CN117369282B - 一种自适应性分级送风的控制方法及其固废cfb锅炉 - Google Patents
一种自适应性分级送风的控制方法及其固废cfb锅炉 Download PDFInfo
- Publication number
- CN117369282B CN117369282B CN202311538110.9A CN202311538110A CN117369282B CN 117369282 B CN117369282 B CN 117369282B CN 202311538110 A CN202311538110 A CN 202311538110A CN 117369282 B CN117369282 B CN 117369282B
- Authority
- CN
- China
- Prior art keywords
- air
- solid waste
- air supply
- classified
- 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
- 239000002910 solid waste Substances 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 15
- 239000000463 material Substances 0.000 claims abstract description 41
- 239000010881 fly ash Substances 0.000 claims abstract description 30
- 230000006870 function Effects 0.000 claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 9
- 238000005259 measurement Methods 0.000 claims abstract description 7
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 claims description 51
- 239000002956 ash Substances 0.000 claims description 16
- 239000012528 membrane Substances 0.000 claims description 16
- 238000002485 combustion reaction Methods 0.000 claims description 15
- 238000011176 pooling Methods 0.000 claims description 15
- 238000001816 cooling Methods 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 10
- 238000010438 heat treatment Methods 0.000 claims description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 10
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 239000003546 flue gas Substances 0.000 claims description 6
- 230000008878 coupling Effects 0.000 claims description 5
- 238000010168 coupling process Methods 0.000 claims description 5
- 238000005859 coupling reaction Methods 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 230000001276 controlling effect Effects 0.000 claims 1
- 230000001808 coupling effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000005243 fluidization Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004939 coking Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000002699 waste material 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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Fluidized-Bed Combustion And Resonant Combustion (AREA)
- Incineration Of Waste (AREA)
Abstract
本发明提出了一种自适应性分级送风的控制方法及其固废CFB锅炉,所述方法包括,构建卷积神经网络共享的多任务学习模型;通过学习策略模型对所述多任务学习模型进行优化处理;获取输入归一化后的物料特性、分级风量、分级风角度参数,根据优化后的多任务学习模型进行多层级计算,输出流化床温度、飞灰量和氮氧化合物排放量参数;在物料特性测定、已知的条件下,遍历分级风量、分级风角度参数,当固废CFB锅炉控制误差函数达到最小时,得到当前物料投放条件下,最优的分级风量、分级风角度参数,并输入给鼓风机及送风喷口处的步进电机,使固废锅炉处于最佳控制状态,本发明通过分级送风结构,能够根据不同的物料特性,适应性调整送风量及送风角度。
Description
技术领域
本发明涉及一种自适应性分级送风的控制方法及其固废CFB锅炉,特别是涉及固废CFB锅炉技术领域。
背景技术
能源紧缺、环境污染严重威胁着人类安全,固废锅炉通过燃烧工业生产活动中产生的固态、半固态废弃物质,实现化学能-热能间的转换,随着一次能源愈加紧张,具有高效、环保属性的固废锅炉技术变得尤为重要,具有显著的社会和经济效益;
然而,鉴于工业生产废弃物质的组分不定、性态不稳,难以保障固废锅炉的安全性、经济性及环保性,为此,CFB(流化床)技术被大量的应用于固废锅炉技术领域,形成了固废CFB锅炉,显著提高了固废锅炉的性能;
现有的固废CFB锅炉的运行过程面临着复杂的场-相-组分耦合效应,风场/温度场-密度相-物料特性间存在强耦合关系,多组分特性的物料在多级送风的风场流化条件下形成了复杂的密相/稀相分布,对于该类关系的研究和建模为固废CFB锅炉技术提供理论基础,对于固废CFB锅炉燃烧过程中场-相-组分耦合效应的已有部分探索性研究,但因其依赖于大量的参数整定工作,模型仅适用于单一类型流化结构和物料特性,难以形成普遍适应性的先验参考。
发明内容
发明目的:一个目的是提出一种自适应性分级送风的控制方法,以解决现有技术存在的上述问题;进一步目的是提出一种实现上述方法的***。
技术方案:一种自适应性分级送风的控制方法,包括:
步骤一,构建卷积神经网络共享的多任务学习模型;
步骤二,通过学习策略模型对所述多任务学习模型进行优化处理;
步骤三、获取输入归一化后的物料特性、分级风量、分级风角度参数,根据优化后的多任务学习模型进行多层级计算,输出流化床温度、飞灰量和氮氧化合物排放量参数;
步骤四、在物料特性测定、已知的条件下,遍历分级风量、分级风角度参数,当固废CFB锅炉控制误差函数达到最小时,得到当前物料投放条件下,最优的分级风量、分级风角度参数,并输入给鼓风机及送风喷口处的步进电机,使固废锅炉处于最佳控制状态。
在进一步的实施例中,所述步骤一中多任务学习模型的输入得出归一化后的物料特性、分级风量、分级风角的参数,表达式如下:
x={αi,βj,ηk}
式中,αi表示物料特性i=1,…,k;βj表示分级风量j=1,…,n;ηk为分级风角k=1,…,n;k表示描述物料特性的参数量,n表示分级风喷口的数量;
所述多任务学习模型的输出得出归一化后的流化床温度、飞灰量和氮氧化合物排放量,表达式如下:
y={θ,λ,ψ}
式中,θ表示归一化后的流化床温度;λ表示归一化后的飞灰量,ψ表示归一化后的氮氧化合物排放量。
在进一步的实施例中,所述多任务学习模型包括特征提取模块和多任务学习模块;
所述特征提取模块由3个卷积块组成,每个卷积块由2层卷积和1层池化组成,是特征提取模块由左到右依次第1个卷积块中卷积核的尺寸为1×8,池化层的大小为4;第2个卷积块中卷积核的尺寸为1×5,池化层的大小为4;第3个卷积块中卷积核的尺寸为1×3,池化层的大小为4;
所述多任务学习模块由3条并行流组成,分别对应3个任务,任务1、2、3分别用于预测所述流化床温度、所述飞灰量和所述氮氧化合物排放量;每条并行流同时接收3个卷积块的输入,输入到共享层,具体表达式如下:
式中,表示共享矩阵,υξσ表示共享权重,ξ=1,2…3σ=1,2…3;x′1(i)表示第1个卷积块输出特征序列i点位置上的特征值,x′2(i)表示第2个卷积块输出特征序列i点位置上的特征值,x′3(i)表示第3个卷积块输出特征序列i点位置上的特征值,x″1(i)、x″2(i)、x″3(i)分别表示共享层学习后输出特征序列i点位置上的特征值,通过共享学习后所得到的特征序列x″1、x″2、x″3继续输入卷积核的尺寸为1×3的卷积层中进行卷积计算,输出x″′1、x″′2、x″′3,输入到concat层中进行拼接,具体表达式如下:
x″′=[x″′1 x″′2 x″′3]
将拼接后的特征x″′输入到池化层和softmax层中进行计算,得到流化床温度、飞灰量及氮氧化合物排放量的计算结果,输出θ、λ、ψ。
在进一步的实施例中,所述步骤二,所述学习策略模型对学习模型进行优化;
首先,构建用于流化床温度、飞灰量和氮氧化合物排放量的损失函数,具体表达式如下:
L=L1+L2+L3
式中,L1表示任务1在预测流化床温度时的损失函数,L2表示任务2在预测飞灰量时的损失函数,L3表示任务3在预测氮氧化合物排放量时的损失函数;
通过反向传播算法对共享层参数进行优化,具体表达式如下:
然后经反向传播对权重参数进行更新,具体方式如下:
通过权重参数的更新获取如下表达式:
式中,ε表示多任务学习的学习率。
在进一步的实施例中,所述步骤三,所述学习模型优化后对卷积神经网络共享的多任务学习模型参数固化,形成物料特性、分级风量、分级风角度与流化床温度、飞灰量和氮氧化合物排放量间的隐式耦合关系,在输入为x={αi,βj,ηk}的情况下预测出输出y={θ,λ,ψ};
在生产运行中,固废CFB锅炉控制目标在一定物料特性的条件下αi,通过调整分级风量βj和分级风角ηk,得出优化的流化床温度、飞灰量和氮氧化合物排放量指标,y*={θ*,λ*,ψ*},固废CFB锅炉控制误差函数为:
Γ=|y-y*|=ωθ(θ-θ*)+ωλ(λ-λ*)+ωψ(ψ-ψ*)
式中,ωθ、ωλ、ωψ表示固废CFB锅炉运行指标权重。
在进一步的实施例中,所述步骤四,通过遍历分级风量βj和分级风角ηk参数,对于归一化的βj、ηk,设计步长在0~1的区间内遍历βj和ηk参数,以模拟获得不同固废CFB锅炉控制误差Γ,取最小的Γ值条件下的/>值作为最优控制参数:
当物料特性测定已知的条件下,为了使得固废锅炉最优化运行,适应性的调整最优分级风量和分级风角。
一种自适应性分级送风的固废CFB锅炉,包括:进料装置、主炉体、膜式水冷壁、高温分离器、尾部受热面和锅筒;
所述进料装置位于所述锅筒的下中部且与所述锅筒连通,所述膜式水冷壁设置在所述锅筒的外侧,所述主炉体为密相区,所述主炉体下部设有一次风送风装置,二次风口位于所述主炉体中部,三次风口位于所述主炉体上部;物料通过进料装置进入由膜式水冷壁构成炉膛的主炉体内,结合一次风送风装置、二次风口、三次风口调节达到分级送风燃烧的目的,燃烧后的循环灰经高温分离器分离后流经循环灰强化冷却装置后还回主炉体,燃烧后的烟气经过转向室依次流经省煤器、尾部受热面、空预器,最后进入尾部烟气处理装置。
在进一步的实施例中,所述高温分离器的进口位于所述膜式水冷壁的中上部,高温分离器的椎体部分设置有循环灰强化冷却装置,所述循环灰强化冷却装置位于高温分离器下部,所述循环灰强化冷却装置的出口位于所述膜式水冷壁后墙中下部;
所述尾部受热面从上到下依次设有省煤器、空预器,床下点火装置位于主炉体后部。
在进一步的实施例中,所述主炉体内还设有分级送风结构、送风喷口和布风板,所述送风喷口经一次风送风装置、所述布风板的风帽小孔进入所述主炉体,所述二次风口在所述布风板的上方与进料装置连通,所述三次风口与所述进料装置连通,所述送风喷口连接有鼓风机和步进电机。
有益效果:本发明提出了一种自适应性分级送风的控制方法及其固废CFB锅炉,通过分级送风结构,能够根据不同的物料特性,适应性调整送风量及送风角度,优化流化床温度、飞灰量及氮氧化合物排放量,从而提高固废CFB锅炉燃烧效率及环保性,并提出卷积神经网络共享的多任务学习模型,用于拟合固废CFB锅炉运行过程中的场-相-组分耦合效应,并建立物料特性、分级风量、分级风角度与流化床温度、飞灰量及氮氧化合物排放量间的隐式耦合关系,能够适应性最佳分级风量和分级风角以优化锅炉的运行状态,提高燃烧效率和经济性。
附图说明
图1是本发明的流程示意图。
图2是本发明的固废CFB锅炉的结构图。
图3是本发明用于锅炉控制的卷积神经网络共享的多任务学习模型。
附图标记为:1、进料装置;2、主炉体;3、二次风口;4、高温分离器;5、膜式水冷壁;6、尾部受热面;7、锅筒;8、省煤器;9、空预器;10、床下点火装置;11、循环灰强化冷却装置;12、一次风送风装置;13、三次风口。
具体实施方式
申请人认为,现有对于固废CFB锅炉燃烧过程中场-相-组分耦合效应的已有部分探索性研究,但因其依赖于大量的参数整定工作,模型仅适用于单一类型流化结构和物料特性,难以形成普遍适应性的先验参考;因此需要根据不同的物料特性,适应性调整送风量及送风角度。
为解决现有技术存在的问题,本发明通过一种自适应性分级送风的控制方法及其固废CFB锅炉,根据不同的物料特性,适应性调整送风量及送风角度;
下面通过实施例,并结合附图对本方案做进一步具体说明。
在本申请中,我们提出了一种自适应性分级送风的控制方法及实现该方法的固废CFB锅炉,其中包含的一种自适应性分级送风的控制方法,包括以下步骤:
步骤一,构建卷积神经网络共享的多任务学习模型;多任务学习模型的输入得出归一化后的物料特性、分级风量、分级风角的参数,表达式如下:
x={αi,βj,ηk}
式中,αi表示物料特性i=1,…,k;βj表示分级风量j=1,…,n;ηk为分级风角k=1,…,n;k表示描述物料特性的参数量,n表示分级风喷口的数量;
所述多任务学习模型的输出得出归一化后的流化床温度、飞灰量和氮氧化合物排放量,表达式如下:
y={θ,λ,ψ}
式中,θ表示归一化后的流化床温度;λ表示归一化后的飞灰量,ψ表示归一化后的氮氧化合物排放量。
多任务学习模型包括特征提取模块和多任务学习模块;
所述特征提取模块由3个卷积块组成,每个卷积块由2层卷积和1层池化组成,是特征提取模块由左到右依次第1个卷积块中卷积核的尺寸为1×8,池化层的大小为4;第2个卷积块中卷积核的尺寸为1×5,池化层的大小为4;第3个卷积块中卷积核的尺寸为1×3,池化层的大小为4;
所述多任务学习模块由3条并行流组成,分别对应3个任务,任务1、2、3分别用于预测所述流化床温度、所述飞灰量和所述氮氧化合物排放量;每条并行流同时接收3个卷积块的输入,输入到共享层,具体表达式如下:
式中,表示共享矩阵,υξσ表示共享权重,ξ=1,2…3σ=1,2…3;x′1(i)表示第1个卷积块输出特征序列i点位置上的特征值,x′2(i)表示第2个卷积块输出特征序列i点位置上的特征值,x′3(i)表示第3个卷积块输出特征序列i点位置上的特征值,x″1(i)、x″2(i)、x″3(i)分别表示共享层学习后输出特征序列i点位置上的特征值,通过共享学习后所得到的特征序列x″1、x″2、x″3继续输入卷积核的尺寸为1×3的卷积层中进行卷积计算,输出x″′1、x″′2、x″′3,输入到concat(函数)层中进行拼接,具体表达式如下:
x″′=[x″′1 x″′2 x″′3]
将拼接后的特征x″′输入到池化层和softmax(软最大值)层中进行计算,得到流化床温度、飞灰量及氮氧化合物排放量的计算结果,输出θ、λ、ψ。
步骤二,通过学习策略模型对所述多任务学习模型进行优化处理;所述学习策略模型对学习模型进行优化;
首先,构建用于流化床温度、飞灰量和氮氧化合物排放量的损失函数,具体表达式如下:
L=L1+L2+L3
式中,L1表示任务1在预测流化床温度时的损失函数,L2表示任务2在预测飞灰量时的损失函数,L3表示任务3在预测氮氧化合物排放量时的损失函数;
通过反向传播算法对共享层参数进行优化,具体表达式如下:
然后经反向传播对权重参数进行更新,具体方式如下:
通过权重参数的更新获取如下表达式:
式中,ε表示多任务学习的学习率。
步骤三、获取输入归一化后的物料特性、分级风量、分级风角度参数,根据优化后的多任务学习模型进行多层级计算,输出流化床温度、飞灰量和氮氧化合物排放量参数;所述学习模型优化后对卷积神经网络共享的多任务学习模型参数固化,形成物料特性、分级风量、分级风角度与流化床温度、飞灰量和氮氧化合物排放量间的隐式耦合关系,在输入为x={αi,βj,ηk}的情况下预测出输出y={θ,λ,ψ};
在生产运行中,固废CFB锅炉控制目标在一定物料特性的条件下αi,通过调整分级风量βj和分级风角ηk,得出优化的流化床温度、飞灰量和氮氧化合物排放量指标,y*={θ*,λ*,ψ*},固废CFB锅炉控制误差函数为:
Γ=|y-y*|=ωθ(θ-θ*)+ωλ(λ-λ*)+ωψ(ψ-ψ*)
式中,ωθ、ωλ、ωψ表示固废CFB锅炉运行指标权重。
步骤四、在物料特性测定、已知的条件下,遍历分级风量、分级风角度参数,当固废CFB锅炉控制误差函数达到最小时,得到当前物料投放条件下,最优的分级风量、分级风角度参数,并输入给鼓风机及送风喷口处的步进电机,使固废锅炉处于最佳控制状态;通过遍历分级风量βj和分级风角ηk参数,得出固废锅炉控制误差函数的最小化,对于归一化的βj、ηk,设计步长在0~1的区间内遍历βj和ηk参数,以模拟获得不同固废CFB锅炉控制误差Γ,取最小的Γ值条件下的/>值作为最优控制参数:
当物料特性测定已知的条件下,为了使得固废锅炉最优化运行,适应性的调整最优分级风量和分级风角。
一种自适应性分级送风的固废CFB锅炉,用于实现上述方法,包括:进料装置1、主炉体2、膜式水冷壁5、高温分离器4、尾部受热面6和锅筒7;
所述进料装置1位于所述锅筒7的下中部且与所述锅筒7连通,所述膜式水冷壁5设置在所述锅筒7的外侧,所述主炉体2为密相区,燃烧所需风根据需要分级送入,所述主炉体2下部设有一次风送风装置12,二次风口3位于所述主炉体2中部,三次风口13位于所述主炉体2上部;物料通过进料装置1进入由膜式水冷壁5构成炉膛的主炉体2内,结合一次风送风装置12、二次风口3、三次风口13调节达到分级送风燃烧的目的,燃烧后的循环灰经高温分离器4分离后流经循环灰强化冷却装置11后还回主炉体2,燃烧后的烟气经过转向室依次流经省煤器8、尾部受热面6、空预器9,最后进入尾部烟气处理装置。
所述高温分离器4的进口位于所述膜式水冷壁5的中上部,根据燃料颗粒的燃烧特性,在所述高温分离器4的椎体部分设置有循环灰强化冷却装置11,用于调节该处的返料温度,以免发生结焦事故,所述循环灰强化冷却装置11位于高温分离器4下部,所述循环灰强化冷却装置11的出口位于所述膜式水冷壁5后墙中下部;所述尾部受热面6从上到下依次设有省煤器8、空预器9,所述床下点火装置10位于主炉体2后部。
所述主炉体2内还设有分级送风结构、送风喷口和布风板,所述送风喷口经一次风送风装置12、所述布风板的风帽小孔进入所述主炉体2,所述二次风口3在所述布风板的上方与进料装置1连通,所述三次风口13与所述进料装置1连通,所述送风喷口连接有鼓风机和步进电机;通过分级风量、风角的可调节进行送风量、送风角的调节,实现适应性分级送风的物理结构。
如上所述,尽管参照特定的优选实施例已经表示和表述了本发明,但其不得解释为对本发明自身的限制,在不脱离所附权利要求定义的本发明的精神和范围前提下,可对其在形式上和细节上做出各种变化。
Claims (7)
1.一种自适应性分级送风的控制方法,其特征在于,包括:
步骤一,构建卷积神经网络共享的多任务学习模型;
步骤二,通过学习策略模型对所述多任务学习模型进行优化处理;
步骤三、获取输入归一化后的物料特性、分级风量、分级风角度参数,根据优化后的多任务学习模型进行多层级计算,输出流化床温度、飞灰量和氮氧化合物排放量参数;
步骤四、在物料特性测定、已知的条件下,遍历分级风量、分级风角度参数,当固废CFB锅炉控制误差函数达到最小时,得到当前物料投放条件下,最优的分级风量、分级风角度参数,并输入给鼓风机及送风喷口处的步进电机,使固废锅炉处于最佳控制状态;
所述多任务学习模型包括特征提取模块和多任务学习模块;
所述特征提取模块由3个卷积块组成,每个卷积块由2层卷积和1层池化组成,是特征提取模块由左到右依次第1个卷积块中卷积核的尺寸为1×8,池化层的大小为4;第2个卷积块中卷积核的尺寸为1×5,池化层的大小为4;第3个卷积块中卷积核的尺寸为1×3,池化层的大小为4;
所述多任务学习模块由3条并行流组成,分别对应3个任务,任务1、2、3分别用于预测所述流化床温度、所述飞灰量和所述氮氧化合物排放量;每条并行流同时接收3个卷积块的输入,输入到共享层,具体表达式如下:
式中,表示共享矩阵,υξσ表示共享权重,ξ=1,2…3、σ=1,2…3;x′1(i)表示第1个卷积块输出特征序列i点位置上的特征值,x′2(i)表示第2个卷积块输出特征序列i点位置上的特征值,x′3(i)表示第3个卷积块输出特征序列i点位置上的特征值,x″1(i)、x″2(i)、x″3(i)分别表示共享层学习后输出特征序列i点位置上的特征值,通过共享学习后所得到的特征序列x″1、x″2、x″3继续输入卷积核的尺寸为1×3的卷积层中进行卷积计算,输出x″′1、x″′2、x″′3,输入到concat层中进行拼接,具体表达式如下:
x″′=[x″′1x″′2x″′3]
将拼接后的特征x″′输入到池化层和softmax层中进行计算,得到流化床温度、飞灰量及氮氧化合物排放量的计算结果,输出θ、λ、ψ;
所述步骤二,所述学习策略模型对学习模型进行优化;
首先,构建用于流化床温度、飞灰量和氮氧化合物排放量的损失函数,具体表达式如下:
L=L1+L2+L3
式中,L1表示任务1在预测流化床温度时的损失函数,L2表示任务2在预测飞灰量时的损失函数,L3表示任务3在预测氮氧化合物排放量时的损失函数;
通过反向传播算法对共享层参数进行优化,具体表达式如下:
然后经反向传播对权重参数进行更新,具体方式如下:
通过权重参数的更新获取如下表达式:
式中,ε表示多任务学习的学习率;
在生产运行中,固废CFB锅炉控制目标在一定物料特性的条件下αi,通过调整分级风量βj和分级风角ηk,得出优化的流化床温度、飞灰量和氮氧化合物排放量指标,y*={θ*,λ*,ψ*},固废CFB锅炉控制误差函数为:
Γ=|y-y*|=ωθ(θ-θ*)+ωλ(λ-λ*)+ωψ(ψ-ψ*)
式中,ωθ、ωλ、ωψ表示固废CFB锅炉运行指标权重。
2.根据权利要求1所述的一种自适应性分级送风的控制方法,其特征在于,所述步骤一中多任务学习模型的输入得出归一化后的物料特性、分级风量、分级风角的参数,表达式如下:
x={αi,βj,ηk}
式中,αi表示物料特性i=1,…,k;βj表示分级风量j=1,…,n;ηk为分级风角k=1,…,n;k表示描述物料特性的参数量,n表示分级风喷口的数量;
所述多任务学习模型的输出得出归一化后的流化床温度、飞灰量和氮氧化合物排放量,表达式如下:
y={θ,λ,ψ}
式中,θ表示归一化后的流化床温度;λ表示归一化后的飞灰量,ψ表示归一化后的氮氧化合物排放量。
3.根据权利要求1所述的一种自适应性分级送风的控制方法,其特征在于,所述步骤三,所述学习模型优化后对卷积神经网络共享的多任务学习模型参数固化,形成物料特性、分级风量、分级风角度与流化床温度、飞灰量和氮氧化合物排放量间的隐式耦合关系,在输入为x={αi,βj,ηk}的情况下预测出输出y={θ,λ,ψ}。
4.根据权利要求1所述的一种自适应性分级送风的控制方法,其特征在于,所述步骤四,通过遍历分级风量βj和分级风角ηk参数,对于归一化的βj、ηk,设计步长在0~1的区间内遍历βj和ηk参数,以模拟获得不同固废CFB锅炉控制误差Γ,取最小的Γ值条件下的/>值作为最优控制参数:
当物料特性测定已知的条件下,为了使得固废锅炉最优化运行,适应性的调整最优分级风量和分级风角。
5.一种自适应性分级送风的固废CFB锅炉,用于实现上述权利要求1-4任意一项的方法,其特征在于,包括:进料装置、主炉体、膜式水冷壁、高温分离器、尾部受热面和锅筒;
所述进料装置位于所述锅筒的下中部且与所述锅筒连通,所述膜式水冷壁设置在所述锅筒的外侧,所述主炉体为密相区,所述主炉体下部设有一次风送风装置,二次风口位于所述主炉体中部,三次风口位于所述主炉体上部;物料通过进料装置进入由膜式水冷壁构成炉膛的主炉体内,结合一次风送风装置、二次风口、三次风口调节达到分级送风燃烧的目的,燃烧后的循环灰经高温分离器分离后流经循环灰强化冷却装置后还回主炉体,燃烧后的烟气经过转向室依次流经省煤器、尾部受热面、空预器,最后进入尾部烟气处理装置。
6.根据权利要求5所述的一种自适应性分级送风的固废CFB锅炉,其特征在于,所述高温分离器的进口位于所述膜式水冷壁的中上部,高温分离器的椎体部分设置有循环灰强化冷却装置,所述循环灰强化冷却装置位于高温分离器下部,所述循环灰强化冷却装置的出口位于所述膜式水冷壁后墙中下部;
所述尾部受热面从上到下依次设有省煤器、空预器,床下点火装置位于主炉体后部。
7.根据权利要求5所述的一种自适应性分级送风的固废CFB锅炉,其特征在于,所述主炉体内还设有分级送风结构、送风喷口和布风板,所述送风喷口经一次风送风装置、所述布风板的风帽小孔进入所述主炉体,所述二次风口在所述布风板的上方与进料装置连通,所述三次风口与所述进料装置连通,所述送风喷口连接有鼓风机和步进电机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311538110.9A CN117369282B (zh) | 2023-11-17 | 2023-11-17 | 一种自适应性分级送风的控制方法及其固废cfb锅炉 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311538110.9A CN117369282B (zh) | 2023-11-17 | 2023-11-17 | 一种自适应性分级送风的控制方法及其固废cfb锅炉 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117369282A CN117369282A (zh) | 2024-01-09 |
CN117369282B true CN117369282B (zh) | 2024-04-19 |
Family
ID=89407827
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311538110.9A Active CN117369282B (zh) | 2023-11-17 | 2023-11-17 | 一种自适应性分级送风的控制方法及其固废cfb锅炉 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117369282B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102017205713A1 (de) * | 2017-04-04 | 2018-10-04 | Siemens Aktiengesellschaft | Verfahren und Steuereinrichtung zum Steuern eines technischen Systems |
CN109426154A (zh) * | 2017-08-28 | 2019-03-05 | 发那科株式会社 | 机器学习装置、机器学习***以及机器学习方法 |
CN112884213A (zh) * | 2021-02-02 | 2021-06-01 | 华北电力大学 | 小波分解与动态混合深度学习的燃煤锅炉NOx预测方法 |
CN113837464A (zh) * | 2021-09-22 | 2021-12-24 | 浙大城市学院 | 一种基于CNN-LSTM-Attention的热电联产锅炉负荷预测方法 |
CN114186711A (zh) * | 2021-10-27 | 2022-03-15 | 中山大学 | 一种基于多任务时序学习的工业原料消耗量预测方法 |
CN217715027U (zh) * | 2022-08-04 | 2022-11-01 | 内蒙古京能盛乐热电有限公司 | 一种减少灰尘堆积的二次风大风箱 |
CN115700330A (zh) * | 2022-10-19 | 2023-02-07 | 中国计量大学 | 时空融合深度神经网络的锅炉再热器温度偏差预测方法 |
CN116432861A (zh) * | 2023-05-06 | 2023-07-14 | 山东大学 | 一种综合能源***源荷价多任务联合预测方法及*** |
CN116485036A (zh) * | 2023-05-16 | 2023-07-25 | 杭州市电力设计院有限公司余杭分公司 | 一种基于多任务学习机制的多能流碳排放短期预测方法 |
CN116757063A (zh) * | 2023-05-17 | 2023-09-15 | 上海四方无锡锅炉工程有限公司 | 一种自适应学习的锅炉故障智能诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11904905B2 (en) * | 2022-01-31 | 2024-02-20 | Gm Cruise Holdings Llc | Dynamic adjustment of autonomous vehicle system based on deep learning optimizations |
-
2023
- 2023-11-17 CN CN202311538110.9A patent/CN117369282B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102017205713A1 (de) * | 2017-04-04 | 2018-10-04 | Siemens Aktiengesellschaft | Verfahren und Steuereinrichtung zum Steuern eines technischen Systems |
CN109426154A (zh) * | 2017-08-28 | 2019-03-05 | 发那科株式会社 | 机器学习装置、机器学习***以及机器学习方法 |
CN112884213A (zh) * | 2021-02-02 | 2021-06-01 | 华北电力大学 | 小波分解与动态混合深度学习的燃煤锅炉NOx预测方法 |
CN113837464A (zh) * | 2021-09-22 | 2021-12-24 | 浙大城市学院 | 一种基于CNN-LSTM-Attention的热电联产锅炉负荷预测方法 |
CN114186711A (zh) * | 2021-10-27 | 2022-03-15 | 中山大学 | 一种基于多任务时序学习的工业原料消耗量预测方法 |
CN217715027U (zh) * | 2022-08-04 | 2022-11-01 | 内蒙古京能盛乐热电有限公司 | 一种减少灰尘堆积的二次风大风箱 |
CN115700330A (zh) * | 2022-10-19 | 2023-02-07 | 中国计量大学 | 时空融合深度神经网络的锅炉再热器温度偏差预测方法 |
CN116432861A (zh) * | 2023-05-06 | 2023-07-14 | 山东大学 | 一种综合能源***源荷价多任务联合预测方法及*** |
CN116485036A (zh) * | 2023-05-16 | 2023-07-25 | 杭州市电力设计院有限公司余杭分公司 | 一种基于多任务学习机制的多能流碳排放短期预测方法 |
CN116757063A (zh) * | 2023-05-17 | 2023-09-15 | 上海四方无锡锅炉工程有限公司 | 一种自适应学习的锅炉故障智能诊断方法 |
Non-Patent Citations (2)
Title |
---|
An improved convolutional neural network-based approach for short-term wind speed forecast;Fangbing Song,等;《2020 39th Chinese Control Conference (CCC)》;20201231;全文 * |
基于VMD-WSGRU的风电场发电功率中短期及短期预测;盛四清,等;《电网技术》;20221231;第46卷(第3期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117369282A (zh) | 2024-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106500128B (zh) | 一种变负荷工况下火电厂锅炉NOx排放控制方法 | |
CN107023825A (zh) | 流化床锅炉控制与燃烧优化*** | |
Zimmermann | Fuzzy control | |
CN103576655B (zh) | 一种电站锅炉燃烧子空间建模及多目标优化方法和*** | |
CN108227488B (zh) | 基于滑模预测控制的超超临界火电机组协调控制方法 | |
CN106931453A (zh) | 循环流化床生活垃圾焚烧锅炉NOx排放的预测***及方法 | |
Kudo et al. | A study on analysis of design variables in Pareto solutions for conceptual design optimization problem of hybrid rocket engine | |
CN1208576C (zh) | 垃圾焚烧炉焚烧过程的控制方法 | |
JP2011220668A (ja) | 循環式流動焼却炉の温度制御装置及びその温度制御方法 | |
CN106019935B (zh) | 基于约束模糊关联规则的多目标锅炉燃烧优化 | |
CN104613468A (zh) | 基于模糊自适应推理的循环流化床锅炉燃烧优化控制方法 | |
CN117369282B (zh) | 一种自适应性分级送风的控制方法及其固废cfb锅炉 | |
CN110017470A (zh) | 基于差分进化算法的锅炉燃烧多目标优化控制方法 | |
CN115111601A (zh) | 多变负荷下内嵌算法融合的多目标锅炉燃烧优化控制方法 | |
Vichuzhanin | Realization of a fuzzy controller with fuzzy dynamic correction | |
CN114427688A (zh) | 一种基于气温对锅炉运行影响构造的闭环燃烧优化控制方法 | |
CN114527646A (zh) | 面向城市固废焚烧过程的多回路准对角递归神经网络pid控制方法 | |
CN109063359A (zh) | 一种循环流化床锅炉燃烧过程的动态建模方法 | |
CN112827336A (zh) | 一种基于智能分区控制的垃圾焚烧炉高效sncr自动控制方法 | |
Aygun et al. | Control of the bed temperature of a circulating fluidized bed boiler by using particle swarm optimization | |
CN113342069A (zh) | 一种热量平衡反馈的模糊神经网络PID的VOCs废气流量控制方法 | |
CN104850008B (zh) | 一种层燃锅炉的多变量控制与实时优化的方法 | |
Manke | A Performance Comparison of Different Back Propagation Neural Networks for Nitrogen Oxides Emission Prediction in Thermal Power Plant | |
CN115542740B (zh) | 基于数据驱动的城市固废焚烧过程多变量自抗扰控制方法 | |
CN113268871A (zh) | 基于多变量时序深度网络模型的水泥烟囱nox预测方法 |
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 |