本发明属于电站锅炉燃烧优化控制方法，具体涉及一种基于大数据的锅炉智能燃烧优化控制方法。
背景技术：
锅炉燃烧工况优劣直接影响机组安全经济环保运行，锅炉的运行效率和烟气nox排放与锅炉配风、配煤燃烧运行方式密切相关。目前国内电站锅炉燃烧运行主要由运行人员根据自己的运行经验进行燃烧调整，由于锅炉燃烧的复杂性，由人工很难协调锅炉效率和烟气nox排放两个指标，实现锅炉燃烧的优化运行。因此，实现锅炉智能燃烧优化控制对于火电机组节能减排具有重要意义。
目前，基于神经网络和遗传算法的现有锅炉燃烧优化控制方法存在以下问题。
1、用于建立神经网络模型的训练样本存在不足，表现在两个方面：
1)样本的“量”不够：现有的部分方法仅采用锅炉燃烧试验数据作为样本建模，所建模型不能涵盖锅炉运行所有可能出现的运行工况，模型性能有很大的局限性；
2)样本的“质”不好：有些方法也采用了大量的锅炉运行数据作为模型训练样本，但样本中含有锅炉吹灰工况的数据未剔除，所建模型不可能具有较好的质量，甚至是错误的模型，因为吹灰工况数据不能正确反映锅炉燃烧特性，而每天锅炉将近有三分之一的时间在吹灰。
2、部分采用的控制方法实现的是单目标优化，即以提高锅炉效率或降低烟气nox排放为目标优化燃烧参数。有些方法虽然以提高锅炉效率和降低烟气nox排放两个指标作为优化目标，但在具体实施时将多目标转换为如下形式的性能指标：
其中a为锅炉效率η的权重系数，b为氮氧化物化排放nox的权重系数，采用单目标优化算法以性能指标j最大来优化燃烧参数。由于提高锅炉效率和降低烟气nox排放是典型的多目标优化问题，在具体应用时，很难确定权重系数a、b的值，a、b的值选择不当，会造成优化结果提高了锅炉效率，但nox排放也增加了，或者相反，很难做到真真意义上的多目标优化，即既提高锅炉效率，又降低烟气nox排放。另外，这类方法不能满足多种优化目标的实际要求，如在不增加烟气nox排放的条件下尽量提高锅炉效率的优化目标，是现有方法难以实现的。
3、衡量锅炉燃烧性能优劣，除了锅炉效率和烟气nox排放量这两个指标外，炉膛出口两侧烟温差也是一个重要指标，锅炉燃烧运行一般要求炉膛出口两侧烟温差不能大于某一给定值，目前所有公开的方法均未涉及这一问题。
技术实现要素：
发明目的：为了克服现有技术中存在的不足，本发明提出基于大数据的锅炉智能燃烧优化控制方法，采用大容量高质量的数据样本建立燃烧优化神经网络模型，以提高锅炉效率、降低烟气nox排放，同时锅炉炉膛出口两侧烟温差不超限为优化目标，采用多目标遗传算法优化燃烧参数，实现多目标燃烧优化控制。
技术方案：为了实现上述目的，本发明提供基于大数据的锅炉智能燃烧优化控制方法，其步骤如下：
(1)采集机组dcs数据，并处理构成神经网络训练样本；
(2)根据训练样本建立燃烧优化神经网络模型；
(3)根据燃烧优化神经网络模型，采用多目标遗传算法优化燃烧参数；
(4)根据优化的燃烧参数计算优化偏置，并送dcs实现闭环优化控制。
进一步的，步骤(1)的具体步骤如下：
(11)以1-10秒的采样周期从机组dcs采集3-6个月的运行数据，以及运行数据对应的煤质数据，构成原始数据样本，所采集的数据包括优化条件变量、优化变量和其他变量，所述的优化条件变量包括机组负荷、入炉煤质、给水温度、环境温度；所述的优化变量包括各磨煤机负荷、各磨煤机一次风流量、空预器入口烟气含氧量、二次风门开度、燃尽风门开度；所述的其它变量包括脱硝入口烟气氮氧化合物含量nox、空预器出口烟气含氧量、排烟温度、飞灰含碳量、炉膛出口两侧烟温、机组负荷变化率、吹灰状态；
(12)剔除原始数据样本中负荷变化率大于给定值的工况和吹灰工况的运行数据，并对数据进行1-5分钟平均再采样，构成新的数据样本；
(13)根据步骤(12)计算新的数据样本中每个样本对应的锅炉效率，并将得到的过锅炉效率与新的数据样本一起构成神经网络训练样本。
进一步的，步骤(2)的具体步骤包括以优化条件变量和优化变量作为神经网络模型的输入，以锅炉效率η、脱硝入口烟气氮氧化合物含量nox和炉膛出口两侧烟温差δθ作为模型的输出，根据步骤(1)的神经网络训练样本，采用bp神经网络学习算法，建立燃烧优化神经网络模型。
进一步的，步骤(3)的具体步骤如下：
(31)实时采集并计算最近1-5分钟的优化条件变量数据和优化变量数据的平均值，分别构成优化条件变量值向量vc和优化变量实际值向量vo,act；
(32)以优化变量作为遗传算法的个体，随机生成n个个体作为初始种群
(33)以vc向量数据和种群中
其中δθ为以vc和
(34)采用(33)的计算方法及计算结果，以锅炉效率η最大，脱硝入口烟气氮氧化合物含量nox最小为优化目标，采用多目标非支配快速排序遗传算法(nsga)对优化变量进行寻优，得到优化的种群
(35)以vc和
进一步的，步骤(4)的具体步骤如下：
(41)在机组dcs侧添加优化偏置逻辑，将优化偏置迭加于优化变量的控制指令上；
(42)将步骤(3)优化得到的优化值vo,opt与实际值vo,act之差作为相应优化变量的优化偏置，送往dcs实现锅炉燃烧的闭环优化控制。
有益效果：本发明相比现有技术其显著的效果在于：1、本发明由于采用了大数据，并且剔除了锅炉吹灰工况的数据，提高了燃烧优化神经网络模型的质量；2、采用多目标遗传算法优化燃烧参数，提高了优化性能和优化效果，并能适应实际应用中的多种优化要求3、优化目标除锅炉效率和烟气nox排放外，还考虑了膛出口两侧烟温差指标，更符合工程实际应用。
附图说明
图1是本发明锅炉智能燃烧优化控制方法步骤框图；
图2是本发明燃烧优化神经网络模型原理图；
图3是本发明燃烧优化前后锅炉效率的对比曲线图。
具体实施方式
为了详细的说明本发明公开的技术方案，下面结合附图和具体实施例，对本发明做进一步的阐述。
参照图1所示，本发明提供的基于大数据的锅炉智能燃烧优化控制方法步骤如下：
(1)采集机组dcs数据，并处理构成神经网络训练样本；
(2)根据训练样本建立燃烧优化神经网络模型；
(3)根据燃烧优化神经网络模型，采用多目标遗传算法优化燃烧参数；
(4)根据优化的燃烧参数计算优化偏置，并送dcs实现闭环优化控制。
下面以某电厂600mw机组四角切圆燃烧锅炉为例具体说明本发明步骤。
锅炉的燃烧调整主要由运行人员根据自己的经验进行，常常出现燃烧调整不及时，不同班组锅炉运行水平差异较大的现象。为此，在该锅炉上实施了基于大数据的锅炉智能燃烧优化控制，目的是在不增加烟气nox排放的条件下尽量提高锅炉效率。这样的优化目标是现有方法难以实现的。该工程的实施过程如下：
1、采集机组dcs数据，并处理构成神经网络训练样本实施中共采集了3个月的机组运行数据，并剔除了吹灰工况的数据，数据样本涵盖负荷范围为40％到100％额定负荷，涵盖煤质范围为煤种的收到基低位热值16mj/kg到24mj/kg，以此建立的神经网络模型涵盖了机组所有可能出现的运行工况。选择的优化变量包括：6个磨煤机的负荷、6个一次风流量、1个烟气氧量、1个总风量、6个层燃烧器外二次风门开度、6个层燃烧器热二次风门开度、6个层燃烧器中心风门开度、1个ofa风门开度、1个sofa风门开度，共计34个优化变量。
2、根据训练样本建立燃烧优化神经网络模型
以优化条件变量和优化变量作为神经网络模型的输入，以锅炉效率η、脱硝入口烟气氮氧化合物含量nox和炉膛出口两侧烟温差δθ作为模型的输出，根据步骤(1)的神经网络训练样本，采用bp神经网络学习算法，建立燃烧优化神经网络模型。模型原理图如图2所示，采用3层bp神经网络，输入层39个节点，包括5个优化条件变量和34个优化变量，隐层68个节点，输出层3个节点，包括锅炉效率η、脱硝入口烟气氮氧化合物含量nox和炉膛出口两侧烟温差δθ，采用常规的bp学习算法建立燃烧优化神经网络模型。
3、燃烧优化计算
(3.1)采集并计算最近5分钟优化条件变量数据和优化变量数据的平均值，分别构成优化条件变量值向量vc和优化变量实际值向量vo,act；
(3.2)以优化变量作为遗传算法的个体，随机生成n个个体作为初始种群
(3.3)以vc向量数据和种群中
其中δθ为以vc和
(3.4)采用(3.3)的计算方法，以锅炉效率η最大，脱硝入口烟气氮氧化合物含量nox最小为优化目标，采用多目标非支配快速排序遗传算法(nsga)对优化变量进行寻优，得到优化的种群
(3.5)以vc和
根据燃烧优化神经网络模型，采用多目标非支配快速排序遗传算法(nsga)对34个优化变量进行寻优，初始种群个体数为400，遗传算法最大迭代次数为300，允许的最大炉膛出口两侧烟温差δθmax设置为30℃，允许的最大脱硝入口烟气氮氧化合物含量nox_max，由运行人员根据环保要求，并结合优化前机组的平均值设定。
4、燃烧参数闭环优化控制
在dcs侧添加了34个优化偏置，迭加在相应变量的指令上。根据优化的燃烧参数计算相应的优化偏置，将34个优化偏置值送入dcs，实现燃烧参数的闭环优化控制。
工程验收时，分别在300mw、370mw、420mw、480mw和540mw五个负荷点下进行了优化前后的锅炉效率对比试验，图3为燃烧优化前后锅炉效率的对比曲线，在各个负荷段下炉效提升值均超过0.4％，可见燃烧优化是有效的，达到了技术预期的优化目标。