基于赋时着色Petri网的燃煤电厂煤流追踪与入炉煤质实时测算方法

王辉; 耿鑫; 张漪; 张依依; 宋傲翀

doi:10.12404/j.issn.1671-1815.2507123

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (17) :7305-7316 DOI: 10.12404/j.issn.1671-1815.2507123

电工技术

基于赋时着色Petri网的燃煤电厂煤流追踪与入炉煤质实时测算方法

王辉 ¹^,² ,
耿鑫 ¹ ,
张漪 ¹^,^* ,
张依依 ¹ ,
宋傲翀 ¹

作者信息 +

Timed Colored Petri Net Approach to Coal-flow Tracing and Real-time Furnace Coal Quality Metric in Coal-fired Power Plants

WANG Hui ¹^,² ,
GENG Xin ¹ ,
ZHANG Yi ¹^,^* ,
ZHANG Yi-yi ¹ ,
SONG Ao-chong ¹

Author information +

文章历史 +

摘要

在新型电力系统构建与深度调峰常态化背景下,电力系统对火电机组灵活性要求不断提升,给燃煤电厂带来了巨大的运行成本压力。实现燃煤从入厂到入炉全过程实时管控,已成为火电机组在经济灵活运行场景下的刚性需求。面向包含接卸、堆取以及输送的复杂输煤系统,以Petri网为理论框架,引入颜色集与时间函数以刻画煤流的量、质、价属性及转移过程中的动作触发时间延迟。针对传统Petri网弧权值固定、难以刻画煤流转移中Token离散化的问题,提出基于取煤量的弧权值动态调整机制;针对煤流属性在不同类型库所转移过程中的变化逻辑,建立了煤流属性更新规则,实现了煤流的精准追踪。基于煤流追踪获取的量、质、价信息,实现对入炉煤质的实时测算。最后,运用中国某大型燃煤电厂的实际运行数据开展应用研究。结果表明,所提方法可实现煤流追踪准确率达97.7%,入炉煤热值测算平均误差控制在3.50%,满足工程应用的精度要求。研究结果为弥补面向燃煤成本实时核算的煤质动态溯源和实时测算领域的研究不足提供了新思路,对提升机组灵活性、推动燃煤电厂实现降本增效具有重要的现实意义。

Abstract

In the context of new power system construction and the normalization of deep peak shaving, increasing flexibility requirements are imposed on thermal power units. Significant operating cost pressures were imposed on coal-fired power plants. Real-time control throughout the coal process from plant intake to furnace entry was considered essential for thermal power units under economically flexible operation. The study was focused on the complex coal-handling system, which includes unloading, stacking, reclaiming, and conveying. A Petri net was adopted as the theoretical framework. Color sets were introduced to characterize the quantity, quality, and cost attributes of coal flow. Time functions were introduced to describe the time delays triggered by operational actions during transfer. A dynamic arc-weight adjustment mechanism based on reclaiming quantity was proposed to overcome the limitation of traditional Petri nets. Coal-flow attribute update rules were established to describe changes in coal-flow properties at different stages and to achieve accurate coal-flow tracing. A real-time estimation method for furnace coal quality was developed based on the traced quantity, quality, and cost information. Application research was conducted using operational data from a large coal-fired power plant in China. The results show that a coal-flow tracing accuracy of 97.7% is achieved and that the average error in furnace coal calorific value calculation is maintained within 3.50%, satisfying engineering accuracy requirements. The study has important practical significance for enhancing unit flexibility, reducing costs, and improving efficiency in coal-fired power plants.

Graphical abstract

关键词

入炉煤质 / 煤流追踪 / 赋时着色Petri网 / 输煤系统

Key words

furnace coal quality / coal-flow tracing / timed colored Petri net / coal-handling system

引用本文

引用格式 ▾

王辉, 耿鑫, 张漪, 张依依, 宋傲翀. 基于赋时着色Petri网的燃煤电厂煤流追踪与入炉煤质实时测算方法[J]. 科学技术与工程, 2026, 26(17): 7305-7316 DOI:10.12404/j.issn.1671-1815.2507123

WANG Hui, GENG Xin, ZHANG Yi, ZHANG Yi-yi, SONG Ao-chong. Timed Colored Petri Net Approach to Coal-flow Tracing and Real-time Furnace Coal Quality Metric in Coal-fired Power Plants[J]. Science Technology and Engineering, 2026, 26(17): 7305-7316 DOI:10.12404/j.issn.1671-1815.2507123

登录浏览全文

4963

注册一个新账户忘记密码

在能源结构加速转型与“双碳”目标的驱动下,大规模可再生能源接入电网,电力系统的波动性风险显著增强^[1-2]。2025年3月26日,国家发展改革委和国家能源局印发的《新一代煤电升级专项行动实施方案(2025—2027年)》明确提出要提升煤电机组的调峰能力与负荷响应速率^[3],这对火电机组的灵活性提出了更高要求。当前,现有燃煤电厂已具备数字化煤场、5G传感与工业物联网等数智化条件,为燃煤精细化与实时管理奠定了现实基础^[4]。随着火电角色由主力电源转向调节性与支撑性电源^[5-6],电厂降本增效压力持续攀升,燃煤成本实时核算以响应电力市场势在必行,开展煤流追踪与入炉煤质实时测算方法的研究已成为提升燃煤管控效率、保障机组灵活运行的迫切需求。

入炉煤质作为影响机组运行的关键因素^[7],实时掌握入炉煤质有助于电厂动态调节锅炉参数,优化燃烧策略,提升机组在低负荷及快速负荷变化等工况下的响应能力与燃烧稳定性^[8]。当前电厂对入炉煤质的监测仍以采样化验为主,这种方法耗时长,存在滞后性问题^[9]。为了实现入炉煤质的快速测定,有的研究利用激光诱导击穿光谱(laser-induced breakdown spectroscopy, LIBS)^[10]、中子活化瞬发γ分析(prompt γ-ray neutron activation analysis, PGNAA)^[11]和X射线荧光光谱(X-ray fluorescence spectrometer, XRF)^[12]等煤质快速检测技术,来实现对入炉煤的快速分析,但受限于设备昂贵,在中国电厂的普及程度有限^[13]。此外,还有研究从机理建模角度出发,基于烟气^[14]、锅炉^[15]等环节的能量与质量平衡原理构建软测量模型。针对机理分析的方法虽然可以实现实时煤质监测,但电厂实际生产环境复杂,在复杂工况下往往存在较大的测量误差^[13]。

近年来,随着火电机组分布式控制系统(distributed control system,DCS)和安全仪表系统(safety instrumented system,SIS)等系统的广泛应用,实现了对电厂设备运行数据的全面、实时采集。基于机器学习的煤质分析技术逐渐成为研究热点^[16]。该类方法依托电厂历史运行数据,建立煤质参数与机组运行特征之间的映射模型^[17-18],以实现对入炉煤质的智能识别。但此类方法对机组变化的适应性较弱,在设备老化或机组改造后,往往需重新采样并重建模型以保持泛化能力^[19]。基于上述分析,当前电厂在煤质监测中仍以传统化验手段为主,尚缺乏一种兼具实时监测、适应复杂运行工况的入炉煤质快速测算方法。

在实际运行中,煤炭抵达电厂时,需进行入厂化验,以获取煤种的基本煤质参数,但在经由输煤系统输送至锅炉过程中,由于输煤系统存在多条输送路径以及涉及煤场混合存储等因素,煤流的流向难以追踪,无法准确识别入炉煤对应的煤种。Petri网是一种常用的离散事件系统的建模与分析工具,在处理具有并发性与异步性的系统时展现出独特优势^[20]。刘涛等^[21]利用着色Petri网对民用飞机维修任务过程进行建模,实现了对民用飞机维修任务过程的可视化分析。黄学林等^[22]建立了基于停机坪区域的分层赋时着色Petri网模型,模拟了飞机在停机坪的滑行过程,实现了对航空器场面滑行状态的实时跟踪。Petri网通过数形结合的方式,能够有效描述系统中物料流的变化与迁移特征,为输煤系统的煤流追踪建模提供了一种新的思路。然而,输煤系统运行状态复杂,部分设备在输煤动作开始到完成过程中存在一定的时间延迟。且煤流本身携带量、质、价等属性,使得传统Petri网在表达能力方面仍存在一定局限。

针对上述问题,现利用赋时着色Petri网(timed colored Petri net,TCPN)开展煤流追踪与入炉煤质测算研究,提升对输煤系统运行机制及煤流属性的刻画能力。该方法能够有效弥补传统化验在时效性方面的不足,且无需昂贵的在线检测设备,充分利用电厂输煤系统普遍成熟、运行稳定的有利条件,受外部工况扰动较小,工程实践应用前景可观。

1 燃煤电厂输煤系统业务流程分析

输煤系统是燃煤电厂中连接燃煤接卸与入炉之间各环节的核心控制系统,涵盖了煤炭从接卸、堆取、输送到入炉燃烧的全流程。对输煤系统业务流程进行系统化梳理,有助于全面掌握各环节的结构、顺序及相互关系,明确煤流在不同设备、路径和状态下的转运机制。

1.1 煤流路径调控关键节点分析

输煤系统中的设施依据功能定位可划分为存煤设施与输煤设施两类。存煤设施包含煤场和原煤仓;输煤设施包括皮带输送机、翻车机、斗轮机等设备。在输煤设施中,部分设备负责实现煤流在不同设备或路径之间的转移。此类设备通常处于输煤系统的枢纽位置,是煤流走向与路径调控的关键节点,这类设备统称为节点设备。如图1所示的叶轮给煤机、三通换向阀、头部伸缩装置、斗轮机以及犁煤器,均属于节点设备。

输煤路径的建立与切换主要依赖于节点设备,其运行状态直接决定煤流的走向。作为煤流路径调控的核心控制单元,通过调整节点设备状态,电厂可按运行需求灵活切换煤流路径。在构建煤流追踪模型时,通过感知节点设备的运行状态并将其映射为变迁的触发条件,可实现对煤流流向的精准追踪。此外,部分设备输煤动作的完成需要一定的时间延迟,此类设备对应的变迁触发时应充分考虑并体现这种时间延迟。

1.2 工艺流程模式解析

通过对输煤系统业务流程的分析,其运行模式可概括为4种典型工况:电厂来煤后运往煤场进行堆存、电厂来煤后直送原煤仓、煤场取煤运至原煤仓,以及原煤仓出煤入炉,作业流程如图2所示。

(1)来煤堆存模式。在来煤堆存模式下,电厂来煤经轨道衡称重卸入卸煤沟后,由给煤机导入输煤皮带开始输送;当煤流需送往煤场堆存时,通过节点设备的转运将煤流导向煤场方向,并由斗轮机将煤炭从皮带转移至指定的堆煤区域,以备后续使用。

(2)直送上仓模式。在直送上仓模式下,煤流不进入煤场,而是沿输煤皮带继续输送,依次完成筛煤机过筛、碎煤机破碎及皮带秤称重等预处理工序。最终,根据供煤需求,由犁煤器将煤流导入指定的原煤仓内,等待入炉燃烧。

(3)取料上仓模式。在取料上仓模式下,斗轮机从指定堆煤区域取料后,将煤流转移至输煤皮带。煤流在输送过程中同样依次完成过筛、碎煤、称重等处理环节,最终由犁煤器将其导入目标原煤仓,等待入炉。

(4)燃煤入炉模式。在燃煤入炉模式下,煤流经由原煤仓底部的给煤机输出至锅炉,实现燃煤的入炉燃烧。

上述4种运行模式覆盖了输煤系统的全部工况,反映了燃煤从接卸、堆取、输送直至入炉燃烧的全过程。在实际运行中,系统并非按照单一模式运行,而是呈现出多模式协同运行的状态。此外,不同单元还遵循差异化的堆取逻辑:煤场多采用后进先出原则,而原煤仓则遵循先进先出原则。煤流在不同类别库所间转移时,其量、质、价等属性需根据相应堆取逻辑进行更新。模型不仅需要刻画煤流在库所间的转移过程,还需准确反映其属性的动态变化。

2 基于赋时着色Petri网的煤流追踪模型

输煤系统运行中,煤流不仅携带着量、质、价等属性信息,还存在着转移时间延迟等复杂特征。传统Petri网在刻画此类复杂系统时存在局限性。为克服上述问题,利用赋时着色Petri网对输煤系统进行建模,通过颜色集去刻画煤流属性,采用时间函数描述变迁从满足条件到实际触发过程中的时间延迟。符号含义如表1所示。

2.1 赋时着色Petri网模型构建

在输煤系统Petri网模型中,煤流定义为Petri网中的实体(Token)。存煤设施与输煤设施定义为库所(Place),并划分输煤设施库所、煤场库所以及原煤仓库所三类。各类设备的动作则定义为变迁(Translate),根据不同设备的特性划分为普通变迁、时延变迁以及节点变迁,时延变迁触发时需考虑设备输煤过程中的时间延迟,节点变迁触发时需考虑节点设备的运行状态。

2.1.1 构成元素定义

赋时着色Petri网用九元组集合表示,如式(1)所示。

(1)TCPN=(P,T,F,c,W,M₀,G,DT,A)

式(1)集合中的元素含义如下。

(1)P为各类库所P^S、P^R、P^E的集合,P={p_n},n∈{1,2,…,N},N为库所总数。则有P=P^S∪P^R∪P^E,P^S∩P^R=∅,P^S∩P^E=∅,P^R∩P^E=∅。

(2)T为各类变迁T^O、T^D、T^J的集合,T={t_m},m∈{1,2,…,M},M为变迁总数,则有T=T^O∪T^D∪T^J,T^O∩T^D=∅,T^O∩T^J=∅,T^D∩T^J=∅。

(3)F为有向弧集合,F⊆(P×T)∪(T×P),表示库所和变迁之间的流关系。其中×为笛卡尔积,表示两个集合之间所有可能的有序对的集合。

(4)c为颜色变量,c∈{1,2,…,C},用于表示煤量、煤质、煤价等煤流的属性信息。

(5)W为有向弧上的权函数,用于描述变迁发生时,库中Token的转移数量。

(6)M₀为Petri网的初始标识,表示初始状态下各库所中Token的分布情况,如式(2)所示。

(2)M₀={M₀(p₁),M₀(p₂),…,M₀(p_N)}

式(2)中:M(p_n)为库中Token数量。变迁t_m触发时M(p_n)的变化规则如式(3)所示。

(3)$M\left(p_{n}\right)^{\prime}=\left\{\begin{array}{ll}M\left(p_{n}\right)-W\left(p_{n}, t_{m}\right), & p_{n} \in \cdot t_{m}-t_{m} \cdot \\M\left(p_{n}\right)+W\left(p_{n}, t_{m}\right), & p_{n} \in t_{m} \cdot-t_{m} \\M\left(p_{n}\right), & \text { 其他 }\end{array}\right.$

(7)G:T→{0,1}为变迁的守卫函数,用于控制Petri网中变迁的触发条件。普通和时延变迁触发条件与传统Petri网一致,节点变迁需结合节点设备的状态信号。定义如式(4)、式(5)所示。

(4)$G=\left\{\begin{array}{ll}1, & p_{n} \in \cdot t_{m} \wedge M\left(p_{n}\right) \geqslant 1 \\0, & \text { 其他 }\end{array}, t_{m} \in T^{0} \cup T^{\mathrm{D}}\right.$

(5)$\begin{aligned}G= & \left\{\begin{array}{ll}1, & p_{n} \in \cdot t_{m} \wedge M\left(p_{n}\right) \geqslant 1 \wedge \text { 节点信号为 } 1, \\0, & \text { 其他 }\end{array},\right. \\& t_{m} \in T^{\mathrm{J}}\end{aligned}$

式中:∧为逻辑与,表示各条件需同时成立。

(8)DT为时间函数,用于表示Petri网中变迁从满足条件到实际触发过程中的时间延迟。在输煤系统中,DT主要用于表示皮带运输煤流过程中所需的时间。计算方法如式(6)所示。

(6)$B_{k}=\frac{L_{k}}{V_{k}}$

式(6)中:B_k为运输时间;L_k为皮带长度;V_k为皮带转速;k为皮带编号。

(9)A∈R^H^×^C,为煤流属性单元,用于表示各库所中煤流的量、质、价属性信息。其定义如式(7)所示。

(7)$\boldsymbol{A}_{n}=\left[\begin{array}{cccc}a_{11} & a_{12} & \cdots & a_{1 C} \\a_{21} & a_{22} & \cdots & a_{2 C} \\\vdots & \vdots & & \vdots \\a_{H 1} & a_{H 2} & \cdots & a_{H C}\end{array}\right]_{n}$

式(7)中:矩阵A_n为R^H^×^C的矩阵;H为当前库所中煤种的数量;C为煤种的属性数量,其中第一列为煤量属性;矩阵元素a_hc为第h层煤种的c属性。

2.1.2 前集、后集

对于,其前集和后集的定义如式(8)、式(9)所示。

(8)$\cdot x=\{y \in P \cup T \mid(x, y) \in F\}$

(9)$x \cdot=\{y \in P \cup T \mid(y, x) \in F\}$

式中:·x为要素x的前集;x·为要素x的后集;x可以是库所,也可以是变迁。

2.2 弧权值动态调整机制

输煤设备不具备存储功能,其对应变迁触发后库内Token将全部转移;而煤场、原煤仓等具有存储功能的单元仅转移部分Token,需依据实际取煤量动态调整。传统Petri网模型中,弧权值通常为固定值,难以描述此类基于取煤量动态划分Token的离散化转移过程。根据实际取煤量动态调整弧权值W,实现Token的精准转移。W计算规则如式(10)、式(11)所示。

(10)$W\left(p_{n}, t_{m}\right)=\left\{\begin{array}{ll}\left\lfloor\frac{q}{c_{\text {weight }}}\right\rfloor, & q \leqslant c_{\text {weight }} \\\left\lfloor 1+\frac{q-c_{\text {weight }}}{c_{\text {weight }}^{\text {next }}}\right\rfloor, & q>c_{\text {weight }}\end{array}\right.$

(11)$W\left(t_{m}, p_{n}\right)=\left\{\begin{array}{ll}\left\lceil\frac{q}{c_{\text {weight }}}\right\rceil, & q \leqslant c_{\text {weight }} \\\left\lceil 1+\frac{q-c_{\text {weight }}}{c_{\text {weight }}^{\text {exet }}}\right\rceil, & q>c_{\text {weight }}\end{array}\right.$

式中:q为取煤量;C_weight为所取煤种的存煤量;$C_{\text {weight }}^{\text {next }}$为下层煤种的存煤量。

2.3 煤流属性更新规则

当Petri网模型中的变迁触发时,Token由一个库所转移至另一个库所,库所中煤流的属性也会发生变化。构建的Petri网模型包括三类库所,不同类型的库所之间在转移Token的过程中,属性变化的逻辑也不相同。根据不同类型库所之间煤流的转移逻辑,定义了煤流属性的更新规则。

规则1 库所为煤场库所(p_n∈P^S)时,煤场的堆取遵循后进先出原则。堆煤时,最先进入煤场的煤流位于底部,后续进入的煤流逐层覆盖在其上方。取煤则自顶层依次向下。当变迁t_m触发时,煤场库所p_n中煤流属性变化规则如式(12)所示。

(12)$\boldsymbol{A}_{n}^{\prime}=\left\{\begin{array}{ll}f(l, q), & p_{n} \in \cdot t_{m} \\{\left[\begin{array}{c}\boldsymbol{A}_{n-1} \\\boldsymbol{A}_{n}\end{array}\right],} & p_{n} \in t_{m} .\end{array}\right.$

式(12)中:A_n_-1为上游库所中煤流的属性;f(l,q)为取煤函数,定义如式(13)所示。

(13)$f(l, q)=\left\{\begin{array}{ll}\boldsymbol{A}_{n}-q \boldsymbol{E}_{l 1}, & \left(a_{l 1}\right)_{n}>q \\\boldsymbol{\psi}\left(\boldsymbol{A}_{n}-q \boldsymbol{E}_{l 1}\right), & \left(a_{l 1}\right)_{n}=q \\\boldsymbol{\psi} f\left(l+1, q-a_{l 1}\right), & \left(a_{l 1}\right)_{n}<q\end{array}\right.$

式(13)中:l∈{1,2,…,H}为取煤层数,煤场从顶层开始取煤,即l=1;q为取煤量;E_l₁为矩阵空间R^H^×^C的一个基矩阵;a_l₁为当前库所中l行煤种的存煤量。选择矩阵ψ用于将取完的煤种从矩阵中删除。ψ定义如式(14)所示。

(14)$\left\{\begin{array}{l}\psi_{i j}=\left\{\begin{array}{ll}1, & j=i+1 \\0, & \text { 其他 }\end{array}\right. \\i \in\{1,2, \cdots, H-1\}, j \in\{1,2, \cdots, H\}\end{array}\right.$

式(14)中:ψ_ij为矩阵ψ第i行第j列对应的元素。

规则2 库所为原煤仓库所(p_n∈P^R)时。原煤仓遵循先进先出原则,最先入仓的煤流位于底部并优先出煤,后续煤流依次堆放在上方。原煤仓的煤流属性更新方式与煤场类似,但取煤时按照自下而上的顺序进行。当变迁t_m触发时,原煤仓库p_n中煤流属性变化需满足如式(15)所示的规则。

(15)$\boldsymbol{A}_{n}^{\prime}=\left\{\begin{array}{ll}f(l, q), & p_{n} \in \cdot t_{m} \\{\left[\begin{array}{c}\boldsymbol{A}_{n-1} \\\boldsymbol{A}_{n}\end{array}\right],} & p_{n} \in t_{m} .\end{array}\right.$

式(15)中:l∈{1,2,…,H}表示取煤层数,原煤仓从底层H开始取煤。

(16)$\boldsymbol{f}(l, q)=\left\{\begin{array}{ll}\boldsymbol{A}_{n}-q \boldsymbol{E}_{l 1}, & \left(a_{l 1}\right)_{n}>q \\\boldsymbol{\psi}\left(\boldsymbol{A}_{n}-q \boldsymbol{E}_{l 1}\right), & \left(a_{l 1}\right)_{n}=q \\\boldsymbol{\psi} \boldsymbol{f}\left(l-1, q-a_{l 1}\right), & \left(a_{l 1}\right)_{n}<q\end{array}\right.$

(17)$\begin{array}{l}\psi_{i j}=\left\{\begin{array}{ll}1, & j=i \\0, & \text { 其他 }\end{array}\right. \\i \in\{1,2, \cdots, H-1\}, j \in\{1,2, \cdots, H\}\end{array}$

规则3 库所为输煤设施库所时(p_n∈P^J),其属性更新方式取决于在变迁中的位置。若为前置库所,煤流在变迁触发时全部转移,不保留属性信息;若为后置库所,且前置库所也为输煤设施库所,则可直接继承前置库所中转移而来的煤流属性。当前置库所为煤场或原煤仓时,煤流属性的更新需依据实际取煤层数进行判断:若仅取用单层煤,则后置库所直接继承该层对应的煤流属性;若涉及多层煤的混取,则将每层煤作为独立的Token进行转移,分别携带各自的属性信息。当变迁t_m触发时,其属性更新规则如式(18)所示。

(18)$\boldsymbol{A}_{n}^{\prime}=\left\{\begin{array}{ll}0, & p_{n} \in \cdot t_{m} \\\boldsymbol{A}_{n-1}, & p_{n} \in t_{m} \cdot \wedge p_{n-1} \in P^{\mathrm{J}} \\g(l, q), & p_{n} \in t_{m} \cdot \wedge p_{n-1} \in P^{\mathrm{S}} \cup P^{\mathrm{R}}\end{array}\right.$

式(18)中:p_n_-1为上游库所;g(l,q)为进煤函数,定义如式(19)所示。

(19)$\begin{aligned}g(l, q)= & \left\{\begin{array}{cl}\boldsymbol{A}_{n-1}^{(l)}+\left(q-a_{l 1}\right) \boldsymbol{E}_{l 1}^{(l)}, & a_{l 1} \geqslant q \\{\left[\begin{array}{c}g\left(l+1, q-a_{l 1}\right) \\\boldsymbol{A}_{n-1}^{(l)}\end{array}\right],} & a_{l 1}<q \wedge p_{n-1} \in P^{S} \\{\left[\begin{array}{c}g\left(l-1, q-a_{l 1}\right) \\\boldsymbol{A}_{n-1}^{(l)}\end{array}\right],} & a_{l 1}<q \wedge p_{n-1} \in P^{R}\end{array},\right. \\& l \in\{1,2, \cdots, H\}\end{aligned}$

式(19)中:${A}_{\mathrm{n}-1}^{\left(\mathrm{l}\right)}$为矩阵A_n_-1的第l行元素。

综上所述,针对煤流在不同库所间转移的属性变化构建了更新规则,显著增强了Petri网对煤流多属性动态的刻画能力,并据此开展输煤系统的模型构建。

2.4 模型实例化分析与验证

基于前述模型定义及输煤系统业务流程分析,构建的输煤系统Petri网模型如图3所示。

模型以卸煤沟为起点,以锅炉为终点。库所与变迁含义如表2所示,其中p₄为煤场库所,p₁₀为原煤仓库所,其他为输煤设施库所。t₂、t₆为时延变迁,t₁、t₃、t₅、t₁₀、t₁₁为节点变迁,其他为普通变迁。在实际输煤系统中,通常配置多个输煤皮带、煤场以及原煤仓等设施,各电厂结构和流程亦存在差异,建模时需结合实际进行调整。为确保所构建Petri网模型的结构合理性与有效性,进一步开展模型的有效性分析与示例验证。

2.4.1 模型有效性分析

Petri网的性质主要有可达性、活性、有界性等^[23],可以采用关联矩阵、可达树、不变量等方法来分析模型性质^[24]。本文研究采用可达树分析法来分析模型的有效性。

初始状态定义为M₀=(1,0,0,4,0,0,0,0,0,3,0),表示此时电厂来煤存入卸煤沟,煤场(p₄)初始存储4个煤种,原煤仓(p₁₀)初始存储3个煤种,假设煤场和原煤仓出煤时,取一个煤种的一半存煤量。构建的输煤系统Petri网可达树如图4所示。

在标识向量集合R(M)={M₁,M₂,…,M₁₇}中,所有可达状态的Token数量均为有限,说明该Petri网模型是有界的;对于标识状态集合R(M)中的任意一个状态,都存在另一个M',使得t获得发生权,且网中每个变迁均能获得发生权,表明模型具有活性;从图4中的可达树可以看出,所有标识状态均可从初始状态M₀通过合法激发路径到达,说明该模型满足可达性。通过上述分析可知,该模型是有效合理的。

2.4.2 典型工况下的模型实例验证

为进一步说明模型在煤流追踪与入炉煤质实时测算方面的可行性,构造了一个典型工况下的示例场景,结合Petri网状态转移与属性计算过程进行验证分析。模型初始状态假定为:M₀=(1,0,0,4,0,0,0,0,0,3,0),库所p₁、p₄、p₁₀的煤流属性分别为A₁、A₄、A₁₀,每一行对应一种煤种,每列依次表示煤量、热值和煤价属性参数。

$\begin{array}{l}\boldsymbol{A}_{1}=\left[\begin{array}{llll}70 & 4000 & 500\end{array}\right] ; \\\boldsymbol{A}_{4}=\left[\begin{array}{lll}55 & 4000 & 470 \\60 & 3500 & 478 \\80 & 3700 & 512 \\100 & 4200 & 480\end{array}\right] ; \\\boldsymbol{A}_{10}=\left[\begin{array}{lll}90 & 4700 & 600 \\65 & 4500 & 540 \\70 & 5000 & 530\end{array}\right]\end{array}$

假设电厂来煤去往煤场堆存,同时原煤仓在出煤入炉,出煤量为35 t,根据式(10)和式(11)可知,$W\left(p_{9}, t_{10}\right)=\left\lfloor\frac{35}{70}\right\rfloor=0$,$ W\left(t_{10}, p_{10}\right)=\left\lceil\frac{35}{70}\right\rceil=1$,其他权重则都为1。Petri网的关联矩阵定义为R(p_n,t_m)=W(t_m,p_n)-W(p_n,t_m),则关联矩阵为

R=$\left[\begin{array}{lllllllllll}-1& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0\\ 1& -1& 0& 0& 0& 0& 0& 0& 0& 0& 0\\ 0& 1& -1& -1& 0& 0& 0& 0& 0& 0& 0\\ 0& 0& 1& 0& 0& 0& 0& 0& 0& 0& 0\\ 0& 0& 0& 1& 1& -1& 0& 0& 0& 0& 0\\ 0& 0& 0& 0& 0& 1& -1& 0& 0& 0& 0\\ 0& 0& 0& 0& 0& 0& 1& -1& 0& 0& 0\\ 0& 0& 0& 0& 0& 0& 0& 1& -1& 0& 0\\ 0& 0& 0& 0& 0& 0& 0& 0& 1& -1& 0\\ 0& 0& 0& 0& 0& 0& 0& 0& 0& 1& 0\\ 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 1\end{array}\right]$

Petri网的状态转移方程如式(20)所示。

(20)M=M₀+R×σ

式(20)中:σ为变迁触发向量;向量的每一个元素对应一个变迁,当变迁触发时对应元素为1,否则为0。煤场堆料时,经过变迁t₁、t₂、t₃,原煤仓出煤时要经过变迁t₁₁,σ=[1,1,1,0,0,0,0,0,0,0,1]。根据(20)可知下一状态标识为M'=[0,0,0,5,0,0,0,0,0,3,1]。变迁发生后根据式(12)、式(18)可得

A'₄=$\left[\begin{array}{lll}70& 4\mathrm{ }000& 500\\ 55& 4\mathrm{ }000& 470\\ 60& 3\mathrm{ }500& 478\\ \begin{array}{l}80\\ 100\end{array}& \begin{array}{l}3\mathrm{ }700\\ 4\mathrm{ }200\end{array}& \begin{array}{l}512\\ 480\end{array}\end{array}\right]$;

A'₁₀=$\left[\begin{array}{lll}90& 4\mathrm{ }700& 600\\ 65& 4\mathrm{ }500& 540\\ 35& 5\mathrm{ }000& 530\end{array}\right]$;

A'₁₁=[$\begin{array}{lll}35& 5\mathrm{ }000& 530\end{array}$]。

变迁发生后,煤场存煤由4种增加至5种,原煤仓依然是3种存煤,入炉燃煤新增1种。两条煤流的运行路径分别为(p₁→p₂→p₃→p₄)和(p₁₀→p₁₁)。各库所的煤质属性通过更新后的A'₄、A'₁₀、A'₁₁,可以直观看出煤流属性的变化过程及最终入炉煤质。

该实例为小规模节点数条件下的全要素类型实例,表明所提出的模型能够有效实现从入厂到入炉的煤流路径追踪,并能够实时更新煤流在运行过程中到达煤场等关键节点时的属性信息,基于以上煤流追踪和煤流属性动态更新的测算过程,最终在入炉节点可提取到入炉煤质特性。

进一步地,将上述模型方法应用于某大型火电厂运行实践,基于AnyLogic平台实现大规模节点数下的仿真运算,验证方法可靠性。

3 模型应用与仿真实验

3.1 数据来源

以华北地区HD电厂作为研究对象,Petri网结构如图5所示。该厂的输煤系统共配置12台带式输送机,详细参数如表3所示。电厂布置4个封闭煤场,该厂一期共建设两台350 MW超临界燃煤热电联产机组,每台机组配置6个原煤仓,围绕其中一台机组开展入炉煤质研究分析。

以该厂2022年7月1—31日的运行数据为研究范围。来煤数据和化验数据取自燃料智能化系统,来煤数据共1 834条,该月来煤总量为118 935 t;煤质化验数据共69组有效样本;设备点位数据来自SIS系统,共44 662条记录,采样间隔为60 s。斗轮机定位数据取自DCS系统,共99 456条数据,采样间隔为30 s。煤场出煤量由皮带秤称重数据获得,原煤仓出煤量由给煤机瞬时煤量数据。

3.2 煤流追踪准确性分析

选取某日输煤系统完整的运行数据,对运行状态与模型追踪结果进行对比分析。如图6所示,3条折线表示3种运行模式的启停状态,离散点为模型追踪得到的煤流路径。

当日共追踪688条煤流,其中取料上仓527条,来煤堆存157条,直送上仓仅4条。基于电厂输煤系统的结构与运行逻辑,构建的Petri网模型如图5所示。模型包含33个库所和55个变迁,完整刻画输煤系统的运行过程。

电厂来煤时,Petri网的起始库所会生成相应的Token,并沿着输煤路径在网络中流动。当Token到达某一节点设备时,系统通过解析设备点位数据判断对应变更是否能够触发。对于带式输送机,对应变迁需经过一段时间延迟后触发。煤场堆取煤过程依托斗轮机定位数据判断煤场具体位置。

系统以取料上仓模式为主,直送上仓较少,符合电厂来煤优先堆存的管理方式。追踪准确率达97.7%,仅16条数据与运行状态不符,主要集中在模式切换边界,原因可能是模型设定的时间延迟与系统实际状态存在细微差异。结果表明,基于Petri网的煤流追踪方法能够准确地追踪输煤过程中煤流的路径,整体追踪准确率达97.7%。为电厂实现从入厂到入炉的全过程透明化管理提供了技术支撑,也为后续的入炉煤质实时测算奠定了基础。

3.3 入炉煤质仿真结果分析

在入炉煤质参数中,热值是关键指标,不仅直接决定锅炉输入能量的大小,还影响燃烧过程的稳定性^[25]。本文研究将热值作为入炉煤质的代表性参数指标进行分析与验证。

3.3.1 分钟级测算结果对比分析

模型基于电厂运行数据,可实现分钟级的入炉煤热值测算;而电厂入炉化验为8 h班次制,无法与模型结果直接对应。实际运行中,电厂根据机组负荷需求动态调整入炉煤掺配热值,掺配的目标值依据负荷水平进行划分,划分结果如表4所示。在中低及低负荷下,出于保障锅炉燃烧稳定性的考虑,电厂通常采取降低给煤量但掺烧较高热值煤种的运行策略,以避免因热值过低导致燃烧不稳或熄火等安全风险。鉴于上述情况,本文在每个负荷段内各选取一段连续稳定运行时段,将模型分钟级热值结果与目标值对比。结果如图7所示,机组在高负荷段下的持续运行时间较长,在其他负荷段下的持续运行时间较短,机组整体以高负荷运行为主。在入炉煤质测算方面,测算得到的分钟级入炉煤热值在大部分时刻均处于对应目标区间内;少量超出区间的样本点,其偏差基本控制在50 kcal/kg以内。结果表明,所建模型在实现分钟级入炉煤质测算方面是有效的,能够真实地反映该电厂入炉煤质的实时变化。且在各负荷工况下,模型均保持良好的准确率,说明模型具有较强的适应性。

3.3.2 8 h测算结果对比分析

鉴于热值可以线性加权的特性^[26],为了进一步验证模型测算结果的准确性,对得到的分钟级入炉煤热值结果按8 h加权平均,并与电厂化验数据进行对比。

由于部分化验结果因采样不均或混合不充分偏离实际运行水平,对其进行剔除后,最终保留69组数据。对比结果如图8所示。可以看出,模型测算结果与化验热值在整体走势上较为一致,能够较为准确地反映入炉煤热值的变化趋势。尽管在个别样本点上存在一定误差,但测算的平均绝对误差为154.20 kcal/kg,误差处于工程可接受范围内。

图9展示了模型测算的百分比误差,可以看出,模型测算的误差大多集中在±5%范围内,平均绝对百分比误差为3.5%,满足煤流质量误差测量精度要求^[27-28]。造成偏差的原因可能为模型主要依据煤种入厂时的化验结果进行测算,而煤炭在储存和运输过程中受时间及环境影响,可能导致煤质发生变化;此外,电厂在采制过程中,也存在着采样不均及采制样的规范性等问题,一定程度上也会影响着化验结果的准确性^[29]。

电厂以每8 h化验结果代表该时段入炉煤质,存在代表性不足的问题。相比之下,本文方法可实现分钟级的煤质测算,在保证准确率的基础上显著提高了时间精度,能够更加细致地反映入炉煤质的动态变化。

综上,结合分钟级与8 h对比结果来看,模型在实现入炉煤质实时测算中表现出较高的精度与稳定性,能够准确反映煤质的动态变化趋势,且在不同负荷工况下均保持良好的测算性能,体现出较强的适应性。

3.4 成本核算情况

在煤流追踪和入炉煤质测算基础上,进一步开展了入炉煤成本的实时核算分析。如表5所示,该时段共有3个煤种入炉。高热值煤的价格显著高于低热值煤,而相同煤种因来源煤矿不同,其价格亦存在差异。

本时段入炉煤总量为834.7 t,结合煤量与煤价计算得出实时燃煤成本为527 545元。根据电厂传统燃煤成本统计方式,该时段燃煤成本为559 606元。相比之下,采用本文方法的燃煤成本降低了32 061元,修正了传统统计方式存在的成本偏差,显著提升核算的精准度与实时性。在此基础上,实时成本结果使电厂能够及时识别不合理的掺烧结构,优化燃料组合并减少燃料浪费,从而有效降低燃煤成本,提高电厂的经济效益。

综上所述,高精度的煤流追踪和低误差的煤质测算结果验证了本文方法在实际生产中的有效性。研究表明,所构建的Petri网模型能够有效刻画输煤系统的运行机制。在工程应用中,通过煤流追踪,电厂能够实时掌握输煤系统中煤流的运行状态及煤场、原煤仓的存煤结构,从而提升燃料调度与库存管理的科学性。实时入炉煤质信息可帮助电厂识别因煤质波动引发的燃烧不稳定、热效率下降和排放波动等问题,并及时调整入炉煤质,增强机组在复杂工况下的调节能力,提升运行的稳定性、环保性和灵活性。

4 结论

在全球能源结构加速转型和中国“双碳”目标持续推进的背景下,可再生能源大规模接入电网,其间歇性和不确定性对电力系统的稳定运行带来了挑战。在此背景下,提升火电机组运行的灵活性对于保障电力系统的安全稳定具有重要意义。本文研究构建了输煤系统的煤流追踪模型,实现了对输煤系统中煤流流向的精准追踪,并通过将煤质属性与煤流动态关联,实现对入炉煤质的实时测算以及燃煤成本的实时核算。仿真研究验证了模型在煤流追踪精度与入炉煤质测算准确性方面的有效性。

研究的创新性贡献主要体现在以下方面。

(1)提出基于赋时着色Petri网的煤流追踪和入炉煤质实时测算方法。该方法通过引入颜色集刻画煤流在输运过程中所携带的量、质、价属性,并采用时间函数描述煤流转移过程中的动作触发时间延迟,实现了对复杂输煤系统的适应性建模,弥补了面向燃煤成本实时核算的入炉煤质动态溯源及实时测算方面的理论不足。

(2)在传统Petri网中,有向弧的权重通常为固定值,无法有效刻画存煤设施在按需取煤过程中所涉及的Token离散化转移问题。针对这一局限,本文研究提出弧权值动态调整机制,该机制根据实际取煤量动态调整有向弧的权值,实现对Token转移的精确控制。针对煤流属性在输煤系统不同类型库所转移过程中的变化逻辑,建立了煤流属性更新规则,实现了煤流的精准追踪。

(3)通过模型实例化与系统仿真相结合的方式,验证了所提方法在典型输煤工况中的有效性。通过引入真实电厂运行数据,在仿真环境中实现了煤流追踪、入炉煤质实时测算及实时燃煤成本的核算,验证了所提方法解决实际问题的可靠性。

本文研究为火电企业的燃料管理提供了技术支撑,将原本依赖经验判断的燃料管理模式转变为基于实时数据的精准化管理,显著增强了燃料管理的科学性。在新能源高比例接入和深度调峰常态化的背景下,进一步挖掘火电机组的调节潜力,提升机组在低负荷、快速变负荷等复杂工况下的响应速度与运行稳定性,从而强化其作为调节性电源的支撑能力,为电力系统的安全稳定运行提供重要保障。

在现有研究工作的基础上,后续可进一步考虑煤炭在储存与输送过程中,因存放时间与外部环境所造成的自然损耗,以提高对入炉煤质的测算精度;同时,依托对输煤系统煤流流向与实时入炉煤质的实时监测,进一步优化掺烧方案与锅炉燃烧策略,提升火电机组在复杂工况下的灵活性。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	朱姝林, 王海云, 常喜强, 等. 考虑新能源场站动态减载调频的电力系统调度研究[J]. 科学技术与工程, 2023, 23(8): 3295-3305.

[2]	Zhu Shulin, Wang Haiyun, Chang Xiqiang, et al. A scheduling strategy considering new energy power plants participating in system frequency regulation by dynamic output derating[J]. Science Technology and Engineering, 2023, 23(8): 3295-3305.

[3]	张强, 马山刚, 金福宝. 基于动态电碳定价的虚拟电厂联盟主从博弈调度策略[J]. 科学技术与工程, 2025, 25 (28): 12050-12058.

[4]	Zhang Qiang, Ma Shangang, Jin Fubao. Scheduling strategy of virtual power plant alliance based on dynamic electricity and carbon pricing using stackelberg game[J]. Science Technology and Engineering, 2025, 25(28): 12050-12058.

[5]	国家发展改革委, 国家能源局. 关于印发《新一代煤电升级专项行动实施方案(2025—2027年)》的通知(发改能源〔2025〕363号) [Z/OL]. (2025-03-26)[2025-10-11]. http://www.nea.gov.cn/20250418/5c9e2108eefc4e7d8c9931de4456dda9/c.html.

[6]

National Development and Reform Commission, National Energy Administration. Notice on Issuing the Implementation Plan for the Special Action to Upgrade the Next Generation Coal-fired Power Generation (2025-2027) (NDRC Energy [2025] No. 363)[Z/OL]. (2025-03-26)[2025-10-11]. http://www.nea.gov.cn/20250418/5c9e2108eefc4e7d8c9931de4456dda9/c.html.

[7]	吴青云, 高景辉, 李昭, 等. 基于Adam优化卷积神经网络的火电厂大数据平台预警模型测试与应用[J]. 科学技术与工程, 2023, 23(35): 15075-15083.

[8]	Wu Qinyun, Gao Jinghui, Li Zhao, et al. Test an application of early warning model of thermal power plant big data platform based on Adam optimization convolutional neural network[J]. Science Technology and Engineering, 2023, 23(35): 15075-15083.

[9]	张少强, 陈露, 刘子易, 等. 大型燃煤锅炉深度调峰关键问题探讨[J]. 南方能源建设, 2022, 9(3): 16-28.

[10]	Zhang Shaoqiang, Chen Lu, Liu Ziyi, et al. Discussion on key problems of depth peak adjustment for large coal-fired boilers[J]. Southern Energy Construction, 2022, 9(3): 16-28.

[11]	An K, Zheng X, Shen J, et al. Repositioning coal power to accelerate net-zero transition of China’s power system[J]. Nature Communications, 2025, 16(1): 2311.

[12]	方顺利, 姚伟, 姚皓, 等. 基于实时入炉煤质数据的在线掺烧优化系统在火电厂的应用[J]. 热力发电, 2021, 50(2): 138-143.

[13]	Fang Shunli, Yao Wei, Yao Hao, et al. Application of online blending and combustion optimization system based on real-time coal quality detection[J]. Thermal Power Generation, 2021, 50(2): 138-143.

[14]	张绪辉, 杨兴森, 辛刚, 等. 燃煤火电机组深度调峰运行试验[J]. 洁净煤技术, 2022, 28(4): 144-150.

[15]	Zhang Xuhui, Yang Xingsen, Xin Gang, et al. Experimental study on deep peak regulation operation of coal-fired thermal power unit[J]. Clean Coal Technology, 2022, 28(4): 144-150.

[16]	Qi M, Luo H, Wei P, et al. Estimation of low calorific value of blended coals based on support vector regression and sensitivity analysis in coal-fired power plants[J]. Fuel, 2019, 236: 1400-1407.

[17]	熊凯, 邹祥波, 陈创庭, 等. 激光诱导击穿光谱结合机器学习的煤质多指标同步快速检测[J]. 热力发电, 2025, 54(4): 129-139.

[18]	Xiong Kai, Zou Xiangbo, Chen Chuangting, et al. Simultaneous rapid determination of multiple coal quality indicators using laser-induced breakdown spectroscopy combined with machine learning[J]. Thermal Power Generation, 2025, 54(4): 129-139.

[19]	高楠. 基于瞬发伽马射线中子活化分析煤质的方法研究[J]. 山西化工, 2024, 44(7): 87-88, 142.

[20]	Gao Nan. Research on the method of coal quality analysis based on instantaneous gamma ray neutron activation[J]. Shanxi Chemical Industry, 2024, 44(7): 87-88, 142.

[21]	田志辉, 王树青, 张雷, 等. LIBS-XRF联用多光谱煤质分析仪的研制与应用(特邀)[J]. 光子学报, 2023, 52(3): 144-155.

[22]	Tian Zhihui, Wang Shuqing, Zhang Lei, et al. Development and application of LIBS-XRF coupled multi-spectrum coal quality analyser(invited)[J]. Acta Photonica Sinica, 2023, 52(3): 144-155.

[23]	成艳亭, 宋立信, 池锋, 等. 入炉煤质在线软测量技术研究与应用进展[J]. 洁净煤技术, 2021, 27(5): 38-51.

[24]	Cheng Yanting, Song Lixin, Chi Feng, et al. Development and application of soft-measurement technology for online monitoring of coal quality in power generation[J]. Clean Coal Technology, 2021, 27(5): 38-51.

[25]	郭建豪, 刘鑫屏. 多目标优化配煤掺烧方式下的烟气成分分析[J]. 华北电力大学学报(自然科学版), 2023, 50 (1): 101-108, 118.

[26]	Guo Jianhao, Liu Xinping. Analysis of flue gas composition under multi-objective optimized coal blending mode[J]. Journal of North China Electric Power University (Natural Science Edition), 2023, 50(1): 101-108, 118.

[27]	卞韶帅, 刘凌, 费章胜, 等. 电站锅炉智能燃烧优化基础技术的研究与应用[J]. 电力与能源, 2024, 45(1): 90-94, 106.

[28]	Bian Shaoshuai, Liu Ling, Fei Zhangsheng, et al. Research and application of intelligent combustion optimization basic technology for power plant boilers[J]. Power and Energy, 2024, 45(1): 90-94, 106.

[29]	陶翔, 陈玲红, 蒋旭光, 等. 动力配煤下入炉煤质参数快速计算分析[J]. 能源工程, 2022, 42(5): 1-8.

[30]	Tao Xiang, Chen Linghong, Jiang Xuguang, et al. Rapid calculation and analysis of furnace coal quality parameters under power coal blending[J]. Energy Engineering, 2022, 42(5): 1-8.

[31]	黄孝彬, 杨萱, 林锴翔, 等. 基于静电法联合长短时记忆神经网络的入炉煤质辨识方法[J]. 热力发电, 2022, 51(8): 108-115.

[32]	Huang Xiaobin, Yang Xuan, Lin Kaixiang, et al. Coal quality identification method based on electrostatic method combined with long short-term memory neural network[J]. Thermal Power Generation, 2022, 51(8): 108-115.

[33]	Liu K, He C, Zhu C, et al. A review of laser-induced breakdown spectroscopy for coal analysis[J]. TrAC Trends in Analytical Chemistry, 2021, 143: 116357.

[34]	Yuan X, Rao J, Gu Y, et al. Online adaptive modeling framework for deep belief network-based quality prediction in industrial processes[J]. Industrial & Engineering Chemistry Research, 2021, 60(42): 15208-15218.

[35]	Zhou M, Wu N. System modeling and control with resource-oriented Petri nets[M]. Boca Raton: CRC Press, 2018.

[36]	刘涛, 雷涛, 舒龙诚. 基于NSGA-Ⅱ的着色Petri网维修任务资源分配[J]. 科学技术与工程, 2024, 24(30): 13189-13198.

[37]	Liu Tao, Lei Tao, Shu Longcheng. Resource allocation of maintenance tasks for colored Petri nets based on NSGA-Ⅱ[J]. Science Technology and Engineering, 2024, 24(30): 13189-13198.

[38]	黄学林, 王观虎, 陈奇奇, 等. 基于Petri网军民共用停机坪运行仿真与分析[J]. 科学技术与工程, 2022, 22(2): 841-849.

[39]	Huang Xuelin, Wang Guanhu, Chen Qiqi, et al. Simulation and analysis of Military-civilian shared apron operation based on Petri-net[J]. Science Technology and Engineering, 2022, 22(2): 841-849.

[40]	Murata T. Petri nets: properties, analysis and applications[J]. Proceedings of the IEEE, 2002, 77(4): 541-580.

[41]	张诚, 刘守臣. 区块链中电商冷链溯源系统Petri网建模与分析[J]. 企业经济, 2020, 39(1): 48-55.

[42]	Zhang Cheng, Liu Shouchen. Petri net modeling and analysis of blockchain-based e-commerce cold chain traceability system[J]. Enterprise Economy, 2020, 39(1): 48-55.

[43]	Cai Q, Wu X, Huang Y, et al. The research on the influence of boiler operating parameters on thermal efficiency[C]// Proceedings of the 6th International Conference on Energy, Environment and Materials Science (EEMS 2020). Bristol: IOP Publishing, 2020: 012113.

[44]	李皓宇. 燃煤锅炉劣质煤数字化智能深度掺烧系统研发与应用[J]. 中国电机工程学报, 2021, 41(13): 4543-4552.

[45]	Li Haoyu. Research and application of digital intelligent mixedly burning inferior coal deeply system in coal-fired boiler[J]. Proceedings of the Chinese Society for Electrical Engineering, 2021, 41(13): 4543-4552.

[46]	雍家伟, 乔铁柱, 冀杰, 等. 基于双目实时匹配的输送带煤流监测方法[J]. 煤炭技术, 2024, 43(6): 220-223.

[47]	Yong Jiawei, Qiao Tiezhu, Ji Jie, et al. Conveyor belt coal flow monitoring method based on binocular realtime matching[J]. Coal Technology, 2024, 43(6): 220-223.

[48]	朱政飞, 韦张跃昊, 原旭东. 基于互相关的实时煤粉流量监测系统[J]. 电子科技, 2019, 32(3): 36-41.

[49]	Zhu Zhengfei, Wei Zhangyuehao, Yuan Xudong. Cross-correlation based real-time pulverized coal flow monitoring system[J]. Electronic Science and Technology, 2019, 32(3): 36-41.

[50]	陈刚. 火电厂入厂煤与入炉煤热值差偏大问题分析[J]. 内蒙古煤炭经济, 2022, 40(13): 117-119.

[51]	Chen Gang. Analysis of the problem of large difference in calorific value between incoming coal and furnace coal in thermal power plants[J]. Inner Mongolia Coal Economy, 2022, 40(13): 117-119.

基金资助

国家社会科学基金一般项目(22BJL134)

国家自然科学基金面上项目(72471088)

PDF (5681KB)

访问

被引

详细

导航

Received	Published	Revised
2025-10-11	2026-06-18	2025-12-23
Online Date
2026-08-04

摘要