基于静电法联合长短时记忆神经网络的入炉煤质辨识方法

燃煤机组每台磨煤机的实时入炉煤质对锅炉的燃烧优化调整具有重要意义,但传统煤质检测程序繁琐,且存在检测数据滞后的情况。因此,提出一种基于静电法联合长短时记忆(LSTM)神经网络的入炉煤质辨识方法。根据不同煤粉传输过程中存在静电变化的特性,安装静电传感器检测不同煤粉通过管道时的静电信号强度,结合风煤比、煤粉流速、磨煤机出口温度等影响参数,并结合现场数据分析参数相关性与迟延性,构建煤质辨识LSTM神经网络模型。以某600 MW机组锅炉实测数据为例,经参数寻优后采用LSTM神经网络模型辨识煤质准确率达到86.84%,对4种煤质分类结果的评估指标AUC值均在0.9以上,并与其他机器学习模型进行对比实验,结果表明LSTM神经网络模型具有更高的辨识精度,验证了该方法的可行性和准确性。

基于先进检测的锅炉低负荷安全运行控制系统

为解决锅炉低负荷工况下运行存在的燃烧不稳定、水动力、受热面结焦、爆管、空预器堵塞等问题,基于新能源并网比例不断增加、火电厂深调能力要求越来越高的现状,结合当前大部分电厂存在的运行技术的不足,设计一种锅炉低负荷安全运行控制系统,采用低负荷燃烧稳定性定量检测、燃烧器风粉流动参数精细监测等先进检测技术,构建锅炉燃烧精细化检测与智能化控制系统,为燃烧安全问题提供完整的解决方案。结果表明:锅炉低负荷安全运行控制系统能够实现锅炉20%~30%负荷下不投油稳定燃烧;通过精细控制,可实现20%~100%宽负荷锅炉效率和排放的最优控制,比应用锅炉低负荷安全运行控制系统前煤耗平均下降1.5~2.0 g/(kW·h)。