基于人工智能技术的火电厂燃煤锅炉智能燃烧优化研究及应用

doi:10.11959/j.issn.2096-6652.201925

智能科学与技术学报 ›› 2019, Vol. 1 ›› Issue (2): 163-170.doi: 10.11959/j.issn.2096-6652.201925

基于人工智能技术的火电厂燃煤锅炉智能燃烧优化研究及应用

牛培峰¹,马云鹏²(),张欣欣¹,胡晓宾¹

¹ 燕山大学电气工程学院，河北秦皇岛 066004
² 天津商业大学信息工程学院，天津300134

修回日期:2019-06-03 出版日期:2019-06-20 发布日期:2019-09-09
作者简介:牛培峰（1958- ），男，吉林舒兰人，燕山大学教授，主要研究方向为人工智能技术、复杂系统过程控制。|马云鹏（1989- ），男，河北沧州人，博士，天津商业大学讲师，主要研究方向为机器学习、模式识别、复杂系统过程控制。|张欣欣（1991- ），女，河北邢台人，燕山大学博士生，主要研究方向为神经网络的稳定性分析、模式识别、机器学习等。|胡晓宾（1983- ），男，内蒙古乌兰察布人，燕山大学博士生，主要研究方向为人工智能、数据挖掘与建模。
基金资助:
国家自然科学基金资助项目(61573306)

Research and application on combustion optimization of coal-fired boiler in thermal power plant based on artificial intelligence technology

Peifeng NIU¹,Yunpeng MA²(),Xinxin ZHANG¹,Xiaobin HU¹

¹ School of Electrical Engineering,Yanshan University,Qinhuangdao 066004,China
² School of Information Engineering,Tianjin University of Commerce,Tianjin 300134,China

Revised:2019-06-03 Online:2019-06-20 Published:2019-09-09
Supported by:
The National Natural Science Foundation of China(61573306)

摘要/Abstract

摘要：

为了降低火电厂燃煤锅炉的氮氧化合物排放浓度和锅炉煤耗，提出了样本增量量子神经网络和改进型量子蜂群算法。样本增量量子神经网络可以动态建立燃煤锅炉的氮氧化合物排放浓度和锅炉煤耗的综合模型，并且可实现模型滚动优化。基于建立的综合模型，通过应用改进型量子蜂群算法优化一二次风量、燃煤量和各二次风门开度来实现锅炉燃烧优化。基于上述两种方法，开发了一套燃煤锅炉智能燃烧优化软件，并应用于某热电厂330 MW锅炉上，测试结果表明，氮氧化合物排放浓度和锅炉煤耗均有不同程度的降低，说明建模方法和优化算法是有效的。

关键词: 氮氧化合物排放, 锅炉, 神经网络, 量子计算, 蜂群算法

Abstract:

In order to reduce the NO_xemission concentration and coal consumption of coal-fired boilers in thermal power plants,the sample increment quantum neural network and an improved quantum bee colony algorithm were proposed.The quantum sample incremental feed-forward neural network can dynamically establish a comprehensive model of Nitrogen and Oxygen emission concentration and boiler coal consumption of coal-fired boiler,and can realize rolling optimization of the model.Based on the established comprehensive model,the optimization of the primary and secondary air volume and coal and the opening degree of each secondary air valve were realized by using the improved quantum bee colony algorithm.Based on the above two methods,a set of intelligent combustion optimization software for coal-fired boiler was developed and applied to the 330 MW boiler of a thermal power plant.The test results show that the Nitrogen and Oxygen emission concentration and the coal consumption of the boiler have been reduced in varying degrees.It is shown that the modeling method and the optimization algorithm are effective.

Key words: NO_xemission, boiler, neural network, quantum computation, bee colony algorithm

中图分类号:

TP323

牛培峰, 马云鹏, 张欣欣, 等. 基于人工智能技术的火电厂燃煤锅炉智能燃烧优化研究及应用[J]. 智能科学与技术学报, 2019, 1(2): 163-170.

Peifeng NIU, Yunpeng MA, Xinxin ZHANG, et al. Research and application on combustion optimization of coal-fired boiler in thermal power plant based on artificial intelligence technology[J]. Chinese Journal of Intelligent Science and Technology, 2019, 1(2): 163-170.

图/表 5

参考文献 12

[1]	马云鹏 . 极端学习机和教与学优化算法改进及其在锅炉燃烧优化中的应用研究[D]. 秦皇岛:燕山大学, 2018.
	MA Y P . Improvement of extreme learning machine and teaching learning based optimization algorithms and its application in boiler combustion optimization[D]. Qinhuangdao:Yanshan University, 2018.
[2]	顾燕萍, 赵文杰, 吴占松 . 基于最小二乘支持向量机的电站锅炉燃烧优化[J]. 中国电机工程学报, 2010,30(17): 91-97.
	GU Y P , ZHAO W J , WU Z S . Combustion optimization for utility boiler based on least square-support vector machine[J]. Proceedings of the CSEE, 2010,30(17): 91-97.
[3]	王春林, 周昊, 李国能 ,等. 大型电厂锅炉 NO_x排放特性的支持向量机模型[J]. 浙江大学学报:工学版, 2006,40(10): 1787-1791.
	WANG C L , ZHOU H , LI G N ,et al. Support vector machine modeling on NO_xemission property of high capacity power station boiler[J]. Journal of Zhejiang University (Engineering Science), 2006,40(10): 787-1791.
[4]	许昌, 吕剑虹, 郑源 ,等. 以效率和低 NO_x排放为目标的锅炉燃烧整体优化[J]. 中国电机工程学报, 2006,26(4): 46-50.
	XU C , LV J H , ZHENG Y ,et al. A boiler combustion global optimization on efficiency and low NO_xemissions object[J]. Proceedings of the CSEE, 2006,26(4): 46-50.
[5]	赵敏华, 胡毅, 李金 ,等. 使用博弈差分算法的电站锅炉高效低污染燃烧均衡优化[J]. 化工学报, 2017,68(6): 2455-2464.
	ZHAO M H , HU Y , LI J ,et al. Equilibrium optimization for high efficiency and low pollution combustion of power-generation boilers using game differential evolution algorithm[J]. SIESC Journal, 2017,68(6): 2455-2464.
[6]	张文广, 孙亚洲, 刘吉臻 ,等. 基于自适应模糊推理辨识方法和果蝇优化算法的 CFB 锅炉燃烧优化[J]. 动力工程学报, 2016,36(2): 84-90.
	ZHANG W G , SUN Y Z , LIU J Z ,et al. Combustion optimization of OFB boilers based on adaptive fuzzy inference method and fruit fly optimization algorithm[J]. Journal of Chinese Society of Power Engineering, 2016,36(2): 84-90.
[7]	王东风, 刘千, 韩璞 ,等. 基于大数据驱动案例匹配的电站锅炉燃烧优化[J]. 仪器仪表学报, 2016,37(2): 420-428.
	WANG D F , LIU Q , HAN P ,et al. Combustion optimization in power station based on big data-driven case-matching[J]. Chinese Journal of Scientific Instrument, 2016,37(2): 420-428.
[8]	LIU C Y , CHEN C , CHANG C T ,et al. Single-hidden-layer feed-forward quantum neural network based on Grover learning[J]. Neural Networks, 2013,45(5): 144-150.
[9]	李盼池 . 量子计算及其在智能优化与控制中的应用[D]. 哈尔滨:哈尔滨工业大学, 2009.
	LI P C . Quantum computation with applications to intelligent optimization and control[D]. Harbin:Harbin Institute of Technology, 2009.
[10]	魏红凯 . 人工蜂群算法及其应用研究[D]. 北京:北京工业大学, 2012.
	WEI H K . Artificial bee colony algorithm and its application[D]. Beijing:Beijing University of Technology, 2012.
[11]	高宽云, 赵翠兰 . 量子环中量子比特的性质[J]. 物理学报, 2008,57(7): 4446-4449.
	GAO K Y , ZHAO C L . Properties of qubits in quantum rings[J]. Acta Physica Sinica, 2008,57(7): 4446-4449.
[12]	易正俊, 何荣花, 侯坤 . 量子位 Bloch 坐标的量子人工蜂群优化算法[J]. 计算机应用, 2012,32(7): 1935-1938.
	YI Z J , HE R H , HOU K . Quantum artificial bee colony optimization algorithm based on Bloch coordinates of quantum bit[J]. Journal of Computer Applications, 2012,32(7): 1935-1938.

[1]	罗欣欢, 王奕璇, 李炜, 陈曦. 基于显著性信息的Fit CutMix数据增强算法在医学影像上的应用[J]. 智能科学与技术学报, 2023, 5(1): 58-68.
[2]	顾宙瑜, 於跃成, 者甜甜. Rapider-YOLOX：高效的轻量级目标检测网络[J]. 智能科学与技术学报, 2023, 5(1): 92-103.
[3]	卢经纬, 程相, 王飞跃. 求解微分方程的人工智能与深度学习方法：现状及展望[J]. 智能科学与技术学报, 2022, 4(4): 461-476.
[4]	丛晓峰, 桂杰, 章军. 基于视觉Transformer的多损失融合水下图像增强网络[J]. 智能科学与技术学报, 2022, 4(4): 522-532.
[5]	张永强, 宋美霖, 刘天虎, 满梦华. 混合骨骼特征的三帧间差分手势识别方法研究[J]. 智能科学与技术学报, 2022, 4(4): 592-599.
[6]	覃缘琪, 季青原, 葛俊, 戴星原, 陈圆圆, 王晓. 城市交通路网动态短时推理与精准预测研究[J]. 智能科学与技术学报, 2022, 4(3): 380-395.
[7]	邵虹, 张鸣坤, 崔文成. 基于分层卷积神经网络的皮肤镜图像分类方法[J]. 智能科学与技术学报, 2021, 3(4): 474-481.
[8]	李颖, 陈龙, 黄钊宏, 孙杨, 蔡国榕. 基于多尺度卷积神经网络特征融合的植株叶片检测技术[J]. 智能科学与技术学报, 2021, 3(3): 304-311.
[9]	张阳, 胡月, 辛东嵘. 一种考虑时空关联的深度学习短时交通流预测方法[J]. 智能科学与技术学报, 2021, 3(2): 172-178.
[10]	高寒冰, 张驰, 靳明艳, 肖杨, 丛丰裕. 基于多源域自适应的跨被试情感脑电识别[J]. 智能科学与技术学报, 2021, 3(1): 59-64.
[11]	权利敏,杨翠丽,乔俊飞. 基于CFNN的污水处理过程溶解氧浓度在线控制[J]. 智能科学与技术学报, 2020, 2(3): 261-267.
[12]	张国宾,王新迎. 基于混合神经网络的光伏组件输出特性数据驱动建模方法[J]. 智能科学与技术学报, 2020, 2(2): 169-178.
[13]	郝晓辰,冀亚坤,郑立召,史鑫,赵彦涛. 基于差分进化的水泥烧成系统动态优化算法[J]. 智能科学与技术学报, 2020, 2(2): 186-193.
[14]	林东源,陈晓丰,孙文涛,李伟凯,夏砚楠. 时滞可交换四元数神经网络稳定性分析[J]. 智能科学与技术学报, 2020, 2(1): 80-87.
[15]	刘文华,李浥东,王涛,邬俊,金一. 基于高维特征表示的交通场景识别[J]. 智能科学与技术学报, 2019, 1(4): 392-399.

基于人工智能技术的火电厂燃煤锅炉智能燃烧优化研究及应用

Research and application on combustion optimization of coal-fired boiler in thermal power plant based on artificial intelligence technology

在线阅读

PDF下载

可视化

摘要/Abstract

引用本文

使用本文

图/表 5

参考文献 12

相关文章 15

Metrics

推荐阅读 0