基于差分进化算法的锅炉燃烧多目标优化控制方法与流程

本发明属于火力发电领域，尤其涉及一种基于差分进化算法的锅炉燃烧多目标优化控制方法。

背景技术：

近年来，国内的各种环保规范越来越严格，因此发电企业如何提高锅炉燃烧效率、减少污染物排放将成为其重点考虑的问题之一。而建立锅炉燃烧过程的模型，通过该模型对锅炉燃烧过程进行优化调整，提高锅炉效率并减少污染物排放，是目前常用的方法。

目前，利用神经网络等多种人工智能算法可以建立锅炉燃烧过程模型，而建立锅炉燃烧过程模型后，如何利用锅炉燃烧过程模型同时实现提高锅炉效率并减少污染物排放的多目标优化，是现在比较关注的问题。

技术实现要素：

本发明的目的是提供一种基于差分进化算法的锅炉燃烧多目标优化控制方法，以实现优化目标函数中多个目标的优化，在利用锅炉燃烧过程模型同时实现提高锅炉效率并减少污染物排放这两个目标的优化。

本发明提供了一种基于差分进化算法的锅炉燃烧多目标优化控制方法，包括以下步骤：

步骤1，将不可控输入变量的值输入至锅炉燃烧过程模型中，随机生成多个多维度个体；不可控输入变量包括负荷、煤质、主蒸汽流量、各个磨煤机的瞬时给煤量和转速中的多种；

步骤2，基于差分进化算法对所有个体进行遍历迭代寻优，得到锅炉效率和nox生成量；

步骤3，基于优化的目标函数评判所述个体的优劣，将能够达到最高锅炉效率和最低nox生成量的个体所对应的可控输入变量的值作为可调节的燃烧控制量；可控输入变量包括二次风量、各燃烧器二次风门开度、氧量、燃尽风门开度中的多种。

进一步地，步骤2包括：

在进行遍历迭代寻优的过程中，将每个个体输入离线学习得到的锅炉燃烧过程模型，基于燃烧控制量预测受其影响而得到的锅炉燃烧状态，得到锅炉效率和nox生成量。

进一步地，优化的目标函数如下式：

f：fmax(x)＝η(x)，fmin(x)＝(nox(x)，出口烟温(x))^t；

式中，nox为该个体对应的nox生成量，η为该个体对应的锅炉燃烧效率。

借由上述方案，通过基于差分进化算法的锅炉燃烧多目标优化控制方法，能够有效地平衡锅炉效率和nox排放量这两个相互矛盾的优化目标，同时实现提高锅炉效率，并降低烟气nox排放。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。

附图说明

图1为本发明基于差分进化算法的锅炉燃烧多目标优化控制方法的流程图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

参图1所示，本实施例提供了一种基于差分进化算法的锅炉燃烧多目标优化控制方法，包括以下步骤：

步骤s1，将不可控输入变量的值输入至锅炉燃烧过程模型中，随机生成多个多维度个体；不可控输入变量包括负荷、煤质、主蒸汽流量、各个磨煤机的瞬时给煤量和转速中的多种；

步骤s2，基于差分进化算法对所有个体进行遍历迭代寻优，得到锅炉效率和nox生成量；

步骤s3，基于优化的目标函数评判所述个体的优劣，将能够达到最高锅炉效率和最低nox生成量的个体所对应的可控输入变量的值作为可调节的燃烧控制量；可控输入变量包括二次风量、各燃烧器二次风门开度、氧量、燃尽风门开度中的多种。

通过该基于差分进化算法的锅炉燃烧多目标优化控制方法，能够有效地平衡锅炉效率和nox排放量这两个相互矛盾的优化目标，同时实现提高锅炉效率，并降低烟气nox排放。

下面对本发明作进一步详细说明。

差分进化算法(differentialevolution，de)主要用于求解连续变量的全局优化问题，其主要工作步骤与其他进化算法基本一致，主要包括变异(mutation)、交叉(crossover)、选择(selection)三种操作。算法的基本思想是从某一随机产生的初始群体开始，利用从种群中随机选取的两个个体的差向量作为第三个个体的随机变化源，将差向量加权后按照一定的规则与第三个个体求和而产生变异个体，该操作称为变异。然后，变异个体与某个预先决定的目标个体进行参数混合，生成试验个体，这一过程称之为交叉。如果试验个体的适应度值(即fitness，由适应度函数计算得到，fitnessfunction)优于目标个体的适应度值，则在下一代中试验个体取代目标个体，否则目标个体仍保存下来，该操作称为选择。在每一代的进化过程中，每一个体矢量作为目标个体，算法通过不断地迭代计算，保留优良个体，淘汰劣质个体，引导搜索过程向全局最优解逼近。

本实施例基于差分进化算法进行多目标优化控制，旨在有效地平衡锅炉效率和nox排放量这两个相互矛盾的优化目标，同时实现提高锅炉效率，并降低烟气nox排放。

一般的，锅炉燃烧过程模型是个多输入-多输出多变量非线性模型，输入变量又可以分为不可控输入变量和可控输入变量。不可控输入变量即锅炉运行工况，一般包括负荷、煤质、主蒸汽流量、各个磨煤机的瞬时给煤量和转速等。可控变量即需要优化的变量，一般包括一次风量、二次风量、各燃烧器二次风门开度、氧量、燃尽风门开度(如果现场不能调控某些变量，如一次风量，需将该变量归入不可控变量进行建模和优化)。输出变量至少包括：scr脱硝反应器入口nox浓度和锅炉热效率。

优化过程是在锅炉燃烧过程模型完成建模的基础上进行的，目前在学术和工业界，一般选取人工神经网络或贝叶斯网络等算法来建模。

在实时优化过程中，将当前的工况(即不可控输入变量)作为多输入进入多目标优化模块，系统会随机生成多个多维度个体，每一个个体代表了一种问题的解决方案，即对应于当前工况下的一组可控输入变量的值(即二次风量、各燃烧器二次风门开度、氧量、燃尽风门开度等)。对所有个体通过差分进化算法，进行遍历迭代寻优的过程中，将每个个体输入离线学习得到的锅炉燃烧过程模型，从观察的燃烧控制量预测受其影响而得到的锅炉燃烧状态，即可以得到锅炉效率和nox生成量，然后根据优化的目标函数或称评价函数或称适应度函数(fitnessfunction)来评判该个体的优劣。本实施例使用的多目标优化控制的目标函数如下式所示，

.f：fmax(x)＝η(x)，fmin(x)＝(nox(x)，出口烟温(x))^t。

其中，nox表示该个体对应的nox生成量，η表示该个体对应的锅炉燃烧效率。由此可见，最优值是在搜索范围内，令目标函数值最小的一组可调节的燃烧控制量(即二次风量、各燃烧器二次风门开度、氧量、燃尽风门开度等)。

在每一次迭代后，个体群都会通过变异、交叉、选择的操作来更新自己的参数。经历了所有迭代后，所有个体都会收敛至最优的位置。在本实施例中，优化的目标函数是在降低nox和提高效率之间寻求最优，即尽可能达到最高锅炉效率和最低nox生成量。

以上所述仅是本发明的优选实施方式，并不用于限制本发明，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。