一种燃煤电站入炉煤发热量快速反馈方法及系统与流程

本发明涉及火力发电领域，具体的，涉及一种燃煤电站入炉煤发热量快速反馈方法及系统。

背景技术：

目前，由于煤炭供应问题，许多电厂来煤种类多，堆煤、上煤随机性大，入炉煤发热量多变，且由于燃料管理人员手工采样测量频率满足不了入炉煤发热量多变的要求，因此锅炉入炉煤发热量的实际状况对运行人员来讲常常是未知的，而且一般的是在锅炉运行状态发生了较大变化之后，运行人员才发觉锅炉入炉煤发热量发生了变化，并采取相应的调整措施。

入炉煤发热量对锅炉运行有重要影响。煤发热量突然变化后，dcs表盘的主要运行参数如主汽温度、主汽压力等的变化有较大滞后，而且越大的锅炉，由于受热面管道越长，其主要蒸汽参数变化的时滞越大，因此表盘参数不能快速反映入炉煤质的变化，运行人员无法通过dcs参数快速调整锅炉运行，导致锅炉的炉内燃烧状态变化大，燃烧不稳定，如入炉煤的发热量下降时，如果燃料量没有及时增加，会导致炉膛温度会突然下降，炉内燃烧不稳，严重时可能会导致炉膛灭火。

因此，快速检测入炉煤发热量的变化，并以最快的速度向运行人员反映入炉煤发热量的变化并且通过向dcs系统发出反馈调节指令，协助维持锅炉燃烧的稳定，对电站锅炉的安全、稳定运行有重要意义。

目前，常用的入炉煤发热量检测有手工测量和在线测量两种方式。手工测量由于采样频率低、工序较多、测量缓慢等问题，无法满足煤发热量快速变化时的要求。已有的在线煤质测量装置，常采用微波测量、激光测量等手段，测量精度较低，而且其采样位置常在输煤皮带处，并且由于中间有原煤斗相隔，测点距离锅炉燃烧器入口有几个小时的差距，其也不能快速反映当前入炉煤发热量的情况。

能够最快速的反映入炉煤发热量变化的，既是锅炉燃烧后的烟气温度、烟气成分等参数，其延迟通常只有几秒钟，远小于dcs系统主汽参数长达几分钟的延迟。因此用神经网络挖掘煤发热量与运行参数的关系，采用烟气温度、烟气成分参数作为快速参数快速反映煤发热量变化，用dcs系统所测量的蒸汽参数等作为入炉煤发热量修正参数，能够快速、准确的反映入炉煤发热量变化。基于这一思想，提出一种燃煤电站入炉煤发热量快速反馈方法及系统。

技术实现要素：

本发明的目的是一种燃煤电站入炉煤发热量快速反馈方法及系统，使电厂运行人员和dcs系统快速了解入炉煤发热量的变化，做好燃烧调整工作。

为实现上述目的，本发明提供了一种燃煤电站入炉煤发热量快速反馈方法及系统，该方法包括：从电站锅炉现有参数采集系统中采集锅炉运行参数；在电站锅炉现有参数采集系统的基础上增加部分烟气参数测量装置，并采集锅炉烟气参数；用人工采样测量的方法采集锅炉入炉煤发热量数据；计算锅炉运行参数和烟气参数与入炉煤发热量参数的相关系数，选择符合相关系数要求的锅炉运行参数和烟气参数；构建快速神经网络和修正神经网络，采用此神经网络学习已有的锅炉运行参数和烟气参数与入炉煤发热量参数的内在关系规律；以所选择的锅炉烟气参数作为前导参数，用快速神经网络快速计算入炉煤发热量，并将入炉煤发热量的变化曲线实时传送给运行人员和dcs系统；以所选择的锅炉运行参数作为修正参数，用修正神经网络对根据锅炉烟气参数所计算的煤发热量数据进行修正，并将修正后的煤发热量数据实时传送给运行人员和dcs系统。

所述锅炉运行参数包括：锅炉负荷、主蒸汽流量、再热蒸汽流量、主蒸汽温度、主蒸汽压力、再热蒸汽温度、再热蒸汽压力、给水流量、给水温度、给水压力、总燃料量、一次风量、一次风温度、二次风量、二次风温度。

所述烟气参数包括：折焰角处烟气温度、排烟氧量、排烟温度、排烟so2浓度、排烟nox浓度、烟尘浓度、飞灰可燃物含量、烟气水分浓度。

该方法还包括：根据拉伊达法则去除异常的所述锅炉运行参数和烟气参数。

该方法还包括：根据下式计算锅炉运行参数和烟气参数与入炉煤发热量的相关系数：

其中：ηi为锅炉运行参数或烟气参数pi与入炉发热量的相关系数；为锅炉运行参数或烟气参数的平均值；为入炉煤发热量的平均值。

优选地，选择符合相关系数要求的锅炉运行参数和烟气参数，包括：选择锅炉运行参数和烟气参数与入炉煤发热量相关系数大于相关系数预设值的所述锅炉运行参数和烟气参数。

优选地，该方法还包括：构建包含输入层、隐含层和输出层的快速人工神经网络和修正神经网络，通过该神经网络学习所选择的锅炉运行参数和烟气参数与入炉煤发热量的内在关系规律，通过已完成学习的神经网络，以实时采集的所选择的锅炉运行参数和烟气参数为输入参数计算入炉煤发热量。

所述快速神经网络包括：将所选择的烟气参数作为输入层节点参数，将入炉煤发热量参数作为输出层参数，构建煤发热量快速检测的快速神经网络，通过输入所实时测量的燃烧烟气数据，快速、无延迟的计算入炉煤发热量。

所述修正神经网络包括：将所选择的烟气参数和锅炉运行参数作为输入层节点参数，将入炉煤发热量参数作为输出层节点参数，构建煤发热量准确检测的修正神经网络，通过输入所实时测量的燃烧烟气数据和锅炉运行参数，准确的计算入炉煤发热量的变化。

本发明提供一种燃煤电站入炉煤发热量快速反馈方法及系统，快速准确的检测入炉煤发热量的变化。该系统包括：数据采集模块，用于采集锅炉运行参数、烟气参数，人工采样测量入炉煤发热量数据；异常数据去除模块，用于删除异常的数据值；相关系数计算模块，用于计算锅炉运行参数和烟气参数与入炉煤发热量之间的相关系数；参数选择模块，用于选择符合相关系数要求的锅炉运行参数和烟气参数；人工神经网络模块，用于学习锅炉运行参数和烟气参数与入炉煤发热量之间的内在规律，并通过输入实时测量的锅炉运行参数和烟气参数计算入炉煤发热量。

优选地，锅炉运行参数包括：锅炉负荷、主蒸汽流量、再热蒸汽流量、主蒸汽温度、主蒸汽压力、再热蒸汽温度、再热蒸汽压力、给水流量、给水温度、给水压力、总燃料量、一次风量、一次风温度、二次风量、二次风温度。

优选地，烟气参数包括：折焰角处烟气温度、排烟氧量、排烟温度、排烟so2浓度、排烟nox浓度、烟尘浓度、飞灰可燃物含量、烟气水分浓度。

优选地，该系统还包括：异常参数去除模块，用于根据拉伊达法则去除异常的锅炉运行参数和烟气参数。

优选地，所述参数选择模块根据下式计算锅炉运行参数或烟气参数与入炉煤发热量之间的相关系数：

其中：ηij为锅炉运行参数或烟气参数pi与入炉煤发热量的相关系数；为锅炉运行参数或烟气参数的平均值；为入炉煤发热量参数的平均值。

优选地，所述参数选择模块用于选择锅炉运行参数和烟气参数与入炉煤发热量参数之间相关系数大于预设值的锅炉运行参数和烟气参数。

优选地，神经网络模块包含快速神经网络模块和修正神经网络模块。

所述快速神经网络模块包含输入层、隐含层和输出层，由所选择的符合相关系数要求的烟气参数作为输入层的节点参数，由入炉煤发热量数据作为输出层节点参数，训练神经网络，并以实时测量的烟气参数为输入数据通过已训练的快速神经网络快速计算入炉煤发热量的变化。

所述修正神经网络模块包括输入层、隐含层和输出层，将所选择的烟气参数和锅炉运行参数作为输入层节点参数，将入炉煤发热量参数作为输出层节点参数，训练神经网络，并以实时测量的烟气数据和锅炉运行参数为输入数据通过已训练的修正人工神经网络准确的计算入炉煤发热量的变化。

本发明的其他特征和优点在随后的具体实施方式部分予以详细说明。

附图说明

附图用于对本发明进行进一步解释，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但不构成对本发明的限制。在附图中：

图1是本发明提供的锅炉入炉煤发热量快速检测方法示意图；

图2是本发明提供的锅炉入炉煤发热量快速检测系统流程图；

图3是本发明提供的神经网络示意图；

附图标记说明

1数据采集模块；2异常参数去除模块；3相关系数计算模块；4参数选择模块；5快速神经网络模块；6修正神经网络模块；7神经网络输入层；8神经网络隐含层；9神经网络输出层。

具体实施方式

以下结合附图对本发明进行详细说明。

为快速检测入炉煤发热量，为电站锅炉运行人员提供最快速的入炉煤发热量信号，本发明通过对燃烧后烟气参数和运行参数的变化，来反映入炉煤发热量的变化。

如图1所示，本发明主要通过测量锅炉运行参数和烟气参数，并通过锅炉运行参数和烟气参数采用神经网络算法计算锅炉的入炉煤发热量。由于电站锅炉体积较大，蒸汽流程长，系统的时滞较大，仅采用锅炉运行参数计算入炉煤发热量虽然准确，但延迟较大，而锅炉的烟气数据的延迟确实极小的，能够快速反映入炉煤发热量各方面的变化。因此，本发明提出采用两个神经网络算法，快速神经网络以烟气参数作为输入数据，快速计算入炉煤发热量的变化，时滞小，动作快；修正神经网络采用锅炉运行参数和烟气参数共同作为输入数据，其计算有延迟但计算准确，这样通过两个神经网络的共同计算，快速神经网络给运行人员输出一个快速的入炉煤发热量计算结果以快速粗调锅炉运行状态，其后依据修正神经网络计算的准确结果细调锅炉运行状态，共同实现电站锅炉调节的快速、精确。

如图2所示，本发明所包含的系统主要有6个模块组成，数据采集模块1，异常参数去除模块2，相关系数计算模块3，参数选择模块4，快速神经网络模块5，修正神经网络模块6。

数据采集模块1采集电厂的历史数据以及实时数据，包括锅炉运行参数历史数据、烟气参数历史数据、入炉煤发热量历史数据，锅炉运行参数包括锅炉负荷、主蒸汽流量、再热蒸汽流量、主蒸汽温度、主蒸汽压力、再热蒸汽温度、再热蒸汽压力、给水流量、给水温度、给水压力、总燃料量、一次风量、一次风温度、二次风量、二次风温度等，烟气参数包括折焰角处烟气温度、排烟氧量、排烟温度、排烟so2浓度、排烟nox浓度、烟尘浓度、飞灰可燃物含量、烟气水分浓度等。因为入炉煤发热量与锅炉运行参数和烟气参数之间存在内在关系，通过对这些数据内在关系的学习，可以由实时的锅炉运行数据和烟气参数计算出煤发热量参数。

异常参数去除模块2根据拉伊达法则去除异常的锅炉运行参数和烟气参数，使得参与学习的数据都是正常的数据，而不是异常数据。

相关系数计算模块3根据下式计算入炉煤发热量与锅炉运行参数和烟气参数之间的相关系数

其中：ηij为锅炉运行参数或烟气参数pi与入炉煤发热量的相关系数；为锅炉运行参数或烟气参数的平均值；为入炉煤发热量参数的平均值。

根据相关系数计算模块3计算的相关系数，参数选择模块4从锅炉运行参数和烟气参数中选择与特定入炉煤发热量参数相关系数大于给定值的参数进行煤发热量的计算，这样能够减小计算量，使计算过程更快、结果更准确。

快速神经网络模块5学习参数选择模块4所选择的烟气参数与入炉煤发热量之间的内在规律，并以数据采集模块1所采集的实时烟气参数作为输入参数，计算快速煤发热量变化数据提供给锅炉运行人员以及dcs系统。

修正神经网络模块6学习参数选择模块4所选择的锅炉运行参数和烟气参数与入炉煤发热量之间的内在规律，并以数据采集模块1所采集的实时锅炉运行参数和烟气参数作为输入参数，计算准确煤发热量变化数据提供给锅炉运行人员以及dcs系统。

如图3所示是本发明所采用的神经网络计算模型，包含输入层7、隐含层8和输出层9。对于快速神经网络模块5，参数选择模块4所选择的烟气参数为输入层参数；对于修正神经网络模块6，参数选择模块4所选择的锅炉运行参数和烟气参数为输入层参数。对于快速神经网络模块5和修正神经网络模块6，输出层都是入炉煤发热量。

以上结合附图详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型，这些简单变型均属于本发明的保护范围，本发明不在另行说明。