文摘
煤炭工厂消耗大量的燃煤发电厂的电力站服务。与此同时,煤炭工厂的操作也有一个大的对锅炉燃烧的影响。在所有操作因素,煤炭工厂的电力电流强度反映了电力消费以及煤炭工厂的操作状态。如果煤炭工厂的电力电流强度可以给一组操作参数,预测的操作状况相应调整。电电流强度可以减少煤的钢厂或最小化煤炭类型参数和负载的锅炉通过优化煤磨机操作。本文构建一个模型来预测电力电流强度煤的钢厂使用支持向量机基于一组实用的传感数据。通过优化模型的hyperparameters,达到一个合理的预测能力。在给定的生产运行条件下,磨煤机的电电流强度下降47.9点,至46.5点,这是一个了不起的成就,磨煤机运行过程。这种方法可能会提供一个可行的磨煤机在线解决方案优化。
1。介绍
燃煤锅炉磨煤机是一个重要的辅助装置,因为它直接影响锅炉燃烧。原煤煤磨机磨到一定细度,然后,煤粉烧嘴进行首先空气锅炉燃烧。在磨削过程中,大量的电力(一般三分之一)。另一方面,这种磨削过程也影响煤的细度的燃烧效率。较小的煤细度意味着消耗更多的电力,以及更多的完全燃烧。很难找到平衡或帕累托最优的运行状态预计的电力消耗最小和最大给定类型的煤炭燃烧效率和负载(1]。如果煤磨机的电流强度可以预测与给定组操作参数,它是重要的帮助优化操作的磨煤机运行状态。磨煤机的电流强度可能会减少或最小化煤炭类型参数和通过优化锅炉磨煤机负荷的操作。
煤磨机是一种多变量系统。许多煤磨机操作参数对运行状态的影响和能源消费,如煤炭喂养率和转速的分隔符。燃煤电厂通常需要处理多种类型的煤和适应负荷变化显著影响煤磨机操作。到目前为止,没有精确数学模型获得煤磨机操作过程中由于非线性特性,强耦合的变量,在轧机和复杂的过程。因此,米尔斯的控制仍然是一个粗糙的方式与一些大颗粒调整在大多数现有的发电厂(2]。很难保持轧机运行在一个好的状态在这样简单的控制。因此,需要一个精心设计的优化方案。
准确预测电力电流强度的磨煤机的地下室是优化轧机操作。电力节能可以获得通过的电流强度的预测磨煤机和优化轧机操作(3]。因此,煤磨机优化已经成为最活跃的燃煤相关研究多年。王等人。4)优化煤磨机通过最小化能量消耗使用神经网络模型和遗传算法。他们建立了一个径向基函数(RBF)神经网络模型,利用影响能耗的主要因素作为输入变量,确定能源消费。使用这个模型,减少电力消耗。高et al。5)建立了磨煤机的数学模型分析的基础上质量流量,热量交换和能量平衡。仿真结果表明该模型可以用来估计一些操作参数和被诱导成煤炭工厂的监控和优化。
上述研究推断预测煤磨机操作变量和调整是煤磨机优化的可行的途径。煤炭电力电流强度通常代表了能源消耗,所以的目标优化的目标是减少能源消耗。在这个过程中,建立一个模型来预测电力电流强度的磨煤机煤磨机优化的关键一步。
为了提高性能和减少煤炭钢铁企业的能源消耗,本文有助于提出一个数据驱动模型的预测煤炭工厂的电力电流强度。模拟结果表明,该模型的预测性能卓越,和优化方法可以显著节约能源。
2。Multidata集合
中速煤炭工厂广泛应用于火力发电厂和在制粉过程中发挥着不可替代的作用。本文主要关注中速磨煤机正压直吹式,这是配备一个动态分离器。图1说明了磨煤机的建设。原煤瀑布从上往下中心管和由初级空气干燥。粉末吹进机的顶部。之后,微粒被送到燃烧器,而粗煤颗粒由上层分离器和返回到磨煤机进一步研磨。在整个磨削过程中,大量的电力能源消耗。
煤磨机生产过程的建模来预测电力电流密度,我们首先研究和分析了电力电流密度的影响因素。这些数据包括所有影响电力电流密度参数,如在进口,一次空气量混合主入口空气温度,空气压力入口,给煤机转速和动态分离器旋转速度。操作参数和相应的电力电流密度的磨煤机收集从分布式控制系统(DCS)。24集的单因素实验,收集不同的可能的操作条件数据已经完成近四个月在当地的发电厂。三种不同类型的煤分别用于这些实验。了原煤取样传送皮带输送机。所有煤炭样本的属性包括挥发物含量、水分含量、灰分、热值在实验室进行了分析。
3所示。方法
3.1。支持向量机
与数据服务的广泛部署在一些传统产业,繁杂的工业应用,例如,软传感器(6),过程控制(7,机器人系统(8),成功地更新与数据驱动的方法。开发数据挖掘技术中,支持向量机(svm)吸收太多的关注,因为他们的高精度预测性能对小样本数据和计算简单了几十年。支持向量机已经成为一种广泛使用的回归算法,这是1979年发明的弗拉基米尔•Vapnik [9]。支持向量机已经被证明是有用的和强大的回归在发电厂领域,如锅炉燃烧过程(7]。详细描述和解决方案步骤给出了非线性回归的Cristianini和Shawe-Taylor10]和Vapnik [11]。同样的,在这篇文章中,支持向量机显示良好的回归能力,特别是对于小样本问题,以及支持向量机模型的泛化。特别是因为我们的工作是实现一个在线系统,包括在线培训由于多变的形势和在线优化实时控制的二级反应,一些复杂的学习框架在实践中并不合适。因此,我们决定使用支持向量机建模磨煤机生产过程。本文决定使用支持向量机建模的电力煤磨机的电流密度。
3.2。遗传算法
遗传算法(GA)是一种流行的进化算法优化问题。GA的灵感来源于生物进化论和遗传学理论,适者才能生存。选择、交叉和变异三个主要操作。GA有能力解决复杂的非线性问题,通常用于组合优化和人工智能。它可以考虑很多点在搜索空间中同时减少的机会遇到一个局部最优,提高运营效率。使用遗传算法的细节被称为(12]。
3.3。建模
本节讨论建立一个非线性支持向量机模型预测电力电流密度在一个给定的煤磨机使用操作参数和煤属性。径向基函数(RBF)被选为内核函数建模煤炭工厂,因为一些相关Keerthi和林的作品(13和林和林14)表明,RBF模型有更好的预测性能比其他常用功能。是由RBF函数 ,g是一个系数和在哪里和是数据向量。
在理论上分析了影响因素的电力电流密度在磨煤机系统生产过程和与专家沟通,我们选择模型的输入值如下:数量的第一入口的空气,混合主入口空气温度,空气压力入口,给煤机速度、动态分离器旋转速度,和煤属性,这充分包括含水率、暴力内容,灰分、低发热值。电电流密度的定义是唯一的输出。
除了内核函数,参数(RBF函数的参数)(惩罚因子)需要确定。这两个参数主要影响支持向量机模型的预测性能。然而,如何确定他们没有从理论上解决了。摘要遗传算法不仅是用于优化控制系统也用于优化这两个参数。优化区域和设置(0500)和(0800),分别。这些优化地区经验选择基于我们之前的研究(15]。遗传算法框架的其他参数设置如下:人口规模是50,交叉概率为0.25,变异的概率是0.15,一代又一代的最大数量是500,评价函数是通过最小化均方误差计算测试样本的预测。当评价函数达到最小值,最好的价值和得到了。优化的过程和在生成SVM模型图所示2。终端标准(可接受的均方误差)也可以停止设置最大代前的迭代过程。
4所示。实验
4.1。预测结果
5倍交叉验证(6 CV)是应用于24组数据建立支持向量机模型预测电力电流密度。测量数据之间的关系,并预测数据的所有24组数据如图3。,一个合理的预测能力是通过我们提出的模型,如图3。
所有数据的平均相对误差为0.77%,和最高的相对误差为10.4%。从训练数据中获得最高的错误,这反映出好的模型的泛化。我们利用这个模型来预测另一个新30组数据收集在正常的生产过程。在这些数据集,一些操作参数的数据集是很相似,甚至是相同的。预测结果如图4。最高平均相对误差为0.9%,相对误差为2.6%,这意味着该模型也达到一个良好的预测能力对新生成的数据磨煤机。
4.2。优化结果
从数据驱动模型的预测电力电流密度,磨煤机可以通过调整操作参数优化以减少能源消耗。对于一个给定的磨煤机生产状态,给煤机转速(占锅炉的负荷)和煤的类型不是可调。的参数可以调整如下:第一空气进口的数量,入口的空气压力,入口空气温度,速度和动态分离器。基于电电流密度的预测模型中,我们试图优化这些可调参数(工作计划)来优化电力电流密度减少能源消耗。表1显示了优化结果。案例1的参数是正常生产过程的参数。第二种情况的参数情况下的优化结果1使用支持向量机模型。给煤机的速度和煤参数未调整。例3是根据案例2实现的结果。例1和例3的电电流密度与DCS收集。电电流密度的情况下2预计使用支持向量机模型。电电流密度的条件下减少了1.4安培给定类型的煤和负载的操作参数进行了优化。这种优化减少电力能源消耗3%。操作参数的变化是按照历史运营商的运营经验。
这种优化只专注于能源消耗和不考虑煤的细度,也有对燃烧的影响。这种优化可能导致大块煤细度,可能会增加碳含量的粉煤灰。额外的工作建立了煤的细度模型和优化磨煤机为双方未来的能源消耗和燃烧效率正在进行的过程。
5。结论
本文采用支持向量机和遗传算法(GA)电电流密度之间的关系模型和煤磨机的操作参数。结果表明,已经达到一个合理的预测能力。利用该模型结合遗传算法优化能源减少煤磨机操作。我们认为,对于一个给定的负载和煤炭类型,磨煤机的电电流密度降低,从而可以减少电力能源消耗的煤磨机通过精确的操作指导与优化结果。这种方法可能是一个可行的方法为优化煤磨机操作减少能源消耗网络由于其简单的训练数据的步骤。
在这个研究中,由于生产的限制,为建模是收集的数据量只有24集。如果更多的数据可以在这个方法中,使用优化的结果可能是更准确的。优化只着重于电力煤磨机的电流密度和不考虑煤炭磨煤机的细度。在我们未来的工作中,我们将努力充实的数据应用更多的生产流程和建立煤细度给磨煤机运行一个多目标优化模型,考虑双方的电力电流密度和煤的细度。
数据可用性
原始数据生成在一个中国的发电厂。派生数据支持本研究的发现可以从相应的作者的请求。
的利益冲突
作者宣称没有利益冲突。
确认
本研究支持的LNPC研究创业基金会和浙江省自然科学基金(没有。LY20F030013)。