一种烟道飞灰等速取样器及基于BP神经网络的烟道飞灰等速取样系统和控制方法

摘要

本发明公开了一种烟道飞灰等速取样器及基于BP神经网络的烟道飞灰等速取样系统和控制方法，属于烟道飞灰检测领域。烟道飞灰等速取样器，包括取样嘴、取样管、旋风分离器和取样瓶，还包括引射管、调节嘴和排气管，一种基于BP神经网络实现烟道飞灰等速取样系统，包括取样器、PLC控制器、执行器、压力传感器和BP神经网络模块；一种基于BP神经网络的烟道飞灰等速取样系统的控制方法基于BP神经网络实现烟道飞灰等速取样，使用了大量实时测得的数据来预测接近实际的烟道静压，解决了等速采样的滞后性问题，提高取样的准确性，具有计算误差小，数据处理能力强，设计成本低的优点。

说明书

技术领域

本发明涉及烟道飞灰检测领域，特别是涉及一种烟道飞灰等速取样器及基于BP神经网 络的烟道飞灰等速取样系统和控制方法。

背景技术

对于现代火力发电机组来说，飞灰含碳量是反映火力发电厂燃煤锅炉燃烧效率的一项重 要指标，精确和实时地监测飞灰含碳量有利于提高锅炉燃烧控制水平，降低发电成本，提高 机组运行的经济性。现在电厂燃烧锅炉的烟道飞灰取样采取的是静压平衡等速飞灰取样方式， 因为当取样速度等于烟道飞灰流速时，采样才具有代表性，有利于分析锅炉燃烧性能，调整 燃烧方案。由伯努利方程(如图1所示)得到：当烟道静压采样嘴内静压时，即可实现等速 取样。由于在取样嘴等处会有静压损失，取样嘴内部静压小于烟道内静压，二者静压差值为 ∑Δ，通过调节进入取样嘴中的空气量，改变取样嘴内的静压，使得达到补偿静压差目的。 因此实现飞灰等速取样是依靠使取样器的取样嘴中的静压与烟道取样处的静压相等来实现 的，而实现取样嘴内静压与取样处压强相等是依靠控制连接在取样管的进气阀阀门开度。由 于根据实时测得的静压差控制取样嘴进气阀门开度会有时间上滞后以及阀门调节自身具有的 滞后性，造成阀门开度的调节滞后于取样嘴与烟道取样点处的静压差的变化，导致等速取样 并不能很好的实现。

BP神经网络是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网 络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这 种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的 权值，使网络的误差平方和最小。BP算法由数据流的前向计算(正向传播)和误差信号的反 向传播两个过程构成。正向传播时，传播方向为输入层→隐层→输出层，每层神经元的状态 只影响下一层神经元。若在输出层得不到期望的输出，则转向误差信号的反向传播流程。通 过这两个过程的交替进行，在权向量空间执行误差函数梯度下降策略，动态迭代搜索一组权 向量，使网络误差函数达到最小值，从而完成信息提取和记忆过程。

经过对烟道飞灰等速取样相关技术资料的检索，发现如，中国专利号201320772721.5， 公开日2014年4月16日的专利文件一种加热型固定式等速飞灰取样装置，包括：取样头、 取样枪、存储罐、旋风分离器，取样头设置在烟道内，取样枪的一端连接取样头，另一端伸 出烟道与旋风分离器连接，旋风分离器的底部连接存储罐，其特征在于，旋风分离器的顶部 连接一调节阀的一端，调节阀的另一端通过管路连接一风机，取样枪的外壁包覆有加热套， 所述加热套与一温度控制器连接。有一烟气流速测控装置包括控制系统、烟道流速管和取样 枪流速管，烟道流速管设置在烟道内，烟气流速测控装置中的取样枪流速管与取样枪内的取 样管连通，控制系统的控制信号输出端连接到调节阀的控制端。

又如，中国专利申请号201310082434.6，公开日2013年6月19日的专利申请文件，公 开了一种飞灰等温等速取样装置，取样枪前端安装有取样头，取样枪置于烟道内；取样枪尾 部通过二号耐高温金属软管与旋风分离器相连；取样枪和二号耐高温金属软管外套设有一号 耐高温金属软管，一号耐高温金属软管一端与烟道连通，另一端通过除尘器与抽气机相连； 旋风分离器下端连接有球阀，顶部与过滤器相连，过滤器连接至流量计，流量计与抽气机相 连；过滤器、旋风分离器外设有加热器；一号热电偶一端与温度变送器相连，温度变送器通 过信号线与温度控制系统相连；二号热电偶一端位于旋风分离器内，另一端与温度变送器相 连。

但是上述专利都存在等速取样滞后、计算误差大、数据处理能力不强和取样准确性不高 等问题。

中国专利申请号：201010120557.0申请日：2010年03月09日，公开了一份名称为一种 火电机组锅炉能损分析参数应达值获取方法的专利，该方法是：根据锅炉运行历史工况数据， 采用神经网络技术建立锅炉运行特性神经网络数学模型；根据该模型，采用遗传算法优化技 术，以锅炉效率最高为优化目标，对锅炉各历史工况的配风配煤燃烧运行参数进行优化；将 各历史工况的锅炉配风配煤燃烧运行参数与相应的优化值进行比较，若两者之差在给定的范 围内，则将相应工况标记为“优化工况”；以标记为“优化工况”的历史工况数据为样本， 建立锅炉排烟温度、烟气氧量、飞灰含碳量应达值的计算模型；并计算模型可计算不同负荷、 不同煤质条件下的锅炉排烟温度、烟气氧量、飞灰含碳量应达值。但是该发明存在提出的方 法不具有合理性，缺少具体的解决方案，本领域普通技术人员也无法实现。

发明内容

1.要解决的技术问题

本发明的目的是要解决等速飞灰采样时调节取样嘴处静压的阀门的开度变化滞后于取样 点处的静压变化、对飞灰含碳量计算误差大、数据处理能力不强和取样准确性不高的问题， 提供一种烟道飞灰等速取样器及基于BP神经网络的烟道飞灰等速取样系统和控制方法；本 发明能够有效地解决等速采样滞后问题，具有计算误差小，效率高等特点。

2.技术方案

本发明的目的通过以下技术方案实现：

一种烟道飞灰等速取样器，包括取样嘴、取样管、旋风分离器和取样瓶，还包括引射管、 调节嘴和排气管，所述的取样嘴位于取样管的一端，取样管的另一端与旋风分离器连接；所 述的引射管、调节嘴和排气管依次连接；所述的排气管与旋风分离器连接；所述的旋风分离 器与取样瓶连接。所述的取样嘴内部设有空腔，取样嘴前端的端面为斜面，与取样嘴内部空 腔表面的夹角为15-30°。取样管的内部设有第一空腔，同时取样管内部还设有第二空腔，第 二空腔的开口与第一空腔相通。第一空腔为烟气进入的通道，第二空腔外部连接内静压管， 用于测量第一空腔中烟气进入处的静压。

优选地，所述的取样管上还设有一个内静压管。

一种基于BP神经网络实现烟道飞灰等速取样系统，包括取样器、PLC控制器、执行器、 压力传感器和BP神经网络模块；所述的取样器为前面所述的烟道飞灰等速取样器；所述的 压力传感器和BP神经网络模块均与PLC控制器连接；所述的PLC控制器与执行器连接；所 述的执行器与取样器连接；所述的取样器与压力传感器连接。

优选地，所述的执行器位于取样管上。

优选地，所述的压力传感器用于采集压力参数，压力参数为烟道取样点处的静压和取样 嘴内的静压，压力传感器模块和BP神经网络模块用于将压力参数传输给PLC控制器；PLC 控制器用于计算得出数据并且将计算得出的数据传输到执行器；PLC控制器将得到的压力参 数与初始设计值进行比较；所述的执行器用于控制取样器，执行器根据PLC控制器的信号改 变阀门开度；执行器是通过对取样管内部的第二空腔进行控制，由BP神经网络计算出的数 据作为PLC的输入信号，输入信号经过PLC处理后输出控制信号，由控制信号来控制执行 器动作，从而控制阀门开度。

优选地，所述的PLC控制器采用西门子S7-300系列模块；所述的执行器采用恒众达SM-10 系列模块；所述的压力传感器采用一众PY209系列模块。

优选地，所述的BP神经网络为一种数学模型模块，其作用是将待测量锅炉燃烧工况变 量输入BP神经网络，经过BP神经网络的计算，得出烟道静压的期望输出。

一种基于BP神经网络的烟道飞灰等速取样系统的控制方法，其步骤为：

(1)建立用于计算烟道静压的BP神经网络初始模型：按照烟道静压计算要求，确定影 响烟道静压的变量，以此变量为输入变量，烟道静压为输出变量；选择锅炉负荷、二次热风 温度、炉膛风量、总燃煤量和煤粉细度为输入变量；

(2)确定神经网络的结构：以Sigmoid型函数为神经元激活函数，初始化网络的连接权 值和阈值，设置期望误差，训练步长的参数；设置BP神经网络的期望误差为1e-5、训练步 长的参数为2000，使BP神经网络的输出具有高精度，并且可以完成训练；

(3)采集影响电厂锅炉烟道静压的数据，作为网络的输入变量，采集对应的烟道静压数 据，作为网络的输出变量；影响电厂锅炉烟道静压的数据为步骤(1)中选择的锅炉负荷、二 次热风温度、炉膛风量、总燃煤量、煤粉细度数据，作为网络的输入变量，在稳定的锅炉燃 烧工况下，当测得的烟道静压波动不超过0.1KPa时，采集对应的烟道静压数据，作为网络的 输出变量；

(4)对网络进行训练，将输入变量和输出变量进行归一化处理，采用处理后的数据对网 络进行训练，将训练的输出与实测的烟道静压值进行对比，直到均方误差达到要求，确定此 时的连接权值，确定BP神经网络模型；得到均方误差：根据权值调整公式不断调整连接权 值，直到均方误差达到要求，确定此时的连接权值以及隐含层节点数，确定BP神经网络模 型；BP神经网络模型每一次训练后都会产生新的权值，在误差达到设定值时，此时输出的权 值就是所需要的值。

(5)用训练好的BP神经网络计算新的工况下的烟道取样处的静压值Pn；

(6)用压力传感器测出取样嘴内的静压Po；

(7)将步骤(5)计算的静压Pn与(6)中的静压Po比较，即ΔP＝Pn-Po，ΔP作为二 者静压差信号，将二者静压差信号输入PLC控制器，通过PLC控制器驱动执行器，执行器 控制进气阀开度(取样管上设有进气阀)，使得进行等速取样，PLC输出的是4～20mA的信 号，对应的阀门开度为0％～100％，具体计算是当PLC输出为m时，对应阀门开度为 n＝(m-4)/16，保证可以进行等速取样。

本发明针对的是传统的等速飞灰取样装置在取样时并不能实现等速取样问题，实现等速 取样是使取样嘴内的静压等于取样嘴处的烟道静压相等来实现的，传统等速取样装置之所以 不能实现等速取样的原因是调节取样嘴处的进气阀在动作时会有一定的时间上滞后，从而导 致取样嘴处的静压并不等于烟道中取样点处的静压。本发明利用BP神经网络对取样点出的 静压进行预测，然后提前动作进气阀，对改善取样装置的等速取样取得良好效果。由于当锅 炉的燃烧工况改变时，对飞灰的含碳量影响很大，而现有的bp神经网络易陷入局部最小的缺 陷使它在应用于直接测量飞灰含碳量时不能一直取得理想的结果，而本发明的方法恰恰克服 了该缺陷。

3.有益效果

相比于现有技术，本发明的优点在于：

(1)本发明基于BP神经网络实现烟道飞灰等速取样，基于烟道飞灰的变化具有一定的 规律性，本发明的方法通过使用大量实时测得的数据来预测接近实际的烟道静压，解决了等 速采样的滞后性问题，提高取样的准确性，具有计算误差小，数据处理能力强，设计成本低 的优点；

(2)本发明解决了烟道飞灰采样的滞后性问题，提高取样的准确性，增大了对燃煤的使 用效率，对锅炉燃烧工况的调整起到重要作用，提高了经济效益；

(3)本发明基于BP神经网络实现烟道飞灰等速取样，对锅炉燃烧工况因素改变时可以 容易改变BP神经网络的输入变量，具有操作简单的特点。

附图说明

图1为烟道烟气流速与取样嘴内烟气流速各情况下取样效果；

图1的上部左侧的图为V>V₀取样图、图1的上部右侧的图为V<V₀取样图、图1的下部 的图为V＝V₀取样图，V表示管道内部的流速，V₀表示进入前空气的流速；

图2为等速取样器示意图；

图3为取样嘴示意图；

图4为BP神经网络示意结构图；

图5为BP神经网络的均方误差图；

图6为BP神经网络的输出结果与期望结果的对比图；

图7为基于BP神经网络实现等速取样的流程图；

图8为控制方框图。

图中：1、取样嘴；2、取样管；3、引射管；4、调节嘴；5、排气管；6、内静压管；7、 执行器；8、烟道；9、PLC控制器；10、旋风分离器；11、取样瓶。

具体实施方式

下面结合附图和具体的实施例对本发明的技术方案做进一步介绍：

如图2、图3所示，一种烟道飞灰等速取样器，包括取样嘴1、取样管2、旋风分离器10 和取样瓶11，还包括引射管3、调节嘴4和排气管5，所述的取样嘴1位于取样管2的一端， 取样管2的另一端与旋风分离器10连接；所述的引射管3、调节嘴4和排气管5依次连接； 排气管5与旋风分离器10连接；旋风分离器10与取样瓶11连接。取样管的内部设有第一空 腔，同时取样管内部还设有第二空腔，第二空腔的开口与第一空腔相通。第一空腔为烟气进 入的通道，第二空腔外部连接内静压管，用于测量第一空腔中烟气进入处的静压。取样管2 上还设有一个内静压管6。内静压管6用于测量取样嘴处的静压。测量时，取样嘴1位于烟 道8中；引射管3与取样嘴1通过排气管5相连，根据伯努利效应，取样时，由于引射管3 左边的截面积大于右边的截面积，所以引射管3会在与取样管2相连处产生小于烟道的静压， 从而使飞灰进入取样管2中，通过调整调节嘴4的开度，可以使取样嘴处的静压小于烟道的 静压。再将取样到的飞灰吹送到旋风分离器10中，通过旋风分离器10，将飞灰排入取样瓶 11中，将其他密度较小的杂质排出。其中通过调节执行器的阀门(该阀门是指取样管上设置 的阀门，普通的取样器都有阀门，再次不再赘述)开度，可以调节取样嘴处的静压大小。取 样嘴内部设有空腔，取样嘴前端的端面为斜面，与取样嘴内部空腔表面的夹角为15-30°。取 样管的内部设有第一空腔，同时取样管内部还设有第二空腔，第二空腔的开口与第一空腔相 通，可以通过第二空腔来补偿第一空腔的压强。

如图2、图3和图8所示，一种基于BP神经网络实现烟道飞灰等速取样系统，包括取样 器、PLC控制器、执行器、压力传感器和BP神经网络模块；取样器为前面烟道飞灰等速取 样器；压力传感器和BP神经网络模块均与PLC控制器连接；PLC控制器与执行器连接；执 行器与取样器连接；取样器与压力传感器连接。执行器7位于取样管2上，同时控制着调节 嘴4。

使用时，压力传感器用于采集压力参数，压力参数为烟道取样点处的静压和取样嘴内的 静压，压力传感器模块和BP神经网络模块用于将压力参数传输给PLC控制器；PLC控制器 用于计算得出数据并且将计算得出的数据传输到执行器；PLC控制器将得到的压力参数与初 始设计值进行比较；所述的执行器用于控制取样器，执行器根据PLC控制器的信号改变阀门 开度；由BP神经网络计算出的数据作为PLC的输入信号，输入信号经过PLC处理后输出控 制信号，由控制信号来控制执行器动作，从而控制阀门开度以及调整调节嘴4。

PLC控制器采用西门子S7-300系列模块；所述的执行器采用恒众达SM-10系列模块； 所述的压力传感器采用一众PY209系列模块；BP神经网络为一种数学模型模块，其作用是 将待测量锅炉燃烧工况变量输入BP神经网络，经过BP神经网络的计算，得出烟道静压的期 望输出。

本发明的基于BP神经网络实现飞灰等速取样的方法，如图7所示，一种基于BP神经网 络的烟道飞灰等速取样系统的控制方法，其步骤为：

(1)建立用于计算烟道静压的BP神经网络初始模型：按照烟道静压计算要求，确定影 响烟道静压的变量，以此变量为输入变量，烟道静压为输出变量；选择锅炉负荷、二次热风 温度、炉膛风量、总燃煤量和煤粉细度为输入变量；烟道压强为输出变量；

(2)确定神经网络的结构：选择tan-sigmoid型、purelin型函数为神经元激活函数建立 具有输入层、隐含层、输出层的3层BP神经网络初始模型，初始化网络的连接权值和阈值， 设置期望误差，训练步长的参数；其中，BP神经网络的隐含层通常为5～10之间的数字，具 体选择依据公式：(m为输入节点数，n为输出节点数，a为1～10之间的随机 数)确定，本实例中隐层节点数选择为5个。初始权值取为(-1，1)之间的随机值，阈值取 为1，设置学习速率η为0.08，期望误差1e-5，最大学习步长参数2000，使BP神经网络的 输出具有高精度，并且可以完成训练；

(3)采集影响电厂锅炉烟道静压的数据，作为网络的输入变量，BP神经网络采集多组 实际测得的压强作为网络的输出变量；影响电厂锅炉烟道静压的数据为步骤(1)中选择的锅 炉负荷、二次热风温度、炉膛风量、总燃煤量、煤粉细度数据，作为网络的输入变量，在稳 定的锅炉燃烧工况下，当测得的烟道静压波动不超过0.1KPa时，采集对应的烟道静压数据， 作为网络的输出变量；在实际应用中，烟道压强的影响变量和样本数可根据烟道压强计算要 求进行调整，如改变影响变量，将几个变量合为一个输入变量。本实例中BP神经网络经训 练后，经过132次学习后，达到期望的误差为1Pa的需求，即BP神经网络的预测输出与实 际输出之间的误差需求；

(4)对网络进行训练，BP神经网络训练包括正向传播和反向传播；

(1)正向传播：

对于3层BP神经网络，设其输入层有n个节点，隐含层有p个节点，输出层有m个节 点。

设x₁、x₂、x...x_i...x_n分别代表来自输入层神经元1、2…i…n的输入； W_j1、W_j2...W_ji...W_jn则分别表示输入层神经元1、2…i…n与隐含层第j个神经元的连接权 值，b₁为输入层与隐含层之间的连接阈值；f₁(·)为输入层到隐含层之间传递函数；Z_j为隐 含层的第j个神经元的输出。第j个神经元的净输入值S_j为：其中 w_j0为b_j，x₀＝1，净输入S_j通过传递函数f₁(·)后，便得到第j个神经元的输出z_j：

$z_j=f_1\left({\Sigma }_{i-0}^n{w}_{\mathrm{ji}}{x}_i\right)$

其中w_j0为b_j，x₀＝1，式中f₁(·)是单调上升函数，而且必须是有界函数。

设z₁、z₂...z_j...z_n为隐含层的输出值，v_j1、v_j2...v_ji...v_jn分别为隐含层神经元与 输出层的第j个神经元之间的连接权值，b₂为隐含层与输出层之间的阈值f₁(·)为隐含层与 输出层之间的传递函数，则输出层第j个神经元输出为y_j：

$y_j=f_2\left({\Sigma }_{i=0}^p{v}_{\mathrm{ji}}{z}_i\right)$

其中v_j0为b₂，z₀＝1，式中f₁(·)是单调上升函数，而且必须是有界函数。

(2)反向传播：

对输入的n个样本，第i个样本输出为y_ij，采用平方型误差函数，得到第i个样本的误 差

$E_i={\Sigma }_{i=1}^m\frac{1}{2}{(t_{\mathrm{ij}}-y_{\mathrm{ij}})}^2$

其中t_ij为期望输出。

所以，对于n个输入样本，全局误差为：

$E={\Sigma }_{j=1}^n{\Sigma }_{i=1}^m\frac{1}{2}{(t_{\mathrm{ij}}-y_{\mathrm{ij}})}^2={\Sigma }_{i=1}^n{E}_i$

采用累计误差BP算法调整W_ji，使全局误差E变小：

$\Delta w_{\mathrm{ji}}=-\eta \frac{\partial E}{\partial w_{\mathrm{ji}}}={\Sigma }_{i=1}^n(-\eta \frac{\partial E_i}{\partial w_{\mathrm{ji}}}),$

w_ji(k+1)-w_ji(k)+Δw_ji；w_ji(k+1)为调整后的权值，W_ji(k)为调整前的权值；

其中：η为学习率。△W_ji即为输入层到隐含层权值的调整值。

同理，

$\Delta v_{\mathrm{ji}}=-\eta \frac{\partial E}{\partial v_{\mathrm{ji}}}=\underset{i=1}{\overset{n}{\Sigma }}(-\eta \frac{\partial E_i}{\partial v_{\mathrm{ji}}});$

v_ji(k+1)＝v_ji(k)+Δv_ji；v_ji(k+1)为调整后的权值，v_ji(k)为调整前的权值；

其中：η为学习率。△v_ji即为隐含层到输出层之间的权值调整值；

(5)用训练好的BP神经网络计算新的工况下的烟道取样处的静压值Pn；

(6)用压力传感器测出取样嘴内的静压Po；

(7)将步骤(5)计算的静压Pn与(6)中的静压Po比较，即ΔP＝Pn-Po，ΔP作为二 者静压差信号，将二者静压差信号输入PLC控制器，其中压力传感器测得值通过压力变送器 转换成4～20mA信号输入PLC，通过PLC控制器驱动执行器，执行器控制进气阀开度，使得 进行等速取样，PLC输出的是4～20mA的信号，对应的阀门开度为0％～100％，具体计算是当 PLC输出为m时，对应阀门开度为n＝(m-4)/16，确保可以进行等速取样具体过程如下：建立 计算烟道静压的BP神经网络初始模型，采集影响烟道静压的变量数据以及相应工况下测得 的输出数据，对网络进行训练得到最终模型，用训练好的网络去计算烟道静压与取样嘴内静 压进行比较得出两者静压差，PLC通过静压差信号调节进气阀。具体实现步骤如下：

不同工况下输入参数：

锅炉负荷 二次热风温度 炉膛风量 总燃煤量 煤粉细度 MW ℃ t/h t/h M/R90 320 337 1217 122 8.00 320 342 1298 134 9.49 310 334 1227 131 9.32 290 337 1210 140 9.10 300 335 1225 139 8.40 290 338 1233 145 8.80 330 328 1230 128 8.09 280 336 1228 133 9.21 290 345 1210 126 9.26 320 331 1235 136 8.32

相应工况下的测得的静压：

本实施例所采用的BP神经网络程序：

x＝[320 320 310 290 300 290 330 280 290 320；

337 342 334 337 335 338 328 336 345 331；

1217 1298 1227 1210 1225 1233 1230 1228 1210 1235；

122 134 131 140 139 145 128 133 126 136；

8.00 9.49 9.32 9.10 8.41 8.80 8.09 9.21 9.26 8.32；

]；

[y,ps]＝mapminmax(x)

t＝[9.2 9.5 10.1 10.6 9.9 9.4 9.0 9.7 10.3 10.7]

[y1,ps]＝mapminmax(t)％输入输出参数归一化

net＝newff(minmax(y),[5,1],{'tansig','purelin'},'trainrp')；

net.trainParam.show＝20；

net.trainParam.lr＝0.08；

net.trainParam.epochs＝2000；

net.trainParam.goal＝1e-5；

[net,tr]＝train(net,y,y1)；

net.iw{1,1}

net.b{1}

net.lw{2,1}

net.b{2}

P＝sim(net,y)％设置网络，训练网络

plot(y1,'*')

hold on

plot(P,'-')

gtext('*为实际测得静压值，-为BP神经网络计算值')

对网络进行训练时，BP神经网络的均方误差值如图5，BP神经网络的预测输出与实际 的期望输出对比图6所示，网络经过训练后的均方误差不断减小，网络的预测输出曲线也逼 近实际的输出值。确定此时的连接权值和阈值，最终确定网络模型。本模型中，经调试发现 设置隐含层节点数为5个时，映射效果最佳。

本实施例的硬件选择:

本实施例应用于马鞍山某钢厂热电厂2#锅炉实验时取得良好的效果，测量结果如图6所 示，表明训练后的BP神经网络的预测烟道静压值与实际的测得的采样点烟道静压值输出吻 合，说明了本发明可以良好的预测出烟道采样点的静压值，利用本发明提出的方法，解决了 飞灰采样时的滞后性问题，使得采样结果更加合理、具有代表性，为锅炉燃烧工况调整提供 了依据，提高了电厂的经济效益。