(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110251554.9 (22)申请日 2021.03.08 (65)同一申请的已公布的文献号 申请公布号 CN 112989694 A (43)申请公布日 2021.06.18 (73)专利权人 浙江大学 地址 310058 浙江省杭州市西湖区余杭塘 路866号 (72)发明人 童水光　杨琦　童哲铭　 (74)专利代理 机构 杭州求是专利事务所有限公 司 33200 代理人 傅朝栋　张法高 (51)Int.Cl. G06F 30/27(2020.01) G06F 30/28(2020.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 111/10(2020.01) G06F 113/08(2020.01) G06F 119/08(2020.01) G06F 119/14(2020.01) (56)对比文件 CN 112283689 A,2021.01.2 9 审查员 李斌 (54)发明名称 受热面灰污区段化 监测系统及方法 (57)摘要 本发明公开了一种受热面灰污区段化监测 系统及方法， 属于锅炉安全监测技术领域。 本发 明结合机理模型、 数学模 型、 数值模拟三种方法， 利用实测数据修正数值模拟结果， 建立受热面区 段化模型， 实现受热面灰污状态精细化计算， 并 借助LSTM的时间序列网络训练方法实现受热面 积灰状态的实时监测， 对之后的吹灰研究具有理 论指导意义。 权利要求书4页 说明书10页 附图2页 CN 112989694 B 2022.04.12 CN 112989694 B 1.一种利用受热面灰污区段化监测系统的受热面灰污区段化监测方法， 其特征在于， 所述受热面灰污区段化监测系统包括数据采集模块、 数据库、 实时计算模块和监测模块； 所 述数据采集模块用于从机组DCS服务器和设置于锅炉中的传感器读取实时数据； 所述数据 库用于存储包括数据采集模块获取的实时数据在内的所有锅炉相关数据； 所述实时计算模 块用于从数据库中获取相关数据 代入至预先构建的模型中进 行计算， 得到表征灰污程度的 受热面不同区段的清洁因子CF； 所述预先构建的模型包括多工况CFD炉膛仿真预测模型和 区段化灰污精细计算模型； 所述监测模块用于将受热面不同区段的清洁因子CF代入至预先 构建的LSTM时间序列积灰状态预测模型中， 得到受热面的积灰状态参数预测结果， 用于后 续指导吹灰； 所述受热面灰污区段化 监测方法包括以下步骤： S1： 所述的数据采集模块从机组DCS服务器和设置于锅炉中的传感器读取实时数据， 实 时数据包括炉膛出口烟气实测参数和工质入口参数； S2： 数据采集模块将采集的实时数据输入至数据库中进行存储， 数据库中存储的锅炉 相关数据包括受热面结构参数、 煤质参数、 燃烧方式、 工质物性参数、 给风量、 给煤量、 工质 入口参数、 炉膛出口烟气实测参数、 含有时间信息的积灰参数历史数据 序列； S3： 实时计算模块从数据库中获取相关数据代入至预先构建的多工况CFD炉膛仿真预 测模型和区段化灰污精细计算模型中进行计算， 得到表征灰污程度的受热面不同区段的清 洁因子CF； 其中所述多工况CFD炉膛仿真预测模型为BP神经网络， 输入层参数为受热面结构参数、 煤质参数、 燃烧方式、 工质物性参数、 给风量、 给煤量和工质入口参数， 输出层为烟气出口温 度； 所述区段化灰污精细计算模型基于分别以烟气和工质为对象进行区段划分形成的受 热面区段化模型， 利用所述多工况CFD炉膛仿真预测模型输出的烟气出口温度和数据库中 的工质入口参数， 通过热平衡计算得到不同受热面的烟气侧与工质侧 参数， 然后针对不同 受热面的不同区段进行精细化计算， 得到受热面不同区段的理论传热系数和实际传热系 数， 进而换算为清洁因子 CF； S4： 监测模块将受热面不同区段的清洁因子CF作 为输入变量代入至预先构 建的LSTM时 间序列积灰状态预测模型中， 输出表征积灰状态的积灰厚度、 积灰面积和积灰位置的预测 结果， 用于后续指导吹灰； 所述的多工况CFD炉膛仿真预测模型的构建方法包括以下步骤： S11： 从数据库中获取不同工况下的受热面结构参数、 煤质参数、 燃烧方式、 工质物性参 数、 给风量、 给煤量、 工质入口参数和炉膛出口烟气实测参数； S12： 基于S11中获取的受热面结构参数、 煤质参数、 燃烧方式、 工质物性参数、 给风量和 给煤量数据， 利用计算流体动力学软件进行多工况 的炉膛建模仿真， 得到炉膛出 口烟气温 度场和速度场分布； S13： 利用数据库中的炉膛出口烟气实测参数对仿真模型进行修 正； S14： 利用修正好的仿真模型生成仿真数据， 结合S11中获取的工质入口参数， 进行BP神 经网络学习训练， 其中BP神经网络的输入层参数包括受热面结构参数、 煤质参数、 燃烧方 式、 工质物 性参数、 给风量、 给煤量和工质入口参数， 输出层为烟气出口温度； 训练完成后的权　利　要　求　书 1/4 页 2 CN 112989694 B 2BP神经网络作为烟气出口参数 预测模型。 2.根据权利要求1所述的受热面灰污区段化监测方法， 其特征在于， 所述的区段化灰污 精细计算模型的构建方法包括以下步骤： S21： 获取所述多工况CFD炉膛仿真预测模型中得到的烟气出口温度和数据库中得到的 工质入口参数； S22： 根据S21中获取的数据， 通过 热平衡计算得到不同受热面的烟气侧与工质侧参数； S23： 对各受热面分别以烟气和工质为对象进行区段划分， 建立受热面区段化模型， 根 据S22中获得的烟气侧与工质侧参数， 针对不同受热面的不同区段进 行精细化计算， 得到不 同区段的理论传热系数、 实际传热系数； S24： 计算受热面 不同区段的清洁因子 CF。 3.根据权利要求2所述的受热面灰污区段化监测方法， 其特征在于， 所述S23中的受热 面区段化模型中， 以烟气为对象， 将受热面沿烟气流动方向、 炉膛宽度方向、 炉膛 高度方向 分别划分为X、 Y、 Z个不同的区域； 同时 以工质为对象， 将受热面沿工质整体流动方向、 炉膛 宽度方向、 工质在管中的流动方向分别划分为U、 V、 W个不同的管段； 划分后的烟气区域坐标 表示为(x,y,z)， 划分后的管 段坐标表示 为(u,v,w)。 4.根据权利要求2所述的受热面灰污区段化监测方法， 其特征在于， 所述的S23中的精 细化计算方法如下： S231： 根据水动力计算方法计算构成受热面的各 管路质量 流量qm(u,v)； S232： 假设各管段的传 热量为Qf(u,v,w)， 分别计算对应的辐射传热量 和对 流传热量 计算过程中的控制方程如下： Qf＝∑Qf(u,v,w) Qf＝Qg Qg＝∑Qg(x,y,z)＝∑[h'(x,y,z) ‑h*(x,y,z)] C*(x‑1,y,z)＝C'(x,y,z) C*(u,v,w‑1)＝C'(u,v,w) qm＝∑qm(u,v) 其中， Qf表示该受热面工质的总吸热量， Qg表示该受热面烟气的总放热量， Qg(x,y,z)表 示烟气区域(x,y,z)的放热量； h'(x,y,z)表示一个区域烟气的入口焓值， h*(x,y,z)表示一 个区域烟气的出口焓值， C*(x‑1,y,z)表示烟气区域(x ‑1,y,z)的出口特性参数， C'(x,y,z) 表示烟气区域(x,y,z)的入口特性参数， C*(u,v,w‑1)表示工质管段(u,v,w ‑1)的出口特性 参数， C'(u,v,w)表示工质管段(u,v,w)的入口特性参数， qm所有管路的工质流量， qm(u,v)表 示管路(u,v)的工质流 量； S233： 完成S232后计算各 管段总传热量 Q'f(u,v,w)， 其计算公式如下： S234： 完成S23 3后判断当前误差是否满足精度要求 ε， 计算公式如下： 权　利　要　求　书 2/4 页 3 CN 112989694 B 3