计算机控制系统在电厂的应用,计算机控制系统在电厂中的应用.doc

计算机控制系统在电厂中的应用

计算机自动控制系统在火电厂中的应用2007-11-23 8:03:00 来源:中国自动化网

电力是现代人类文明社会的必需品, 而火力发电是电力生产的主要组成部分, 火力发电是指使用化石燃料 即煤炭、石油、天然气 通过燃烧释放出热能加热工质, 再通过热力原动机驱动发电机的发电方式,原动机主要是锅炉和汽轮机, 燃汽轮机或内燃机。中国电力行业截止到2000 年底,全国发电装机总容量达31600 万千瓦,其中火电装机容量23680 万千瓦,占74.94%;水电装机容量7680 万千瓦,占24.3%;核电及其它装机容量240 万千瓦,占0.76%,火电仍为电力行业的首要组成部分。 目前,中国的电力生产能力已居世界第二,但人均占有发电量却排位靠后。随着中国经济的高速发展,中国电力工业发展仍有相当大的潜力和市场,但面对越来越竞争激烈的市场,越来越严格的环境保护的要求,电力生产自动化水平的提高和管理水平的不断进步将越来越重要。

一、火电厂主控系统

火电厂主控系统是保证火电厂安全、稳定生产的关键,随着控制技术、网络技术、计算机技术和Web技术的飞跃发展,火电厂主控系统的控制水平和工程方案也在不断进步,火电厂的管理信息系统和主控系统的一体化无缝连接必将成为未来火电厂管控系统的发展趋势,传统火电厂的DCS系统也必将向这一趋势靠拢。火电厂主控系统以控制方式分类可分为:DAS、MCS、SCS、BMS及DEH等系统。

下面分别加以阐述:

※数据采集系统-DAS:  火电厂的主控系统中的DAS 数据采集系统 主要是连续采集和处理机组工艺模拟量信号和设备状态的开关量信号,并实时监视,保证机组安全可靠地运行。  ■ 数据采集:对现场的模拟量、开关量的实时数据采集、扫描、处理。  ■ 信息显示:包括工艺系统的模拟图和设备状态显示、实时数据显示、棒图显示、历史趋势显示、报警显示等。  ■ 事件记录和报表制作/ 打印:包括SOE 顺序事件记录、工艺数据信息记录、设备运行记录、报警记录与查询等。  ■ 历史数据存储和检索  ■ 设备故障诊断

※模拟量调节系统-MCS系统:  ■ 机、炉协调控制系统 CCS   ● 送风控制,引风控制  ● 主汽温度控制  ● 给水控制  ● 主蒸汽母管压力控制  ● 除氧器水位控制,除氧器压力控制  ● 磨煤机入口负压自动调节,磨煤机出口温度自动调节

■ 高加水位控制,低加水位控制  ■ 轴封压力控制  ■ 凝汽器水位控制  ■ 消防水泵出口母管压力控制  ■ 快减压力调节,快减温度调节  ■ 汽包水位自动调节

※炉膛安全保护监控系统-BMS系统:  BMS(炉膛安全保护监控系统)保证锅炉燃烧系统中各设备按规定的操作顺序和条件安全起停、切投, 并能在危急情况下迅速切断进入锅炉炉膛的全部燃料,保证锅炉安全。包括BCS(燃烧器控制系统)和FSSS(炉膛安全系统)。  ■ 锅炉点火前和MFT 后的炉膛吹扫  ■ 油系统和油层的启停控制  ■ 制粉系统和煤层的启停控制  ■ 炉膛火焰监测  ■ 辅机(一次风机、密封风机、冷却风机、循环泵等)启、停和联锁保护  ■ 主燃料跳闸(MFT)  ■ 油燃料跳闸(OFT)  ■ 机组快速甩负荷(FCB)  ■ 辅机故障减负荷(RB)  ■ 机组运行监视和自动报警

※顺序控制系统—SCS:  ■ 制粉系统顺控  ■ 锅炉二次风门顺控  ■ 锅炉定排顺控  ■ 射水泵顺控  ■ 给水程控  ■ 励磁开关  ■ 整流装置开关  ■ 发电机灭磁开关  ■ 发电机感应调压器  ■ 备用励磁机手动调节励磁  ■ 发电机组断路器同期回路  ■ 其他设备起停顺控

※电液调节系统—DEH:  该系统完成对汽机的转速调节、功率调节和机炉协调控制。包括:转速和功率控制;阀门试验和阀门管理;运行参数监视;超速保护;手动控制等功能。  ■ 转速和负荷的自动控制  ■ 汽轮机自启动(ATC)  ■ 主汽压力控制(TPC)  ■ 自动减负荷(RB)  ■ 超速保护(OPC)  ■ 阀门测试下图为火电厂生产过程示意图:

二、火电厂公用辅助系统:

火电厂公用辅助系统是火电厂正常稳定运行的关键组成环节,它包括输煤系统、化学水处理系统、除灰/ 除渣系统、锅炉的吹灰/定排和电除尘系统等。随着环保日益严格的要求,诸如脱硫系统等也开始在中国日益引起火电厂的重视。下面就火电厂公用辅助系统分类加以阐述:

■ 输煤系统  煤是火力发电厂的一次能源,火电厂内的输煤系统主要完成卸煤、贮存、分配、筛选、破碎等工作,同时进行燃料计量、计算出正品和煤耗、取样分析和去除杂物等。主要控制对象有斗轮堆取料机、皮带机、

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值