本發明專利技術公開了一種火電機組鍋爐能損分析參數應達值獲取方法，該方法是：根據鍋爐運行歷史工況數據，采用神經網絡技術建立鍋爐運行特性神經網絡數學模型；根據該模型，采用遺傳算法優化技術，以鍋爐效率最高為優化目標，對鍋爐各歷史工況的配風配煤燃燒運行參數進行優化；將各歷史工況的鍋爐配風配煤燃燒運行參數與相應的優化值進行比較，若兩者之差在給定的范圍內，則將相應工況標記為“優化工況”；以標記為“優化工況”的歷史工況數據為樣本，建立鍋爐排煙溫度、煙氣氧量、飛灰含碳量應達值的計算模型；并計算模型可計算不同負荷、不同煤質條件下的鍋爐排煙溫度、煙氣氧量、飛灰含碳量應達值。本發明專利技術提出的方法更具合理性。
【技術實現步驟摘要】
本專利技術是，屬于火電機組運行優 化領域。
技術介紹
能損分析是火電機組運行優化的一種重要技術。能損分析就是在機組各運行工況 下，將機組一些重要的運行參數與其應達值(最佳值)進行比較，并分別計算由于各運行參 數沒有達到其應達值所造成的能量損失，提供給運行人員。運行人員根據各運行參數能損 的大小，就可以判別機組性能下降的主要原因，進而采取措施，優化機組運行。因此，能損分 析的關鍵是機組各運行參數應達值的確定。目前火電機組能損分析，涉及鍋爐側運行參數應達值的確定，主要依據鍋爐設計 參數，結合運行經驗確定。由于鍋爐運行特性的復雜性，這種應達值確定方法很難充分考慮 負荷及入爐煤質對應達值的影響，缺乏合理性。
技術實現思路
本專利技術的目的是提供一種火電機組鍋爐能損分析參數應達值的獲取方法，解決目 前鍋爐能損分析參數應達值確定不合理，影響鍋爐能損分析結果的合理性、可靠性的問題。本專利技術方法為保證應達值確定的合理性，采用神經網絡技術和遺傳算法優化技 術，根據鍋爐運行歷史工況數據建立鍋爐能損分析參數應達值隨鍋爐負荷及入爐煤質變化 的計算模型，具體步驟如下步驟1 采集鍋爐運行歷史工況數據作為獲取鍋爐能損分析參數應達值的樣本；步驟2 基于步驟1所采集的樣本，采用神經網絡技術建立鍋爐運行特性神經網絡 數學模型；步驟3 基于步驟2的鍋爐運行特性神經網絡模型，采用遺傳算法優化技術，以鍋 爐效率最高為優化目標，優化步驟1所采集的各歷史工況的鍋爐配風配煤燃燒運行參數；步驟4 將步驟1所采集的各歷史工況的鍋爐配風配煤燃燒運行參數與步驟3所 獲得的相應參數的優化值比較，若兩者之差在給定的范圍內，則將相應工況標記為“優化工 況”，否則，標記為“非優化工況”；步驟5 以步驟1所采集的并于步驟4中標記為“優化工況”的歷史工況數據為樣 本，采用神經網絡技術，建立鍋爐排煙溫度、煙氣氧量、飛灰含碳量應達值計算模型；步驟6 采用步驟5所獲得的應達值計算模型，在線計算鍋爐排煙溫度、煙氣氧量、 飛灰含碳量的應達值。本專利技術方法步驟5建立的鍋爐排煙溫度、煙氣氧量、飛灰含碳量應達值計算模型 的輸入變量，包括鍋爐負荷和入爐煤質，即應達值計算模型考慮了負荷和入爐煤質兩個因素的影響。本專利技術方法所述神經網絡模型采用BP神經網絡或RBF神經網絡。本專利技術方法所述遺傳算法采用基于實數編碼的單目標遺傳算法。本專利技術方法步驟4中所述鍋爐配風配煤燃燒運行參數與所述相應參數的優化值之差在優化值的士3%范圍內，則將相應工況標記為“優化工況”，否則，標記為“非優化工 況”。本專利技術方法采用神經網絡技術和遺傳算法優化技術，根據鍋爐運行歷史工況數據 建立鍋爐能損分析參數應達值隨鍋爐負荷及入爐煤質變化的計算模型，是根據不同負荷及 入爐煤質下鍋爐效率最高的運行工況數據建立的，使獲得的應達值更具合理性，以保證鍋 爐能損分析結果的合理性、可靠性。附圖說明圖1是鍋爐運行特性神經網絡模型，圖2是鍋爐能損分析參數應達值神經網絡模型。具體實施例方式本專利技術是針對鍋爐能損分析參數應達值難以確定問題，提出的一種鍋爐能損分析參數應達值獲取方法。具體實施方法是步驟1 采集鍋爐運行歷史工況數據作為獲取鍋爐能損分析參數應達值的樣本。 歷史工況數據包括鍋爐負荷、入爐煤質(人工取樣分析數據)、配風配煤燃燒運行參數、鍋 爐排煙溫度、煙氣氧量、飛灰含碳量等；步驟2 基于步驟1所采集的樣本，采用神經網絡技術建立鍋爐運行特性神經網絡數學模型。模型的輸入包括；鍋爐負荷、入爐煤質及配風配煤燃燒運行參數，模型輸出為鍋 爐效率；步驟3 基于步驟2的鍋爐運行特性神經網絡模型，采用遺傳算法優化技術，以鍋 爐效率最高為優化目標，優化步驟1所采集的各歷史工況的鍋爐配風配煤燃燒運行參數；步驟4 將步驟1所采集的各歷史工況的鍋爐配風配煤燃燒運行參數與步驟3所獲得的相應參數的優化值比較，若兩者之差在優化值的士3%范圍內，則將相應工況標記為 “優化工況”，否則，標記為“非優化工況”；步驟5 以步驟1所采集的標記為“優化工況”的歷史工況數據為樣本，采用神經網絡技術，建立以鍋爐負荷和入爐煤質為輸入，鍋爐排煙溫度、煙氣氧量、飛灰含碳量為輸出 的應達值計算模型；步驟6 采用步驟5所獲得的應達值計算模型，在線計算鍋爐排煙溫度、煙氣氧量、飛灰含碳量的應達值。上述實施方式的核心思路是，采用神經網絡技術和遺傳算法優化技術，通過對鍋 爐運行工況配風配煤燃燒運行參數的優化，再將實際的配風配煤燃燒運行參數與優化值進 行比較，判斷該工況是否是“優化工況”，并用判斷為“優化工況”的鍋爐運行數據來建立鍋 爐能損分析參數應達值隨鍋爐負荷和入爐煤質變化的計算模型，從而保證參數應達值確定 的合理性。權利要求，該方法包括如下步驟，其特征在于步驟1采集鍋爐運行歷史工況數據作為獲取鍋爐能損分析參數應達值的樣本；步驟2基于步驟1所采集的樣本，采用神經網絡技術建立鍋爐運行特性神經網絡數學模型；步驟3基于步驟2的鍋爐運行特性神經網絡模型，采用遺傳算法優化技術，以鍋爐效率最高為優化目標，優化步驟1所采集的各歷史工況的鍋爐配風配煤燃燒運行參數；步驟4將步驟1所采集的各歷史工況的鍋爐配風配煤燃燒運行參數與步驟3所獲得的相應參數的優化值比較，若兩者之差在給定的范圍內，則將相應工況標記為“優化工況”，否則，標記為“非優化工況”；步驟5以步驟1所采集的并于步驟4中標記為“優化工況”的歷史工況數據為樣本，采用神經網絡技術，建立鍋爐排煙溫度、煙氣氧量、飛灰含碳量應達值計算模型；步驟6采用步驟5所獲得的應達值計算模型，在線計算鍋爐排煙溫度、煙氣氧量、飛灰含碳量的應達值。2.根據權利要求1或2所述的火電機組鍋爐能損分析參數應達值獲取方法，其特征在 于步驟5建立的鍋爐排煙溫度、煙氣氧量、飛灰含碳量應達值計算模型的輸入變量，包括 鍋爐負荷和入爐煤質，即應達值計算模型考慮了負荷和入爐煤質兩個因素的影響。3.根據權利要求1或2所述的火電機組鍋爐能損分析參數應達值獲取方法，其特征在 于神經網絡模型采用BP神經網絡或RBF神經網絡。4.根據權利要求1或2所述的火電機組鍋爐能損分析參數應達值獲取方法，其特征在 于遺傳算法采用基于實數編碼的單目標遺傳算法。5.根據權利要求1或2所述的火電機組鍋爐能損分析參數應達值獲取方法，其特征 在于步驟4中所述鍋爐配風配煤燃燒運行參數與所述相應參數的優化值之差在優化值的 士3%范圍內，則將相應工況標記為“優化工況”，否則，標記為“非優化工況”。全文摘要本專利技術公開了，該方法是根據鍋爐運行歷史工況數據，采用神經網絡技術建立鍋爐運行特性神經網絡數學模型；根據該模型，采用遺傳算法優化技術，以鍋爐效率最高為優化目標，對鍋爐各歷史工況的配風配煤燃燒運行參數進行優化；將各歷史工況的鍋爐配風配煤燃燒運行參數與相應的優化值進行比較，若兩者之差在給定的范圍內，則將相應工況標記為“優化工況”；以標記為“優化工況”的歷史工況數據為樣本，建立鍋爐排煙溫度、煙氣氧量、飛灰含碳量應達值的計算模型；并計算模型可計算不同負荷、不同煤質條件下的鍋爐排煙溫度、煙氣氧量、飛灰含碳量應達值。本專利技術提出的方法更具合理性。文檔編號G06F19/00GK101799848SQ20101012055公開日2010年8月11日 申請日期2010年3本文檔來自技高網...
【技術保護點】
一種火電機組鍋爐能損分析參數應達值獲取方法，該方法包括如下步驟，其特征在于： 步驟１：采集鍋爐運行歷史工況數據作為獲取鍋爐能損分析參數應達值的樣本； 步驟２：基于步驟１所采集的樣本，采用神經網絡技術建立鍋爐運行特性神經網絡數學模型；步驟３：基于步驟２的鍋爐運行特性神經網絡模型，采用遺傳算法優化技術，以鍋爐效率最高為優化目標，優化步驟１所采集的各歷史工況的鍋爐配風配煤燃燒運行參數； 步驟４：將步驟１所采集的各歷史工況的鍋爐配風配煤燃燒運行參數與步驟３所獲得的相應參數的優化值比較，若兩者之差在給定的范圍內，則將相應工況標記為“優化工況”，否則，標記為“非優化工況”； 步驟５：以步驟１所采集的并于步驟４中標記為“優化工況”的歷史工況數據為樣本，采用神經網絡技術，建立鍋爐排煙溫度、煙氣氧量、飛灰含碳量應達值計算模型； 步驟６：采用步驟５所獲得的應達值計算模型，在線計算鍋爐排煙溫度、煙氣氧量、飛灰含碳量的應達值。
【技術特征摘要】
【專利技術屬性】
技術研發人員：雎剛，李海山，呂劍虹，林顯敏，
申請(專利權)人：江西省電力科學研究院，
類型：發明
國別省市：36[中國|江西]
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。