[发明专利]一种基于云数据、云计算的火电厂智慧燃烧控制方法

说明书

一种基于云数据、云计算的火电厂智慧燃烧控制的方法，首先构建云数据库，对构建云数据库中的输入数据和输出数据进行异常值处理，然后进行主成分分析，采用主成分分析结果对换热面壁温预测模型、脱硝反应器入口NOx浓度分布预测模型和锅炉效率预测模型进行训练，将训练结果与的模型校准系统的数据进行比较，均方根误差在15％以内则根据一体化预测模型提供的换热面壁温预测值、NOx浓度预测值与锅炉效率预测值，通过智慧运行控制模块进行计算，得到最佳运行参数，实现锅炉燃烧及污染物生成的动态优化控制。本发明提高了锅炉效率和对煤种变化的适应性，NOx的平均排放量降低10％以上，实现发电效益的最大化。

技术领域

本发明属于热工自动控制领域，涉及一种电站锅炉燃烧系统的优化运行技术，特别是涉及一种基于云数据、云计算的火电厂智慧燃烧控制方法。

背景技术

火电厂普遍采用燃烧调整试验优化运行，通过在不同负荷下开展燃烧实验，将锅炉效率和NOx作为优化目标，最优燃烧工况对应的操作变量保存至DCS设定模块中，从而对锅炉实际运行进行调控。然而，锅炉的负荷、入炉煤种、环境温度等边界条件的变化导致锅炉实际运行工况与试验工况相差较大，燃烧调整试验规律并不满足锅炉的实际运行需要。同时，人工控制时往往不能兼顾锅炉效率与NOx生成量；燃烧调整严重依赖人工经验，而人工的调整优化又不够精细；锅炉不能在调峰全负荷范围内始终保持最优状态运行；运行人员水平的差异也导致锅炉不能始终保持最优状态；市面上的运行优化系统多为离线指导系统而不能在线实时控制。

目前火电厂普遍采用了分散控制系统(DCS)进行控制，离智能控制还有一定差距。

由于锅炉炉膛内流场、燃烧化学反应的复杂性，众多运行参数之间存在着复杂的耦合关系，给锅炉燃烧的建模和优化带来极大困难。锅炉具有很大的时变特性，随着时间的推移以及锅炉运行工况的变化，锅炉燃烧过程的学习模型将会出现较大误差，离线建立的模型不能适应这种变化，从而导致模型失配。

有必要寻找一种新的方法来完成电站锅炉燃烧优化的模型预测控制问题，解决上述提到的两大难点，即在线实时建立较为准确的预测模型并获取实时最优控制量。

发明内容

针对上述现有技术存在的问题和不足，本发明的目的是提供了一种基于云数据、云计算的火电厂智慧燃烧控制方法。

为实现上述目的，本发明采用的技术方案为：

一种基于云数据、云计算的火电厂智慧燃烧控制的方法，包括如下步骤：

S1：构建云数据库，云数据库分为标杆数据库和原始数据库；原始数据库包括火电厂的DCS数据，将火电厂DCS数据分为输入数据和输出数据；

S2：对原始数据库中的输入数据和输出数据进行异常值处理，然后进行主成分分析，分别得到换热面壁温、NOx浓度、锅炉效率的前6～15个主成分，分别标记为换热面壁温主成分输入数据、NOx浓度主成分输入数据与锅炉效率主成分输入数据；

S3：构建一体化预测模型，一体化预测模型包括：换热面壁温预测模型、脱硝反应器入口NOx浓度分布预测模型和锅炉效率预测模型，分别采用步骤S2的换热面壁温主成分输入数据、NOx浓度主成分输入数据、锅炉效率主成分输入数据对换热面壁温预测模型、脱硝反应器入口NOx浓度分布预测模型和锅炉效率预测模型进行训练，得到换热面壁温预测值、NOx浓度预测值与锅炉效率预测值；

S4：建立模型校准系统，模型校准系统的数据包括：炉膛的多点壁温数据、脱硝入口烟道的网格法测得的NOx浓度数据与锅炉效率数据；

S5：将步骤S3得到的换热面壁温预测值、NOx浓度预测值、锅炉效率预测值与步骤S4的模型校准系统的数据进行比较，均方根误差在15％以内则满足要求，则进行步骤S6；如果不满足，返回步骤S2；

S6：将换热面壁温预测值、NOx浓度预测值、锅炉效率预测值与步骤S4的模型校准系统的数据，进行分类、存储在标杆数据库中；