模块借助于各自的机器学习模型对输入的参数进行输出，获得输出参数；且每一处理模块的输出参数作为下一处理模块的输入参数；
其中，第一处理模块用于接收流化床锅炉的目标母管压力、当前锅炉负荷和当前母管压力，最后一个处理模块输出的是目标给风量/目标给煤量；
所有的优化控制模块为对应流化床锅炉燃烧系统中每一风机或给煤机的控制模块，用于基于目标给风量/目标给煤量进行处理，获得风机所属的目标风机频率或给煤机所属的目标给煤机频率；以优化流化床锅炉的可控参数实现优化控制。
可选地，对锅炉运行过程进行解耦得到一个以上的处理模块，包括：锅炉负荷指令模块，作为所述第一处理模块，用于接收目标母管压力、当前锅炉负荷和当前母管压力，根据内置的锅炉负荷计算模型输出目标锅炉负荷，所述锅炉负荷计算模型为基于目标母管压力、当前母管压力和当前锅炉负荷之间关系建立的机器学习模型；
燃烧模块，用于接收目标锅炉负荷，根据内置的燃烧模型输出目标耗氧速率，所述燃烧模型为基于目标锅炉负荷和耗氧速率之间关系建立的机器学习模型；
煤量计算模块，用于接收目标耗氧速率，根据内置给煤量模型输出目标给煤量，所述给煤量模型为基于目标耗氧速率和给煤量之间关系建立的机器学习模型；
风量计算模块，用于接收目标给煤量，根据内置给风量模型输出目标给风量，所述给风量模型为基于目标给风量和目标给煤量之间关系建立的机器学习模型。
可选地，至少两个优化控制模块，包括：
至少一个风机控制模块，每一风机控制模块，用于采用指定策略对目标给风量进行处理，得到当前风机对应的第一给风量，并获取当前风机压力，根据内置的风机模型输出目标风机频率；所述风机模型为基于当前风机压力、当前风机对应的第一给风量和风机频率之间关系建立的机器学习模型；
至少一个给煤机控制模块，每一给煤机控制模块，用于采用指定策略对目标给煤量进行处理，得到当前给煤机对应的第一给煤量，根据内置的给煤机模型输出目标给煤机频率；所述给煤机模型为基于当前给煤机对应的第一给煤量和给煤机频率之间关系建立的机器学习模型。
可选地，还包括：床压控制模块，用于接收目标床压，根据内置的冷渣机模型输出用于优化控制流化床锅炉的目标冷渣机频率，所述冷渣机模型为基于目标床压和目标冷渣机频率之间关系建立的机器学习模型。
可选地，还包括：负压控制模块，用于接收目标炉膛负压、当前炉膛负压和当前风机入口压力，根据内置的风机模型输出用于优化控制流化床锅炉的目标风机频率；所述风机模型为基于当前炉膛负压、当前风机入口压力和目标风机频率之间关系建立的机器学习模型。
可选地，所述燃烧模型为：
oxygen＝α0+α1*flow；
其中，oxygen为耗氧速率，flow为锅炉负荷，α0、α1为燃烧模型的拟合系数；
所述燃烧模型是根据从数据库获取的指定时间范围耗氧速率和锅炉负荷的历史运行数据，并利用机器学习一次多项式算法建立回归模型进行训练得到。
可选地，所述给煤机模型为：
freqCoal＝α2+α3*coal；
其中，freqCoal为给煤机频率，coal为给煤量，α2、α3为给煤机模型的拟合系数；
所述给煤机模型是根据从数据库获取的指定时间范围给煤量和给煤机频率的历史运行数据，并利用机器学习一次多项式算法建立回归模型进行训练得到。
本发明的上述流化床锅炉燃烧系统的智能控制装置，通过对锅炉燃烧控制过程的耦合进行解耦，解耦后的每个处理/控制模块相互连接，并通过指定的机器学习算法基于各变量的对应关系建立对应的机器学习模型，解耦后的各模型简单实用，易于训练获取，后续也便于根据新数据优化模型参数，各模型因输入输出简单且直接相关，模型参数具有很好的可解释性，智能控制装置整体具有很好的经济性和实用性。
第二方面，本发明实施例提供一种流化床锅炉燃烧系统，包括上述第一方面所述的流化床锅炉燃烧系统的智能控制装置。
第三方面，本发明实施例提供一种流化床锅炉，包括锅炉本体，以及如第二方面所述的流化床锅炉燃烧系统。
(三)有益效果
与现有技术相比，本发明的流化床锅炉燃烧系统的智能控制装置，通过对锅炉燃烧控制过程的耦合进行解耦，解耦后的每个处理/控制模块相互连接，并通过指定的机器学习算法基于各变量的对应关系建立对应的机器学习模型，解耦后的各模型简单实用，易于训练获取，后续也便于根据新数据优化模型参数，各模型因输入输出简单且直接相关，模型参数具有很好的可解释性，智能控制装置整体具有很好的经济性和实用性。
附图说明
图1A和图1B分别为本发明一实施例提供的流化床锅炉燃烧系统的智能控制装置的框图；
图2为本发明一实施例提供的锅炉负荷和耗氧速率关系图；
图3为本发明一实施例提供的给煤机频率和给煤量关系图。
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。
本发明通过对锅炉控制过程的解耦，建立一种流化床燃烧系统的智能控制装置，包括锅炉负荷指令模块、燃烧模块、风量计算模块、煤量计算模块、风机控制模块、给煤机控制模块、负压控制模块、床压控制模块等，对锅炉主要参数进行控制，不同的模块之间相互连接，共同实现对锅炉的有效控制。每个模块包含对应的机器学习模型，都有明确的输入和输出。
为了便于理解本发明，下面对本发明涉及的部分术语进行解释：
耗氧速率：锅炉燃烧控制中的重要参数，定义如下，
其中耗氧速率为锅炉燃烧过程中氧气的消耗速率，单位为m3/h；总给风量指进入锅炉的所有风量，单位为m3/h；排烟氧含量是指烟道单位体积烟气中氧体积所占百分比。
如图1A所示，本实施例提供一种流化床锅炉燃烧系统的智能控制装置，需要说明的是，图1A所示的智能控制装置的各模块是根据对锅炉运行过程进行解耦得到的，包括一个以上的处理模块和优化控制模块，其中，各相邻处理模块均通过串联方式连接；所有的处理模块借助于各自的机器学习模型对输入的参数进行输出，获得输出参数；且每一处理模块是输出参数作为下一处理模块的输入参数；其中，第一处理模块用于接收流化床锅炉的目标母管压力、当前锅炉负荷和当前母管压力，最后一个处理模块输出的是目标给风量/目标给煤量；本实施例中所有的优化控制模块为对应流化床锅炉燃烧系统中每一风机或给煤机的控制模块，用于基于目标给风量/目标给煤量进行处理，获得风机所属的目标风机频率或给煤机所属的目标给煤机频率；以优化流化床锅炉的可控参数实现优化控制。本实施例中的优化控制模块连接上述串联方式的最后一个处理模块。
具体地，第一处理模块(即锅炉负荷指令模块)用于接收所述流化床锅炉的目标母管压力，最后一个处理模块(即风量计算模块或煤量计算模块)输出的是目标给风量/目标给煤量。
本实施例的智能控制装置主要是基于对锅炉的物理运行过程的解耦，通过对锅炉运行过程的拆解，建立多个处理模块和多个优化控制模块，实现对锅炉主要参数进行控制，不同的模块之间相互连接，共同实现对锅炉的有效控制。每个模块可包括各自的机器学习模型。
在具体实现过程中，智能控制装置具体包括以下处理/控制模块：
锅炉负荷指令模块，可作为第一处理模块，用于接收目标母管压力、当前锅炉负荷和当前母管压力，根据内置的锅炉负荷计算模型输出目标锅炉负荷，所述锅炉负荷计算模型为基于目标母管压力、当前母管压力和当前锅炉负荷之间关系建立的机器学习模型；本实施例中以锅炉负荷指令模块进行举例说明，不对其限定。
燃烧模块，用于接收目标锅炉负荷，根据内置的燃烧模型输出目标耗氧速率，所述燃烧模型为基于目标锅炉负荷和耗氧速率之间关系建立的机器学习模型；
煤量计算模块，用于接收目标耗氧速率，根据内置给煤量模型输出目标给煤量即总给煤量，所述给煤量模型为基于目标耗氧速率和目标给煤量之间关系建立的机器学习模型；总给煤量指进入锅炉的所有煤量，单位为T/h。
风量计算模块，用于接收目标给煤量，根据内置给风量模型输出目标给风量，所述给风量模型为基于目标给风量和目标给煤量之间关系建立的机器学习模型。
风机控制模块，实际应用中数量大于等于1个，用于采用指定策略对目标给风量进行处理，得到当前风机对应的第一给风量，并获取当前风机压力和锅炉目标风量，根据内置的风机模型输出目标风机频率；所述风机模型为基于当前风机的风机压力、锅炉目标风量和目标风机频率之间关系建立的机器学习模型；
给煤机控制模块，实际应用中数量大于等于1个，用于采用指定策略对目标给煤量进行处理，得到当前给煤机对应的第一给煤量，根据内置的给煤机模型输出目标给煤机频率；所述给煤机模型为基于当前给煤机对应的第一给煤量和目标给煤机频率之间关系建立的机器学习模型。
可理解的是，目标给风量/目标给煤量对应锅炉总的给风量/给煤量，需要按照指定策略分配给所有的风机控制模块/给煤机控制模块，举例来说，指定策略可以为平均分配，比如有N个(N大于等于1)风机控制模块/给煤机控制模块，每个风机控制模块/给煤机控制模块对应的第一给风量/第一给煤量为目标给风量/目标给煤量的1/N。
如图1B所示，智能控制装置还包括，床压控制模块，用于接收目标床压，根据内置的冷渣机模型输出用于优化控制流化床锅炉的目标冷渣机频率，所述冷渣机模型为基于床压和冷渣机频率之间关系建立的机器学习模型；
以及，负压控制模块，用于接收目标炉膛负压、当前炉膛负压和当前风机入口压力，根据内置的风机模型输出用于优化控制流化床锅炉的目标风机频率；所述风机模型为基于炉膛负压、风机入口压力和风机频率之间关系建立的机器学习模型。本实施例中的风机可理解为引风机。
需要解释的是，根据图1B的智能控制装置，将当前锅炉负荷、目标母管压力和当前母管压力传入锅炉负荷指令模块，模块输出锅炉目标负荷作为前馈传入燃烧模块，燃烧模块输出目标耗氧速率，目标耗氧速率输入到煤量计算模块中，输出目标给煤量，风量计算模块基于目标给煤量输出目标给风量。目标给风量经过分配到不同的风机，分别输入不同的第一给风量到对应的风机控制模块中，风机模块输出对应的目标风机频率。同样目标给煤量经过分配到不同分给煤机，分别输入不同的第一给煤量到对应的给煤机控制模块中，给煤机模块输出对应的目标给煤机频率。
需要说明的是，通过对锅炉运行过程的耦合进行分析、研究与解耦，锅炉控制过程更简单与稳定，解耦生成的每个模块都通过机理分析，基于各变量的对应关系建立对应的机器学习模型，模型简单实用，且具有可解释性，符合燃烧系统的控制要求；控制方法不仅可以对不同的模块内部进行改进，还可以扩展新的模块，有工程实用价值。
举例来说，在实际应用中，燃烧模块内置的燃烧模型的构建和训练过程如下：
从数据库获取流化床锅炉过去1天内的耗氧速率oxygen和锅炉负荷flow的历史运行数据；
根据上述历史运行数据特点，利用机器学习一次多项式算法建立回归模型：其中，该一次多项式算法中的一次多项式回归方程为：
oxygen＝α0+α1*flow；
其中，oxygen为耗氧速率，flow为锅炉负荷，α0、α1为燃烧模型的拟合系数；
如图2所示锅炉负荷和耗氧速率之间的关系，通过建立机器学习模型，得到α0＝-9，α1＝0.257，oxygen＝0.257*flow-9。
将训练得到的上述燃烧模型嵌入燃烧模块中，燃烧模块即可根据接收目标锅炉负荷输出目标耗氧速率。
类似地，在实际应用中，给煤机控制模块内置的给煤机模型的构建和训练过程如下：
从数据库获取流化床锅炉过去1天内的给煤机频率freqCoal和给煤量coal的历史运行数据；
根据上述历史运行数据特点，利用机器学习一次多项式算法建立回归模型：
其中，该一次多项式算法中的一次多项式回归方程为：
freqCoal＝α2+α3*coal；
其中，freqCoal为给煤机频率，coal为给煤量，α2、α3为给煤机模型的拟合系数；
如图3所示给煤机频率和给煤量之间的关系，通过建立机器学习模型，得到α2＝0，α3＝0.286，freqCoal＝0.286*coal。
将训练得到的给煤机模型嵌入给煤机控制模块中，模块的输入为该给煤机模块对应的第一给煤量，输出为目标给煤机频率。
容易理解的是，举例来说，上述燃烧模型/给煤机模型等机器学习模型的训练，可以设置成每隔一定时间周期性执行，从而每次执行时通过利用最新的上1天历史运行数据训练得到反映最新数据的模型参数，用来更新模型，实现高效的模型更新优化。
需要说明的是，本实施例上述提及的具体的机器学习模型算法，并不构成对具体实施中解耦后的各处理/控制模块应用不同机器学习模型算法的限制，具体实施可以采用包括以上一次多项式算法的回归模型在内的各种机器学习模型算法构建处理/控制模块。
本实施例的上述流化床锅炉燃烧系统的智能控制装置，通过对锅炉燃烧控制过程的耦合进行解耦，解耦后的每个处理/控制模块相互连接，并通过指定的机器学习算法基于各变量的对应关系建立对应的机器学习模型，解耦后的各模型简单实用，易于训练获取，后续也便于根据新数据优化模型参数，各模型因输入输出简单且直接相关，模型参数具有很好的可解释性，智能控制装置整体具有很好的经济性和实用性。
根据本发明的另一方面，本发明实施例还提供一种流化床锅炉燃烧系统，包括上述实施例一所述的流化床锅炉燃烧系统的智能控制装置。本实施例的智能控制装置可为上述任意实施例的智能控制装置，其用于对流化床锅炉燃烧系统进行智能控制，以实现对流化床锅炉燃烧系统的优化控制，减少成本，符合燃烧系统的控制要求。
根据本发明的再一方面，本发明实施例还提供一种流化床锅炉，包括锅炉本体，以及如实施例二所述的流化床锅炉燃烧系统，该流化床锅炉燃烧系统可包括上述实施例的任意智能控制装置。
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。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。

Claims (8)

1.一种流化床锅炉燃烧系统的智能控制装置，其特征在于，包括：对锅炉运行过程进行解耦得到一个以上的处理模块和至少两个优化控制模块，各相邻处理模块均通过串联方式连接，每一个优化控制模块连接串联方式连接的最后一个处理模块；所有的处理模块借助于各自的机器学习模型对输入的参数进行输出，获得输出参数；且每一处理模块的输出参数作为下一处理模块的输入参数；
其中，第一处理模块用于接收流化床锅炉的目标母管压力、当前锅炉负荷和当前母管压力，最后一个处理模块输出的是目标给风量/目标给煤量；
所有的优化控制模块为对应流化床锅炉燃烧系统中每一风机或给煤机的控制模块，用于基于目标给风量/目标给煤量进行处理，获得风机所属的目标风机频率或给煤机所属的目标给煤机频率；以优化流化床锅炉的可控参数实现优化控制；
对锅炉运行过程进行解耦得到一个以上的处理模块，包括：
锅炉负荷指令模块，作为所述第一处理模块，用于接收目标母管压力、当前锅炉负荷和当前母管压力，根据内置的锅炉负荷计算模型输出目标锅炉负荷，所述锅炉负荷计算模型为基于目标母管压力、当前母管压力和当前锅炉负荷之间关系建立的机器学习模型；
燃烧模块，用于接收目标锅炉负荷，根据内置的燃烧模型输出目标耗氧速率，所述燃烧模型为基于目标锅炉负荷和耗氧速率之间关系建立的机器学习模型；
煤量计算模块，用于接收目标耗氧速率，根据内置给煤量模型输出目标给煤量，所述给煤量模型为基于目标耗氧速率和给煤量之间关系建立的机器学习模型；
风量计算模块，用于接收目标给煤量，根据内置给风量模型输出目标给风量，所述给风量模型为基于目标给风量和目标给煤量之间关系建立的机器学习模型。
2.根据权利要求1所述的智能控制装置，其特征在于，
至少两个优化控制模块，包括：
至少一个风机控制模块，每一风机控制模块，用于采用指定策略对目标给风量进行处理，得到当前风机对应的第一给风量，并获取当前风机压力，根据内置的风机模型输出目标风机频率；所述风机模型为基于当前风机压力、当前风机对应的第一给风量和风机频率之间关系建立的机器学习模型；
至少一个给煤机控制模块，每一给煤机控制模块，用于采用指定策略对目标给煤量进行处理，得到当前给煤机对应的第一给煤量，根据内置的给煤机模型输出目标给煤机频率；所述给煤机模型为基于当前给煤机对应的第一给煤量和给煤机频率之间关系建立的机器学习模型。
3.根据权利要求1所述的智能控制装置，其特征在于，还包括：
床压控制模块，用于接收目标床压，根据内置的冷渣机模型输出用于优化控制流化床锅炉的目标冷渣机频率，所述冷渣机模型为基于目标床压和目标冷渣机频率之间关系建立的机器学习模型。
4.根据权利要求1所述的智能控制装置，其特征在于，还包括：
负压控制模块，用于接收目标炉膛负压、当前炉膛负压和当前风机入口压力，根据内置的风机模型输出用于优化控制流化床锅炉的目标风机频率；所述风机模型为基于当前炉膛负压、当前风机入口压力和目标风机频率之间关系建立的机器学习模型。
5.根据权利要求1所述的智能控制装置，其特征在于，所述燃烧模型为：
oxygen＝α0+α1*flow；
其中，oxygen为耗氧速率，flow为锅炉负荷，α0、α1为燃烧模型的拟合系数；
所述燃烧模型是根据从数据库获取的指定时间范围耗氧速率和锅炉负荷的历史运行数据，并利用机器学习一次多项式算法建立回归模型进行训练得到。
6.根据权利要求2所述的智能控制装置，其特征在于，所述给煤机模型为：
freqCoal＝α2+α3*coal；
其中，freqCoal为给煤机频率，coal为给煤量，α2、α3为给煤机模型的拟合系数；
所述给煤机模型是根据从数据库获取的指定时间范围给煤量和给煤机频率的历史运行数据，并利用机器学习一次多项式算法建立回归模型进行训练得到。
7.一种流化床锅炉燃烧系统，其特征在于，包括权利要求1-6任一项权利要求所述的智能控制装置。
8.一种流化床锅炉，其特征在于，包括锅炉本体，以及如权利要求7所述的流化床锅炉燃烧系统。
CN202310818687.9A 2023-07-05 2023-07-05 一种流化床锅炉燃烧系统的智能控制装置 Active CN116906887B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310818687.9A CN116906887B (zh) 2023-07-05 2023-07-05 一种流化床锅炉燃烧系统的智能控制装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310818687.9A CN116906887B (zh) 2023-07-05 2023-07-05 一种流化床锅炉燃烧系统的智能控制装置

Publications (2)

Publication Number Publication Date
CN116906887A CN116906887A (zh) 2023-10-20
CN116906887B true CN116906887B (zh) 2024-04-02

Family

ID=88359476

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310818687.9A Active CN116906887B (zh) 2023-07-05 2023-07-05 一种流化床锅炉燃烧系统的智能控制装置

Country Status (1)

Country Link
CN (1) CN116906887B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS62178812A (ja) * 1986-01-31 1987-08-05 Mitsubishi Heavy Ind Ltd 高速流動床ボイラの空気分配制御方法
CN101225955A (zh) * 2008-01-31 2008-07-23 云南电力试验研究院（集团）有限公司电力研究院 一种300mw等级循环流化床机组自动控制方法
CN101713536A (zh) * 2009-12-03 2010-05-26 太原理工大学 一种循环流化床锅炉燃烧系统的控制方法
CN101769530A (zh) * 2009-01-05 2010-07-07 华北电力科学研究院有限责任公司 一种双支腿循环流化床机组自动控制方法及其系统
CN104197324A (zh) * 2014-09-24 2014-12-10 北京中科润东节能技术有限公司 流化床锅炉燃烧优化调节控制方法及装置
CN105180175A (zh) * 2015-08-20 2015-12-23 东莞玖龙纸业有限公司 一种流化床垃圾焚烧炉排渣系统及排渣方法
CN207094633U (zh) * 2017-08-02 2018-03-13 浙江富春江环保热电股份有限公司 垃圾焚烧炉炉床压自动控制装置
CN110260356A (zh) * 2019-07-15 2019-09-20 白海波 一种流化床锅炉的节能控制方法
CN116293623A (zh) * 2023-03-14 2023-06-23 北京全应科技有限公司 一种基于能效曲线的锅炉负荷分配方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS62178812A (ja) * 1986-01-31 1987-08-05 Mitsubishi Heavy Ind Ltd 高速流動床ボイラの空気分配制御方法
CN101225955A (zh) * 2008-01-31 2008-07-23 云南电力试验研究院（集团）有限公司电力研究院 一种300mw等级循环流化床机组自动控制方法
CN101769530A (zh) * 2009-01-05 2010-07-07 华北电力科学研究院有限责任公司 一种双支腿循环流化床机组自动控制方法及其系统
CN101713536A (zh) * 2009-12-03 2010-05-26 太原理工大学 一种循环流化床锅炉燃烧系统的控制方法
CN104197324A (zh) * 2014-09-24 2014-12-10 北京中科润东节能技术有限公司 流化床锅炉燃烧优化调节控制方法及装置
CN105180175A (zh) * 2015-08-20 2015-12-23 东莞玖龙纸业有限公司 一种流化床垃圾焚烧炉排渣系统及排渣方法
CN207094633U (zh) * 2017-08-02 2018-03-13 浙江富春江环保热电股份有限公司 垃圾焚烧炉炉床压自动控制装置
CN110260356A (zh) * 2019-07-15 2019-09-20 白海波 一种流化床锅炉的节能控制方法
CN116293623A (zh) * 2023-03-14 2023-06-23 北京全应科技有限公司 一种基于能效曲线的锅炉负荷分配方法

Also Published As

Publication number Publication date
CN116906887A (zh) 2023-10-20

Similar Documents

Publication Publication Date Title
CN110245878B (zh) 智能楼宇群体的分布式综合能源需求响应协同优化方法
CN107023825A (zh) 流化床锅炉控制与燃烧优化系统
US7966080B2 (en) System for optimizing oxygen in a boiler
CN1072369C (zh) 过程自适应控制技术及过程控制系统
CN110571789A (zh) 数据驱动下基于风电不确定性的电热气网三阶段调度方法
WO2024060488A1 (zh) 一种基于深度循环神经网络和进化计算的工业锅炉燃烧优化方法
CA2868093C (en) Steam temperature control using model-based temperature balancing
CN108227488A (zh) 基于滑模预测控制的超超临界火电机组协调控制方法
US20120040298A1 (en) Steam Temperature Control Using Dynamic Matrix Control
CN106019935A (zh) 基于约束模糊关联规则的多目标锅炉燃烧优化
CN106168381A (zh) 锅炉燃烧的控制系统、方法和装置
CN110608444A (zh) 一种基于模型的垃圾焚烧控制系统
CN110017470A (zh) 基于差分进化算法的锅炉燃烧多目标优化控制方法
CN116906887B (zh) 一种流化床锅炉燃烧系统的智能控制装置
CN101676631A (zh) 燃煤锅炉低氮燃烧闭环控制方法
CN112596394A (zh) 热电联产机组电、热负荷调节的协调控制方法及系统
CN112197262A (zh) 一种循环流化床燃煤锅炉智能控制方法
CN112731873A (zh) 高炉联合循环系统与燃烧后碳捕集系统的协调控制方法
CN104566352B (zh) 带指令调节器的循环流化床锅炉一次风机控制方法及系统
CN112611234A (zh) 一种掺烧高炉煤气的煤粉炉智能燃烧优化控制方法
CN110425600B (zh) 炉灶余热利用智能控制装置
CN103299129A (zh) 氧燃烧锅炉的运转控制方法及装置
JP2008267338A (ja) ガスタービンの制御方法およびガスタービン発電装置
CN204063028U (zh) 超临界cfb锅炉床温控制系统
CN113887130A (zh) 一种基于集成学习的工业锅炉运行优化方法

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