JP2021530669A - ボイラー石炭節約制御方法 - Google Patents
ボイラー石炭節約制御方法 Download PDFInfo
- Publication number
- JP2021530669A JP2021530669A JP2021525344A JP2021525344A JP2021530669A JP 2021530669 A JP2021530669 A JP 2021530669A JP 2021525344 A JP2021525344 A JP 2021525344A JP 2021525344 A JP2021525344 A JP 2021525344A JP 2021530669 A JP2021530669 A JP 2021530669A
- Authority
- JP
- Japan
- Prior art keywords
- boiler
- coal
- combustion efficiency
- opening degree
- grading
- 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.)
- Pending
Links
Images
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
- 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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23N—REGULATING OR CONTROLLING COMBUSTION
- F23N1/00—Regulating fuel supply
- F23N1/02—Regulating fuel supply conjointly with air supply
- F23N1/022—Regulating fuel supply conjointly with air supply using electronic means
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23N—REGULATING OR CONTROLLING COMBUSTION
- F23N5/00—Systems for controlling combustion
- F23N5/26—Details
- F23N5/265—Details using electronic means
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23N—REGULATING OR CONTROLLING COMBUSTION
- F23N2223/00—Signal processing; Details thereof
- F23N2223/48—Learning / Adaptive control
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23N—REGULATING OR CONTROLLING COMBUSTION
- F23N2237/00—Controlling
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23N—REGULATING OR CONTROLLING COMBUSTION
- F23N2241/00—Applications
- F23N2241/10—Generating vapour
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23N—REGULATING OR CONTROLLING COMBUSTION
- F23N2900/00—Special features of, or arrangements for controlling combustion
- F23N2900/05003—Measuring NOx content in flue gas
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23N—REGULATING OR CONTROLLING COMBUSTION
- F23N2900/00—Special features of, or arrangements for controlling combustion
- F23N2900/05006—Controlling systems using neuronal networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Thermal Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Regulation And Control Of Combustion (AREA)
- Control Of Steam Boilers And Waste-Gas Boilers (AREA)
Abstract
本発明の実施形態は、線形関係モデル確立ステップと、最適化目標決定ステップと、機械学習ステップとを含む、ボイラー石炭節約制御方法を開示している。線形関係モデル確立ステップは、マルチレベルモデルのグレーディングメカニズムを確立するために用いられ、確立されたグレーディングメカニズムによって線形関係モデルを確立し、データ集合における空集合を補完する。前記マルチレベルモデルのグレーディングメカニズムは、ボイラー基本的な作業条件におけるボイラー負荷、石炭品質、周囲温度の3つの特徴値をグレーディング指標として使用して、一次グレーディングを生成する。その後、ボイラー負荷で二次グレーディングを行う。最適化目標決定ステップは、ボイラーの最適化目標を決定するために用いられ、前記最適化目標は、ボイラーの燃焼効率、煙道ガス硝類化合物濃度制御を含む。機械学習ステップは、データソースに基づいて機械学習を行い、具体的には、モデルコーディングサブステップ、知識オントロジー確定サブステップ、目標最適化サブステップを含む。当該制御方法は、ボイラーの燃焼構造や原理を変更する必要がなく、測定対象を追加する必要もないので、機械学習方法を通じて、安全且つ合理的な操作の提案を提供し、石炭を節約し、効率を高めることができる。【選択図】図1
Description
本発明は、電子技術分野に属し、ボイラー石炭節約制御方法に関する。
ボイラーの石炭節約は火力発電所にとって重要な課題である。石炭節約制御の最も重要な部分は、ボイラーの石炭節約制御を達成するためのボイラーの炉内のリアルタイムの環境パラメーターを取得することである。しかし、炉内の環境は非常に過酷であるため、炉内の検出ポイントには強力な保護機能を付与する同時に、正確な検出パラメーターを取得するための機能を付与させる必要がある。そうでなければ、ボイラーの燃焼状態を正確に取得できず、節電制御を効果的に実行できない。
従来技術では、レーザー分光測定プローブネットワークを使用して炉の燃焼状態を反映する、炉内燃焼状態を仮想反映技術が提案されている。この技術は非常に優れた検出効果があり、燃焼最適化の補助的意思決定の問題を解決できるが、ネットワーク化することで、数百のレーザー測定プローブが必要になる。各レーザー測定プローブのコストは30万元以上になり、システム全体のコストは非常に高く、広範囲に適用ができないという問題がある。
従来技術の問題を解決するために、本発明の実施形態の目的は、機械学習技術を用いてボイラー炉の環境パラメーターを予測し、コストを削減しながらボイラー炉の環境パラメーターを取得するボイラー石炭節約制御方法を提供することである。
上記の目的を達成するために、本発明の実施形態は、線形関係モデル確立ステップと最適化目標決定ステップと機械学習ステップとを含む、ボイラー石炭節約制御方法を提供しており、
線形関係モデル確立ステップは、マルチレベルモデルのグレーディングメカニズムを確立するために用いられ、確立されたマルチレベルモデルのグレーディングメカニズムによって線形関係モデルを確立し、データ集合における空集合を補完し、前記マルチレベルモデルのグレーディングメカニズムは、ボイラー基本的な作業条件におけるボイラー負荷、石炭品質、及び周囲温度の3つの特徴値をグレーディング指標として一次グレーディングを生成し、次に、ボイラー負荷で二次グレーディングを行い、
ボイラー負荷は、50MWをスパンとしてグレーディングされ、石炭品質は、石炭1トン当たりの電力に基づいてグレーディングされ、ここで、石炭1トン当たりの電力=有効電力/石炭供給量であり、周囲温度は、季節指標又は循環水温度に基づいてグレーディングされ、
ボイラー負荷の二次グレーディングは、一次グレーディングメカニズムにおけるボイラー負荷を特徴値として二次グレーディングを行うことであり、ボイラー負荷は、1MWをスパンとしてさらに細分化し、ボイラー負荷、各石炭ミルの瞬間石炭供給速度、各石炭ミルの一次冷風送風開口度、各石炭ミルの一次熱風送風、総合送風開口度、各一次送風機の周波数変化コマンド及び送風ブレード開口度、4つの上部オーバーファイアエアスイング角度及びその開口度、4つの下部オーバーファイアエアスイング角度及びその開口度のボイラーのパラメーターで線形関係モデルを確立し、次に、前記線形関係モデルを偏微分法と組み合わせて、データにおける空集合を補完し、
最適化目標決定ステップは、ボイラーの燃焼効率、煙道ガス硝類化合物濃度制御のボイラーの最適化目標を決定し、具体的には、
ボイラーの燃焼効率を判断し、データソースが燃焼効率を含まない場合、燃焼効率係数を計算してボイラーの燃焼効率とし、
ボイラーのNOx濃度に関する規定される基準値を確定し、
機械学習ステップは、データソースに基づいて機械学習を実行し、具体的には、モデルコーディングサブステップ、知識オントロジー確定サブステップ、目標最適化サブステップを含み、
モデルコーディングサブステップは、基本的な作業条件とモデルと間のマッピング関係を生成して、基本的な作業条件に従って対応するモデルを決定するために使用され、
モデルコード=周囲温度コード+ボイラー負荷レベルコード×周囲温度コーディングウェイト+石炭1トン当たりの電力比率コード×ボイラー負荷レベルコーディングウェイト×周囲温度コーディングウェイトであり、
周囲温度コードについて、本発明の実施形態では、指標が、季節又は循環水温度であり、ここで、指標が季節である場合、コード=0(冬)又は1(夏)であり、指標が循環水温度である場合、循環水温度を10レベルに分かれ、対応するコードが0〜9であり、
周囲温度コーディングウェイト=16であり、
ボイラー負荷レベルコードは、50MWを1スパンとし、各レベルには、1つのコード数値を設定し、
ボイラー負荷レベルコーディングウェイト=16であり、
石炭1トン当たりの電力比率コード=丸め関数((石炭1トン当たりの電力-石炭1トン当たりの電力の最小値)/石炭1トン当たりの電力グレーディングスパン)であり、
石炭1トン当たりの電力グレーディングスパン=(石炭1トン当たりの電力最高値-石炭1トン当たりの電力の最小値)/10であり、
石炭1トン当たりの電力=有効電力/石炭供給量であり、
基本的な作業条件の二次グレーディングは、モデルのクラスキューに対応し、当該モデルが受信したサブディビジョンインスタンスを保存する。インスタンスを保存するとき、差分法を使用して、ボイラー負荷の単位変化量に対応する各要因の平均変化量を計算し、これらの変化量は、各要因についての偏微分値であり、最適化方案を作成する際、当前の基本的な作業条件に対応するインスタンスがある場合は直接使用し、存在しない場合は最初のインスタンスを基準として、ボイラー負荷の差と各要因についての偏微分値に基づいて、各要因の理論値を計算し、
知識オントロジー確定サブステップ,ボイラー燃焼効率に関連するすべての操作可能な機会のステータスを決定するために使用される。前記ステータスは、各石炭ミルの瞬間石炭供給速度、各石炭ミルの一次冷風送風開口度、各石炭ミルの一次熱風送風開口度、総合送風開口度、各一次送風機の周波数変化コマンド及び送風ブレード開口度、4つの上部オーバーファイアエアスイング角度及びその開口度、4つの下部オーバーファイアエアスイング角度及びその開口度、4層の二次送風スイング角度及びその開口度、二次送風量の総送風量を含み、
目標最適化サブステップは、知識オントロジーの並べ替え規則を形成するために使用され、具体的に、
データソースがボイラー燃焼効率を含む場合、
2つの知識オントロジーが対応する燃焼効率が97%以下である場合、燃焼効率が高い方が先に並び、
2つの知識オントロジーが対応する燃焼効率が97%よりも大きい場合、NOx濃度が低い方が先に並び、
2つの知識オントロジーが対応する燃焼効率は、そのうち一つが97%以下であり、もう一つが97%よりも大きい場合、97%以下の方が先に並び、
データソースがボイラー燃焼効率を含まない場合、ボイラー燃焼効率の代わりに、ボイラー燃焼効率係数を使用し、具体的に、
2つの知識オントロジーが対応する燃焼効率係数が30以下である場合、燃焼効率係数が高い方が先に並び、
2つの知識オントロジーが対応する燃焼効率係数が30よりも大きい場合、NOx濃度が低い方が先に並び、
2つの知識オントロジーが対応する燃焼効率係数は、そのうち一つが30以下であり、もう一つが30よりも大きい場合、30以下の方が先に並び、
なお、ここでは、燃焼効率係数=100/|(当前排気煙道ガス温度-最低排気煙道ガス温度基準)×(排気煙道ガス酸素含有量-負荷酸素含有係数)|
最低排気煙道ガス温度基準=110℃である。
線形関係モデル確立ステップは、マルチレベルモデルのグレーディングメカニズムを確立するために用いられ、確立されたマルチレベルモデルのグレーディングメカニズムによって線形関係モデルを確立し、データ集合における空集合を補完し、前記マルチレベルモデルのグレーディングメカニズムは、ボイラー基本的な作業条件におけるボイラー負荷、石炭品質、及び周囲温度の3つの特徴値をグレーディング指標として一次グレーディングを生成し、次に、ボイラー負荷で二次グレーディングを行い、
ボイラー負荷は、50MWをスパンとしてグレーディングされ、石炭品質は、石炭1トン当たりの電力に基づいてグレーディングされ、ここで、石炭1トン当たりの電力=有効電力/石炭供給量であり、周囲温度は、季節指標又は循環水温度に基づいてグレーディングされ、
ボイラー負荷の二次グレーディングは、一次グレーディングメカニズムにおけるボイラー負荷を特徴値として二次グレーディングを行うことであり、ボイラー負荷は、1MWをスパンとしてさらに細分化し、ボイラー負荷、各石炭ミルの瞬間石炭供給速度、各石炭ミルの一次冷風送風開口度、各石炭ミルの一次熱風送風、総合送風開口度、各一次送風機の周波数変化コマンド及び送風ブレード開口度、4つの上部オーバーファイアエアスイング角度及びその開口度、4つの下部オーバーファイアエアスイング角度及びその開口度のボイラーのパラメーターで線形関係モデルを確立し、次に、前記線形関係モデルを偏微分法と組み合わせて、データにおける空集合を補完し、
最適化目標決定ステップは、ボイラーの燃焼効率、煙道ガス硝類化合物濃度制御のボイラーの最適化目標を決定し、具体的には、
ボイラーの燃焼効率を判断し、データソースが燃焼効率を含まない場合、燃焼効率係数を計算してボイラーの燃焼効率とし、
ボイラーのNOx濃度に関する規定される基準値を確定し、
機械学習ステップは、データソースに基づいて機械学習を実行し、具体的には、モデルコーディングサブステップ、知識オントロジー確定サブステップ、目標最適化サブステップを含み、
モデルコーディングサブステップは、基本的な作業条件とモデルと間のマッピング関係を生成して、基本的な作業条件に従って対応するモデルを決定するために使用され、
モデルコード=周囲温度コード+ボイラー負荷レベルコード×周囲温度コーディングウェイト+石炭1トン当たりの電力比率コード×ボイラー負荷レベルコーディングウェイト×周囲温度コーディングウェイトであり、
周囲温度コードについて、本発明の実施形態では、指標が、季節又は循環水温度であり、ここで、指標が季節である場合、コード=0(冬)又は1(夏)であり、指標が循環水温度である場合、循環水温度を10レベルに分かれ、対応するコードが0〜9であり、
周囲温度コーディングウェイト=16であり、
ボイラー負荷レベルコードは、50MWを1スパンとし、各レベルには、1つのコード数値を設定し、
ボイラー負荷レベルコーディングウェイト=16であり、
石炭1トン当たりの電力比率コード=丸め関数((石炭1トン当たりの電力-石炭1トン当たりの電力の最小値)/石炭1トン当たりの電力グレーディングスパン)であり、
石炭1トン当たりの電力グレーディングスパン=(石炭1トン当たりの電力最高値-石炭1トン当たりの電力の最小値)/10であり、
石炭1トン当たりの電力=有効電力/石炭供給量であり、
基本的な作業条件の二次グレーディングは、モデルのクラスキューに対応し、当該モデルが受信したサブディビジョンインスタンスを保存する。インスタンスを保存するとき、差分法を使用して、ボイラー負荷の単位変化量に対応する各要因の平均変化量を計算し、これらの変化量は、各要因についての偏微分値であり、最適化方案を作成する際、当前の基本的な作業条件に対応するインスタンスがある場合は直接使用し、存在しない場合は最初のインスタンスを基準として、ボイラー負荷の差と各要因についての偏微分値に基づいて、各要因の理論値を計算し、
知識オントロジー確定サブステップ,ボイラー燃焼効率に関連するすべての操作可能な機会のステータスを決定するために使用される。前記ステータスは、各石炭ミルの瞬間石炭供給速度、各石炭ミルの一次冷風送風開口度、各石炭ミルの一次熱風送風開口度、総合送風開口度、各一次送風機の周波数変化コマンド及び送風ブレード開口度、4つの上部オーバーファイアエアスイング角度及びその開口度、4つの下部オーバーファイアエアスイング角度及びその開口度、4層の二次送風スイング角度及びその開口度、二次送風量の総送風量を含み、
目標最適化サブステップは、知識オントロジーの並べ替え規則を形成するために使用され、具体的に、
データソースがボイラー燃焼効率を含む場合、
2つの知識オントロジーが対応する燃焼効率が97%以下である場合、燃焼効率が高い方が先に並び、
2つの知識オントロジーが対応する燃焼効率が97%よりも大きい場合、NOx濃度が低い方が先に並び、
2つの知識オントロジーが対応する燃焼効率は、そのうち一つが97%以下であり、もう一つが97%よりも大きい場合、97%以下の方が先に並び、
データソースがボイラー燃焼効率を含まない場合、ボイラー燃焼効率の代わりに、ボイラー燃焼効率係数を使用し、具体的に、
2つの知識オントロジーが対応する燃焼効率係数が30以下である場合、燃焼効率係数が高い方が先に並び、
2つの知識オントロジーが対応する燃焼効率係数が30よりも大きい場合、NOx濃度が低い方が先に並び、
2つの知識オントロジーが対応する燃焼効率係数は、そのうち一つが30以下であり、もう一つが30よりも大きい場合、30以下の方が先に並び、
なお、ここでは、燃焼効率係数=100/|(当前排気煙道ガス温度-最低排気煙道ガス温度基準)×(排気煙道ガス酸素含有量-負荷酸素含有係数)|
最低排気煙道ガス温度基準=110℃である。
さらに、前記機械学習ステップは、
条件制限サブステップであって、学習禁止規則及び非推奨規則を生成し、学習禁止規則及び非推奨規則を直接削除し、本発明の実施形態における制限条件の知識オントロジーは、
煙道温度が110℃などの基準よりも低い、又は、ボイラー負荷が20%よりも小さいことと、
メインタービンの気体温度と設定値との偏差の絶対値、一/二次再熱温度と設定値との偏差の絶対値が、設定された最大偏差よりも大きいことを更に含む。
条件制限サブステップであって、学習禁止規則及び非推奨規則を生成し、学習禁止規則及び非推奨規則を直接削除し、本発明の実施形態における制限条件の知識オントロジーは、
煙道温度が110℃などの基準よりも低い、又は、ボイラー負荷が20%よりも小さいことと、
メインタービンの気体温度と設定値との偏差の絶対値、一/二次再熱温度と設定値との偏差の絶対値が、設定された最大偏差よりも大きいことを更に含む。
さらに、前記機械学習ステップは、
動的条件下でのデータが大幅に変化し、機械ユニットのエネルギー効率及び排出と操作可能な要因との関係を安定に評価する場合、当該データを選別して削除する安定状態選別サブステップであって、前記安定状態選別サブステップの観測は、ボイラー負荷と、再熱気体温度と、再熱気体圧力と、又はメインタービンの気体温度、メインタービンの気体圧力、又は循環水温度のいずれか1つとを含む安定状態選別サブステップを更に含む。
動的条件下でのデータが大幅に変化し、機械ユニットのエネルギー効率及び排出と操作可能な要因との関係を安定に評価する場合、当該データを選別して削除する安定状態選別サブステップであって、前記安定状態選別サブステップの観測は、ボイラー負荷と、再熱気体温度と、再熱気体圧力と、又はメインタービンの気体温度、メインタービンの気体圧力、又は循環水温度のいずれか1つとを含む安定状態選別サブステップを更に含む。
さらに、前記機械学習ステップは、
最適化提案サブステップであって、当前の基本的な作業条件の下でより適切な操作方案がある場合、最適化規則に従って操作方案を並び替えて表示させ、そして、最適化規則は、各石炭ミルの瞬間石炭供給速度、一次冷風送風開口度、一次熱風送風開口度、総合送風開口度、各一次送風機の周波数変化コマンド及び送風ブレード開口度、4つの上部オーバーファイアエアスイング角度及びその開口度、4つの下部オーバーファイアエアスイング角度及びその開口度、4層(全部で16個)の二次送風スイング角度及びその開口度、二次送風量の総送風量のうちすくなくとも1つを含む最適化提案サブステップを更に含む。
最適化提案サブステップであって、当前の基本的な作業条件の下でより適切な操作方案がある場合、最適化規則に従って操作方案を並び替えて表示させ、そして、最適化規則は、各石炭ミルの瞬間石炭供給速度、一次冷風送風開口度、一次熱風送風開口度、総合送風開口度、各一次送風機の周波数変化コマンド及び送風ブレード開口度、4つの上部オーバーファイアエアスイング角度及びその開口度、4つの下部オーバーファイアエアスイング角度及びその開口度、4層(全部で16個)の二次送風スイング角度及びその開口度、二次送風量の総送風量のうちすくなくとも1つを含む最適化提案サブステップを更に含む。
本発明の上記技術的解決策の有益な効果は以下の通りである:上記技術的解決策は、燃焼効率の向上を目的とし、無害性を前提条件として、ビッグデータおよび人工知能技術を用いて、燃焼効率に影響を与える主な要因(石炭側要因、風側要因)を分析して、燃焼効率を改善するための最適化の提案を取得し、石炭節約のためのインテリジェントな補助的意思決定の目的を達成している。上記の技術的解決策は、ボイラーの燃焼構造や原理を変更する必要がなく、測定対象を追加する必要もない。通常の生産に影響を与えないという前提の下で、機械学習方法を通じて、ボイラーの燃焼効率を向上させるための安全で便利で合理的な操作の提案を提供し、石炭を節約し、効率を高めるという目標を達成している。
本発明を理解するために、以下、図面及び実施形態を参照しながら本発明の詳細を説明する。
本発明の実施形態は、ボイラー石炭節約制御方法を提供する。当該ボイラー石炭節約制御方法は、無害の前提で、燃焼効率を向上させることを目的としたものであり、ビッグデータ及び人工智能技術を用いて、ボイラーの燃焼効率に影響を与える主な要因(石炭による要因、風による要因)を分析して、燃焼効率を改善するための最適化条件を提案し、石炭節約のインテリジェントな補助的意思決定の目的を達成する。
ここでの無害の前提とは、以下の項目を含む。
1、タービンに無害:解決手段は、メインタービン温度、一次再熱温度、及び二次再熱温度に影響を与えないこと。
2、環境に無害:煙道ガスのNOx濃度が高すぎではないこと。
3、コークス化が進行しすぎないこと。
上記の解決手段は、ボイラーの燃焼構造及び原理を変更する必要がなく、追加測定の操作も必要なく、通常の生産に影響を与えない前提で、機械学習方法を通じて、安全便利且つ合理的な操作を提案し、ボイラー燃焼効率を向上させ、石炭節約の目的を達成している。
ボイラーの燃焼効率を向上させるには、どの要因が燃焼効率を決定するのかを明確にする必要がある。詳細な調査の結果、ボイラーの燃焼効率に影響を与える主な要因は、次の通りである。
1、ボイラー構造及び燃焼原理(この要因は、変化しない要因である)。
2、石炭品質。
3、石炭側の関連要因、具体的には、ミルの動作モード、ミルの瞬間的な石炭供給速度、一次送風量を含む。
4、風側の関連要因、二次送風量の総送風量、オーバーファイアエアスイング角度及び開口度、二次送風スイング角度及び開口度を含む。
変化しない要因が制御できないので、ボイラー炉の環境パラメーターを監視してもボイラー石炭節約を実現させることができない。ボイラーの燃焼効率を改善するために、本発明の実施形態では、ボイラー石炭節約に対する制御について、最適化できる可変要因のみが考慮される。同時に、無害の要件を満たすためには、無害を前提としてボイラーの燃焼効率を最適化し、石炭節約の効果を実現する。
ここでの無害の前提とは、以下の項目を含む。
1、タービンに無害:解決手段は、メインタービン温度、一次再熱温度、及び二次再熱温度に影響を与えないこと。
2、環境に無害:煙道ガスのNOx濃度が規定される基準値よりも低いこと。
3、コークス化が進行しすぎないこと。
当該前提条件の下で、本発明の実施形態によって提供されるボイラー石炭節約制御方法は、線形関係モデル確立ステップ、最適化目標決定ステップ、機械学習ステップを含む。
線形関係モデル確立ステップ:マルチレベルモデルのグレーディングメカニズムを確立し、前記マルチレベルモデルのグレーディングメカニズムに基づいて線形関係モデルを確立し、データ集合における空集合を補完するために使用される。本発明の実施形態は、異なる基本的な作業条件に対して異なる最適化モデルを確立しているので、最適化の提案をより適切にすることができる。また、モデルの二次グレーディングメカニズムが確立されている。
線形関係モデル確立ステップ:マルチレベルモデルのグレーディングメカニズムを確立し、前記マルチレベルモデルのグレーディングメカニズムに基づいて線形関係モデルを確立し、データ集合における空集合を補完するために使用される。本発明の実施形態は、異なる基本的な作業条件に対して異なる最適化モデルを確立しているので、最適化の提案をより適切にすることができる。また、モデルの二次グレーディングメカニズムが確立されている。
基本的な作業条件から選択された要因及び細分化の精細度は、最適化提案の効果に大きく影響する。細分化の精細度が細かいほど結果は正確になるが、精細度が細かすぎると、空集合が増えて可用性が低下する傾向がある。
本発明の実施形態に採用される二次グレーディングメカニズムは、
一次グレーディングメカニズム:ボイラー負荷、石炭品質、周囲温度の三つの特徴値がグレーディング指標として使用される。これは、基本的な作業条件の基本グレーディングであり、細分化の精細度が大きく、サンプル数が不足しているという問題が解決される。具体的に、
1)石炭品質グレーディング:石炭品質は重要な要因であるが、石炭品質に関するオンラインデータ(読み取り可能な既存のデータ情報)はない。本発明の実施形態では、石炭品質を表すために、石炭1トン当たりの電力を使用している。ここで、石炭1トン当たりの電力=有効電力/石炭供給量である。
一次グレーディングメカニズム:ボイラー負荷、石炭品質、周囲温度の三つの特徴値がグレーディング指標として使用される。これは、基本的な作業条件の基本グレーディングであり、細分化の精細度が大きく、サンプル数が不足しているという問題が解決される。具体的に、
1)石炭品質グレーディング:石炭品質は重要な要因であるが、石炭品質に関するオンラインデータ(読み取り可能な既存のデータ情報)はない。本発明の実施形態では、石炭品質を表すために、石炭1トン当たりの電力を使用している。ここで、石炭1トン当たりの電力=有効電力/石炭供給量である。
2)ボイラー負荷:50MWをスパンとして、ボイラー負荷をグレーディングする。
3)周囲温度:周囲温度は燃焼効率に影響を与える。本発明の実施形態では、季節指標又は循環水の温度を使用して周囲温度を表すことができる。なお、実際の実験では、循環水温度の使用は季節指標よりも正確であることが見出されている。
二次グレーディングは、一次グレーディングされた1つのグループ(データ集合)においてさらにグレーディングすることを意味している。本発明の実施形態では、一次グレーディングメカニズムのボイラー負荷の特徴値は、さらに二次グレーディングにグレーディングされ、ボイラー負荷を1MWのスパンでさらに細分化し、ボイラー負荷、各石炭ミルの瞬間石炭供給速度、各石炭ミルの一次冷風送風開口度、各石炭ミルの一次熱風送風、総合送風開口度、各一次送風機の周波数変化コマンド及び送風ブレード開口度、4つの上部オーバーファイアエアスイング角度及びその開口度、4つの下部オーバーファイアエアスイング角度及びその開口度などのボイラーパラメーター間の関係を表す線形関係モデルを確立する。
前記線形関係モデルを偏微分法と組み合わせて使用して、データ集合の空集合を補完させる。これによって、モデルの計算精度が向上するだけでなく、使いやすさも向上し、一次グレーディングメカニズムに一般に存在する問題が解決されることができる。
最適化目標決定ステップ:ボイラーの燃焼効率、煙道ガスの濃度制御などのボイラーの最適化目標を決定するために使用される。具体的には、
データソースに燃焼効率フィールドが含まれているかどうか、ボイラーの燃焼効率を判断し、含まれていない場合は、燃焼効率係数をボイラーの燃焼効率とし、
また、ボイラーのNOx濃度に規定される基準値を決定する。
データソースに燃焼効率フィールドが含まれているかどうか、ボイラーの燃焼効率を判断し、含まれていない場合は、燃焼効率係数をボイラーの燃焼効率とし、
また、ボイラーのNOx濃度に規定される基準値を決定する。
機械学習ステップ:データソースに基づいて機械学習を実行し、モデルコーディングサブステップ、知識オントロジーサブステップ、目標最適化サブステップ、条件制限サブステップを実行し、
ここでは、
モデルコーディングサブステップは、基本的な作業条件とモデルの間のマッピング関係を生成して、基本的な作業条件に従って対応するモデルを決定するために使用され、
モデルコード=周囲温度コード+ボイラー負荷レベルコード×周囲温度コーディングウェイト+石炭1トン当たりの電力比率コード×ボイラー負荷レベルコーディングウェイト×周囲温度コーディングウェイトであり、
周囲温度コード:本発明の実施形態では、季節を指標として使用しても良く、循環水温度を指標として使用しても良い。季節を指標として使用する場合、コード=0(冬)又は1(夏)であり、循環水温度を指標として使用する場合、循環水温度は10段階に分かれており、対応するコードが0〜9であり、
周囲温度コーディングウェイト=16であり、
ボイラー負荷レベルコード:50MWを1スパンとし、各レベルには、1つのコード数値を設定し、
ボイラー負荷レベルコーディングウェイト=16であり、
石炭1トン当たりの電力比率コード=丸め関数((石炭1トン当たりの電力-石炭1トン当たりの電力の最小値)/石炭1トン当たりの電力グレーディングスパン)であり、
石炭1トン当たりの電力グレーディングスパン=(石炭1トン当たりの電力最高値-石炭1トン当たりの電力の最小値)/10であり、
石炭1トン当たりの電力=有効電力/石炭供給量であり、
基本的な作業条件の二次グレーディングは、モデルのクラスキューに対応し、当該モデルが受信したサブディビジョンインスタンスを保存する。インスタンスを保存するとき、差分法を使用して、ボイラー負荷の単位変化量(変化量あたり、ボイラー負荷が増加又は減少することを評価するために使用される変化量の1単位)に対応する各要因の平均変化量を計算し、これらの変化量は、各要因についての偏微分値である。最適化方案を作成する際、当前の基本的な作業条件に対応するインスタンスがある場合は直接使用し、存在しない場合は最初のインスタンスを基準として、ボイラー負荷の差と各要因についての偏微分値に基づいて、各要因の理論値を計算する。
ここでは、
モデルコーディングサブステップは、基本的な作業条件とモデルの間のマッピング関係を生成して、基本的な作業条件に従って対応するモデルを決定するために使用され、
モデルコード=周囲温度コード+ボイラー負荷レベルコード×周囲温度コーディングウェイト+石炭1トン当たりの電力比率コード×ボイラー負荷レベルコーディングウェイト×周囲温度コーディングウェイトであり、
周囲温度コード:本発明の実施形態では、季節を指標として使用しても良く、循環水温度を指標として使用しても良い。季節を指標として使用する場合、コード=0(冬)又は1(夏)であり、循環水温度を指標として使用する場合、循環水温度は10段階に分かれており、対応するコードが0〜9であり、
周囲温度コーディングウェイト=16であり、
ボイラー負荷レベルコード:50MWを1スパンとし、各レベルには、1つのコード数値を設定し、
ボイラー負荷レベルコーディングウェイト=16であり、
石炭1トン当たりの電力比率コード=丸め関数((石炭1トン当たりの電力-石炭1トン当たりの電力の最小値)/石炭1トン当たりの電力グレーディングスパン)であり、
石炭1トン当たりの電力グレーディングスパン=(石炭1トン当たりの電力最高値-石炭1トン当たりの電力の最小値)/10であり、
石炭1トン当たりの電力=有効電力/石炭供給量であり、
基本的な作業条件の二次グレーディングは、モデルのクラスキューに対応し、当該モデルが受信したサブディビジョンインスタンスを保存する。インスタンスを保存するとき、差分法を使用して、ボイラー負荷の単位変化量(変化量あたり、ボイラー負荷が増加又は減少することを評価するために使用される変化量の1単位)に対応する各要因の平均変化量を計算し、これらの変化量は、各要因についての偏微分値である。最適化方案を作成する際、当前の基本的な作業条件に対応するインスタンスがある場合は直接使用し、存在しない場合は最初のインスタンスを基準として、ボイラー負荷の差と各要因についての偏微分値に基づいて、各要因の理論値を計算する。
知識オントロジー確定サブステップは、ボイラー燃焼効率に関連するすべての操作可能な機会のステータスを決定するために使用される。前記ステータスは、各石炭ミルの瞬間石炭供給速度、各石炭ミルの一次冷風送風開口度、各石炭ミルの一次熱風送風開口度、総合送風開口度、各一次送風機の周波数変化コマンド及び送風ブレード開口度、4つの上部オーバーファイアエアスイング角度及びその開口度、4つの下部オーバーファイアエアスイング角度及びその開口度、4層の二次送風スイング角度及びその開口度、二次送風量の総送風量を含む。
目標最適化サブステップは、知識オントロジーの並べ替え規則を形成するために使用され、具体的に、
データソースがボイラー燃焼効率を含む場合、
2つの知識オントロジーが対応する燃焼効率が97%以下である場合、燃焼効率が高い方が先に並べる。
データソースがボイラー燃焼効率を含む場合、
2つの知識オントロジーが対応する燃焼効率が97%以下である場合、燃焼効率が高い方が先に並べる。
2つの知識オントロジーが対応する燃焼効率が97%よりも大きい場合、NOx濃度が低い方が先に並べる。
2つの知識オントロジーが対応する燃焼効率は、そのうち一つが97%以下であり、もう一つが97%よりも大きい場合、97%以下の方が先に並べる。
データソースがボイラー燃焼効率を含まない場合、ボイラー燃焼効率の代わりに、ボイラー燃焼効率係数を使用する。具体的な規則が以下である。
2つの知識オントロジーが対応する燃焼効率係数が30以下である場合、燃焼効率係数が高い方が先に並べる。
2つの知識オントロジーが対応する燃焼効率係数が30よりも大きい場合、NOx濃度が低い方が先に並べる。
2つの知識オントロジーが対応する燃焼効率係数は、そのうち一つが30以下であり、もう一つが30よりも大きい場合、30以下の方が先に並べる。
なお、ここでは、燃焼効率係数=100/|(当前排気煙道ガス温度-最低排気煙道ガス温度基準)×(排気煙道ガス酸素含有量-負荷酸素含有係数)|
最低排気煙道ガス温度基準=110℃であり、
負荷酸素含有係数は、次の表によって決定される
最低排気煙道ガス温度基準=110℃であり、
負荷酸素含有係数は、次の表によって決定される
条件制限サブステップは、学習禁止規則及び非推奨規則を生成し、学習禁止規則及び非推奨規則を直接削除するために使用され、本発明の実施形態における制限条件の知識オントロジーは、
煙道温度が110℃などの基準よりも低い、又は、ボイラー負荷が20%よりも小さいこと、
メインタービンの気体温度と設定値との偏差の絶対値、一/二次再熱温度と設定値との偏差の絶対値が、設定された最大偏差よりも大きいこと、を含む。
安定状態選別サブステップは、動的条件下でのデータが大幅に変化し、機械ユニットのエネルギー効率及び排出と操作可能な要因との関係を安定に評価する場合、当該データを選別して削除し、安定状態選別サブステップの観測は、ボイラー負荷と、再熱気体温度と、再熱気体圧力と、又はメインタービンの気体温度、メインタービンの気体圧力、又は循環水温度のいずれか1つとを含む。
最適化提案サブステップは、当前の基本的な作業条件の下でより適切な操作方案がある場合、最適化規則に従って操作方案を並び替えて表示させ、最適化規則は、各石炭ミルの瞬間石炭供給速度、一次冷風送風開口度、一次熱風送風開口度、総合送風開口度、各一次送風機の周波数変化コマンド及び送風ブレード開口度、4つの上部オーバーファイアエアスイング角度及びその開口度、4つの下部オーバーファイアエアスイング角度及びその開口度、4層(全部で16個)の二次送風スイング角度及びその開口度、二次送風量の総送風量のうちすくなくとも1つを含む。
なお、当該最適化提案サブステップは、メインタービン温度、一次再熱温度、二次再熱温度の変動範囲の制限のため、タービンの性能に影響を与えない。また、燃焼効率係数の目標を平衡点以下に設定すれば、NOxの発生量は少なくなる。すべての提案は過去の操作の再現から得られるため、コークス化への影響は以前より悪化することはない。また、システムには条件制限サブステップによって生成された不正な操作ルールライブラリが含まれているため、使用中に新しい不正な操作の推奨が見つかった場合、そのような操作の推奨を回避するために不正な操作ルールライブラリを追加できる。
上述した技術的な解決手段は、以下の特徴を有する。
1、ニューラルネットワークステータスのオンラインナレッジネットワークを確立する。
オンラインナレッジネットワークは、機械学習後にナレッジポイントを保存する方式である。オンラインナレッジネットワークのメリットとしては、ナレッジポイントの検索速度が速く、より多くアクセスをサポートできることである。デメリットとしては、大きなメモリを要求し、且つ、ストレージ構造の高効率及び節約性を要求する。
2、強力な最適化能力
ニューラルネットワークのすべてのサブネットワークには、最適化能力を有し、すなわち、サブネットワークのルートノードは常にサブネットワーク内の最適化のソリューションであるため、履歴最適化では、条件を満たす1個目のノードを見つけるだけで、グローバルな最適ポイントを決定することができる(高効率且つ便利である)。
ニューラルネットワークのすべてのサブネットワークには、最適化能力を有し、すなわち、サブネットワークのルートノードは常にサブネットワーク内の最適化のソリューションであるため、履歴最適化では、条件を満たす1個目のノードを見つけるだけで、グローバルな最適ポイントを決定することができる(高効率且つ便利である)。
3、ネガティブルールベースを確立する。
ネガティブルールベースに従って、規則違反行為は独自に発見し、違反の経験を勉強させず、規則違反の提案も出さないことを実現することができる。
4、学習資料に手動でラベルを付ける必要はなく、知識はその後の作業条件とルールに従って独立して評価およびアーカイブすることができる。
監視対象の機械学習では、学習教材にラベルを付ける必要がある(すべての教科書にラベルを付ける必要がある)が、学習教材にラベルを付けるには、必ずしも手動でラベルを付ける必要はない。例えば、機械自体が学習資料にラベルを付けることもできる。本発明では、学習教材に自動でラベルを付ける(具体的には、より最適化の提案があるかどうか、規制に違反しているかどうかなど)。
5、1対1のトレーサビリティを確立する。
データトレーサビリティメカニズムを確立する。ニューラルネットワークのナレッジポイントには、関連付けトレーサビリティメカニズムがあり、各提案について、知識のソースまで追跡できる。これによって、使用者が提案の根拠(発電所、機械ユニット、時間、石炭の品質、基本的な作業条件、操作状態、燃焼効率及びNOx排出量などの情報)を照会できる。これで、推奨事項をより合理的かつ安全で信頼できる。
以上は、本発明の好ましい実施形態である。なお、本発明の原理から逸脱することなく、当技術分野における技術者にとって、いくつかの改良および変更を行うことができ、これらの改良および変更は、本発明の保護範囲内と見なされるべきである。
Claims (4)
- ボイラー石炭節約制御方法であって、線形関係モデル確立ステップと最適化目標決定ステップと機械学習ステップとを含み、
線形関係モデル確立ステップは、マルチレベルモデルのグレーディングメカニズムを確立するために用いられ、確立されたマルチレベルモデルのグレーディングメカニズムによって線形関係モデルを確立し、データ集合における空集合を補完し、前記マルチレベルモデルのグレーディングメカニズムは、ボイラー基本的な作業条件におけるボイラー負荷、石炭品質、及び周囲温度の3つの特徴値をグレーディング指標として一次グレーディングを生成し、次に、ボイラー負荷で二次グレーディングを行い、
ボイラー負荷は、50MWをスパンとしてグレーディングされ、石炭品質は、石炭1トン当たりの電力に基づいてグレーディングされ、ここで、石炭1トン当たりの電力=有効電力/石炭供給量であり、周囲温度は、季節指標又は循環水温度に基づいてグレーディングされ、
ボイラー負荷の二次グレーディングは、一次グレーディングメカニズムにおけるボイラー負荷を特徴値として二次グレーディングを行うことであり、ボイラー負荷は、1MWをスパンとしてさらに細分化し、ボイラー負荷、各石炭ミルの瞬間石炭供給速度、各石炭ミルの一次冷風送風開口度、各石炭ミルの一次熱風送風、総合送風開口度、各一次送風機の周波数変化コマンド及び送風ブレード開口度、4つの上部オーバーファイアエアスイング角度及びその開口度、4つの下部オーバーファイアエアスイング角度及びその開口度のボイラーのパラメーターで線形関係モデルを確立し、次に、前記線形関係モデルを偏微分法と組み合わせて、データにおける空集合を補完し、
最適化目標決定ステップは、ボイラーの燃焼効率、煙道ガス硝類化合物濃度制御のボイラーの最適化目標を決定し、具体的には、
ボイラーの燃焼効率を判断し、データソースが燃焼効率を含まない場合、燃焼効率係数を計算してボイラーの燃焼効率とし、
ボイラーのNOx濃度に関する規定される基準値を確定し、
機械学習ステップは、データソースに基づいて機械学習を実行し、具体的には、モデルコーディングサブステップ、知識オントロジー確定サブステップ、目標最適化サブステップを含み、
モデルコーディングサブステップは、基本的な作業条件とモデルと間のマッピング関係を生成して、基本的な作業条件に従って対応するモデルを決定するために使用され、
モデルコード=周囲温度コード+ボイラー負荷レベルコード×周囲温度コーディングウェイト+石炭1トン当たりの電力比率コード×ボイラー負荷レベルコーディングウェイト×周囲温度コーディングウェイトであり、
周囲温度コードについて、本発明の実施形態では、指標が、季節又は循環水温度であり、ここで、指標が季節である場合、コード=0(冬)又は1(夏)であり、指標が循環水温度である場合、循環水温度を10レベルに分かれ、対応するコードが0〜9であり、
周囲温度コーディングウェイト=16であり、
ボイラー負荷レベルコードは、50MWを1スパンとし、各レベルには、1つのコード数値を設定し、
ボイラー負荷レベルコーディングウェイト=16であり、
石炭1トン当たりの電力比率コード=丸め関数((石炭1トン当たりの電力-石炭1トン当たりの電力の最小値)/石炭1トン当たりの電力グレーディングスパン)であり、
石炭1トン当たりの電力グレーディングスパン=(石炭1トン当たりの電力最高値-石炭1トン当たりの電力の最小値)/10であり、
石炭1トン当たりの電力=有効電力/石炭供給量であり、
基本的な作業条件の二次グレーディングは、モデルのクラスキューに対応し、当該モデルが受信したサブディビジョンインスタンスを保存する。インスタンスを保存するとき、差分法を使用して、ボイラー負荷の単位変化量に対応する各要因の平均変化量を計算し、これらの変化量は、各要因についての偏微分値であり、最適化方案を作成する際、当前の基本的な作業条件に対応するインスタンスがある場合は直接使用し、存在しない場合は最初のインスタンスを基準として、ボイラー負荷の差と各要因についての偏微分値に基づいて、各要因の理論値を計算し、
知識オントロジー確定サブステップ,ボイラー燃焼効率に関連するすべての操作可能な機会のステータスを決定するために使用される。前記ステータスは、各石炭ミルの瞬間石炭供給速度、各石炭ミルの一次冷風送風開口度、各石炭ミルの一次熱風送風開口度、総合送風開口度、各一次送風機の周波数変化コマンド及び送風ブレード開口度、4つの上部オーバーファイアエアスイング角度及びその開口度、4つの下部オーバーファイアエアスイング角度及びその開口度、4層の二次送風スイング角度及びその開口度、二次送風量の総送風量を含み、
目標最適化サブステップは、知識オントロジーの並べ替え規則を形成するために使用され、具体的に、
データソースがボイラー燃焼効率を含む場合、
2つの知識オントロジーが対応する燃焼効率が97%以下である場合、燃焼効率が高い方が先に並び、
2つの知識オントロジーが対応する燃焼効率が97%よりも大きい場合、NOx濃度が低い方が先に並び、
2つの知識オントロジーが対応する燃焼効率は、そのうち一つが97%以下であり、もう一つが97%よりも大きい場合、97%以下の方が先に並び、
データソースがボイラー燃焼効率を含まない場合、ボイラー燃焼効率の代わりに、ボイラー燃焼効率係数を使用し、具体的に、
2つの知識オントロジーが対応する燃焼効率係数が30以下である場合、燃焼効率係数が高い方が先に並び、
2つの知識オントロジーが対応する燃焼効率係数が30よりも大きい場合、NOx濃度が低い方が先に並び、
2つの知識オントロジーが対応する燃焼効率係数は、そのうち一つが30以下であり、もう一つが30よりも大きい場合、30以下の方が先に並び、
なお、ここでは、燃焼効率係数=100/|(当前排気煙道ガス温度-最低排気煙道ガス温度基準)×(排気煙道ガス酸素含有量-負荷酸素含有係数)|
最低排気煙道ガス温度基準=110℃である、ことを特徴とするボイラー石炭節約制御方法。 - 前記機械学習ステップは、
条件制限サブステップであって、学習禁止規則及び非推奨規則を生成し、学習禁止規則及び非推奨規則を直接削除し、本発明の実施形態における制限条件の知識オントロジーは、
煙道温度が110°℃などの基準よりも低い、又は、ボイラー負荷が20%よりも小さいことと、
メインタービンの気体温度と設定値との偏差の絶対値、一/二次再熱温度と設定値との偏差の絶対値が、設定された最大偏差よりも大きいことを更に含む、ことを特徴とする請求項1に記載のボイラー石炭節約制御方法。 - 前記機械学習ステップは、
動的条件下でのデータが大幅に変化し、機械ユニットのエネルギー効率及び排出と操作可能な要因との関係を安定に評価する場合、当該データを選別して削除する安定状態選別サブステップであって、前記安定状態選別サブステップの観測は、ボイラー負荷と、再熱気体温度と、再熱気体圧力と、又はメインタービンの気体温度、メインタービンの気体圧力、又は循環水温度のいずれか1つとを含む安定状態選別サブステップを更に含む、ことを特徴とする請求項1に記載のボイラー石炭節約制御方法。 - 前記機械学習ステップは、
最適化提案サブステップであって、当前の基本的な作業条件の下でより適切な操作方案がある場合、最適化規則に従って操作方案を並び替えて表示させ、最適化規則は、各石炭ミルの瞬間石炭供給速度、一次冷風送風開口度、一次熱風送風開口度、総合送風開口度、各一次送風機の周波数変化コマンド及び送風ブレード開口度、4つの上部オーバーファイアエアスイング角度及びその開口度、4つの下部オーバーファイアエアスイング角度及びその開口度、4層の二次送風スイング角度及びその開口度、二次送風量の総送風量のうちすくなくとも1つを含む最適化提案サブステップを更に含む、ことを特徴とする請求項1に記載のボイラー石炭節約制御方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810788738.7 | 2018-07-18 | ||
CN201810788738.7A CN108954375B (zh) | 2018-07-18 | 2018-07-18 | 锅炉节煤控制方法 |
PCT/CN2019/089211 WO2020015466A1 (zh) | 2018-07-18 | 2019-05-30 | 锅炉节煤控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2021530669A true JP2021530669A (ja) | 2021-11-11 |
Family
ID=64497408
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021525344A Pending JP2021530669A (ja) | 2018-07-18 | 2019-05-30 | ボイラー石炭節約制御方法 |
Country Status (8)
Country | Link |
---|---|
US (1) | US20210278078A1 (ja) |
JP (1) | JP2021530669A (ja) |
KR (1) | KR20210029807A (ja) |
CN (1) | CN108954375B (ja) |
AU (1) | AU2019305721B2 (ja) |
DE (1) | DE112019003599T5 (ja) |
WO (1) | WO2020015466A1 (ja) |
ZA (1) | ZA202101020B (ja) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11875371B1 (en) | 2017-04-24 | 2024-01-16 | Skyline Products, Inc. | Price optimization system |
CN108954375B (zh) * | 2018-07-18 | 2020-06-19 | 厦门邑通软件科技有限公司 | 锅炉节煤控制方法 |
CN109978287B (zh) * | 2019-05-17 | 2020-04-21 | 亚洲硅业(青海)股份有限公司 | 多晶硅智能生产方法及系统 |
CN111881554B (zh) * | 2020-06-29 | 2022-11-25 | 东北电力大学 | 一种锅炉随气温变化的优化控制方法 |
CN112633569B (zh) * | 2020-12-17 | 2022-11-25 | 华能莱芜发电有限公司 | 一种燃煤自动堆料决策方法及系统 |
CN114358244B (zh) * | 2021-12-20 | 2023-02-07 | 淮阴工学院 | 基于物联网的压力大数据智能检测系统 |
CN115451424B (zh) * | 2022-08-12 | 2023-04-21 | 北京全应科技有限公司 | 一种基于压力前馈的燃煤锅炉给煤控制方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012053505A (ja) * | 2010-08-31 | 2012-03-15 | Hitachi Ltd | プラントの制御装置及び火力発電プラントの制御装置 |
CN103576655A (zh) * | 2013-11-06 | 2014-02-12 | 华北电力大学(保定) | 一种电站锅炉燃烧子空间建模及多目标优化方法和系统 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5115967A (en) * | 1991-03-18 | 1992-05-26 | Wedekind Gilbert L | Method and apparatus for adaptively optimizing climate control energy consumption in a building |
US5197666A (en) * | 1991-03-18 | 1993-03-30 | Wedekind Gilbert L | Method and apparatus for estimation of thermal parameter for climate control |
CN102032590B (zh) * | 2010-12-31 | 2012-01-11 | 北京华电天仁电力控制技术有限公司 | 基于精确测量系统的锅炉燃烧优化控制系统和优化控制方法 |
CN103400015B (zh) * | 2013-08-15 | 2016-05-18 | 华北电力大学 | 基于数值模拟与试验运行数据的燃烧系统复合建模方法 |
CN104061588B (zh) * | 2014-07-17 | 2016-08-31 | 烟台龙源电力技术股份有限公司 | 基于二次风门调风控制的低氮燃烧控制方法和系统 |
CN104776446B (zh) * | 2015-04-14 | 2017-05-10 | 东南大学 | 一种锅炉燃烧优化控制方法 |
CN104913288A (zh) * | 2015-06-30 | 2015-09-16 | 广东电网有限责任公司电力科学研究院 | 600mw亚临界四角切圆锅炉控制方法 |
CN105276611B (zh) * | 2015-11-25 | 2017-09-01 | 广东电网有限责任公司电力科学研究院 | 火电厂锅炉燃烧调整优化方法与系统 |
CN105590005B (zh) * | 2016-01-22 | 2018-11-13 | 安徽工业大学 | 一种煤粉颗粒间燃烧过程相互作用的数值模拟方法 |
CN107084404A (zh) * | 2017-05-28 | 2017-08-22 | 贵州电网有限责任公司电力科学研究院 | 一种火电厂基于燃烧优化控制的精确配风方法 |
CN107726358B (zh) * | 2017-10-12 | 2018-11-09 | 东南大学 | 基于cfd数值模拟和智能建模的锅炉燃烧优化系统及方法 |
CN108954375B (zh) * | 2018-07-18 | 2020-06-19 | 厦门邑通软件科技有限公司 | 锅炉节煤控制方法 |
CN112555896A (zh) * | 2020-12-14 | 2021-03-26 | 国家能源菏泽发电有限公司 | 一种火力发电厂锅炉燃烧效率智能化分析系统及方法 |
-
2018
- 2018-07-18 CN CN201810788738.7A patent/CN108954375B/zh active Active
-
2019
- 2019-05-30 US US17/260,549 patent/US20210278078A1/en active Pending
- 2019-05-30 WO PCT/CN2019/089211 patent/WO2020015466A1/zh active Application Filing
- 2019-05-30 JP JP2021525344A patent/JP2021530669A/ja active Pending
- 2019-05-30 KR KR1020217004008A patent/KR20210029807A/ko not_active Application Discontinuation
- 2019-05-30 DE DE112019003599.1T patent/DE112019003599T5/de active Pending
- 2019-05-30 AU AU2019305721A patent/AU2019305721B2/en active Active
-
2021
- 2021-02-15 ZA ZA2021/01020A patent/ZA202101020B/en unknown
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012053505A (ja) * | 2010-08-31 | 2012-03-15 | Hitachi Ltd | プラントの制御装置及び火力発電プラントの制御装置 |
CN103576655A (zh) * | 2013-11-06 | 2014-02-12 | 华北电力大学(保定) | 一种电站锅炉燃烧子空间建模及多目标优化方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
AU2019305721B2 (en) | 2021-12-16 |
US20210278078A1 (en) | 2021-09-09 |
ZA202101020B (en) | 2022-07-27 |
CN108954375A (zh) | 2018-12-07 |
AU2019305721A1 (en) | 2021-03-04 |
CN108954375B (zh) | 2020-06-19 |
DE112019003599T5 (de) | 2021-11-18 |
WO2020015466A1 (zh) | 2020-01-23 |
KR20210029807A (ko) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2021530669A (ja) | ボイラー石炭節約制御方法 | |
Zhong et al. | Constrained non-linear multi-objective optimisation of preventive maintenance scheduling for offshore wind farms | |
CN103440528B (zh) | 基于耗差分析的火电机组运行优化方法及装置 | |
CN103576655B (zh) | 一种电站锅炉燃烧子空间建模及多目标优化方法和系统 | |
CN108592080B (zh) | 锅炉燃烧控制系统和方法 | |
CN103744294A (zh) | 基于模糊控制的多目标吹灰优化方法、服务器和系统 | |
CN105320114A (zh) | 基于数据挖掘的火力发电站锅炉燃烧调整模型获取方法 | |
CN112736268A (zh) | 一种提高sofc系统寿命的控制优化方法和系统 | |
CN110458724A (zh) | 一种基于神经网络预测火电机组深度调峰能力的方法 | |
CN111664470A (zh) | 一种热风炉自动节能燃烧控制系统及设备 | |
CN106527176A (zh) | 一种基于mfoa‑svm的锅炉热效率与nox建模 | |
CN111401652A (zh) | 一种基于co在线检测的锅炉优化方法及系统 | |
CN106602593A (zh) | 微电网多目标转化单目标的方法 | |
CN107274069A (zh) | 基于可选多因素条件下火电机组的负荷特性确定方法 | |
CN112508226A (zh) | 一种火电厂煤场场损预测方法及系统 | |
CN103745414A (zh) | 一种燃气-蒸汽联合循环发电机组性能的在线评分方法 | |
CN108708823A (zh) | 风力发电机组的最优增益参数在线优化方法与系统 | |
CN109858125B (zh) | 一种基于径向基神经网络的火电机组供电煤耗计算方法 | |
CN116522752A (zh) | 一种基于机理与数据融合的压缩空气储能系统仿真方法 | |
CN114647191A (zh) | 一种基于锅炉热负荷均衡分配的制粉系统优化调度方法 | |
CN115290218A (zh) | 一种火力发电机组锅炉水冷壁壁温的软测量方法与系统 | |
Wang et al. | Data mining-based operation optimization of large coal-fired power plants | |
CN110080896A (zh) | 一种基于遗传算法的沼气发动机空燃比控制方法 | |
CN111126693A (zh) | 基于上游水库运行对下游电站发电能力影响的调度方法 | |
CN109617058A (zh) | 微电网运行方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210118 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220222 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220519 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20221004 |