基于机理引导数据驱动的锅炉燃烧两级优化研究

作     者：隋梦璇 

作者单位：东北电力大学 

学位级别：硕士

导师姓名：唐振浩

授予年度：2024年

学科分类：080802[工学-电力系统及其自动化] 0808[工学-电气工程] 08[工学] 

主      题：燃煤锅炉 数据重采样 机理引导数据驱动 白鹭群优化 三维可视化 

摘      要：火力发电在新型电力系统中起到深度调峰的作用。锅炉燃烧是火电厂发电过程的核心环节,其燃烧过程处于“黑箱状态。然而,受锅炉内高温、高噪声、多灰尘等恶劣环境影响,已有测量方法(如声学、光学)难以实时获取锅炉内部燃烧的准确情况(如NOx浓度分布、温度分布),致使运行人员难以实时分析锅炉燃烧状态,严重降低了对燃烧过程调控的及时性和高效性,导致机组效率下降,污染物排放浓度增加。 针对上述问题,本研究以某350MW燃煤锅炉为研究对象,融合现场运行数据和数值模拟数据,建立基于机理引导数据驱动的锅炉温度场及NOx场三维分布预测模型,设计锅炉燃烧状态两级优化策略,开发锅炉燃烧状态三维可视化及优化系统。具体研究内容如下: 首先,以锅炉现场运行数据(如一次风量、二次风量、二次风温等数据)和CFD数值模拟数据(如NOx浓度、温度分布数据)为数据基础;根据燃尽风风门开度和二次风风门开度对不同工况下的数据分为六类;为了提升建模效率并解决大数据建模带来的大量计算资源花费问题,采用K-medoids算法分别重采样六类工况下的典型数据作为建模数据。 其次,针对目前锅炉燃烧数据驱动模型缺乏燃烧机理可解释性的问题,提出一种考虑锅炉燃烧过程机理与数据驱动结合的锅炉燃烧参数场三维分布建模方法,通过分析锅炉燃烧过程元素质量守恒,设计深度神经网络(Deep Neural Network,DNN)损失函数,在数据拟合过程中融入C、H、O元素守恒定律机理,建立基于机理引导数据驱动的锅炉温度场及NOx场三维分布预测模型。 在此基础上,基于白鹭群优化算法(Egret Swarm Optimization Algorithm,ESOA)设计锅炉燃烧状态两级优化策略。在第一级优化中,以各个二次风门风量为决策变量,将最小化锅炉温度场分布与理想温度场分布上界和最小化锅炉温度场分布与理想温度场分布下界的偏差作为优化目标,获得锅炉在理想燃烧状态下的二次风量可行区间;在第二级优化中,基于二次风量可行区间,以最小化锅炉NOx浓度分布与理想NOx浓度分布的偏差为优化目标,通过调整二次风门风量,实现锅炉在达到理想燃烧状态下的NOx减排,为现场人员提供操作建议。 最后,开发基于大数据分析的锅炉燃烧状态三维可视化及优化系统。系统分为用户登录、数据管理、三维预测和智能优化四个模块,实现锅炉燃烧状态智能监测和优化,为运行人员的锅炉燃烧状态调整提供数据支持及建议。