[发明专利]一种火电机组锅炉能损分析参数应达值获取方法

说明书

技术领域

本发明是一种火电机组锅炉能损分析参数应达值获取方法，属于火电机组运行优化领域。

背景技术

能损分析是火电机组运行优化的一种重要技术。能损分析就是在机组各运行工况下，将机组一些重要的运行参数与其应达值(最佳值)进行比较，并分别计算由于各运行参数没有达到其应达值所造成的能量损失，提供给运行人员。运行人员根据各运行参数能损的大小，就可以判别机组性能下降的主要原因，进而采取措施，优化机组运行。因此，能损分析的关键是机组各运行参数应达值的确定。

目前火电机组能损分析，涉及锅炉侧运行参数应达值的确定，主要依据锅炉设计参数，结合运行经验确定。由于锅炉运行特性的复杂性，这种应达值确定方法很难充分考虑负荷及入炉煤质对应达值的影响，缺乏合理性。

发明内容

本发明的目的是提供一种火电机组锅炉能损分析参数应达值的获取方法，解决目前锅炉能损分析参数应达值确定不合理，影响锅炉能损分析结果的合理性、可靠性的问题。

本发明方法为保证应达值确定的合理性，采用神经网络技术和遗传算法优化技术，根据锅炉运行历史工况数据建立锅炉能损分析参数应达值随锅炉负荷及入炉煤质变化的计算模型，具体步骤如下：

步骤1：采集锅炉运行历史工况数据作为获取锅炉能损分析参数应达值的样本；

步骤2：基于步骤1所采集的样本，采用神经网络技术建立锅炉运行特性神经网络数学模型；

步骤3：基于步骤2的锅炉运行特性神经网络模型，采用遗传算法优化技术，以锅炉效率最高为优化目标，优化步骤1所采集的各历史工况的锅炉配风配煤燃烧运行参数；

步骤4：将步骤1所采集的各历史工况的锅炉配风配煤燃烧运行参数与步骤3所获得的相应参数的优化值比较，若两者之差在给定的范围内，则将相应工况标记为“优化工况”，否则，标记为“非优化工况”；

步骤5：以步骤1所采集的并于步骤4中标记为“优化工况”的历史工况数据为样本，采用神经网络技术，建立锅炉排烟温度、烟气氧量、飞灰含碳量应达值计算模型；

步骤6：采用步骤5所获得的应达值计算模型，在线计算锅炉排烟温度、烟气氧量、飞灰含碳量的应达值。

本发明方法步骤5建立的锅炉排烟温度、烟气氧量、飞灰含碳量应达值计算模型的输入变量，包括锅炉负荷和入炉煤质，即应达值计算模型考虑了负荷和入炉煤质两个因素的影响。

本发明方法所述神经网络模型采用BP神经网络或RBF神经网络。

本发明方法所述遗传算法采用基于实数编码的单目标遗传算法。

本发明方法步骤4中所述锅炉配风配煤燃烧运行参数与所述相应参数的优化值之差在优化值的±3％范围内，则将相应工况标记为“优化工况”，否则，标记为“非优化工况”。

本发明方法采用神经网络技术和遗传算法优化技术，根据锅炉运行历史工况数据建立锅炉能损分析参数应达值随锅炉负荷及入炉煤质变化的计算模型，是根据不同负荷及入炉煤质下锅炉效率最高的运行工况数据建立的，使获得的应达值更具合理性，以保证锅炉能损分析结果的合理性、可靠性。

附图说明

图1是锅炉运行特性神经网络模型，

图2是锅炉能损分析参数应达值神经网络模型。

具体实施方式

本发明是针对锅炉能损分析参数应达值难以确定问题，提出的一种锅炉能损分析参数应达值获取方法。具体实施方法是：

步骤1：采集锅炉运行历史工况数据作为获取锅炉能损分析参数应达值的样本。历史工况数据包括锅炉负荷、入炉煤质(人工取样分析数据)、配风配煤燃烧运行参数、锅炉排烟温度、烟气氧量、飞灰含碳量等；

步骤2：基于步骤1所采集的样本，采用神经网络技术建立锅炉运行特性神经网络数学模型。模型的输入包括；锅炉负荷、入炉煤质及配风配煤燃烧运行参数，模型输出为锅炉效率；

步骤3：基于步骤2的锅炉运行特性神经网络模型，采用遗传算法优化技术，以锅炉

效率最高为优化目标，优化步骤1所采集的各历史工况的锅炉配风配煤燃烧运行参数；

步骤4：将步骤1所采集的各历史工况的锅炉配风配煤燃烧运行参数与步骤3所获得的相应参数的优化值比较，若两者之差在优化值的±3％范围内，则将相应工况标记为“优化工况”，否则，标记为“非优化工况”；

步骤5：以步骤1所采集的标记为“优化工况”的历史工况数据为样本，采用神经网络技术，建立以锅炉负荷和入炉煤质为输入，锅炉排烟温度、烟气氧量、飞灰含碳量为输出的应达值计算模型；

步骤6：采用步骤5所获得的应达值计算模型，在线计算锅炉排烟温度、烟气氧量、飞灰含碳量的应达值。

上述实施方式的核心思路是，采用神经网络技术和遗传算法优化技术，通过对锅炉运行工况配风配煤燃烧运行参数的优化，再将实际的配风配煤燃烧运行参数与优化值进行比较，判断该工况是否是“优化工况”，并用判断为“优化工况”的锅炉运行数据来建立锅炉能损分析参数应达值随锅炉负荷和入炉煤质变化的计算模型，从而保证参数应达值确定的合理性。