CN117213583A - 一种火力发电输煤系统原煤仓煤位测量方法 - Google Patents

Abstract

本发明涉及一种火力发电输煤系统原煤仓煤位测量方法，当给煤机、磨煤机运行，犁煤器未运行，既磨组运行并未上煤时，包括：判断超声波料位计当前测量值H_t是否大于椎体部分高度,既H_t＞H‑H1时，原煤仓煤量高度H₀＝H_t；其中，H为原煤仓总高度，H1为圆形部分高度；当声波料位计当前测量值不大于椎体部分高度时，H_t≤H‑H1+Δ时，计算声波料位计当前测量值H_T与前一时刻测量值H_T‑1的差值ΔH，ΔH＝H_T‑H_T‑1；建立原煤仓椎体部分煤位变化量神经网络预测模型，预测时间段T内煤位变化率H_Δ；基于声波料位计当前测量值与前一时刻测量值的差值，以及神经网络预测模型预测时间段T内煤位变化率，计算原煤仓煤量高度。本发明能够防止原煤仓煤位跳变、失真，提高其稳定性。

Description

一种火力发电输煤系统原煤仓煤位测量方法

技术领域

本发明属于火力发电技术领域，尤其涉及一种火力发电输煤系统原煤仓煤位测量方法。

背景技术

火力发电输煤系统主要任务是卸煤、储煤、上煤和配煤。储存在煤场的煤通过输煤皮带经过碎煤机等转运站，分配到各个原煤仓中，再经过给煤机、磨煤机进入炉膛燃烧。因此，原煤仓煤位是输煤系统中的重要参数，原煤仓煤位准确性、稳定性关系到制粉系统、甚至整个机组安全运行。

目前大部分火力发电厂输煤系统原煤仓煤位采用超声波测量，但超声波测量容易受粉尘影响，尤其原煤仓煤位进入椎体部分时，扬尘增加，导致测量精度下降，经常发生跳变、失真等现象。

发明内容

本发明的目的是提供一种火力发电输煤系统原煤仓煤位测量方法，以解决原煤仓煤位进入椎体部分时测量不准问题，防止原煤仓煤位跳变、失真，提高其稳定性。

本发明提供一种火力发电输煤系统原煤仓煤位测量方法，当给煤机、磨煤机运行，犁煤器未运行，既磨组运行并未上煤时，包括如下步骤：

步骤1，判断超声波料位计当前测量值H_t是否大于椎体部分高度,既H_t＞H-H1时，原煤仓煤量高度H₀＝H_t；其中，H为原煤仓总高度，H1为圆形部分高度；

步骤2，当声波料位计当前测量值不大于椎体部分高度时，H_t≤H-H1+Δ时，Δ为裕量，根据实际情况设置，计算声波料位计当前测量值H_T与前一时刻测量值H_T-1的差值ΔH，ΔH＝H_T-H_T-1；

步骤3，建立原煤仓椎体部分煤位变化量神经网络预测模型，预测时间段T内煤位变化率H_Δ；

步骤4，基于声波料位计当前测量值与前一时刻测量值的差值，以及神经网络预测模型预测时间段T内煤位变化率，计算原煤仓煤量高度：

当0＜ΔH＜H_Δ，原煤仓煤量高度H₀＝H_T＝H_T-1-ΔH；

当0＞ΔH或ΔH≥H_Δ，原煤仓煤量高度H₀＝H_T＝H_T-1-H_Δ。

进一步地，步骤3中所述原煤仓椎体部分煤位变化量神经网络预测模型的建立方法如下：

1)根据原煤仓椎体部分煤位工艺特性，确定神经网络预测模型输入变量和输出变量；所述输入变量包括机组实际负荷、对应给煤机燃料量、对应给煤机转速、对应给煤机电流、对应磨煤机一次风量，所述输出参数为原煤仓椎体部分煤位变化量；

2)确定神经网络预测模型结构，包括：

建立具有J个输入参数(u1，u2,…,uJ)和一个输出参数y的非线性自回归滑动平均预测模型结构，且设定模型在T时刻的输出参数y(T)与模型各输入参数ui在T时刻和过去n个时刻的值ui(T)、ui(T-1)，…,ui(T-n)及输出参数y在过去m个时刻的值y(T-1),y(T-2),…,y(T-m)相关，其结构的具体表达式为：

y(T)＝g[y(T-1),...,y(T-m)；u₁(T),u₁(T-1)...,u₁(T-n)；...；u_J(T),u_J(T-1)...,u_J(T-n)]；

3)从现场DCS系统获取机组的历史运行数据，从中选取用于神经网络预测模型建立和验证的样本数据；所述样本数据包括机组启停工况及额定负荷期间的典型稳态工况，以及多个升降负荷周期的动态过渡工况，且保证建模所需各变量均充分地激励；从DCS历史运对模型训练样本输入、输出进行归一化处理，并采用归一化后的样本训练模型，再将模型输出反归一得到实际工程单位的变量值，具体的归一化公式为：

Y＝(Y_max-Y_min)*(x-x_min)/(x_max-x_min)+Y_min；

式中：x，Y分别为参数的实际值和标称值，xmin、xmax分别为训练样本集数据中参数x的最小值和最大值，Ymin、Ymax分别为归一化处理后参数的最小值和最大值；

4)模型训练，确定最优模型及参数，包括：

分别针对不同输入、输出时延阶次n、m取值，通过比较具有不同隐层单元数神经网络模型的收敛性能，确定隐层神经元个数，具体包括：依次增加隐层神经元个数，对具有不同隐层单元数的模型，设置同样的训练周期、训练方法、训练参数及最小均方误差指标，分别对各模型进行训练，比较训练完成后各模型输出在整个训练样本集的MSE，在满足MSE精度指标的前提下，选择隐层单元较少的模型为优化的模型结构，最终建立满足MSE指标的n*m个模型；

在不同n、m取值的共n*m个模型均训练完成后，选取与训练样本不同的历史数据，对训练好的模型进行测试，对不同模型的输出预测值和样本实际值进行比较，采用预测数据的最大误差绝对值、平均绝对误差、均方误差评估模型的预测性能，确定模型的最优时延阶次n、m取值，从而找到最优的模型结构。

借由上述方案，通过火力发电输煤系统原煤仓煤位测量方法，能够防止原煤仓煤位跳变、失真，提高其稳定性。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。

附图说明

图1是本发明火力发电输煤系统原煤仓煤位测量方法中原煤仓示意图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

参图1所示，本实施例提供了一种火力发电输煤系统原煤仓煤位测量方法，为了准确测量原煤仓实际高度进行如下步骤，该测量方法前提条件为给煤机、磨煤机运行，犁煤器未运行，既磨组运行并未上煤时，包括如下步骤：

步骤1，判断超声波料位计当前测量值H_t是否大于椎体部分高度,既H_t＞H-H1时，原煤仓煤量高度H₀＝H_t；其中，H为原煤仓总高度，H1为圆形部分高度；

步骤2，当声波料位计当前测量值不大于椎体部分高度时，H_t≤H-H1+Δ时，Δ为裕量，根据实际情况设置，计算声波料位计当前测量值H_T与前一时刻测量值H_T-1的差值ΔH，ΔH＝H_T-H_T-1；

步骤3，建立原煤仓椎体部分煤位变化量神经网络预测模型，预测时间段T内煤位变化率H_Δ；

步骤4，基于声波料位计当前测量值与前一时刻测量值的差值，以及神经网络预测模型预测时间段T内煤位变化率，计算原煤仓煤量高度：

当0＜ΔH＜H_Δ，原煤仓煤量高度H₀＝H_T＝H_T-1-ΔH；

当0＞ΔH或ΔH≥H_Δ，原煤仓煤量高度H₀＝H_T＝H_T-1-H_Δ。

具体地，步骤3中所述原煤仓椎体部分煤位变化量神经网络预测模型的建立方法如下：

1)根据原煤仓椎体部分煤位工艺特性，确定神经网络预测模型输入变量和输出变量；所述输入变量包括机组实际负荷、对应给煤机燃料量、对应给煤机转速、对应给煤机电流、对应磨煤机一次风量，所述输出参数为原煤仓椎体部分煤位变化量；并核实模型建立所需现场原始信号的准确性及工程单位，涉及到的主要变量如下表所示(根据锅炉型号制粉系统不同，不限于此)。

输入，输出变量为如下表：

2)确定神经网络预测模型结构：

在建立模型时，并非直接利用上述5个输入参数、1个输出参数来建模，而是以前向多阶层神经网络(如BP神经网络)为基础，建立具有J个输入参数(u1，u2,…,uJ)和一个输出参数y的非线性自回归滑动平均(NARMA)预测模型结构，且设定模型在T时刻的输出参数y(T)与模型各输入参数ui在T时刻和过去n个时刻的值ui(T)、ui(T-1)，…,ui(T-n)及输出参数y在过去m个时刻的值y(T-1),y(T-2),…,y(T-m)相关，其结构的具体表达式为：

y(T)＝g[y(T-1),...,y(T-m)；u₁(T),u₁(T-1)...,u₁(T-n)；...；u_J(T),u_J(T-1)...,u_J(T-n)]；

上述模型采用神经网络具体实现时，建立的模型具有与被建模非线性系统相同的结构，即：

这里，n、m具体取值根据对象的特性，经模型优化实验后确定。

3)从现场DCS系统获取机组的历史运行数据，从中选取用于神经网络预测模型建立和验证的样本数据；所述样本数据包括机组启停工况及额定负荷期间的典型稳态工况，以及多个升降负荷周期的动态过渡工况，且保证建模所需各变量均充分地激励；从DCS历史运对模型训练样本输入、输出进行归一化处理，并采用归一化后的样本训练模型，再将模型输出反归一得到实际工程单位的变量值，具体的归一化公式为：

Y＝(Y_max-Y_min)*(x-x_min)/(x_max-x_min)+Y_min；

式中：x，Y分别为参数的实际值和标称值，xmin、xmax分别为训练样本集数据中参数x的最小值和最大值，Ymin、Ymax分别为归一化处理后参数的最小值和最大值；

4)模型训练，确定最优模型及参数，包括：

分别针对不同输入、输出时延阶次n、m取值，通过比较具有不同隐层单元数神经网络模型的收敛性能，确定隐层神经元个数，具体包括：依次增加隐层神经元个数，对具有不同隐层单元数的模型，设置同样的训练周期、训练方法、训练参数及最小均方误差指标，分别对各模型进行训练，比较训练完成后各模型输出在整个训练样本集的MSE，在满足MSE精度指标的前提下，选择隐层单元较少的模型为优化的模型结构，最终建立满足MSE指标的n*m个模型；

在不同n、m取值的共n*m个模型均训练完成后，选取与训练样本不同的历史数据，对训练好的模型进行测试，对不同模型的输出预测值和样本实际值进行比较，采用预测数据的最大误差绝对值、平均绝对误差、均方误差评估模型的预测性能，确定模型的最优时延阶次n、m取值，从而找到最优的模型结构。

本实施例中，用训练样本集对模型进行训练，并采用与训练样本不同的验证样本集完成模型的检验。根据实验结果，反复优化模型的结构和参数，保证模型具有较高的预测精度和良好的泛化能力。应注意，模型检验时验证样本集的各输入、输出参数应采用训练集数据各变量的最小值和最大值进行归一和反归一处理。

模型训练的基本原理是基于误差反向传播(BP)算法。该算法分为正向传播和反向传播两个阶段。以上述模型为例，正向传播阶段从样本集中取第i个样本[Ne,Bf,Fa,ZS,A]i，将Xi＝[Ne,Bf,Fa,ZS,A]i输入网络，计算相应的实际输出Oi。反向传播阶段计算实际输出Oi与相应的样本输出T1i的差，并按极小化网络模型输出误差MSE的方式调整神经网络权值矩阵。设模型样本集共包含s组输出样本对,则负荷预测模型在整个样本集上的均方误差MSE定义如下：

采用BP算法训练模型的信息正向传播与误差反向传播的各层权值调整的过程是针对样本集周而复始进行的，直到网络输出的误差MSE减小到可以接受的程度，或达到预先设定的学习次数为止。

为提高网络收敛速度，防止训练陷入局部最小，以BP算法为基础，出现了多种改进算法，其中，L-M(Levenberg-Marquardt)优化算法(trainlm)与其他误差梯度算法相比，具有最快的收敛速度，因此，这里选用L-M算法为模型的训练算法。

借助Matlab和神经网络工具箱利用newff函数创建机组负荷的预测模型，网络选取具有1个输入层、1个隐含层和1个输出层的3层结构，隐层激励函数选用tansig，输出层激励函数选用purelin。当模型的输入输出变量和网络结构确定后,采用NARMA模型建立负荷预测神经网络模型的主要任务是优化输入、输出时延的阶次n、m以及合理确定神经网络的隐层接点、权值矩阵、阈值等参数。

这里，神经网络模型优化分为离线训练和离线校验两个阶段。第一阶段：采用训练样本集分别针对不同输入、输出时延阶次n、m取值，比较具有不同隐层单元数神经网络模型的收敛性能，确定合适的隐层神经元个数，建立满足MSE指标的n*m个模型。第二阶段在不同n、m取值的共n*m个模型均训练完成后，利用与训练样本集不同的校验样本对模型进行进一步校验，对不同情况下模型的预测精度进行比较，确定模型的最优时延阶次n、m取值，找到最优的模型结构。

通过该火力发电输煤系统原煤仓煤位测量方法，能够防止原煤仓煤位跳变、失真，提高其稳定性。

以上所述仅是本发明的优选实施方式，并不用于限制本发明，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (2)

1.一种火力发电输煤系统原煤仓煤位测量方法，其特征在于，当给煤机、磨煤机运行，犁煤器未运行，既磨组运行并未上煤时，包括如下步骤：

步骤1，判断超声波料位计当前测量值H_t是否大于椎体部分高度,既H_t＞H-H1时，原煤仓煤量高度H₀＝H_t；其中，H为原煤仓总高度，H1为圆形部分高度；

步骤2，当声波料位计当前测量值不大于椎体部分高度时，H_t≤H-H1+Δ时，Δ为裕量，根据实际情况设置，计算声波料位计当前测量值H_T与前一时刻测量值H_T-1的差值ΔH，ΔH＝H_T-H_T-1；

步骤3，建立原煤仓椎体部分煤位变化量神经网络预测模型，预测时间段T内煤位变化率H_Δ；

步骤4，基于声波料位计当前测量值与前一时刻测量值的差值，以及神经网络预测模型预测时间段T内煤位变化率，计算原煤仓煤量高度：

当0＜ΔH＜H_Δ，原煤仓煤量高度H₀＝H_T＝H_T-1-ΔH；

当0＞ΔH或ΔH≥H_Δ，原煤仓煤量高度H₀＝H_T＝H_T-1-H_Δ。

2.根据权利要求1所述的火力发电输煤系统原煤仓煤位测量方法，其特征在于，步骤3中所述原煤仓椎体部分煤位变化量神经网络预测模型的建立方法如下：

1)根据原煤仓椎体部分煤位工艺特性，确定神经网络预测模型输入变量和输出变量；所述输入变量包括机组实际负荷、对应给煤机燃料量、对应给煤机转速、对应给煤机电流、对应磨煤机一次风量，所述输出参数为原煤仓椎体部分煤位变化量；

2)确定神经网络预测模型结构，包括：

建立具有J个输入参数(u1，u2,…,uJ)和一个输出参数y的非线性自回归滑动平均预测模型结构，且设定模型在T时刻的输出参数y(T)与模型各输入参数ui在T时刻和过去n个时刻的值ui(T)、ui(T-1)，…,ui(T-n)及输出参数y在过去m个时刻的值y(T-1),y(T-2),…,y(T-m)相关，其结构的具体表达式为：

y(T)＝g[y(T-1),...,y(T-m)；u₁(T),u₁(T-1)...,u₁(T-n)；...；u_J(T),u_J(T-1)...,u_J(T-n)]；

3)从现场DCS系统获取机组的历史运行数据，从中选取用于神经网络预测模型建立和验证的样本数据；所述样本数据包括机组启停工况及额定负荷期间的典型稳态工况，以及多个升降负荷周期的动态过渡工况，且保证建模所需各变量均充分地激励；从DCS历史运对模型训练样本输入、输出进行归一化处理，并采用归一化后的样本训练模型，再将模型输出反归一得到实际工程单位的变量值，具体的归一化公式为：

Y＝(Y_max-Y_min)*(x-x_min)/(x_max-x_min)+Y_min；

式中：x，Y分别为参数的实际值和标称值，xmin、xmax分别为训练样本集数据中参数x的最小值和最大值，Ymin、Ymax分别为归一化处理后参数的最小值和最大值；

4)模型训练，确定最优模型及参数，包括：

分别针对不同输入、输出时延阶次n、m取值，通过比较具有不同隐层单元数神经网络模型的收敛性能，确定隐层神经元个数，具体包括：依次增加隐层神经元个数，对具有不同隐层单元数的模型，设置同样的训练周期、训练方法、训练参数及最小均方误差指标，分别对各模型进行训练，比较训练完成后各模型输出在整个训练样本集的MSE，在满足MSE精度指标的前提下，选择隐层单元较少的模型为优化的模型结构，最终建立满足MSE指标的n*m个模型；

在不同n、m取值的共n*m个模型均训练完成后，选取与训练样本不同的历史数据，对训练好的模型进行测试，对不同模型的输出预测值和样本实际值进行比较，采用预测数据的最大误差绝对值、平均绝对误差、均方误差评估模型的预测性能，确定模型的最优时延阶次n、m取值，从而找到最优的模型结构。