专利名称：基于人工神经网络原理的锅炉受热面智能吹灰方法
技术领域：
本发明涉及锅炉受热面吹灰技术领域，尤其涉及一种基于人工神经网络原理的锅炉受热面智能吹灰方法。
背景技术：
在我国火力发电机组中，随着燃煤量的不断增加和劣质煤的大量使用，有相当一部分存在着不同程度的炉膛结焦问题，轻者使其受热面传热不良，降低锅炉的出力和热效率，增加NOx排放等；严重时炉膛结焦，在高温对流过热器的管子上搭桥，破坏炉内的空气动力场，使炉内燃烧工况恶化，迫使机组降负荷运行，更甚者如大块灰渣同时落下，还会造成锅炉保护动作导致停炉或砸坏冷灰斗，导致被迫停炉甚至可能造成炉膛爆炸事故，严重影响发电机组的安全运行。同时，锅炉尾部受热面积也经常出现严重积灰，影响传热和烟气的流通，尤其是通道截面较小的对流受热面，甚至会堵塞烟气的通道，造成排烟温度升高、引风机电流急剧上升，以致锅炉出力降低，甚至被迫停炉。因此，电站锅炉大部分都配置了吹灰系统对炉膛结焦和尾部受热面积灰进行吹扫。常用的吹灰方式有蒸汽吹灰、脉冲吹灰、振打吹灰及声波吹灰等。目前，电站吹灰系统普遍采用定时全面对锅炉各个受热面进行吹扫的运行方式，这种吹灰方式虽然简单易行，却存在着很大的盲目性和不少的问题。锅炉各受热面的积灰、结渣过程受许多因素的影响，远不是与时间成线性的关系。定时全面吹灰可能导致一部分受热面因为被过度吹扫，管壁外层氧化膜遭到频繁破坏，增大了金属的磨损量，容易引发管壁泄漏事故；或者因吹灰、吹渣不及时或不足，造成排烟温度升高，甚至造成锅炉结大渣，引发锅炉掉焦灭火事故，严重影响锅炉安全经济运行。
发明内容
针对现有技术存在的问题，本发明的目的在于提供一种基于人工神经网络原理，有针对性地对受热面具体部位吹灰、吹渣，既能提高电站锅炉热效率、又能节约运行成本的锅炉受热面智能吹灰方法。为实现上述目的，本发明基于人工神经网络原理的锅炉受热面智能吹灰方法，具体为I)根据受热面温度与当地局部热流存在一一对应关系，为了获得锅炉受热面热流，在锅炉受热面各部分别设置温度检测点，并把所测量的温度数据作为BP神经网络的输入端检测变量；2)由于受热面热流受到锅炉运行条件的影响，把锅炉运行数据采集系统的DAS数据作为BP神经网络的输入端条件变量；3)采用具有高度非线性映射能力的计算模型-BP (Back propagation)神经网络，来模拟计算锅炉受热面灰污系数；BP神经网络以锅炉运行DAS数据和锅炉受热面温度检测数据作为输入，以锅炉各受热面灰污系数λ i作为输出。灰污系数λ i定义为
Qi为锅炉实际运行时某一受热面处的热流，受热面温度与当地局部热流存在一一对应关系，依据检测获得的受热面温度，通过神经网络模拟获得;qoi为锅炉受热面洁净时的热流，该值可以通过锅炉热力计算获得；4)通过温度检测数据和DAS数据，把炉内受热面监测到的一些工况下的炉内局部热流作为样本点，利用人工神经网络原理，对网络进行训练，得出各种工况下炉内受热面各部的局部热流和灰污系数，并对各部受热面的灰污系数设定阀值；5)利用已训练好的人工神经网络，监测受热面积灰和结渣，当某受热面灰污系数超过一阀值时，系统即自动判定该受热面已积灰或结焦严重，开始对其进行吹渣、吹灰。进一步，所述步骤I)中锅炉内的受热面包括水冷壁和对流受热面。进一步，所述步骤I)中通过在受热面设置温度检测点，实时测得炉内各部位的局部实际热流。进一步，所述步骤2)中DAS数据包括负荷(蒸汽流量)、压力、进风量、风温、煤量、煤值、燃烧器投运方式、对流受热面进口烟温。进一步，所述BP神经网络由三层神经元组成，具有一个输入层，一个输出层和一个隐含中间层。进一步，所述人工神经网络的训练过程为依据传热学原理计算各受热面的热流，同时测得洁净的受热面温差，以此作为学习样本，依据BP神经网络自学习能力，通过不断调整输入层与隐含层之间的权重因子以及隐含层与输出层之间的权重因子，达到训练网络的目的。本发明采用智能方式除灰，避免了定时吹灰的缺陷，同时达到节能的目的。
图1为水冷壁温度监测示意图；图2为锅炉受热面灰污系数模拟计算人工神经网络框图。
具体实施例方式下面，参考附图，对本发明进行更全面的说明，附图中示出了本发明的示例性实施例。然而，本发明可以体现为多种不同形式，并不应理解为局限于这里叙述的示例性实施例。而是，提供这些实施例，从而使本发明全面和完整，并将本发明的范围完全地传达给本领域的普通技术人员。为了易于说明，在这里可以使用诸如“上”、“下” “左” “右”等空间相对术语，用于说明图中示出的一个元件或特征相对于另一个元件或特征的关系。应该理解的是，除了图中示出的方位之外，空间术语意在于包括装置在使用或操作中的不同方位。例如，如果图中的装置被倒置，被叙述为位于其他元件或特征“下”的元件将定位在其他元件或特征“上”。因此，示例性术语“下”可以包含上和下方位两者。装置可以以其他方式定位(旋转90度或位于其他方位)，这里所用的空间相对说明可相应地解释。本发明基于人工神经网络原理的锅炉受热面智能吹灰方法，具体为
I)根据受热面温度与当地局部热流存在一一对应关系，为了获得锅炉受热面热流，在锅炉受热面各部分别设置温度检测点，并把所测量的温度数据作为BP神经网络的输入端检测变量，锅炉内的受热面包括水冷壁和对流受热面；2)由于受热面热流受到锅炉运行条件的影响，把锅炉运行数据采集系统的DAS数据作为BP神经网络的输入端条件变量，DAS数据包括负荷(蒸汽流量)、压力、进风量、风温、煤量、煤值、燃烧器投运方式、对流受热面进口烟温等；3)采用具有高度非线性映射能力的计算模型-BP (Back propagation)神经网络，来模拟计算锅炉受热面灰污系数；BP神经网络以锅炉运行DAS数据和锅炉受热面温度检测数据作为输入，以锅炉各受热面灰污系数λ i作为输出。灰污系数λ i定义为
权利要求
1.基于人工神经网络原理的锅炉受热面智能吹灰方法，其特征在于，该方法具体为1)根据受热面温度与当地局部热流存在一一对应关系，为了获得锅炉受热面热流，在锅炉受热面各部分别设置温度检测点，并把所测量的温度数据作为BP神经网络的输入端检测变量；2)由于受热面热流受到锅炉运行条件的影响，把锅炉运行数据采集系统的DAS数据作为BP神经网络的输入端条件变量；3)采用具有高度非线性映射能力的计算模型-BP(Back propagation)神经网络,来模拟计算锅炉受热面灰污系数；BP神经网络以锅炉运行DAS数据和锅炉受热面温度检测数据作为输入，以锅炉各受热面灰污系数λ i作为输出。灰污系数λ i定义为
2.如权利要求1所述的基于人工神经网络原理的锅炉受热面智能吹灰方法，其特征在于，所述步骤I)中锅炉内的受热面包括水冷壁和对流受热面。
3.如权利要求1所述的基于人工神经网络原理的锅炉受热面智能吹灰方法，其特征在于，所述步骤I)中通过在受热面设置温度检测点，实时测得炉内各部位的局部实际热流。
4.如权利要求1所述的基于人工神经网络原理的锅炉受热面智能吹灰方法，其特征在于，所述步骤2)中DAS数据包括负荷(蒸汽流量)、压力、进风量、风温、煤量、煤值、燃烧器投运方式、对流受热面进口烟温。
5.如权利要求1所述的基于人工神经网络原理的锅炉受热面智能吹灰方法，其特征在于，所述BP神经网络由三层神经元组成，具有一个输入层，一个输出层和一个隐含中间层。
6.如权利要求1所述的基于人工神经网络原理的锅炉受热面智能吹灰方法，其特征在于，所述人工神经网络的训练过程为依据传热学原理计算各受热面的热流，同时测得洁净的受热面温差，以此作为学习样本，依据BP神经网络自学习能力，通过不断调整输入层与隐含层之间的权重因子以及隐含层与输出层之间的权重因子，达到训练网络的目的。
全文摘要
本发明公开了一种基于人工神经网络原理的锅炉受热面智能吹灰方法，该方法具体为，采用具有高度非线性映射能力的计算模型—BP神经网络，通过温度检测数据和锅炉DAS数据，利用人工神经网络原理，对网络进行训练，模拟计算锅炉受热面灰污系数，并将训练好的吹灰人工神经网络用于实时监测受热面积灰和结渣，当监测到某受热面灰污系数超过一阀值时，系统即自动判定该受热面已积灰或结焦严重，开始对其进行吹渣、吹灰。本发明由于采用智能方式除灰，避免了定时吹灰的缺陷，同时达到节能的目的。
文档编号F23J3/00GK103062781SQ201310006298
公开日2013年4月24日 申请日期2013年1月8日 优先权日2013年1月8日
发明者余立新 申请人:北京世纪源博科技股份有限公司