一种炼化装置加热炉燃烧控制优化方法与流程

1.本发明涉及一种燃烧控制优化方法。特别是涉及一种炼化装置加热炉燃烧控制优化方法。

背景技术：

2.加热炉热效率是指向加热炉提供的能量被有效利用的程度，即被加热流体吸收的有效热量与燃料燃烧放出的总热量之比。热效率越高说明燃料的有效利用率越高。
3.进入加热炉内的燃料气和空气中的氧气的比例会直接决定加热炉的热效率；一方面，如果加热炉的空气进量不够，就会造成燃烧不完全，使得部分燃料尚未燃烧就离开炉膛；另一方面，如果加热炉的空气进量过剩，那么就会从烟气带出来过多热量的，同样也会影响加热炉的热效率。
4.现有技术中，包括一种以co为控制变量的供风控制的技术方案，通过将co控制在微量水平，来实现燃料和空气的理论配比，进而使加热炉的燃烧处于不完全燃烧和完全燃烧的临界状态，以达到燃料气和空气中的氧气的最佳比例。
5.发明人经过研究发现，现有技术中的以co为控制策略的供风控制的技术方案至少存在以下缺陷：
6.根据燃烧过程理论配比得出的最佳控制指标，低氧燃烧co控制技术协议考核指标要求：烟气o2含量＜1.0％，且，co含量＜100ppm；这是一对相互制约的双参数考核指标。而低氧燃烧必须首先确保炉内燃烧过程中不得出现过量的co，因为co的大量生成来源于炉内产生了燃料的不完全燃烧，最终将导致产生附加的不完全燃烧热损失，大大降低加热炉热效率。
7.在实际应用中，容易出现氧含量还没有降下来co值已经超标的情况的出现，从而导致加热炉热效率的优化效果较差。

技术实现要素：

8.本发明所要解决的技术问题是，为克服现有技术的不足，提供一种能够在工况的变化和波动的情况下使加热炉能够保持较高热效的炼化装置加热炉燃烧控制优化方法。
9.本发明所采用的技术方案是：一种炼化装置加热炉燃烧控制优化方法，包括如下步骤：
10.1)对于设有co分析仪的加热炉，通过火焰图像特征的识别对加热炉的各燃烧器进行故障识别，对有故障的燃烧器进行故障处理，再通过故障处理后燃烧器的火焰图像进行燃烧器的空燃配比调试；
11.2)根据所述加热炉的已有运行数据，分别生成加热炉各种工况下的燃烧曲线；所述燃烧曲线用于确定与所述加热炉对应的理想控制区间，所述理想控制区间包括co含量理论控制区间；
12.3)根据所述加热炉的已有运行数据建立所述加热炉对应的基于神经网络的控制
指标预测模型；所述控制指标预测模型的控制指标包括o2含量、co含量和no
x
含量；所述控制指标预测模型的特征变量包括：排烟温度、炉膛压力、加热炉负荷、鼓风机变频开度、燃料热值和热效率；
13.4)以将co含量控制在所述理想控制区间内为目标，以所述的控制指标和当前运行的特征变量数据为基于神经网络的控制指标预测模型的输入，生成鼓风机变频调速的优化方案，根据所述的优化方案控制鼓风机变频器的工作频率。
14.本发明的一种炼化装置加热炉燃烧控制优化方法，本发明根据个体加热炉的不同实际工况绘制了对应的燃烧曲线并生成了对应的控制指标预测模型；这样就可以在该加热炉的工况发生变化时生成对应的优化方案，进而可以进一步的根据相应的控制策略对加热炉进行调控，在工况的变化和波动的情况下，确保加热炉的燃烧器处于良好的工作状态，使加热炉能够保持较高的热效。
附图说明
15.图1是本发明一种炼化装置加热炉燃烧控制优化方法的流程图；
16.图2是本发明中燃烧曲线的示意图。
具体实施方式
17.下面结合实施例和附图对本发明的一种炼化装置加热炉燃烧控制优化方法做出详细说明。
18.为了确保加热炉的燃烧器处于良好的工作状态，本发明的一种炼化装置加热炉燃烧控制优化方法，根据加热炉的当前整体状态将其燃烧器进行了优化调整，通过故障识别、维修和燃烧器火嘴风门的调整等手段，将各燃烧器调整至最佳空燃配比。
19.如图1所示，本发明的一种炼化装置加热炉燃烧控制优化方法，包括如下步骤：
20.1)对于设有co分析仪的加热炉，通过火焰图像特征的识别对加热炉的各燃烧器进行故障识别，对有故障的燃烧器进行故障处理，再通过故障处理后燃烧器的火焰图像进行燃烧器的空燃配比调试。其中，
21.1、所述的通过火焰图像特征的识别对各燃烧器进行故障识别，包括：
22.(1.1)分别获取燃烧器在不同故障时的火焰图像数据，并对该火焰图像数据划分故障类型，得到具有不同故障类型的火焰图像数据；
23.故障类型的划分是，如果发现火焰中有火花，则是燃烧器存在故障，相应的故障类型包括：燃烧器空气配比低、燃烧器空气配比高、燃烧器喷嘴堵塞、燃烧器喷嘴侵蚀、燃烧器喷嘴损坏的情况；具体对应的火焰图像为：若燃烧器空气配比低，则火焰的颜为黄；若燃烧器空气配比高，则火焰的颜为蓝；若燃烧器喷嘴堵塞或燃烧器喷嘴侵蚀或燃烧器喷嘴损坏，则火焰中有火花。
24.(1.2)采用具有故障类型的火焰图像数据训练yolov5或fast rcnn网络，形成燃烧器的故障识别模型；
25.(1.3)在调节所述燃烧器的火嘴风门过程中，获取所述燃烧器的实时火焰图像数据；
26.(1.4)将燃烧器的实时火焰图像数据输入到燃烧器的故障识别模型，确定有故障
的燃烧器及相应的故障类型。
27.2、所述的进行燃烧器的空燃配比调试，包括：
28.(1.1)分别获取无故障的燃烧器在不同空燃配比时的火焰图像数据；
29.(1.2)采用不同空燃配比时的火焰图像数据训练yolov5或fast rcnn网络，形成燃烧器的最佳空燃配比识别模型；
30.(1.3)在调节所述故障处理后燃烧器的火嘴风门过程中，获取该燃烧器的实时火焰图像数据；
31.(1.4)将所述的实时火焰图像数据输入最佳空燃配比识别模型，确定当前所述燃烧器的空燃配比是否为最佳空燃配比，如果不是最佳空燃配比，则调节为最佳空燃配比，在调节火嘴风门时要保持各燃烧器的火焰稳定且大小相同。
32.上述在调节燃烧器的火嘴风门的同时，还需要通过调节空气风门，来确保所有燃烧器的火焰的大小处于基本一致的状，火焰都相对稳定，不会四处跳跃，火焰不会太高，防止“舔炉管”。
33.2)根据所述加热炉的已有运行数据，分别生成加热炉各种工况下的燃烧曲线，所述加热炉的已有运行数据为距当前时刻预设时间段内的运行数据；所述燃烧曲线用于确定与所述加热炉对应的理想控制区间，所述理想控制区间包括co含量理论控制区间。在实际应用中，如图2所示，所述理想控制区间内还包括o2含量理论控制区间和/或no
x
含量理论控制区间。
34.所述的分别生成各种工况下的燃烧曲线，包括：
35.(2.1)将所述加热炉的加工负荷上下限作为操作的边界；
36.(2.2)分别根据不同工况下的燃料管网压力数据、燃料成分数据、加热炉对流段氧含量数据，结合对应的nox排放数据，拟合燃料消耗曲线；
37.(2.3)在所述燃料消耗曲线的基础上，根据加热炉理论燃烧配比，生成所述加热炉对应的燃烧曲线。
38.3)根据所述加热炉的已有运行数据建立所述加热炉对应的基于神经网络的控制指标预测模型；所述控制指标预测模型的控制指标包括o2含量、co含量和no
x
含量；所述控制指标预测模型的特征变量包括：排烟温度、炉膛压力、加热炉负荷、鼓风机变频开度、燃料热值和热效率。
39.所述的基于神经网络的控制指标预测模型，由输入层、中间层和输出层组成，其中所述输入层神经元个数与所述的特征变量个数一致为6个神经元，所述中间层有两层，每层8个神经元，所述的输出层神经元个数与所述的控制指标个数一致为3个神经元。
40.4)以将co含量控制在所述理想控制区间内为目标，以所述的控制指标和当前运行的特征变量数据为基于神经网络的控制指标预测模型的输入，生成鼓风机变频调速的优化方案，根据所述的优化方案控制鼓风机变频器的工作频率；当所述鼓风机变频调速的优化方案的优化效果低于预设目标时，返回步骤2)。

技术特征：

1.一种炼化装置加热炉燃烧控制优化方法，其特征在于，包括如下步骤：1)对于设有co分析仪的加热炉，通过火焰图像特征的识别对加热炉的各燃烧器进行故障识别，对有故障的燃烧器进行故障处理，再通过故障处理后燃烧器的火焰图像进行燃烧器的空燃配比调试；2)根据所述加热炉的已有运行数据，分别生成加热炉各种工况下的燃烧曲线；所述燃烧曲线用于确定与所述加热炉对应的理想控制区间，所述理想控制区间包括co含量理论控制区间；3)根据所述加热炉的已有运行数据建立所述加热炉对应的基于神经网络的控制指标预测模型；所述控制指标预测模型的控制指标包括o2含量、co含量和no
x
含量；所述控制指标预测模型的特征变量包括：排烟温度、炉膛压力、加热炉负荷、鼓风机变频开度、燃料热值和热效率；4)以将co含量控制在所述理想控制区间内为目标，以所述的控制指标和当前运行的特征变量数据为基于神经网络的控制指标预测模型的输入，生成鼓风机变频调速的优化方案，根据所述的优化方案控制鼓风机变频器的工作频率。2.根据权利要求1所述的一种炼化装置加热炉燃烧控制优化方法，其特征在于，步骤1)所述的通过火焰图像特征的识别对各燃烧器进行故障识别，包括：(1.1)分别获取燃烧器在不同故障时的火焰图像数据，并对该火焰图像数据划分故障类型，得到具有不同故障类型的火焰图像数据；(1.2)采用具有故障类型的火焰图像数据训练yolov5或fast rcnn网络，形成燃烧器的故障识别模型；(1.3)在调节所述燃烧器的火嘴风门过程中，获取所述燃烧器的实时火焰图像数据；(1.4)将燃烧器的实时火焰图像数据输入到燃烧器的故障识别模型，确定有故障的燃烧器及相应的故障类型。3.根据权利要求2所述的一种炼化装置加热炉燃烧控制优化方法，其特征在于，第(1.1)步中故障类型的划分是，如果发现火焰中有火花，则是燃烧器存在故障，相应的故障类型包括：燃烧器空气配比低、燃烧器空气配比高、燃烧器喷嘴堵塞、燃烧器喷嘴侵蚀、燃烧器喷嘴损坏的情况；具体对应的火焰图像为：若燃烧器空气配比低，则火焰的颜为黄；若燃烧器空气配比高，则火焰的颜为蓝；若燃烧器喷嘴堵塞或燃烧器喷嘴侵蚀或燃烧器喷嘴损坏，则火焰中有火花。4.根据权利要求1所述的一种炼化装置加热炉燃烧控制优化方法，其特征在于，步骤1)所述的进行燃烧器的空燃配比调试，包括：(1.1)分别获取无故障的燃烧器在不同空燃配比时的火焰图像数据；(1.2)采用不同空燃配比时的火焰图像数据训练yolov5或fast rcnn网络，形成燃烧器的最佳空燃配比识别模型；(1.3)在调节所述故障处理后燃烧器的火嘴风门过程中，获取该燃烧器的实时火焰图像数据；(1.4)将所述的实时火焰图像数据输入最佳空燃配比识别模型，确定当前所述燃烧器的空燃配比是否为最佳空燃配比，如果不是最佳空燃配比，则调节为最佳空燃配比，在调节火嘴风门时要保持各燃烧器的火焰稳定且大小相同。
5.根据权利要求1所述的一种炼化装置加热炉燃烧控制优化方法，其特征在于，步骤2)所述的分别生成各种工况下的燃烧曲线，包括：(2.1)将所述加热炉的加工负荷上下限作为操作的边界；(2.2)分别根据不同工况下的燃料管网压力数据、燃料成分数据、加热炉对流段氧含量数据，结合对应的nox排放数据，拟合燃料消耗曲线；(2.3)在所述燃料消耗曲线的基础上，根据加热炉理论燃烧配比，生成所述加热炉对应的燃烧曲线。6.根据权利要求1所述的一种炼化装置加热炉燃烧控制优化方法，其特征在于，步骤2)所述理想控制区间内还包括o2含量理论控制区间和/或no
x
含量理论控制区间。7.根据权利要求1所述的一种炼化装置加热炉燃烧控制优化方法，其特征在于，步骤2)所述加热炉的已有运行数据为距当前时刻预设时间段内的运行数据。8.根据权利要求1所述的一种炼化装置加热炉燃烧控制优化方法，其特征在于，步骤3)所述的基于神经网络的控制指标预测模型，由输入层、中间层和输出层组成，其中所述输入层神经元个数与所述的特征变量个数一致为6个神经元，所述中间层有两层，每层8个神经元，所述的输出层神经元个数与所述的控制指标个数一致为3个神经元。9.根据权利要求1所述的一种炼化装置加热炉燃烧控制优化方法，其特征在于，步骤4)中，当所述鼓风机变频调速的优化方案的优化效果低于预设目标时，返回步骤2)。

技术总结

一种炼化装置加热炉燃烧控制优化方法，对于设有CO分析仪的加热炉，通过火焰图像特征的识别对加热炉的各燃烧器进行故障识别，对有故障的燃烧器进行故障处理，再通过故障处理后燃烧器的火焰图像进行燃烧器的空燃配比调试；根据加热炉的已有运行数据，分别生成加热炉各种工况下的燃烧曲线；根据加热炉的已有运行数据建立加热炉对应的基于神经网络的控制指标预测模型；以将CO含量控制在理想控制区间内为目标，以控制指标和当前运行的特征变量数据为基于神经网络的控制指标预测模型的输入，生成鼓风机变频调速的优化方案，根据优化方案控制鼓风机变频器的工作频率。本发明能在工况的变化和波动的情况下，确保加热炉的燃烧器处于良好的工作状态。的工作状态。的工作状态。