一种锅炉燃烧优化控制方法
【技术领域】
[0001] 本发明涉及数据分析和机器学习技术领域，尤其是涉及一种锅炉燃烧优化控制方 法。
【背景技术】
[0002] 面对日趋强化的资源环境约束，节能减排将一直是经济发展的重要内容。燃煤锅 炉一直是我国主要的动力系统，特别是在火力发电领域更是必不可少的，因此如何对燃煤 锅炉进行有效的控制W使燃煤产生的能量最大化是节能减排的一个重要部分。特别是随着 节能法规与标准的日益完善W及煤炭价格的不断上涨，在利润空间缩减和环保要求提高的 双重压力下，火力发电厂迫切需要通过提高供电效率和降低污染物排放来增强企业的竞争 力。
[0003] 基于监督控制系统的锅炉燃烧优化技术是电站机组节能减排的重要措施之一。由 于该类技术不需要对锅炉受热面进行改造，通过在分散控制系统（distributed control system, DC巧控制的基础上，采用先进的控制算法实现提高锅炉效率和降低污染物排放，具 有投资少、风险小、效果明显的优点，因此成为很多电厂首选的优化控制技术。
[0004] 目前燃烧优化技术常用的方法有下面两种： 基于锅炉燃烧模型的非线性寻优： 该方法是利用人工神经网络、支持向量机、最小资源分配网络等智能算法建立锅炉 燃烧模型；然后基于模型采用非线性寻优技术得到燃烧系统各操作变量（manipulated vari油les，MVs)的最优设定值。理论上该优化方案可W得到MVs的全局最优解。然而该 类基于生物进化论的优化算法搜索速度却比较慢，计算复杂度也较高。该是由于基于智能 理论建立的锅炉燃烧模型结构较复杂，且为确保机组运行的安全性和稳定性，MVs的优化范 围也有限制，一般需采用遗传算法、粒子群算法等求解此类带约束的复杂非线性优化问题。
[0005] 基于历史运行工况的数据挖掘 随着近几年国内数据库技术的成熟，基于海量数据处理的数据挖掘成为解决众多实际 问题的有效工具。在燃烧优化技术中，基于数据挖掘技术，从历史运行数据中提取控制参数 最优值的锅炉燃烧优化策略；另外还有基于数据挖掘技术建立定量规则挖掘算法模型等方 法。基于数据挖掘的优化方案计算较为简单，适合在线应用；但该方法的缺陷是只能得到问 题的相对较优解，所W只能实现局部最优。
[0006] 由此可W看出，目前广泛使用的基于锅炉燃烧模型的非线性寻优存在费时、计算 量大等缺点，但其全局最优性仍使其成为离线寻优的理想算法。而基于数据挖掘的优化方 案计算较为简单，适合在线应用；但该方法只能得到问题的相对较优解。如果能寻找一种优 化方法可结合二者各自优点，既能实现全局最优而且计算速度快，适合实时优化控制，对提 高锅炉效率，同时减少污染物排放有很大的作用。
【发明内容】
[0007] 针对当前的基于锅炉燃烧模型的非线性寻优方法性能不好的问题，本发明实施例 提出了一种锅炉燃烧优化控制方法。
[0008] 为了实现上述目的，本发明实施例提供了 一种锅炉燃烧优化控制方法，包括： 步骤1、选取训练样本W建立训练样本集； 步骤2、采用训练样本集，建立基于最小二乘支持向量机的锅炉燃烧模型； 步骤3、针对所述锅炉燃烧模型，通过粒子群或遗传算法寻优获取最优的样本集W作为 规则库，其中所述规则库中的每一规则表示为 DVs, MVs_opt, CV_opt; 其中DVs为锅炉的不可变参数，MVs_opt为锅炉的可变参数的最优值，CV_opt为最优目 标值； 步骤4、基于该规则库，通过模糊关联规则挖掘算法从库中提取为锅炉的可变参数的最 优值MVs_opt与锅炉的不可变参数DVs之间的关系模型并转化为模糊关联规则库。
[0009] 作为上述技术方案的优选，所述方法还包括： 针对所述锅炉的不可变参数DVs和锅炉的可变参数的最优值MVs_opt进行分析，W确 定锅炉的不可变参数DVs和锅炉的可变参数的最优值MVs_opt之间的关联规则，并确定给 定的锅炉的不可变参数DVs所对应的所有的锅炉的可变参数的最优值MVs_opt; 针对规则库中的同一锅炉的不可变参数DVs对应的所有锅炉的可变参数的最优值 MVs_opt的多条规则之间进行合并。
[0010] 作为上述技术方案的优选，所述步骤4具体包括： 通过隶属度最大化算子得到模糊空间内各锅炉的不可变参数DVs对应的锅炉的可变 参数的最优值MVs_opt，构成初始规则库； 计算每一规则的隶属度，其中所述规则隶属度等于作为前件参数的锅炉的不可变参数 DVs和作为后件参数的锅炉的可变参数的最优值MVs_opt对于规则中模糊集合隶属度的乘 积； 将所述初始规则库中的相同规则合并后得到最终规则库； 通过W下公式计算所述最终规则库中各规则的支持度：
【主权项】
1. 一种锅炉燃烧优化控制方法，其特征在于，包括： 步骤1、选取训练样本以建立训练样本集； 步骤2、采用训练样本集，建立基于最小二乘支持向量机的锅炉燃烧模型； 步骤3、针对所述锅炉燃烧模型，通过粒子群或遗传算法寻优获取最优的样本集以作为 规则库，其中所述规则库中的每一规则表示为 DVs, MVs_opt, CV_opt; 其中DVs为锅炉的不可变参数，MVs_opt为锅炉的可变参数的最优值，CV_opt为最优目 标值； 步骤4、基于该规则库，通过模糊关联规则挖掘算法从库中提取为锅炉的可变参数的最 优值MVs_opt与锅炉的不可变参数DVs之间的关系模型并转化为模糊关联规则库。
2. 根据权利要求1所述的锅炉燃烧优化控制方法，其特征在于，所述方法还包括： 针对所述锅炉的不可变参数DVs和锅炉的可变参数的最优值MVs_opt进行分析，以确 定锅炉的不可变参数DVs和锅炉的可变参数的最优值MVs_opt之间的关联规则，并确定给 定的锅炉的不可变参数DVs所对应的所有的锅炉的可变参数的最优值MVs_opt ; 针对规则库中的同一锅炉的不可变参数DVs对应的所有锅炉的可变参数的最优值 MVs_opt的多条规则之间进行合并。
3. 根据权利要求1所述的锅炉燃烧优化控制方法，其特征在于，所述步骤4具体包括： 通过隶属度最大化算子得到模糊空间内各锅炉的不可变参数DVs对应的锅炉的可变 参数的最优值MVs_opt，构成初始规则库； 计算每一规则的隶属度，其中所述规则隶属度等于作为前件参数的锅炉的不可变参数 DVs和作为后件参数的锅炉的可变参数的最优值MVs_opt对于规则中模糊集合隶属度的乘 积； 将所述初始规则库中的相同规则合并后得到最终规则库； 通过以下公式计算所述最终规则库中各规则的支持度：
其中％￥.?为规则的支持度，为第j条规则在初始规则库中出现的次数，与 /??是第k个前件参数与后件参数属于该规则对应模糊集合的隶属度； 删除所述最终规则库中支持度低于支持度阈值的规则，得到模糊关联规则库。
4. 根据权利要求3所述的锅炉燃烧优化控制方法，其特征在于，所述计算每一规则的 隶属度具体包括： 基于聚类算法对所述关联规则的语言变量进行非均等模糊分割，在确定锅炉的可变 参数的模糊集合后，通过以下的隶属度函数计算各条规则中的作为前件参数的锅炉的不可 变参数DVs和作为后件参数的锅炉的可变参数的最优值MVs_opt在不同模糊集合的隶属度
其中％为模糊集合的中心点；/为隶属度函数的半宽；为输入量；/00为隶属度函 数。
5. 根据权利要求4所述的锅炉燃烧优化控制方法，其特征在于，所述方法还包括： 针对每一锅炉的不可变参数DVs，采用以下公式将所述模糊规则库输出的锅炉的最优 操作变量MVs_opt转化为普通空间的实数值；
其中M为所得模糊规则总数；G是第j条规则的置信度；&是第j条规则输出的模糊 集合中心点；A为实际输入对于第j条规则的所有前件参数隶属度的乘积。
6. 根据权利要求3所述的锅炉燃烧优化控制方法，其特征在于，所述模糊关联规则库 中的第j条模糊关联规则表示为： 当 DV1:.为 &%'，......为忠>;;则该 为，......，MVa 为 其中，m，η分别为模糊规则前件和后件变量的个数；(；i = 和 5^0 = 1，...，《；)是规则中各变量的模糊集合表示；针对改进的支持度阈值Sc和置信度阈 值Cc作为约简基准，删减不准确或准确度不高的规则，确定最终的面向电站锅炉燃烧优化 控制的规则模型。
7. 根据权利要求1所述的锅炉燃烧优化控制方法，其特征在于，所述步骤3中的通过粒 子群或遗传算法寻优获取最优的样本集具体为： 分别采用基于NO#_放约束下的效率最高模型或效率约束下的NOx排放最低模型对所 述锅炉燃烧模型进行寻优； 基于1^〇5(排放约束下的效率最商|旲型
效率约束下的NOx排放最低模型
； 其中，为允许的最大NOx排放量，为允许的最低锅炉效率；当 ]/0^>^〇4时，a取非常大的值，否则a取〇 ;当J7iwtoCf5wJ时，b取非常大的值，否则b 取0。
8. 根据权利要求1所述的锅炉燃烧优化控制方法，其特征在于，所述步骤2中的采用训 练样本集，建立基于最小二乘支持向量机的锅炉燃烧模型具体为； 确定所基于最小二乘支持向量机的核参数和正规化参数的值；并通过采用7层交叉验 证法并调整核参数和正规化参数的值以获取交叉验证误差最小的组合； 其中，所述核参数和正规化参数分别为飞灰含碳量、排烟温度、炉内平均温度、辅机功 率和NOx氮氧化物排放量。
9. 根据权利要求8所述的锅炉燃烧优化控制方法，其特征在于，所述核参数和正规化 参数还包括：燃料热值、燃料挥发份、燃料灰分、一次风压、三层二次风挡板开度，上下三次 风挡板开度，烟气含氧量。
10. 根据权利要求1所述的锅炉燃烧优化控制方法，其特征在于，所述方法还包括： 对所述步骤3获得的规则库进行实时更新，具体包括： 以所述锅炉的不可变参数DVs为基于最小二乘支持向量机的锅炉燃烧模型的输入值， 并获取输出的锅炉的可变参数的最优值MVs_opt ; 根据锅炉的不可变参数DVs和当前的锅炉的可变参数MVs计算当前的目标值CV ;根据 锅炉的不可变参数DVs和锅炉的可变参数最优值MVs_opt计算该锅炉的可变参数最优值 MVs_opt对应的锅炉的最优目标值CV_opt ; 比较CV和CV_opt，如果CV > CV_opt，则将所述规则库中的该锅炉的不可变参数DVs 对应的锅炉的可变参数最优值MVs_opt修改为当前的锅炉的可变参数MVs。
【专利摘要】本发明实施例提出种锅炉燃烧优化控制方法，包括：选取训练样本以建立训练样本集；采用训练样本集，建立基于最小二乘支持向量机的锅炉燃烧模型；针对所述锅炉燃烧模型，通过粒子群或遗传算法寻优获取最优的样本集以作为规则库；基于该规则库，通过模糊关联规则挖掘算法从库中提取为锅炉的可变参数的最优值与锅炉的不可变参数之间的关系模型并转化为模糊关联规则库。上述方案提出了一种锅炉燃烧优化控制方法，能够更为精确且高效地对锅炉的燃烧进行控制，可以找到锅炉的可调整参数的最优值，以针对锅炉随时进行调整来达到最优效率。
【IPC分类】F23N5-00
【公开号】CN104534507
【申请号】CN201410655179
【发明人】赵文杰
【申请人】华北电力大学（保定）
【公开日】2015年4月22日
【申请日】2014年11月18日