基于多源数据融合的火电厂燃煤热值实时校正方法与流程
本发明涉及火力发电厂燃煤检测与优化控制,具体涉及基于多源数据融合的火电厂燃煤热值实时校正方法。
背景技术:
1、在火电厂实际运行中,入炉煤热值是影响锅炉燃烧效率、机组负荷响应速度及污染物排放控制的关键参数。当前,燃煤热值的获取主要依赖两种方式:一是离线实验室工业分析,其采样、制样、化验周期长,结果滞后严重,无法反映入炉煤的实时热值波动;二是在线元素分析仪,其设备昂贵、维护成本高,且受煤流形态、环境温湿度影响,测量数据存在较大漂移和噪声。
2、此外,基于机理模型的软测量方法,如利用磨煤机电流、一次风压等参数间接计算热值,虽然实时性好,但模型精度受设备老化、煤种变化影响显著,单一模型难以长期稳定可靠。现有技术中缺乏一种能够将离线化验数据、在线分析仪数据以及运行参数数据等进行有机融合、并实现动态实时校正的有效手段,导致燃烧控制系统长期处于“大致调节”状态,造成供电煤耗偏高、锅炉受热面局部超温等问题。
技术实现思路
1、为此,本发明提供基于多源数据融合的火电厂燃煤热值实时校正方法,以解决现有技术中缺乏一种能够将离线化验数据、在线分析仪数据以及运行参数数据等进行有机融合、并实现动态实时校正的有效手段,导致燃烧控制系统长期处于“大致调节”状态,造成供电煤耗偏高、锅炉受热面局部超温的问题。
2、为了实现上述目的,本发明提供如下技术方案:
3、基于多源数据融合的火电厂燃煤热值实时校正方法,包括以下步骤:
4、数据采集步骤:以预定周期同步采集火电厂分散控制系统中的运行参数数据、在线分析仪输出的热值测量数据以及离线化验热值数据,所有数据携带统一时间标签;
5、数据预处理步骤:对采集的所述运行参数数据执行异常值剔除与平滑滤波,对所述在线分析仪数据执行脉冲干扰抑制滤波,对所述离线化验数据直接存储为基准数据;
6、机理模型计算步骤:依据锅炉能量平衡反平衡法,建立燃煤热值机理模型,以给煤量、主蒸汽参数、排烟温度作为输入,计算得到第一热值估计量;
7、数据驱动模型计算步骤:建立基于支持向量回归或神经网络的燃煤热值数据驱动模型,以磨煤机电流、一次风量、磨碗差压、出口风粉混合温度作为输入特征,计算得到第二热值估计量;
8、多源数据融合步骤:采用自适应加权融合算法,将所述第一热值估计量、第二热值估计量以及在线分析仪输出的热值测量数据进行融合,其中当离线化验数据到达时,依据各数据源在上一化验周期内的均方根误差动态分配融合权重,并根据递推公式
9、,
10、计算融合热值,为自适应增益;
11、热值输出步骤:将所述融合热值作为最终校正后的燃煤热值实时输出至机组控制系统。
12、优选地,所述数据预处理步骤中,对运行参数数据执行异常值剔除采用3准则或基于四分位距的箱线图法,且平滑滤波采用一阶滞后滤波或滑动平均滤波,滤波系数或窗口宽度根据参数类型动态调整。
13、优选地,所述机理模型计算步骤中,依据asme ptc 4标准计算锅炉各项热损失,所述第一热值估计量由工质总吸热量与各项热损失之和的比值确定,计算周期与数据采集周期保持一致。
14、优选地,所述数据驱动模型计算步骤中,输入特征向量还包含给煤机转速、分离器出口温度以及当前时刻与前一时刻的磨煤机电流差值,数据驱动模型采用离线训练与在线更新相结合的方式,每周利用新积累的离线化验数据对模型参数进行一次微调。
15、优选地,所述多源数据融合步骤中,所述自适应加权融合算法具体为:设定三个数据源分别为机理模型源、数据驱动模型源和在线分析仪源,对应的热值测量值为,测量方差为,权重,融合热值;当有新的离线化验数据到达时,更新每个数据源的估计方差
16、,
17、n为上一化验周期内的测量次数,并重新计算权重。
18、优选地,还包括延迟校正步骤,该步骤位于多源数据融合步骤之后、热值输出步骤之前,用于补偿煤粉从给煤机到燃烧器喷口之间的传输延迟,所述传输延迟根据负荷指令变化率与磨煤机出口风速确定。
19、优选地,所述延迟校正步骤中,传输延迟时间τ通过如下方式确定:
20、,
21、其中为基础延迟时间,为磨煤机进出口差压,为一次风携带风速,、为回归系数;校正后的热值
22、。
23、优选地,所述延迟校正步骤还包括对延迟时间τ的动态修正,当机组负荷变化率超过预设阈值时,根据磨煤机内存粉量的变化趋势实时调整回归系数、,所述磨煤机内存粉量通过磨煤机电流与给煤量的积分差值估算。
24、优选地,还包括模型可靠性诊断步骤,该步骤计算当前时刻第一热值估计量与第二热值估计量之间的偏差绝对值,当该偏差超过预设阈值且持续时间大于5分钟时,判定存在煤种突变或设备故障,此时将融合权重重置为预设的初始值,并发出报警信号。
25、优选地,所述模型可靠性诊断步骤中,当判定为煤种突变时,数据驱动模型计算步骤自动切换至快速学习模式,该模式下模型的学习率提高至正常模式的3至5倍,并且仅以最近1小时内的运行参数和最新一次离线化验数据为训练样本集,重新拟合数据驱动模型参数。
26、本发明具有如下优点:本发明通过建立多层次数据校验与融合框架,利用自适应加权融合算法和递推最小二乘校正机制,有效融合离线化验的高精度优势、在线仪表的实时性优势以及机理模型的连续测量优势,实现了对入炉煤热值的精确、鲁棒、实时估计。本发明能够显著提升燃煤热值的在线预测精度,为锅炉燃烧优化、协调控制系统提供可靠的数据支撑,进而降低发电煤耗,提高机组运行的安全性与经济性。
1.基于多源数据融合的火电厂燃煤热值实时校正方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于多源数据融合的火电厂燃煤热值实时校正方法,其特征在于,所述数据预处理步骤中,对运行参数数据执行异常值剔除采用3准则或基于四分位距的箱线图法,且平滑滤波采用一阶滞后滤波或滑动平均滤波,滤波系数或窗口宽度根据参数类型动态调整。
3.根据权利要求2所述的基于多源数据融合的火电厂燃煤热值实时校正方法,其特征在于,所述机理模型计算步骤中,依据asme ptc 4标准计算锅炉各项热损失,所述第一热值估计量由工质总吸热量与各项热损失之和的比值确定,计算周期与数据采集周期保持一致。
4.根据权利要求3所述的基于多源数据融合的火电厂燃煤热值实时校正方法,其特征在于,所述数据驱动模型计算步骤中,输入特征向量还包含给煤机转速、分离器出口温度以及当前时刻与前一时刻的磨煤机电流差值,数据驱动模型采用离线训练与在线更新相结合的方式,每周利用新积累的离线化验数据对模型参数进行一次微调。
5.根据权利要求1所述的基于多源数据融合的火电厂燃煤热值实时校正方法,其特征在于,所述多源数据融合步骤中,所述自适应加权融合算法具体为:设定三个数据源分别为机理模型源、数据驱动模型源和在线分析仪源,对应的热值测量值为,测量方差为,权重,融合热值;当有新的离线化验数据到达时,更新每个数据源的估计方差
6.根据权利要求1所述的基于多源数据融合的火电厂燃煤热值实时校正方法,其特征在于,还包括延迟校正步骤,该步骤位于多源数据融合步骤之后、热值输出步骤之前,用于补偿煤粉从给煤机到燃烧器喷口之间的传输延迟,所述传输延迟根据负荷指令变化率与磨煤机出口风速确定。
7.根据权利要求6所述的基于多源数据融合的火电厂燃煤热值实时校正方法,其特征在于,所述延迟校正步骤中,传输延迟时间τ通过如下方式确定:
8.根据权利要求7所述的基于多源数据融合的火电厂燃煤热值实时校正方法,其特征在于,所述延迟校正步骤还包括对延迟时间τ的动态修正,当机组负荷变化率超过预设阈值时,根据磨煤机内存粉量的变化趋势实时调整回归系数、,所述磨煤机内存粉量通过磨煤机电流与给煤量的积分差值估算。
9.根据权利要求1所述的基于多源数据融合的火电厂燃煤热值实时校正方法,其特征在于,还包括模型可靠性诊断步骤,该步骤计算当前时刻第一热值估计量与第二热值估计量之间的偏差绝对值,当该偏差超过预设阈值且持续时间大于5分钟时,判定存在煤种突变或设备故障,此时将融合权重重置为预设的初始值,并发出报警信号。
10.根据权利要求9所述的基于多源数据融合的火电厂燃煤热值实时校正方法,其特征在于,所述模型可靠性诊断步骤中,当判定为煤种突变时,数据驱动模型计算步骤自动切换至快速学习模式,该模式下模型的学习率提高至正常模式的3至5倍,并且仅以最近1小时内的运行参数和最新一次离线化验数据为训练样本集,重新拟合数据驱动模型参数。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com