一种确定燃气锅炉的运行氧量的方法及装置.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111651847A(43)申请公布日2020.09.11(21)申请号201910119770.0(22)申请日2019.02.18(71)申请人新奥数能科技有限公司地址100102北京市朝阳区望京东路1号10层1001内A1005(72)发明人杨建文国杰杨磊(74)专利代理机构北京嘉科知识产权代理事务所(特殊普通合伙)11687代理人杨波(51)Int.Cl.G06F30/20(2020.01)F23N3/00(2006.01)权利要求书3页说明书9页附图3页(54)发明名称一种确定燃气锅炉的运行氧量的方法及装置(57)摘要本发明公开了一种确定燃气锅炉的运行氧量的方法、装置、可读介质及电子设备，方法包括：采集所述燃气锅炉的至少两个工况数据，其中，所述工况数据包括燃气热值、燃气总量、总送风量、二次送风量、烟气氧量以及机组供电耗气量；根据各个所述工况数据进行神经网络自学习以形成烟气氧量模型，所述烟气氧量模型指示了所述燃气热值、所述燃气总量、所述总送风量、所述二次送风量与所述烟气氧量、所述机组供电耗气量之间的函数关系；基于遗传算法求解所述烟气氧量模型的最优解，所述最优解指示了所述燃气锅炉的供电耗气量最小时对应的最优运行氧量。根据本发明提供的技术方案得到的最优运行氧量调控燃气锅炉，可提高燃气锅炉的热效率。CN111651847ACN111651847A权利要求书1/3页1.一种确定燃气锅炉的运行氧量的方法，其特征在于，包括：采集所述燃气锅炉的至少两个工况数据，其中，所述工况数据包括燃气热值、燃气总量、总送风量、二次送风量、烟气氧量以及机组供电耗气量；根据各个所述工况数据进行神经网络自学习以形成烟气氧量模型，所述烟气氧量模型指示了所述燃气热值、所述燃气总量、所述总送风量、所述二次送风量与所述烟气氧量、所述机组供电耗气量之间的函数关系；基于遗传算法求解所述烟气氧量模型的最优解，所述最优解指示了所述燃气锅炉的供电耗气量最小时对应的最优运行氧量。2.根据权利要求1所述的方法，其特征在于，所述采集所述燃气锅炉的至少两个工况数据，包括：确定至少两个负荷率；针对每一个所述负荷率，采集所述燃气锅炉在至少一个设定时长内以所述负荷率运行时分别对应的工况数据。3.根据权利要求1所述的方法，其特征在于，所述根据各个所述工况数据进行神经网络自学习以形成烟气氧量模型，包括：针对每个所述工况数据，将所述工况数据中的所述燃气热值、所述燃气总量、所述总送风量、所述二次送风量分别作为输入变量，将所述工况数据中的所述烟气氧量、所述机组供电耗气量分别作为预测变量；选择至少两个所述工况数据作为训练数据，并将未被选择的各个所述工况数据作为测试数据；根据每个所述训练数据中的各个所述输入变量及各个所述预测变量，进行神经网络自学习以形成候选烟气氧量模型；根据每个所述测试数据中的各个所述输入变量及各个所述预测变量，测试所述候选烟气氧量模型是否能够准确预测所述燃气锅炉的所述烟气氧量及所述供电耗气量；当所述候选烟气氧量模型能够准确预测所述燃气锅炉的所述烟气氧量及所述供电耗气量时，将所述候选烟气氧量模型确定为烟气氧量模型。4.根据权利要求3所述的方法，其特征在于，所述根据每个所述测试数据中的各个所述输入变量及各个所述预测变量，测试所述候选烟气氧量模型是否能够准确预测所述燃气锅炉的所述烟气氧量及所述供电耗气量，包括：A1、选择一个未被选择过的所述测试数据；A2、将选择的所述测试数据中的各个所述输入变量输入所述候选烟气氧量模型，接收所述候选烟气氧量模型根据输入的各个所述输入变量计算的预测运行氧量及预测供电耗气量；A3、检测选择的所述测试数据中的所述烟气氧量与所述预测烟气氧量之间的差值是否在第一预设误差范围内，如果是，则执行A4，否则，执行A7；A4、检测选择的所述测试数据中的所述供电耗气量与所述预测供电耗气量之间的差值是否在第二预设误差范围内，如果是，则执行A5，否则执行A7；A5、检测是否存在未被选择过的所述测试数据，如果是则执行A1，否则执行A6；2CN111651847A权利要求书2/3页A6、确定所述候选烟气氧量模型能够准确预测所述燃气锅炉的所述烟气氧量及所述供电耗气量；A7、确定所述候选烟气氧量模型不能准确预测所述燃气锅炉的所述烟气氧量及所述供电耗气量。5.一种确定燃气锅炉的运行氧量的装置，其特征在于，包括：数据采集模块，用于采集所述燃气锅炉的至少两个工况数据，其中，所述工况数据包括燃气热值、燃气总量、总送风量、二次送风量、烟气氧量以及机组供电耗气量；模型训练模块，用于根据各个所述工况数据进行神经网络自学习以形成烟气氧量模型，所述烟气氧量模型指示了所述燃气热值、所述燃气总量、所述总送风量、所述二次送风量与