Nothing Special   »   [go: up one dir, main page]

CN112989694A - 受热面灰污区段化监测系统及方法 - Google Patents

受热面灰污区段化监测系统及方法 Download PDF

Info

Publication number
CN112989694A
CN112989694A CN202110251554.9A CN202110251554A CN112989694A CN 112989694 A CN112989694 A CN 112989694A CN 202110251554 A CN202110251554 A CN 202110251554A CN 112989694 A CN112989694 A CN 112989694A
Authority
CN
China
Prior art keywords
parameters
flue gas
working medium
heating surface
soot
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110251554.9A
Other languages
English (en)
Other versions
CN112989694B (zh
Inventor
童水光
杨琦
童哲铭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202110251554.9A priority Critical patent/CN112989694B/zh
Publication of CN112989694A publication Critical patent/CN112989694A/zh
Application granted granted Critical
Publication of CN112989694B publication Critical patent/CN112989694B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • G06F30/27Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • G06F30/28Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/044Recurrent networks, e.g. Hopfield networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • G06N3/084Backpropagation, e.g. using gradient descent
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00Details relating to CAD techniques
    • G06F2111/10Numerical modelling
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00Details relating to the application field
    • G06F2113/08Fluids
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08Thermal analysis or thermal optimisation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Computer Hardware Design (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Algebra (AREA)
  • Fluid Mechanics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Waste-Gas Treatment And Other Accessory Devices For Furnaces (AREA)

Abstract

本发明公开了一种受热面灰污区段化监测系统及方法,属于锅炉安全监测技术领域。本发明结合机理模型、数学模型、数值模拟三种方法,利用实测数据修正数值模拟结果,建立受热面区段化模型,实现受热面灰污状态精细化计算,并借助LSTM的时间序列网络训练方法实现受热面积灰状态的实时监测,对之后的吹灰研究具有理论指导意义。

Description

受热面灰污区段化监测系统及方法
技术领域
本发明属于锅炉安全监测技术领域,具体涉及受热面灰污区段化监测系统及方法。
背景技术
近年来我国电力行业高速发展,高参数化、大容量化是电厂燃煤机组的发展方向和趋势。随着锅炉容量的增大,烟气的参数也显著提高,受热面的积灰结渣问题也日益凸显。受热面上的灰污会严重影响热量从烟气侧向工质侧的传递过程,导致锅炉的排烟温度提高,大大降低锅炉的效率,同时,烟气中的高速灰颗粒也会使受热面金属发生磨损,降低金属使用寿命,引起蒸汽温度偏差,对机组的安全高效经济运行带来一系列挑战。因此,研究受热面积灰的监测系统和方法,具有良好的推广前景,对提高电厂机组运行的安全性、经济性和效率具有重要意义。
经过对现有技术的检测发现,目前针对受热面灰污监测的现有技术如下:(1)基于热流计测量。以中国专利CN201910584787.3为例,通过布置在受热面的热流计采集温度信号,计算得到热流密度,比较计算所得的热流密度与相同负荷下的热流密度预警值判断受热面的污染程度。但布置在受热面的传感器由于处在高温恶劣环境下易失效,且热流计造价昂贵,维护困难,可靠性不足;(2)基于声学/光学测温。以中国专利CN102588943A为例,基于声音在气体中传播速度随温度和气体组成而变化的原理,测出炉膛出口一条线上的平均温度,根据炉膛出口烟温变化间接诊断。但此方法通用性不够,燃料改变或气体成分变化会出现误差,测量数据准确度不够,且所需系统庞大;(3)基于灰污指标(清洁因子、积灰厚度、灰污热阻、传热有效度比)进行监测。以中国专利CN110578933A为例,根据清洁因子CF(在线计算的积灰厚度与临界积灰厚度的比值)指标判断积灰程度。但此方法的测量计算结果精度不够,且无法准确在线反馈积灰程度与积灰位置;(4)基于机器学习的数据拟合模型。以中国专利CN111242279A为例,根据入口烟温、烟速、汽温等历史运行数据,进行金属管壁温度神经网络训练等数据拟合。此方法的缺陷是只能拟合有限测点温度,数据拟合精度不高,且无法做到实时性。
发明内容
为了解决上述问题,本发明提供了一种受热面灰污区段化监测系统及方法,结合机理模型、数学模型、数值模拟三种方法,利用实测数据修正数值模拟结果,建立受热面区段化模型,实现受热面灰污状态精细化计算,并借助LSTM的时间序列网络训练方法实现受热面积灰状态的实时监测,对之后的吹灰研究具有理论指导意义。
本发明的技术方案如下所示:
第一方面,本发明提供了一种受热面灰污区段化监测系统,其包括数据采集模块、数据库、实时计算模块和监测模块;
所述数据采集模块用于从机组DCS服务器和设置于锅炉中的传感器读取实时数据;
所述数据库用于存储包括数据采集模块获取的实时数据在内的所有锅炉相关数据;
所述实时计算模块用于从数据库中获取相关数据代入至预先构建的模型中进行计算,得到表征灰污程度的受热面不同区段的清洁因子CF;所述预先构建的模型包括多工况CFD炉膛仿真预测模型和区段化灰污精细计算模型;
所述监测模块用于将受热面不同区段的清洁因子CF代入至LSTM时间序列积灰状态预测模型中,得到积灰状态参数预测结果,用于后续指导吹灰。
第二方面,本发明提供了一种利用如第一方案所述监测系统的受热面灰污区段化监测方法,其包括以下步骤:
S1:所述的数据采集模块从机组DCS服务器和设置于锅炉中的传感器读取实时数据,实时数据包括炉膛出口烟气实测参数和工质入口参数;
S2:数据采集模块将采集的实时数据输入至数据库中进行存储,数据库中存储的锅炉相关数据包括受热面结构参数、煤质参数、燃烧方式、工质物性参数、给风量、给煤量、工质入口参数、炉膛出口烟气实测参数、含有时间信息的积灰参数历史数据序列;
S3:实时计算模块从数据库中获取相关数据代入至预先构建的多工况CFD炉膛仿真预测模型和区段化灰污精细计算模型中进行计算,得到表征灰污程度的受热面不同区段的清洁因子CF;
其中所述多工况CFD炉膛仿真预测模型为BP神经网络,输入层参数为受热面结构参数、煤质参数、燃烧方式、工质物性参数、给风量、给煤量和工质入口参数,输出层为烟气出口温度;
所述区段化灰污精细计算模型基于分别以烟气和工质为对象进行区段划分形成的受热面区段化模型,利用所述多工况CFD炉膛仿真预测模型输出的烟气出口温度和数据库中的工质入口参数,通过热平衡计算得到不同受热面的烟气侧与工质侧参数,然后针对不同受热面的不同区段进行精细化计算,得到受热面不同区段的理论传热系数和实际传热系数,进而换算为清洁因子CF;
S4:监测模块将受热面不同区段的清洁因子CF作为输入变量代入至预先构建的LSTM时间序列积灰状态预测模型中,输出表征积灰状态的积灰厚度、积灰面积和积灰位置的预测结果,用于后续指导吹灰。
作为优选,所述的多工况CFD炉膛仿真预测模型的构建方法包括以下步骤:
S11:从数据库中获取不同工况下的受热面结构参数、煤质参数、燃烧方式、工质物性参数、给风量、给煤量、工质入口参数和炉膛出口烟气实测参数;
S12:基于S11中获取的受热面结构参数、煤质参数、燃烧方式、工质物性参数、给风量和给煤量数据,利用计算流体动力学软件进行多工况的炉膛建模仿真,得到炉膛出口烟气温度场和速度场分布;
S13:利用数据库中的炉膛出口烟气实测参数对仿真模型进行修正;
S14:利用修正好的仿真模型生成仿真数据,结合S11中获取的工质入口参数,进行BP神经网络学习训练,其中BP神经网络的输入层参数包括受热面结构参数、煤质参数、燃烧方式、工质物性参数、给风量、给煤量和工质入口参数,输出层为烟气出口温度;训练完成后的BP神经网络作为烟气出口参数预测模型。
作为优选,所述的区段化灰污精细计算模型的构建方法包括以下步骤:
S21:获取所述多工况CFD炉膛仿真预测模型中得到的烟气出口温度和数据库中得到的工质入口参数;
S22:根据S21中获取的数据,通过热平衡计算得到不同受热面的烟气侧与工质侧参数;
S23:对各受热面分别以烟气和工质为对象进行区段划分,建立受热面区段化模型,根据S22中获得的烟气侧与工质侧参数,针对不同受热面的不同区段进行精细化计算,得到不同区段的理论传热系数、实际传热系数;
S24:计算受热面不同区段的清洁因子CF。
进一步的,所述S23中的受热面区段化模型中,以烟气为对象,将受热面沿烟气流动方向、炉膛宽度方向、炉膛高度方向分别划分为X、Y、Z个不同的区域;同时以工质为对象,将受热面沿工质整体流动方向、炉膛宽度方向、工质在管中的流动方向分别划分为U、V、W个不同的管段;划分后的烟气区域坐标表示为(x,y,z),划分后的管段坐标表示为(u,v,w)。
进一步的,所述的S23中的精细化计算方法如下:
S231:根据水动力计算方法计算构成受热面的各管路质量流量qm(u,v);
S232:假设各管段的传热量为Qf(u,v,w),分别计算对应的辐射传热量
Figure BDA0002966277280000041
和对流传热量
Figure BDA0002966277280000042
计算过程中的控制方程如下:
Qf=∑Qf(u,v,w)
Qf=Qg
Qg=∑Qg(x,y,z)=∑[h'(x,y,z)-h*(x,y,z)]
C*(x-1,y,z)=C'(x,y,z)
C*(u,v,w-1)=C'(u,v,w)
qm=∑qm(u,v)
其中,Qf表示该受热面工质的总吸热量,Qg表示该受热面烟气的总放热量,Qg(x,y,z)表示烟气区域(x,y,z)的放热量;h'(x,y,z)表示一个区域烟气的入口焓值,h*(x,y,z)表示一个区域烟气的出口焓值,C*(x-1,y,z)表示烟气区域(x-1,y,z)的出口特性参数,C'(x,y,z)表示烟气区域(x,y,z)的入口特性参数,C*(u,v,w-1)表示工质管段(u,v,w-1)的出口特性参数,C'(u,v,w)表示工质管段(u,v,w)的入口特性参数,qm所有管路的的工质流量,qm(u,v)表示管路(u,v)的工质流量;
S233:完成S232后计算各管段总传热量Q'f(u,v,w),其计算公式如下:
Figure BDA0002966277280000051
S234:完成S233后判断当前误差是否满足精度要求ε,计算公式如下:
Figure BDA0002966277280000052
若当前误差满足精度要求则完成迭代计算,并得到各管段烟气侧与工质侧参数即各管段烟气侧与工质侧的辐射传热量
Figure BDA0002966277280000053
和对流传热量
Figure BDA0002966277280000054
否则重新设置各管段的传热量假设值并返回S232;
S235:当迭代完成得到各管段烟气侧与工质侧参数后,计算各管段理论传热系数kt与实际传热系数kr,计算公式如下:
Figure BDA0002966277280000055
Figure BDA0002966277280000056
Figure BDA0002966277280000057
Figure BDA0002966277280000058
Figure BDA0002966277280000059
其中,
Figure BDA00029662772800000510
表示待计算管段的对流传热量,Bj表示标准煤耗量,A表示传热面积,Δt表示温压,Δtmax表示较大温差端的介质温差,Δtmin表示较小温差端的介质温差,kg表示烟气侧传热系数,kf表示工质侧传热系数,C表示经验系数,λ表示平均烟气温度下烟气的导热系数,d表示管子的外径,Re表示雷诺数,Pr表示普朗特数,Cl表示物理性能变化对放热系数的影响,Cz表示管子沿烟气流程排数的修正系数,Cs表示节距修正系数,ab表示辐射受热面的管壁黑度,a表示温度T下烟气的黑度,Tb表示受热面表面绝对温度,上标m、n、l表示常数。
进一步的,所述的S24中清洁因子CF的计算公式为:
Figure BDA0002966277280000061
作为优选,所述的LSTM时间序列积灰状态预测模型的构建方法包括以下步骤:
S41:从数据库中获取含有时间信息的积灰参数历史数据序列,序列中每一条数据包括一个时刻对应的清洁因子、积灰厚度、积灰面积和积灰位置;
S42:将获取的数据序列进行样本划分,分为训练样本和测试样本;
S43:利用训练样本进行LSTM时间序列网络的初始训练,得到积灰状态初始预测模型,其中模型的输入变量为清洁因子,输出变量分别为表征积灰状态的积灰厚度、积灰面积和积灰位置;
S44:对初始预测模型中的超参数进行优化,得到优化后的LSTM积灰状态预测模型;
S45:用测试样本对训练后的的LSTM积灰状态预测模型进行验证,当误差满足要求后,LSTM时间序列积灰状态预测模型构建完成,否则继续返回模型训练;
S46:将S45中构建完成的LSTM时间序列积灰状态预测模型用于对积灰状态进行预测。
本发明的有益效果为:
1、采用数值模拟与神经网络结合的方法,并利用实测数据对模型进行修正,提高计算的准确性;
2、对受热面进行区段化划分,实现清洁因子三维精细化计算,能够监测不同位置的灰污状态,提高结果的精确性和可靠性;
3、采用大数据拟合方法,揭示清洁因子与表征积灰状态的参数之间的非线性关系,提高了对积灰厚度、面积和位置等积灰状态信息的深度掌握,提高监测效果及监测效率;
4、利用LSTM时间序列网络对数据进行处理,实现准确在线实时反馈积灰信息。
附图说明
图1为本发明的受热面灰污区段化监测系统及方法。
图2为本发明的受热面区段化模型。
具体实施方式
下面将结合说明书附图对本发明的实施例进行详细说明。
如图1所示,在本发明的一个较佳实施例中,提供了一种受热面灰污区段化监测系统,其主要功能模块包括数据采集模块、数据库、实时计算模块和监测模块。各模块的具体功能如下:
数据采集模块用于从机组DCS服务器和设置于锅炉中的传感器读取与锅炉状态相关的实时数据,主要包括当前的炉膛出口烟气速度、温度、工质入口参数(即工质温度、工质压力、工质流量)等。
数据库用于存储包括数据采集模块获取的实时数据在内的所有锅炉相关数据。除了当前的实时数据之外,数据库中还存储有其他与受热面积灰相关的数据和历史数据,包括受热面结构参数、煤质参数(即燃煤的理化性质参数,例如煤种、粒径大小)、燃烧方式、工质物性参数(即工质的物理性质参数,例如比热容、密度)、给风量、给煤量、工质入口参数(工质温度、工质压力、工质流量)、炉膛出口烟气实测参数(即炉膛出口处烟气实时的温度、速度、压力)以及含有时间信息的积灰参数历史数据序列。其中积灰参数历史数据序列是一段时序数据,每一条数据均含有记录该数据的时间戳信息,代表了不同时刻受热面的清洁因子、积灰厚度、积灰面积、积灰位置。
实时计算模块用于从数据库中获取相关数据代入至预先构建的模型中进行计算,得到表征灰污程度的受热面不同区段的清洁因子CF。其中,此处预先构建的模型包括多工况CFD炉膛仿真预测模型和区段化灰污精细计算模型,多工况CFD炉膛仿真预测模型先根据受热面结构参数、煤质参数、燃烧方式、工质物性参数、给风量、给煤量和工质入口参数计算出炉膛中的烟气出口温度,以便于模拟温度场分布;而后区段化灰污精细计算模型再根据多工况CFD炉膛仿真预测模型中得到的烟气出口温度和数据库中得到的工质入口参数,精细化计算炉膛内受热面不同区段的理论传热系数和实际传热系数,从而得出受热面不同区段的清洁因子CF。
监测模块用于将受热面不同区段的清洁因子CF代入至预先构建的LSTM时间序列积灰状态预测模型中,得到受热面的积灰状态参数预测结果,用于后续指导吹灰。
下面进一步结合图1中所示的监测系统,具体描述在本发明中的受热面灰污区段化监测方法,其包括以下步骤:
S1:所述的数据采集模块从机组DCS服务器和设置于锅炉中的传感器读取实时数据,其中实时数据包括炉膛出口烟气实测参数和工质入口参数等;
S2:数据采集模块将采集的实时数据输入至数据库中进行存储,数据库中存储的锅炉相关数据包括受热面结构参数、煤质参数(煤种、粒径大小)、燃烧方式、工质物性参数(比热容、密度)、给风量、给煤量、工质入口参数、炉膛出口烟气实测参数(温度、速度、压力)、含有时间信息的积灰参数历史数据序列;
S3:实时计算模块从数据库中获取相关数据代入至预先构建的多工况CFD(Computational Fluid Dynamics)炉膛仿真预测模型和区段化灰污精细计算模型中进行计算,得到表征灰污程度的受热面不同区段的清洁因子CF。
其中所述多工况CFD炉膛仿真预测模型为BP神经网络,输入层参数为受热面结构参数、煤质参数、燃烧方式、工质物性参数、给风量、给煤量和工质入口参数,输出层为烟气出口温度。
所述区段化灰污精细计算模型基于分别以烟气和工质为对象进行区段划分形成的受热面区段化模型,利用所述多工况CFD炉膛仿真预测模型输出的烟气出口温度和数据库中的工质入口参数,通过热平衡计算得到不同受热面的烟气侧与工质侧参数,然后针对不同受热面的不同区段进行精细化计算,得到受热面不同区段的理论传热系数和实际传热系数,进而换算为清洁因子CF。
多工况CFD炉膛仿真预测模型和区段化灰污精细计算模型均需要在该系统投入实际使用前预先进行构建,并内置于系统中。下面对两个模型的具体构建过程进行详细展开描述:
1)多工况CFD炉膛仿真预测模型的构建方法包括以下步骤:
S11:从数据库中获取不同工况下的受热面结构参数、煤质参数、燃烧方式、工质物性参数、给风量、给煤量、工质入口参数和炉膛出口烟气实测参数。
S12:基于S11中获取的受热面结构参数、煤质参数、燃烧方式、工质物性参数、给风量和给煤量数据,利用计算流体动力学软件CFD进行多工况的炉膛建模仿真,得到炉膛出口烟气温度场和速度场分布,由此进一步实现了炉膛出口不同位置烟气温度的预测,为后续神经网络的训练提供充足的数据样本奠定下基础。
S13:利用数据库中的炉膛出口烟气实测参数对仿真模型进行修正,使得该仿真模型能够最大程度模拟炉膛内的真实情况。
S14:利用修正好的仿真模型生成大量的仿真数据,结合S11中获取的工质入口参数,共同作为训练样本数据集,基于这些训练样本数据集进行BP神经网络学习训练。其中BP神经网络的具体结构属于现有技术,不再赘述。该BP神经网络的输入层参数包括受热面结构参数、煤质参数、燃烧方式、工质物性参数、给风量、给煤量和工质入口参数,输出层为烟气出口温度;训练完成后的BP神经网络作为烟气出口参数预测模型。
2)区段化灰污精细计算模型的构建方法包括以下步骤:
S21:获取所述多工况CFD炉膛仿真预测模型中得到的烟气出口温度和数据库中得到的工质入口参数(工质温度、工质压力、工质流量)。
S22:根据S21中获取的数据,通过热平衡计算得到不同受热面的烟气侧与工质侧参数(即气侧与工质侧的入口温度和出口温度)。
热平衡计算的具体过程可采用现有技术进行,在本实施例中其具体计算过程如下:
根据最末级受热面工质侧的已知参数可计算得到最末级受热面的工质总吸热量QF,根据工质总吸热量等于烟气总放热量QG,可计算得到最末级受热面烟气的入口焓值,查表可得烟气的入口温度。
QF和QG具体采用的计算公式可参见如下:
Figure BDA0002966277280000101
Figure BDA0002966277280000102
QF=QG
其中,qm表示该受热面工质的流量,i”表示工质的出口焓值,i'表示工质的入口焓值,Bj代表计算燃料量,φ代表保温系数,I”代表烟气出口焓值,I'代表烟气进口焓值,Δα代表漏风系数,
Figure BDA0002966277280000105
代表冷空气焓值。
重复以上步骤,可得到每个受热面的烟气侧与工质侧的入口及出口温度参数。
S23:对各受热面分别以烟气和工质为对象进行区段划分,建立受热面区段化模型,根据S22中获得的烟气侧与工质侧参数,针对不同受热面的不同区段进行精细化计算,得到不同区段的理论传热系数和实际传热系数。
在本实施例中,如图2所示,在建立的受热面区段化模型中,其区段划分分为两方面进行。一方面,以烟气为对象,将受热面沿烟气流动方向、炉膛宽度方向、炉膛高度方向分别划分为X、Y、Z个不同的区域。另一方面,以工质为对象,将受热面沿工质整体流动方向、炉膛宽度方向、工质在管中的流动方向分别划分为U、V、W个不同的管段。分别针对前面的X、Y、Z三个维度和U、V、W三个维度,将划分后的烟气区域坐标表示为(x,y,z),划分后的管段坐标表示为(u,v,w)。
在本实施例中,基于该受热面区段化模型,具体针对不同受热面的不同区段进行精细化计算的方法如下:
S231:根据水动力计算方法计算构成受热面的各管路质量流量qm(u,v)。此处由于同一管路上的各管段质量流量是不变的,因此无需引入W维度,仅需以U、V两个维度来表示qm对应的索引编号。
S232:假设各管段的传热量为Qf(u,v,w),分别计算对应的辐射传热量
Figure BDA0002966277280000103
和对流传热量
Figure BDA0002966277280000104
计算过程中的控制方程如下:
Qf=ΣQf(u,v,w)
Qf=Qg
Qg=∑Qg(x,y,z)=∑[h'(x,y,z)-h*(x,y,z)]
C*(x-1,y,z)=C'(x,y,z)
C*(u,v,w-1)=C'(u,v,w)
qm=∑qm(u,v)
其中,Qf表示该受热面工质的总吸热量,Qg表示该受热面烟气的总放热量,Qg(x,y,z)表示烟气区域(x,y,z)的放热量;h'(x,y,z)表示一个区域烟气的入口焓值,h*(x,y,z)表示一个区域烟气的出口焓值,C*(x-1,y,z)表示烟气区域(x-1,y,z)的出口特性参数,C'(x,y,z)表示烟气区域(x,y,z)的入口特性参数,C*(u,v,w-1)表示工质管段(u,v,w-1)的出口特性参数,C'(u,v,w)表示工质管段(u,v,w)的入口特性参数,qm所有管路的的工质流量,qm(u,v)表示管路(u,v)的工质流量;
S233:完成S232后计算各管段总传热量Q'f(u,v,w),其计算公式如下:
Figure BDA0002966277280000111
S234:完成S233后判断当前误差是否满足精度要求ε,计算公式如下:
Figure BDA0002966277280000112
若当前误差满足精度要求则完成迭代计算,并得到各管段烟气侧与工质侧参数即各管段烟气侧与工质侧的辐射传热量
Figure BDA0002966277280000113
和对流传热量
Figure BDA0002966277280000114
否则重新设置各管段的传热量假设值并返回S232;
S235:当迭代完成得到各管段烟气侧与工质侧参数后,计算各管段理论传热系数kt与实际传热系数kr,计算公式如下:
Figure BDA0002966277280000115
Figure BDA0002966277280000121
Figure BDA0002966277280000122
Figure BDA0002966277280000123
Figure BDA0002966277280000124
其中,
Figure BDA0002966277280000125
表示待计算管段的对流传热量(即对应于前述的对流传热量
Figure BDA0002966277280000126
具体计算哪一条管段就采用哪一条管段的对流传热量
Figure BDA0002966277280000127
Bj表示标准煤耗量,A表示传热面积,Δt表示温压,Δtmax表示较大温差端的介质温差,Δtmin表示较小温差端的介质温差,kg表示烟气侧传热系数,kf表示工质侧传热系数,C表示经验系数,λ表示平均烟气温度下烟气的导热系数,d表示管子的外径,Re表示雷诺数,Pr表示普朗特数,Cl表示物理性能变化对放热系数的影响,Cz表示管子沿烟气流程排数的修正系数,Cs表示节距修正系数,ab表示辐射受热面的管壁黑度,a表示温度T下烟气的黑度,Tb表示受热面表面绝对温度,上标m、n、l表示常数。
S24:计算受热面不同区段的清洁因子CF。
本实施例中,根据清洁因子CF的定义,其计算公式为:
Figure BDA0002966277280000128
S4:监测模块将受热面不同区段的清洁因子CF作为输入变量代入至预先构建的LSTM时间序列积灰状态预测模型中,输出表征积灰状态的积灰厚度、积灰面积和积灰位置的预测结果,用于后续指导吹灰。
同样的,在本发明的监测系统投入实际使用前,LSTM时间序列积灰状态预测模型需要预先进行构建和训练,然后内置于该系统中。在本实施例中,LSTM时间序列积灰状态预测模型的构建方法包括以下步骤:
S41:从数据库中获取含有时间信息的积灰参数历史数据序列,序列中每一条数据包括一个时刻对应的清洁因子、积灰厚度、积灰面积和积灰位置。
S42:将获取的数据序列进行样本划分,分为训练样本和测试样本。其中划分训练样本和测试样本时,其具体的比例可以根据实际需要进行调整,本实施例中将80%分为训练样本,20%分为测试样本,并对原始数据进行归一化处理。归一化处理公式如下:
Figure BDA0002966277280000131
其中,xij表示归一化后位于[i,j]的元素,pij表示归一化前位于[i,j]的元素,
Figure BDA0002966277280000132
表示归一化前列中的最小元素,
Figure BDA0002966277280000133
表示归一化前列中的最大元素。
S43:利用训练样本进行LSTM时间序列网络的初始训练,得到积灰状态初始预测模型,其中模型的输入变量为清洁因子,输出变量分别为表征积灰状态的积灰厚度、积灰面积和积灰位置。
S44:对初始预测模型中的超参数进行优化,得到优化后的LSTM积灰状态预测模型。
S45:用测试样本对训练后的的LSTM积灰状态预测模型进行验证,当误差满足要求后,LSTM时间序列积灰状态预测模型构建完成,否则继续返回模型训练。
S46:将S45中构建完成的LSTM时间序列积灰状态预测模型用于对积灰状态进行预测。
LSTM网络非常适合用于处理与时间序列高度相关的问题,能够充分挖掘炉膛内当前预测时刻之前的现有积灰信息,用于准确在线实时预测未来的积灰状态。LSTM的具体模型结构以及训练过程属于现有技术,可通过最小化损失函数来对模型内参数进行优化。
由此可见,本发明中结合机理模型、数学模型、数值模拟三种方法,利用实测数据修正数值模拟结果,建立受热面区段化模型,实现受热面灰污状态精细化计算,并借助LSTM的时间序列网络训练方法实现受热面积灰状态的实时监测。该方法在实际应用的过程中,能够准确实现受热面上的灰污区段化监测,其监测结果与实际相符,因此对之后的吹灰研究具有较高的指导意义。而且,在实际使用过程中,LSTM的预测结果可以用于充实历史数据序列,进一步提高整个模型的预测准确性。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。

Claims (8)

1.一种受热面灰污区段化监测系统,其特征在于,包括数据采集模块、数据库、实时计算模块和监测模块;
所述数据采集模块用于从机组DCS服务器和设置于锅炉中的传感器读取实时数据;
所述数据库用于存储包括数据采集模块获取的实时数据在内的所有锅炉相关数据;
所述实时计算模块用于从数据库中获取相关数据代入至预先构建的模型中进行计算,得到表征灰污程度的受热面不同区段的清洁因子CF;所述预先构建的模型包括多工况CFD炉膛仿真预测模型和区段化灰污精细计算模型;
所述监测模块用于将受热面不同区段的清洁因子CF代入至预先构建的LSTM时间序列积灰状态预测模型中,得到受热面的积灰状态参数预测结果,用于后续指导吹灰。
2.一种利用如权利要求1所述监测系统的受热面灰污区段化监测方法,其特征在于,包括以下步骤:
S1:所述的数据采集模块从机组DCS服务器和设置于锅炉中的传感器读取实时数据,实时数据包括炉膛出口烟气实测参数和工质入口参数;
S2:数据采集模块将采集的实时数据输入至数据库中进行存储,数据库中存储的锅炉相关数据包括受热面结构参数、煤质参数、燃烧方式、工质物性参数、给风量、给煤量、工质入口参数、炉膛出口烟气实测参数、含有时间信息的积灰参数历史数据序列;
S3:实时计算模块从数据库中获取相关数据代入至预先构建的多工况CFD炉膛仿真预测模型和区段化灰污精细计算模型中进行计算,得到表征灰污程度的受热面不同区段的清洁因子CF;
其中所述多工况CFD炉膛仿真预测模型为BP神经网络,输入层参数为受热面结构参数、煤质参数、燃烧方式、工质物性参数、给风量、给煤量和工质入口参数,输出层为烟气出口温度;
所述区段化灰污精细计算模型基于分别以烟气和工质为对象进行区段划分形成的受热面区段化模型,利用所述多工况CFD炉膛仿真预测模型输出的烟气出口温度和数据库中的工质入口参数,通过热平衡计算得到不同受热面的烟气侧与工质侧参数,然后针对不同受热面的不同区段进行精细化计算,得到受热面不同区段的理论传热系数和实际传热系数,进而换算为清洁因子CF;
S4:监测模块将受热面不同区段的清洁因子CF作为输入变量代入至预先构建的LSTM时间序列积灰状态预测模型中,输出表征积灰状态的积灰厚度、积灰面积和积灰位置的预测结果,用于后续指导吹灰。
3.根据权利要求2所述的受热面灰污区段化监测方法,其特征在于,所述的多工况CFD炉膛仿真预测模型的构建方法包括以下步骤:
S11:从数据库中获取不同工况下的受热面结构参数、煤质参数、燃烧方式、工质物性参数、给风量、给煤量、工质入口参数和炉膛出口烟气实测参数;
S12:基于S11中获取的受热面结构参数、煤质参数、燃烧方式、工质物性参数、给风量和给煤量数据,利用计算流体动力学软件进行多工况的炉膛建模仿真,得到炉膛出口烟气温度场和速度场分布;
S13:利用数据库中的炉膛出口烟气实测参数对仿真模型进行修正;
S14:利用修正好的仿真模型生成仿真数据,结合S11中获取的工质入口参数,进行BP神经网络学习训练,其中BP神经网络的输入层参数包括受热面结构参数、煤质参数、燃烧方式、工质物性参数、给风量、给煤量和工质入口参数,输出层为烟气出口温度;训练完成后的BP神经网络作为烟气出口参数预测模型。
4.根据权利要求2所述的受热面灰污区段化监测方法,其特征在于,所述的区段化灰污精细计算模型的构建方法包括以下步骤:
S21:获取所述多工况CFD炉膛仿真预测模型中得到的烟气出口温度和数据库中得到的工质入口参数;
S22:根据S21中获取的数据,通过热平衡计算得到不同受热面的烟气侧与工质侧参数;
S23:对各受热面分别以烟气和工质为对象进行区段划分,建立受热面区段化模型,根据S22中获得的烟气侧与工质侧参数,针对不同受热面的不同区段进行精细化计算,得到不同区段的理论传热系数、实际传热系数;
S24:计算受热面不同区段的清洁因子CF。
5.根据权利要求4所述的受热面灰污区段化监测方法,其特征在于,所述S23中的受热面区段化模型中,以烟气为对象,将受热面沿烟气流动方向、炉膛宽度方向、炉膛高度方向分别划分为X、Y、Z个不同的区域;同时以工质为对象,将受热面沿工质整体流动方向、炉膛宽度方向、工质在管中的流动方向分别划分为U、V、W个不同的管段;划分后的烟气区域坐标表示为(x,y,z),划分后的管段坐标表示为(u,v,w)。
6.根据权利要求4所述的受热面灰污区段化监测方法,其特征在于,所述的S23中的精细化计算方法如下:
S231:根据水动力计算方法计算构成受热面的各管路质量流量qm(u,v);
S232:假设各管段的传热量为Qf(u,v,w),分别计算对应的辐射传热量
Figure FDA0002966277270000031
和对流传热量
Figure FDA0002966277270000032
计算过程中的控制方程如下:
Qf=ΣQf(u,v,w)
Qf=Qg
Qg=ΣQg(x,y,z)=∑[h'(x,y,z)-h*(x,y,z)]
C*(x-1,y,z)=C'(x,y,z)
C*(u,v,w-1)=C'(u,v,w)
qm=∑qm(u,v)
其中,Qf表示该受热面工质的总吸热量,Qg表示该受热面烟气的总放热量,Qg(x,y,z)表示烟气区域(x,y,z)的放热量;h'(x,y,z)表示一个区域烟气的入口焓值,h*(x,y,z)表示一个区域烟气的出口焓值,C*(x-1,y,z)表示烟气区域(x-1,y,z)的出口特性参数,C'(x,y,z)表示烟气区域(x,y,z)的入口特性参数,C*(u,v,w-1)表示工质管段(u,v,w-1)的出口特性参数,C'(u,v,w)表示工质管段(u,v,w)的入口特性参数,qm所有管路的的工质流量,qm(u,v)表示管路(u,v)的工质流量;
S233:完成S232后计算各管段总传热量Q'f(u,v,w),其计算公式如下:
Figure FDA0002966277270000041
S234:完成S233后判断当前误差是否满足精度要求ε,计算公式如下:
Figure FDA0002966277270000042
若当前误差满足精度要求则完成迭代计算,并得到各管段烟气侧与工质侧参数,否则重新设置各管段的传热量假设值并返回S232;
S235:当迭代完成得到各管段烟气侧与工质侧参数后,计算各管段理论传热系数kt与实际传热系数kr,计算公式如下:
Figure FDA0002966277270000043
Figure FDA0002966277270000044
Figure FDA0002966277270000045
Figure FDA0002966277270000046
Figure FDA0002966277270000047
其中,
Figure FDA0002966277270000048
表示待计算管段的对流传热量,Bj表示标准煤耗量,A表示传热面积,Δt表示温压,Δtmax表示较大温差端的介质温差,Δtmin表示较小温差端的介质温差,kg表示烟气侧传热系数,kf表示工质侧传热系数,C表示经验系数,λ表示平均烟气温度下烟气的导热系数,d表示管子的外径,Re表示雷诺数,Pr表示普朗特数,Cl表示物理性能变化对放热系数的影响,Cz表示管子沿烟气流程排数的修正系数,Cs表示节距修正系数,ab表示辐射受热面的管壁黑度,a表示温度T下烟气的黑度,Tb表示受热面表面绝对温度,上标m、n、l表示常数。
7.根据权利要求4所述的受热面灰污区段化监测方法,其特征在于,所述的S24中清洁因子CF的计算公式为:
Figure FDA0002966277270000051
8.根据权利要求1所述的受热面灰污区段化监测方法,其特征在于,所述的LSTM时间序列积灰状态预测模型的构建方法包括以下步骤:
S41:从数据库中获取含有时间信息的积灰参数历史数据序列,序列中每一条数据包括一个时刻对应的清洁因子、积灰厚度、积灰面积和积灰位置;
S42:将获取的数据序列进行样本划分,分为训练样本和测试样本;
S43:利用训练样本进行LSTM时间序列网络的初始训练,得到积灰状态初始预测模型,其中模型的输入变量为清洁因子,输出变量分别为表征积灰状态的积灰厚度、积灰面积和积灰位置;
S44:对初始预测模型中的超参数进行优化,得到优化后的LSTM积灰状态预测模型;
S45:用测试样本对训练后的的LSTM积灰状态预测模型进行验证,当误差满足要求后,LSTM时间序列积灰状态预测模型构建完成,否则继续返回模型训练;
S46:将S45中构建完成的LSTM时间序列积灰状态预测模型用于对积灰状态进行预测。
CN202110251554.9A 2021-03-08 2021-03-08 受热面灰污区段化监测系统及方法 Active CN112989694B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110251554.9A CN112989694B (zh) 2021-03-08 2021-03-08 受热面灰污区段化监测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110251554.9A CN112989694B (zh) 2021-03-08 2021-03-08 受热面灰污区段化监测系统及方法

Publications (2)

Publication Number Publication Date
CN112989694A true CN112989694A (zh) 2021-06-18
CN112989694B CN112989694B (zh) 2022-04-12

Family

ID=76335797

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110251554.9A Active CN112989694B (zh) 2021-03-08 2021-03-08 受热面灰污区段化监测系统及方法

Country Status (1)

Country Link
CN (1) CN112989694B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113761794A (zh) * 2021-08-17 2021-12-07 浙江浙能技术研究院有限公司 基于时间序列预测算法补全污染因子的锅炉吹灰优化方法
CN114088253A (zh) * 2021-11-17 2022-02-25 华电国际电力股份有限公司十里泉发电厂 一种水冷壁背火侧热流计及在线监测方法
CN115031247A (zh) * 2022-05-30 2022-09-09 上海发电设备成套设计研究院有限责任公司 一种锅炉辐射受热面灰沉积程度的在线监控方法及装置
CN115510904A (zh) * 2022-09-26 2022-12-23 天津大学 基于时序预测的锅炉受热面积灰监测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190113417A1 (en) * 2016-12-30 2019-04-18 State Grid Zhejiang Electric Power Company Limited Electric Power Research Institute Method for acquiring thermal efficiency of a boiler
CN110390420A (zh) * 2019-06-06 2019-10-29 广州特种承压设备检测研究院 基于粒子群优化人工神经网络的过热器结渣预测方法
CN111241744A (zh) * 2020-01-07 2020-06-05 浙江大学 一种基于双向lstm的低压铸造机时间序列数据异常检测方法
CN112283689A (zh) * 2020-10-29 2021-01-29 西安工业大学 燃煤电站锅炉受热面积灰在线监测系统及其检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190113417A1 (en) * 2016-12-30 2019-04-18 State Grid Zhejiang Electric Power Company Limited Electric Power Research Institute Method for acquiring thermal efficiency of a boiler
CN110390420A (zh) * 2019-06-06 2019-10-29 广州特种承压设备检测研究院 基于粒子群优化人工神经网络的过热器结渣预测方法
CN111241744A (zh) * 2020-01-07 2020-06-05 浙江大学 一种基于双向lstm的低压铸造机时间序列数据异常检测方法
CN112283689A (zh) * 2020-10-29 2021-01-29 西安工业大学 燃煤电站锅炉受热面积灰在线监测系统及其检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
SHUIGUANG TONG等: "Online Ash Fouling Prediction for Boiler Heating Surfaces based on Wavelet Analysis and Support Vector Regression", 《ENERGIES》 *
仝营等: "基于热力性能机理模型与模糊综合评价的锅炉受热面吹灰优化", 《热力发电》 *
孝延军: "锅炉省煤器积灰在线监测研究", 《安徽电气工程职业技术学院学报》 *
祝欣慰等: "基于人工神经网络的锅炉受热面污染在线监测", 《热力发电》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113761794A (zh) * 2021-08-17 2021-12-07 浙江浙能技术研究院有限公司 基于时间序列预测算法补全污染因子的锅炉吹灰优化方法
CN113761794B (zh) * 2021-08-17 2024-05-31 浙江浙能技术研究院有限公司 基于时间序列预测算法补全污染因子的锅炉吹灰优化方法
CN114088253A (zh) * 2021-11-17 2022-02-25 华电国际电力股份有限公司十里泉发电厂 一种水冷壁背火侧热流计及在线监测方法
CN115031247A (zh) * 2022-05-30 2022-09-09 上海发电设备成套设计研究院有限责任公司 一种锅炉辐射受热面灰沉积程度的在线监控方法及装置
CN115510904A (zh) * 2022-09-26 2022-12-23 天津大学 基于时序预测的锅炉受热面积灰监测方法
CN115510904B (zh) * 2022-09-26 2023-08-01 天津大学 基于时序预测的锅炉受热面积灰监测方法

Also Published As

Publication number Publication date
CN112989694B (zh) 2022-04-12

Similar Documents

Publication Publication Date Title
CN112989694B (zh) 受热面灰污区段化监测系统及方法
CN111339716B (zh) 一种锅炉高温烟气流场在线代理模型构建方法
CN109583585B (zh) 一种电站锅炉壁温预测神经网络模型的构建方法
CN109492319B (zh) 一种火电厂锅炉烟气含氧量软测量方法
CN111695249B (zh) 一种燃气锅炉热效率的预测方法
CN113011010A (zh) 基于结构机理和运行数据的锅炉故障诊断方法及诊断系统
CN111855547B (zh) 中低温烟气换热设备积灰腐蚀磨损状态可视化智能监测系统及其方法
CN106322412B (zh) 基于二维寻优的燃煤机组对流受热面智能吹灰方法
CN110207094B (zh) 基于主成分分析的iqga-svr锅炉受热面沾污特性辨识方法
CN114429003A (zh) 锅炉四管寿命预测方法的系统
CN109829189B (zh) 一种基于数值模拟的炉膛结渣厚度判断方法
CN112923349A (zh) 一种燃煤锅炉低温省煤器的污垢动态监测方法及其系统
CN101825869A (zh) 基于数据驱动的过热器模型参数辨识方法
CN115510904B (zh) 基于时序预测的锅炉受热面积灰监测方法
Mojica-Cabeza et al. A review of the different boiler efficiency calculation and modeling methodologies
CN102588943A (zh) 一种锅炉对流受热面灰污监测系统及监测方法
CN114036758A (zh) 基于数值模拟和机器学习的锅炉燃烧状态动态展示方法
CN118039004A (zh) 煤粉锅炉内温度与硫化氢气体浓度在线监测方法
KR101839274B1 (ko) 발전용 보일러 튜브의 마모 예측 시스템 및 방법
CN117473887A (zh) 一种垃圾焚烧炉高温受热面热力状态监测及腐蚀预测方法
Zou et al. Online evaluation of the boiler energy efficiency associated with the soot blowing in coal‐fired power plants
CN102607009A (zh) 锅炉对流受热面灰污监测系统
CN202598481U (zh) 锅炉对流受热面灰污监测装置
CN202546721U (zh) 锅炉对流受热面灰污监测系统
CN118424035B (zh) 用于多管程绕管式换热器的高效换热控制方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant