数字化煤场系统和配煤优化研究.ppt

主要介绍内容 针对电厂普遍存在的煤场容量较小，不能分堆堆放不同来源的煤种，开发了数字化分段堆煤信息系统，实现了燃煤分段堆放和数字化动态管理。 混煤和单煤的特性参数之间的真实关系是非线性的，采用了非线性配煤技术，采用支持向量机（Support Vector Machine， SVM）方法对配煤的非线性进行建模并实现优化配煤。 对煤分段堆煤各煤段之间的煤掺混问题进行了试验研究和分析 。 炉内两种不同的混煤燃烧方法即混煤炉内分层燃烧和完全混烧的研究 。 电厂燃煤优化配制的试验研究和配煤的非线性特性 混煤和单煤之间的关系并不是简单的线性关系，有些指标可采用近似的加权平均方法，有些指标非线性较强。 特别是混煤的煤灰熔点与单煤的煤灰熔点之间存在严重的非线性，往往不能采用单煤灰熔点加权平均的方法获得混煤的灰熔点。 而混煤的灰熔点和结渣特性对锅炉的安全运行非常重要。 着火温度与掺烧率的关系 混煤灰熔点的变化复杂 混煤的灰熔点，有时比所有组分单煤灰熔点都低，有时也会比所有组分单煤灰熔点都高。 这种变化与组分单煤的特性关系较大，煤种差别越大，混合后变化越大 因为不同煤种混合后，灰中矿物质的组成、含量发生变化，不同煤的矿物质可能发生化学反应而改变熔融特性，而且不同煤种混合后煤灰还可能生成低熔点共熔体从而降低了混煤的灰熔点。 煤场的分段堆煤数字化管理 与大型配煤场不同，电厂普遍煤场容量较小，不能分堆堆放不同来源的煤种，往往需要充分利用煤场容量。 一个煤场被划为很多段，不同段存放不同的煤种，从而实现分段堆煤 煤场数字化管理和配煤优化软件 在输煤程控系统中的配煤掺烧方面，国外输煤在近年来多已采用，而国内这10年来输煤程控系统改造也未能实现配煤掺烧。 把优质煤与质差煤进行掺烧，研究出了一套“适时配煤，充分发挥各掺配煤的优点，使其最终综合性能达到各台炉最佳运行状态的应用” 的煤场数字化管理和配煤优化软件。 电厂煤场管理系统功能 电厂煤场管理系统贮存的数据有：四个煤场的存煤总概况立体图和总数据表（存煤数量及总存煤量），煤船、煤质指标（低位热值、全水分、固定碳、硫分、挥发分和灰熔点）、堆煤时间、存煤温度等数据。 显示功能：当存煤各项指标均在标准范围内则该存煤以黑色显示，当全水分大于12%时该存煤以蓝色显示；当挥发分小于22%或大于32%时以绿色显示，当固定碳大于60%时以青色显示，当硫分大于1%时以黄色显示，当低位热值小于20900J/g或大于24240J/g时以红色显示，当灰融点低时以金色显示，当该存煤有两个及以上指标超过标准则轮流变换颜色显示，变换间隔5秒。 主界面－1 主界面－2 按煤船查询 按煤质指标查询 按堆煤时间查询 按存煤温度查询 堆取煤操作 #2煤场的分层堆放 煤场堆放有序 按配煤专家系统指导取煤 按数字化煤场管理要求有计划地堆煤 煤场段位标志 配煤掺烧优化指导功能 原则上煤质指标在标准范围内的存煤不进行配煤； 当煤质指标超过标准范围的存煤，必须进行配煤； 配煤方法采用基于支持向量机的优化配煤方法，配煤后的低位热值、全水分、固定碳、硫分指标和挥发分、灰融点指标在标准范围内； 基于支持向量机的非线性优化配煤技术 混煤特性的常规表示方法包括算术平均、线性拟合、多项式拟合等方法 。 混煤特性的常规表示方法可用来描述混煤的一些成分分析值。混煤的某些分析数据加成性较好，如硫元素含量。发热量，灰成分等也可近似采用常规方法求解。 但混煤的部分特性呈现出强烈的非线性，如混煤的灰熔点，燃尽特性等指标。 以往配煤优化建模研究的不足 以往的配煤方法往往采用线性加权平均的方法，但由于混煤的非线性特点，导致配煤失败。 也有一些研究采用人工神经网络方法进行混煤非线性特性的建模，但人工神经网络方法由于缺乏一种统一的数学理论，是一种完全黑箱式的建模方法，因此带来模型泛化能力差等缺点，导致配煤技术的不可靠性。 人工神经网络方法的缺点 网络结构和权值的寻优必须由设计者确定，带有很大的经验性。 网络容易出现过拟合（overfiting），即对于训练数据具有非常小的误差，但是对于不参与训练的样本预测误差则比较大，网络泛化能力比较差。 即使对于中等规模的网络，网络结构和权值的优化工作也是很慢的， 学习速率慢。 神经网络学习算法过程中使用了大量的随机数，因此即使对于同一个网络，同样的训练集，也会产生不同的训练结果 基于支持向量机的非线性优化配煤技术 支持向量机方法(SVM)简介: (x1,y1), (x2,y2) ,……,(xl,yl) 其中xi为N维向量， yi?{-1,1} 或 {1,2, ……,k} (聚类) yi?R ( 回归) 预报样本集 xl+1 , xl+2 , …… ,