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。

基于机理建模的煤质辨识技术研究与工程实践

介绍了以锅炉燃烧、换热工艺流程为研究对象的机理建模研究开发过程,分析了研究过程的技术难点和关键突破,为电站仿真技术研究提供了参考借鉴。

在线煤质辨识及优化系统在火力发电厂运用

本文主要对新型节能提效的技术—在线煤质辨识及优化系统在火力发电厂运用的可行性进行探讨

基于煤质辨识的AGC优化的应用

为克服煤质频繁变化对机组的干扰,在某厂2号机组进行了基于锅炉侧机理模型的入炉煤热值实时辨识及控制策略优化的研究。提出开发煤质在线辨识方法、基于煤质辨识结果下的最优协调控制决策,它对满足电网AGC功能要求并实现火电机组平稳生产和节能降耗有明显的促进作用。