一种锅炉风煤比优化方法和系统与流程

本发明属于工业锅炉燃烧优化
技术领域：
，具体地说，是涉及一种锅炉风煤比优化方法和系统。
背景技术：
：在动力行业中，锅炉效率对其经济效益影响重大，过热蒸汽锅炉运行中，风煤比的选择直接影响锅炉运行工况，风煤比过大，容易造成空气过量，浪费热量，燃烧效率低，风煤比过低，容易造成燃烧不充分，锅炉效率降低。为了使燃烧锅炉达到最高效率，必须控制给煤量和送风量，及时调整两者之间的比例。现有的优化技术参数采集单一，锅炉效率计算步骤繁琐，所需参数测点获取难度较大，且不能跟随机组负荷的变化及时调整风煤比来达到锅炉燃烧效率最优的效果。技术实现要素：本申请提供了一种锅炉风煤比优化方法和系统，实现及时调整风煤比例，达到锅炉燃烧效率最优的技术效果。为解决上述技术问题，本申请采用以下技术方案予以实现：提出一种锅炉风煤比优化方法，包括：获取测点历史运行数据；基于所述历史运行数据，训练得到锅炉有效热效率与给煤量、送风量和主蒸汽流量之间的训练关系模型；基于所述训练关系模型，在设定约束条件下获得在锅炉有效热效率最大时对应的给煤量和送风量的最优比例。进一步的，所述测点包括给煤量、送风量、主蒸汽流量和锅炉有效热效率；所述基于所述历史运行数据，训练得到锅炉有效热效率与给煤量、送风量和主蒸汽流量之间的训练关系模型，具体为：以所述给煤量的历史运行数据、所述送风量的历史运行数据和所述主蒸汽流量之间的历史运行数据为训练输入，以锅炉有效热效率的历史运行数据为训练输出，采用神经网络训练得到所述训练关系模型。进一步的，所述测点还包括主蒸汽压力、主蒸汽温度和给水温度；则锅炉有效热效率的历史运行数据的获取方法包括：基于所述主蒸汽压力的历史运行数据和所述主蒸汽温度的历史运行数据，采用最小二乘回归方法得到饱和蒸汽焓值；基于所述给水温度的历史运行数据，采用最小二乘回归方法得到锅炉给水焓值；基于得到所述锅炉有效热效率的历史运行数据；其中，L为所述主蒸汽流量，H为所述饱和蒸汽焓值，GH为所述锅炉给水焓值，M为所述给煤量，Q为煤炭收到基低位发热量。进一步的，所述设定约束条件包括不等式约束条件和等式约束条件；所述不等式约束条件为给煤量和送风量的上下限值，其中，所述给煤量和送风量的上限值为所述给煤量和所述送风量的历史运行数据的最大值，所述给煤量和所述送风量的下限值为所述给煤量和所述送风量的历史运行数据的最小值；所述等式约束条件为所述主蒸汽流量的实时值。进一步的，在获取测点历史运行数据之后，所述方法还包括：将所述测点历史运行数据的单位换算为设定单位。提出一种锅炉风煤比优化系统，包括多个测点、历史运行数据获取模块、训练模块和优化模块；所述历史运行数据获取模块，用于获取所述多个测点的历史运行数据；所述训练模块，用于基于所述历史运行数据，训练得到锅炉有效热效率与给煤量、送风量和主蒸汽流量之间的训练关系模型；所述优化模块，用于基于所述训练关系模型，在设定约束条件下获得在锅炉有效热效率最大时对应的给煤量和送风量的最优比例。进一步的，所述测点包括给煤量、送风量、主蒸汽流量和锅炉有效热效率；所述训练模块具体用于：以所述给煤量的历史运行数据、所述送风量的历史运行数据和所述主蒸汽流量之间的历史运行数据为训练输入，以锅炉有效热效率的历史运行数据为训练输出，采用神经网络训练得到所述训练关系模型。进一步的，所述测点还包括主蒸汽压力、主蒸汽温度和给水温度；所述系统还包括锅炉有效热效率历史运行数据获取模块，用于：基于所述主蒸汽压力的历史运行数据和所述主蒸汽温度的历史运行数据，采用最小二乘回归方法得到饱和蒸汽焓值；基于所述给水温度的历史运行数据，采用最小二乘回归方法得到锅炉给水焓值；基于得到所述锅炉有效热效率的历史运行数据；其中，L为所述主蒸汽流量，H为所述饱和蒸汽焓值，GH为所述锅炉给水焓值，M为所述给煤量，Q为煤炭收到基低位发热量。进一步的，所述优化模块包括约束条件设定单元，用于设定不等式约束条件和等式约束条件；所述不等式约束条件为给煤量和送风量的上下限值，其中，所述给煤量和送风量的上限值为所述给煤量和所述送风量的历史运行数据的最大值，所述给煤量和所述送风量的下限值为所述给煤量和所述送风量的历史运行数据的最小值；所述等式约束条件为所述主蒸汽流量的实时值。进一步的，所述系统还包括单位换算模块，用于在所述历史运行数据获取模块获取测点历史运行数据之后，将所述测点历史运行数据的单位换算为设定单位。与现有技术相比，本申请的优点和积极效果是：本申请提出的锅炉风煤比优化方法和系统中，获取给煤量、送风量、主蒸汽流量、主蒸汽压力、主蒸汽温度、给水温度等容易获取的测点的历史运行数据，采用这些测点的历史运行数据进行训练得到锅炉有效热效率与给煤量、送风量、主蒸汽流量之间的训练关系，采用该训练关系，以给煤量、送风量和主蒸汽流量的历史运行数据作为自变量，以锅炉有效热效率为目标函数，采用遗传算法在设定的不等式约束条件和等式约束条件下进行寻优，得到锅炉给定负荷下，锅炉有效热效率最大时的给煤量和送风量的最优比例；采用该最优比例及时调节给煤量和送风量，能够使锅炉运行更稳定更高效，实现锅炉燃烧效率最优的技术效果。结合附图阅读本申请实施方式的详细描述后，本申请的其他特点和优点将变得更加清楚。附图说明图1为本申请提出的锅炉风煤比优化方法的流程图；图2为本申请提出的锅炉风煤比优化系统的系统框图。具体实施方式下面结合附图对本申请的具体实施方式作进一步详细地说明。本申请提出的锅炉风煤比优化方法，如图1所示，包括如下步骤：步骤S11：获取测点历史运行数据。使用DCS系统（集散控制系统）采集测点的历史运行数据，测点包括给煤量、送风量、风温、给水温度、给水量、主蒸汽流量、主蒸汽压力和主蒸汽温度等，这些测点的数据相比现有锅炉参数更容易获取。历史运行数据可以根据实际需求设定获取时间段，例如获取当前时间往前的前3天的运行数据等，本申请实施例不予限制。在获取到测点的运行数据后，将这些数据的单位换算为设定单位，如下表一所示：表一测点设定单位给煤量吨/小时送风量吨/小时风温摄氏度给水温度摄氏度给水量吨/小时主蒸汽流量吨/小时主蒸汽压力兆帕主蒸汽温度摄氏度接着，获取热水焓表和蒸汽焓表数据，为得到焓值与温度压力关系做数据准备，避免之后每次计算都要查表的复杂过程。步骤S12：基于历史运行数据，训练得到锅炉有效热效率与给煤量、送风量和主蒸汽流量之间的训练关系模型。具体的，以径向基神经网络方法训练得到锅炉有效热效率与给煤量、送风量和主蒸汽流量之间的关系，训练精度控制在0.01：以给煤量的历史运行数据、送风量的历史运行数据和主蒸汽流量之间的历史运行数据为训练输入，以锅炉有效热效率的历史运行数据为训练输出，采用径向基神经网络训练得到训练关系模型，该训练关系模型可以近似表达锅炉有效热效率与训练输入数据之间的关系。锅炉有效热效率的历史运行数据按照以下方法获取：基于主蒸汽压力的历史运行数据和主蒸汽温度的历史运行数据，采用最小二乘回归方法得到饱和蒸汽焓值，拟合饱和蒸汽焓值与主蒸汽压力和主蒸汽温度之间的关系，得到的关系式如下：，其中，H为饱和蒸汽焓值，单位KJ/Kg，P为主蒸汽压力值，单位兆帕（MPa），T为主蒸汽温度，单位摄氏度；然后，基于给水温度的历史运行数据，采用最小二乘回归方法得到锅炉给水焓值，得到如下关系式：，其中，GH为锅炉给水焓值，单位KJ/Kg，T为给水温度，单位摄氏度；最后，基于得到锅炉有效热效率的历史运行数据；其中，L为主蒸汽流量，H为饱和蒸汽焓值，GH为锅炉给水焓值，M为给煤量，Q为煤炭收到基低位发热量。步骤S13：基于训练关系模型，在设定约束条件下获得在锅炉有效热效率最大时对应的给煤量和送风量的最优比例。使用遗传算法计算锅炉给定负荷下，给煤量和送风量的最优比例。设定约束条件分为不等式约束条件和等式约束条件，不等式约束条件为给煤量和送风量的上下限值，其中，给煤量和送风量的上限值为给煤量和送风量的历史运行数据的最大值，给煤量和送风量的下限值为给煤量和送风量的历史运行数据的最小值；等式约束条件为主蒸汽流量的实时值。具体的，例如，以最近3天的给煤量、送风量的最大值（GUB、SUB）和最小值（GLB、SLB）分别作为不等式约束条件的上下限值，则有条件1、GLB≤给煤量≤GUB，条件2、SLB≤送风量≤SUB，将主蒸汽流量，也即锅炉负荷的实时值（EQ）作为等式约束条件，则有条件3、锅炉给定负荷=EQ。将条件1、条件2和条件3作为设定约束条件，使用遗传算法计算在设定的三个条件约束下，锅炉效率最大时，对应的给煤量和送风量的值，即锅炉给定负荷下，给煤量和送风量的最优组合值。将得到的锅炉给定负荷下给煤量和送风量的最优比例或组合值反馈给锅炉运行人员，锅炉运行人员通过对比实时运行参数和得到的最优组合值，发现二者的偏差，操作设备调节给煤量和送风量，使其接近计算得到的最优组合值，从而能够实现锅炉稳定高效的运行。上述本申请提出的锅炉风煤比优化方法中，给煤量、送风量、主蒸汽流量、主蒸汽压力、主蒸汽温度、给水温度等测点属于容易获取到运行数据的测点，采用这些测点的历史运行数据进行训练得到锅炉有效热效率与给煤量、送风量、主蒸汽流量之间的训练关系，采用该训练关系，以给煤量、送风量和主蒸汽流量的历史运行数据作为自变量，以锅炉有效热效率为目标函数，采用遗传算法在设定的不等式约束条件和等式约束条件下进行寻优，得到锅炉给定负荷下，锅炉有效热效率最大时的给煤量和送风量的最优比例；采用该最优比例及时调节给煤量和送风量，能够使锅炉运行更稳定更高效，实现锅炉燃烧效率最优的技术效果。这其中，饱和蒸汽焓值和锅炉给水焓值不用查表计算，直接使用了最小二乘回归算法得到计算公式，方便易用，提高了优化效率。基于上述提出的锅炉风煤比优化方法，本申请还提出一种锅炉风煤比优化系统，如图2所示，包括多个测点、历史运行数据获取模块21、训练模块22和优化模块23；历史运行数据获取模块21用于获取多个测点的历史运行数据；训练模块22用于基于历史运行数据，训练得到锅炉有效热效率与给煤量、送风量和主蒸汽流量之间的训练关系模型；优化模块23用于基于训练关系模型，在设定约束条件下获得在锅炉有效热效率最大时对应的给煤量和送风量的最优比例。测点包括给煤量201、送风量202、主蒸汽流量203、主蒸汽压力204、主蒸汽温度205、给水温度206；训练模块22具体用于：以给煤量201的历史运行数据、送风量202的历史运行数据和主蒸汽流量203之间的历史运行数据为训练输入，以锅炉有效热效率241的历史运行数据为训练输出，采用神经网络训练得到训练关系模型。该系统还包括锅炉有效热效率历史运行数据获取模块24，用于：基于主蒸汽压力204的历史运行数据和主蒸汽温度205的历史运行数据，采用最小二乘回归方法得到饱和蒸汽焓值；基于给水温度206的历史运行数据，采用最小二乘回归方法得到锅炉给水焓值；基于得到锅炉有效热效率241的历史运行数据；其中，L为主蒸汽流量，H为饱和蒸汽焓值，GH为锅炉给水焓值，M为给煤量，Q为煤炭收到基低位发热量。优化模块23包括约束条件设定单元231，用于设定不等式约束条件和等式约束条件；不等式约束条件为给煤量和送风量的上下限值，其中，给煤量和送风量的上限值为给煤量和送风量的历史运行数据的最大值，给煤量和送风量的下限值为给煤量和送风量的历史运行数据的最小值；等式约束条件为主蒸汽流量的实时值。该系统还包括单位换算模块25，用于在历史运行数据获取模块21获取测点历史运行数据之后，将测点历史运行数据的单位换算为设定单位。具体的锅炉风煤比优化系统的工作方式已经在上述的锅炉风煤比优化方法中详述，此处不予赘述。上述本申请提出的锅炉风煤比优化方法和系统，采集易于获取运行数据的测点的历史运行数据，基于历史运行数据，采用神经网络算法得到锅炉有效热效率与给煤量、送风量和主蒸汽流量之间的关系，并在此关系上采用遗传算法在设定约束条件下寻优，得到锅炉给定负荷下锅炉有效热效率最大时的给煤量和送风量的最优组合比例，根据得到的最优组合比例及时调节锅炉运行的给煤量和送风量，使得锅炉运行更稳定更高效，实现锅炉燃烧效率最优的技术效果。应该指出的是，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本
技术领域：
的普通技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。当前第1页1 2 3