CN105955210B - 余热锅炉与工业锅炉联合发电***的动态优化方法 - Google Patents
余热锅炉与工业锅炉联合发电***的动态优化方法 Download PDFInfo
- Publication number
- CN105955210B CN105955210B CN201610281543.4A CN201610281543A CN105955210B CN 105955210 B CN105955210 B CN 105955210B CN 201610281543 A CN201610281543 A CN 201610281543A CN 105955210 B CN105955210 B CN 105955210B
- Authority
- CN
- China
- Prior art keywords
- waste heat
- boiler
- control
- load
- heat boiler
- 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
- 239000002918 waste heat Substances 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000005457 optimization Methods 0.000 title claims abstract description 24
- 238000010248 power generation Methods 0.000 claims abstract description 32
- 230000006870 function Effects 0.000 claims description 31
- 230000008859 change Effects 0.000 claims description 8
- 230000033228 biological regulation Effects 0.000 claims description 7
- 239000000779 smoke Substances 0.000 claims description 2
- OIGNJSKKLXVSLS-VWUMJDOOSA-N prednisolone Chemical compound O=C1C=C[C@]2(C)[C@H]3[C@@H](O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 OIGNJSKKLXVSLS-VWUMJDOOSA-N 0.000 claims 3
- 238000010025 steaming Methods 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 28
- 230000020169 heat generation Effects 0.000 abstract description 13
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000012706 support-vector machine Methods 0.000 abstract description 3
- 230000006855 networking Effects 0.000 abstract 1
- 230000005611 electricity Effects 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 8
- 238000005265 energy consumption Methods 0.000 description 6
- 230000001105 regulatory effect Effects 0.000 description 5
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 240000002853 Nelumbo nucifera Species 0.000 description 3
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 3
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 3
- 239000003245 coal Substances 0.000 description 3
- 238000002485 combustion reaction Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 235000019504 cigarettes Nutrition 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000002826 magnetic-activated cell sorting Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 239000002912 waste gas Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Steam Boilers And Waste-Gas Boilers (AREA)
Abstract
本发明涉及余热锅炉与工业锅炉发电领域,尤其涉及一种余热锅炉与工业锅炉联合发电***的动态优化方法,***主要由工业锅炉控制子***、余热锅炉控制子***、透平发电控制子***和优化管理***组成,实现余热锅炉与工业锅炉发电过程的节能优化管理与控制。本发明针对余热锅炉与工业锅炉发电过程的特点,建立基于支持向量机的余热锅炉发电过程的智能集成预测模型,采用两级多目标优化方法,设计了基于模糊***的优化协调控制,即主蒸汽压力模糊控制和负荷前馈模糊控制。通过各子***的联网和优化协调控制与管理,使***能在余热锅炉主窑炉负荷大范围变化时余热发电***和低压蒸汽高效稳定运行,实现全线的综合最优控制与管理。该***经现场工艺流程中应用,运行稳定,具有良好的经济和社会效益。
Description
技术领域
本发明涉及余热锅炉与工业锅炉发电领域,尤其涉及一种余热锅炉与工业锅炉联合发电***的动态优化方法,实现余热锅炉与工业锅炉发电过程的节能优化管理与控制。
背景技术
节能减排已成为全国重点关注的战略问题,余热发电行业的发展对国家实现节能减排的目标有着显著的作用,具有良好的经济效益和社会效益。
近年来,国家先后颁布了多项政策来扶持余热发电行业。而且目前钢铁、冶金、化工、玻璃等高能耗行业只对部分高温余热进行了回收,中低温废气余热的利用尚处在起步阶段,所以未来对这些行业的余热回收和利用具有十分广阔的应用前景。
余热发电实际上是对热能进行合理循环利用。常规火力发电厂的蒸汽压力、温度、流量根据发电机的负荷情况进行操作控制,运行比较稳定,仅受控于发电站的内部因素。而余热发电则必须视工艺生产情况,调整控制策略。余热锅炉产生的蒸汽压力、温度及流量等各参数随着生产情况的变化而波动,当生产出现波动或部分设备停产检修,透平机前蒸汽压力会出现较大变化时,需要适当补充蒸汽,维持透平发电机的正常工作。
流程企业基本都建有中低压蒸汽网管及用户,如何合理利用余热锅炉和工业锅炉资源,保障余热发电和蒸汽用户稳定运行,是余热发电所需解决的问题。
发明内容
本发明的目的是提供一种余热锅炉与工业锅炉联合发电***的动态优化方法,余热发电***包括余热锅炉、中压工业锅炉、集气缸和透平发电机。中压工业锅炉既可并入余热发电厂房的过热蒸汽缸进行发电,又可通过本体减温减压直接送入低压蒸汽管网,当需要它作发电使用时,补偿余热锅炉主炉生产波动或部分设备停产检修时余热锅炉蒸汽生产波动,保持余热锅炉和工业锅炉发电机组的协调稳定运行。
本发明在建立余热锅炉与工业锅炉发电过程集成模型的基础上,综合考虑余热锅炉工业锅炉发电过程中能耗、热效率、排放及设备运行安全等多个技术指标,以设备安全、工艺条件为约束,进行余热锅炉发电过程的多目标优化,得到多个关联***的关键参数最优值,指导各***跟踪模型参数最优值并按其在线控制。
本发明将针对余热锅炉与工业锅炉发电过程的特点,采用两级多目标优化方法,即***过程运行优化管理指导级(L2)以及分布式控制级(L1),并与厂级资源管理ERP/MES(L3)接口。开发不同DCS控制***通讯程序,实现整个***信息透明访问与公司厂级资源管理ERP/MES信息共享。
***过程运行优化管理指导级(L2)以安全运行及工艺条件为约束,综合考虑能耗、热效率和发电量,研究多种优化方法及这些方法的智能集成,对余热锅炉发电过程的工艺参数进行大范围的全局优化,解决各***特别是余热锅炉主窑炉不同生产负荷情况汽轮机主压力设定问题,指导各子***优化运行。
分布式控制级以锅炉效率/排放为目标,优化燃烧过程。从而实现余热锅炉发电过程的多目标协调优化控制,达到余热锅炉发电经济运行的目标。
分布式控制级(L1)的锅炉运行优化综合控制子***,采用模糊***对锅炉特性建模,并利用寻优算法实现操作参数的实时寻优。这种方法能够获得目前最佳的锅炉燃烧调整方式,对锅炉的节能降耗和降低环境污染都有重要的意义。
分布式控制级(L1)的透平发电运行优化综合控制子***,根据L2级优化设定,优化控制透平发电,保证透平子***优化的目标。
在余热锅炉发电运行优化管理与控制***中,一切紧紧围绕余热锅炉发电生产控制管理这个中心,将余热锅炉发电生产的所有工艺段都纳入该***的指导管理范围,实现全线的综合最优控制与管理。
余热锅炉发电过程工艺复杂、特别是余热锅炉热工部分,影响因素多,仅通过分析工艺机理,很难建立全过程的解析模型。本发明通过现场长期运行保存了大量的数据和操作经验,采用基于统计数据的建模方法和智能专家方法相结合,建立了余热锅炉发电过程的智能集成数学模型。
支持向量机(SupportVectorMachines,简称SVM)是基于统计学习理论的机器学习算法,针对解决小样本、非线性***的问题中有一定的优势,克服了神经网络易陷入局部最优、泛化能力差等缺点。
描叙多元非线性回归模型一般形式为:y=f(x1,x2,…,xM),其中表示支持向量机回归预测模型的输入量,y表示模型目标输出量。映射函数使用核函数将原始输入空间的样本映射到高维特征空间Ω中,在特征空间中利用映射函数对样本数据进行线性回归。计算得出最终回归估计函数为:
式中:最优拉格朗日乘子α′i,αi;b为偏置项。K(xi,x)为核函数,xi为支持向量,L为支持向量个数。常用的局部核函数有径向基函数,全局核函数多项式核函数。其表达式如下:
径向基函数:K1(xi,xj)=exp{|xi-xj|2/σ2} (2)
多项式核函数:K2(xi,xj)=[(xi,xj)+1]q (3)
采用支持向量机预测多台余热锅炉蒸汽输出负荷变化,设n台余热锅炉中:Li,k为第i台余热锅炉输出蒸汽流量,单位kg/s;Tpi,k为第i台余热锅炉锅筒中水(汽)温度,单位K;Thi,k为第i台余热锅炉过热器蒸汽出口温度,单位K;Tyi,k,为第i台余热锅炉过热器烟气入口温度,单位K;Pk为集气缸当前压力,单位Mp。
构造输入变量x=[Li,k,…,Li,k,Tp1,k,…,Tpi,k,Th1,k,…,Thi,k,Ty1,k,…,Tyi,k,Ty1,k-1,…,Tyi,k-1,Pk],i=1,…,n,ΔFx为多台锅炉进入集气缸后的负荷增量,其中k-1为前一时刻值。根据历史和实验数据,通过支持向量学习得到输入输出模型,预测多台锅炉进入集气缸后的负荷增量ΔFx:
式中K(xi,x)核函数取径向基函数;b为偏置;θi=αi-αi *,αi和αi *为拉格朗日乘子,xi为支持向量,L为支持向量个数。
为了实现余热锅炉、工业锅炉汽轮机协调控制,当多个余热锅炉热负荷发生变化时,通过支持向量机预测模型预测蒸汽负荷的变化ΔFx,则工业锅炉负荷增量为:
ΔFb=ΔFs-ΔFx (5)
其中为ΔFs发电需求蒸汽负荷的变化,这样通过工业锅炉的负荷调节保证透平发电的负荷需求。
当有多台工业锅炉并网时,根据经济最优模式确定负荷调节炉和压力调节炉,负荷增量按微增法确定分配给各负荷炉。当只有一台工业锅炉可调节时,负荷调节和压力调节由一台炉承担。
在保证锅炉和汽轮机各子***稳定运行的前提下,本发明设计了基于模糊***的优化协调控制,根据控制器的给煤操作调度指令,实时调节工业锅炉的给煤量,来协调余热锅炉供汽,使主蒸汽压力稳定在一定的范围内,从而使余热发电机组稳定运行。模糊控制***由两部分组成,既主蒸汽压力模糊控制和负荷前馈模糊控制。
主蒸汽压力模糊控制:
设蒸汽压力偏差为ep,ep=es-ex,其中es为蒸汽压力需求(即蒸汽压力设定值),ex为蒸汽压力实际值。主蒸汽压力模糊控制器的输入量ep(蒸汽压力偏差)和ecp(蒸汽压力偏差的导数)的论域为[-2,2],增量控制输出量Δu的论域为[-2,2]。压力模糊控制器的输入输出隶属度函数都采用简单的三角隶属函数,如图2所示。模糊子集都分成负大、负小、零、正小、正大五个等级,符号表示为:{NB,NS,ZE,PS,PB}。
表1蒸汽压力的模糊规则
负荷前馈模糊控制:
根据工业锅炉过程特性,模糊前馈控制器有两个输入量,一个输出量。输入1:集气缸蒸汽压力模糊控制输出Δu,输入2:当前负荷需求增量ΔFb,两个变量共同决定前馈炉排转速增量Δuf变化的大小。
负荷前馈模糊控制器的输入量Δu和ΔFb的论域为[-2,2],它们的模糊子集均由5个语言变量值组成,即{负大,负小,零,正小,正大},一般用英文缩写为{NB,NS,ZE,PS,PB}。增量控制输出量uf的论域为[-3,3],模糊子集均由7个语言变量值组成,即{负大,负中,负小,零,正小,正中,正大},一般用英文缩写为{NB,NM,NS,ZE,PS,PM,PB}。模糊前馈控制器的输入输出隶属度函数都采用简单的三角隶属函数,如图3所示。
表一九一一年一月四日2负荷前馈模糊控制规则
表1、表2的25条模糊控制的控制规则都是由实际工程经验总结而来的。炉排转速最后输出:
uf,k=uf,k-1+Δuf (6)。
整个***运行步骤如下:
Step1:根据多目标优化的算法得到各个参数优化设定值;
Step2:根据预测模型公式(4)得到余热锅炉的负荷增量;
Step3:根据发电蒸汽负荷需求公式(5)确定工业锅炉的负荷增量;
Step4:由主蒸汽压力模糊控制和负荷前馈模糊控制得到炉排最后转速输出(公式(6))对工业锅炉进行调节;
Step5:返回step2。
附图说明
为了更清楚地说明本申请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。
图1是本发明余热锅炉与工业锅炉发电协调优化运行管理控制***结构图;
图2是主蒸汽压力模糊控制器的输入输出隶属度函数;
图3是负荷前馈模糊控制器的输入输出隶属度函数。
具体实施方式
为了使本技术领域人员更好地理解本发明方案,下面结合附图和实施方式对本发明进行详细的说明。
首先,对本发明的***结构进行简单的介绍
本发明的目的是提供一种余热锅炉与工业锅炉联合发电***的动态优化方法,余热发电***包括余热锅炉、中压工业锅炉、集气缸和透平发电机。中压工业锅炉既可并入余热发电厂房的过热蒸汽缸进行发电,又可通过本体减温减压直接送入低压蒸汽管网,当需要它作发电使用时,补偿余热锅炉主炉生产波动或部分设备停产检修时余热锅炉蒸汽生产波动,保持余热锅炉和工业锅炉发电机组的协调稳定运行。
本发明余热锅炉与工业锅炉发电协调优化运行管理控制***主要由工业锅炉控制子***、余热锅炉控制子***、透平发电控制子***和优化管理***组成。余热锅炉、工业锅炉以及透平发电控制子***所采用的集散控制***不同,包括余热锅炉横河CS3000、工业锅炉和利时MACS等系列,透平发电机西门子S7PLC等,采用采用三层网络结构:现场仪表和执行器通过现场总线与各自的PLC、DCS控制相连;各PLC、DCS监控站和控制器都装有OPC服务器软件,通过OPC和工业以太网与优化管理***和公司资源管理ERP/MES进行互联,实现整个***信息透明访问与厂级资源管理ERP/MES的信息共享。
在分析余热锅炉与工业锅炉发电过程工艺机理的基础上,针对负荷分配及各锅炉热工参数对余热锅炉透平发电***不同的影响方式及影响程度,采用智能集成建模的理论与方法,建立余热锅炉联合工业锅炉发电过程的智能集成模型。
本发明在建立余热锅炉与工业锅炉发电过程集成模型的基础上,综合考虑余热锅炉工业锅炉发电过程中能耗、热效率、排放及设备运行安全等多个技术指标,以设备安全、工艺条件为约束,进行余热锅炉发电过程的多目标优化,得到多个关联***的关键参数最优值,指导各***跟踪模型参数最优值并按其在线控制。
下面对本发明的控制过程进行说明。
1)根据多目标优化的算法得到各个参数优化设定值:
以工业锅炉作为主要调节手段,采用两级多目标优化方法。
第一层优化管理指导设定级(L2)以安全运行及工艺条件为约束,综合考虑能耗、热效率和发电量,对余热锅炉发电过程的工艺参数进行全局优化,解决各***特别是余热锅炉主窑炉不同生产负荷情况汽轮机主压力设定问题。
第二层分布式控制级(L1)以锅炉效率/排放为目标,优化燃烧过程。余热锅炉负荷预测,动态规划与模糊推理实现操作指导,从而实现余热锅炉发电过程的多目标协调优化管理与控制。
集成采用传统优化算法、进化算法与专家推理方法,从整个发电厂的角度进行在线性能计算和能损偏差分,计算出各***级性能指标和考核指标的实时值,同时计算单元机组在各种工况下的理想目标值,寻找使能耗、发电量、设备安全达到综合最优的工艺参数设优化定值。
2)根据预测模型得到余热锅炉的负荷增量:
采用支持向量机预测多台余热锅炉蒸汽输出负荷变化,设n台余热锅炉中:Li,k为第i台余热锅炉输出蒸汽流量,单位kg/s;Tpi,k为第i台余热锅炉锅筒中水(汽)温度,单位K;Thi,k为第i台余热锅炉过热器蒸汽出口温度,单位K;Tyi,k,为第i台余热锅炉过热器烟气入口温度,单位K;Pk为集气缸压力,单位Mp。
构造输入变量x=[Li,k,…,Li,k,Tp1,k,…,Tpi,k,Th1,k,…,Thi,k,Ty1,k,…,Tyi,k,Ty1,k-1,…,Tyi,k-1,Pk],i=1,…,n,ΔFx为多台锅炉进入集气缸后的负荷增量,其中k-1为前一时刻值。根据历史和实验数据,通过支持向量学习得到输入输出模型,预测多台锅炉进入集气缸后的负荷增量ΔFx:
式中K(xi,x)核函数取径向基函数;b为偏置;θi=αi-αi *,αi和αi *为拉格朗日乘子,xi为支持向量,L为支持向量个数。
3)根据发电蒸汽负荷需求确定工业锅炉的负荷增量:
为了实现余热锅炉、工业锅炉汽轮机协调控制,当多个余热锅炉热负荷发生变化时,通过支持向量机预测模型预测蒸汽负荷的变化ΔFx,则工业锅炉负荷增量为:
ΔFb=ΔFs-ΔFx (2)
其中为ΔFs发电需求蒸汽负荷的变化,这样通过工业锅炉的负荷调节保证透平发电的负荷需求。
当有多台工业锅炉并网时,根据经济最优模式确定负荷调节炉和压力调节炉,负荷增量按微增法确定分配给各负荷炉。当只有一台工业锅炉可调节时,负荷调节和压力调节由一台炉承担。
4)由主蒸汽压力模糊控制和负荷前馈模糊控制得到炉排最后转速输出对工业锅炉进行调节:
在保证锅炉和汽轮机各子***稳定运行的前提下,本发明设计了基于模糊***的优化协调控制,根据控制器的给煤操作调度指令,实时调节工业锅炉的给煤量,来协调余热锅炉供汽,使主蒸汽压力稳定在一定的范围内,从而使余热发电机组稳定运行。模糊控制***由两部分组成,既主蒸汽压力模糊控制和负荷前馈模糊控制。
主蒸汽压力模糊控制:
设蒸汽压力偏差为ep,ep=es-ex,其中es为蒸汽压力需求(即蒸汽压力设定值),ex为蒸汽压力实际值。主蒸汽压力模糊控制器的输入量ep(蒸汽压力偏差)和ecp(蒸汽压力偏差的导数)的论域为[-2,2],增量控制输出量Δu的论域为[-2,2]。压力模糊控制器的输入输出隶属度函数都采用简单的三角隶属函数,如图2所示。模糊子集都分成负大、负小、零、正小、正大五个等级,符号表示为:{NB,NS,ZE,PS,PB}。
表1蒸汽压力的模糊规则
负荷前馈模糊控制:
负荷前馈模糊控制器的输入量Δu和ΔFb的论域为[-2,2],它们的模糊子集均由5个语言变量值组成,即{负大,负小,零,正小,正大},一般用英文缩写为{NB,NS,ZE,PS,PB}。增量控制输出量uf的论域为[-3,3],模糊子集均由7个语言变量值组成,即{负大,负中,负小,零,正小,正中,正大},一般用英文缩写为{NB,NM,NS,ZE,PS,PM,PB}。模糊前馈控制器的输入输出隶属度函数都采用简单的三角隶属函数,如图3所示。
表2负荷前馈模糊控制规则
5)返回上述2)步骤,循环优化控制。
本发明优化管理***集成集成VB语言、数据库、智能控制算法和OPC技术,从整个发电厂的角度进行在线性能计算和能损偏差分,计算出各***级性能指标和考核指标的实时值,同时计算单元机组在各种工况下的理想目标值,寻找使能耗、发电量、设备安全达到综合最优的工艺参数设优化定值。
本发明采用余热锅炉与工业锅炉发电协调优化运行管理控制,通过各子***的联网和优化协调控制与管理,充分利用工业锅炉的双重作用,使***能在余热锅炉主窑炉负荷大范围变化时余热发电***和低压蒸气高效稳定运行。
本发明通过余热锅炉与工业锅炉发电协调优化运行管理控制,使各***处于优化稳定运行状态,一是为余热锅炉主炉生产解除后顾之忧,提高了生产产量,进一步降低了生产成本。二是提高余热利用率,增加余热发电量。
该***经现场工艺流程中应用,运行稳定,效果良好。
本发明的实施,节约了人力、提高了效率,降低了工人劳动强度,每年多发电,可实现节约标煤,相当于减少温室气体二氧化碳排放,减少二氧化硫排放,具有良好的社会效益。
当然,本发明还可有其他多种实施方法,在不背离本发明精神及其实质的情况下,熟悉本领域的技术人员可根据本发明做出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明的权利要求的保护范围。
Claims (1)
1.一种余热锅炉与工业锅炉联合发电***的动态优化方法,其特征在于,包括如下步骤:
1)根据多目标优化的算法得到各个参数优化设定值;
2)根据预测模型得到余热锅炉的负荷增量:
采用支持向量机预测多台余热锅炉蒸汽输出负荷变化,设n台余热锅炉中:Li,k为第i台余热锅炉输出蒸汽流量,单位kg/s;Tpi,k为第i台余热锅炉锅筒中水汽温度,单位K;Thi,k为第i台余热锅炉过热器蒸汽出口温度,单位K;Tyi,k为第i台余热锅炉过热器烟气入口温度,单位K;Pk为集气缸压力,单位Mp;
构造输入变量x=[Li,k,…,Li,k,Tp1,k,…,Tpi,k,Th1,k,…,Thi,k,Ty1,k,…,Tyi,k,Ty1,k-1,…,Tyi,k-1,Pk],i=1,…,n,ΔFx为多台锅炉进入集气缸后的负荷增量,其中k-1为前一时刻值;通过支持向量学习得到输入输出模型,预测多台锅炉进入集气缸后的负荷增量ΔFx:
式中K(xi,x)核函数取径向基函数;b为偏置;θi =αi-αi *,αi和αi *为拉格朗日乘子,xi为支持向量,L为支持向量个数;
3)根据发电蒸汽负荷需求确定工业锅炉的负荷增量:
为了实现余热锅炉、工业锅炉汽轮机协调控制,当多个余热锅炉热负荷发生变化时,通过支持向量机预测模型预测蒸汽负荷的变化ΔFx,则工业锅炉负荷增量为:
ΔFb=ΔFs-ΔFx (2)
其中为ΔFs发电需求蒸汽负荷的变化,这样通过工业锅炉的负荷调节保证透平发电的负荷需求;
4)由主蒸汽压力模糊控制和负荷前馈模糊控制得到炉排最后转速输出,对工业锅炉进行调节:
主蒸汽压力模糊控制:
设蒸汽压力偏差为ep,ep=es-ex,其中es为蒸汽压力设定值,ex为蒸汽压力实际值;主蒸汽压力模糊控制的输入量ep和ecp的论域为[-2,2],所述ep 为蒸汽压力偏差,所述ecp为蒸汽压力偏差的导数,增量控制输出量Δu的论域为[-2,2];主蒸汽压力模糊控制的输入输出隶属度函数都采用简单的三角隶属函数,模糊子集都分成负大、负小、零、正小、正大五个等级,符号表示为:{NB,NS,ZE,PS,PB};
表1蒸汽压力的模糊规则
负荷前馈模糊控制:
负荷前馈模糊控制器的输入量Δu和ΔFb的论域为[-2,2],它们的模糊子集均由5个语言变量值组成,即{负大,负小,零,正小,正大},用英文缩写为{NB,NS,ZE,PS,PB};增量控制输出量uf的论域为[-3,3],模糊子集均由7个语言变量值组成,即{负大,负中,负小,零,正小,正中,正大},用英文缩写为{NB,NM,NS,ZE,PS,PM,PB};负荷模糊前馈控制的输入输出隶属度函数都采用简单的三角隶属函数;
表2负荷前馈模糊控制规则
5)返回上述2)步骤,循环优化控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610281543.4A CN105955210B (zh) | 2016-04-29 | 2016-04-29 | 余热锅炉与工业锅炉联合发电***的动态优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610281543.4A CN105955210B (zh) | 2016-04-29 | 2016-04-29 | 余热锅炉与工业锅炉联合发电***的动态优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105955210A CN105955210A (zh) | 2016-09-21 |
CN105955210B true CN105955210B (zh) | 2018-07-24 |
Family
ID=56913396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610281543.4A Active CN105955210B (zh) | 2016-04-29 | 2016-04-29 | 余热锅炉与工业锅炉联合发电***的动态优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105955210B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106773682B (zh) * | 2016-12-05 | 2019-11-22 | 清华大学 | 基于时滞动态确定的玻璃窑炉池底温度智能预测控制方法 |
CN107479389B (zh) * | 2017-09-30 | 2020-04-14 | 东南大学 | 一种火电机组过热汽温预测模糊自适应pid控制方法 |
CN108388223B (zh) * | 2018-04-03 | 2022-01-28 | 深圳市同富信息技术有限公司 | 一种用于智慧工厂基于数据闭环的设备控制*** |
CN109085803B (zh) * | 2018-07-06 | 2021-07-16 | 昆明理工大学 | 一种dram内存封装过程的优化调度方法 |
CN109539804A (zh) * | 2018-10-23 | 2019-03-29 | 湖南工业大学 | 锌沸腾焙烧余热发电过程的燃煤锅炉工况高效迁移方法 |
CN110765627B (zh) * | 2019-10-30 | 2023-07-14 | 汉谷云智(武汉)科技有限公司 | 基于大数据的热电企业汽轮机组智能操作优化***及方法 |
CN110865538B (zh) * | 2019-10-31 | 2022-07-29 | 中国神华能源股份有限公司国华电力分公司 | 机组工况优化方法、装置及电子设备 |
CN111487937B (zh) * | 2020-02-14 | 2021-04-30 | 北京工业大学 | 一种考虑回火与余热热处理的锻造节能调度方法 |
CN111338211B (zh) * | 2020-03-10 | 2022-08-12 | 华东理工大学 | 一种余热利用过程优化控制方法及*** |
CN113191083B (zh) * | 2021-04-30 | 2022-12-02 | 西安交通大学 | 考虑全工况外部参数变化的烟气余热回收***优化设计方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5517424A (en) * | 1994-03-31 | 1996-05-14 | Electric Power Research Institute, Inc. | Steam turbine fuzzy logic cyclic control method and apparatus therefor |
CN102997265A (zh) * | 2012-12-07 | 2013-03-27 | 广东中节能环保有限公司 | 烟气余热回收设备的冷源温度控制方法及装置 |
CN103064289A (zh) * | 2012-12-19 | 2013-04-24 | 华南理工大学 | 一种垃圾发电厂多目标运行优化及协调的控制方法及装置 |
CN104534507A (zh) * | 2014-11-18 | 2015-04-22 | 华北电力大学(保定) | 一种锅炉燃烧优化控制方法 |
-
2016
- 2016-04-29 CN CN201610281543.4A patent/CN105955210B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5517424A (en) * | 1994-03-31 | 1996-05-14 | Electric Power Research Institute, Inc. | Steam turbine fuzzy logic cyclic control method and apparatus therefor |
CN102997265A (zh) * | 2012-12-07 | 2013-03-27 | 广东中节能环保有限公司 | 烟气余热回收设备的冷源温度控制方法及装置 |
CN103064289A (zh) * | 2012-12-19 | 2013-04-24 | 华南理工大学 | 一种垃圾发电厂多目标运行优化及协调的控制方法及装置 |
CN104534507A (zh) * | 2014-11-18 | 2015-04-22 | 华北电力大学(保定) | 一种锅炉燃烧优化控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105955210A (zh) | 2016-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105955210B (zh) | 余热锅炉与工业锅炉联合发电***的动态优化方法 | |
CN103148472B (zh) | 生物质锅炉燃烧控制***和控制方法 | |
CN104102211B (zh) | 一种燃煤热电厂热电联产***的调度方法、服务器和*** | |
CN104699064B (zh) | 一种火电机组协调控制***的煤质自校正预测控制方法 | |
Tian et al. | Modeling and sliding mode predictive control of the ultra-supercritical boiler-turbine system with uncertainties and input constraints | |
Cirre et al. | Reference governor optimization and control of a distributed solar collector field | |
Kumar et al. | A simulation model to predict coal-fired power plant production rate using artificial neural network tool | |
Tian et al. | Model-based adaptive sliding mode control of the subcritical boiler-turbine system with uncertainties | |
CN108361683A (zh) | 一种全负荷段再热气温智能控制*** | |
Chen et al. | Phase compensation based active disturbance rejection control for high order superheated steam temperature system | |
Burgasi et al. | Fuzzy and PID controllers performance analysis for a combined-cycle thermal power plant | |
Hou et al. | Application of multi-agent EADRC in flexible operation of combined heat and power plant considering carbon emission and economy | |
Ali et al. | Hybrid Design Optimization of Heating Furnace Temperature using ANFIS-PSO | |
CN208365520U (zh) | 一种全负荷段再热气温智能控制装置 | |
Wei-Jie et al. | Combustion optimization under deep peak shaving based on DYNA-A3C with dynamic weight | |
Zhang et al. | Furnace temperature prediction using optimized kernel extreme learning machine | |
Xu et al. | Design of engine cooling system using improved particle swarm optimization algorithm | |
Li et al. | Performance analysis of reheat steam temperature control system of thermal power unit based on constrained predictive control | |
Lee et al. | Optimization of wind turbine pitch controller by neural network model based on latin hypercube | |
Qiu et al. | Model predictive control of compact combined cycles in offshore power plants integrating a wind farm | |
Ma et al. | ANN and PSO based intelligent model predictive optimal control for large-scale supercritical power unit | |
Mishra et al. | Artificial Intelligent Based Energy Saving System in Thermal Power Plant | |
Xi et al. | Summary of Research and Development of Intelligent Combustion Optimization System | |
Yu | Undisturbed Switching Control Method of Superheated Steam Temperature Systems | |
Zhao et al. | Research on distributed intelligent predictive control for flexible load tracking of thermal power units |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |