CN113836794B - 一种软硬结合的飞灰含碳量在线监测方法 - Google Patents

一种软硬结合的飞灰含碳量在线监测方法 Download PDF

Info

Publication number
CN113836794B
CN113836794B CN202111039471.XA CN202111039471A CN113836794B CN 113836794 B CN113836794 B CN 113836794B CN 202111039471 A CN202111039471 A CN 202111039471A CN 113836794 B CN113836794 B CN 113836794B
Authority
CN
China
Prior art keywords
fly ash
carbon content
real
measurement value
soft
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
Application number
CN202111039471.XA
Other languages
English (en)
Other versions
CN113836794A (zh
Inventor
周英彪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Shenwei Dingcai Technology Co ltd
Original Assignee
Wuhan Shenwei Dingcai Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan Shenwei Dingcai Technology Co ltd filed Critical Wuhan Shenwei Dingcai Technology Co ltd
Priority to CN202111039471.XA priority Critical patent/CN113836794B/zh
Publication of CN113836794A publication Critical patent/CN113836794A/zh
Application granted granted Critical
Publication of CN113836794B publication Critical patent/CN113836794B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Computer Hardware Design (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Gasification And Melting Of Waste (AREA)

Abstract

本发明公开了一种软硬结合的飞灰含碳量在线监测方法，包括步骤1、***投运初始期，通过飞灰含碳量在线检测装置得到飞灰含碳量实时实测值；步骤2、收集飞灰含碳量实时实测值，建立数据库，进行机器学习，数据清洗；步骤3、构建基于锅炉特征参数的飞灰含碳软测量模型；步骤4、在飞灰含碳量在线检测装置可能故障期，采用软硬测量相互校正的方法获取飞灰含碳量和进一步循环训练的样本；步骤5、在飞灰含碳量在线检测装置维修期，通过飞灰含碳软测量模型得到飞灰含碳量软测值；步骤6、当飞灰含碳量在线检测装置修好后，跳转步骤1，本发明将飞灰含碳量在线检测装置和飞灰含碳软测量模型结合，精确测量飞灰含碳量。

Description

一种软硬结合的飞灰含碳量在线监测方法
技术领域
本发明涉及锅炉飞灰含碳量监测技术领域，具体涉及一种软硬结合的飞灰含碳量在线监测方法。
背景技术
燃煤在我国是非常重要的一次能源，全国能源消耗的70％依靠煤炭。目前大多数的电厂运行中，都设有节能专工，其职责就是监测锅炉和机组的运行效率水平，根据测得的一些DCS数据、入炉煤重量和特性等，进行反平衡和正平衡的计算，得到锅炉当前的热效率水平。
飞灰含碳量作为燃煤锅炉的一项主要运行经济指标和技术指标，不仅会直接影响锅炉的效率、静电除尘器的效率和飞灰的综合利用，而且还会影响锅炉受热面的安全。为了有效的控制飞灰含碳量，就应该及时的获得其数值，以指导运行人员进行燃烧调整。而长期以来，飞灰含碳量在电厂的测量中难以在线获得，往往采用离线的灼烧法，该方法所得数据经常滞后所测工况几个小时，一般为每班一次，难以及时反映锅炉燃烧状况，从而在运行中难以对燃烧调节起到指导作用。也有很多电厂在建初期就采买了在线飞灰含碳量测量装置，但是由于环境的恶劣、仪器本身的可靠性，最终只能依靠离线飞灰含碳量测量装置的测量结果。
目前实验室离线飞灰含碳量的测量采用灼烧法。灼烧法的原理很直接，当含有未燃尽碳的灰样在特定的高温下经灼烧后，由于灰样中残留的碳被燃尽后使灰样的质量出现损失，利用灰样的烧失量作为计算依据，计算出灰样中的含碳量。一般这种测量结果被认为是权威、标准和精确的结果，其他的测量结果都必须与之相比较。尤其是在线测量飞灰含碳量的方法，最终的测量结果准确与否都会参考此种离线的分析结果。离线分析由于时间间隔长，灰样代表性差，不及时，其结果往往表征为一个班甚至是某一天的燃烧状况，只能由节能专工或者锅炉专工来根据当天进煤情况来作出判断，久而久之，形成针对当前锅炉与来煤相对应的加仓和混煤掺烧经验。这种经验往往是事后的，对锅炉风粉***调整指导的意义不大。
飞灰含碳量的物理测量方法是利用碳的可燃性及高介电常数等物理、化学特性，来检测飞灰中的含碳量。根据测量原理的不同，它可分为燃烧失重法、热重分析法、微波法、光学反射法等多种测量方法。此外还有电容法、静电法、光声效应法，其测量准确性仅限于实验室严格要求的实验条件下才能达到，现场的恶劣环境往往不能实现测量条件，更不用说进行在线测量。
由于飞灰含碳量的在线实时物理测量方法有这样那样的问题存在，想要长期、准确和稳定的测量并不容易，因此也有很多的研究者使用各种数学方法通过机理建模和样本参数建模来进行软测量。飞灰含碳量软测量企图用一些预测变量在线估计飞灰含碳量，属于统计学中的多元回归问题。尽管飞灰含碳量与其预测变量间的关系是非线性的，但是由于非线性模型建模困难，所以传统上采用多元线性回归模型，通过经典的最小二乘法把模型的回归系数的估计问题转换为线性方程组求解，得到在所有无偏估计中方差最小的全局最优解。
然而软测量往往需要调取燃煤电站大量的历史运行数据进行模型构建，通过人为的方法将离线检测数据与实时锅炉运行特征参数进行对应，建立的预测模型还需要在现场经过复杂的调试和校准，运行一段时间后或者燃烧组织方式发生较大变化时则又需要重新进行模型修正和校准。费时、费力且检测结果差强人意。
发明内容
根据现有技术的不足，本发明的目的是提供一种软硬结合的飞灰含碳量在线监测方法。
为了解决上述技术问题，本发明采用的技术方案为：
一种软硬结合的飞灰含碳量在线监测方法，包括；
步骤1、***投运初始期，通过飞灰含碳量在线检测装置对燃煤电站灰管中的飞灰进行实时含碳量检测，得到飞灰含碳量实时实测值，此时，采用飞灰含碳量实时实测值作为飞灰含碳量进行结果输出；
步骤2、计算机采集飞灰含碳量实时实测值，建立数据库，对数据库进行机器学习，对数据库进行数据清洗，剔除飞点和坏点；
步骤3、基于***实时锅炉特征参数，获取对飞灰含碳软测量模型产生影响的多个影响因子，采用逐个轮换的方式将每一影响因子放入飞灰含碳软测量模型中，判断影响因子与飞灰含碳量实时实测值的相关性，剔除相关性较低的影响因子，构建基于锅炉特征参数的飞灰含碳软测量模型；
步骤4、在飞灰含碳量在线检测装置可能故障期，根据飞灰含碳软测量模型得到飞灰含碳量软测值，对一定时间内飞灰含碳量实时实测值和飞灰含碳量软测值进行置信度检验，若飞灰含碳量实时实测值偏差在一定范围内，采用软硬测量相互校正的方法获取飞灰含碳量进行结果输出和进一步循环训练的样本，若飞灰含碳量实时实测值偏差在一定范围外，判断飞灰含碳量在线检测装置故障，采用飞灰含碳量软测值作为飞灰含碳量进行结果输出；
步骤5、在飞灰含碳量在线检测装置维修期，通过飞灰含碳软测量模型得到飞灰含碳量软测值，此时，采用飞灰含碳量软测值作为飞灰含碳量进行结果输出；
步骤6、当飞灰含碳量在线检测装置修好后，跳转步骤1，采用飞灰含碳量实时实测值作为飞灰含碳量进行结果输出，重复以上步骤。
进一步地，在所述步骤1中，所述***投运初始期为0到14天。
进一步地，在所述步骤3中，锅炉特征参数包括煤质参数、一次风参数、二次风参数、氧量参数、引风机流量参数、炉膛负压参数、发电负荷参数和总风量参数。
进一步地，所述步骤4中，对一定时间T1内的飞灰含碳量实时实测值进行置信度检验，当飞灰含碳量实时实测值相对于飞灰含碳量软测值的偏差M在一定范围内，a≤M≤b，采用软硬测量相互校正的方法获取飞灰含碳量，飞灰含碳量的计算公式为：
其中：C为飞灰含碳量，C软为飞灰含碳量软测值，C硬为飞灰含碳量实时实测值，σ为标准差，σ硬和σ软分别代表当前检测前24小时飞灰含碳量软测值和飞灰含碳量实时实测值的标准差。
进一步地，当飞灰含碳量实时实测值偏差M＞a或M＜b，即时重新取样检测得到第一新飞灰含碳量实时实测值，若第一新飞灰含碳量实时实测值偏差a≤M≤b，则再次即时取样检测，得到第二新飞灰含碳量实时实测值，输出第一新飞灰含碳量实时实测值和第二新飞灰含碳量实时实测值的均值作为飞灰含碳量实时实测值，采用软硬测量相互校正的方法获取飞灰含碳量进行结果输出和进一步循环训练的样本；
若第一新飞灰含碳量实时实测值偏差M＞a或M＜b，则输出飞灰含碳量在线检测装置故障预警，再次即时取样检测，得到第二新飞灰含碳量实时实测值，若第二新飞灰含碳量实时实测值偏差a≤M≤b，则再次即时取样检测，得到第三新飞灰含碳量实时实测值，并输出第二新飞灰含碳量实时实测值和第三新飞灰含碳量实时实测值的均值作为飞灰含碳量实时实测值，采用软硬测量相互校正的方法获取飞灰含碳量进行结果输出和进一步循环训练的样本；
若第一新飞灰含碳量实时实测值和第二新飞灰含碳量实时实测值偏差M＞a或M＜b，则输出飞灰含碳量在线检测装置故障，采用飞灰含碳量软测值作为飞灰含碳量进行结果输出，需要对飞灰含碳量在线检测装置进行维修。
进一步地，在步骤4中，将飞灰含碳量在线检测装置测得的飞灰含碳量实时实测值对比飞灰含碳软测量模型获得的飞灰含碳量软测值，若飞灰含碳量实时实测值相对于飞灰含碳量软测值一定时间T2内相对变化率均小于等于c，则信任飞灰含碳量实时实测值；
若飞灰含碳量实时实测值相对于飞灰含碳量软测值一定时间T2内有小于等于一定时间T3相对变化率均大于c，则输出飞灰含碳量在线检测装置故障预警，获取第一新飞灰含碳量实时实测值和第二新飞灰含碳量实时实测值，以第一新飞灰含碳量实时实测值和第二新飞灰含碳量实时实测值的均值作为飞灰含碳量实时实测值，采用软硬测量相互校正的方法获取飞灰含碳量进行结果输出和进一步循环训练的样本；
若飞灰含碳量实时实测值相对于飞灰含碳量软测值一定时间T2内有大于一定时间T3相对变化率均大于c，输出飞灰含碳量在线检测装置故障，采用飞灰含碳量软测值作为飞灰含碳量进行结果输出，需要对飞灰含碳量在线检测装置进行维修。
进一步地，在上述步骤4中，若飞灰含碳量在线检测装置测得的飞灰含碳量实时实测值在一定时间T4内相对偏差大于等于d；
若下一个一定时间T4内相对偏差小于d，则输出飞灰含碳量硬测量故障预警，采用软硬测量相互校正的方法获取飞灰含碳量进行结果输出和进一步循环训练的样本。
若下一个一定时间T4内相对偏差大于等于d，采用飞灰含碳量软测值作为飞灰含碳量进行结果输出，需要对飞灰含碳量在线检测装置进行维修。
进一步地，若飞灰含碳量在线检测装置使用时间超过重置周期e，输出飞灰含碳量在线检测装置故障预警。
进一步地，使用基于灼烧法的飞灰含碳量在线检测装置。
与现有技术相比，本发明具有以下优点和有益效果：
1.本发明所述的一种软硬结合的飞灰含碳量在线监测方法，在***投运初始期，采用飞灰含碳量在线检测装置获取飞灰含碳量，且使用飞灰含碳量在线检测装置获得的飞灰含碳量实时实测值数据库进行机器学习，结合锅炉特征参数，构建基于锅炉特征参数的飞灰含碳软测量模型；当飞灰含碳量在线检测装置可能出现故障时，采用软硬测量相互校正的方法获取飞灰含碳量，以消除可能存在的取样代表性问题；当飞灰含碳量在线检测装置出现故障或者数据长时间异常时，采用飞灰含碳量软测值作为飞灰含碳量，以在不停机状态满足燃煤电站对于飞灰含碳量实时在线监测的需求，直至飞灰含碳量在线检测装置恢复，继续采用飞灰含碳量在线检测装置获取飞灰含碳量。
2.本发明所述的一种软硬结合的飞灰含碳量在线监测方法，不仅可以解决飞灰含碳量在线检测装置发生故障时整套***完全陷入停摆的问题，保障飞灰含碳量数据的不间断输出，还可以实时检验飞灰含碳量的结果，保障数据准确性。同时还无需进行***投运初始期的历史数据调用和建模，在***投运的过程中完成飞灰含碳软测量模型的建立和校正，大大减少了***投运调试和校验的周期，使得整套***具有更快的响应周期和更强的推广价值。动态优化的模型及数据库也为软硬测量的准确性和适用性提供了保障。
3.本发明所述的一种软硬结合的飞灰含碳量在线监测方法，采用飞灰含碳量在线检测装置获取和飞灰含碳软测量模型结合，软硬测量结果较好的置信度也可以保障飞灰含碳量在线检测结果的正确性和准确性；不断通过飞灰含碳量在线检测装置获取的飞灰含碳量实时实测值和飞灰含碳软测量模型获取地飞灰含碳量软测值进行数据迭代，可以避免锅炉特征参数在使用过程中不断变化的情况，由于可以同时获得飞灰含碳量的准确结果，通过校验的飞灰含碳量实时实测值会再次进入飞灰含碳软测量模型的数据库进行迭代训练并对飞灰含碳软测量模型进行动态优化，从而保障飞灰含碳软测量模型获取地飞灰含碳量软测值保持高精度。
附图说明
图1为本发明软硬结合的飞灰含碳量在线监测方法的流程图。
图2为本发明飞灰含碳量数据获取的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
一种软硬结合的飞灰含碳量在线监测方法，如图1和图2所示，包括；
步骤1、***投运初始期，通过飞灰含碳量在线检测装置对燃煤电站灰管中的飞灰进行实时含碳量检测，得到飞灰含碳量实时实测值，此时，采用飞灰含碳量实时实测值作为飞灰含碳量进行结果输出；
步骤2、计算机采集飞灰含碳量实时实测值，建立数据库，对数据库进行机器学习，对数据库进行数据清洗，剔除飞点和坏点；
步骤3、基于***实时锅炉特征参数，获取对飞灰含碳软测量模型产生影响的多个影响因子，采用逐个轮换的方式将每一影响因子放入飞灰含碳软测量模型中，判断影响因子与飞灰含碳量实时实测值的相关性，剔除相关性较低的影响因子，构建基于锅炉特征参数的飞灰含碳软测量模型；
步骤4、在飞灰含碳量在线检测装置可能故障期，根据飞灰含碳软测量模型得到飞灰含碳量软测值，对一定时间内飞灰含碳量实时实测值和飞灰含碳量软测值进行置信度检验，若飞灰含碳量实时实测值偏差在一定范围内，采用软硬测量相互校正的方法获取飞灰含碳量进行结果输出和进一步循环训练的样本，若飞灰含碳量实时实测值偏差在一定范围外，判断飞灰含碳量在线检测装置故障，采用飞灰含碳量软测值作为飞灰含碳量进行结果输出；
步骤5、在飞灰含碳量在线检测装置维修期，通过飞灰含碳软测量模型得到飞灰含碳量软测值，此时，采用飞灰含碳量软测值作为飞灰含碳量进行结果输出；
步骤6、当飞灰含碳量在线检测装置修好后，跳转步骤1，采用飞灰含碳量实时实测值作为飞灰含碳量进行结果输出，重复以上步骤。
本发明中，将飞灰含碳量在线检测装置和飞灰含碳软测量模型相结合，飞灰含碳量在线检测装置在***投运初始期往往有着很好的可靠度和检测精度，其测得的实时飞灰含碳量可直接匹配实时锅炉运行特征参数，无需进行人工匹配，省去了复杂的数据处理和可能存在的错漏，但是飞灰含碳量在线检测装置在使用一段时间后容易出现故障或偏差，使得飞灰含碳量在线检测装置输出的飞灰含碳量实时实测值不准确，需要飞灰含碳量在线检测装置进行维修。
但是在***投运初始期，飞灰含碳软测量模型获取的数据飞灰含碳量软测值不够飞灰含碳量在线检测装置准确，且由于锅炉特征参数在使用过程中会不断变化，持续使用飞灰含碳软测量模型输出的飞灰含碳量结果不够准确。
因此，在***投运初始期，采用飞灰含碳量在线检测装置获取飞灰含碳量，且使用飞灰含碳量在线检测装置获得的飞灰含碳量实时实测值建立数据库进行机器学习，结合锅炉特征参数，构建基于锅炉特征参数的飞灰含碳软测量模型；当飞灰含碳量在线检测装置可能出现故障时，采用软硬测量相互校正的方法获取飞灰含碳量，以消除可能存在的取样代表性问题；当飞灰含碳量在线检测装置出现故障或者数据长时间异常时，采用飞灰含碳量软测值作为飞灰含碳量，以在不停机状态满足燃煤电站对于飞灰含碳量实时在线监测的需求，直至飞灰含碳量在线检测装置恢复，继续采用飞灰含碳量在线检测装置获取飞灰含碳量，重复以上步骤。
本发明不仅可以解决飞灰含碳量在线检测装置发生故障时整套***完全陷入停摆的问题，保障飞灰含碳量数据的不间断输出，还可以实时检验飞灰含碳量的结果，保障数据准确性。同时还无需进行***投运初始期的历史数据调用和建模，在***投运的过程中完成飞灰含碳软测量模型的建立和校正，大大减少了***投运调试和校验的周期，使得整套***具有更快的响应周期和更强的推广价值。动态优化的模型及数据库也为软硬测量的准确性和适用性提供了保障。
本发明采用飞灰含碳量在线检测装置获取和飞灰含碳软测量模型结合，软硬测量结果较好的置信度也可以保障飞灰含碳量在线检测结果的正确性和准确性；不断通过飞灰含碳量在线检测装置获取的飞灰含碳量实时实测值和飞灰含碳软测量模型获取地飞灰含碳量软测值进行数据迭代，可以避免锅炉特征参数在使用过程中不断变化的情况，由于可以同时获得飞灰含碳量的准确结果，通过校验的飞灰含碳量实时实测值会再次进入飞灰含碳软测量模型的数据库进行迭代训练并对飞灰含碳软测量模型进行动态优化，从而保障飞灰含碳软测量模型获取地飞灰含碳量软测值保持高精度。
在步骤1中，通常使用基于灼烧法的飞灰含碳量在线检测装置，灼烧法的飞灰含碳量在线检测方法基本采用国标方法进行，具有较高的检测精度和可靠性，且无需进行建模和回归，可直接获得准确的飞灰含碳量实时值，有利于构建准确的飞灰含碳量软测量模型，飞灰含碳量在线硬测量装置在***投运初始期往往有着很好的可靠度和检测精度，其测得的实时飞灰含碳量可直接匹配实时锅炉运行特征参数，无需进行人工匹配，省去了复杂的数据处理和可能存在的错漏。
在步骤1中，***投运初始期为0到14天，现有技术表明，飞灰含碳量在线检测装置的***在重置后的14天内故障率极低，因此在14天内可以全部通过飞灰含碳量在线检测装置对燃煤电站灰管中的飞灰进行实时含碳量检测，得到飞灰含碳量实时实测值，采用飞灰含碳量实时实测值作为飞灰含碳量进行结果输出，且利用这14天内得到的样本数据构建飞灰含碳软测量模型。
在步骤2中，对飞灰含碳量实时实测值数据库进行SVR模型迭代训练的方法进行机器学习。
在步骤3中，锅炉特征参数包括煤质参数、一次风参数、二次风参数、氧量参数、引风机流量参数、炉膛负压参数、发电负荷参数和总风量参数等。
具体地，将所选的特征以对飞灰含碳量影响机制进行分组，每次在相同的分组中选取一个特征带入回归模型，并计算该组合下均方误差，从而获得在该组合方式下有显著影响的特征；通过不同的组合和每组中特征的选取，获得均方误差指标较大的对特征参数进行降维，进而构建基于锅炉特征参数的飞灰含碳软测量模型。
如图2所示，在步骤4中，对一定时间T1内的飞灰含碳量实时实测值和飞灰含碳量软测值进行置信度检验，T1为24～36小时，当飞灰含碳量实时实测值相对于飞灰含碳量软测值的偏差M在一定范围内，a≤M≤b，a取1％～2％，b取15％～20％，采用软硬测量相互校正的方法获取飞灰含碳量，飞灰含碳量的计算公式为：
其中：C为飞灰含碳量，C软为飞灰含碳量软测值，C硬为飞灰含碳量实时实测值，σ为标准差，σ硬和σ软分别代表当前检测前24小时飞灰含碳量软测值和飞灰含碳量实时实测值的标准差。
标准差可以反应一组数据的离散程度，这样计算的目的是尽可能剔除飞灰含碳量软测值和飞灰含碳量实时实测值的波动引起的数据偏差，飞灰含碳量实时实测值可能由于采样代表性或长时间运行时的细微故障等导致单次检测偏差较大，而飞灰含碳量软测值则可能由于模型完善程度不足或***实时锅炉特征参数异常等造成单次检测偏差较大，将两种检测在当次检测前24h内数据的标准差作为修正系数，当波动较大及相对标准偏差较大时，表明该数据可能存在异常的可能性更大，因此在实际输出的飞灰含碳量中其所占加权相应较小，反之则加权较大，从而保障飞灰含碳量检测的准确性。
上述步骤4中，当飞灰含碳量实时实测值不在正常区间，即飞灰含碳量实时实测值偏差M＞a或M＜b，即时重新取样检测得到第一新飞灰含碳量实时实测值，若第一新飞灰含碳量实时实测值在正常区间，即第一新飞灰含碳量实时实测值偏差a≤M≤b，则再次即时取样检测，得到第二新飞灰含碳量实时实测值，输出第一新飞灰含碳量实时实测值和第二新飞灰含碳量实时实测值的均值作为飞灰含碳量实时实测值，采用软硬测量相互校正的方法获取飞灰含碳量进行结果输出和进一步循环训练的样本，即飞灰含碳量通过公式获得；
若第一新飞灰含碳量实时实测值不在正常区间，即第一新飞灰含碳量实时实测值偏差M＞a或M＜b，则输出飞灰含碳量在线检测装置故障预警，再次即时取样检测，得到第二新飞灰含碳量实时实测值，若第二新飞灰含碳量实时实测值在正常区间，即第二新飞灰含碳量实时实测值偏差a≤M≤b，则再次即时取样检测，得到第三新飞灰含碳量实时实测值，并输出第二新飞灰含碳量实时实测值和第三新飞灰含碳量实时实测值的均值作为飞灰含碳量实时实测值，采用软硬测量相互校正的方法获取飞灰含碳量进行结果输出和进一步循环训练的样本，即飞灰含碳量通过公式获得；
若第一新飞灰含碳量实时实测值和第二新飞灰含碳量实时实测值均不在正常区间，即第一新飞灰含碳量实时实测值偏差M＞a或M＜b且第二新飞灰含碳量实时实测值偏差M＞a或M＜b，则输出飞灰含碳量在线检测装置故障，采用飞灰含碳量软测值作为飞灰含碳量进行结果输出，需要对飞灰含碳量在线检测装置进行维修。
在步骤4中，将飞灰含碳量在线检测装置测得的飞灰含碳量实时实测值对比飞灰含碳软测量模型获得的飞灰含碳量软测值，若飞灰含碳量实时实测值相对于飞灰含碳量软测值一定时间T2内相对变化率均小于等于c，T2取24小时到48小时，c取5％～10％，则信任飞灰含碳量实时实测值；
若飞灰含碳量实时实测值相对于飞灰含碳量软测值一定时间T2内有小于等于一定时间T3相对变化率均大于c，T3取2小时到4小时，则输出飞灰含碳量在线检测装置故障预警，获取第一新飞灰含碳量实时实测值和第二新飞灰含碳量实时实测值，以第一新飞灰含碳量实时实测值和第二新飞灰含碳量实时实测值的均值作为飞灰含碳量实时实测值，采用软硬测量相互校正的方法获取飞灰含碳量进行结果输出和进一步循环训练的样本，即飞灰含碳量通过公式获得；
若飞灰含碳量实时实测值相对于飞灰含碳量软测值一定时间T2内有大于一定时间T3相对变化率均大于c，输出飞灰含碳量在线检测装置故障，采用飞灰含碳量软测值作为飞灰含碳量进行结果输出，需要对飞灰含碳量在线检测装置进行维修。
在步骤4中，若飞灰含碳量在线检测装置测得的飞灰含碳量实时实测值在一定时间T4内相对偏差大于等于d，T4一般取值为2小时，d一般取值10％；
若下一个一定时间T4内相对偏差小于d，则输出飞灰含碳量硬测量故障预警，采用软硬测量相互校正的方法获取飞灰含碳量进行结果输出和进一步循环训练的样本，即飞灰含碳量通过公式获得。
若下一个一定时间T4内相对偏差大于等于d，输出飞灰含碳量在线检测装置故障，采用飞灰含碳量软测值作为飞灰含碳量进行结果输出，需要对飞灰含碳量在线检测装置进行维修。
在步骤4中，若飞灰含碳量在线检测装置使用时间超过重置周期e，输出飞灰含碳量硬测量故障预警，e一般取值6个月，采用上述方法判别飞灰含碳量实时实测值。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (8)

1.一种软硬结合的飞灰含碳量在线监测方法，其特征在于，包括；
步骤1、***投运初始期，通过飞灰含碳量在线检测装置对燃煤电站灰管中的飞灰进行实时含碳量检测，得到飞灰含碳量实时实测值，此时，采用飞灰含碳量实时实测值作为飞灰含碳量进行结果输出；
步骤2、计算机采集飞灰含碳量实时实测值，建立数据库，对数据库进行机器学习，对数据库进行数据清洗，剔除飞点和坏点；
步骤3、基于***实时锅炉特征参数，获取对飞灰含碳软测量模型产生影响的多个影响因子，采用逐个轮换的方式将每一影响因子放入飞灰含碳软测量模型中，判断影响因子与飞灰含碳量实时实测值的相关性，剔除相关性较低的影响因子，构建基于锅炉特征参数的飞灰含碳软测量模型；
步骤4、在飞灰含碳量在线检测装置可能故障期，根据飞灰含碳软测量模型得到飞灰含碳量软测值，对一定时间T1内飞灰含碳量实时实测值和飞灰含碳量软测值进行置信度检验，若飞灰含碳量实时实测值相对于飞灰含碳量软测值的偏差M在一定范围内，a≤M≤b，采用软硬测量相互校正的方法获取飞灰含碳量进行结果输出和进一步循环训练的样本，飞灰含碳量的计算公式为：
其中：C为飞灰含碳量，C软为飞灰含碳量软测值，C硬为飞灰含碳量实时实测值，σ为标准差，σ硬和σ软分别代表当前检测前24小时飞灰含碳量软测值和飞灰含碳量实时实测值的标准差；
若飞灰含碳量实时实测值偏差在一定范围外，判断飞灰含碳量在线检测装置故障，采用飞灰含碳量软测值作为飞灰含碳量进行结果输出；
步骤5、在飞灰含碳量在线检测装置维修期，通过飞灰含碳软测量模型得到飞灰含碳量软测值，此时，采用飞灰含碳量软测值作为飞灰含碳量进行结果输出；
步骤6、当飞灰含碳量在线检测装置修好后，跳转步骤1，采用飞灰含碳量实时实测值作为飞灰含碳量进行结果输出，重复以上步骤。
2.根据权利要求1所述的软硬结合的飞灰含碳量在线监测方法，其特征在于：在所述步骤1中，所述***投运初始期为0到14天。
3.根据权利要求1所述的软硬结合的飞灰含碳量在线监测方法，其特征在于：在所述步骤3中，锅炉特征参数包括煤质参数、一次风参数、二次风参数、氧量参数、引风机流量参数、炉膛负压参数、发电负荷参数和总风量参数。
4.根据权利要求1所述的软硬结合的飞灰含碳量在线监测方法，其特征在于：当飞灰含碳量实时实测值偏差M＞a或M＜b，即时重新取样检测得到第一新飞灰含碳量实时实测值，若第一新飞灰含碳量实时实测值偏差a≤M≤b，则再次即时取样检测，得到第二新飞灰含碳量实时实测值，输出第一新飞灰含碳量实时实测值和第二新飞灰含碳量实时实测值的均值作为飞灰含碳量实时实测值，采用软硬测量相互校正的方法获取飞灰含碳量进行结果输出和进一步循环训练的样本；
若第一新飞灰含碳量实时实测值偏差M＞a或M＜b，则输出飞灰含碳量在线检测装置故障预警，再次即时取样检测，得到第二新飞灰含碳量实时实测值，若第二新飞灰含碳量实时实测值偏差a≤M≤b，则再次即时取样检测，得到第三新飞灰含碳量实时实测值，并输出第二新飞灰含碳量实时实测值和第三新飞灰含碳量实时实测值的均值作为飞灰含碳量实时实测值，采用软硬测量相互校正的方法获取飞灰含碳量进行结果输出和进一步循环训练的样本；
若第一新飞灰含碳量实时实测值和第二新飞灰含碳量实时实测值偏差M＞a或M＜b，则输出飞灰含碳量在线检测装置故障，采用飞灰含碳量软测值作为飞灰含碳量进行结果输出，需要对飞灰含碳量在线检测装置进行维修。
5.根据权利要求1所述的软硬结合的飞灰含碳量在线监测方法，其特征在于：在步骤4中，将飞灰含碳量在线检测装置测得的飞灰含碳量实时实测值对比飞灰含碳软测量模型获得的飞灰含碳量软测值，若飞灰含碳量实时实测值相对于飞灰含碳量软测值一定时间T2内相对变化率均小于等于c，则信任飞灰含碳量实时实测值；
若飞灰含碳量实时实测值相对于飞灰含碳量软测值一定时间T2内有小于等于一定时间T3相对变化率均大于c，则输出飞灰含碳量在线检测装置故障预警，获取第一新飞灰含碳量实时实测值和第二新飞灰含碳量实时实测值，以第一新飞灰含碳量实时实测值和第二新飞灰含碳量实时实测值的均值作为飞灰含碳量实时实测值，采用软硬测量相互校正的方法获取飞灰含碳量进行结果输出和进一步循环训练的样本；
若飞灰含碳量实时实测值相对于飞灰含碳量软测值一定时间T2内有大于一定时间T3相对变化率均大于c，输出飞灰含碳量在线检测装置故障，采用飞灰含碳量软测值作为飞灰含碳量进行结果输出，需要对飞灰含碳量在线检测装置进行维修。
6.根据权利要求1所述的软硬结合的飞灰含碳量在线监测方法，其特征在于：在上述步骤4中，若飞灰含碳量在线检测装置测得的飞灰含碳量实时实测值在一定时间T4内相对偏差大于等于d；
若下一个一定时间T4内相对偏差小于d，则输出飞灰含碳量硬测量故障预警，采用软硬测量相互校正的方法获取飞灰含碳量进行结果输出和进一步循环训练的样本；
若下一个一定时间T4内相对偏差大于等于d，采用飞灰含碳量软测值作为飞灰含碳量进行结果输出，需要对飞灰含碳量在线检测装置进行维修。
7.根据权利要求1所述的软硬结合的飞灰含碳量在线监测方法，其特征在于：若飞灰含碳量在线检测装置使用时间超过重置周期e，输出飞灰含碳量在线检测装置故障预警。
8.根据权利要求1所述的软硬结合的飞灰含碳量在线监测方法，其特征在于：使用基于灼烧法的飞灰含碳量在线检测装置。
CN202111039471.XA 2021-09-06 2021-09-06 一种软硬结合的飞灰含碳量在线监测方法 Active CN113836794B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111039471.XA CN113836794B (zh) 2021-09-06 2021-09-06 一种软硬结合的飞灰含碳量在线监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111039471.XA CN113836794B (zh) 2021-09-06 2021-09-06 一种软硬结合的飞灰含碳量在线监测方法

Publications (2)

Publication Number Publication Date
CN113836794A CN113836794A (zh) 2021-12-24
CN113836794B true CN113836794B (zh) 2024-01-30

Family

ID=78962262

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111039471.XA Active CN113836794B (zh) 2021-09-06 2021-09-06 一种软硬结合的飞灰含碳量在线监测方法

Country Status (1)

Country Link
CN (1) CN113836794B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114965164A (zh) * 2022-06-02 2022-08-30 连云港同顺电力节能设备有限公司 一种电力生产飞灰监测***、方法及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107133460A (zh) * 2017-04-26 2017-09-05 中国能源建设集团广东省电力设计研究院有限公司 一种锅炉飞灰含碳量在线动态预测方法
CN111754093A (zh) * 2020-06-11 2020-10-09 浙江浙能技术研究院有限公司 一种基于煤质预测和pso-svm的飞灰含碳量预测方法
CN112446156A (zh) * 2017-12-06 2021-03-05 重庆大唐国际石柱发电有限责任公司 基于炉膛飞灰停留时间的电站锅炉飞灰含碳量的测量方法
CN113283052A (zh) * 2021-04-15 2021-08-20 华中科技大学 飞灰含碳量软测量方法及燃煤锅炉燃烧优化方法和***

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107133460A (zh) * 2017-04-26 2017-09-05 中国能源建设集团广东省电力设计研究院有限公司 一种锅炉飞灰含碳量在线动态预测方法
CN112446156A (zh) * 2017-12-06 2021-03-05 重庆大唐国际石柱发电有限责任公司 基于炉膛飞灰停留时间的电站锅炉飞灰含碳量的测量方法
CN111754093A (zh) * 2020-06-11 2020-10-09 浙江浙能技术研究院有限公司 一种基于煤质预测和pso-svm的飞灰含碳量预测方法
CN113283052A (zh) * 2021-04-15 2021-08-20 华中科技大学 飞灰含碳量软测量方法及燃煤锅炉燃烧优化方法和***

Also Published As

Publication number Publication date
CN113836794A (zh) 2021-12-24

Similar Documents

Publication Publication Date Title
CN110375787B (zh) 一种计量仪表运行状态在线评价方法
CN111753389B (zh) 一种燃煤锅炉入炉原煤热值在线软测量方法和装置
CN112232571B (zh) 一种废气主要污染物浓度的预测方法
CN112819653B (zh) 一种在线监测入炉煤和入厂煤热值差的***及方法
CN106649919A (zh) 燃煤电站锅炉飞灰含碳量预测模型构建方法及***
CN112131517B (zh) 一种垃圾焚烧电厂入炉垃圾低位热值的测算方法
CN111550763A (zh) 锅炉受热面灰渣污染的监测方法
CN113836794B (zh) 一种软硬结合的飞灰含碳量在线监测方法
CN112782220A (zh) 一种电站入炉煤热值的测量方法及***
CN109146141B (zh) 一种燃煤电站回转式空气预热器漏风率预测方法
CN113918881A (zh) 基于分层多项式模型的飞灰含碳量软测量方法及监测***
CN110458480B (zh) 一种发电厂化学仪表准确性在线评价***
CN117575373A (zh) 一种基于大数据的设备能耗监测分析方法及***
Zhao et al. Gas turbine exhaust system health management based on recurrent neural networks
CN112461995A (zh) 一种预测火电厂氨逃逸的方法
CN111539154A (zh) 一种汽轮机运行性能变化的定量评估方法
CN215985733U (zh) 一种区域级二氧化碳排放监测与管控***
WO2022258811A1 (en) A method and a system for monitoring and on-line determining of a calorific value of solid fuel that is currently combusted in a boiler
CN112328590B (zh) 一种热力设备运行数据深度清洗方法
CN111797545B (zh) 一种基于实测数据的风电机组偏航折减系数计算方法
CN114187976A (zh) 一种基于实时测量数据的氧量预测方法
CN208420868U (zh) 基于最小二乘支持向量机的碱回收炉烟气氧含量的软测量***
Liangyu et al. ANN-based soft sensing of oxygen content in boiler air-flue gas system
CN118194103A (zh) 融合机理与数据的锅炉受热面灰污量化表征方法及***
CN103591981A (zh) 一种炼化加热炉能耗远程监测诊断方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant