CN114036758B - 基于数值模拟和机器学习的锅炉燃烧状态动态展示方法 - Google Patents
基于数值模拟和机器学习的锅炉燃烧状态动态展示方法 Download PDFInfo
- Publication number
- CN114036758B CN114036758B CN202111341743.1A CN202111341743A CN114036758B CN 114036758 B CN114036758 B CN 114036758B CN 202111341743 A CN202111341743 A CN 202111341743A CN 114036758 B CN114036758 B CN 114036758B
- Authority
- CN
- China
- Prior art keywords
- combustion
- boiler
- combustion parameter
- data
- numerical simulation
- 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
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Regulation And Control Of Combustion (AREA)
Abstract
基于数值模拟和机器学习的锅炉燃烧状态动态展示方法,涉及锅炉燃烧状态监测领域。本发明是为了解决目前主要通过从模拟数据库中调用燃烧参数获取锅炉燃烧状态预测范围有限,且仅适用于离线分析实时性差的问题。本发明包括:将待获取燃烧参数的锅炉运行工况输入到训练好的全工况燃烧参数预测模型中获得该运行工况下的燃烧参数,然后将燃烧参数转换为可供显示程序识别的RGB值和沿炉膛宽度、高度方向上静态或动态各个截面上的燃烧参数分布信息即可动态实时展示锅炉燃烧状态。本发明用于实时获取锅炉燃烧状态。
Description
技术领域
本发明涉及锅炉燃烧状态监测领域,特别涉及基于数值模拟和机器学习的锅炉燃烧状态动态展示方法。
背景技术
锅炉是一个多***耦合的综合体,主要包括汽水***、燃烧***和辅助***等,多***相互作用使得炉膛内燃烧情况非常复杂。受限于目前锅炉燃烧检测技术,运行调试人员无法准确、实时获得炉膛内部燃烧状态信息,这就导致锅炉相当于一个“黑匣子”,检测不到、测量不准、理解不深、控制不精是目前锅炉运行的常态。目前,当锅炉运行过程中出现问题时,主要依靠专家和调试人员的经验来判断目前锅炉的燃烧状态,然后再根据燃烧状态解决问题。但是,目前火电机组常常会出现深度调峰、变换煤种等运行调整,不断会有新的问题产生且目前显示锅炉内部燃烧状态的研究较少,相关的工程经验匮乏,理论支持不足,因此如何以客观的数据直观的体现锅炉燃烧状态成为本领域的研究重点。
现有技术中主要通过从存储燃烧参数与运行数据对应关系的模拟数据库中调用与运行数据对应的燃烧参数,来获得锅炉目前的燃烧状态。但是这种方法预测范围有限,只能获取模拟数据库中已经存入的运行数据对应的燃烧状态参数,并不能预测模拟数据库中不存在的运行工况下的锅炉燃烧参数,且目前的预测物理场的方法仅适用于离线分析,并不能实时获得锅炉的燃烧参数。
发明内容
本发明目的是为了解决目前主要通过从模拟数据库中调用燃烧参数获取锅炉燃烧状态预测范围有限,且仅适用于离线分析存在实时性差的问题,而提出了基于数值模拟和机器学习的锅炉燃烧状态动态展示方法。
基于数值模拟和机器学习的锅炉燃烧状态动态展示方法具体过程为:
将待获取燃烧参数的锅炉运行工况输入到训练好的全工况燃烧参数预测模型中获得该运行工况下的燃烧参数,然后将燃烧参数转换为可供显示程序识别的RGB值和沿炉膛宽度、高度方向上静态或动态各个截面上的燃烧参数分布信息即可动态实时展示锅炉燃烧状态;
所述训练好的全工况燃烧参数预测模型通过以下方式获得:
步骤一、构建燃烧参数训练集和测试集;
步骤二、构建预测模型,利用训练集训练预测模型并利用测试集测试训练好的预测模型,从而获取全工况燃烧参数预测模型。
本发明的有益效果为:
本发明以典型工况的锅炉的信息作为数据进行数值模拟建立典型工况数据集,可以获得实时运行数据对应下的锅炉内部燃烧状态参数分布情况,并利用典型工况数据训练机器学习模型,通过训练好的机器学习模型可以获取任何工况下的锅炉燃烧参数且可以实时输入运行数据实时输出燃烧参数,提高了锅炉燃烧参数预测的实时性。本发明可以获得沿炉膛宽度、高度方向上静态或动态各个截面上的燃烧参数分布信息,运行调试人员根据这些图像实时获得炉膛内部燃烧状态信息和特定区域处的燃烧参数值,采用了工质侧和燃烧侧耦合的计算方法进行数值模拟,提升了数值模拟的准确性,使得数值模拟结果能够较好地吻合锅炉实际运行情况,提升了锅炉燃烧参数预测准确率。
附图说明
图1为本发明流程图;
图2是数值模拟校正流程图。
具体实施方式
具体实施方式一:本实施方式基于数值模拟和机器学习的锅炉燃烧状态动态展示方法具体过程为(如图1所示):将待获取燃烧参数的锅炉运行工况输入到训练好的全工况燃烧参数预测模型中获得该运行工况下的燃烧参数,然后将燃烧参数转换为可供显示程序识别的RGB值和沿炉膛宽度、高度方向上静态或动态各个截面上的燃烧参数分布信息即可动态实时展示锅炉燃烧状态。
所述训练好的全工况燃烧参数预测模型通过以下方式获得:
步骤一、构建燃烧参数训练集和测试集:
步骤一一、采集运行周期一年以上的锅炉运行数据;
所述锅炉运行数据包括:锅炉煤质分析数据、总风量、总煤量、总水量、负荷、风门挡板开度、烟温测点、汽温测点、燃烧产物测点等数据。
步骤一二、利用步骤一一采集的锅炉运行数据获取锅炉燃烧参数构建典型工况数据库:
步骤一二一、利用概率密度函数分析步骤一一获取的负荷数据,获得锅炉概率密度,按照锅炉概率密度从大到小提取多个锅炉典型运行工况;
其中,锅炉每一个概率密度即为一种运行工况;
所述锅炉典型运行工况的个数人为规定;
步骤一二二、对提取的多个锅炉典型运行工况中的锅炉运行数据分别进行数值模拟并对数值模拟结果校正获得每个典型工况下炉膛内任意位置处的燃烧参数,所有典型工况下炉膛内任意位置处的燃烧信息构成典型数据库;
所述燃烧参数包括:温度、烟汽速度、氧气含量、一氧化碳含量、煤粉浓度、氮氧化物含量;
所述数值模拟时以锅炉运行数据中的锅炉煤质分析数据、总风量、总煤量、风门挡板开度数据作为边界条件;
所述数值模拟结果的校正数据是:烟温测点、汽温测点、燃烧产物测点数据;
所述数值模拟的校正过程包括以下步骤(如图2):
S1、提取数值模拟结果中的受热面的热负荷,然后采用水动力计算公式利用数值模拟结果中各受热面的热负荷数据和总水量分别计算出各受热面管内工质温度;
S2、将S1中获得的各受热面管内工质温度和数值模拟边界条件中工质温度对比,如果两者差值的绝对值大于精度阈值,将数值模拟边界条件中的工质温度替换为S1获得的各受热面管内工质温度,依次迭代,直至两者的差值小于精度阈值;
S3、将数值模拟结果与运行数据中的测点数据(烟温测点、汽温侧点、燃烧产物测点)对比,如果测点数据差值的绝对值小于精度阈值,则修正数值模拟计算参数中的辐射与对流换热系数、化学反应系数等边界条件,直至测点数据差值的绝对值小于大于精度阈值。
步骤一三、利用典型工况数据库中的燃烧参数构建每个燃烧参数的训练集和测试集,包括以下步骤:
首先,从典型工况数据库中提取所有典型工况的所有燃烧参数并获取每个典型工况中每个燃烧参数的位置信息;
然后,将典型工况A下的锅炉运行数据、典型工况A中的燃烧参数a和燃烧参数a对应的位置信息构成典型工况数据集1,然后将典型工况数据集1分为燃烧参数a的训练集和测试集;
最后,按照上述方法获取所有燃烧参数的训练集和测试集。
本步骤的有益效果为:典型运行工况具有负荷覆盖范围广、包含所有常运行负荷、考虑所有挡板开度和煤质变换等特点,将锅炉煤质分析数据、总风量、总煤量、风门挡板开度数据作为边界条件,以烟温测点、汽温测点、燃烧产物测点数据作为数值模拟计算结果的校正数据,保证了数值模拟计算结果的准确性。
利用数值模拟和数值模拟校正结合通过反复迭代计算方法修正炉膛换热系数,实现数值模拟结果与锅炉实际运行情况的高度吻合,为下一步的机器学习计算提供优质的数据基础。
步骤二、利用机器学习算法构建预测模型,利用训练集训练预测模型并利用测试集测试训练好的预测模型,从而获取全工况燃烧参数预测模型:
步骤二一、利用每个燃烧参数的训练集分别训练燃烧参数预测模型,获得多个训练好的燃烧参数预测模型,然后利用每个燃烧参数的测试集分别测试训练好的多个燃烧参数预测模型,若准确率大于预设阈值则保存训练好的机器学习模型,若准确率小于预设阈值则重新获取燃烧参数训练集训练燃烧参数预测模型;
步骤二二、将多个燃烧参数训练集训练完成并将保存的燃烧参数预测模型组合,获得全工况燃烧参数预测模型。
Claims (2)
1.基于数值模拟和机器学习的锅炉燃烧状态动态展示方法,其特征在于所述方法具体过程为:
将待获取燃烧参数的锅炉运行工况输入到训练好的全工况燃烧参数预测模型中获得该运行工况下的燃烧参数,然后将燃烧参数转换为可供显示程序识别的RGB值和沿炉膛宽度、高度方向上静态或动态各个截面上的燃烧参数分布信息即可动态实时展示锅炉燃烧状态;
所述训练好的全工况燃烧参数预测模型通过以下方式获得:
步骤一、构建燃烧参数训练集和测试集,包括以下步骤:
步骤一一、采集运行周期一年以上的锅炉运行数据;
所述锅炉运行数据包括:锅炉煤质分析数据、总风量、总煤量、总水量、负荷、风门挡板开度、烟温测点、汽温测点、燃烧产物测点数据;
步骤一二、利用步骤一一采集的锅炉运行数据获取锅炉燃烧参数构建典型工况数据库,包括以下步骤:
步骤一二一、利用概率密度函数分析步骤一一获取的负荷数据,获得锅炉概率密度,按照锅炉概率密度从大到小提取多个锅炉典型运行工况;
步骤一二二、对提取的多个锅炉典型运行工况中的锅炉运行数据分别进行数值模拟并对数值模拟结果校正获得每个典型工况下炉膛内任意位置处的燃烧参数,所有典型工况下炉膛内任意位置处的燃烧信息构成典型工况数据库;
所述燃烧参数包括:温度、烟汽速度、氧气含量、一氧化碳含量、煤粉浓度、氮氧化物含量;
所述步骤一二二中对提取的多个锅炉典型运行工况中的锅炉运行数据分别进行数值模拟时的边界条件为:锅炉煤质分析数据、总风量、总煤量、风门挡板开度数据;
所述对数值模拟结果校正数据为:烟温测点、汽温测点、燃烧产物测点数据;
所述对数值模拟结果校正,包括以下步骤:
S1、提取数值模拟结果中的受热面的热负荷,然后采用水动力计算公式利用数值模拟结果中的各受热面的热负荷数据和总水量分别计算出各受热面管内工质温度;
S2、将S1中获得的各受热面管内工质温度和数值模拟边界条件中工质温度对比,如果两者差值的绝对值大于精度阈值,则将数值模拟边界条件中的工质温度替换为S1获得的各受热面管内工质温度,依次迭代,直至两者的差值小于精度阈值;
S3、将数值模拟结果中的测点数据与运行数据中的测点数据对比,如果测点数据差值的绝对值小于精度阈值,则修正数值模拟过程中的参数,直至测点数据差值的绝对值小于大于精度阈值;
所述测点数据包括:烟温测点、汽温侧点、燃烧产物测点;
步骤一三、利用典型工况数据库中的燃烧参数构建燃烧参数训练集和测试集,包括以下步骤:
首先,从典型工况数据库中提取所有典型工况的所有燃烧参数并获取每个典型工况中每个燃烧参数的位置信息;
然后,将典型工况A下的锅炉运行数据、典型工况A中的燃烧参数a和燃烧参数a对应的位置信息构成多个典型工况数据集1,然后将典型工况数据集1分为燃烧参数a的训练集和测试集;
最后,根据上述方法获取所有燃烧参数的训练集和测试集;
步骤二、构建预测模型,利用训练集训练预测模型并利用测试集测试训练好的预测模型,从而获取全工况燃烧参数预测模型。
2.根据权利要求1所述的基于数值模拟和机器学习的锅炉燃烧状态动态展示方法,其特征在于:所述步骤二中利用训练集训练预测模型并利用测试集测试训练好的预测模型,从而获取全工况燃烧参数预测模型,包括以下步骤:
步骤二一、利用每个燃烧参数的训练集分别训练预测模型,获得多个训练好的燃烧参数预测模型,然后利用每个燃烧参数的测试集分别测试训练好的多个燃烧参数预测模型,若准确率大于预设准确率阈值则保存训练好的燃烧参数预测模型,若准确率小于预设准确率阈值则重新获取燃烧参数训练集训练燃烧参数预测模型;
步骤二二、将多个燃烧参数训练集训练完成并将保存的燃烧参数预测模型组合,获得全工况燃烧参数预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111341743.1A CN114036758B (zh) | 2021-11-12 | 2021-11-12 | 基于数值模拟和机器学习的锅炉燃烧状态动态展示方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111341743.1A CN114036758B (zh) | 2021-11-12 | 2021-11-12 | 基于数值模拟和机器学习的锅炉燃烧状态动态展示方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114036758A CN114036758A (zh) | 2022-02-11 |
CN114036758B true CN114036758B (zh) | 2023-03-24 |
Family
ID=80137513
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111341743.1A Active CN114036758B (zh) | 2021-11-12 | 2021-11-12 | 基于数值模拟和机器学习的锅炉燃烧状态动态展示方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114036758B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115935784B (zh) * | 2022-09-30 | 2023-07-18 | 佛山众陶联供应链服务有限公司 | 一种建筑陶瓷窑炉燃烧***中燃料数据的分析方法及*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110410819B (zh) * | 2019-08-05 | 2021-04-27 | 东南大学 | 燃煤锅炉燃烧动力场快速计算和实时显示*** |
-
2021
- 2021-11-12 CN CN202111341743.1A patent/CN114036758B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114036758A (zh) | 2022-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109583585B (zh) | 一种电站锅炉壁温预测神经网络模型的构建方法 | |
CN101699477B (zh) | 精确预测大坝变形的神经网络方法 | |
JP6116466B2 (ja) | プラントの診断装置及び診断方法 | |
CN109935280B (zh) | 一种基于集成学习的高炉铁水质量预测***及方法 | |
CN112380738B (zh) | 水泥回转窑燃烧场重构误差补偿与优化方法、存储介质及*** | |
CN112906787A (zh) | 一种工业锅炉故障识别方法及*** | |
CN112989694B (zh) | 受热面灰污区段化监测***及方法 | |
CN108875719B (zh) | 基于深度学习与红外图像识别的空冷器积灰状态感知***与计算方法 | |
CN106649919A (zh) | 燃煤电站锅炉飞灰含碳量预测模型构建方法及*** | |
CN110189800B (zh) | 基于多粒度级联循环神经网络的炉氧含量软测量建模方法 | |
CN114036758B (zh) | 基于数值模拟和机器学习的锅炉燃烧状态动态展示方法 | |
CN111352408B (zh) | 一种基于证据k近邻的多工况流程工业过程故障检测方法 | |
JP5503563B2 (ja) | プラントの制御装置及び火力発電プラントの制御装置 | |
CN110207094B (zh) | 基于主成分分析的iqga-svr锅炉受热面沾污特性辨识方法 | |
JP5277064B2 (ja) | プラントの制御装置、火力発電プラントの制御装置及び火力発電プラント | |
CN112668196A (zh) | 机理与数据混合驱动的生成式对抗网络软测量建模方法 | |
CN115510904A (zh) | 基于时序预测的锅炉受热面积灰监测方法 | |
JP2013137774A (ja) | プロセスの状態予測方法およびプロセス状態予測システム | |
CN114925569A (zh) | 一种有限元与神经网络结合的钢板淬火温度预测方法 | |
JP5203763B2 (ja) | 石炭焚きボイラの炭種判別装置及び石炭焚きボイラの炭種判別方法 | |
CN112798318A (zh) | 一种湿冷机组冷端性能监测及智能诊断*** | |
Zou et al. | Online evaluation of the boiler energy efficiency associated with the soot blowing in coal‐fired power plants | |
CN112131775B (zh) | 一种固体氧化物燃料电池性能推理与优化方法 | |
CN117253568B (zh) | 一种制备氧化钇坩埚的涂层工艺优化方法及*** | |
JP2013047970A (ja) | 保守ツール及び制御装置の保守ツール |
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 |