CN117803945A - 基于深度调峰工况的风煤调节方法 - Google Patents

Abstract

本发明公开了基于深度调峰工况的风煤调节方法，用于风煤调节领域，该调节方法包括以下步骤：数据收集和处理，收集历史工况数据，包括煤粉需求量、风煤比和燃烧效率参数；建立预测模型，使用长短期记忆网络(LSTM)对预处理后的历史数据进行训练，建立预测模型；建立调整模型，使用PID控制器对预测模型的输出结果和实际燃烧状况进行实时调整。本发明通过预测未来的煤粉需求量、风煤比和燃烧效率，以及实时调整风煤比例，可以实现风煤比例的快速响应和精确控制，通过引入前馈控制系统和自适应控制算法，可以提高系统的响应速度和调节精度，相比传统采用固定的风煤比或根据经验进行调整，更加能够适应不同工况下的风煤调节需求。

Description

基于深度调峰工况的风煤调节方法

技术领域

本发明涉及风煤调节领域，具体来说，尤其涉及基于深度调峰工况的风煤调节方法。

背景技术

深度调峰工况下的风煤调节是一个复杂的系统工程问题，需要同时考虑燃烧效率、污染物排放和设备安全等多个因素；

传统的风煤调节方法通常采用固定的风煤比或根据经验进行调整，难以适应不同工况下的变化需求；

为此，本案提出一种基于深度调峰工况的风煤调节方法，已解决传统风煤套接方法中的不足之处

发明内容

为了克服以上问题，本发明旨在提出基于深度调峰工况的风煤调节方法，目的在于解决传统的风煤调节方法通常采用固定的风煤比或根据经验进行调整，难以适应不同工况下的变化需求问题。

为此，本发明采用的具体技术方案如下：

根据本发明的一个方面，提供了基于深度调峰工况的风煤调节方法，该调节方法包括以下步骤：

S1、数据收集和处理，收集历史工况数据，包括煤粉需求量、风煤比和燃烧效率参数；

S2、建立预测模型，使用长短期记忆网络(LSTM)对预处理后的历史数据进行训练，建立预测模型；

S3、建立调整模型，使用PID控制器对预测模型的输出结果和实际燃烧状况进行实时调整，建立风煤比例的调整模型；

S4、实施风煤调节，通过S3中得到的调整模型，进行风煤调整工作；

S5、优化风煤调节，对风煤调节工作进行二次优化。

可选地，所述数据收集和处理，收集历史工况数据，包括煤粉需求量、风煤比和燃烧效率参数，并对收集到的数据进行预处理，包括数据清洗、归一化操作，以便用于模型训练。

可选地，所述使用长短期记忆网络(LSTM)对预处理后的历史数据进行训练，建立预测模型，该模型的输入为当前工况数据和过去时间的工况数据，输出为未来的煤粉需求量、风煤比和燃烧效率预测值。

可选地，所述长短记忆网络(LSTM)算法公式如下：

LSTM模型结构由输入门、遗忘门、输出门和候选细胞状态组成，在时刻t，输入门控激活函数为ft，遗忘门控激活函数为ft，输出门控激活函数为ht，候选细胞状态为ct，则有：

ft＝σ(Wf*[ht-1,xt]+bf)

ft＝σ(Wf*[ht-1,xt]+bf)

ht＝φ(Wh*[ht-1,xt]+bh)

ct＝ftct-ftc0

其中，Wf和bf是遗忘门的权重和偏置，Wh和bh是输出门的权重和偏置，φ是sigmoid函数。

可选地，所述使用PID控制器对预测模型的输出结果和实际燃烧状况进行实时调整，建立风煤比例的调整模型，PID控制器根据预测模型的输出结果和实际燃烧状况的差异，实时调整风煤比例，以实现深度调峰。

可选地，所述PID控制器控制方式如下：

PID控制器的参数包括比例增益P、积分增益I和微分增益D，在时刻t，PID控制器的输入为实际燃烧状况与预测值的误差e(t)，输出为控制增量Δu(t)，则有：

P{k}＝Kpe(k)+Ki∫e(k)dt+Kd*de(k)/dt

其中，Kp、Ki和Kd分别是比例增益、积分增益和微分增益，e(k)表示在时刻k的误差，∫e(k)dt表示误差的积分。

可选地，所述实施风煤调节具体过程如下：

S41、通过传感器实时监测燃烧状况，包括炉膛温度、烟气含氧量、飞灰含碳量参数。

S41、将传感器监测到的参数转化为电信号，输入到调节器中；

S42、调节器根据电信号和预设的风煤比例，通过PID控制算法计算出需要调整的风煤比例；

S43、将计算出的风煤比例通过执行器进行调整，通过调节风门开度和给煤机转速来改变风煤比例，以实现燃烧状况的优化调节。

可选地，所述对风煤调节工作进行二次优化具体过程如下：

S51、通过传感器实时监测燃烧状况，包括炉膛温度、烟气含氧量、飞灰含碳量参数，并同时监控风煤比例的实时变化；

S51、将传感器监测到的参数转化为电信号，输入到调节器中；

S52、调节器根据电信号和预设的风煤比例，通过PID控制算法计算出需要调整的风煤比例，并考虑风煤比例的变化趋势；

S53、将计算出的风煤比例通过执行器进行调整，通过调节风门开度和给煤机转速来改变风煤比例，以实现燃烧状况的优化调节；

S54、引入前馈控制系统，根据预测模型输出的未来煤粉需求量、风煤比和燃烧效率预测值，提前进行风煤比例的调整，以实现更快的响应速度和更精确的控制精度；

S55、引入自适应控制算法，根据系统的实际运行情况自动调整PID控制器的参数，以适应不同工况下的风煤调节需求。

相较于现有技术，本申请具有以下有益效果：

本发明通过预测未来的煤粉需求量、风煤比和燃烧效率，以及实时调整风煤比例，可以实现风煤比例的快速响应和精确控制；

通过引入前馈控制系统和自适应控制算法，可以提高系统的响应速度和调节精度，相比传统采用固定的风煤比或根据经验进行调整，更加能够适应不同工况下的风煤调节需求。

附图说明

结合实施例的以下描述，本发明的上述特性、特征和优点及其实现方式和方法变得更明白易懂，实施例结合附图详细阐述。在此以示意图示出：

图1是根据本发明实施例的基于深度调峰工况的风煤调节方法的流程。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

根据本发明的实施例，提供了基于深度调峰工况的风煤调节方法。

现结合附图和具体实施方式对本发明进一步说明，如图1所示，根据本发明的一个实施例，提供了基于深度调峰工况的风煤调节方法，该调节方法包括以下步骤：

S1、数据收集和处理，收集历史工况数据，包括煤粉需求量、风煤比和燃烧效率参数；

S2、建立预测模型，使用长短期记忆网络(LSTM)对预处理后的历史数据进行训练，建立预测模型；

S3、建立调整模型，使用PID控制器对预测模型的输出结果和实际燃烧状况进行实时调整，建立风煤比例的调整模型；

S4、实施风煤调节，通过S3中得到的调整模型，进行风煤调整工作；

实施风煤调节具体过程如下：

S41、通过传感器实时监测燃烧状况，包括炉膛温度、烟气含氧量、飞灰含碳量参数。

S41、将传感器监测到的参数转化为电信号，输入到调节器中；

S42、调节器根据电信号和预设的风煤比例，通过PID控制算法计算出需要调整的风煤比例；

S43、将计算出的风煤比例通过执行器进行调整，通过调节风门开度和给煤机转速来改变风煤比例，以实现燃烧状况的优化调节；

S5、优化风煤调节，对风煤调节工作进行二次优化。

对风煤调节工作进行二次优化具体过程如下：

S51、通过传感器实时监测燃烧状况，包括炉膛温度、烟气含氧量、飞灰含碳量参数，并同时监控风煤比例的实时变化；

S51、将传感器监测到的参数转化为电信号，输入到调节器中；

S52、调节器根据电信号和预设的风煤比例，通过PID控制算法计算出需要调整的风煤比例，并考虑风煤比例的变化趋势；

S53、将计算出的风煤比例通过执行器进行调整，通过调节风门开度和给煤机转速来改变风煤比例，以实现燃烧状况的优化调节；

S54、引入前馈控制系统，根据预测模型输出的未来煤粉需求量、风煤比和燃烧效率预测值，提前进行风煤比例的调整，以实现更快的响应速度和更精确的控制精度；

S55、引入自适应控制算法，根据系统的实际运行情况自动调整PID控制器的参数，以适应不同工况下的风煤调节需求。

数据收集和处理，收集历史工况数据，包括煤粉需求量、风煤比和燃烧效率参数，并对收集到的数据进行预处理，包括数据清洗、归一化操作，以便用于模型训练。

使用长短期记忆网络(LSTM)对预处理后的历史数据进行训练，建立预测模型，该模型的输入为当前工况数据和过去时间的工况数据，输出为未来的煤粉需求量、风煤比和燃烧效率预测值。

长短记忆网络(LSTM)算法公式如下：

LSTM模型结构由输入门、遗忘门、输出门和候选细胞状态组成，在时刻t，输入门控激活函数为ft，遗忘门控激活函数为ft，输出门控激活函数为ht，候选细胞状态为ct，则有：

ft＝σ(Wf*[ht-1,xt]+bf)

ft＝σ(Wf*[ht-1,xt]+bf)

ht＝φ(Wh*[ht-1,xt]+bh)

ct＝ftct-ftc0

其中，Wf和bf是遗忘门的权重和偏置，Wh和bh是输出门的权重和偏置，φ是sigmoid函数。

使用PID控制器对预测模型的输出结果和实际燃烧状况进行实时调整，建立风煤比例的调整模型，PID控制器根据预测模型的输出结果和实际燃烧状况的差异，实时调整风煤比例，以实现深度调峰。

PID控制器控制方式如下：

PID控制器的参数包括比例增益P、积分增益I和微分增益D，在时刻t，PID控制器的输入为实际燃烧状况与预测值的误差e(t)，输出为控制增量Δu(t)，则有：

P{k}＝Kpe(k)+Ki∫e(k)dt+Kd*de(k)/dt

其中，Kp、Ki和Kd分别是比例增益、积分增益和微分增益，e(k)表示在时刻k的误差，∫e(k)dt表示误差的积分。

虽然本发明已以较佳实施例揭示如上，然所述实施例仅为了便于说明而举例而已，并非用以限定本发明，本领域的技术人员在不脱离本发明精神和范围的前提下可作若干的更动与润饰，本发明所主张的保护范围应以权利要求书所述为准。

Claims (8)

1.基于深度调峰工况的风煤调节方法，其特征在于，该调节方法包括以下步骤：

S1、数据收集和处理，收集历史工况数据，包括煤粉需求量、风煤比和燃烧效率参数；

S2、建立预测模型，使用长短期记忆网络(LSTM)对预处理后的历史数据进行训练，建立预测模型；

S3、建立调整模型，使用PID控制器对预测模型的输出结果和实际燃烧状况进行实时调整，建立风煤比例的调整模型；

S4、实施风煤调节，通过S3中得到的调整模型，进行风煤调整工作；

S5、优化风煤调节，对风煤调节工作进行二次优化。

2.根据权利要求1所述的基于深度调峰工况的风煤调节方法，其特征在于，所述数据收集和处理，收集历史工况数据，包括煤粉需求量、风煤比和燃烧效率参数，并对收集到的数据进行预处理，包括数据清洗、归一化操作，以便用于模型训练。

3.根据权利要求1所述的基于深度调峰工况的风煤调节方法，其特征在于，所述使用长短期记忆网络(LSTM)对预处理后的历史数据进行训练，建立预测模型，该模型的输入为当前工况数据和过去时间的工况数据，输出为未来的煤粉需求量、风煤比和燃烧效率预测值。

4.根据权利要求3所述的基于深度调峰工况的风煤调节方法，其特征在于，所述长短记忆网络(LSTM)算法公式如下：

LSTM模型结构由输入门、遗忘门、输出门和候选细胞状态组成，在时刻t，输入门控激活函数为ft，遗忘门控激活函数为ft，输出门控激活函数为ht，候选细胞状态为ct，则有：

ft＝σ(Wf*[ht-1,xt]+bf)

ft＝σ(Wf*[ht-1,xt]+bf)

ht＝φ(Wh*[ht-1,xt]+bh)

ct＝ftct-ftc0

其中，Wf和bf是遗忘门的权重和偏置，Wh和bh是输出门的权重和偏置，φ是sigmoid函数。

5.根据权利要求1所述的基于深度调峰工况的风煤调节方法，其特征在于，所述使用PID控制器对预测模型的输出结果和实际燃烧状况进行实时调整，建立风煤比例的调整模型，PID控制器根据预测模型的输出结果和实际燃烧状况的差异，实时调整风煤比例，以实现深度调峰。

6.根据权利要求5所述的基于深度调峰工况的风煤调节方法，其特征在于，所述PID控制器控制方式如下：

PID控制器的参数包括比例增益P、积分增益I和微分增益D，在时刻t，PID控制器的输入为实际燃烧状况与预测值的误差e(t)，输出为控制增量Δu(t)，则有：

P{k}＝Kpe(k)+Ki∫e(k)dt+Kd*de(k)/dt

其中，Kp、Ki和Kd分别是比例增益、积分增益和微分增益，e(k)表示在时刻k的误差，∫e(k)dt表示误差的积分。

7.根据权利要求1所述的基于深度调峰工况的风煤调节方法，其特征在于，所述实施风煤调节具体过程如下：

S41、通过传感器实时监测燃烧状况，包括炉膛温度、烟气含氧量、飞灰含碳量参数。

S41、将传感器监测到的参数转化为电信号，输入到调节器中；

S42、调节器根据电信号和预设的风煤比例，通过PID控制算法计算出需要调整的风煤比例；

S43、将计算出的风煤比例通过执行器进行调整，通过调节风门开度和给煤机转速来改变风煤比例，以实现燃烧状况的优化调节。

8.根据权利要求1所述的基于深度调峰工况的风煤调节方法，其特征在于，所述对风煤调节工作进行二次优化具体过程如下：

S51、通过传感器实时监测燃烧状况，包括炉膛温度、烟气含氧量、飞灰含碳量参数，并同时监控风煤比例的实时变化；

S51、将传感器监测到的参数转化为电信号，输入到调节器中；

S52、调节器根据电信号和预设的风煤比例，通过PID控制算法计算出需要调整的风煤比例，并考虑风煤比例的变化趋势；

S53、将计算出的风煤比例通过执行器进行调整，通过调节风门开度和给煤机转速来改变风煤比例，以实现燃烧状况的优化调节；

S54、引入前馈控制系统，根据预测模型输出的未来煤粉需求量、风煤比和燃烧效率预测值，提前进行风煤比例的调整，以实现更快的响应速度和更精确的控制精度；

S55、引入自适应控制算法，根据系统的实际运行情况自动调整PID控制器的参数，以适应不同工况下的风煤调节需求。