CN117273404B - 基于大数据分析的锅炉的自动排程方法 - Google Patents
基于大数据分析的锅炉的自动排程方法 Download PDFInfo
- Publication number
- CN117273404B CN117273404B CN202311552345.3A CN202311552345A CN117273404B CN 117273404 B CN117273404 B CN 117273404B CN 202311552345 A CN202311552345 A CN 202311552345A CN 117273404 B CN117273404 B CN 117273404B
- Authority
- CN
- China
- Prior art keywords
- boiler
- model
- digital twin
- virtual model
- parameter information
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000007405 data analysis Methods 0.000 title claims abstract description 12
- 239000002245 particle Substances 0.000 claims abstract description 36
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 238000012804 iterative process Methods 0.000 claims abstract description 7
- 239000000446 fuel Substances 0.000 claims description 17
- 238000004088 simulation Methods 0.000 claims description 12
- 230000008878 coupling Effects 0.000 claims description 10
- 238000010168 coupling process Methods 0.000 claims description 10
- 238000005859 coupling reaction Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 7
- 238000010438 heat treatment Methods 0.000 claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 description 10
- 238000002485 combustion reaction Methods 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000003546 flue gas Substances 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 206010022000 influenza Diseases 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012916 structural analysis Methods 0.000 description 1
- 238000002076 thermal analysis method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F22—STEAM GENERATION
- F22B—METHODS OF STEAM GENERATION; STEAM BOILERS
- F22B35/00—Control systems for steam boilers
- F22B35/18—Applications of computers to steam boiler control
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06316—Sequencing of tasks or work
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/14—Pipes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Computer Hardware Design (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Primary Health Care (AREA)
- Combustion & Propulsion (AREA)
- Algebra (AREA)
- Chemical & Material Sciences (AREA)
- Mechanical Engineering (AREA)
- Thermal Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Fluid Mechanics (AREA)
Abstract
基于大数据分析的锅炉的自动排程方法，包括：获取多组锅炉信息，以训练启发式优化算法模型；建立锅炉的数字孪生虚拟模型，所述数字孪生虚拟模型能够根据锅炉的参数信息预测锅炉部件的剩余寿命；将数字孪生虚拟模型的结果反馈至启发式优化算法模型的迭代过程中，并结合适应度函数与预设的约束条件，计算出锅炉的排程。本发明考虑到锅炉效率最大化时，其最优解不平滑的特性容易疲劳甚至损坏锅炉中的一些部件，本发明创造性的通过数字孪生虚拟模型去评估粒子群算法中每一次迭代的结果，进而控制粒子群算法的收敛速度与权重因子。
Description
技术领域
本发明属于锅炉安全性检测领域，更具体的，涉及一种基于大数据分析的锅炉的自动排程方法。
背景技术
锅炉，作为工业和商业领域的关键设备，长久以来一直是能源转换和供应系统的核心。它们将化石燃料或其他能源形式转化为蒸汽或热水，为各种工业过程、供暖和动力生成提供能源。随着工业化的进程和技术的发展，锅炉的设计和操作已经取得了很大的进步，特别是在效率、可靠性和环境友好性方面。然而，随着现代工业过程对能源需求的变化，锅炉经常面临负荷突变的挑战。负荷突变是指锅炉在短时间内需要处理的蒸汽或热水需求的急剧变化。这可能是由于生产线的突然启动或停机、设备故障、外部电网的波动或其他突发事件引起的。
在现有技术中，可以采用智能算法，例如粒子群算法可以实现对锅炉的自动排程，然而，当负荷突变的情形下，不难理解的是，算法本身输出的最优解，哪怕是局部最优解，本质上都是凸点，也就是说，最优解本身不够平滑就会导致对锅炉的排程更加极端，进而导致锅炉中的一些部件，例如蛇形管或翅冷壁在刹那间的压力剧增，从而影响其寿命。在效率最大化的前提下，如何确保锅炉的稳定和安全运行，以及如何延长锅炉部件的使用寿命，是一个亟待解决的问题。
发明内容
为解决现有技术中存在的不足，本发明的目的在于解决上述缺陷，进而提出一种基于大数据分析的锅炉的自动排程方法。
本发明采用如下的技术方案。
本发明第一方面公开了一种基于大数据分析的锅炉的自动排程方法，包括步骤1~步骤3；
步骤1，获取多组锅炉信息，以训练启发式优化算法模型；
步骤2，建立锅炉的数字孪生虚拟模型，所述数字孪生虚拟模型能够根据锅炉的参数信息预测锅炉部件的剩余寿命；
步骤3，将数字孪生虚拟模型的结果反馈至启发式优化算法模型的迭代过程中，并结合适应度函数与预设的约束条件，计算出锅炉的排程。
进一步的，锅炉信息包括参数信息与状态信息，参数信息包括锅炉的输出热功率、给水流量、锅炉温度、空气流量、锅炉蒸汽压力；状态信息包括蒸汽的质量流量，蒸汽的出口焓值与入口焓值，燃料的质量流量，燃料的热值。
进一步的，适应度函数为最大化锅炉的效率，如下式所示：
其中，是蒸汽在时间/>的质量流量，/>分别是蒸汽的出口焓值与入口焓值，/>是燃料的质量流量，/>是燃料的热值。
进一步的，步骤2具体包括步骤2.1~步骤2.4；
步骤2.1，构建锅炉的几何模型与物理模型；
步骤2.2，基于锅炉的几何模型与物理模型，构建锅炉的仿真模型；
步骤2.3，基于锅炉的几何模型、物理模型与仿真模型，构建锅炉的数字孪生虚拟模型；
步骤2.4，基于数字孪生虚拟模型，预测锅炉部件的剩余寿命。
进一步的，启发式优化算法模型为粒子群算法，粒子的位置表示锅炉的参数信息；适应度函数为锅炉的效率最大化；粒子的速度表示参数信息的变化率；个体最佳位置和全局最佳位置均表示了在迭代过程中找到的最佳锅炉操作参数。
进一步的，步骤3中，迭代过程具体包括步骤3.1~步骤3.3；
步骤3.1，在每一次迭代过程中，基于数字孪生虚拟模型，计算出粒子的位置对应的风险值；
步骤3.2，依次计算出前后2次迭代中所有粒子的风险值的耦合关联度；
步骤3.3，判断耦合关联度是否大于预设的关联度阈值；若大于，迭代结束。
进一步的，粒子在时间/>对应的风险值/>如下式所示：
其中，表示粒子/>在时间/>的位置/>对应的锅炉的第/>个锅炉部件的剩余寿命，/>是锅炉部件的数量，/>表示第/>个锅炉部件对应的权重系数。
进一步的，耦合关联度如下式所示：
其中，为标准差符号，/>为协方差符号，/>为适应度函数，/>为粒子/>在时间对应的风险值，/>是锅炉的总数量。
本发明第二方面公开了一种终端，包括处理器及存储介质；其特征在于：
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行第一方面所述方法的步骤。
本发明第三方面公开了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现第一方面所述方法的步骤。
本发明的有益效果在于，与现有技术相比，本发明具有以下优点：
本发明考虑到锅炉效率最大化时，其最优解不平滑的特性容易疲劳甚至损坏锅炉中的一些部件，本发明创造性的通过数字孪生虚拟模型去评估粒子群算法中每一次迭代的结果，进而控制粒子群算法的收敛速度与权重因子。
附图说明
图1是一种基于大数据分析的锅炉的自动排程方法的流程图。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本申请的保护范围。
锅炉主要由如下结构组成：燃烧室、燃料供应系统、空气供应系统、烟气排放系统、热交换器、控制系统与安全装置。燃烧室，也叫炉膛，是锅炉的核心部分，其可以根据不同的功能类型而设计成一个特定的形状，用于燃烧燃料并释放热量。燃料供应系统用于将燃料，例如煤、油或天然气，输送到炉膛内进行燃烧。空气供应系统用于为燃烧提供必要的空气，通常包括风机、风道和调节阀。烟气排放系统用于将燃烧后产生的废气从锅炉中排放出去，通常包括烟囱、烟道和其他排放装置。热交换器用于从燃烧产生的热量中提取热能，将其传递给水或其他介质，产生蒸汽或热水。控制系统用于监控和调节锅炉的运行。控制系统可以实时调整燃料和空气的流量、压力和比例，以保持最佳的燃烧状态。安全装置，例如可以是压力释放阀、散热装置等，用于确保锅炉的安全运行。
在工业生产的绝大多数情形下，一个锅炉还需要同时供应多条不同的生产线，因此，锅炉中还包括蒸汽分配系统，用于将热交换器产生的蒸汽分配到各个生产线。可理解的，蒸汽分配系统可以包括：蒸汽主管、分支管、调节阀和隔离阀等。在工业生产中，常会出现如下情形，例如：某条生产线突然增加生产需求，此时需要锅炉迅速的调整排程，加大燃烧功率以满足所有生产线的蒸汽需求；多个锅炉之间协调合作，其中一个锅炉发生临时故障，此时其他锅炉也需要迅速调整排程；外部环境的影响，例如极端温度会导致锅炉的冷却系统受到影响，导致运行效率受到影响。
由于锅炉的参数信息对锅炉部件（例如翅冷壁和蛇形管）的影响是非线性的。事实上，对锅炉部件的寿命的预测方法，基本通过仿真技术，例如数字孪生技术，结合锅炉的参数信息，从而预测锅炉部件的寿命。因此，无法通过建立新的约束条件，例如：限定锅炉的参数信息的范围，以实现安全稳定的运行。
基于此，本发明公开了一种基于大数据分析的锅炉的自动排程方法，如图1所示，包括步骤1~步骤3。
步骤1，获取多组锅炉信息，以训练启发式优化算法模型。
可理解的，一组锅炉信息包括参数信息与状态信息，参数信息可以包括锅炉的输出热功率、给水流量、锅炉温度、空气流量、锅炉蒸汽压力等信息。状态信息可以包括蒸汽的质量流量，蒸汽的出口焓值与入口焓值，燃料的质量流量，燃料的热值等信息。状态信息用于计算适应度函数。
参数信息可以如下式所表示：
其中，为粒子/>在维度/>时间/>的位置，/>为参数信息的数量。/>亦表示粒子/>在时间/>的位置。
在本发明的第一实施例中，该启发式优化算法模型可选择粒子群算法（ParticleSwarm Opitimation，PSO）。在粒子群算法中，粒子的位置可以表示锅炉的一组参数信息。这些参数信息的组合决定了锅炉的运行状态和效率。适应度函数可以是锅炉的效率、蒸汽产量或其他相关的性能指标，在本发明的实施例中，适应度函数即为锅炉的效率最大化，即算法的目标就是最大化这个适应度值。粒子的速度表示上述参数信息的变化率。例如，如果速度是正的，那么燃料供应率可能会增加；如果速度是负的，燃料供应率可能会减少。个体最佳位置和全局最佳位置均表示了在迭代过程中找到的最佳锅炉操作参数。个体最佳位置是每个粒子找到的最佳参数，而全局最佳位置是所有粒子中的最佳参数。权重因子决定了粒子是如何根据其个体最佳位置和全局最佳位置来调整其速度和位置的。在锅炉的优化问题中，我们可以需要根据问题的特性来调整这些权重因子。惯性权重决定了粒子是如何考虑其当前速度来调整其位置的。在锅炉的优化问题中，适当的惯性权重可以帮助算法快速收敛到最佳解。
粒子群算法的位置与速度的更新方程可以如下式所示：
其中，分别为粒子/>在维度/>时间/>与时间/>的速度，分别为粒子/>在维度/>时间/>与时间/>的位置，其中，时间/>应当理解为迭代次数，/>为惯性权重因子，用于控制粒子的当前速度对下一次迭代时速度的影响，分别为个体权重因子和全局权重因子，它们分别控制粒子的个体最佳位置和全局最佳位置对其速度的影响，/>是随机函数，是[0，1]之间的随机数，/>是粒子/>在维度/>的个体最佳位置，/>是维度/>的全局最佳位置，即。
步骤2，建立锅炉的数字孪生虚拟模型，所述数字孪生虚拟模型能够根据锅炉的参数信息预测锅炉部件的剩余寿命。
步骤2具体包括步骤2.1~步骤2.4。
步骤2.1，构建锅炉的几何模型与物理模型。
几何模型是锅炉的三维表示，它详细描述了锅炉的几何形状和尺寸，包括炉膛、燃烧器、锅筒、进气口、出气口等几何组成部分。在某些情况下，可以使用AutoCAD、CATIA等软件构建几何模型，包括定义几何形状、设定边界条件、进行网格划分，以及规定物理属性和材质参数等。
物理模型需要包含锅炉的全部物理属性，如材质特性、结构特性、流体特性等。在某些情形下，可以使用ANSYS、Simulink等软件构建物理模型。
步骤2.2，基于锅炉的几何模型与物理模型，构建锅炉的仿真模型。
仿真模型采用几何模型和物理模型作为基础输入，执行虚拟仿真实验，进而产生仿真的输出结果，这些输出可能包括部件的预期疲劳、磨损状况以及潜在的故障区域。数据模型则利用锅炉内部的实时数据，如效率、工作时长、流量、压差和温度等作为输入，经过处理和整合后，输出实时的数据信息，这些信息可能涵盖了数据趋势、异常情况的检测以及数据的汇总。仿真模型用于进行虚拟的仿真实验，包括但不限于流场分析实验、热力分析实验、结构分析实验等。在一些实施例中，可以使用仿真软件，例如COMSOL multiphysics、OpenFOAM来构建锅炉的仿真模型。
步骤2.3，基于锅炉的几何模型、物理模型与仿真模型，构建锅炉的数字孪生虚拟模型。
数字孪生虚拟模型不仅仅是上述各个模型的简单组合。实际上，它代表了这些模型的深度融合。例如，几何模型产生的数据可能会对物理模型的表现产生影响，同时，数据模型的输出（如实时数据）可能会对仿真模型的参数产生调整。也就是说，各个模型之间存在密切的融合。这种融合方式远超过了单纯的模型组合，这使得数字孪生虚拟模型成功地汇集了各个模型的优势。
步骤2.4，基于数字孪生虚拟模型，预测锅炉部件的剩余寿命。
在一些实施例中，可以借鉴仿真模型中的疲劳损伤累积模型预测锅炉部件的剩余寿命。
步骤3，将数字孪生虚拟模型的结果反馈至启发式优化算法模型的迭代过程中，并结合适应度函数与预设的约束条件，计算出锅炉的排程。
在本发明的实施例中，适应度函数为最大化锅炉的效率，如下式所示：
其中，是蒸汽在时间/>的质量流量，/>分别是蒸汽的出口焓值与入口焓值，/>是燃料的质量流量，/>是燃料的热值。
约束条件用于限定锅炉信息中的参数信息，例如，约束条件可以包括锅炉的最大/最小输出热功率、最大/最小给水流量、最大/最小锅炉温度、最大/最小锅炉蒸汽压力等等。约束条件定义了搜索空间的边界，也就是说，每个粒子的位置必须在这些边界内。此外，以输出热功率为例，可理解的是，约束条件中不单有最大/最小输出热功率，还应当根据生产线中蒸汽的热功率需求，确定锅炉的输出热功率的边界条件，例如：
其中，是锅炉的总数量，/>是生产线的数量，/>表示第/>个锅炉的输出热功率，/>表示第/>个锅炉的热功率需求。
在第一实施例中，步骤3中，迭代过程具体包括步骤3.1~步骤3.3。
步骤3.1，在每一次迭代过程中，基于数字孪生虚拟模型，计算出粒子的位置对应的风险值。
由于锅炉部件的数量可以是多个，粒子的位置对应的锅炉部件的风险值可以是粒子的位置对应的多个锅炉部件的剩余寿命的加权平均值。即粒子在时间/>对应的风险值可以如下式所示：
其中，表示粒子/>在时间/>的位置/>对应的锅炉的第/>个锅炉部件的剩余寿命，/>是锅炉部件的数量，/>表示第/>个锅炉部件对应的权重系数。
步骤3.2，依次计算出前后2次迭代中所有粒子的风险值的耦合关联度。
耦合关联度如下式所示：
其中，为标准差符号，/>为协方差符号，/>为适应度函数。
步骤3.3，判断耦合关联度是否大于预设的关联度阈值；若大于，迭代结束。
也就是说，若大于预设的关联度阈值，迭代应当止步于第/>次迭代，则步骤3的最终输出结果，也就是每一个粒子的位置应当为/>。通过耦合关联度，进而控制迭代方向上对锅炉部件的安全系数，从而控制迭代次数，防止最优解对锅炉部件的损坏。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。
Claims (6)
1.一种基于大数据分析的锅炉的自动排程方法，其特征在于，所述方法包括步骤1~步骤3；
步骤1，获取多组锅炉信息，以训练启发式优化算法模型；
步骤2，建立锅炉的数字孪生虚拟模型，所述数字孪生虚拟模型能够根据锅炉的参数信息预测锅炉部件的剩余寿命；
步骤3，将数字孪生虚拟模型的结果反馈至启发式优化算法模型的迭代过程中，并结合适应度函数与预设的约束条件，计算出锅炉的排程，所述约束条件用于限定锅炉的参数信息的范围；
适应度函数为最大化锅炉的效率，如下式所示：
其中，是蒸汽在时间/>的质量流量，/>分别是蒸汽的出口焓值与入口焓值，是燃料的质量流量，/>是燃料的热值；
步骤3中，迭代过程具体包括步骤3.1~步骤3.3；
步骤3.1，在每一次迭代过程中，基于数字孪生虚拟模型，计算出粒子的位置对应的风险值；
粒子在时间/>对应的风险值/>如下式所示：
其中，表示粒子/>在时间/>的位置/>对应的锅炉的第/>个锅炉部件的剩余寿命，/>是锅炉部件的数量，/>表示第/>个锅炉部件对应的权重系数；
步骤3.2，依次计算出前后2次迭代中所有粒子的风险值的耦合关联度；
步骤3.3，判断耦合关联度是否大于预设的关联度阈值；若大于，迭代结束；
耦合关联度如下式所示：
其中，为标准差符号，/>为协方差符号，/>为适应度函数，/>为粒子/>在时间/>对应的风险值，/>是锅炉的总数量。
2.根据权利要求1所述的一种基于大数据分析的锅炉的自动排程方法，其特征在于，锅炉信息包括参数信息与状态信息，参数信息包括锅炉的输出热功率、给水流量、锅炉温度、空气流量、锅炉蒸汽压力；状态信息包括蒸汽的质量流量，蒸汽的出口焓值与入口焓值，燃料的质量流量，燃料的热值。
3.根据权利要求1所述的一种基于大数据分析的锅炉的自动排程方法，其特征在于，步骤2具体包括步骤2.1~步骤2.4；
步骤2.1，构建锅炉的几何模型与物理模型；
步骤2.2，基于锅炉的几何模型与物理模型，构建锅炉的仿真模型；
步骤2.3，基于锅炉的几何模型、物理模型与仿真模型，构建锅炉的数字孪生虚拟模型；
步骤2.4，基于数字孪生虚拟模型，预测锅炉部件的剩余寿命。
4.根据权利要求1所述的一种基于大数据分析的锅炉的自动排程方法，其特征在于，启发式优化算法模型为粒子群算法，粒子的位置表示锅炉的参数信息；适应度函数为锅炉的效率最大化；粒子的速度表示参数信息的变化率；个体最佳位置和全局最佳位置均表示了在迭代过程中找到的最佳锅炉操作参数。
5.一种终端，包括处理器及存储介质；其特征在于：
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据权利要求1-4任一项所述方法的步骤。
6.计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-4任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311552345.3A CN117273404B (zh) | 2023-11-21 | 2023-11-21 | 基于大数据分析的锅炉的自动排程方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311552345.3A CN117273404B (zh) | 2023-11-21 | 2023-11-21 | 基于大数据分析的锅炉的自动排程方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117273404A CN117273404A (zh) | 2023-12-22 |
| CN117273404B true CN117273404B (zh) | 2024-02-02 |
Family
ID=89219933
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311552345.3A Active CN117273404B (zh) | 2023-11-21 | 2023-11-21 | 基于大数据分析的锅炉的自动排程方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117273404B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113657031A (zh) * | 2021-08-12 | 2021-11-16 | 杭州英集动力科技有限公司 | 基于数字孪生的供热调度自动化实现方法、系统及平台 |
| CN114492191A (zh) * | 2022-01-26 | 2022-05-13 | 浙江英集动力科技有限公司 | 基于dbn-svr的热力站设备剩余寿命评估方法 |
| CN116415479A (zh) * | 2022-02-28 | 2023-07-11 | 长江大学 | 一种基于数字孪生的连续油管疲劳寿命预警方法 |
-
2023
- 2023-11-21 CN CN202311552345.3A patent/CN117273404B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113657031A (zh) * | 2021-08-12 | 2021-11-16 | 杭州英集动力科技有限公司 | 基于数字孪生的供热调度自动化实现方法、系统及平台 |
| CN114492191A (zh) * | 2022-01-26 | 2022-05-13 | 浙江英集动力科技有限公司 | 基于dbn-svr的热力站设备剩余寿命评估方法 |
| CN116415479A (zh) * | 2022-02-28 | 2023-07-11 | 长江大学 | 一种基于数字孪生的连续油管疲劳寿命预警方法 |
Non-Patent Citations (1)
| Title |
|---|
| 数字孪生建模方法及其在热力系统优化运行中的应用研究;高学伟;《 中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117273404A (zh) | 2023-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109190785B (zh) | 一种电热耦合综合能源系统运行优化方法 | |
| 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 | |
| CN106786509A (zh) | 大规模风电并网下基于多场景模拟的热‑电联合调度方法 | |
| CN113255198A (zh) | 一种含虚拟储能的冷热电联供微电网多目标优化方法 | |
| CN117273404B (zh) | 基于大数据分析的锅炉的自动排程方法 | |
| CN105551551A (zh) | 一种不需要常规岛投入的池式钠冷快堆低功率运行方法 | |
| Rao et al. | Design optimization of rotary regenerator using artificial bee colony algorithm | |
| CN112950409A (zh) | 煤气和蒸汽能源综合利用系统生产调度优化方法 | |
| Zhang et al. | Multi-objective optimization for operational parameters of a micro-turbine CCHP system based on genetic algorithm | |
| CN109241676B (zh) | 综合能源系统中热网及建筑物时间分辨率的选择方法 | |
| CN114285037B (zh) | 一种区域电-气综合能源系统控制参数稳定域确定方法 | |
| Bagade et al. | Trigeneration systems: a review | |
| US20140137555A1 (en) | Method and apparatus for electric co-firing of power generation plants | |
| CN116306194A (zh) | 基于多目标优化理论的综合能源系统能效优化配置方法 | |
| Fu et al. | Using molten-salt energy storage to decrease the minimum operation load of the coal-fired power plant | |
| Danti et al. | Performance analysis of an optimization management algorithm on a multi-generation small size power plant | |
| WO2012120555A1 (ja) | 太陽熱利用ガスタービンシステム | |
| KR101778599B1 (ko) | 건물 태양열시스템 최적화 설계방법 | |
| CN113190975B (zh) | 计及热量非对称热损的随机电热耦合系统优化调度方法 | |
| Tsoutsanis | A Dynamic Performance Model for Hybrid Wind/Gas Power Plants | |
| CN113139330B (zh) | 一种基于改进型遗传算法的核电厂冷链系统配置方法 | |
| Iora et al. | Dynamic analysis of off-grid systems with ORC plants adopting various solution for the thermal storage | |
| CN116960959B (zh) | 多目标约束下客户侧综合能源系统运行优化方法及系统 | |
| Zhou et al. | A robust optimization method for IES with adjustable degree of conservation | |
| Zan et al. | Stochastic distribution control of temperature field in tangential circle combustion of boiler |
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 |