CN1841422B - 使用人工智能技术对发电厂的运行进行优化的方法和装置 - Google Patents

使用人工智能技术对发电厂的运行进行优化的方法和装置 Download PDF

Info

Publication number
CN1841422B
CN1841422B CN200610003294.9A CN200610003294A CN1841422B CN 1841422 B CN1841422 B CN 1841422B CN 200610003294 A CN200610003294 A CN 200610003294A CN 1841422 B CN1841422 B CN 1841422B
Authority
CN
China
Prior art keywords
coal ash
parameter
scavenge unit
decision
relevant
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
CN200610003294.9A
Other languages
English (en)
Other versions
CN1841422A (zh
Inventor
大卫·弗罗布莱斯基
亚历山大·M·卡特罗姆帕斯
内尔·J·帕里克
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.)
General Electric Co
Original Assignee
Nucor Corp
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 Nucor Corp filed Critical Nucor Corp
Publication of CN1841422A publication Critical patent/CN1841422A/zh
Application granted granted Critical
Publication of CN1841422B publication Critical patent/CN1841422B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)
  • Incineration Of Waste (AREA)
  • Regulation And Control Of Combustion (AREA)
  • Control Of Steam Boilers And Waste-Gas Boilers (AREA)

Abstract

一种使用人工智能技术、用于对发电厂的运行进行优化的方法和装置。为至少一个连贯的时间增量确定出一个或多个决策D，其中决策D中的至少一个与用于对发电厂中的电厂装置进行启动的离散变量相关。在一个所示出的实施例中，电厂装置为与锅炉相关的煤灰清除装置。

Description

使用人工智能技术对发电厂的运行进行优化的方法和装置
技术领域
本发明总体上涉及发电厂的运行，更加具体地，涉及一种使用人工智能技术用于对发电厂的运行进行优化的方法和装置。
背景技术
在传统型的矿物燃料(如燃煤)火力发电机组中，在锅炉中点燃矿物燃料/空气的混和物。大量的水泵入锅炉内部的管子，同时来自燃烧着的燃料的强热，使锅炉管子中的水转变成高压蒸汽。来自锅炉的高压蒸汽进入到由多个涡轮叶片组成的涡轮机内。一旦蒸汽碰触着涡轮叶片，即促使涡轮机快速旋转。旋转的涡轮机促使轴在发电机的内部转动，由此产生了电势。应可理解，文中所用的术语“电厂”和“工厂”指的是由一个或多个发电机组组成的一组发电机组。每一发电机组包括用于产生电力的***。
锅炉燃烧或矿物燃料火力发电机组的其它特性受到动态变化的工厂参数的影响，包括，但不限于，运行条件、锅炉配置、炉渣/煤灰沉积、载荷曲线、燃料质量和环境条件。商务和整治环境方面的变化已经增大了动态因子的重要性，其中所述动态因子比如燃料变化、性能标准、排放控制、运行灵活性和市场驱动的目的(如燃料价格、排放信用成本、电成本等等)。
在大多实例中，有效的燃烧和煤灰清除被当作单独的运行问题，典型地，具有单独的控制***，可在受控的设定下、以定期的方式进行评估和调整。有效的燃烧和煤灰清除之间重要的相互关系，使得需要有一个动态变化的工厂参数和清洁策略的优化组合，以获得最大的效益。所述技术为最优化，以适于符合易变的运行条件和燃料变化，并且必须不仅自动提供持续不断的切实效益，而且使电厂运行人员的负担最小化。
在锅炉中燃烧矿物燃料的其中一个结果为在锅炉内的热传送表面上形成煤灰和炉渣。煤灰和炉渣的形成使得所传送的热及进而使得穿过锅炉的各个部件所吸收的热的重新分配/降低。另外，其影响了火炉的气体流动，例如，这会造成在再热器或过热器部件上产生金属的温度热点、不均衡，或有可能造成管子侵蚀。这状况如果处于不受控的状态，则通常导致热率低下、NOx排放增加以及管子/金属寿命缩短。不利的热率效果由多个因子引起，包括，但不限于：(1)不完全燃烧或相关效果；(2)蒸汽产生不均衡；(3)过多使用冷却器喷洒；(4)出口气体温度高；(5)强制除渣事件；(6)气体流动损耗增大；以及(7)过多使用煤灰清除能量。有文献记载，热力型NOx的产生很大程度上是燃烧区域内或周围的温度的函数。由于锅炉局部结渣过多，热传送能力受到削弱，这导致了较高的温度和较高的NOx排放级别。
如文中所用，“热率”指的是产生特定数量的电能(即电力输入)所需要的总的热输入(即燃料热输入)的单位数量。热率提供了热效率的一个量度，通常，在北美洲以Btu/kWh为单位表示。
不适当的锅炉煤灰积累(即积垢)导致效率的低劣，原因在于这样的事实，即常规下不能被传送到工作传送媒介上的热遗留在烟道气流中，并且在不进行有利利用的情况下，排出到环境中，或者是在发电机组较不理想、效率较低的局部上传送能量。对于同等级别的发电，效率上这方面的损耗转化为燃料的更高消耗，进而产生了更多的气体、颗粒和其它排放。另一个由于积垢而产生的、较为不明显的问题是燃烧区域内和周围峰值温度的强度。总的NOx产生量通常是与燃料有关的、瞬发的以及热力型NOx的函数。氧的级别占优势地影响着与燃料有关的NOx，其可占到总的NOx产生量的20％-40％。可大概占到总NOx的20％-50％的热力型NOx是温度的函数。由于锅炉积垢的增加，并且热传送率的降低，因而峰值温度上升，并且热力型NOx的产量也上升。
由于矿物燃料的组成，颗粒物质(PM)也是燃料燃烧的副产物。现代锅炉可安装上静电除尘装置(ESP)，以有助于颗粒物质的收集。尽管极为有效，但是这些装置对入口质量浓度以及总物质载荷的快速变化敏感。在没有给予极度关注和留心的情况下，激增或过量的煤灰会使ESP超载荷，导致释放出大级别的PM。此外，在颗粒物收集处，ESP效率可受到气体温度升高的不利影响。
矿物燃料火力发电机组利用了煤灰清除装置，包括，但不限于，吹灰器、声学装置、水枪、水炮或水喷射器。这些煤灰清除装置使用蒸汽、水、或空气以去除炉渣和对锅炉内的表面进行清洁。在一个给定的发电机组上的煤灰清除装置的数量可从几个到超过百个。一直以来用来改进锅炉内清洁度的传统方法有煤灰清除装置的随机手动、顺序手动、时序方法。一般地，这些煤灰清除装置是自动的，并且由主控制装置启动。在大多实例中，根据预定的标准、既定协议、顺序方法，基于时间的方式、运行人员判断、或其组合，启动煤灰清除装置。这些方法导致了对整个锅炉或锅炉局部进行不加区别的清洁，而不管锅炉局部是否已经是清洁的。现在，基于时间的方法正在慢慢地由基于标准的方法代替，比如根据维持一定的清洁级别，而对锅炉进行清洁。
煤灰清除的传统方法，即便在确保锅炉清洁方面有效时，还是未能优化其中的热传送率，从而相对于排放使其运行、以及发电机组的性能达到最大化。传统方法还可加快管子由于侵蚀造成的故障(吹在清洁表面上)，或者造成金属疲劳(当厚的煤灰层已经形成以及被清除时，形成大的温差)。
煤灰清除的目标或目的看似简单和易于确定，也就是使锅炉的热传送表面维持在清洁状态，从而使得从锅炉的燃烧气体一侧到蒸汽/水一侧的热传送达到最大化。然而，锅炉煤灰清除的效果是复杂的，并且与燃烧和/或发电机组特性相互关联。在获得清洁表面和煤灰清除装置的运行成本之间要进行多方面的折中平衡。此外，对下火炉上的水壁进行清洁也具有期望效果，即在蒸汽产生回路中改进热传送，从而导致蒸汽产量的增加。这还会导致火炉出口气体温度(FEGT)的降低，对流烟道上热传送的降低，以及有可能减低喷洒流动。因而，主蒸汽和再热蒸汽温度降低的同时，相关的成本也得到降低，这表现为单位热率的提高。然而如果火炉壁变得过于干净，使得在火炉区域过热，产生非最优的蒸汽温度，需过多地进行调温喷洒，或者相反地，在这个或那个蒸汽路径上产生温度不足的情形，因而要进行折中平衡。这两种影响均由于火炉区域的过度清洁或清洁不足而造成。
另外，当对锅炉的对流烟道进行清洁时，必须考虑进行折中平衡。在某些运行条件下，对对流烟道进行清洁时需要过多的解除过热的喷洒，为了使过热或再热蒸汽温度维持在运行限定之内。这直接造成了单位热率的提高。因而，应该在发电机组总优化的更大层面下，对煤灰清除进行考虑，包括单位热传送分布、以及燃烧或其它***的优化，包括热率、NOx、CO、PM、金属疲劳、侵蚀、使发电机组保持在控制范围中(如喷洒流动或燃烧器摆角)的影响等等。
电厂的运行人员受到许多非线性和相互矛盾的目的挑战，其中有些目的在以上进行过论述，同时要确保发电机组的稳定以及能够符合***的排出要求。同时对NOx、PM、热率、不透明度或其它要求等目的进行优化，对于一个手动直接操作的控制室运行人员来说是有难度的而且不合实际，尤其是当还要要求该运行人员维持发电机组设备的平衡控制时。由于商务方面的要求以及整治问题，现今的锅炉要经受运行和燃料类型或混合方面多变的变化。
近年来，工业已经被引到许多以“智能”规则为基础的***上，该***根据运行人员的经验、静态设计数据、一般热原理和定期测试而得到其知识库。以规则为基础的***如同那些驱动所述的规则一样，既定的规则就其自身无法适合以日常有可能会碰到的多种多样的运行条件。此外，以时间或规则为基础的***就其自身不是最好的方案，因为在单个部件、其组合以及想要在一个动态的实时环境中满足多个目的是很复杂的。尽管以规则为基础的***相对于传统的硬编码技术是一个改进，但是这些技术不能处理现今锅炉某些动态和瞬变的运行特性。
现在将对一些用于煤灰清除方面的当今以“智能”规则为基础的***的例子进行简要描述。ABB公司的Advise IT煤灰吹除顾问模型计算出实时局部表面的清洁度值以及气体进入到每一部位时的温度。以热原理为基础的模型则被配置/调整成单位化的锅炉数据。从该模型获得的结果支持了电厂运行人员和工程师对当今电厂的煤灰吹除策略进行的优化电厂。General Physics的EtaPRO软件为锅炉中的不同区域提供了清洁度数据(即清洁度参数)的计算。这些清洁度数据的使用可根据实地和应用而各不相同。Clyde Bergemann的水炮***为每一由***规划的区域提供了计算出的热流值。这些计算出的热流数据的使用可根据实地和应用而各不相同。
本发明提供了一种方法和装置，以使用人工智能技术而对发电厂的运行进行优化，所述方法和装置克服了现有技术中这些所述、以及其它的不足。
发明内容
根据本发明，提供了一种用于对具有多个电厂装置的发电厂的运行进行优化的方法，所述方法包括：建立一个模拟发电厂的运行的模型，所述模型接收多个与发电厂的运行相关的输入参数，并且根据所述多个输入参数产生一个或多个输出参数，其中每一所述输出参数与发电厂的一个目标相关；确定一个或多个连贯的时间增量，一个或多个实现发电厂的一个期望目标的决策D，其中所述决策D中的至少一个与至少一个用于根据所述模型的电厂装置运行的离散变量相关；根据决策D中的至少一个以运行发电厂。
根据本发明的另一个方面，提供了一种运行包括多个电厂装置的发电厂的方法，所述方法包括：提供一个发电厂的运行模型；针对一个或多个时间增量中的每一个时间增量，确定出至少一个实现发电厂的一个期望目标的决策D，其中所述决策D中的至少一个与至少一个用于根据所述模型的电厂装置运行的离散变量相关；选出所述决策D中的至少一个以对发电厂的运行进行优化。
根据本发明的又一个方面，提供了一个用于对由多个电厂装置组成的发电厂进行优化的***，所述***包括：用于建立一个模拟发电厂运行的模型装置(means)，所述模型接收多个与发电厂的运行相关的输入参数，并且根据所述多个输入参数产生一个或多个输出参数，其中每一所述输出参数与发电厂的一个目标相关；用于确定一个或多个连贯的时间增量和一个或多个实现发电厂的一个期望目标的决策D的装置(means)，其中决策D中的至少一个与至少一个用于根据所述模型的电厂装置运行的离散变量相关；用于根据决策D中的至少一个运行发电厂运行的装置(means)。
根据本发明的又一个方面，提供了一个运行包括多个电厂装置的发电厂的***，所述***包括：一个发电厂的运行模型；用于针对一个或多个时间增量中的每一个时间增量，确定出至少一个实现发电厂的一个期望目标的决策D的装置(means)，其中所述决策D中的至少一个与至少与根据所述模型的电厂装置运行的离散变量相关；用于选出至少一个所述决策D，以对发电厂的运行进行优化的装置(means)。
根据本发明的又一个方面，提供了一种用于对发电厂中的至少一组煤灰清除装置组的运行进行优化的方法，其中每组所述煤灰清除装置组由一个或多个煤灰清除装置组成，所述方法包括：建立一个模拟发电厂的运行的模型，所述模型接收多个与发电厂的运行相关的输入参数，并且根据所述多个输入参数产生一个或多个输出参数，其中每一所述输出参数与发电厂的一个目标相关；重复地对至少一个由模型所接收的所述多个输入参数进行调整，以获得可实现发电厂的一个期望目标的输出参数；确定出一个或多个用于对一个煤灰清除装置进行启动的决策D，其中所述煤灰清除装置与所述发电厂期望目标的实现相关；根据预定的标准，对决策D进行排位；以及根据所述排位的决策D，选出在目前时间要启动的至少一组煤灰清除装置组。
根据本发明的又一个方面，提供了一个用于对发电厂中的至少一组煤灰清除装置组的运行进行优化的***，其中每组所述煤灰清除装置组由一个或多个煤灰清除装置组成，所述***包括：用于产生一个模拟发电厂的运行的模型的装置(means)，所述模型接收多个与发电厂的运行相关的输入参数，并且根据所述多个输入参数产生一个或多个输出参数，其中每一所述输出参数与发电厂的一个目标相关；用于重复地对至少一个由模型所接收的所述多个输入参数进行调整的优化程序器，以获得可实现发电厂的一个期望目标的输出参数；用于确定出一个或多个用于对一个煤灰清除装置进行启动的决策D的装置(means)，其中所述煤灰清除装置与所述发电厂期望目标的实现相关；用于根据预定的标准，对决策D进行排位的装置(means)；用于根据所述排位的决策D，选出在当前时间要启动的至少一组煤灰清除装置组的装置(means)。
本发明的一个优点为提供了一种煤灰清除优化***和方法，其中所述***和方法根据获取自煤灰清除装置控制***的实际运行数据，应用了煤灰清除计算。
本发明的另一个优点为提供了一种煤灰清除优化***和方法，其中所述***和方法的煤灰清除计算不使用清洁度信息参数。
本发明的另一个优点为提供了一种煤灰清除优化***和方法，其中所述***和方法可针对同步和非矛盾的目标，对煤灰清除进行优化。
本发明的另一个优点为提供了一种煤灰清除优化***和方法，其中所述***和方法具有可加以改变的目标，以加强煤灰在策略区域上的形成，由此，在一个非定期事件(比如停运故障)之后能够更快地获得优化性能。
本发明的又一个优点为提供了一种煤灰清除优化***和方法，其中所述***和方法能够包括自然除渣事件。
本发明的又一个优点为提供了一种煤灰清除优化***和方法，其中所述***和方法最佳地确定出何时以及哪个/些煤灰清除装置被选出以及被给予信号以进行启动。
本发明的又一个优点为提供了一种路径预测***，其中所述路径预测***使用了多种人工智能技术的组合。
本发明的又一个优点为提供了一种路径预测***，其中所述路径预测***将神经网络(或其它模型化部件)用作应用在决策树结构中的模型化工具。
本发明的又一个优点为提供了一种用于对发电厂的运行进行优化的方法和装置，其中针对至少一个连贯的时间增量确定出一个或多个决策D，而其中决策D中的至少一个与一个用于对电厂装置进行运行的离散变量相关。
通过以下连同附图以及权利要求书所进行的优选实施例的描述，上述这些优点以及其它优点将变得显而易见。
附图说明
本发明可在某些零件和零件的配置上采用实物形式，其中的一个优选实施例将详细描述在说明部分和示出在作为说明部分的一部分的附图中，其中所述附图包括：
图1为根据本发明的一个实施例的煤灰清除优化***的方框图；
图2为一个方框图，图中示出了如图1所示的煤灰清除优化***的神经网络模型和优化程序器的运行；
图3为一个方框图，图中示出了在如图1所示的煤灰清除优化***和发电厂的其它***部件之间所进行的数据通信；
图4A-4C示出了一个流程图，该图描述了根据本发明的一个实施例的、如图1所示的煤灰清除优化***的运行；
图5为一个流程图，图中示出了根据本发明的一个实施例的路径预测***的运行；
图6示出了一个通过路径预测***的运行而开发出的示范性决策树。
具体实施方式
应可理解，尽管本文针对使用煤的发电机组对本发明的实施例进行描述，但是本发明还可应用在与使用其它可燃燃料的发电***结合使用的锅炉以及不与发电机组结合使用的锅炉上。
还应理解，描述在本发明所示出的实施例中的各个***可采用计算机硬件、计算机软件、或所述硬软件的组合的形式。计算机硬件可采用传统型计算***的形式，即包括处理器、数据存储装置、输入装置(如键盘、鼠标、触屏和类似装置)、以及输出装置(如监视器之类的显示装置、以及打印机)，或被并入另一计算机***作为其一部分。
现将对矿物燃料火力发电机组的主要部件进行简要描述。典型的发电机组包括一个或多个由马达提供动力的强制(FD)通风风扇。强制通风风扇通过空气预热器将空气供应到磨煤机和燃烧室中。环境空气在经过空气预热器时得到加热。磨煤机组包括由马达提供动力的粉碎机。粉碎机将煤研磨成小粒(即粉末)。磨煤机从强制通风风扇接收到的空气用于干燥煤粒以及将所述煤粒运送到燃烧室中。从强制通风风扇中通过空气预热器被供应到燃烧室中的空气有助于煤在火炉中的燃烧。热的烟道气由一个或多个引(ID)风机从火炉中抽出，并通过烟道或烟囱而被释放到大气中。引风机由马达提供动力。通过对给水阀进行控制而将水供应到鼓室中。鼓室中的水通过火炉得到加热以产生蒸汽。该蒸汽进一步由过热器加热。过热器喷洒装置可引入少量水以控制过热蒸汽的温度。温度传感器提供指示出过热蒸汽的感应温度的信号。过热蒸汽被供应到产生电的涡轮机上。涡轮机所接收到的蒸汽通过使蒸汽循环经过对所述蒸汽进行重新加热的再热器上而得到重新利用。再热器的喷洒装置可引入少量水以控制再热蒸汽的温度。温度传感器提供了指示出再热蒸汽的感应温度的信号。
“锅炉”包括，但不限于，燃烧室、火炉、鼓室、过热器、过热器喷洒装置、再热器、再热器喷洒装置、磨煤机和锅炉节煤装置(economizer)。锅炉节煤装置回收来自锅炉的热的烟道气的“废热”、并将所述热传送到锅炉给水中。
煤灰清除装置(包括，但不限于，吹灰器、水枪、水炮或水喷射器)使用蒸汽、水或空气以去除沉积物，比如炉渣，并清洁锅炉中全部各个位置的表面。要求对煤灰进行清除以维持发电机组的性能和效率。给定发电机组上的煤灰清除装置的数量可从几个到超过百个。此外，可通过位置(如锅炉中的区域)对煤灰清除装置进行分组。煤灰清除装置的每一组可由一个或多个煤灰清除装置组成。例如，锅炉可具有八(8)组煤灰清除装置组，每一组包括五(5)个单独的煤灰清除装置。
应可理解，典型的发电机组还包括本领域技术人员熟知的附加部件，包括，但不限于，用于运送流体的管子和用于感应很多种***参数(如温度、压力和流率)的传感装置。
现参看附图，图中的显示仅是为了示出本发明的优选实施例，而非出于对本发明进行限制，图1显示了根据本发明的一个实施例的煤灰清除优化***20的方框图，而图3则为一个示出了发电厂中其它***部件30、工厂数据源10和煤灰清除优化***20中的部件之间的数据通信的方框图，如下所述。应可理解，显示在图1和3中的数据通信配置示出了本发明的一个实施例，然而应能想到，许多其它数据通信配置也适于与本发明结合使用。
根据本发明所示出的实施例，煤灰清除优化***20包括一个数据服务器程序模块22、一个SBCalcs计算引擎24、一个数据存储器26、一个神经网络模型60、一个神经网络模型再培训器62、一个优化程序器70、一个预先优化处理器72和一个后优化处理器74。煤灰清除优化***20的每一个部件将在以下进行详细描述。
优选地，煤灰清除优化***20使用单向和/或双向数据通信连接程序，以从与各个工厂参数有关的工厂数据源10(如下所述)中获取数据(测量的和计算的)。
数据服务器22起到有助于数据进行双向交换的作用，其中所述数据来自多个源(如工厂数据源10和其它***部件30)，包括煤灰清除优化***20内部的程序模块。此外，数据服务器22还对从一个或多个工厂数据源10和/或其它***部件30上同步或异步获取的数据进行管理。所推荐的，采用偏差(biases)、设定值或启动信号的形式所进行的调整，能在不同的间隔被传达到适宜的控制***上。警报信号和状况指示器能以不同的间隔回复到适宜的控制***或报告***上。可利用工业标准数据通信协议(比如TCP/IP、Modbus、Serial等等)以及私有协议或其组合，以有助于与不同的工厂数据源10和/或其它***部件30进行双向数据通信。
参看图3，工厂数据源10包括，但不限于，煤灰清除装置控制***12、传感器/测量***14、燃料参数40、性能计算***42、历史数据44、分布式控制***(DCS)46和排放监控***48。举例说明，而非出于限制，燃料参数40可包括提供出数据的感应值或计算值，其中所述数据指示出正在消耗、或将要消耗的燃料的体积和类型。该数据可包括燃料流量、燃料的分析组成等项，其中所述燃料的分析组成比如碳含量和其它微量元素，尤其是那些影响炉渣和积垢性质的组成。燃料参数可通过外部传感器以及通过计算进行确定或者可通过煤灰清除优化***20进行内部确定。举例说明，而非出于限制，工厂历史数据44可包括任何短期或长期的历史数据库或保存***，可包括数据的人工输入和记录。工厂历史数据的一个商业例子为OSI制作的PI***。
传感器/测量***14可感应或测量各个工厂参数，如下所述。市面有售的传感装置包括，但不限于，燃料测量和元素分析器，SmartGauge传感器(应变仪或重量传感技术)，热流传感器，温度测量***(基于热电偶、声学、激光、光学等等)，比阻测量***，下游***(比如连续排放监控***)，电压、电流、压力、温度、光学、微波仪器等等。
性能计算***42为计算机或人工收集的数据***，其确定了全部或部分工厂热率的计算、效率或蒸汽产生可控的损耗部分。可将这些可控的损耗部分汇总起来以产生一个“效率参考指数”(ERI)。在美国专利申请系列号10/985,705(申请日为2004年11月10号，名称为“Systemfor Optimizing a Combustion Heating Process”)中，进一步详细地描述了一种性能计算***42。通过参考，该专利申请全部结合在本文中。
分布式控制***(DCS)46为一种计算机***，其通过***装置的运行而能够控制燃烧过程，包括，但不限于，用于控制水和蒸汽流量的阀动器，用于控制空气流量的节气闸启动器以及用于控制煤流动到磨煤机上的皮带速度控制装置。传感器(包括，但不限于，氧分析器、热电偶、阻抗热探测器、压力传感器、差压传感器)感应与锅炉相关的参数，并且将输入信号提供给DCS46。DCS46还可将参数提供给性能计算***42。
排放监控***48提供来自电厂的、与排放或副产物信息相关的数据。
煤灰清除优化***20可使用一个数据获取程序以从工厂数据源10获取数据，其中所述数据获取程序可以是一个单独的程序模块或者是数据服务器程序模块22的一部分。特别地，煤灰清除装置控制***12为煤灰清除优化***20提供数据，该数据与一组参数(如流动、电流、持续时间、模式、状态、状况、时间等等)相关，而所述参数组则关于一组或多组煤灰清除装置组5。每一煤灰清除装置组5由一个或多个煤灰清除装置组成。因此，每一煤灰清除装置组5可由一个单一的煤灰清除装置或数个煤灰清除装置构成。煤灰清除装置控制***12可包括，但不限于，吹灰器控制***、水喷射器控制***、水炮控制***等等。应可理解，一组煤灰清除装置的启动可作用在锅炉的多个区域上，包括由其它煤灰清除装置组负责的区域。
煤灰清除优化***20可自行计算出、或从任何前述的***上获取与预测以及非预测的自然清除事件有关的信息和数据。自然清除事件为这样的事件，即在所述事件中，煤灰清除装置，比如吹灰器不是对发电机组进行清洁的直接原因。自然清除事件的一个例子为物理或热冲击、或者载荷的改变。
可使用煤灰清除优化***20以与煤灰清除装置控制***12组合在一起工作，并且智能地影响所述煤灰清除装置控制***12的运行。可将煤灰清除装置控制***12配置成能从煤灰清除优化***20接收到一个或多个煤灰清除装置的启动信号(开/关)、警报或报告(根据SBCalcs参数和工厂参数而被驱动)。在这样的情况下，启动煤灰清除装置的实际动作仍然由相关的煤灰清除装置控制***12执行，但是哪个/些煤灰清除装置要被启动的确定以及何时启动煤灰清除装置则由煤灰清除优化***20进行确定。
应可理解，煤灰清除装置控制***12可直接与煤灰清除优化***20通信。可选地，煤灰清除装置控制性能可作为DCS46的一部分而存在。类似地，一个或多个其它工厂数据源10的性能，比如传感器/测量***14、性能计算***42、工厂历史数据44、和排放监控***48，可单独存在或者可组合而作为其中一个其它工厂数据源10或其它***部件30的一部分。应可理解，实际配置将根据电厂而各不相同。
根据本发明，来自工厂数据源10和其它***部件30的数据、SBCalcs参数(如下所述)、工厂参数(如下所述)或其组合被用来：(a)确定哪些煤灰清除装置要被启动以及何时启动煤灰清除装置；(b)通过使用本发明的人工智能技术而导出各个工厂参数的最佳偏差/设定值；以及(c)支持报警和报告特征部件。
煤灰清除计算
SBCalcs计算引擎24检查获取自一个或多个工厂数据源10的数据，并且产生经计算而得出的参数，文中称为“SBCalcs参数”。SBCalcs参数用于一个或多个煤灰清除装置组5。如上所示，每一煤灰清除装置组5由一个或多个煤灰清除装置组成。SBCalcs参数用于分析、神经网络的建模、预先优化处理、优化、后优化处理以及最终确定何时启动以及要选定启动哪个/些煤灰清除装置，如将在以下进行详细描述。
SBCalcs参数建立了用于产生信息的基准，其中所述信息关于煤灰清除装置组之间的互相关系和/或煤灰清除装置组和锅炉的物理条件之间的关系，包括，但不限于，热吸收、能量使用、气体流动、阻塞形成或清除，以及与上游或下游装置的相互作用和与锅炉、空气预热器部件、或所有由煤灰清除装置负责的位置相互作用的过程。
SBCalcs参数提供了一种基础，用于探测煤灰清除装置组和火炉内煤灰清除装置组的位置之间的关系，以及彼此之间的物理关系。SBCalcs参数提供了有关煤灰清除装置组的相依性和互相关系。
SBCalcs参数为时间值参数，可使用定时器、用户限定值(如阈值)和计算值进行确定。应可理解，SBCalcs参数可用作计算的输入值、或计算的约束条件、或者其它动态变化或可预测的工厂参数。SBCalcs参数可包括，但不限于，以下时间值参数：
工作循环参数：为可使用煤灰清除优化***20进行控制的每一煤灰清除装置组计算出工作循环参数。工作循环参数代表了在一个限定的时间段内(如24小时)，煤灰清除装置组中的煤灰清除装置启动的总持续时间。
关机时间参数：为可使用煤灰清除优化***20进行控制的每一煤灰清除装置组计算出关机时间参数。关机时间代表了煤灰清除装置组中的煤灰清除装置不启动的时间。应可理解，该参数能说明停止工作的煤灰清除装置。关机时间参数为一个历史值，指示出已经发生了何种情形。
工作时间参数：为可使用煤灰清除优化***20进行控制的每一煤灰清除装置组计算出工作时间参数。工作时间代表了煤灰清除装置组中的煤灰清除装置启动的总时间持续。工作时间参数为一个历史值，指示出已经发生了何种情形。
最大关机时间参数：为可使用煤灰清除优化***20进行控制的每一煤灰清除装置组确定最大关机时间参数。最大关机时间参数代表了在煤灰清除运行之后，装置组中煤灰清除装置处于不启动状态下的最大总持续时间。
最小关机时间参数：为可使用煤灰清除优化***20进行控制的每一煤灰清除装置组确定最小关机时间参数。最小关机时间参数代表了在煤灰清除运行之后，煤灰清除装置组中的煤灰清除装置保持处于不启动状态下的最小总持续时间。
本发明的煤灰清除优化***20使用了上述的SBCalcs参数，其中所述SBCalcs参数基于获取自煤灰清除装置控制***12中的实际运行数据。SBCalcs参数独立于热力学模型、锅炉设计因素、燃料波动、准则、简化假设等等。本发明的SBCalcs参数与文中描述的各种技术联合使用，以连同其它可应用的工厂参数，优化地确定出何时以及哪些煤灰清除装置要被选定并被施于信号以进行启动，如下所述。
神经网络模型
开发了一种神经网络模型60(或可选地，另一类型的***模型)，其使用了参数值，其中所述参数值包括，但不限于，上述SBCalcs参数和各种工厂参数，以下将详细描述。神经网络模型60与优化程序器70结合使用。
工厂参数可包括，但不限于：燃烧参数、燃料参数、后燃烧参数、排放参数、性能参数、给定条件、状态指示。燃烧参数包括，但不限于，温度、压力、流动、速度、重量、体积、电压、电流、瓦数、阻抗、位置、速率、质量、尺寸、振动测量、烟道气组分、研磨测量、粘度、以及在电厂中与燃烧前、燃烧和后燃烧阶段有关的类似参数。燃料参数包括，但不限于，燃料组成参数、源于燃料燃烧的各种烟道气、燃料处理输入(比如振动)、燃料处理流动速率、研磨、粘度、颗粒尺寸变量以及类似参数。排放参数包括，但不限于，氮氧化物(NOx)、二氧化碳(CO2)、一氧化碳(CO)、硫氧化物(SOx)、汞(Hg)、颗粒物质(PM)、氨(NH3)的级别以及类似参数。后燃烧参数包括，但不限于，与后燃烧***有关的参数，比如选择性催化还原(SCR)***、烟道气脱硫***、静电沉积***、碳灰分析/测量/改进***、汞分析/测量/还原***以及类似***。性能参数包括，但不限于，效率、能量损耗计算、热率、焓、热传送、管子/金属寿命、热应力、金属疲劳以及类似参数。给定条件包括，但不限于，环境大气条件(温度、压力、湿度以及类似条件)、占优势的设备条件、以及类似条件。状态指示包括，但不限于，0/1、开/关、打开/关闭、手动/自动、现场/远程、校准中、停止工作、抑制中、未抑制、电厂装置状态(如煤灰清除装置的状态)、以及类似指示。
煤灰清除优化***20可与电厂中的各个***进行通信，并可交换与工厂参数有关的数据。在这点上，相关的工厂参数获取自工厂数据源10，以开发出神经网络模型60。在图3示出的示范性实施例中，煤灰清除优化***20可与工厂数据源10进行通信，以及可与其它***部件30进行通信，包括，但不限于，预燃烧***32、燃烧优化***(COS)34、后燃烧***36、多机组协调***38。预燃烧***可包括任何在燃料燃烧之前起作用的***，比如，但不限于，自动或手动导出燃料管理***、燃料元素扫描装置、或燃料处理***。后燃烧***36可由对烟道气进行后续处理的***为代表，比如烟道气脱硫(FGD)***。多机组协调***38可包括与多于一个的发电厂中的发电机组相关的过程变量，比如与两个单独的锅炉相关的燃烧变量。
COS34为一个计算机***，其通过对空气流动、燃料流动、分布、压力、空气/燃料温度和热吸收进行优化，而优化了燃烧过程，以获得最佳的燃烧条件。COS34的输出数据(即控制值推荐)可由分布式控制***(DCS)接收，以能够对燃烧过程进行实时最佳控制。因此，燃料混合***、擦洗器(scrubbers)、SCR***、吹灰器、以及类似装置，均得到优化。
如图2所示，神经网络模型60接收输入参数并产生输出参数。输入参数可包括，但不限于，与SBCalcs参数以及工厂参数相关的参数值。每一输入参数均可被分成(1)可控变量(也可称为“可操纵”变量)或(2)输入或给定变量(也可称为“干扰”变量)。可控(或可操纵)变量为可由电厂运行人员控制的变量，而给定(或干扰)变量则为不能由电厂运行人员控制的、且在某些情况下不能被测量的输入。给定变量的例子为温度、湿度、燃料组成等等。
神经网络模型60的输出参数可包括，但不限于，一个或多个目标(也可称为“受控变量”)。输出参数可以是一个或多个输入参数的函数。在图2所示的实施例中，输出参数包括NOx和热率。
举个例子，开发出一个代表燃烧和煤灰清除关系的所述神经网络模型60，其使用了以下标识在表1和2中列出输入参数和输出参数。
应可理解，以下所述的神经网络输入和输出参数仅仅是模型输入和输出参数中的一组示范性参数组，其用于说明本发明，而实际的模型输入和输出参数组将根据实地情况各不相同。此外，将输入参数分成给定/干扰或可控/可操纵也根据实地情况而各不相同。
表1：神经网络输入参数
 
输入参数的描述 输入变量的类型
由发电机组产生的电力 给定/干扰变量
经过粉碎机的煤供给(每一粉碎机各有一个信号)             可控/可操纵变量
粉碎机出口温度(每一粉碎机各有一个信号)                 可控/可操纵变量
空气节气闸位置 给定/干扰变量
相对于每一粉碎机的主空气流动 给定/干扰变量
调温空气流动 给定/干扰变量
 
辅助空气流动 给定/干扰变量
总空气流动 给定/干扰变量
过剩氧 可控/可操纵变量
一氧化碳 给定/干扰变量
烟道不透明度 给定/干扰变量
二氧化硫 给定/干扰变量
环境温度 给定/干扰变量
计算出的煤灰清除装置组的工作循环参数(煤灰清除装置的每一组各有一个)                    可控/可操纵变量
进入到再热部件的入口温度 给定/干扰变量
从再热部件出来的出口温度 给定/干扰变量
进入到过热部件的入口温度 给定/干扰变量
从过热部件出来的出口温度 给定/干扰变量
进入到节煤部件的入口温度 给定/干扰变量
从节煤部件出来的出口温度 给定/干扰变量
输入参数的描述 输入变量的类型
从空气预热器部件出来的出口温度                           给定/干扰变量
从空气预热器部件出来的出口温度                           给定/干扰变量
火炉出口空气温度 给定/干扰变量
主蒸汽温度 给定/干扰变量
再热蒸汽温度 给定/干扰变量
火炉压力 给定/干扰变量
风箱压力 给定/干扰变量
强制通风风扇叶片位置 可控/可操纵变量
强制通风风扇安培数 给定/干扰变量
再热喷洒流 给定/干扰变量
 
再热差压 给定/干扰变量
过热喷洒流 给定/干扰变量
过热差压 给定/干扰变量
表2：神经网络模型输出参数
 
输出参数的描述 变量类型
NOx排放 目标/输出
锅炉效率(二择一地，可使用经计算得出的机组净热率)     目标/输出
使用常规的电厂运行、参数测试和/或历史数据，对神经网络模型60进行培训。培训过程涉及根据对输入参数所进行的迭代检查，而对节点连接强度进行调整(即神经网络权重)。在这点上，将神经网络模型60培训成可根据输入参数对输出参数进行预测。因而，这样开发出来的神经网络模型60可与优化程序器70联合使用，以在限定的约束条件下，确定出针对输入参数的适宜调整，以获得期望目标，如下所进行的详细描述。
应可理解，神经网络模型60使得煤灰清除、空气、燃料、排放、温度、压力、不透明度、热率和类似参数之间复杂的关系能够有效地模型化。使用来自其它神经网络的输出、历史数据、参数测试数据、常规工厂运行参数、或其组合对模型进行开发。
在本发明的一个实施例中，出于优化目的，可将某些SBCalcs参数和工厂参数定义为“可控”变量，从而可在给定的约束条件(如：将再热和过热喷洒流动保持在控制范围中；维持***以使燃烧器摆角能够在燃烧优化***(COS)中有效；维持沉积装置的温度窗等等)下，通过调整可控的SBCalcs参数和相关的工厂参数(如包括)，而使优化程序器70的目的成为为了获得优化目标(如NOx排放和热率)。SBCalcs参数和相关的工厂参数的优化的约束条件，以及神经网络模型输出参数的“目的函数”(关系式)，比如NOx排放和热率，可在工厂和设备设计条件、其它***数据、其它神经网络、热原理、工程知识、运行经验、既定政策、安全因素和/或从工厂数据源10动态获取的工厂运行信息的基础上，由用户进行配置、或进行实时调整。
预先优化处理器72进行预先处理运行，可检查和动态改变优化程序器70的配置。因此，各种运行约束条件、实时事件和触发条件均要考虑。例如，预先优化处理器72可确定哪些神经网络模型60的输入参数不能变动、并且可对可控输入参数进行指定。对于可变动的输入参数(即可控输入参数)，预先优化处理器72能够识别出变动的任何限制。运行约束条件、实时事件和触发条件的实际清单根据实地和应用而各不相同。然而，以下清单可用作例子，包括，但不限于：
1、进行调整，使得能够根据用户限定的阈值，维持蒸汽温度。
2、进行调整，使再热和/或过热喷洒流动能够保持在用户限定的阈值之内或之外。
3、进行调整，使燃烧室的倾斜保持在用户限定的阈值之内或之外。
4、进行调整，使得能够根据用户限定的阈值，而使比如烟道不透明度、一氧化碳、灰碳等等的参数得以维持。
5、根据用户限定的阈值，当机组载荷下降或上升、处在范围内或范围外时，延迟煤灰清除作业。
6、如果时间小于煤灰清除装置的最小关机时间，不要试图调整相关的煤灰清除装置。
7、如果时间大于煤灰清除装置的最大关机时间，进行调整，使得能够对相关的煤灰清除装置发出信号以进行启动。
8、如果机组刚刚经受、正在经受或预期要经受一次自然清除事件，则可使煤灰清除作业暂时处于抑制状态和/或可进一步考虑其它工厂参数而对煤灰清除作业进行评估。
9、根据用户限定的以时间为基础的关系，检查所作的调整。
10、可根据用户限定的工厂参数/SBCalcs参数的阈值、其它运行约束条件、实时事件、触发条件或其组合，而做出调整。
11、以用户限定的模式，启动所选择的煤灰清除装置，比如自顶向下、自底向上、从侧到侧、对角线、单个、成对、成组或其组合。
12、在一次中只有用户限定数量的煤灰清除装置可被给予信号而启动。这可能是由于可利用的蒸汽汇集器的压力的限制或其它运行约束条件的原因。
13、对SBCalcs和工厂参数进行调整，使得能够维持进入后燃烧***的烟道气的温度范围，比如选择性的催化还原(SCR)***、静电沉积***、烟道气脱硫***及类似***。
优化程序器70向神经网络模型60询问各个“可控”输入参数，以获得预测的输出参数。在这点上，优化程序器70反复地变动一个或多个神经网络模型60的“可控”输入参数，直到预测的输出参数大体上等于期望输出参数。更加具体地，优化程序器70根据时间和/或工厂运行事件而自动触发。其以迭代方式询问神经网络模型60，以进行“what-if”式假设分析。为了进行进一步的分析和处理，对“what-if”运行每一次迭代的结果进行评估。优化程序器70每一轮运行都以对不同可控变量(如工厂参数和/或SBCalcs参数)及其对应的、关于“目标”(如NOx和热率)的预测效果的许多可能的变化进行一次彻底的搜索和评估而结束。优化结果以推荐调整的可控输入参数(必须由优化程序器70进行确定)的形式产生，以获得优化“目标”，同时也考虑到了运行性、安全性和***性的约束条件。
应可理解，根据本发明，优化程序器的“目标”的“目的函数”还能以实时方式进行调整。因而，能在优化程序器70每一次进行运行之前或期间对各个优化程序器参数进行动态调整的性能，使得煤灰清除优化***20总是能够搜索一个比先前所获得的运行条件更好的运行条件，同时还考虑到了当前的运行约束条件和目的。
目的函数是神经网络的全部输入和神经网络的目标之间的数学关系。目的函数包括目标及其相关权重(即重要性)、以及全部输入在神经网络中彼此相对的权重，其中所述目标的相关权重为相对于所有组合在一起的优化程序器的目标的总的所想要结果的相关权重。优化程序器得出全部最佳的期望结果，同时神经网络还使所有输入与每一单独的输出相关。
后优化
后优化处理器74进行后处理运行。由后优化处理器74进行的一个运行是对优化程序器70所获得的结果进行验证和进一步的评估。在这点上，后优化处理器74检查每一轮优化运行的结果、并且对发电机组的运行条件进行评估，以导出必要的控制调整。例如，在一个给定的电厂中，由于蒸汽汇集器压力的限制以及电厂的运行问题，不是所有可利用的煤灰清除装置均可同步运行。还可在将调整信号发送到相关的工厂控制***之前(采用偏差偏差、设定值或启动信号的形式)，对各个工厂参数进行评估。后优化处理器74还有助于使优化结果转变为对获得期望优化目标所必需的控制信号/调整。后优化处理器74能以这样的形式输出参数值：(a)各个可控工厂参数的偏差偏差或设定值；(b)一个或多个煤灰清除装置的启动指示(打开或保持关闭)；(c)信息信号；(d)警报信号。此类参数被写入到数据服务器22上以被其它***部件访问，并且被传达到相关的控制***(即分布式控制***(DCS)46、煤灰清除装置控制***12等等)上，以进行有关的控制动作和报告。接着，煤灰清除优化***20收集新的数据，并且自行重复整个处理循环，如图4B所示。
对煤灰清除装置进行排位
如上所示，后优化处理器74所进行的其中一个运行为对优化程序器70的结果进行评估。一个这样的评估涉及一个现在将对其进行详细描述的排位过程。优化结果将由后优化处理器74进行进一步的处理，以有助于对应该被打开或保持关闭的煤灰清除装置进行识别。在这点上，对于每一煤灰清除装置组5，为至少一个相关的SBCalcs参数(如工作循环)计算出一个目标因子。例如，目标因子可采取所示方程式的形式：
目标因子＝(优化结果-当前值)/优化循环时间
其中优化结果为煤灰清除装置组工作循环的优化结果(即得出优化输出参数的经过调整的工作循环值，如由优化程序器70所确定)；当前值为煤灰清除装置组的工作循环的当前值；优化循环时间可以是优化循环的时间(即选择用于运行优化程序器70的时段，例如，每15分钟)。
接着使计算出的目标因子与预先限定的阈值范围进行比较。阈值范围的数量及其值根据实地和/或应用而各不相同。举个例子，在一个实地现场中，可使用于下表3中所述的阈值范围指数：
表3：目标因子和目标因子权重的阈值范围指数的例子
 
描述 限定的阈值范围 权重
不启动煤灰清除装置组中的相关煤灰清除装置     目标因子大于0.0并小于0.65          0
描述 限定的阈值范围 权重
可不启动煤灰清除装置组中的相关煤灰清除装置   目标因子等于或大于0.65并小于0.8      1
可启动煤灰清除装置组中的相关煤灰清除装置     目标因子等于或大于0.8并小于1.0       2
启动煤灰清除装置组中的相关煤灰清除装置       目标因子等于或大于1.0                3
如以上的表3所示，根据与阈值范围所进行的比较，赋予每一计算出的目标因子一个称为目标因子权重的权重值。煤灰清除优化***20根据与每一煤灰清除装置组相关的目标因子和目标因子权重值，而对它们进行排位。因此，煤灰清除装置组的目标因子值越大，则其排位越高。目标因子权重值有助于确定具有最高排位的相关煤灰清除装置组是否应该被启动。例如，可选出具有最大的相关目标因子值(其指示可启动或启动)的、以及符合所有运行限制的煤灰清除装置组以进行启动。一旦至少一个煤灰清除装置被识别出要启动，相关信号(即打开至少一个煤灰清除装置的信号)可传送到各自的煤灰清除装置控制***12上。应可理解，由于相关的目标因子值中没有一个目标因子值上升到与不启动或可不启动相关的级别之上，因而煤灰清除装置组中没有一组被启动的情况是可能的。
应可理解，除了目标因子和目标因子权重值，也可对发电机组和电厂的其它运行条件进行评估，以决策要启动哪一个煤灰清除装置组。
路径预测
可通过使用路径预测分析法，可运行性地对要进行启动的煤灰清除装置组的上述排位选择进行进一步处理，现在将参考图5和6对这方面进行描述。煤灰清除优化***20也可根据煤灰清除装置组的重要性、同时还考虑过去、目前和预期的工厂运行条件，而对煤灰清除装置组进行排位。在这点上，煤灰清除优化***20可包括一个路径预测***200，当确定要启动哪个/些煤灰清除装置组时，所述路径预测***200具有预知性能。路径预测***200有助于在将当前和过去的运行、安全性和运行性约束条件、运行事件和未来预测的发电机组的运行考虑在内(原因是其涉及一个或多个煤灰清除优化目标)的情况下，对一个或多个煤灰清除装置组进行优化选择以进行启动。路径预测***200可包括神经网络(或二择一地，另一模型技术)、优化程序器、决策树规则基***、排位技术、模糊逻辑、向量机和其它人工智能技术的使用。
在许多决策事件中，所采取的第一次动作的后果将影响未来动作和可行性。这些后果包括：(1)可能的未来动作可受到第一次动作的选择的限制，或者可能的未来动作可通过第一次动作的选择而增加；(2)净有益效果可通过第一次动作的选择而减少，或者净有益效果可通过第一次动作的选择而增加；(3)通过第一次动作的影响，安全因素可受到限制、甚至违反，而另一方面，合适的第一次动作可以成为安全运行的一个必要条件。在对过程进行控制中，一个控制动作的结果可随着时间而影响到优化结果的下一个时机。重要地，目前时间(即时间零点t0)的决策可影响未来的时间事件、效益、优化结果、和未来违反规则的潜在性。
由于它们在各自领域中的优势，路径预测***200应用了神经网络模型、优化程序器和以规则为基础的决策树***的技术，并且以混合人工智能的方案，使用了所有技术的组合。在该实例中，使用与优化程序器组合在一起的神经网络，用作其预测性能。决策树用来存储和探测各种由神经网络在几个阶段中及时做出的预测。根据领域专门知识、既定规则(如预先处理或后处理的约束条件)、新数据、历史假设、其它神经网络或其组合，使用一组对决策树的收缩进行指导的专家规则，开发出该决策树的结构。最后，使用检索算法以开发出决策树，并且选择出到达目标的最佳路径。由此，每一技术仅由于其优势而被使用，同时其它技术弥补其弱点，总的效果为一种协同增效，与单种技术孤立时可做出的任何决策对比，能更加精确和智能地做出决策。
现参看图5，图中显示了一个流程图，根据本发明的一个实施例，该图示出了路径预测***200的运行。应可理解，路径预测***200包括几个用于开发出一个决策树(图6)的迭代步骤。在这点上，一个或多个决策D得到确定，其代表了一个启动一个煤灰清除装置组的决策。每一决策D在未来的至少一个步骤中通过一个迭代过程而得到调查，其中所述迭代过程使用了对问题状态中的变化进行模型化的神经网络、以及使用了一个选择出进一步决策的优化程序器。专家逻辑用于限制决策步骤。在处理的结尾，得出一组未来多个步骤(如3-5步骤)的最终决策。
现在将对路径预测***200的运行进行进一步详细的描述。预先处理步骤202大体上与如上所述的预先优化处理器72的预先处理运行相同，优化步骤204大体上与如上所述的、与图2有关的优化运行相同，而后处理步骤206则大体上与如上所述的后优化处理器74的后优化运行相同。
后处理步骤206包括对每一煤灰吹除装置组进行排位的步骤。排位输出显示在步骤208A，如决策D1t0和D2t0。D1t0代表了在时间t0启动第一煤灰清除装置组的第一决策，而D2t0则代表在时间t0启动第二煤灰清除装置组的第二决策。
对于在时间t0的每一可能的决策D，使用一个神经网络来预测在时间t+1(步骤210)的参数值。预测参数值可包括，但不限于，上述的工厂参数和目标、用于其它***的计算出的值、其它外部所用(比如维护预测)的神经网络的预测值、或其组合。应可理解，排位信息可包括于在步骤210中供给神经网络的输入参数中。在步骤210中神经网络的输出参数被存储起来以供以后使用，并且在步骤212被输入到规则基中，以通过预测的参数值，确定出是否违反了任何规则(如关于物理或其它约束条件)。换言之，可在步骤212对“边界条件”进行检查。如果确定出违反了规则，则时间t0的相关决策D被视为走上了一条终极路径。应可理解，步骤212中所应用的规则可随着每一次的迭代而改变。
如果在步骤212中确定出没有规则遭到违反，则与该决策D相关的存储值以如上所述相同的方式，被用在处理步骤202、204和206随后的迭代中。
排位输出显示在步骤208B中，如决策D1t1、D2t1、D3t1和D4t1。D1t1代表了在时间t1启动第一煤灰清除装置组的第一决策，D2t1代表了在时间t1启动第二煤灰清除装置组的第二决策，D3t1代表了在时间t1启动第三煤灰清除装置组的第三决策，而D1t1则代表了在时间t1启动第四煤灰清除装置组的第四决策。
同样地，对于在时间t1的每一可能的决策D，在步骤210使用神经网络来预测在时间t+1的参数值。输出参数被存储起来以供以后使用，同时在步骤212被输入到规则基中，以通过预测的参数值，确定出是否违反了任何规则。如果确定出违反了规则，则时间t1的相关决策D被视为走上了一条终极路径。如果确定出没有规则遭到违反，则与该决策D相关的存储值以如上所述相同的方式，被用在处理步骤202、204和206随后的迭代中。
该前述的过程可继续进行，以对每一决策D进行一次或多次迭代。图6示出了所开发出的一个示范性的决策树250，作为前述迭代过程的结果。如图6所示出，为决策树250开发了四(4)次迭代。应可理解，如图6所示的决策树250为示范性，被提供以示出本发明的路径预测***200的运行。
在针对期望迭代次数开发出一个完整的决策树之后，对每一决策D的历史绩效进行分析(步骤220)。在这点上，通过以下每一可能的路径所获得的结果得到分析。优选地，使用决策树检索算法进行分析。例如，可将在路径中每一步骤上所获得的目标的总合汇总起来，以发现一条成功的路径。在步骤222，时间t0的决策(即关于煤灰清除装置组的启动选择的当前决策)即为根据该分析而做出。因此，路径预测***200的输出是将要采取的当前决策。
路径预测***200使得能够根据在时间零点所做出的选择，而对未来输出、或输入进行预测。在通过路径预测***200做出决策之前，探测出相关决策的路径，并且可对决策路径相对于多个路径的净效果进行推断、打分，并且使得能够影响到时间零点的决策。
应可理解，本发明还允许任何神经网络模型在路径中被替换上另一元件，比如简单逻辑、规则、不同的神经网络、常数或其它代替元件。这使得能够具有大的灵活性，同时还使得能够消除对某些路径进行评估的需要，因而减少了复杂的计算时间。这样的动作可消除对所有具有可能性的因子组合进行计算，而且有利于计算机的运行。多个目标(模型输出参数)可在路径中进行评估。这么做最简单的方式就是对这些目标进行汇总或其它数学组合。
在本发明所示出的实施例中，通过为至少一个时间增量确定一个或多个决策D，路径预测被应用在对煤灰清除运行进行优化上，其中决策D中的至少一个与至少一个煤灰清除装置的运行的离散变量相关。离散变量指的是具有有限或可数值组的变量(即非连续)。在所示出的实施例中，离散变量的值为与煤灰清除装置组有关的开值或关值。
应可理解，尽管上面已经针对发电厂中的煤灰清除运行的优化，对本发明的路径预测方面进行了描述，但是应能想得，路径预测也可用来对其它电厂装置的运行进行优化，包括，但不限于，SCR、锅炉、FGD、燃料源、静电除尘装置(ESP)、工厂的涡轮机和称重装置。另外，本发明还可用来对与连续和离散变量均相关的决策进行确定。例如，连续变量为能够在最小和最大值之间采用全部各个值的变量。如上所示，离散变量只能采用有限的值组。例如，路经预测***可用于在一个特定的时间层中，对锅炉中空气/燃料混合、吹灰器的运行状态、以及FGD的泵的运行状态进行确定。与空气/燃料混合相关的参数是连续变量，而吹灰器和FGD的运行状态则是离散变量。在该例子中，目标可以是减少排放(NOx和SO2)、以及提高热率。另一个例子将是确定磨煤机、燃烧室和燃料源，作为随时间变化的载荷曲线，以提高发电厂的热率。在这点上，路径预测还可与其它电厂装置和其它离散变量结合使用。
神经网络的再培训
神经网络模型再培训器62定期对神经网络模型60进行培训。该在线重新培训的性能使得神经网络模型能够适于改变电厂的运行、设备和燃料条件。一个重新培训的过程可在事件/触发条件或已用时间的基础上得以起动。煤灰清除优化***20通过检查SBCalcs参数和工厂参数的值、并且将其与用户可配置的数据分类限定进行比较，而对新的数据记录进行分类。
在实地和/或应用各不相同的基础上，对用户可配置的数据分类限定进行识别。使用状态限定和群集限定，对用户可配置的数据分类限定进行配置。状态限定由各个工厂参数的任何数学和/或逻辑组合组成(比如，但不限于，算术运算、和、或、非、等于、不等于、小于、小于或等于、大于、大于或等于等等)。例如，状态可被限定为：
状态1＝((机组载荷处于350和400兆瓦之间的范围)和(粉碎机A出口温度小于150华氏度)和(粉碎机C出口温度大于157华氏度))
状态2＝(过剩氧小于1.5％)
状态3＝(过剩氧大于2.5％)
状态4＝(过剩氧处于1.5和2.5％之间的范围)
状态5＝((环境温度大于80华氏度)和(粉碎机A的煤供给大于75％)和(粉碎机B的出口温度大于150华氏度))
状态6＝((煤灰清除装置组A-I的工作循环大于30)和(煤灰清除装置组B-III的工作循环小于25))
群集限定由状态限定和/或各个工厂参数的任何数学和逻辑组合组成。因此，群集限定的例子可被陈述为：
群集1＝((状态1)和(状态2))
群集2＝((状态1)和(状态3))
群集3＝((状态1)和(非状态2))
群集4＝((非状态1)和(状态3))
群集5＝((非状态1)或(状态2))
群集6＝((状态1)和(状态4)和(状态5))
群集7＝((状态4)和(非状态6))
在数据分类过程当中，使每一新的数据记录与各个群集限定进行比较、以确定出每一记录可在其内存储的数据群集。没有满足群集限定中的任何限定的标准的数据记录可被单独存储。配置参数使得最大数量数据记录的确定能够保持适合于每一群集。此类群集数据和/或相关的历史数据可用来保持神经网络模型60。这样的计划有助于保持重要的数据记录，同时挑出不重要和/或过期的数据记录。重新培训的神经网络模型60被用在随后的优化运行方面。随着时间对所形成的模型的变化所进行维护和跟踪还可有助于诊断方面。
煤灰清除优化***的流程图
现参看图4A-4C，图中显示了一个流程图，该流程图示出了根据本发明的一个实施例的煤灰清除优化***的运行。在步骤102，从工厂数据源获得数据。在步骤104和106计算出SBCalcs参数。步骤112描述了预先处理运行，步骤114描述了优化，而步骤116则描述了后处理运行。步骤118描述了参考图5和6进行详细说明的路经预测步骤。步骤120-124描述了进一步的后处理步骤。步骤132-140则描述了神经网络模型的重新培训(图4C)。
煤灰清除优化的目标
根据本发明，已经识别出众多的煤灰吹除优化目的或目标。目标中的其中一些是不一致的和/或根据工厂而各不相同的。在上面的表2中进行识别的神经网络模型输出参数代表了一组这样的目标。本发明有助于在各个目标之间进行折中平衡。优化目标包括，但不限于：
防止不合要求的结渣和积垢
如果允许沉积物遗留在管表面上一段不适宜的时间，则可发生不适宜的下火炉壁结渣或对流烟道积垢的情形，导致收益损失和发电机组的强制停机之间的间隔缩短。结渣指的是熔融的沉积物或重新固化的熔融材料，其主要形成在显著暴露于辐射热或高的空气温度下的火炉水壁或其它表面上。积垢指的是粘合而成(烧结或凝结)的灰的集结，其最主要发生在对流烟道上，但是也发生在空气温度低于炉渣形成温度的任何区域上。重要地，空气预热器(热交换器)区域和煤灰清除有可能启动的任何区域也包括在该中。炉渣形成现象可导致产生大的炉渣渣块，其可脱离以及落在锅炉表面上，从而损坏这些表面，以及迫使发电机组运行停运以进行修理工作。通常，在行业中，术语积垢和结渣经常互换使用。本发明的煤灰清除优化***20对SBCalcs参数和有关的工厂参数之间的关系进行评估，如上所述。SBCalcs参数接着被用来选出要启动的煤灰清除装置。用于相关的工厂参数以及所选出的煤灰清除装置的期望调整值，被传送到各自的控制***，以影响不合要求的结渣和积垢条件。
形成期望结渣和积垢条件
在开动一个非常清洁的火炉时，或在其后的运行时，有可能会希望限制或控制热从锅炉的特定部位上传出。因而，出于长期或短期效益，有可能希望有目的地在发电机组的某些部位形成沉积物。
最小化不必要的煤灰清除
如果清除介质为过热蒸汽，则煤灰清除意味着直接的蒸汽损耗过程。还导致对脱盐补充水需要量的增加，这方面的成本相当地高。另外，使用压缩气体或水喷射器会发生相关的能量成本。煤灰吹除蒸汽大致占据总蒸汽产量的较大百分比。煤灰清除设备不必要的运行导致磨损和维护的增加。
避免定期降低载荷以进行除渣
不适宜的煤灰清除计划，使得一些发电机组定期将载荷降低到一个特定的级别之下、以对锅炉进行除渣。减少载荷具有这样的效果，即由于热收缩而使炉渣脱落。相反地，如果知道发电机组将降低载荷并脱除炉渣，则可推迟或略过清除，作为最低成本的方案，从而有效节约了成本。
最小化/稳定NOx、或其它排放
煤灰和炉渣的形成造成穿过火炉的各个部位的热传送和热吸收的重新分配/降低。通过有效地管理煤灰的形成，可获得更佳的热传送/吸收和穿过火炉出口和对流区域的更加有效的温度控制。空气/燃料流动组合的动态调整还有助于减少NOx。在下火炉上进行煤灰清除可降低火炉出口气体的温度(FEGT)。这方面具有期望、减少热力型NOx的效果，其为现场气体温度的指数函数。各个工厂参数和煤灰清除作业之间更佳的协调有助于控制(和潜在降低)后端温度，因而变化了锅炉的起火特性，这方面也会有助于使排放达到最小化。
最大化热传送效率
在所有锅炉部件的烟道气和蒸汽/水回路之间，使热传送效率最大化，减少了总燃料需求、以符合给定的载荷要求。
最大化机组载荷
通常希望以最大性能运行机组，以符合过程蒸汽、热和/或电力要求。次级优化清除的热交换器表面降低了最大可获得的载荷。
管理粒状物质和不透明尖状物的产生
ESP对入口质量浓度以及总物质载荷的快速变化敏感。在没有给予极度关注和适当处理情况下，激增或过量的煤灰会使ESP超载荷，导致大级别的颗粒物质(PM)被释放。通过减少过剩碳、维持均匀的ESP入口温度以及对ESP的轻击作业和煤灰清除的作业进行协调，可减少PM的产生。改进ESP入口气体温度对确保高效的ESP性能必不可少。过于猛烈地清除锅炉的对流烟道，会由于超出了ESP的处理性能而产生烟道不透明尖状物。这可能还由于对特定部位进行清洁的等待时间太长，其中在对所述特定部位进行清洁时，产生了被吹掉的过剩颗粒物质。
最小化机械疲劳、管子侵蚀、腐蚀、热应力
煤灰清除对应于作用到热交换器金属上的热冲击事件。如果正在进行清洁的表面不正当地被清洁或有效地被清洁，则可发生管子侵蚀、翘曲以及由此而引起的故障。这方面对使用水炮或水喷射技术以对火炉的水壁进行清洁的机组而言非常重要。显著的热应力还可通过使过大的敷层形成在特定的热传送部位上而得以降低。尽管这些部位可不显著地影响到主要目的，例如热率或NOx，但是如果温度增量变大，则当对管子进行清洁以及管子暴露到火炉温度上时，则热冲击可被引入到管子上。
改进热率和锅炉效率
锅炉的积垢导致效率低劣，原因在于这样的事实，即通常可传送到工作流体上的热遗留在烟道气流中，并在不进行有利利用的情况下被排出到环境中。对于同等级别的发电，效率上这方面的损耗转化为燃料的更高消耗，进而产生了更多的气态排放。对电厂的总运行、发电机组的燃烧特性、局部温度的一致性以及火炉和随后的热传送区域温度的更佳控制进行改进，有助于获得更佳的热率。
改进蒸汽温度动态过程
由于煤灰的清除更改了热传送在火炉中的分布，这同时影响了各个锅炉过热器和再热器部件的蒸汽/水温度。改进的煤灰清除运行和工厂参数的同步控制会有助于获得期望蒸汽温度的级别，同时还限制了抽出蒸汽流动的扰动、以及使喷洒流动保持到最小的控制范围中。
减少锅炉后端温度
对煤灰清除作业和工厂参数控制进行改进有助于在火炉区域以及上部对流烟道区域上增大热吸收，这有助于降低环绕着节煤装置出口区域的气体温度。这具有期望作用，即针对各个后燃烧或其它***，比如选择性催化还原(SCR)***、烟道气脱硫***、静电沉积***等等，减少排放以及改进烟道气条件。
最小化或改变对流烟道压降的位置
穿过对流烟道局部的压降的增加，包括空气加热器和ESP，是一个存在有显著积垢的指示。此外，当气体通道变得更窄或由于积垢而堵塞时，用于维持火炉通风的电通风风扇经受增加的载荷并且消耗更多的电力。需要附加的辅助电力造成了对用于维持相同机组的MW输出的热输入的需要，进而造成了对燃料和空气的进一步需求，接着，这再次推动了压力梯度。因此，这将是一种影响通风风扇的载荷、机组输出和热率的严重恶性循环。
最小化烟道气过剩氧的变动
对SBCalcs参数和工厂参数进行调整有助于调节与煤灰清除作业一致的空气和燃料的流动组合。这有助于最小化烟道过剩氧的变动。使煤灰和炉渣维持在适宜的级别，能使燃烧优化***(COS)更加有效地对空气和燃料进行管理。此外，以SBCalcs参数、工厂参数或其组合为基础，可对运行约束条件、实时事件和触发条件进行确认。
加强空气预热器的煤灰清除
空气预热器内部不适宜的煤灰清除可造成：(a)由于煤灰清除不充分而造成的空气加热器的堵塞；或(b)由于过度清除而造成表面侵蚀。下游***还会要求在烟道气中维持特定的温度，以避免酸性或其它物质的冷凝。下游温度的控制可要求正确数量的煤灰清除，以针对长期、瞬时条件、调节、保证问题以及效率而维持特定的最小温度。
控制或影响灰的颗粒尺寸
煤灰清除作业的具体特性可影响煤灰清除作业下游残留的灰以及煤灰的颗粒尺寸。煤灰清除作业可正面和负面地影响蒸汽引入到气体流中、以及与表面(异类化学)的物理作用。
减少辅助电力消耗
通过更佳地管理煤灰清除装置的启动，可减少由于煤灰清除而产生的厂用电载荷。这使得在单个机组的基础上能够提高性能和可靠性，而这对于缓解缺电很有益处。
最小化总维护和运行成本
能够在较低的成本下产生电力，进而增加了潜在利益。因而，考虑了经济因素的优化是最适应的。
减少最大金属温度和热循环
工厂参数的在线测量和调整，以及煤灰清除作业，有助于减少变动的幅度和频率。
避免意外的机组停运
意外停运可由于一个或多个上述问题而发生。此类停运导致运行和维护成本的增加、发电机会损失以及收益损失。当积累(buildup)还未发生时，即启动煤灰清除装置导致机械疲劳、管子侵蚀、锅炉管子故障、以及等效强迫停运率(EFOR)的提高。对总的发电机组的运行条件、燃烧特性以及煤灰清除过程的优化管理进行改进，有助于防止意外停运以及相关的损耗。而对火球位置进行改进，也可减少强迫停运率以及锅炉内高的管子金属温度的警报。
汞控制或汞类物质控制的工厂和燃烧条件的维护/改进
通过实时反馈和优化调整，可对SBCalcs和工厂参数、煤灰清除优化***进行调节，从而使得汞(Hg)或Hg离子期望排放得以实现的条件得以形成。已知颗粒尺寸、燃料类型和其它工厂参数影响Hg的确定。此外，湍流和温度影响Hg的形成则很值得怀疑。有可能工厂条件的其它物理参数也影响Hg类型和Hg流动。因此，优化***所允许的SBCalcs参数和工厂参数之间的相互作用可影响到Hg的排除。这方面也可被联结到静电沉积性能方面，其中***进行工作以维护某些物理条件，一个例子即为温度窗。在静电沉积***上与一个优化程序器的组合可形成一个完全的一体性***。每一部分可作为独立的子***或作为优化策略的一部分单独工作，以改进Hg的排除。
总而言之，本发明应用了一个神经网络以及优化技术，以对单个或多个(以同步方式)目的/目标进行优化，比如在矿物火力发电机组上减少有害的环境排放、以及提高热率(效率)。通过改进锅炉的热率，本发明在较少的燃料输入以及并未改变电厂的物理配置的情况下，使电厂能够产生等同数量的电能。神经网络和优化技术有助于制作代表工厂工艺过程的模型。此类模型与优化程序器联合使用，以对锅炉燃烧和/或工艺过程的执行进行优化，并同时考虑到各种安全、环境和运行方面的约束条件，和/或期望/目标。
其它人在参阅和理解本说明书之后，可作出其它修改和变化。由于所有这样的修改和变化落入本发明权利要求书或其等同物的范围内，因而所述这样的修改和变化也将包括在该范围中。

Claims (13)

1.一种用于对具有多个电厂装置的发电厂的运行进行优化的方法，该方法包括：
建立一个模拟发电厂运行的模型，所述模型预测一个或多个输出参数，所述输出参数为发电厂的一个或多个输入参数的函数，所述输出参数与所述发电厂运行目标相关，其中最优化输入参数是利用使所述模型接收的一个或多个所述输入参数反复变化至与所述预测输出参数相等的所述目标来确定的；
使用路径预测，根据最优化输入参数，确定多个起始时间增量(t0)的决策D，每一所述决策D与至少一个离散变量相关，所述离散变量具有有限个在电厂装置运行时的可能值；
使用路径预测，根据使用所述模型确定的最优化输入参数，反复确定起始时间增量之后的一个或多个随后的时间增量的一个或多个决策D，其中利用所述路径预测确定的所述决策D建立一决策树；
利用所述决策树的每一决策D的历史绩效进行分析，用以选择使用起始时间增量确定的所述决策D之一，作为所述发电厂运行的一当前决策于起始时间增量(t0)，其中所述选择是根据输出参数的分析，所述输出参数的获得与每一所述起始时间增量的所述决策D相关，且所述输出参数的获得与一个或多个随后的时间增量的每一所述随后的决策D相关；及
根据所选择的当前决策D，运行所述发电厂的电厂装置于起始时间增量。
2.根据权利要求1所述的方法，其中所述至少一个离散变量具有与所述电厂装置的启动相关的开值或关值。
3.根据权利要求1所述的方法，其中所述电厂装置为煤灰清除装置。
4.根据权利要求1所述的方法，其中所述方法进一步包括：
确定是否每一决策D将违反与所述发电厂运行相关的任何规则或约束条件。
5.根据权利要求1所述的方法，其中所述多个电厂装置包含煤灰清除装置组，其中每一煤灰清除装置组包含一个或多个煤灰清除装置。
6.根据权利要求5所述的方法，其中所述输入参数包含至少一个与每一煤灰清除装置组运行相关的时间参数，以及至少一个工厂参数。
7.根据权利要求6所述的方法，其中所述至少一个时间参数选自由以下参数构成的参数组：
(1)工作循环参数，代表在一个限定的时间段内，煤灰清除装置组中的煤灰清除装置启动的总持续时间；
(2)关机时间参数，代表了煤灰清除装置组中的煤灰清除装置不启动的总持续时间；
(3)工作时间参数，代表了煤灰清除装置组中的煤灰清除装置启动的总持续时间；
(4)最大关机时间参数，代表了在煤灰清除运行之后，煤灰清除装置组中的煤灰清除装置可处于不启动状态下的最大总持续时间；及
(5)最小关机时机参数，代表了在煤灰清除运行之后，煤灰清除装置组中的煤灰清除装置应保持处于不启动状态下的最小总持续时间。
8.根据权利要求6所述的方法，其中所述至少一个工厂参数选自由以下参数构成的参数组：燃烧参数、燃料参数、后燃烧参数、排放参数、性能参数、给定条件和状态指示。
9.根据权利要求1所述的方法，其中所述模型的输出参数是由以下组成选出：NOx排放、热率和锅炉效率。
10.根据权利要求1所述的方法，其中所述方法进一步包括以下步骤：
动态调整与所述一个或多个输出参数相关的期望目标。
11.根据权利要求5所述的方法，其中所述方法进一步包含：
根据预定标准对决策D进行排位，所述排位的步骤包括：
为每一煤灰清除装置组确定出相关的工作循环参数，其中所述工作循环参数与所述经过调整的输入参数相关；
为每一煤灰清除装置组确定出一个当前工作循环参数；及
为每一煤灰清除装置组确定出一个优化循环时间。
12.根据权利要求11所述的方法，其中所述根据预定标准对决策D进行排位的步骤进一步包括：
通过以下表达式确定一个目标因子：
目标因子＝(相关的工作循环参数-当前工作循环参数)/优化循环时间。
13.根据权利要求1所述的方法，其中所述方法进一步包括：
对所述决策D进行排位，其中所述排位与发电厂的一个期望目标的实现相关。
CN200610003294.9A 2005-02-08 2006-02-08 使用人工智能技术对发电厂的运行进行优化的方法和装置 Active CN1841422B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US11/053,734 2005-02-08
US11/053,734 US7584024B2 (en) 2005-02-08 2005-02-08 Method and apparatus for optimizing operation of a power generating plant using artificial intelligence techniques

Publications (2)

Publication Number Publication Date
CN1841422A CN1841422A (zh) 2006-10-04
CN1841422B true CN1841422B (zh) 2015-08-19

Family

ID=36780918

Family Applications (1)

Application Number Title Priority Date Filing Date
CN200610003294.9A Active CN1841422B (zh) 2005-02-08 2006-02-08 使用人工智能技术对发电厂的运行进行优化的方法和装置

Country Status (3)

Country Link
US (1) US7584024B2 (zh)
CN (1) CN1841422B (zh)
WO (1) WO2006086175A2 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106642077A (zh) * 2016-12-28 2017-05-10 湖南坤宇网络科技有限公司 一种基于决策树***的锅炉返料器堵塞预警方法
CN106765294A (zh) * 2016-12-28 2017-05-31 湖南坤宇网络科技有限公司 一种基于决策树***的锅炉燃烧机燃烧不充分预警方法

Families Citing this family (102)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003288115A (ja) * 2002-03-28 2003-10-10 Toshiba Corp 発電所統括制御システム
US7536232B2 (en) * 2004-08-27 2009-05-19 Alstom Technology Ltd Model predictive control of air pollution control processes
US7398652B1 (en) * 2004-11-10 2008-07-15 Pegasus Technologies, Inc. System for optimizing a combustion heating process
US20070055392A1 (en) * 2005-09-06 2007-03-08 D Amato Fernando J Method and system for model predictive control of a power plant
US7599750B2 (en) * 2005-12-21 2009-10-06 Pegasus Technologies, Inc. Model based sequential optimization of a single or multiple power generating units
US7756591B2 (en) * 2006-04-25 2010-07-13 Pegasus Technologies, Inc. System for optimizing oxygen in a boiler
FR2904486B1 (fr) * 2006-07-31 2010-02-19 Jean Marc Oury Procede et systeme de gestion et de modulation en temps reel de consommation electrique.
US7664719B2 (en) * 2006-11-16 2010-02-16 University Of Tennessee Research Foundation Interaction method with an expert system that utilizes stutter peak rule
US7624087B2 (en) * 2006-11-16 2009-11-24 University Of Tennessee Research Foundation Method of expert system analysis of DNA electrophoresis data
US7640223B2 (en) * 2006-11-16 2009-12-29 University Of Tennessee Research Foundation Method of organizing and presenting data in a table using stutter peak rule
US7531911B2 (en) * 2006-12-22 2009-05-12 Ingeteam Energy, S.A. Reactive power control for operating a wind farm
US7890197B2 (en) * 2007-08-31 2011-02-15 Emerson Process Management Power & Water Solutions, Inc. Dual model approach for boiler section cleanliness calculation
US8340824B2 (en) * 2007-10-05 2012-12-25 Neuco, Inc. Sootblowing optimization for improved boiler performance
US20100298996A1 (en) * 2007-10-16 2010-11-25 Gadinger Joerg Method for operating a power station
US8135653B2 (en) * 2007-11-20 2012-03-13 Hitachi, Ltd. Power plant control device which uses a model, a learning signal, a correction signal, and a manipulation signal
US8700550B1 (en) * 2007-11-30 2014-04-15 Intellectual Assets Llc Adaptive model training system and method
US8712929B1 (en) * 2007-11-30 2014-04-29 Intellectual Assets Llc Dynamic data filtering system and method
US8381690B2 (en) 2007-12-17 2013-02-26 International Paper Company Controlling cooling flow in a sootblower based on lance tube temperature
US8352148B2 (en) * 2008-05-21 2013-01-08 General Electric Company System for controlling input profiles of combined cycle power generation system
US9360910B2 (en) 2009-10-30 2016-06-07 Saudi Arabian Oil Company Systems, computer readable media, and computer programs for enhancing energy efficiency via systematic hybrid inter-processes integration
US9378313B2 (en) 2009-10-30 2016-06-28 Saudi Arabian Oil Company Methods for enhanced energy efficiency via systematic hybrid inter-processes integration
US9760099B2 (en) 2008-06-06 2017-09-12 Saudi Arabian Oil Company Systems, program code, computer readable media for planning and retrofit of energy efficient eco-industrial parks through inter-time-inter-systems energy integration
US9442470B2 (en) 2008-06-06 2016-09-13 Saudi Arabian Oil Company Methods for planning and retrofit of energy efficient eco-industrial parks through inter-time-inter-systems energy integration
US20110264408A1 (en) * 2008-07-25 2011-10-27 Welch William J Tracking of engine wash improvements
US20100070089A1 (en) * 2008-09-15 2010-03-18 Johnson Controls Technology Company Hvac controller user interfaces
US8195339B2 (en) * 2009-09-24 2012-06-05 General Electric Company System and method for scheduling startup of a combined cycle power generation system
US9436168B2 (en) 2009-11-09 2016-09-06 Exergy Limited System and method for maximising thermal efficiency of a power plant
EP2336637A1 (en) * 2009-12-14 2011-06-22 ABB Research Ltd. System and associated method for monitoring and controlling a power plant
US20110203535A1 (en) * 2010-02-19 2011-08-25 Nrg Energy, Inc. Method and System for Sootblower Flow Analyzer
CN101858591B (zh) * 2010-07-12 2011-07-27 山东电力研究院 锅炉水冷壁高温腐蚀状态诊断及预防***及方法
DE102010040624A1 (de) * 2010-09-13 2012-03-15 Siemens Aktiengesellschaft Abhitzedampferzeuger
WO2012035177A1 (es) * 2010-09-16 2012-03-22 Sun To Market Solutions S.L. Sistema de optimización de operación de plantas solares termoeléctricas
US9058029B2 (en) * 2011-03-31 2015-06-16 Brad Radl System and method for creating a graphical control programming environment
US8972067B2 (en) * 2011-05-11 2015-03-03 General Electric Company System and method for optimizing plant operations
CN102228858B (zh) * 2011-06-20 2013-06-05 浙江省电力公司电力科学研究院 磨煤机组控制方法和***
US9200591B2 (en) * 2011-07-06 2015-12-01 Honeywell International Inc. Automatic identification of operating parameters for power plants
US20130042616A1 (en) * 2011-08-15 2013-02-21 General Electric Company Use of motor protection system to assist in determining power plant metrics
US8914134B2 (en) 2011-11-09 2014-12-16 General Electric Company Systems and methods for predicting transient operational characteristics of a power plant
US8892477B2 (en) * 2011-12-09 2014-11-18 Brad Radl Method and system for fuzzy constrained sootblowing optimization
US20130159267A1 (en) * 2011-12-14 2013-06-20 Honeywell International Inc. Providing combustion system management information
US9563198B2 (en) 2012-03-08 2017-02-07 General Electric Company Method and system to model risk of unplanned outages of power generation machine
EP2954427A4 (en) * 2013-02-05 2017-05-31 Yokogawa Corporation of America System, method and apparatus for determining properties of product or process streams
WO2015086051A1 (de) * 2013-12-10 2015-06-18 Rwe Power Aktiengesellschaft Verfahren zur leistungsregelung von dampferzeugern zur stromerzeugung und/oder wärmebereitstellung
US9541282B2 (en) 2014-03-10 2017-01-10 International Paper Company Boiler system controlling fuel to a furnace based on temperature of a structure in a superheater section
JP6341729B2 (ja) * 2014-04-04 2018-06-13 三菱日立パワーシステムズ株式会社 運用計画作成評価装置及び運用計画作成評価方法
CN105022355A (zh) * 2014-04-21 2015-11-04 东北大学 一种水泥回转窑智能优化控制***
US9915589B2 (en) 2014-07-25 2018-03-13 International Paper Company System and method for determining a location of fouling on boiler heat transfer surface
US9927231B2 (en) * 2014-07-25 2018-03-27 Integrated Test & Measurement (ITM), LLC System and methods for detecting, monitoring, and removing deposits on boiler heat exchanger surfaces using vibrational analysis
US10060688B2 (en) 2014-07-25 2018-08-28 Integrated Test & Measurement (ITM) System and methods for detecting, monitoring, and removing deposits on boiler heat exchanger surfaces using vibrational analysis
CN104571022B (zh) * 2014-12-16 2018-11-02 深圳市出新知识产权管理有限公司 基于煤耗与可控因子关系的耗差分析模型实验***及方法
US10732621B2 (en) 2016-05-09 2020-08-04 Strong Force Iot Portfolio 2016, Llc Methods and systems for process adaptation in an internet of things downstream oil and gas environment
US11774944B2 (en) 2016-05-09 2023-10-03 Strong Force Iot Portfolio 2016, Llc Methods and systems for the industrial internet of things
US11327475B2 (en) 2016-05-09 2022-05-10 Strong Force Iot Portfolio 2016, Llc Methods and systems for intelligent collection and analysis of vehicle data
KR101816212B1 (ko) * 2016-09-12 2018-01-08 두산중공업 주식회사 연소물의 특성 요소의 영향도 분석 장치
CN106779234A (zh) * 2016-12-28 2017-05-31 湖南坤宇网络科技有限公司 一种基于决策树***的锅炉节煤器失效预警方法
CN106781342A (zh) * 2016-12-28 2017-05-31 湖南坤宇网络科技有限公司 一种基于决策树***的锅炉空气预热器故障预警方法
CN106709605A (zh) * 2016-12-28 2017-05-24 湖南坤宇网络科技有限公司 一种基于决策树***的锅炉火管腐蚀预警方法
CN106781307A (zh) * 2016-12-28 2017-05-31 湖南坤宇网络科技有限公司 一种基于决策树***的锅炉排污截止阀失效预警方法
CN106709657A (zh) * 2016-12-28 2017-05-24 湖南坤宇网络科技有限公司 一种基于决策树***的锅炉进水泵失效预警方法
CN106845689A (zh) * 2016-12-28 2017-06-13 湖南坤宇网络科技有限公司 一种基于决策树***的锅炉给水温度预警方法
CN106779233A (zh) * 2016-12-28 2017-05-31 湖南坤宇网络科技有限公司 一种基于决策树***的锅炉隔热层断裂预警方法
CN106779236A (zh) * 2016-12-28 2017-05-31 湖南坤宇网络科技有限公司 一种基于决策树***的锅炉锅筒变形预警方法
CN106482943A (zh) * 2016-12-28 2017-03-08 湖南坤宇网络科技有限公司 一种基于决策树***的锅炉主汽阀关闭失灵预警方法
CN106682777A (zh) * 2016-12-28 2017-05-17 湖南坤宇网络科技有限公司 一种基于决策树***的锅炉烟管堵塞预警方法
CN106710160A (zh) * 2016-12-28 2017-05-24 湖南坤宇网络科技有限公司 一种基于决策树***的锅炉烟管烟温预警方法
CN106774077A (zh) * 2016-12-28 2017-05-31 湖南坤宇网络科技有限公司 一种基于决策树***的锅炉除尘除灰设备故障预警方法
CN106682833A (zh) * 2016-12-28 2017-05-17 湖南坤宇网络科技有限公司 一种基于决策树***的锅炉过滤棉堵塞预警方法
CN106682778A (zh) * 2016-12-28 2017-05-17 湖南坤宇网络科技有限公司 一种基于决策树***的锅炉烟道气压预警方法
CN106642191A (zh) * 2016-12-28 2017-05-10 湖南坤宇网络科技有限公司 一种基于决策树***的锅炉落煤管堵塞预警方法
CN106845690A (zh) * 2016-12-28 2017-06-13 湖南坤宇网络科技有限公司 一种基于决策树***的锅炉水位预警方法
CN106774266A (zh) * 2016-12-28 2017-05-31 湖南坤宇网络科技有限公司 一种基于决策树***的锅炉过热器失效预警方法
CN106781306A (zh) * 2016-12-28 2017-05-31 湖南坤宇网络科技有限公司 一种基于决策树***的锅炉风道堵塞预警方法
CN106683352A (zh) * 2016-12-28 2017-05-17 湖南坤宇网络科技有限公司 一种基于决策树***的锅炉火管穿孔预警方法
CN106781308A (zh) * 2016-12-28 2017-05-31 湖南坤宇网络科技有限公司 一种基于决策树***的锅炉防爆门失效预警方法
CN106710162A (zh) * 2016-12-28 2017-05-24 湖南坤宇网络科技有限公司 一种基于决策树***的锅炉炉胆结垢预警方法
CN106646234A (zh) * 2016-12-28 2017-05-10 湖南坤宇网络科技有限公司 一种基于决策树***的锅炉主电机故障预警方法
CN106779450A (zh) * 2016-12-28 2017-05-31 湖南坤宇网络科技有限公司 一种基于决策树***的锅炉软水器树脂失效预警方法
CN106779235A (zh) * 2016-12-28 2017-05-31 湖南坤宇网络科技有限公司 一种基于决策树***的锅炉除氧器失效预警方法
US10337348B2 (en) * 2017-03-27 2019-07-02 General Electric Company Systems and methods for controlling a power generation system
US11397428B2 (en) 2017-08-02 2022-07-26 Strong Force Iot Portfolio 2016, Llc Self-organizing systems and methods for data collection
CN109426148B (zh) * 2017-08-25 2021-10-19 中核兰州铀浓缩有限公司 一种实现燃煤锅炉除灰过程循环周期时间自动调节的方法
WO2019050726A1 (en) * 2017-09-08 2019-03-14 General Electric Company METHOD AND SYSTEM FOR ESTIMATING BOILER TUBE FAILURE
PL3473927T3 (pl) * 2017-10-19 2023-05-08 General Electric Company Sposób działania układu wytwarzania pary
US20210096518A1 (en) * 2018-01-30 2021-04-01 Imubit Israel Ltd. Predictive control systems and methods with offline gains learning and online control
US11993751B2 (en) 2018-01-30 2024-05-28 Imubit Israel Ltd. Predictive control systems and methods with fluid catalytic cracking volume gain optimization
US20220299952A1 (en) 2018-01-30 2022-09-22 Imubit Israel Ltd. Control system with optimization of neural network predictor
JP6728258B2 (ja) * 2018-03-05 2020-07-22 Ｉｏｔマネジメント株式会社 評価システム、評価装置、及び評価プログラム
US10626817B1 (en) * 2018-09-27 2020-04-21 General Electric Company Control and tuning of gas turbine combustion
KR102176765B1 (ko) * 2018-11-26 2020-11-10 두산중공업 주식회사 연소 최적화를 위한 학습 데이터를 생성하기 위한 장치 및 이를 위한 방법
KR102106827B1 (ko) * 2018-11-30 2020-05-06 두산중공업 주식회사 보일러 연소의 최적화를 위한 시스템 및 방법
CN109695892B (zh) * 2018-12-03 2020-05-19 中冶南方都市环保工程技术股份有限公司 一种锅炉受热面壁温保护方法及装置
JP7156975B2 (ja) * 2019-02-26 2022-10-19 三菱重工業株式会社 運営評価装置、運営評価方法、およびプログラム
WO2020240592A2 (en) 2019-05-29 2020-12-03 Tata Consultancy Services Limited Method and system for optimum coal selection and power plant optimization
CN110991089B (zh) * 2019-12-26 2020-07-31 北京科技大学 一种转炉炼钢冶炼后期碳含量预报方法
US20210341140A1 (en) * 2020-05-01 2021-11-04 International Paper Company System and methods for controlling operation of a recovery boiler to reduce fouling
CN114545866A (zh) * 2020-11-11 2022-05-27 台泥资讯股份有限公司 控制煤耗***的方法
CN113295587B (zh) * 2021-05-19 2022-11-04 山东鲁能控制工程有限公司 一种高参数火电机组烟气排放污染参数遥测***及装置
CN113426264A (zh) * 2021-07-15 2021-09-24 国电环境保护研究院有限公司 一种烟气净化岛智慧运行管控方法及管控平台
CN113538570A (zh) * 2021-09-15 2021-10-22 南方电网数字电网研究院有限公司 电力设备的定位方法、装置、计算机设备和存储介质
CN114355769B (zh) * 2021-11-29 2023-11-03 华北电力大学（保定） 一种高盐水脱硫回用量的模糊控制方法及脱硫***
CN115495984A (zh) * 2022-09-21 2022-12-20 浙江大学 一种基于深度循环神经网络和进化计算的工业锅炉燃烧优化方法
CN117490092B (zh) * 2024-01-02 2024-03-19 中电行唐生物质能热电有限公司 基于人工智能的生物质电厂燃烧控制决策优化方法及***

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1112693A (zh) * 1993-03-12 1995-11-29 株式会社日立制作所 过程自适应控制方法及过程控制***
US6736089B1 (en) * 2003-06-05 2004-05-18 Neuco, Inc. Method and system for sootblowing optimization

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3898441A (en) * 1973-11-06 1975-08-05 Westinghouse Electric Corp Multiple computer system for operating a power plant turbine with manual backup capability
US5167009A (en) 1990-08-03 1992-11-24 E. I. Du Pont De Nemours & Co. (Inc.) On-line process control neural network using data pointers
US5282261A (en) 1990-08-03 1994-01-25 E. I. Du Pont De Nemours And Co., Inc. Neural network process measurement and control
US5212765A (en) 1990-08-03 1993-05-18 E. I. Du Pont De Nemours & Co., Inc. On-line training neural network system for process control
US5181482A (en) * 1991-12-13 1993-01-26 Stone & Webster Engineering Corp. Sootblowing advisor and automation system
US6243696B1 (en) 1992-11-24 2001-06-05 Pavilion Technologies, Inc. Automated method for building a model
CA2157198A1 (en) 1993-03-02 1994-09-15 James David Keeler Method and apparatus for analyzing a neural network within desired operating parameter constraints
US5386373A (en) 1993-08-05 1995-01-31 Pavilion Technologies, Inc. Virtual continuous emission monitoring system with sensor validation
US5933345A (en) 1996-05-06 1999-08-03 Pavilion Technologies, Inc. Method and apparatus for dynamic and steady state modeling over a desired path between two end points
US6278899B1 (en) 1996-05-06 2001-08-21 Pavilion Technologies, Inc. Method for on-line optimization of a plant
US6438430B1 (en) 1996-05-06 2002-08-20 Pavilion Technologies, Inc. Kiln thermal and combustion control
US6725208B1 (en) 1998-10-06 2004-04-20 Pavilion Technologies, Inc. Bayesian neural networks for optimization and control
US6325025B1 (en) 1999-11-09 2001-12-04 Applied Synergistics, Inc. Sootblowing optimization system
US7194320B2 (en) 2003-06-05 2007-03-20 Neuco, Inc. Method for implementing indirect controller
US7117046B2 (en) * 2004-08-27 2006-10-03 Alstom Technology Ltd. Cascaded control of an average value of a process parameter to a desired value

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1112693A (zh) * 1993-03-12 1995-11-29 株式会社日立制作所 过程自适应控制方法及过程控制***
US6736089B1 (en) * 2003-06-05 2004-05-18 Neuco, Inc. Method and system for sootblowing optimization

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106642077A (zh) * 2016-12-28 2017-05-10 湖南坤宇网络科技有限公司 一种基于决策树***的锅炉返料器堵塞预警方法
CN106765294A (zh) * 2016-12-28 2017-05-31 湖南坤宇网络科技有限公司 一种基于决策树***的锅炉燃烧机燃烧不充分预警方法

Also Published As

Publication number Publication date
US20060178762A1 (en) 2006-08-10
US7584024B2 (en) 2009-09-01
WO2006086175A3 (en) 2009-04-09
CN1841422A (zh) 2006-10-04
WO2006086175A2 (en) 2006-08-17

Similar Documents

Publication Publication Date Title
CN1841422B (zh) 使用人工智能技术对发电厂的运行进行优化的方法和装置
US10565522B2 (en) System modeling, control and optimization
Safdarnejad et al. Dynamic modeling and optimization of a coal-fired utility boiler to forecast and minimize NOx and CO emissions simultaneously
US8644961B2 (en) Model based control and estimation of mercury emissions
CN101657765B (zh) 利用从统计和实时数据得到的可达到性能对设备进行通用性能评估的方法和装置
EP1921280B1 (en) Systems and methods for multi-level optimizing control systems for boilers
CN101393436B (zh) 用于计算锅炉部件清洁度的双模型方法
CN105864797B (zh) 循环流化床生活垃圾焚烧锅炉入炉热值实时预测***及方法
CN113433911B (zh) 基于浓度精准预测的脱硝装置喷氨精准控制***与方法
Rossi et al. Artificial neural networks and physical modeling for determination of baseline consumption of CHP plants
Xia et al. An online case-based reasoning system for coal blends combustion optimization of thermal power plant
Nemitallah et al. Artificial intelligence for control and optimization of boilers’ performance and emissions: A review
Blanco et al. New investigation on diagnosing steam production systems from multivariate time series applied to thermal power plants
Yao et al. Combustion optimization of a coal-fired power plant boiler using artificial intelligence neural networks
CN115656461A (zh) 一种基于煤质软测量的煤电机组实时碳排放量监测方法
Savargave et al. Modeling and optimizing boiler design using neural network and firefly algorithm
CN115145152A (zh) 一种锅炉燃烧与脱硝过程协同优化控制的方法
CN108021027B (zh) 一种超临界循环流化床机组输出功率预测***及方法
Movahed et al. Modeling and optimization of NO emission for a steam power plant by data‐driven methods
Chongwatpol et al. Applying analytics in the energy industry: A case study of heat rate and opacity prediction in a coal-fired power plant
Lyu et al. Neuroevolution of recurrent neural networks for time series forecasting of coal-fired power plant operating parameters
Šulc et al. Control for ecological improvement of small biomass boilers
Tang et al. Dioxin Emission Concentration Forecasting Approach Based on Latent Feature Extraction and Selection for Municipal Solid Waste Incineration
Zagorodniy et al. Expert diagnostics of slagging of heating surfaces of coal-fired boilers
Sivathanu et al. Development of temporal model for analysis of heat transfer equipment subjected to fouling

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
ASS Succession or assignment of patent right

Owner name: NUCOR CORPORATION

Free format text: FORMER OWNER: PEGASUS TECHNOLOGIES INC.

Effective date: 20121130

C41 Transfer of patent application or patent right or utility model
TA01 Transfer of patent application right

Effective date of registration: 20121130

Address after: Massachusetts, USA

Applicant after: Nucor Corporation

Address before: ohio

Applicant before: Pegasus Technologies Inc.

C14 Grant of patent or utility model
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20180621

Address after: American New York

Patentee after: General Electric Company

Address before: Massachusetts, USA

Patentee before: Nucor Corporation

TR01 Transfer of patent right