基于数据驱动的CFB机组变负荷工况SO2质量浓度建模

doi:10.3969/j.issn.2097-0706.2022.03.010

综合智慧能源 ›› 2022, Vol. 44 ›› Issue (3): 63-69.doi: 10.3969/j.issn.2097-0706.2022.03.010

基于数据驱动的CFB机组变负荷工况SO₂质量浓度建模

李彩霞¹(), 赵军¹^,^*(), 李建伟¹(), 王伟¹(), 王杰²(), 于浩洋³()

1.内蒙古蒙泰不连沟煤业有限责任公司煤矸石热电厂,内蒙古准格尔 010321
2.内蒙古蒙泰不连沟煤业有限责任公司,内蒙古准格尔 010321
3.华北电力大学控制与计算机工程学院,北京 102206

收稿日期:2021-09-25 修回日期:2022-01-22 出版日期:2022-03-25 发布日期:2022-03-28
通讯作者: 赵军
作者简介:李彩霞（1981）,女,工程师,从事火电厂热工检修工作, yuhaoyang11111@126.com。
李建伟（1985）,男,工程师,从事电厂运行管理工作, 44137061@qq.com。
王伟（1993）,男,助理工程师,从事电厂技术监督管理工作, 1135781143@qq.com。
王杰（1972）,男,助理工程师,从事电力生产和管理工作, 277873238@qq.com。
于浩洋（1996）,男,在读博士研究生,研究方向为循环流化床机组污染物排放控制, 120202127004@ncepu.edu.cn。
基金资助:
中国华电集团科技项目(CHDKJ21-02-161)

Data-driven modeling for SO₂ mass concentration of CFB units under variable load conditions

LI Caixia¹(), ZHAO Jun¹^,^*(), LI Jianwei¹(), WANG Wei¹(), WANG Jie²(), YU Haoyang³()

1. Gangue Thermal Power Plant of Inner Mongolia Mengtai Buliangou Coal Industry Company Limited,Jungar 010321,China
2. Inner Mongolia Mengtai Buliangou Coal Industry Company Limited,Jungar 010321,China
3. School of Control and Computer Engineering,North China Electric Power University,Beijing 102206,China

Received:2021-09-25 Revised:2022-01-22 Online:2022-03-25 Published:2022-03-28
Contact: ZHAO Jun

摘要/Abstract

摘要：

由于循环流化床（CFB）机组在动态过程中缺乏有效的污染物生成与还原模型的指导,导致变负荷能力在一定程度上受到污染物排放水平的制约。提出了一种基于数据驱动的循环流化床机组SO₂质量浓度动态模型,应用极限学习机建立基础模型,根据循环流化床污染物生成与还原机理,选择合适的输入变量,并应用遗传算法对该模型加以改进,使该模型具有较高的精度,并在动态工况下有较好的建模结果。该模型可以为SO₂质量浓度控制系统提供有效指导。同时,在所提出的模型基础之上,在智能平行控制理论框架下,虚拟系统与实际系统相结合形成平行系统,提出了循环流化床机组SO₂控制系统智能平行控制方法,可为今后循环流化床机组SO₂低排放智能控制提供参考,在一定程度上有利于提升循环流化床机组变负荷能力。

关键词: 循环流化床, 极限学习机, 遗传算法, SO₂质量浓度动态模型, 智能平行控制, 数据驱动, 智能发电

Abstract:

Due to the lack of effective guidance for pollutant generation and reduction modelling in the dynamic process of circulating fluidized bed（CFB）units,the load adjusting capacity is restricted by pollutant emission to a certain extent.A data-driven SO₂ concentration dynamic model for CFB units is established based on an extreme learning machine.According to the generation and reduction mechanisms of pollutants from CFBs,appropriate input variables are selected.The model improved by genetic algorithms is of higher accuracy and better modelling results under dynamic conditions.The model can provide effective guidance for SO₂ concentration control systems.At the same time,a parallel system integrating a real system with its virtual counterpart is made on the basis of the proposed model under the framework of intelligent parallel control theory.The proposed intelligent parallel control for the SO₂ control systems can provide references for the SO₂ emission control of the following CFBs for boosting their load adjusting capacities to a certain extent.

Key words: CFB, extreme learning machine, genetic algorithm, SO₂ concentration dynamic model, intelligent parallel control, data driven, intelligent power generation

中图分类号:

TK01

李彩霞, 赵军, 李建伟, 王伟, 王杰, 于浩洋. 基于数据驱动的CFB机组变负荷工况SO₂质量浓度建模[J]. 综合智慧能源, 2022, 44(3): 63-69.

LI Caixia, ZHAO Jun, LI Jianwei, WANG Wei, WANG Jie, YU Haoyang. Data-driven modeling for SO₂ mass concentration of CFB units under variable load conditions[J]. Integrated Intelligent Energy, 2022, 44(3): 63-69.

图/表 9

表1

图1

表2

表3

图2

图3

图4

图5

图6

参考文献 14

[1]	岳光溪, 吕俊复, 徐鹏, 等. 循环流化床燃烧发展现状及前景分析[J]. 中国电力, 2016, 49(1):1-13.
	YUE Guangxi, LÜ Junfu, XU Peng, et al. The up-to-date development and future of circulating fluidized bed combustion technology[J]. Electric Power, 2016, 49(1):1-13.
[2]	YUE G, CAI R, LU J, et al. From a CFB reactor to a CFB boiler—The review of R&D progress of CFB coal combustion technology in China[J]. Powder Technology, 2017, 316:18-28. doi: 10.1016/j.powtec.2016.10.062
[3]	LI D, WU D S, XU F G, et al. Literature overview of Chinese research in the field of better coal utilization[J]. Journal of Cleaner Production, 2018, 185:959-980. doi: 10.1016/j.jclepro.2018.02.216
[4]	王树民, 刘吉臻. 燃煤电厂烟气污染物近零排放工程实践分析[J]. 中国电机工程学报, 2016, 36(22):6140-6147.
	WANG Shumin, LIU Jizhen. Investigation of near-zero air pollutant emission characteristics from coal-fired power plants[J]. Proceedings of the CSEE, 2016, 36(22):6140-6147.
[5]	池涌, 岑可法, 倪明江, 等. 燃煤循环流化床燃烧脱硫的模型预测[J]. 工程热物理学报, 1994, 15(4):449-452.
	CHI Yong, CEN Kefa, NI Mingjiang, et al. Model prediction of sulfur capture performance in coal fired CFB boilers[J]. Journal of Engineering Thermophysics, 1994, 15(4):449-452.
[6]	李树林, 曾庭华, 范浩杰. 循环流化床锅炉深度脱硫的经济性研究[J]. 锅炉技术, 2012, 43(5):35-39.
	LI Shulin, ZENG Tinghua, FAN Haojie. The economic research on deep desulfurization of circulating fluidized bed boiler[J]. Boiler Technology, 2012, 43(5):35-39.
[7]	高明明, 岳光溪, 雷秀坚, 等. 循环流化床锅炉石灰石控制研究[J]. 动力工程学报, 2014, 34(10):759-764,777.
	GAO Mingming, YUE Guangxi, LEI Xiujian, et al. Research on limestone control of circulating fluidized bed boiler[J]. Journal of Chinese Society of Power Engineering, 2014, 34(10):759-764,777.
[8]	陈娟, 荆昊, 孙向阳. 基于模糊非支配排序遗传算法的多车型快速路交通拥堵和排放优化[J]. 上海大学学报(自然科学版), 2021, 27(4):766-784. doi: 10.12066/j.issn.1007-2861.2244
	CHEN Juan, JING Hao, SUN Xiangyang. Multi-model expressway traffic congestion and emission optimization based on fuzzy non-dominated sorting genetic algorithm[J]. Journal of Shanghai University(Natural Science Edition), 2021, 27(4):766-784. doi: 10.12066/j.issn.1007-2861.2244
[9]	韩友春, 金丛成. 基于遗传算法的水电站有效库容优化方法[J]. 西北水电, 2021(4):26-30.
	HAN Youchun, JIN Congcheng. Optimization method for effective storage capacity of hydropower station based on genetic algorithm[J]. Northwest Hydropower, 2021(4):26-30.
[10]	HUANG G B, ZHU Q Y, SIEW C K. Extreme learning machine:A new learning scheme of feedforward neural networks[C]//2004 IEEE International Joint Conference on Neural Networks. Budapest,Hungary, 2004.
[11]	HUANG G B, ZHU Q Y, SIEW C K. Extreme learning machine:Theory and applications[J]. Neurocomputing, 2006, 70:489-501. doi: 10.1016/j.neucom.2005.12.126
[12]	刘吉臻, 王庆华, 房方, 等. 数据驱动下的智能发电系统应用架构及关键技术[J]. 中国电机工程学报, 2019, 39(12):3578-3587.
	LIU Jizhen, WANG Qinghua, FANG Fang, et al. Data-driven intelligent power generation system application architecture and key technologies[J]. Proceedings of the CSEE, 2019, 39(12):3578-3587.
[13]	曹雨洁, 丁肇豪, 王鹏, 等. 能源互联网背景下数据中心与电力系统协同优化（二）:机遇与挑战[J/OL]. 中国电机工程学报:1-16.(2021-08-11)[2022-01-20].DOI: 10.13334/j.0258-8013.pcsee.210814. doi: 10.13334/j.0258-8013.pcsee.210814
	CAO Yujie, DING Zhaohao, WANG Peng, et al. Collaborative optimization of data center and power system under the background of energy Internet(2):Opportunities and challenges[J/OL]. Proceedings of the CSEE:1-16.(2021-08-11)[2022-01-20].DOI: 10.13334/j.0258-8013.pcsee.210814. doi: 10.13334/j.0258-8013.pcsee.210814
[14]	王飞跃. 平行控制与数字孪生:经典控制理论的回顾与重铸[J]. 智能科学与技术学报, 2020, 2(3):293-300.
	WANG Feiyue. Parallel control and digital twin:A review and recast of classic control theory[J]. Journal of Intelligent Science and Technology, 2020, 2(3):293-300.

变量名称	皮尔森系数	相关性
石灰石给料量	0.732 0	强
总风量	0.212 0	弱
一次风量	0.324 3	弱
二次风量	-0.297 3	弱
氧量	-0.482 7	中
给煤量	0.349 7	弱
负荷	0.482 7	中
床温	0.213 4	弱

参数	数量
ELM隐含层神经元个数	60
遗传算法迭代次数	4 000
种群数量	100

[1]	龙思成, 黄志鸿. 基于多尺度极限融合网络的电力变压器故障诊断方法研究[J]. 综合智慧能源, 2022, 44(9): 78-83.
[2]	刘文慧, 严博文, 吴江, 任一君, 孔维政, 谌际宇. 基于平行控制理论的循环流化床锅炉床温智能预测模型[J]. 综合智慧能源, 2022, 44(3): 50-57.
[3]	石立宝, 翟放. 考虑风-光-荷不确定性的数据驱动型机组组合模型[J]. 综合智慧能源, 2022, 44(1): 18-25.
[4]	施杰, 张安勤. 基于多参数代价敏感系数学习及数据驱动模型的电力能耗预测[J]. 华电技术, 2021, 43(8): 54-60.
[5]	韩旭东. 基于数据驱动的火电机组高压加热系统异常检测研究[J]. 华电技术, 2021, 43(8): 67-73.
[6]	荆立坤, 唐宜强, 潘凤萍, 吴振龙. 基于鲁棒约束的PI控制器参数多目标优化及应用[J]. 华电技术, 2021, 43(5): 1-8.
[7]	曹喜果, 张永涛, 李雅恬. 基于IQGA-GRNN模型的SCR脱硝出口NO_x质量浓度预测方法[J]. 华电技术, 2021, 43(5): 9-14.
[8]	张东旺, 范浩东, 赵冰, 王家林, 巩太义, 张缦, 李诗媛, 杨海瑞, 吕俊复. 国内外生物质能源发电技术应用进展[J]. 华电技术, 2021, 43(3): 70-75.
[9]	张开萍, 张洪福, 高明明, 王勇, 马聪. 生物质循环流化床发电技术研究进展[J]. 华电技术, 2021, 43(10): 43-49.
[10]	陈全喜, 付江涛. 市政污泥耦合燃煤电厂发电关键因素分析与展望[J]. 华电技术, 2021, 43(10): 50-60.
[11]	谭雪梅, 刘世杰, 赵冰, 巩太义, 王家林, 胡南. 循环流化床锅炉气固两相流换热研究进展[J]. 华电技术, 2021, 43(10): 61-67.
[12]	章文浦, 王强钢. 基于遗传算法的分布式多能互补能源系统优化配置[J]. 华电技术, 2021, 43(1): 52-58.
[13]	初雷哲，张衍国，严矫平. 多流程循环流化床生物质锅炉在园区集中供热中的应用[J]. 华电技术, 2020, 42(5): 79-82.
[14]	曹建宗 1，林宸雨 2，陈文通 1，刘琦 2，周权 2，要亚坤 1，樊帅军 2，马彩妮 2，马双忱 2*. 现代预测和优化算法在脱硫系统运行中的应用[J]. 华电技术, 2020, 42(3): 59-66.
[15]	孙书刚，朱昱，钱兵，李小武，倪红军. 基于遗传算法的涂层转接工艺优化[J]. 华电技术, 2020, 42(2): 72-75.

基于数据驱动的CFB机组变负荷工况SO₂质量浓度建模

Data-driven modeling for SO₂ mass concentration of CFB units under variable load conditions

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 14

相关文章 15

编辑推荐

Metrics

本文评价