火电机组锅炉燃烧稳定性调控方法及装置与流程

本发明属于火电厂自动化控制，具体涉及一种火电机组锅炉燃烧稳定性调控方法及装置。

背景技术：

1、随着新能源并网规模的扩大，传统火电机组被要求承担更为灵活的调峰任务，频繁在20%至100%额定功率之间进行大幅度负荷变动。尤其是在深度调峰工况下（例如，长时间运行在20%左右的低负荷），锅炉燃烧的稳定性面临严峻挑战。

2、为了保障深度调峰期间的燃烧安全，发电厂通常采取掺配优质煤种或对燃烧器进行稳燃改造等技术手段。然而，这些措施存在一定的不可控性。例如，掺配煤种的均匀性难以保证，稳燃燃烧器系统在长期运行后可能出现性能下降，制粉系统的制粉质量波动等因素，均可能导致锅炉在深度调峰期间燃烧稳定性降低，甚至引发非计划停机或灭火等严重安全事故。

3、现有的锅炉安全监控系统，大多依赖于对炉膛负压、炉膛温度等单一或少数几个关键参数的阈值报警，当参数超出预设安全阈值时，锅炉安全监控系统发出警报。此时，燃烧状态可能已经处于临界失稳甚至已经失稳的边缘，留给运行人员的干预时间较短，难以有效预防事故的发生。此外，传统的安全监控方法也难以区分真实的燃烧不稳与传感器误报等假灭火信号。

4、如此，现有的锅炉安全监控系统的安全监控效果较差，从而导致火电机组锅炉燃烧在深度调峰等复杂工况下的运行安全性与稳定性较差。

技术实现思路

1、为了克服上述现有技术的缺点，本发明的目的在于提供一种火电机组锅炉燃烧稳定性调控方法及装置，以解决火电机组锅炉燃烧在深度调峰等复杂工况下的运行安全性与稳定性较差的问题。

2、为了达到上述目的，本发明采用以下技术方案予以实现：

3、第一方面，本发明提供一种火电机组锅炉燃烧稳定性调控方法，该方法应用于锅炉燃烧系统，该锅炉燃烧系统包含多个燃烧器，包括：采集锅炉燃烧系统的第一运行数据和第二运行数据，第一运行数据用于表征多个燃烧器中每个燃烧器的局部燃烧状态，第二运行数据用于表征锅炉燃烧系统的整体运行状态；基于第一运行数据，通过图谱分析归类模型，识别多个燃烧器中每个燃烧器的运行状态图谱，得到异常图谱分类结果；将第二运行数据输入至时序预测模型，预测未来预设时间段后，锅炉燃烧系统的第一综合稳定性指数；在第一综合稳定性指数的数值满足第一预警条件的情况下，基于第一综合稳定性指数、异常图谱分类结果和表征锅炉燃烧系统中各设备间关联关系的拓扑结构数据，通过拓扑分析模型，对影响锅炉燃烧稳定性的根源进行定位；基于第一综合稳定性指数、异常图谱分类结果和定位到的影响锅炉燃烧稳定性的根源，通过决策优化模型，从多个备选调控策略中确定目标调控策略。

4、进一步的，上述时序预测模型为双向长短期记忆网络模型；上述拓扑分析模型为图自编码器模型；上述决策优化模型为q-learning强化学习模型。

5、进一步的，上述第二运行数据包括多个燃烧相关运行参数，多个燃烧相关运行参数包括炉膛负压波动、炉膛平均温度偏差、火焰脉动幅值和风煤配比偏差中的至少两项。

6、进一步的，上述第一运行数据为火焰视频图像数据，第二运行数据为从锅炉燃烧系统采集的传感器数据。

7、进一步的，上述基于第一运行数据，通过图谱分析归类模型，识别多个燃烧器中每个燃烧器的运行状态图谱，得到异常图谱分类结果之前，方法还包括：利用锅炉燃烧系统的历史运行数据，获取锅炉燃烧系统在多种不同负荷下稳定燃烧的时序预测模型对应的基线模型。

8、进一步的，上述采集锅炉燃烧系统的第一运行数据和第二运行数据之后，方法还包括：融合第二运行数据中的多个燃烧相关运行参数，得到表征锅炉整体燃烧稳定性的第二综合稳定性指数；基于同一时刻下的第一综合稳定性指数与第二综合稳定性指数间的偏差，更新时序预测模型的模型参数。

9、第二方面，本发明还提供一种火电机组锅炉燃烧稳定性调控装置，该装置应用于锅炉燃烧系统，该锅炉燃烧系统包含多个燃烧器，包括：获取模块、分析模块、预测模块、定位模块和决策模块；获取模块，用于采集锅炉燃烧系统的第一运行数据和第二运行数据，第一运行数据用于表征多个燃烧器中每个燃烧器的局部燃烧状态，第二运行数据用于表征锅炉燃烧系统的整体运行状态；分析模块，用于基于第一运行数据，通过图谱分析归类模型，识别多个燃烧器中每个燃烧器的运行状态图谱，得到异常图谱分类结果；预测模块，用于将第二运行数据输入至时序预测模型，预测未来预设时间段后，锅炉燃烧系统的第一综合稳定性指数；定位模块，用于在第一综合稳定性指数的数值满足第一预警条件的情况下，基于第一综合稳定性指数、异常图谱分类结果和表征锅炉燃烧系统中各设备间关联关系的拓扑结构数据，通过拓扑分析模型，对影响锅炉燃烧稳定性的根源进行定位；决策模块，用于基于第一综合稳定性指数、异常图谱分类结果和定位到的影响锅炉燃烧稳定性的根源，通过决策优化模型，从多个备选调控策略中确定目标调控策略。

10、进一步的，上述时序预测模型为双向长短期记忆网络模型；上述拓扑分析模型为图自编码器模型；上述决策优化模型为q-learning强化学习模型。

11、进一步的，上述第二运行数据包括多个燃烧相关运行参数，该多个燃烧相关运行参数包括炉膛负压波动、炉膛平均温度偏差、火焰脉动幅值和风煤配比偏差中的至少两项。

12、进一步的，上述第一运行数据为火焰视频图像数据，第二运行数据为从锅炉燃烧系统采集的传感器数据。

13、进一步的，上述获取模块，还用于在上述分析模块基于第一运行数据，通过图谱分析归类模型，识别多个燃烧器中每个燃烧器的运行状态图谱，得到异常图谱分类结果之前，利用锅炉燃烧系统的历史运行数据，获取锅炉燃烧系统在多种不同负荷下稳定燃烧的时序预测模型对应的基线模型。

14、进一步的，上述装置还包括：更新模块；该更新模块，用于在上述获取模块采集锅炉燃烧系统的第一运行数据和第二运行数据之后，融合第二运行数据中的多个燃烧相关运行参数，得到表征锅炉整体燃烧稳定性的第二综合稳定性指数；基于同一时刻下的第一综合稳定性指数与第二综合稳定性指数间的偏差，更新时序预测模型的模型参数。

15、第三方面，本发明还提供了一种电子设备，该电子设备包括处理器和存储器，所述存储器存储可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如第一方面所述的方法的步骤。

16、第四方面，本发明还提供了一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如第一方面所述的方法的步骤。

17、第五方面，本发明还提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现如第一方面所述的方法。

18、第六方面，本发明还提供一种计算机程序产品，该程序产品被存储在存储介质中，该程序产品被至少一个处理器执行以实现如第一方面所述的方法。

19、与现有技术相比，本发明具有以下有益效果：

20、1.通过时序预测模型，可以提前预测未来一段时间内的燃烧稳定性趋势，实现了从滞后报警到超前预警的转变，为运行人员预留了较为充足的干预时间，可以有效避免燃烧失稳的发生和扩大。2.通过结合局部燃烧器图谱分析和全局设备拓扑分析，能够精准定位导致燃烧稳定性下降的根源设备或参数，使调控更加具有针对性。3.基于预警和定位结果，利用决策优化模型，能够从多个备选策略中自主推荐最优的调控方案，降低了对运行人员经验的依赖，提升了应急处置的科学性和效率。4.通过引入在线自学习和模型更新机制，能够动态适应煤质波动、设备磨损、环境变化等工况漂移，确保了模型在长期运行中的准确性和可靠性。如此，通过多模型协同分析，实现了对燃烧失稳风险的超前预测、精准根源定位和闭环智能调控，有效提升了火电机组在深度调峰等复杂工况下的运行安全性与稳定性。