CN117869930B - 用于燃煤锅炉宽负荷范围稳燃的多变量控制方法及装置 - Google Patents
用于燃煤锅炉宽负荷范围稳燃的多变量控制方法及装置 Download PDFInfo
- Publication number
- CN117869930B CN117869930B CN202410137010.3A CN202410137010A CN117869930B CN 117869930 B CN117869930 B CN 117869930B CN 202410137010 A CN202410137010 A CN 202410137010A CN 117869930 B CN117869930 B CN 117869930B
- Authority
- CN
- China
- Prior art keywords
- boiler
- combustion
- coal
- power plant
- fired
- 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
- 238000002485 combustion reaction Methods 0.000 title claims abstract description 271
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000004044 response Effects 0.000 claims abstract description 47
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 27
- 231100000719 pollutant Toxicity 0.000 claims abstract description 27
- 238000010248 power generation Methods 0.000 claims abstract description 20
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 claims description 24
- 238000013210 evaluation model Methods 0.000 claims description 20
- 238000009826 distribution Methods 0.000 claims description 17
- 238000012163 sequencing technique Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 12
- 238000009825 accumulation Methods 0.000 claims description 9
- 239000003245 coal Substances 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- XTQHKBHJIVJGKJ-UHFFFAOYSA-N sulfur monoxide Chemical class S=O XTQHKBHJIVJGKJ-UHFFFAOYSA-N 0.000 claims description 7
- 238000012512 characterization method Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 5
- 239000000843 powder Substances 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 229910052815 sulfur oxide Inorganic materials 0.000 claims description 4
- TXKMVPPZCYKFAC-UHFFFAOYSA-N disulfur monoxide Inorganic materials O=S=S TXKMVPPZCYKFAC-UHFFFAOYSA-N 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 claims description 2
- 238000013178 mathematical model Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 239000013618 particulate matter Substances 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 9
- 238000005457 optimization Methods 0.000 description 7
- 238000011217 control strategy Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 239000002817 coal dust Substances 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 239000000446 fuel Substances 0.000 description 4
- 238000002156 mixing Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000010485 coping Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23N—REGULATING OR CONTROLLING COMBUSTION
- F23N5/00—Systems for controlling combustion
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23N—REGULATING OR CONTROLLING COMBUSTION
- F23N2223/00—Signal processing; Details thereof
- F23N2223/44—Optimum control
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Regulation And Control Of Combustion (AREA)
- Control Of Steam Boilers And Waste-Gas Boilers (AREA)
Abstract
本发明涉及锅炉稳燃控制的技术领域，特别是涉及一种用于燃煤锅炉宽负荷范围稳燃的多变量控制方法及装置，其实现对燃煤锅炉宽负荷范围内稳燃的精准控制，提高电厂在实际运行中的效率和稳定性；所述方法包括：获取燃煤电厂历史运行数据信息以及燃煤电厂参与深度调峰的响应出力负荷，所述燃煤电厂包括若干个锅炉机组；对所述燃煤电厂历史运行数据信息进行要因提取，获得每个锅炉机组稳燃运行的最低出力负荷以及最低出力负荷条件下的锅炉燃烧状态表征数据信息；所述锅炉燃烧状态表征数据信息包括炉膛关键点温度集合、污染物排放浓度集合以及锅炉机组发电效率。
Description
技术领域
本发明涉及锅炉稳燃控制的技术领域，特别是涉及一种用于燃煤锅炉宽负荷范围稳燃的多变量控制方法及装置。
背景技术
燃煤电厂在电力系统中扮演着重要的角色，尤其是在满足电网调峰需求方面具有不可替代的作用。燃煤锅炉需要具备宽负荷范围内的稳定燃烧能力，以适应快速变化的负荷需求并有效减少污染物排放。尤其在低负荷运行条件下，锅炉的燃烧稳定性往往面临较大挑战，如可能出现燃烧不充分、炉膛温度分布不均、NOx等污染物排放增加以及发电效率显著下降等问题。
现有的燃烧控制方法在应对低负荷工况和实现多台锅炉机组之间的协同稳燃方面存在不足，现有的燃烧控制方法往往只能对单个锅炉进行局部优化，而缺乏从整个燃煤电厂全局角度出发的精准负荷分配策略，导致燃煤电厂在实际运行中难以有效保持各锅炉机组在宽负荷范围内的高效、稳定燃烧状态。
因此，亟需一种用于燃煤锅炉宽负荷范围稳燃的多变量控制方法以解决上述问题。
发明内容
为解决上述技术问题，本发明提供一种实现对燃煤锅炉宽负荷范围内稳燃的精准控制，提高电厂在实际运行中的效率和稳定性的用于燃煤锅炉宽负荷范围稳燃的多变量控制方法。
第一方面，本发明提供了用于燃煤锅炉宽负荷范围稳燃的多变量控制方法，所述方法包括：
获取燃煤电厂历史运行数据信息以及燃煤电厂参与深度调峰的响应出力负荷，所述燃煤电厂包括若干个锅炉机组；
对所述燃煤电厂历史运行数据信息进行要因提取，获得每个锅炉机组稳燃运行的最低出力负荷以及最低出力负荷条件下的锅炉燃烧状态表征数据信息；所述锅炉燃烧状态表征数据信息包括炉膛关键点温度集合、污染物排放浓度集合以及锅炉机组发电效率；
将每个锅炉机组的锅炉燃烧状态表征数据信息分别输入至预先构建的锅炉燃烧状态评价模型中，获得每个锅炉机组的锅炉燃烧状态性能指数；
根据锅炉燃烧状态性能指数对若干个锅炉机组进行排序，获得锅炉机组最低稳燃性能序列；在所述锅炉机组最低稳燃性能序列中锅炉燃烧状态性能指数越大，锅炉机组的排名越靠前；
获取每个锅炉机组的实时启停状态，并根据实时启停状态，对所述锅炉机组最低稳燃性能序列进行序列调整，在调整后的锅炉机组最低稳燃性能序列中，启动状态下的锅炉机组优先级高于停机状态下的锅炉机组；
根据调整后的锅炉机组最低稳燃性能序列，将优先级最高的锅炉机组对应的最低出力负荷逐一累加，直至累加结果满足燃煤电厂参与深度调峰的响应出力负荷，并提取参与累加的锅炉机组作为响应调峰锅炉机组；
获取每个响应调峰锅炉机组在最低出力负荷条件下的燃烧控制参数信息，并根据燃烧控制参数信息对响应调峰锅炉机组进行燃烧控制；所述燃烧控制参数信息包括煤粉浓度、一次风量、二次风量、风速、风温以及喷嘴角度。
另一方面，本申请还提供了用于燃煤锅炉宽负荷范围稳燃的多变量控制装置，所述装置包括：
数据获取模块，用于获取燃煤电厂历史运行数据和参与深度调峰的响应出力负荷，所述燃煤电厂包括若干个锅炉机组；
要因提取模块，用于对所述燃煤电厂历史运行数据信息进行要因提取，获得每个锅炉机组稳燃运行的最低出力负荷以及最低出力负荷条件下的锅炉燃烧状态表征数据信息；
燃烧状态评价模块，用于将每个锅炉机组的锅炉燃烧状态表征数据信息分别输入至预先构建的锅炉燃烧状态评价模型中，获得每个锅炉机组的锅炉燃烧状态性能指数；
排序与序列调整模块，用于根据燃烧状态性能指数对锅炉机组进行排序，并根据实时启停状态进行序列调整，获得调整后的锅炉机组最低稳燃性能序列；在锅炉机组最低稳燃性能序列中锅炉燃烧状态性能指数越大，锅炉机组的排名越靠前，启动状态下的锅炉机组优先级高于停机状态下的锅炉机组；
负荷分配模块，用于根据调整后的锅炉机组最低稳燃性能序列，将优先级最高的锅炉机组对应的最低出力负荷逐一累加，直至累加结果满足燃煤电厂参与深度调峰的响应出力负荷，并提取参与累加的锅炉机组作为响应调峰锅炉机组；
燃烧控制参数执行模块，用于获取每个响应调峰锅炉机组在最低出力负荷条件下的燃烧控制参数信息，并根据燃烧控制参数信息对响应调峰锅炉机组进行燃烧控制；所述燃烧控制参数信息包括煤粉浓度、一次风量、二次风量、风速、风温以及喷嘴角度。
第三方面，本申请提供了一种电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，所述计算机程序被所述处理器执行时实现上述任意一项所述方法中的步骤。
第四方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述方法中的步骤。
与现有技术相比本发明的有益效果为：
本发明从整个燃煤电厂的角度出发，对各个锅炉机组进行统一管理和协调控制，克服了传统燃烧控制方法仅针对单个锅炉局部优化的局限性；通过分析燃煤电厂的历史运行数据信息，提取并量化各锅炉机组在低负荷下的稳燃性能，为后续决策提供科学依据，提高了决策的有效性和准确性；
运用锅炉燃烧状态评价模型对每个锅炉机组的燃烧状态进行定量评估，并据此生成最低稳燃性能序列，便于在实际调度中优先选择和使用燃烧稳定性较高的机组；结合实时获取的锅炉机组启停状态信息，灵活调整参与深度调峰的锅炉机组序列，确保启动状态的锅炉机组优先投入运行，从而提高整体调度效率；
根据最优序列逐步累加各机组最低出力负荷，实现精准匹配燃煤电厂深度调峰所需的响应出力负荷，避免单一机组过度压低负荷导致的燃烧不稳定及效率下降等问题；针对参与调峰任务的锅炉机组，采用其最低稳燃负荷条件下的燃烧控制参数进行精确调控，确保锅炉在宽负荷范围内都能维持高效、稳定且环保的燃烧状态，有效减少污染物排放；
综上所述，多变量控制方法通过综合考虑历史运行数据、燃烧状态评价和实时调整，实现对燃煤锅炉宽负荷范围内稳燃的精准控制，提高电厂在实际运行中的效率和稳定性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的一种用于燃煤锅炉宽负荷范围稳燃的多变量控制方法的流程图；
图2是本发明一实施例提供的一种电子设备的硬件架构图；
图3是本发明一实施例提供的一种用于燃煤锅炉宽负荷范围稳燃的多变量控制装置的结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参考图1，本发明实施例提供了一种用于燃煤锅炉宽负荷范围稳燃的多变量控制方法，该方法包括：
步骤S1、获取燃煤电厂历史运行数据信息以及燃煤电厂参与深度调峰的响应出力负荷，所述燃煤电厂包括若干个锅炉机组；
步骤S2、对所述燃煤电厂历史运行数据信息进行要因提取，获得每个锅炉机组稳燃运行的最低出力负荷以及最低出力负荷条件下的锅炉燃烧状态表征数据信息；所述锅炉燃烧状态表征数据信息包括炉膛关键点温度集合、污染物排放浓度集合以及锅炉机组发电效率；
步骤S3、将每个锅炉机组的锅炉燃烧状态表征数据信息分别输入至预先构建的锅炉燃烧状态评价模型中，获得每个锅炉机组的锅炉燃烧状态性能指数；
步骤S4、根据锅炉燃烧状态性能指数对若干个锅炉机组进行排序，获得锅炉机组最低稳燃性能序列；在所述锅炉机组最低稳燃性能序列中锅炉燃烧状态性能指数越大，锅炉机组的排名越靠前；
步骤S5、获取每个锅炉机组的实时启停状态，并根据实时启停状态，对所述锅炉机组最低稳燃性能序列进行序列调整，在调整后的锅炉机组最低稳燃性能序列中，启动状态下的锅炉机组优先级高于停机状态下的锅炉机组；
步骤S6、根据调整后的锅炉机组最低稳燃性能序列，将优先级最高的锅炉机组对应的最低出力负荷逐一累加，直至累加结果满足燃煤电厂参与深度调峰的响应出力负荷，并提取参与累加的锅炉机组作为响应调峰锅炉机组；
步骤S7、获取每个响应调峰锅炉机组在最低出力负荷条件下的燃烧控制参数信息，并根据燃烧控制参数信息对响应调峰锅炉机组进行燃烧控制；所述燃烧控制参数信息包括煤粉浓度、一次风量、二次风量、风速、风温以及喷嘴角度。
在本实施例中，从整个燃煤电厂的角度出发，对各个锅炉机组进行统一管理和协调控制，克服了传统燃烧控制方法仅针对单个锅炉局部优化的局限性；通过分析燃煤电厂的历史运行数据信息，提取并量化各锅炉机组在低负荷下的稳燃性能，为后续决策提供科学依据，提高了决策的有效性和准确性；运用锅炉燃烧状态评价模型对每个锅炉机组的燃烧状态进行定量评估，并据此生成最低稳燃性能序列，便于在实际调度中优先选择和使用燃烧稳定性较高的机组；结合实时获取的锅炉机组启停状态信息，灵活调整参与深度调峰的锅炉机组序列，确保启动状态的锅炉机组优先投入运行，从而提高整体调度效率；根据最优序列逐步累加各机组最低出力负荷，实现精准匹配燃煤电厂深度调峰所需的响应出力负荷，避免单一机组过度压低负荷导致的燃烧不稳定及效率下降等问题；针对参与调峰任务的锅炉机组，采用其最低稳燃负荷条件下的燃烧控制参数进行精确调控，确保锅炉在宽负荷范围内都能维持高效、稳定且环保的燃烧状态，有效减少污染物排放；综上所述，多变量控制方法通过综合考虑历史运行数据、燃烧状态评价和实时调整，实现对燃煤锅炉宽负荷范围内稳燃的精准控制，提高电厂在实际运行中的效率和稳定性。
下面描述图1所示的各个步骤的执行方式。
针对步骤S1：
步骤S1涉及获取燃煤电厂历史运行数据信息以及燃煤电厂参与深度调峰的响应出力负荷；这一步骤的目的是为后续步骤提供必要的数据基础，确保控制方法的制定是基于真实运行情况和历史性能的；具体来说，步骤S1包括以下关键操作：
S11、数据收集与记录：通过燃煤电厂的监测系统或数据采集设备，获取历史运行数据信息；这些数据可能包括锅炉机组的运行状态、温度、压力、煤粉浓度、风量、排放浓度等相关参数；
S12、数据清洗和处理：对获取的历史运行数据进行清洗，处理掉异常值或缺失数据，确保数据的准确性和完整性；对数据进行时间序列分析，以了解电厂在不同时间段的运行特性；
S13、数据归档和存储：将清洗和处理后的数据进行归档和存储，确保数据的可追溯性和可用性；建立数据库或数据仓库，以便后续的分析和建模；
S14、深度调峰响应数据提取：根据电网调度中心提供的未来一段时间内的电力需求预测或直接指令，获取燃煤电厂需要响应的深度调峰期间的预计出力负荷水平；这一信息对于制定锅炉稳燃控制策略至关重要，因为它决定了燃煤电厂在接下来的时间段内需要调整其运行状态以满足电网调峰要求的具体目标负荷值。
在本步骤中，通过收集和分析燃煤电厂的历史运行数据，确保稳燃控制方法的制定是基于实际运行情况和历史性能表现，从而提高策略的针对性和可行性；由于涵盖锅炉机组运行过程中的多个关键参数，如温度、压力、煤粉浓度等，使得控制方案能够综合考虑多种影响因素，提高控制效果的全面性和准确性；通过数据清洗和处理环节，有效排除异常值和缺失数据的影响，提高了后续数据分析和模型构建的基础数据质量；不仅依赖于历史数据，还结合电网调度中心提供的未来电力需求预测或指令，提前获取并分析燃煤电厂在深度调峰时期的预期出力负荷水平，有助于提前规划和优化燃烧控制策略，提升应对电网负荷变化的快速响应能力。
针对步骤S2：
步骤S2的核心目标是从大量的历史运行数据中识别并量化影响锅炉在宽负荷范围内稳定燃烧的关键因素，为后续的优化控制策略提供依据；具体实现时，步骤S2包括以下子步骤：
S21、数据预处理：对于从燃煤电厂历史数据库中提取的运行数据信息，需要进行数据清洗、格式转换和异常值处理，以确保数据的准确性和一致性；这一步是进行后续数据分析的基础，有助于提高要因提取的准确度；
S22、要因提取算法：要因提取的目标是从大量历史运行数据中识别和提取与锅炉机组稳燃运行相关的关键因素；这需要采用适当的算法，如统计分析、机器学习或数据挖掘技术，对数据进行深入分析；这些算法能够识别数据中的模式和趋势，并确定影响锅炉稳燃的关键因素；
S23、最低出力负荷的确定：通过要因提取算法的分析，可以确定每个锅炉机组的最低出力负荷；这一过程需要考虑多种因素，如煤质、负荷需求、运行参数等；最低出力负荷是锅炉在稳燃状态下能够稳定运行的最低负荷水平；通过识别每个锅炉机组的最低出力负荷，可以为后续的燃烧优化和控制提供指导；
S24、燃烧状态表征数据的获取：在确定了最低出力负荷后，进一步分析这些数据，以获取锅炉燃烧状态的表征数据；这些数据包括炉膛关键点温度集合、污染物排放浓度集合以及锅炉机组发电效率；这些数据通过实时监测和记录，能够反映锅炉在不同负荷条件下的燃烧状态；通过分析这些数据，可以深入了解燃烧过程的特性，并评估燃烧的稳定性、效率和污染物排放情况；其中，所述炉膛关键点温度集合包括燃烧区域的温度分布，确保燃烧充分而稳定；所述污染物排放浓度集合包括氮氧化物、硫氧化物和颗粒物等污染物的排放浓度，用于评估环保性能；锅炉机组发电效率用于确定锅炉在最低负荷条件下的电力产出效率；
S25、数据融合与建模：将提取的最低出力负荷和燃烧状态表征数据输入至预先构建的锅炉燃烧状态评价模型中；这个模型可以是一个统计模型、机器学习模型或控制模型，用于评估和预测锅炉在不同工况下的燃烧状态性能指数；通过将历史数据与实时监测数据融合，可以对锅炉的燃烧状态进行准确评估，并为后续的优化和控制提供依据。
在本步骤中，通过确定最低出力负荷为燃烧控制提供明确的目标值，有助于避免因负荷过低导致的燃烧不稳定、效率下降或污染物排放增加等问题；通过获取炉膛关键点温度集合、污染物排放浓度集合以及发电效率等多维度数据信息，能够全面评估锅炉在不同工况下的燃烧效率、环保性能和安全性；通过对历史数据的挖掘，可以提前发现潜在的运行问题，进行预防性维护，并优化燃烧控制策略，以提高整体运行经济性和稳定性。
针对步骤S3：
步骤S3中构建的锅炉燃烧状态评价模型采用非线性回归模型，该模型旨在通过整合锅炉在宽负荷范围内运行时的关键状态参数，以准确评估和预测其燃烧性能；以下是构建非线性回归模型的具体步骤：
S31、特征选择与数据预处理：从步骤S2中提取到的每个锅炉机组稳燃运行的最低出力负荷条件下的锅炉燃烧状态表征数据信息中，选取对燃烧稳定性、污染物排放及发电效率有显著影响的特征变量，如炉膛关键点温度集合中的多个温度值、氮氧化物、硫氧化物和颗粒物等污染物的排放浓度以及发电效率等；对所选特征进行数据清洗、缺失值填充、异常值检测与处理，确保用于建模的数据质量可靠；
S32、构建非线性回归函数：根据锅炉燃烧机理及工程实践经验，设计一个能够反映锅炉燃烧状态与各特征参数之间非线性关系的数学模型；例如，可以采用多项式回归、神经网络模型、支持向量回归或其他适用于非线性问题的统计学习方法来构建评价模型；
S33、训练与优化模型：利用历史运行数据集对构建好的非线性回归模型进行训练，通过最小化实际观测值与模型预测值之间的误差，优化模型参数，使模型尽可能精确地描述锅炉燃烧状态与其影响因素之间的复杂关系；在训练过程中可能需要使用交叉验证或网格搜索等技术调整模型超参数，确保模型泛化能力，并防止过拟合现象发生；
S34、模型评估与验证：训练完成后，利用独立的测试数据集对模型进行验证，计算相关评估指标(如平均绝对误差MAE等)以衡量模型性能和预测准确性；若模型性能满足要求，则可将此非线性回归模型作为锅炉燃烧状态评价模型投入使用。
通过上述步骤，构建基于非线性回归模型的锅炉燃烧状态评价系统，能够科学合理地结合多种关键燃烧状态参数，有效地评估燃煤锅炉在宽负荷范围内的稳燃性能，为后续的精准控制策略提供有力支持。
更为具体的，所述锅炉燃烧状态评价模型的计算模型为：
其中，R表示锅炉燃烧状态性能指数；ωT、ωC和ωη分别表示炉膛关键点温度集合、污染物排放浓度集合以及锅炉机组发电效率对应的权重系数；e为常数；k表示调整系数，k＞0，用于强调温度波动的重要程度；mi表示第i个炉膛关键点温度的权重系数；Ti表示第i个炉膛关键点的温度；表示炉膛关键点的平均温度；
CNO表示氮氧化物浓度；CSO表示硫氧化物浓度；CPM表示颗粒物浓度；nNO、nSO和nPM分别表示氮氧化物浓度、硫氧化物浓度以及颗粒物浓度所对应的权重系数；η表示锅炉机组发电效率；F(x)、G(x)和H(x)分别表示标准化函数。
需要说明的是，炉膛关键点温度集合的表征涉及对炉膛内多个重要位置温度数据进行综合处理，以反映整个炉膛内的温度分布情况；在实际应用中，对温度波动程度的非线性变换函数可以用来增强对炉膛温度分布特征值计算的灵活性和适应性；一个简单的非线性变换函数示例是采用指数函数或幂函数来放大或压缩标准差的影响：例如，使用指数函数进行变换，如下所示：
其中，表示炉膛温度分布特征值，其中k是一个调整系数，它可以被选择以强调温度波动的重要程度；当k＞0时，随着炉膛温度分布特征值的增加，指数函数的值增长得更快，强化了温度波动对整体评估结果的影响，从而能够合理反映温度波动对稳燃性能的影响，并且保持评价指标的正向意义。
针对步骤S4：
步骤S4涉及对若干个锅炉机组进行排序，获得锅炉机组最低稳燃性能序列；在该步骤中，首先需要计算每个锅炉机组的锅炉燃烧状态性能指数，然后进行排序；具体包括以下步骤：
S41、在步骤S3中，利用预先构建的锅炉燃烧状态评价模型分析了每个锅炉机组在最低出力负荷条件下的燃烧状态表征数据信息(如炉膛关键点温度集合、污染物排放浓度集合以及发电效率等)，并据此计算出了各锅炉机组的燃烧状态性能指数；该指数反映了锅炉在宽负荷范围内特别是在低负荷工况下的燃烧稳定性、环保性能及能源利用效率等方面的综合表现；
S42、根据“锅炉燃烧状态性能指数越大，锅炉机组的排名越靠前”的原则，将所有锅炉机组按照其对应的燃烧状态性能指数从高到低进行排序；意味着具有较高燃烧状态性能指数的锅炉，在同等条件下能够更稳定地运行，并且拥有更低的污染物排放和更高的发电效率；
S43、通过上述排序过程，最终形成一个反映各锅炉机组在最低稳燃状态下相对性能优劣的序列；这个序列对于燃煤电厂管理者而言至关重要，因为它为后续的调度决策提供了依据，帮助他们在面对电网深度调峰需求时，优先选择并调度那些燃烧性能更为优异的锅炉机组，从而确保整个燃煤电厂在宽负荷范围内的高效、稳定运行。
通过上述步骤，可以获得最低稳燃性能序列，为后续的负荷分配和优化控制提供依据，在序列中，排名越靠前的锅炉机组具有更高的燃烧状态性能指数，可以优先作为优先考虑的调峰机组或参与负荷分配的机组；这样的排序方式有助于实现多台锅炉机组之间的协同稳燃，提高整个燃煤电厂的运行效率和稳定性。
针对步骤S5：
在步骤S5中，涉及到根据锅炉机组的实时启停状态对最低稳燃性能序列进行序列调整；这一步骤的目标是根据锅炉的运行状态对其在最低稳燃性能序列中的优先级进行调整，使得启动状态下的锅炉机组具有更高的优先级；实时启停状态的监测和调整是关键的，因为启停状态直接影响到锅炉的可用性和稳定性；具体包括以下内容：
S51、使用传感器和监测设备实时监测每个锅炉机组的启停状态；这可能涉及到监测锅炉的燃烧状态、温度、压力等参数，以确定锅炉是处于启动状态还是停机状态；
S52、利用获取的实时数据，采用数据处理和分析技术，确保对锅炉机组状态的准确识别；包括使用机器学习算法来识别锅炉的运行状态，以及对实时数据进行实时分析；
S53、根据实时监测到的启停状态，调整锅炉机组在最低稳燃性能序列中的优先级；例如，处于启动状态的锅炉机组可能被赋予更高的优先级，以确保在深度调峰需求时能够更快速地响应；这种调整策略的意义在于，在满足深度调峰需求时，首先考虑利用已经在稳定运行且燃烧性能良好的锅炉机组来进一步降低负荷，而不是选择尚未启动或者刚停机不久的锅炉；这样既能避免频繁启停造成的设备损耗和能源浪费，也能确保在快速响应电网调度指令的同时维持较高的燃烧效率和较低的污染物排放水平；
S54、设计有效的通信和控制系统，确保在实时监测到启停状态变化时，能够及时更新最低稳燃性能序列；包括使用先进的通信协议和实时控制系统。
通过对锅炉机组启停状态的考量和序列调整，燃煤电厂能够从全局角度更合理地分配和调度资源，使得整个电厂在宽负荷范围内的燃烧控制更加高效、稳定和环保，从而有效解决现有燃烧控制方法在多台锅炉协同稳燃方面的不足。
针对步骤S6：
在步骤S6中，根据调整后的锅炉机组最低稳燃性能序列，将优先级最高的锅炉机组对应的最低出力负荷逐一累加，直至累加结果满足燃煤电厂参与深度调峰的响应出力负荷；这一步骤的目标是根据各锅炉机组的性能指数和实时启停状态，合理分配负荷，以实现整个燃煤电厂的协同稳燃；具体实施步骤如下：
S61、按照步骤S5中得到的、考虑了实时启停状态的锅炉机组最低稳燃性能序列进行分析；这个序列反映了各锅炉机组在低负荷运行时燃烧性能的优劣顺序以及当前是否处于运行状态；
S62、从排序靠前，即燃烧性能最优且启动状态，的锅炉机组开始，依次将其各自在最低稳燃负荷条件下的出力值累加起来；这一过程旨在找出一组能够满足燃煤电厂参与电网深度调峰所需响应出力负荷要求的锅炉机组组合；
S63、当累加的总出力达到或超过燃煤电厂当前深度调峰任务所需的响应出力负荷时，停止累加；此时，所有已累加其最低稳燃负荷的锅炉机组被确定为“响应调峰锅炉机组”。
通过上述步骤，可以确保选择出的响应调峰锅炉机组不仅具备在低负荷下稳定燃烧的能力，而且还能以最佳组合方式共同完成调峰任务，从而最大化整个燃煤电厂在宽负荷范围内的燃烧效率及环保性能；在步骤S6中，设计的多变量控制方法实现了对燃煤电厂内多个锅炉机组的整体优化调度，它综合考虑了各个锅炉机组的最低稳燃负荷、燃烧性能以及实时工作状态，以期在满足电网调峰需求的同时，有效保证燃烧稳定性、降低污染物排放并提高发电效率。
针对步骤S7：
在步骤S7中，基于之前确定的响应调峰锅炉机组及其对应的最低稳燃负荷，燃煤电厂需要获取这些机组在最低出力负荷条件下所需的燃烧控制参数信息；燃烧控制参数信息是保证锅炉在低负荷工况下仍能实现稳定燃烧的关键要素，包括但不限于：
煤粉浓度：合理调整进入炉膛的煤粉浓度，以确保燃料与空气混合比例适中，既能充分燃烧又不会导致燃烧不完全或过热现象；
一次风量和二次风量：通过精确控制一次风(送入燃料区域助燃)和二次风(用于冷却火焰、进一步混合和助燃)的流量，优化炉内空气动力场分布，降低氮氧化物等生成并维持均匀稳定的燃烧环境；
风速：适当调整一次风和二次风的风速，可以改善燃料与空气的混合效率，以及炉内温度场分布，有利于减少污染物排放及提高燃烧稳定性；
风温：控制一次风和/或二次风的温度有助于调节燃烧过程中的热量输入和化学反应速率，从而达到高效燃烧和环保减排的目的；
喷嘴角度：调整燃烧器喷嘴的角度可改变燃料与空气混合的方式和速度，优化燃烧区的空间分布，防止局部高温和低温区域出现，保证宽负荷范围内燃烧的均匀性。
通过对以上燃烧控制参数的精细化调控，燃煤电厂能够有效地指导实际运行过程中对响应调峰锅炉机组的燃烧控制系统进行精准设置，使其能够在满足电网深度调峰需求的同时，保持较低负荷下的高效、稳定燃烧状态，并最大限度地降低污染物排放；步骤S7体现了从全局视角出发，针对多台锅炉协同稳燃的优化控制策略，在提升燃煤电厂整体性能具有重要意义。
如图2、图3所示，本发明实施例提供了一种用于燃煤锅炉宽负荷范围稳燃的多变量控制装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。从硬件层面而言，如图2所示，为本发明实施例提供的一种用于燃煤锅炉宽负荷范围稳燃的多变量控制装置所在电子设备的一种硬件架构图，除了图2所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的电子设备通常还可以包括其他硬件，如负责处理报文的转发芯片等等。以软件实现为例，如图3所示，作为一个逻辑意义上的装置，是通过其所在电子设备的CPU将非易失性存储器中对应的计算机程序读取到内存中运行形成的。
如图3所示，本实施例提供的一种用于燃煤锅炉宽负荷范围稳燃的多变量控制装置，包括：
数据获取模块，用于获取燃煤电厂历史运行数据和参与深度调峰的响应出力负荷，所述燃煤电厂包括若干个锅炉机组；
要因提取模块，用于对所述燃煤电厂历史运行数据信息进行要因提取，获得每个锅炉机组稳燃运行的最低出力负荷以及最低出力负荷条件下的锅炉燃烧状态表征数据信息；
燃烧状态评价模块，用于将每个锅炉机组的锅炉燃烧状态表征数据信息分别输入至预先构建的锅炉燃烧状态评价模型中，获得每个锅炉机组的锅炉燃烧状态性能指数；
排序与序列调整模块，用于根据燃烧状态性能指数对锅炉机组进行排序，并根据实时启停状态进行序列调整，获得调整后的锅炉机组最低稳燃性能序列；在锅炉机组最低稳燃性能序列中锅炉燃烧状态性能指数越大，锅炉机组的排名越靠前，启动状态下的锅炉机组优先级高于停机状态下的锅炉机组；
负荷分配模块，用于根据调整后的锅炉机组最低稳燃性能序列，将优先级最高的锅炉机组对应的最低出力负荷逐一累加，直至累加结果满足燃煤电厂参与深度调峰的响应出力负荷，并提取参与累加的锅炉机组作为响应调峰锅炉机组；
燃烧控制参数执行模块，用于获取每个响应调峰锅炉机组在最低出力负荷条件下的燃烧控制参数信息，并根据燃烧控制参数信息对响应调峰锅炉机组进行燃烧控制；所述燃烧控制参数信息包括煤粉浓度、一次风量、二次风量、风速、风温以及喷嘴角度。
在本实施例中，通过数据获取模块和要因提取模块整合整个燃煤电厂的运行历史数据，并从全局角度出发进行分析；相较于传统方法仅针对单个锅炉局部优化，它能更好地协调多台锅炉机组之间的稳燃性能，实现整体效能的最大化；燃烧状态评价模块利用历史数据构建的评价模型对各锅炉机组的最低稳燃性能进行量化评估，并结合排序与序列调整模块根据实时启停状态进行优先级排序；这样能够确保在深度调峰需求下，优先选择并调度燃烧稳定性高的启动状态锅炉机组，提高整体响应速度和效率；
负荷分配模块依据排序结果和实际出力需求，采用逐次累加最低稳燃性能锅炉机组的方式动态分配负荷，确保各参与调峰的锅炉机组能够在保证高效稳燃的前提下合理分配负载，避免单一机组过度压低负荷导致的问题；燃烧控制参数执行模块根据每个响应调峰锅炉机组在最低出力负荷下的燃烧控制参数信息进行精确调节，涵盖煤粉浓度、风量、风速、风温和喷嘴角度等多个关键变量，有效实现了在宽负荷范围内稳定燃烧的同时减少污染物排放，并维持较高的发电效率；
综上所述，该多变量控制装置通过全面的数据分析、科学的评估排序机制、智能化的负荷分配策略以及精细化的燃烧控制技术，在解决燃煤锅炉宽负荷范围稳燃问题上展现出优越的技术优势和实用性。
可以理解的是，本发明实施例示意的结构并不构成对一种用于燃煤锅炉宽负荷范围稳燃的多变量控制装置的具体限定。在本发明的另一些实施例中，一种用于燃煤锅炉宽负荷范围稳燃的多变量控制装置可以包括比图示更多或者更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。
上述装置内的各模块之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。
本发明实施例还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现本发明任一实施例中的一种用于燃煤锅炉宽负荷范围稳燃的多变量控制方法。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序在被处理器执行时，使所述处理器执行本发明任一实施例中的一种用于燃煤锅炉宽负荷范围稳燃的多变量控制方法。
具体地，可以提供配有存储介质的系统或者装置，在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。
在这种情况下，从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地，可以由通信网络从服务器计算机上下载程序代码。
此外，应该清楚的是，不仅可以通过执行计算机所读出的程序代码，而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作，从而实现上述实施例中任意一项实施例的功能。
此外，可以理解的是，将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展模块中设置的存储器中，随后基于程序代码的指令使安装在扩展板或者扩展模块上的CPU等来执行部分和全部实际操作，从而实现上述实施例中任一实施例的功能。
需要说明的是，在本文中，诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储在计算机可读取的存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质中。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种用于燃煤锅炉宽负荷范围稳燃的多变量控制方法，其特征在于，所述方法包括：
获取燃煤电厂历史运行数据信息以及燃煤电厂参与深度调峰的响应出力负荷，所述燃煤电厂包括若干个锅炉机组；
对所述燃煤电厂历史运行数据信息进行要因提取，获得每个锅炉机组稳燃运行的最低出力负荷以及最低出力负荷条件下的锅炉燃烧状态表征数据信息；
将每个锅炉机组的锅炉燃烧状态表征数据信息分别输入至预先构建的锅炉燃烧状态评价模型中，获得每个锅炉机组的锅炉燃烧状态性能指数；
根据锅炉燃烧状态性能指数越大，锅炉机组的排名越靠前的原则，将所有锅炉机组按照其对应的燃烧状态性能指数从高到低进行排序；
使用传感器和监测设备实时监测每个锅炉机组的启停状态；
根据实时监测到的启停状态，调整锅炉机组在最低稳燃性能序列中的优先级：处于启动状态的锅炉机组的优先级高于处于停机状态的锅炉机组的优先级；
根据调整后的锅炉机组最低稳燃性能序列，从排序靠前的锅炉机组开始，依次将其各自的最低出力负荷累加起来；
当累加的总出力达到或超过燃煤电厂当前深度调峰任务所需的响应出力负荷时，停止累加；
将参与累加的锅炉机组标记为响应调峰锅炉机组；
获取每个响应调峰锅炉机组在最低出力负荷条件下的燃烧控制参数信息，并根据燃烧控制参数信息对响应调峰锅炉机组进行燃烧控制。
2.如权利要求1所述的用于燃煤锅炉宽负荷范围稳燃的多变量控制方法，其特征在于，所述锅炉燃烧状态表征数据信息包括炉膛关键点温度集合、污染物排放浓度集合以及锅炉机组发电效率；所述炉膛关键点温度集合包括燃烧区域内各个关键点位的温度，所述污染物排放浓度集合包括氮氧化物、硫氧化物和颗粒物的排放浓度。
3.如权利要求2所述的用于燃煤锅炉宽负荷范围稳燃的多变量控制方法，其特征在于，所述锅炉燃烧状态评价模型的计算模型为：
其中，R表示锅炉燃烧状态性能指数；、/>和/>分别表示炉膛关键点温度集合、污染物排放浓度集合以及锅炉机组发电效率对应的权重系数；e为常数；k表示调整系数，k＞0，用于强调温度波动的重要程度；/>表示第i个炉膛关键点温度的权重系数；/>表示第i个炉膛关键点的温度；/>表示炉膛关键点的平均温度；
表示氮氧化物浓度；/>表示硫氧化物浓度；/>表示颗粒物浓度；/>、/>和/>分别表示氮氧化物浓度、硫氧化物浓度以及颗粒物浓度所对应的权重系数；/>表示锅炉机组发电效率；F(x)、G(x)和H(x)分别表示标准化函数。
4.如权利要求3所述的用于燃煤锅炉宽负荷范围稳燃的多变量控制方法，其特征在于，所述锅炉燃烧状态评价模型采用非线性回归模型，所述锅炉燃烧状态评价模型的构建方法，包括：
从最低出力负荷条件下的锅炉燃烧状态表征数据信息中，选取能够影响燃烧稳定性、污染物排放及发电效率的特征变量；
对所选特征进行数据清洗、缺失值填充以及异常值检测处理；
设计能够反映锅炉燃烧状态与各所选特征参数之间非线性关系的数学模型；
利用历史运行数据集对构建好的非线性回归模型进行训练和优化；并利用独立的测试数据集对模型进行验证。
5.如权利要求1所述的用于燃煤锅炉宽负荷范围稳燃的多变量控制方法，其特征在于，所述燃烧控制参数信息包括煤粉浓度、一次风量、二次风量、风速、风温以及喷嘴角度。
6.一种用于燃煤锅炉宽负荷范围稳燃的多变量控制装置，其特征在于，所述装置包括：
数据获取模块，用于获取燃煤电厂历史运行数据和参与深度调峰的响应出力负荷，所述燃煤电厂包括若干个锅炉机组；
要因提取模块，用于对所述燃煤电厂历史运行数据信息进行要因提取，获得每个锅炉机组稳燃运行的最低出力负荷以及最低出力负荷条件下的锅炉燃烧状态表征数据信息；
燃烧状态评价模块，用于将每个锅炉机组的锅炉燃烧状态表征数据信息分别输入至预先构建的锅炉燃烧状态评价模型中，获得每个锅炉机组的锅炉燃烧状态性能指数；
排序与序列调整模块，用于根据燃烧状态性能指数对锅炉机组进行排序，并根据实时启停状态进行序列调整，获得调整后的锅炉机组最低稳燃性能序列；在锅炉机组最低稳燃性能序列中锅炉燃烧状态性能指数越大，锅炉机组的排名越靠前，启动状态下的锅炉机组优先级高于停机状态下的锅炉机组；
负荷分配模块，用于根据调整后的锅炉机组最低稳燃性能序列，从排序靠前的锅炉机组开始，依次将其各自的最低出力负荷累加起来，直至累加结果满足燃煤电厂参与深度调峰的响应出力负荷，并提取参与累加的锅炉机组作为响应调峰锅炉机组；
燃烧控制参数执行模块，用于获取每个响应调峰锅炉机组在最低出力负荷条件下的燃烧控制参数信息，并根据燃烧控制参数信息对响应调峰锅炉机组进行燃烧控制；所述燃烧控制参数信息包括煤粉浓度、一次风量、二次风量、风速、风温以及喷嘴角度。
7.一种用于燃煤锅炉宽负荷范围稳燃的多变量控制电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，其特征在于，所述计算机程序被所述处理器执行时实现如权利要求1-5中任一项所述方法中的步骤。
8.一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，所述计算机程序被处理器执行时实现如权利要求1-5中任一项所述方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410137010.3A CN117869930B (zh) | 2024-01-31 | 2024-01-31 | 用于燃煤锅炉宽负荷范围稳燃的多变量控制方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410137010.3A CN117869930B (zh) | 2024-01-31 | 2024-01-31 | 用于燃煤锅炉宽负荷范围稳燃的多变量控制方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117869930A CN117869930A (zh) | 2024-04-12 |
| CN117869930B true CN117869930B (zh) | 2024-06-07 |
Family
ID=90577422
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410137010.3A Active CN117869930B (zh) | 2024-01-31 | 2024-01-31 | 用于燃煤锅炉宽负荷范围稳燃的多变量控制方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117869930B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118449142B (zh) * | 2024-07-08 | 2024-08-30 | 杭州和利时自动化有限公司 | 基于控制算法的燃煤发电厂调峰优化方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB8416900D0 (en) * | 1984-07-03 | 1984-08-08 | Allens Of Tipton Ltd | Sequence controller |
| JP2000018503A (ja) * | 1998-06-30 | 2000-01-18 | Miura Co Ltd | ボイラの自動台数制御方法 |
| JP2002130602A (ja) * | 2000-10-19 | 2002-05-09 | Kawasaki Thermal Engineering Co Ltd | ボイラの台数制御方法 |
| JP2014228180A (ja) * | 2013-05-21 | 2014-12-08 | 三浦工業株式会社 | ボイラシステム |
| CN110531719A (zh) * | 2019-08-27 | 2019-12-03 | 赫普能源环境科技有限公司 | 一种火电机组协调控制调峰调频系统、设备和方法 |
| CN110953574A (zh) * | 2019-12-04 | 2020-04-03 | 华北电力科学研究院有限责任公司 | 一种锅炉最小调峰负荷的确定方法及装置 |
| CN111765445A (zh) * | 2020-07-01 | 2020-10-13 | 河北工业大学 | 一种锅炉在线燃烧优化控制方法、系统及计算机设备 |
| CN114759613A (zh) * | 2022-05-20 | 2022-07-15 | 国网河南省电力公司电力科学研究院 | 基于lstm的深度调峰机组一次调频能力在线估计方法及系统 |
| CN117031950A (zh) * | 2023-08-08 | 2023-11-10 | 国网河北能源技术服务有限公司 | 深度调峰火电机组控制系统建模的方法及装置 |
-
2024
- 2024-01-31 CN CN202410137010.3A patent/CN117869930B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB8416900D0 (en) * | 1984-07-03 | 1984-08-08 | Allens Of Tipton Ltd | Sequence controller |
| JP2000018503A (ja) * | 1998-06-30 | 2000-01-18 | Miura Co Ltd | ボイラの自動台数制御方法 |
| JP2002130602A (ja) * | 2000-10-19 | 2002-05-09 | Kawasaki Thermal Engineering Co Ltd | ボイラの台数制御方法 |
| JP2014228180A (ja) * | 2013-05-21 | 2014-12-08 | 三浦工業株式会社 | ボイラシステム |
| CN110531719A (zh) * | 2019-08-27 | 2019-12-03 | 赫普能源环境科技有限公司 | 一种火电机组协调控制调峰调频系统、设备和方法 |
| CN110953574A (zh) * | 2019-12-04 | 2020-04-03 | 华北电力科学研究院有限责任公司 | 一种锅炉最小调峰负荷的确定方法及装置 |
| CN111765445A (zh) * | 2020-07-01 | 2020-10-13 | 河北工业大学 | 一种锅炉在线燃烧优化控制方法、系统及计算机设备 |
| CN114759613A (zh) * | 2022-05-20 | 2022-07-15 | 国网河南省电力公司电力科学研究院 | 基于lstm的深度调峰机组一次调频能力在线估计方法及系统 |
| CN117031950A (zh) * | 2023-08-08 | 2023-11-10 | 国网河北能源技术服务有限公司 | 深度调峰火电机组控制系统建模的方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117869930A (zh) | 2024-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102106827B1 (ko) | 보일러 연소의 최적화를 위한 시스템 및 방법 | |
| CN117869930B (zh) | 用于燃煤锅炉宽负荷范围稳燃的多变量控制方法及装置 | |
| KR102094288B1 (ko) | 보일러의 연소 최적화 연산을 위한 시스템 및 방법 | |
| EP2437206B1 (en) | Method and system to predict power plant performance | |
| Gopalakrishnan et al. | Operational planning of combined heat and power plants through genetic algorithms for mixed 0–1 nonlinear programming | |
| Siirola et al. | Process energy systems: control, economic, and sustainability objectives | |
| Bistline | Turn down for what? The economic value of operational flexibility in electricity markets | |
| Santos et al. | Impacts of operational variability and uncertainty on distributed generation investment planning: A comprehensive sensitivity analysis | |
| Olympios et al. | Stochastic real-time operation control of a combined heat and power (CHP) system under uncertainty | |
| Dai et al. | Multi-objective economic load dispatch method based on data mining technology for large coal-fired power plants | |
| Chapaloglou et al. | Data-driven energy management of isolated power systems under rapidly varying operating conditions | |
| JP6548862B2 (ja) | 発電所の運転を管理するための方法及び装置 | |
| JP2016537729A (ja) | プラントにおける生成プロセスおよび／またはプロセスエンジニアリングプロセスおよび／またはプロセスステップを分析するための方法、システム、およびコンピュータプログラム製品 | |
| CN117474278A (zh) | 动态煤种的燃煤电厂深度调峰方法及装置 | |
| KR102108015B1 (ko) | 보일러 운전을 제어하기 위한 시스템 및 방법 | |
| JP2017028816A (ja) | 計画策定装置、計画策定方法、及びプログラム | |
| CN117991639B (zh) | 基于机器学习的燃煤电厂多目标燃烧优化控制方法及装置 | |
| CN115511243A (zh) | 配煤掺烧控制方法、装置、设备及介质 | |
| Nandi et al. | Comparative overview of profit-based unit commitment in competitive electricity market | |
| Omirgaliyev et al. | Industrial Application of Machine Learning Clustering for a Combined Heat and Power Plant: A Pavlodar Case Study | |
| Huang et al. | Hybrid wavelet/Elman NN model for short term cost prediction utilizing developed deer hunting optimizer | |
| CN117951601B (zh) | 应用于深度调峰的锅炉低负荷稳燃监测方法及装置 | |
| CN117968431B (zh) | 燃煤电厂烟气余热回收控制方法及装置 | |
| CN117875491A (zh) | 一种基于leap模型的火电厂碳减排潜力分析方法及系统 | |
| CN118040791B (zh) | 一种协同经济性的燃煤机组深度调峰系统及方法 |
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 |