一种基于CNN算法的智能燃烧优化的闭环控制方法技术

本发明专利技术涉及一种基于CNN算法的智能燃烧优化的闭环控制方法，包括：步骤1，基于机组运行相关数据生成包含机组运行信息和时间维度的二维数据表，将表格内的数据通过CNN神经网络算法进行分类处理，得到分类结果；所述分类的信息包括机组负荷、风量、给煤量、给水流量、风门开度、风压、给水温度，燃烧效率、生成氮氧化物等；步骤2，根据分类结果对燃烧系统进行实时预测，并采用粒子群算法进行寻优，得到优化控制指令；步骤3，根据寻优得到的优化控制指令对燃烧系统进行闭环优化控制。本发明专利技术解决了燃烧系统多输入多输出建模困难，难于实现建模优化的问题，同时实现了对燃烧系统的闭环控制。

【技术实现步骤摘要】
一种基于CNN算法的智能燃烧优化的闭环控制方法
本专利技术属于火力发电
，尤其涉及一种基于CNN算法的智能燃烧优化的闭环控制方法。
技术介绍
目前火电厂已进入饱和期，火电厂的经营以内部优化为主，煤电机组更是火力发电的主力军，同时煤粉锅炉燃烧存在主要的问题亟待解决：一是炉膛内的燃烧复杂多变，锅炉的优化控制缺乏精准依据；二是目前锅炉燃烧优化严重依赖人工经验，传统控制技术无法解决锅炉燃烧多变量耦合、惯性滞后大等问题。为了解决燃烧系统优化的问题，目前虽然已经出现了多种优化方式,但具有燃烧系统多输入多输出建模困难，难于实现建模优化的问题。
技术实现思路
本专利技术的目的是提供一种基于CNN算法的智能燃烧优化的闭环控制方法，以解决燃烧系统多输入多输出建模困难，难于实现建模优化的问题，同时实现对燃烧系统的闭环控制。本专利技术提供了一种基于CNN算法的智能燃烧优化的闭环控制方法，包括：步骤1，基于机组运行相关数据生成包含机组运行信息和时间维度的二维数据表，将表格内的数据通过CNN神经网络算法进行分类处理，得到分类结果；所述分类的信息包括机组负荷、风量、给煤量、给水流量、风门开度、风压、给水温度，燃烧效率、生成氮氧化物；步骤2，根据分类结果对燃烧系统进行实时预测，并采用粒子群算法进行寻优，得到优化控制指令；步骤3，根据寻优得到的优化控制指令对燃烧系统进行闭环优化控制。进一步地，所述分类结果用于燃烧效率和生成氮氧化物浓度的预测，所述寻优目标为氮氧化物浓度低与燃烧效率高。<br>进一步地，所述步骤1包括：基于CNN算法对燃烧系统进行分类，通过燃烧系统的数据组成9*9的二维数据表，以时间和相关系统物理量测量值为两个维度，通过CNN神经网络进行学习，基于BP算法确定卷积核，对燃烧效率和生成氮氧化物浓度进行分类，所述卷积核选择2-3个。进一步地，所述步骤2包括：通过设置权重系数来调节寻优目标。进一步地，所述步骤3包括：将寻优得到的优化控制指令在DCS系统进行安全指令切换，在投入优化控制系统状态下，通过优化控制指令直接控制每个执行机构的输出指令。借由上述方案，通过基于CNN算法的智能燃烧优化的闭环控制方法，采用CNN神经网络算法对燃烧系统及机组相关数据进行分类，同时结合粒子群寻优算法对燃烧系统效率和燃烧生成氮氧化物浓度进行优化，从而达到燃烧系统优化控制的目标，解决了燃烧系统多输入多输出建模困难，难于实现建模优化的问题，同时实现了对燃烧系统的闭环控制。上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，并可依照说明书的内容予以实施，以下以本专利技术的较佳实施例详细说明如后。附图说明图1是本专利技术基于CNN算法的智能燃烧优化的闭环控制方法的流程图；图2是本专利技术一实施例中闭环控制逻辑二次风优化闭环控制流程图。具体实施方式下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细描述。以下实施例用于说明本专利技术，但不用来限制本专利技术的范围。参图1所示，本实施例提供了一种基于CNN算法的智能燃烧优化的闭环控制方法，包括：步骤S1，基于机组运行相关数据生成包含机组运行信息和时间维度的二维数据表，将表格内的数据通过CNN神经网络算法进行分类处理，得到分类结果；分类信息主要包括机组负荷、风量、给煤量、给水流量、风门开度、风压、给水温度，燃烧效率、生成氮氧化物等。步骤S2，根据分类结果对燃烧系统进行实时预测，并采用粒子群算法进行寻优，得到优化控制指令；所述寻优目标为氮氧化物浓度低与燃烧效率高；步骤S3，根据优化控制指令对燃烧系统进行闭环优化控制。该基于CNN算法的智能燃烧优化的闭环控制方法，采用CNN神经网络算法对燃烧系统及机组相关数据进行分类，同时结合粒子群寻优算法对燃烧系统效率和燃烧生成氮氧化物浓度进行优化，从而达到燃烧系统优化控制的目标，解决了燃烧系统多输入多输出建模困难，难于实现建模优化的问题，同时实现了对燃烧系统的闭环控制。参图2所示，在一具体实施例中，选择2个3*3的卷积核，分别用来按照燃烧效率和生成氮氧化物浓度两个维度分类，分类结果用来实现燃烧效率和生成氮氧化物浓度的预测，并通过粒子群算法对风门开度进行寻优，将风门优化指令送至DCS系统实现优化闭环控制。具体步骤包括：第一步：基于CNN算法对燃烧系统进行分类，通过燃烧系统的数据组成9*9的二维数据表，以时间和相关系统物理量测量值为两个维度，通过CNN神经网络进行学习，通过BP算法实现卷积核的确定，卷积核选择2-3个，本例选择2个卷积核来训练，分别用来对燃烧效率和生成氮氧化物浓度进行分类，分别分成10类，共计分为20类。CNN神经网络学习的样本样式如表1所示，表1中1/0代表燃烧系统的实际数据。表1CNN神经网络学习的样本样式第二步：将分类结果进行燃烧效率和生成氮氧化物的实时预测，并采用粒子群优化算法对风门开度进行寻优，寻优目标为燃烧效率高和生成氮氧化物低，通过设置权重系数来调节优化目标。χ＝k1NOx+k2(1-η)式中：χ为系统寻优目标函数，k1为生成氮氧化物浓度权重系数，k2为锅炉效率损失部分权重系数。第三步：通过闭环控制系统将优化策略指令分别送至一次风、二次风执行机构。将寻优得到的优化控制指令在DCS系统进行安全指令切换，投入优化控制系统状态下，优化控制指令直接控制每个执行机构的输出指令。以上所述仅是本专利技术的优选实施方式，并不用于限制本专利技术，应当指出，对于本
的普通技术人员来说，在不脱离本专利技术技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本专利技术的保护范围。本文档来自技高网...

【技术保护点】
1.一种基于CNN算法的智能燃烧优化的闭环控制方法，其特征在于，包括：/n步骤1，基于机组运行相关数据生成包含机组运行信息和时间维度的二维数据表，将表格内的数据通过CNN神经网络算法进行分类处理，得到分类结果；所述分类的信息包括机组负荷、风量、给煤量、给水流量、风门开度、风压、给水温度，燃烧效率、生成氮氧化物；/n步骤2，根据分类结果对燃烧系统进行实时预测，并采用粒子群算法进行寻优，得到优化控制指令；/n步骤3，根据寻优得到的优化控制指令对燃烧系统进行闭环优化控制。/n

【技术特征摘要】
1.一种基于CNN算法的智能燃烧优化的闭环控制方法，其特征在于，包括：
步骤1，基于机组运行相关数据生成包含机组运行信息和时间维度的二维数据表，将表格内的数据通过CNN神经网络算法进行分类处理，得到分类结果；所述分类的信息包括机组负荷、风量、给煤量、给水流量、风门开度、风压、给水温度，燃烧效率、生成氮氧化物；
步骤2，根据分类结果对燃烧系统进行实时预测，并采用粒子群算法进行寻优，得到优化控制指令；
步骤3，根据寻优得到的优化控制指令对燃烧系统进行闭环优化控制。


2.根据权利要求1所述的智能燃烧优化的闭环控制方法，其特征在于，所述分类结果用于燃烧效率和生成氮氧化物浓度的预测，所述寻优目标为氮氧化物浓度低与燃烧效率高。


3....

【专利技术属性】
技术研发人员：王伟，郭婷婷，叶翔，王然，宋寅，孙志鹏，王英敏，王鹤麒，
申请(专利权)人：中国大唐集团科学技术研究院有限公司火力发电技术研究院，
类型：发明
国别省市：北京;11