JP2008180481A - Method and device for estimating gas concentration in coal-fired boiler - Google Patents

Method and device for estimating gas concentration in coal-fired boiler Download PDF

Info

Publication number
JP2008180481A
JP2008180481A JP2007016171A JP2007016171A JP2008180481A JP 2008180481 A JP2008180481 A JP 2008180481A JP 2007016171 A JP2007016171 A JP 2007016171A JP 2007016171 A JP2007016171 A JP 2007016171A JP 2008180481 A JP2008180481 A JP 2008180481A
Authority
JP
Japan
Prior art keywords
coal
gas concentration
type
fired boiler
neural network
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.)
Granted
Application number
JP2007016171A
Other languages
Japanese (ja)
Other versions
JP4272234B2 (en
Inventor
Yoshiharu Hayashi
喜治 林
Akihiko Yamada
昭彦 山田
Takao Sekiai
孝朗 関合
Hisahiro Kusumi
尚弘 楠見
Masayuki Fukai
雅之 深井
Satoru Shimizu
悟 清水
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.)
Hitachi Ltd
Original Assignee
Hitachi 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 Hitachi Ltd filed Critical Hitachi Ltd
Priority to JP2007016171A priority Critical patent/JP4272234B2/en
Priority to CN 201010189183 priority patent/CN101859102B/en
Publication of JP2008180481A publication Critical patent/JP2008180481A/en
Application granted granted Critical
Publication of JP4272234B2 publication Critical patent/JP4272234B2/en
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Regulation And Control Of Combustion (AREA)

Abstract

<P>PROBLEM TO BE SOLVED: To provide a method and device for estimating a gas concentration in a coal-fired boiler, capable of accurately estimating CO and NOx concentrations for various coal types, including a transition state. <P>SOLUTION: A neural network for obtaining information for a coal type used is established with a plant measurement value as input. Further, a neural network which learnt relations of process value with CO and NOx concentrations is established for each coal type. <P>COPYRIGHT: (C)2008,JPO&INPIT

Description

本発明は、火力プラントの構成要素の一つである石炭焚きボイラのガス成分の濃度、特にＣＯ濃度、ＮＯｘ濃度を、ニューラルネットを用いて推定する方法と装置に関する。   The present invention relates to a method and apparatus for estimating the concentration of gas components, particularly CO concentration and NOx concentration of a coal fired boiler which is one of the components of a thermal power plant, using a neural network.

石炭焚きボイラは燃料として石炭を使用する。石炭焚きボイラを有する火力発電プラントでは、ボイラから排出される環境汚染物質であるＣＯ、ＮＯｘの濃度を規定値以下にしなければならない。ＣＯとＮＯｘの生成量は相反する関係にあり、空気（又は酸素）過剰であればＮＯｘの生成量が多くなり、逆に空気が不足していればＣＯの生成量が多くなる。最近の石炭焚きボイラでは、ＣＯとＮＯｘの両者を低減し、かつ燃焼効率を向上させるため、空気を段階的に送り込む二段燃焼を行う。この燃焼制御では、空気量の調整、バーナ燃焼パターンの選択などを行い、最適な燃焼状態をつくる。燃焼制御の最適化のための調整、例えば、制御ゲインの調整、バーナ燃焼パターンの計画などはオフラインであらかじめ実施しておく。   Coal-fired boilers use coal as fuel. In a thermal power plant having a coal-fired boiler, the concentrations of CO and NOx, which are environmental pollutants discharged from the boiler, must be set to a specified value or less. The production amount of CO and NOx is in a contradictory relationship. If the air (or oxygen) is excessive, the production amount of NOx increases. Conversely, if the air is insufficient, the production amount of CO increases. In recent coal-fired boilers, in order to reduce both CO and NOx and improve combustion efficiency, two-stage combustion is performed in which air is sent stepwise. In this combustion control, adjustment of the air amount, selection of the burner combustion pattern, etc. are performed to create an optimal combustion state. Adjustments for optimization of combustion control, for example, adjustment of control gain, planning of burner combustion pattern, etc. are performed offline beforehand.

ただし、このようにして前もって調整された燃焼条件は、代表的な運転モードに対して最適化されたものであり、大まかな運転計画でしかない。これに対して、時々刻々と変わる負荷要求値、大気条件、燃料特性などの運転条件に対応して、プラント運転の最適化、すなわち、ＣＯ、ＮＯｘ濃度を許容範囲内に抑えながら、燃焼効率を最大化することが、経済的な観点から要求される。   However, the combustion conditions adjusted in advance in this way are optimized for typical operation modes and are only rough operation plans. On the other hand, in response to operating conditions such as load requirement values, atmospheric conditions, and fuel characteristics that change from moment to moment, optimization of plant operation, that is, combustion efficiency is reduced while keeping CO and NOx concentrations within an allowable range. Maximization is required from an economic point of view.

これを実現するには、現在の運転条件をベースとして、制御デマンド変更に対するＣＯ、ＮＯｘ濃度の変化をオンラインでシミュレーションできることが必要である。つまり、計測データから得られる現在の運転条件に対して、制御デマンドを変更した場合の燃焼効率と環境負荷物質の排出量を評価し、両者の点を鑑みて最適な制御ポイントを探索する機能が必要である。   In order to realize this, it is necessary to be able to simulate on-line changes in CO and NOx concentrations with respect to control demand changes based on current operating conditions. That is, there is a function that evaluates the combustion efficiency and the amount of environmental load substances when the control demand is changed with respect to the current operating conditions obtained from the measurement data, and searches for the optimal control point in view of both points. is necessary.

ＣＯ、ＮＯｘ濃度を推定する方法としては、ニューラルネットのような学習型のアルゴリズムを基に、実機データを用いて各運転条件とガス濃度の変化傾向との関係をモデリングする方法がある。この方法の場合、実機データがあれば、その実機の特性に応じてＣＯ、ＮＯｘ濃度の推定モデルが容易に作成できるので、よく適用される方法の一つである。また、モデルでＣＯ、ＮＯｘ濃度を推定する方法がある（例えば、特許文献１参照）。   As a method for estimating the CO and NOx concentrations, there is a method of modeling the relationship between each operating condition and the change tendency of the gas concentration using actual machine data based on a learning type algorithm such as a neural network. In the case of this method, if there is actual machine data, an estimation model of the CO and NOx concentration can be easily created according to the characteristics of the actual machine, so this is one of the methods often applied. In addition, there is a method for estimating the CO and NOx concentration using a model (for example, see Patent Document 1).

特開２００６−１３２９０２号公報（要約）JP 2006-132902 A (summary)

しかしながら、ボイラから排出されるＣＯ、ＮＯｘ濃度は、同じ燃焼条件であっても、石炭の種類（以下、炭種という）で異なる。発電所の運用形態としては、運転中でもミル（粉砕機）に送る炭種が変わることがあり、この場合、炭種が変更されてから暫くは、変更前と変更後の炭種が混在した状態になる。つまり、炭種Ａから炭種Ｂに切り替わる際の過渡的な状態が存在する。   However, the CO and NOx concentrations discharged from the boiler are different depending on the type of coal (hereinafter referred to as coal type) even under the same combustion conditions. As the operation mode of the power plant, the coal type sent to the mill (pulverizer) may change even during operation. In this case, the coal type before and after the change is mixed for a while after the coal type is changed. become. That is, there is a transitional state when switching from coal type A to coal type B.

このような運転条件に対しても運転の最適化は要求されるため、ＣＯ、ＮＯｘ濃度の推定モデルは、全ての炭種のみならず、複数の炭種が混在した条件に対しても高い推定精度が要求される。このため、ＣＯ、ＮＯｘ濃度を推定するニューラルネットは全ての炭種に対応するのに加えて、炭種を変更している過渡状態の場合も考慮し、少なくとも二種類の炭種が混在した状態でも対応しなければならない。   Since optimization of operation is required even under such operation conditions, the CO and NOx concentration estimation model is highly estimated not only for all types of coal, but also for conditions where multiple types of coal are mixed. Accuracy is required. For this reason, the neural network for estimating the CO and NOx concentrations corresponds to all coal types, and also considers a transitional state in which the coal type is changed, and a state in which at least two types of coal are mixed But you have to deal with it.

しかしながら、このような種々の状態の全てにニューラルネットを精度良く対応させるには限界があり、結果としてモデルの推定精度が低くなるという問題があった。   However, there is a limit to making the neural network accurately correspond to all of these various states, and as a result, there is a problem that the estimation accuracy of the model is lowered.

さらに、プラント運転中に炭種の切り替わりをオンラインで計測することが困難であるという問題がある。炭種切り替えのタイミングに関して得られる情報としては、貯炭設備に別な種類の石炭を貯蔵したので、まもなく切り替わるであろうという類推的な情報のみである。前記したように複数の炭種が混在した過渡状態における炭種の混合割合を計測することはもとより、新たな炭種にいつ切り替わったのかを判断することでさえ困難である。   Furthermore, there is a problem that it is difficult to measure the change of coal types online during plant operation. The only information that can be obtained regarding the timing of the coal type change is analogy that another type of coal was stored in the coal storage facility and would soon be changed. As described above, it is difficult not only to measure the mixing ratio of coal types in a transitional state in which a plurality of coal types are mixed, but also to determine when switching to a new coal type.

このため、実機データを用いてオンラインでＣＯ、ＮＯｘ濃度を推定するとき、投入されている燃料の炭種に関する情報をオンラインで得ることが困難であるという問題があった。   For this reason, when estimating CO and NOx concentration on-line using real machine data, there was a problem that it was difficult to obtain on-line information on the type of coal of fuel that was input.

本発明の目的は、種々の炭種について過渡状態も含めて精度良くＣＯ、ＮＯｘ濃度を推定できるようにした石炭焚きボイラのガス濃度推定方法及び装置を提供することにある。   An object of the present invention is to provide a method and an apparatus for estimating the gas concentration of a coal-fired boiler capable of accurately estimating the CO and NOx concentrations including various transient states including various transient types.

本発明は、ニューラルネットを用いて石炭焚きボイラから排出されるガス成分の濃度を推定する方法において、炭種ごとに用意した複数のニューラルネットと、炭種割合判定用のニューラルネットを用いて推定することを特徴とする。   The present invention is a method for estimating the concentration of gas components discharged from a coal-fired boiler using a neural network, and is estimated using a plurality of neural networks prepared for each coal type and a neural network for determining the type of coal. It is characterized by doing.

また、本発明は、ニューラルネットを用いて石炭焚きボイラから排出されるガス成分の濃度を推定する装置において、炭種ごとに用意した複数のニューラルネットと、炭種割合判定用のニューラルネットと、前記炭種割合判定用のニューラルネットにより推定された混合割合を用いて前記炭種ごとに用意した複数のニューラルネットが出力したガス濃度の推定値を加重平均する加算器を備えたことを特徴とする。   Further, the present invention is an apparatus for estimating the concentration of gas components discharged from a coal-fired boiler using a neural network, a plurality of neural networks prepared for each coal type, a neural net for determining the coal type ratio, An adder that weights and averages estimated values of gas concentrations output by a plurality of neural networks prepared for each coal type using the mixture ratio estimated by the neural net for determining the coal type ratio is provided. To do.

本発明では、炭種ごとにニューラルネットを用意し、その炭種のみに特化してＣＯ、ＮＯｘ濃度推定のためのモデリングを行い、推定精度を向上させる。さらに、炭種の混在状態を考慮して、現在使用されている各炭種の混合割合を推定するためのニューラルネットも併せて用意する。このニューラルネットが推定した炭種割合を基に、炭種ごとのニューラルネットが出力したＣＯ、ＮＯｘ濃度の推定値を加重平均し、最終的な推定値とする。   In the present invention, a neural network is prepared for each coal type, and modeling for CO and NOx concentration estimation is performed only for that coal type to improve estimation accuracy. Furthermore, in consideration of the mixed state of coal types, a neural network for estimating the mixing ratio of each currently used coal type is also prepared. Based on the coal type ratio estimated by the neural network, the estimated values of the CO and NOx concentrations output by the neural network for each coal type are weighted and averaged to obtain a final estimated value.

本発明では、ニューラルネットは各炭種に特化してモデリングを行えばよいので、それぞれのニューラルネットの推定精度が向上し、最終的なＣＯ、ＮＯｘ濃度の推定精度も向上できる。また、計測値から得るのが困難な炭種の情報もニューラルネットにより類推できるので、炭種を変更した場合にも、正確なＣＯ、ＮＯｘ濃度を得ることができる。   In the present invention, the neural network may be modeled specifically for each coal type, so that the estimation accuracy of each neural network can be improved, and the final CO and NOx concentration estimation accuracy can also be improved. Moreover, since the information on the coal type that is difficult to obtain from the measured values can be inferred by the neural network, accurate CO and NOx concentrations can be obtained even when the coal type is changed.

以下、本発明の実施の形態を、図面を参照して説明する。   Hereinafter, embodiments of the present invention will be described with reference to the drawings.

図１は、本発明の実施例に係るオンラインガス濃度推定装置１の構成を示す図である。オンラインガス濃度推定装置１はコンピュータである。プロセス値データベース（プロセス値ＤＢ）１１には、ニューラルネットの推定処理に使用するプラント計測値のトレンドデータが格納されている。運転条件設定部１３は、ニューラルネットの推定処理において、運転条件に対応した入力データをガス濃度推定部１２に設定する。ガス濃度推定部１２には、ＣＯとＮＯｘ濃度を推定するためのニューラルネットが格納されている。ガス濃度推定部１２の出力は石炭焚きボイラの制御システムに取り込まれ、燃焼制御の最適化に利用される。また、ガス濃度推定部１２の出力の一部は、表示制御部１４にも取り込まれ、表示装置２に表示される。   FIG. 1 is a diagram showing a configuration of an online gas concentration estimation apparatus 1 according to an embodiment of the present invention. The online gas concentration estimation apparatus 1 is a computer. The process value database (process value DB) 11 stores trend data of plant measurement values used for neural network estimation processing. The operation condition setting unit 13 sets input data corresponding to the operation condition in the gas concentration estimation unit 12 in the neural network estimation process. The gas concentration estimation unit 12 stores a neural network for estimating the CO and NOx concentrations. The output of the gas concentration estimator 12 is taken into a coal fired boiler control system and used for optimization of combustion control. A part of the output of the gas concentration estimation unit 12 is also taken into the display control unit 14 and displayed on the display device 2.

図２に、ガス濃度推定部１２の構成を示す。ガス濃度推定部１２は、複数のニューラルネットで構成されている。前記したように、本発明では炭種ごとに特化したニューラルネットを用意する。   FIG. 2 shows the configuration of the gas concentration estimation unit 12. The gas concentration estimation unit 12 includes a plurality of neural networks. As described above, a neural network specialized for each coal type is prepared in the present invention.

図２において、炭種Ａ用ガス濃度推定ニューラルネット２２、炭種Ｂ用ガス濃度推定ニューラルネット２３が、それぞれの炭種に対応したニューラルネットであり、入力データに応じてＣＯとＮＯｘ濃度の推定値を出力する。   In FIG. 2, a coal type A gas concentration estimation neural network 22 and a coal type B gas concentration estimation neural network 23 are neural networks corresponding to the respective coal types, and estimate CO and NOx concentrations according to input data. Output the value.

炭種割合判定用ニューラルネット２１は、入力データを基に炭種の混在割合を推定する機能を持つ。炭種割合判定用ニューラルネット２１の出力は、前記の炭種ごとに用意した各ニューラルネットに対応しており、それぞれの炭種の混在割合を出力する。この出力値は、加算器４１における加重係数として設定される。つまり、ガス濃度推定用のニューラルネットがそれぞれの炭種を条件としてＣＯ、ＮＯｘ濃度を推定し、加算器４１において混在割合に応じた加重平均処理が行われる。   The coal type ratio determining neural network 21 has a function of estimating the mixture ratio of coal types based on input data. The output of the coal type ratio determination neural network 21 corresponds to each neural network prepared for each of the above-described coal types, and outputs the mixture ratio of the respective coal types. This output value is set as a weighting coefficient in the adder 41. That is, the neural network for gas concentration estimation estimates the CO and NOx concentrations on the condition of each coal type, and the adder 41 performs weighted average processing according to the mixture ratio.

以上が本実施例に係るガス濃度推定装置全体の大まかな説明であるが、次に、この装置で使用される各ニューラルネットの詳細を説明する。   The above is a rough description of the entire gas concentration estimation apparatus according to the present embodiment. Next, details of each neural network used in this apparatus will be described.

最初に、炭種割合判定用ニューラルネット２１について、図３を用いて説明する。   First, the coal type ratio determination neural network 21 will be described with reference to FIG.

炭種割合判定用ニューラルネットは、プロセス値ＤＢに格納されたプラントの計測データを用いて、現在、燃料として投入されている微粉炭の炭種を混在状態も含めて判定する。炭種割合判定用ニューラルネットの出力ユニット３１では、それぞれ炭種Ａ、炭種Ｂ、炭種Ｃに対する混在割合を数値で出力する。図３では、各出力ユニットが０．８０、０．１５、０．００の値を出力しているが、この値をそのまま混在割合として使用するのではなく、合計が１．０になるように規格化処理を行う。この例では、規格化処理によって０．８４、０．１６、０．００が得られており、現在の投入燃料は、炭種Ａが８４％、炭種Ｂが１６％の状態で混在していると判定している。   The coal type ratio determination neural network uses the plant measurement data stored in the process value DB to determine the coal type of the pulverized coal currently used as fuel, including the mixed state. The output unit 31 of the coal type ratio determination neural network outputs the mixture ratios for the coal types A, B and C as numerical values. In FIG. 3, each output unit outputs a value of 0.80, 0.15, and 0.00, but this value is not used as it is as a mixture ratio, but the total is 1.0. Perform standardization. In this example, 0.84, 0.16, and 0.00 are obtained by the standardization process, and the current input fuel is mixed with 84% for coal type A and 16% for coal type B. It is determined that there is.

炭種割合判定用ニューラルネット２１の入力には、炭種の違いによる影響が表れるプロセス値を設定する。例えば、ＣＯ濃度、ＮＯｘ濃度、ミルモータ電力、ボイラ吸収熱量（ボイラ入口・出口の蒸気状態から計算）、一次空気流量（非計測の場合は一次空気ファン動力など）、二次空気流量、二段燃焼用空気流量比、負荷、燃料流量などがある。   In the input of the neural net 21 for determining the coal type ratio, a process value in which an influence due to the difference of the coal type appears is set. For example, CO concentration, NOx concentration, mill motor power, boiler absorption heat (calculated from the steam state at the boiler inlet / outlet), primary air flow (primary air fan power, etc. if not measured), secondary air flow, two-stage combustion Air flow ratio, load, fuel flow rate, etc.

次に、上記処理を実現するための炭種割合判定用ニューラルネットの学習方法を説明する。   Next, a method for learning a coal type ratio determination neural network for realizing the above processing will be described.

炭種割合判定用ニューラルネットの学習処理には実測データを用いるが、入力値であるプロセス値に加えて、出力値である炭種の混在割合の値も必要である。しかし、前記したように炭種に関する計測値はないので、出力に関しては実測データを使用することはできない。このため、貯炭設備に炭種を貯蔵して十分に時間が経過し、現在の投入燃料は同一の炭種のみであると予想される期間における実測データを使用して、ニューラルネットの学習を行う。例えば、投入燃料が炭種Ａのみであると予想された場合、ニューラルネットの学習では炭種Ａに相当する出力ユニットに１．０、他の出力ユニットに０．０を設定して、このときのプロセス値との関係性を学習する。同様に、炭種Ｂ、炭種Ｃについても学習する。   Actual data is used for the learning process of the neural net for determining the coal type ratio, but in addition to the process value that is the input value, the value of the mixture ratio of the coal type that is the output value is also required. However, as described above, since there is no measurement value for the coal type, actual measurement data cannot be used for output. For this reason, the neural net is trained by using the measured data in the period when the coal type is stored in the coal storage facility and sufficient time has passed and the current input fuel is expected to be only the same coal type. . For example, when it is predicted that the input fuel is only coal type A, the neural network learning sets 1.0 for the output unit corresponding to coal type A and 0.0 for the other output units. Learn the relationship with process values. Similarly, it learns also about coal type B and coal type C.

このような方法で学習を行った炭種割合判定用ニューラルネットは、投入燃料が同一炭種の場合のプロセス値に対しては、その炭種に対応するユニットのみで１．０を出力し、他のユニットは０．０を出力する。また、複数の炭種が混在している場合でも、ニューラルネットが持つ内挿的な機能により、それぞれの炭種が含まれる割合に応じてユニットの出力値が大きくなる。   The neural net for determining the coal type ratio learned by such a method outputs 1.0 for only the unit corresponding to the coal type for the process value when the input fuel is the same coal type, Other units output 0.0. Moreover, even when a plurality of coal types are mixed, the output value of the unit is increased according to the ratio of each coal type due to the interpolation function of the neural network.

このようにして、プロセス値を基に、投入燃料の炭種に関する情報をオンラインで評価することが可能になる。   In this way, it is possible to evaluate information on the coal type of the input fuel online based on the process value.

次に、ガス濃度推定用ニューラルネットについて説明する。   Next, a gas concentration estimation neural network will be described.

ガス濃度推定用ニューラルネットは、燃焼条件に相当するプロセス値を入力として、そのときのＣＯ、ＮＯｘ濃度を出力する。入力と出力との関係は、炭種ごとに学習する。   The neural network for gas concentration estimation receives a process value corresponding to the combustion condition and outputs the CO and NOx concentrations at that time. The relationship between input and output is learned for each coal type.

学習処理では、プラントの計測値のみを使用する。ただし、前記の炭種割合判定用ニューラルネット２１の学習と同様に、燃料が同一炭種のみと予想される期間のデータを用いて学習を行う。このようにして炭種ごとのニューラルネットを構築する。ニューラルネットの入力としてはＣＯ、ＮＯｘ濃度に関連のあるプロセス値、例えば、一次空気流量（非計測の場合は一次空気ファン動力など）、二次空気流量、二段燃焼用空気流量比、負荷、燃料流量、バーナ操作条件、大気条件（温度、圧力、湿度）などを設定する。炭種ごとに用意したガス濃度推定ニューラルネットで、入力として使用するプロセス値は全て共通である。   In the learning process, only the measured values of the plant are used. However, similar to the learning of the above-described coal type ratio determination neural network 21, learning is performed using data of a period in which the fuel is expected to be only the same coal type. In this way, a neural network for each coal type is constructed. Process values related to CO and NOx concentration as the input of the neural network, such as primary air flow rate (primary air fan power if non-measurement), secondary air flow rate, air flow ratio for two-stage combustion, load, Set fuel flow, burner operating conditions, atmospheric conditions (temperature, pressure, humidity), etc. The process value used as an input is common in the gas concentration estimation neural network prepared for each coal type.

推定処理では、プラント計測値のみではなく、石炭焚きボイラ制御システムからの信号も使用する。これは、制御システムがオンラインで制御最適化を行うために、制御デマンドを変更したときのＣＯ、ＮＯｘ濃度の推定値を取り込むからである。例えば、現在の運転条件に対して、空気流量などの燃焼条件を変えた場合のＣＯ、ＮＯｘ濃度を推定し、これらの濃度とプラント効率の推定値から最適な制御ポイントを探索する。   In the estimation process, not only plant measurement values but also signals from a coal fired boiler control system are used. This is because the control system takes in estimated values of CO and NOx concentrations when the control demand is changed in order to perform control optimization online. For example, the CO and NOx concentrations when the combustion conditions such as the air flow rate are changed with respect to the current operating conditions are estimated, and the optimum control point is searched from these concentrations and the estimated value of the plant efficiency.

制御システムによる燃焼制御最適化の処理では、図１に示した運転条件設定部１３が、制御デマンドに応じてニューラルネットの入力値を変化させる。つまり、ニューラルネットの入力に設定するプロセス値のうち、制御条件に対応するプロセス値を制御システムからの命令に応じて変更する。例えば、一次空気流量を変えたときのＣＯ、ＮＯｘ濃度の変化傾向を解析する場合には、運転条件設定部１３がニューラルネットの入力のうち、一次空気流量の値を更新させる。   In the combustion control optimization process by the control system, the operating condition setting unit 13 shown in FIG. 1 changes the input value of the neural network according to the control demand. That is, among the process values set for the input of the neural network, the process value corresponding to the control condition is changed according to a command from the control system. For example, when analyzing the change tendency of the CO and NOx concentration when the primary air flow rate is changed, the operating condition setting unit 13 updates the value of the primary air flow rate among the inputs of the neural network.

以上の処理で、ガス濃度推定部１２が出力したデータは、表示制御部１４に取り込まれ、表示装置２に出力される。図４は表示装置２の表示例である。図４では、炭種が切り替わったときのＣＯ、ＮＯｘ濃度及び燃料として投入されている炭種の割合をトレンドとして示している。ＣＯとＮＯｘ濃度については、各炭種の排出割合についてもトレンド化している。   The data output from the gas concentration estimation unit 12 through the above processing is taken into the display control unit 14 and output to the display device 2. FIG. 4 is a display example of the display device 2. FIG. 4 shows the CO, NOx concentration, and the ratio of the coal type used as fuel when the coal type is switched as a trend. Regarding CO and NOx concentration, the emission ratio of each coal type is also trending.

以上に説明した処理によって、制御システムによる燃焼制御最適化のためのＣＯ、ＮＯｘ濃度の推定処理を実現する。   By the processing described above, the CO and NOx concentration estimation processing for optimizing the combustion control by the control system is realized.

本発明に係るオンラインガス濃度推定装置の構成図である。It is a block diagram of the online gas concentration estimation apparatus which concerns on this invention. 本発明のガス濃度推定装置におけるガス濃度推定部の構成図である。It is a block diagram of the gas concentration estimation part in the gas concentration estimation apparatus of this invention. 本発明のガス濃度推定装置における炭種割合判定用ニューラルネットの構成図である。It is a block diagram of the neural net | network for charcoal kind ratio determination in the gas concentration estimation apparatus of this invention. 表示装置の表示例を示した図である。It is the figure which showed the example of a display of a display apparatus.

符号の説明Explanation of symbols

１…オンラインガス濃度推定装置、２…表示装置、１１…プロセス値データベース、１２…ガス濃度推定部、１３…運転条件設定部、１４…表示制御部、２１…炭種割合判定用ニューラルネット、２２…炭種Ａ用ガス濃度推定ニューラルネット、２３…炭種Ｂ用ガス濃度推定ニューラルネット、３１…炭種割合判定用ニューラルネットの出力ユニット、４１…加算器。   DESCRIPTION OF SYMBOLS 1 ... Online gas concentration estimation apparatus, 2 ... Display apparatus, 11 ... Process value database, 12 ... Gas concentration estimation part, 13 ... Operating condition setting part, 14 ... Display control part, 21 ... Neural network for charcoal type ratio determination, 22 A gas concentration estimation neural network for coal type A, 23 ... a gas concentration estimation neural network for coal type B, 31 ... an output unit of a coal type ratio determination neural network, 41 ... an adder.

Claims (7)

ニューラルネットを用いて石炭焚きボイラから排出されるガス成分の濃度を推定する方法であって、炭種ごとに用意した複数のニューラルネットと、炭種割合判定用のニューラルネットを用いて推定することを特徴とする石炭焚きボイラのガス濃度推定方法。   A method for estimating the concentration of gas components discharged from a coal-fired boiler using a neural network, and estimating using a plurality of neural networks prepared for each type of coal and a neural network for determining the type of coal A method for estimating gas concentration in a coal fired boiler. 請求項１に記載の石炭焚きボイラのガス濃度推定方法において、前記炭種割合判定用のニューラルネットを用いて燃料として投入されている石炭の炭種の混合割合を推定し、この混合割合を用いて、前記炭種ごとに用意した複数のニューラルネットが出力したガス濃度の推定値を加重平均し、炭種変更時のガス成分の濃度を推定することを特徴とする石炭焚きボイラのガス濃度推定方法。   The method for estimating gas concentration in a coal fired boiler according to claim 1, wherein a mixing ratio of coal types of coal introduced as fuel is estimated using the neural network for determining the ratio of coal types, and the mixing ratio is used. In addition, the gas concentration estimation of the coal-fired boiler is characterized in that the estimated value of the gas concentration output from the plurality of neural networks prepared for each coal type is weighted and the concentration of the gas component at the time of changing the coal type is estimated. Method. 請求項２に記載の石炭焚きボイラのガス濃度推定方法において、前記炭種割合判定用のニューラルネットの学習では、燃料として投入されている石炭の炭種が同一種である期間のデータを用いて、該炭種の傾向を学習することを特徴とする石炭焚きボイラのガス濃度推定方法。   3. The method for estimating gas concentration of a coal fired boiler according to claim 2, wherein the learning of the neural net for determining the coal type ratio uses data of a period in which the coal type of coal input as fuel is the same type. , A method for estimating the gas concentration of a coal-fired boiler, wherein the tendency of the coal type is learned. ニューラルネットを用いて石炭焚きボイラから排出されるガス成分の濃度を推定する装置であって、炭種ごとに用意した複数のニューラルネットと、炭種割合判定用のニューラルネットと、前記炭種割合判定用のニューラルネットにより推定された混合割合を用いて前記炭種ごとに用意した複数のニューラルネットが出力したガス濃度の推定値を加重平均する加算器を備えたことを特徴とする石炭焚きボイラのガス濃度推定装置。   A device for estimating the concentration of gas components discharged from a coal-fired boiler using a neural network, a plurality of neural networks prepared for each coal type, a neural network for determining a coal type proportion, and the coal type proportion A coal-fired boiler comprising an adder that performs weighted averaging of estimated values of gas concentrations output from a plurality of neural networks prepared for each coal type using a mixing ratio estimated by a determination neural network Gas concentration estimation device. 請求項４に記載の石炭焚きボイラのガス濃度推定装置において、前記炭種割合判定用のニューラルネットを用いて燃料として投入されている石炭の炭種の混合割合が推定され、この混合割合を用いて、前記加算器で前記炭種ごとに用意した複数のニューラルネットが出力したガス濃度の推定値が加重平均されて、炭種変更時のガス成分の濃度が推定されることを特徴とする石炭焚きボイラのガス濃度推定装置。   5. The coal fired boiler gas concentration estimation apparatus according to claim 4, wherein a mixing ratio of coal types of coal introduced as fuel is estimated using the neural network for determining the ratio of coal types, and the mixing ratio is used. The estimated value of the gas concentration output from the plurality of neural networks prepared for each of the coal types by the adder is weighted and averaged to estimate the concentration of the gas component when the coal type is changed Gas concentration estimation device for fired boiler. 請求項５に記載の石炭焚きボイラのガス濃度推定装置において、前記炭種割合判定用のニューラルネットの学習では、燃料として投入されている石炭の炭種が同一種である期間のデータを用いて、該炭種の傾向を学習することを特徴とする石炭焚きボイラのガス濃度推定装置。   In the coal fired boiler gas concentration estimation apparatus according to claim 5, in the learning of the neural net for determining the coal type ratio, data of a period in which the coal types of coal supplied as fuel are the same type are used. An apparatus for estimating the gas concentration of a coal fired boiler, characterized by learning the tendency of the coal type. 請求項４に記載の石炭焚きボイラのガス濃度推定装置において、燃料として投入されている石炭の炭種混合割合の推定値、または、ガス濃度の成分の推定値を表示する表示装置を備えたことを特徴とする石炭焚きボイラのガス濃度推定装置。   The gas concentration estimation device for a coal fired boiler according to claim 4, further comprising a display device for displaying an estimated value of a coal type mixing ratio of coal introduced as fuel or an estimated value of a component of gas concentration. An apparatus for estimating the gas concentration of a coal-fired boiler.
JP2007016171A 2006-12-11 2007-01-26 Method and apparatus for estimating gas concentration in coal fired boiler Expired - Fee Related JP4272234B2 (en)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2007016171A JP4272234B2 (en) 2007-01-26 2007-01-26 Method and apparatus for estimating gas concentration in coal fired boiler
CN 201010189183 CN101859102B (en) 2006-12-11 2007-12-05 Gas concentration concluding method of boiler equipment and gas concentration concluding apparatus

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2007016171A JP4272234B2 (en) 2007-01-26 2007-01-26 Method and apparatus for estimating gas concentration in coal fired boiler

Publications (2)

Publication Number Publication Date
JP2008180481A true JP2008180481A (en) 2008-08-07
JP4272234B2 JP4272234B2 (en) 2009-06-03

Family

ID=39724509

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2007016171A Expired - Fee Related JP4272234B2 (en) 2006-12-11 2007-01-26 Method and apparatus for estimating gas concentration in coal fired boiler

Country Status (1)

Country Link
JP (1) JP4272234B2 (en)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
KR20160036163A (en) 2014-09-24 2016-04-04 한국전력공사 Apparatus for coal combustion simulation, apparatus and method for coal combustion optimization
JP2016176640A (en) * 2015-03-19 2016-10-06 三菱日立パワーシステムズ株式会社 Boiler and method for controlling combustion at boiler
CN106124373A (en) * 2016-06-17 2016-11-16 中国大唐集团科学技术研究院有限公司华东分公司 A kind of measuring method of coal powder density
CN110594779A (en) * 2019-09-16 2019-12-20 江苏卓然智能重工有限公司 Heating furnace intelligent combustion control system based on artificial neural network soft measurement technology

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US8554706B2 (en) 2007-11-20 2013-10-08 Hitachi, Ltd. Power plant control device which uses a model, a learning signal, a correction signal, and a manipulation signal
KR20160036163A (en) 2014-09-24 2016-04-04 한국전력공사 Apparatus for coal combustion simulation, apparatus and method for coal combustion optimization
JP2016176640A (en) * 2015-03-19 2016-10-06 三菱日立パワーシステムズ株式会社 Boiler and method for controlling combustion at boiler
CN106124373A (en) * 2016-06-17 2016-11-16 中国大唐集团科学技术研究院有限公司华东分公司 A kind of measuring method of coal powder density
CN110594779A (en) * 2019-09-16 2019-12-20 江苏卓然智能重工有限公司 Heating furnace intelligent combustion control system based on artificial neural network soft measurement technology

Also Published As

Publication number Publication date
JP4272234B2 (en) 2009-06-03

Similar Documents

Publication Publication Date Title
US8554706B2 (en) Power plant control device which uses a model, a learning signal, a correction signal, and a manipulation signal
US7813819B2 (en) Control system for control subject having combustion unit and control system for plant having boiler
CN101504152B (en) Plant control method and plant controller
JP4270218B2 (en) Control device for control object having combustion device, and control device for plant having boiler
JP4876057B2 (en) Plant control device and thermal power plant control device
JP5155690B2 (en) Coal-fired boiler gas concentration estimation device and gas concentration estimation method
JP2008171152A (en) Plant controller
US8209040B2 (en) Plant control apparatus
JP4272234B2 (en) Method and apparatus for estimating gas concentration in coal fired boiler
CN106773669B (en) A kind of fired power generating unit control method for coordinating of fuel value real-time adaptive correction
US20080306890A1 (en) Plant Control Apparatus
US20070203862A1 (en) Control apparatus and control method
WO2012093518A1 (en) Control device for plant and control device for thermal power plant
JP2007272361A (en) Controller for plant
JP4299350B2 (en) Thermal power plant control device and thermal power plant control method
JP4627509B2 (en) Plant control apparatus and plant control method
JP4358871B2 (en) Boiler plant control device and operator training device
JP2009222332A (en) Control device for plant equipped with boiler and control method for plant equipped with boiler
Wang et al. A two-tier approach to the data-driven modeling on thermal efficiency of a BFG/coal co-firing boiler
JP5378288B2 (en) Plant control device and thermal power plant control device
TWI691821B (en) Operating condition evaluation device, operating condition evaluation method, and boiler control system
WO2020166126A1 (en) Kpi improvement assistance system and kpi improvement assistance method
JP4333766B2 (en) Boiler control device and control method
CN116085823A (en) Boiler combustion control method and system
CN114861126A (en) Method and system for predicting stability in combustion adjustment process of gas turbine

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20081027

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20081209

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20090127

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20090224

A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20090226

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20120306

Year of fee payment: 3

R150 Certificate of patent or registration of utility model

Ref document number: 4272234

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

Free format text: JAPANESE INTERMEDIATE CODE: R150

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20120306

Year of fee payment: 3

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20130306

Year of fee payment: 4

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20130306

Year of fee payment: 4

LAPS Cancellation because of no payment of annual fees