本发明涉及工业自动控制技术领域，具体涉及流化床锅炉系统的控制与燃烧优化系统。
背景技术：
流化床锅炉作为一种洁净的煤燃烧技术在世界范围内得到了广泛应用，按工艺流程流化床锅炉主要分为汽水系统、燃烧系统，其中燃烧系统其具有多变量、强耦合和参数时变的复杂系统特性，使得其控制工作比较困难，主要表现在床温与主汽压力的控制，以及送风量与引风量之间的控制。
目前国内的循环流化床锅炉控制系统主要采用的是单回路控制系统，通过控制一次风和二次风比例控制料床温度，用这种方法调节床温时，可调范围有限，当床温大幅度波动时控制效果比较差。而如果采用燃烧率调节方式控制床温，由于其与主蒸汽压力之间的耦合关系又会影响主汽压力的稳定。除上述问题外，目前还存在的问题为锅炉效率的利用率、脱硫效率普遍偏低，煤耗电耗偏高，并且排放到空气中的nox、sox等污染物偏高。
技术实现要素：
本发明的目的在于提供一种能够保证锅炉系统连续经济稳定运行，解决长期以来锅炉系统不易控制难题的流化床锅炉控制与燃烧优化系统。
为达到上述目的，本发明采用的技术方案是：
1)保证流化床锅炉控制的稳定性：采用常规控制与先进控制相结合的控制策略，实现锅炉主蒸汽压力或流量、一次风量、二次风量、炉膛负压、床压、主蒸汽温度、汽包水位的自动控制；
2)保证变负荷、变工况下系统稳定性：针对主蒸汽压力或流量与床温控制属于为多变量、强耦合系统，采用多变量无模型自适应即mimomfa，model-freeadaptive控制；
3)确保系统运行在最佳燃烧区：采用神经网络软测量技术在线计算锅炉效率、nox以及sox的预测值，构建多目标优化函数，通过目标自寻优算法，对锅炉燃烧过程中的运行参数进行实时优化；
4)在分布式控制系统监控层上增加先进控制与优化站，实现锅炉效率在线计算、先进控制算法、燃烧优化算法、以及流化床锅炉控制与燃烧优化过程故障诊断。
所述的主蒸汽压力或流量控制过程中，采用床温串级加前馈控制，外环为主汽压力控制，内环为床温控制方式，床温增加则减小燃料量，床温降低则增大燃料量，在控制策略中设置了调温的“死区”，即床温在该死区域内时不改变燃料量，由于机组的负荷变化会直接体现在主蒸汽流量的变化上，所以在控制策略中把经过函数运算后的锅炉主汽流量信号直接加到控制输出上，通过前馈形式提高主汽压力系统的响应速度，控制输出通过条件切换状态选择mfa算法输出或者常规控制输出，其中切换条件为该回路在常规自动，并且操作人员选择投入先进控制；
所述的一次风控制过程中，采用总风量控制指令、床温修正信号相互叠加，并结合煤质修正参数共同确定一次风量设定值，在确保大于最小风量的情况下得到一次风量设定值，再通过一次风量设定值与过程值经过单回路控制得到一次风指令，控制输出通过条件切换状态选择先进控制输出或者常规控制输出，其中切换条件为该回路在常规自动，并且操作人员选择投入先进控制；
所述的二次风量控制过程中，根据主汽流量得到不同负荷下对应的最佳风量设定基础值，再通过设定值偏置与烟气含氧量修正系数，最终得到二次风量设定值，通过二次风量过程值与设定值的偏差计算进入控制器运算，得到二次风量指令，由副调节器控制一、二次风比例，同时在二次风量调节系统中直接对燃料量进行函数处理，把函数处理后的结果作为前馈信号加到控制输出中，完成二次风量指令的运算；
所述的炉膛负压给定值与经过惯性延滞处理后的测量值一起融入控制器中进行偏差运算，把其运算结果用于控制引风机执行机构的动作，当一次风量和二次风量发生变化时，在炉膛压力控制中直接把总风量中的微量变化作为前馈信号送入控制器中，完成引风机指令的运算；
所述的床压采用单回路控制方式，通过对床压的多个测点做平均值计算，计算出床压的平均值作为被控信号，采用单回路前馈控制器进行控制，将给煤速度作为前馈信号叠加在控制输出；
所述的主蒸汽温度控制回路采用带有前馈的串级控制方式，前馈量为负荷、送风量，前馈算法作用在外环控制器的输出，一级减温串级控制回路的外环为屏过出口温度，内环为一级减温水出口温度；二级减温串级控制回路的外环为负荷、送风量，内环为二级减温水出口温度；
所述的汽包水位控制回路采用三冲量控制，汽包水位为外环，给水流量为内环的串级控制模式，主蒸汽流量作为前馈控制输出的模式，完成主给水阀的指令运算。
所述的先进控制与优化站不断采集过程控制站中各个控制回路的运行参数，然后经过控制性能的测评指标判断是否符合控制性能要求，如果不符合则启动参数整定功能，进行控制回路参数整定，步骤如下：
1)在控制回路自动方式下，当控制回路偏差大于预设值时，即|sv-pv|≥emax，记作t1时刻，并开始控制性能计算
2)自动整定时首先等待系统进入稳态，而后施加控制输出扰动，扰动量取5～10％控制输出量，并保持输出不变，获取对象的输出响应，分析响应曲线的滞后时间τ、对象增益k和调节时间ts；
3)整定控制器参数kp、ti通过下述公式获得：
当
当
式中：k为对象增益；τ为滞后时间；t为时间常数；
4)通过先进控制与优化站和过程控制站之间的数据通信方式，将整定后的控制器参数传输到过程控制站中，刷新控制器参数提高控制性能。
所述的步骤2)保证变负荷、变工况下系统稳定性过程如下：
1)mimomfa系统由2×2mfa控制器组成，其中包含两个主控制器c11、c22和两个补偿控制器c21和c12，过程对象包括四个子过程g11、g21、g12和g22；
2)过程检测变量主蒸汽压力或流量y1和床温y2作为两个主回路的反馈信号与主蒸汽压力或流量设定值r1和床温设定值r2比较产生偏差信号e1和e2分别输入两个控制器，两个控制器的输出分别与另一方的补偿器的输出相结合生产控制信号u1和u2；
3)2×2mfa控制系统的控制目标是产生输出控制信号u1(t)和u2(t)迫使过程变量y1(t)和y2(t)跟踪他们各自的设定值r1(t)和r2(t)，实现偏差信号e1(t)和e2(t)最小。
所述的步骤3)确保系统运行在最佳燃烧区过程如下：
1)通过锅炉燃烧优化调整试验，分别获取不少于50组工况下的燃料量、送风量、氧量、煤质、排烟温度、床温、飞灰含碳量、床压、环境温度、蒸发量作为预测模型输入，即input，锅炉效率和nox作为预测模型输出，即output，建立三层bp神经网络模型，神经网络的隐含层采用s型函数，输出层个数为三个，采用线性函数；
2)首先，权值初始化：ωsq＝random(·)，sq为ij，jk或kl，将权值随机设置一个为[-0.1,0.1]的数；
3)其次，依次输入p个学习样本；
4)再次，依次计算各层的输出：x'j，x”j，以及yl，j＝0,1,···,n1,k＝0,1,···,n2,l＝0,1,···,nm-1；
5)之后，求各层的反传误差，并记录
6)然后，记录已学习过的样本个数p，如果p<p，则跳转步骤3)继续计算；如果p＝p，则转到步骤7)；
7)按权值修正公式修正各层的权值系数w；
8)按步骤7)计算出的新的权值再计算，
所述的得到神经网络预测输出，分别为锅炉在线效率、nox以及sox的预测值，由此构造目标函数如下：
式中：eff——锅炉理想燃烧效率，一般由锅炉燃烧优化性能试验得到；
effc——实际燃烧效率，取神经网络输出值；
[nox]——氮氧化物排放的最低值，或者理想值，一般由锅炉燃烧优化性能试验得到；
[nox]c——实际氮氧化物排放量，取自神经网络输出值；
[sox]——硫化物排放的最低值，或者理想值，一般由锅炉燃烧优化性能试验得到；
[sox]c——实际硫化物排放量，取自神经网络输出值；
a、b、c——三项输出值的加权系数，取决于对效率和排放物的关注程度；s.ta(i)≤x(i)≤b(i),i＝1,2,...,n，表示边界条件，x(i)表示第i个优化变量，a(i)和b(i)表示第i个优化变量的取值范围，n代表选取的优化变量的个数。
所述的得到神经网络预测输出，分别为锅炉在线效率、nox以及sox的预测值，构建多目标优化函数，采用目标自寻优算法，通过如下步骤进行燃烧优化：
1)通过锅炉燃烧优化调整试验获取不同工况下床温、烟气含氧量参数的最佳运行值，并结合不同煤质信息，构建优化运行参数值的上下限值与基础优化值；
2)逐一对运行参数进行优化，以单一优化参数为例，当烟气含氧量作为优化参数时步骤如下：
首先，进行燃烧系统判稳，燃烧系统稳定时记录当前锅炉优化目标函数值，以及烟气含氧量；
然后，使烟气含氧量给定增加一个预置烟气含氧量步长值0.2～0.5，待系统稳定后，分为以下两种情况：
第一种，如果目标函数值增加，则下步继续增加一个烟气含氧量步长值，直至目标函数值减小时，说明此时的锅炉系统已经在最佳燃烧区，结束本次优化，等待工况改变进行下次优化；
第二种，如果目标函数值减小，则进行优化步长反向，减小一个烟气含氧量步长，待系统稳定后，如果目标函数值增加，则下步继续减小一个烟气含氧量步长值；直至目标函数值减小时，说明此时的锅炉系统已经在最佳燃烧区，结束本次优化，等待工况改变进行下次优化；
床温优化步骤同2)，当优化目标值达到预先设置好的优化死区时，结束当前优化过程，待优化条件满足后，继续进行优化，过程如步骤1)、2)。
所述的步骤4)包括以下步骤
1)先进控制与优化站采用单机或冗余方式构建；
2)先进控制与优化站通过数据通讯方式和过程控制站进行数据交换，通信方式包括opc、tcp/ip，过程控制站包括但不局限于plc、pc控制器。
本发明以流化床锅炉控制与燃烧优化系统安全经济运行为目标，针对流化床锅炉系统的运行特点，采用先进控制算法与常规控制算法相结合的控制策略与多变量无模型自适应控制算法、神经网络建模技术以及燃烧自寻优算法等方法，保证了锅炉系统连续经济稳定运行，解决了长期以来锅炉系统不易控制的难题。
本发明与现有技术相比，具有安全稳定，操作方便，节能降耗的优点。一方面能够保证流化床锅炉控制系统的连续、稳定、安全、经济运行；另一方面能够提高锅炉效率，同时降低硫化物和氮氧化物的排放；本发明的应用还能减轻运行人员劳动强度，提高了自动投入率，因而具有显著的经济效益和良好的社会效益。
本发明具有以下特点：
●锅炉控制参数的在线整定，确保各个回路的控制性能；
●通过锅炉燃烧模型，实现效率在线、nox、sox在线预测；
●锅炉燃烧系统优化算法，使系统维持在最佳燃烧区；
●提高锅炉效率≥0.3％；
●锅炉运行诊断，例如排烟温度偏高、床压波动大，锅炉结焦、水冷壁爆管等判断。
附图说明
图1主蒸汽压力控制算法逻辑；
图2一次风控制算法逻辑；
图3二次风控制算法逻辑；
图4炉膛负压算法逻辑；
图5床压控制算法逻辑；
图6主汽温度控制算法逻辑；
图7汽包水位控制算法逻辑；
图8mimomfa系统逻辑；
图9神经网络建模算法逻辑图；
图10自寻优算法逻辑图；
图11系统分布式网络结构图。
具体实施方式
下面结合附图和实施例对发明内容作进一步说明。
参照图1所示，为主蒸汽压力控制回路控制逻辑，具体步骤为：
首先，采用床温串级加前馈控制，外环为主汽压力控制，内环为床温控制方式，床温增加则减小燃料量，床温降低则增大燃料量，在控制策略中设置了调温的“死区”，即床温在该死区域内时不改变燃料量。
其次，由于机组的负荷变化会直接体现在主蒸汽流量的变化上，所以在控制策略中把经过函数运算后的锅炉主汽流量信号直接加到控制输出上，通过前馈形式提高主汽压力系统的响应速度。
最后，控制输出通过条件切换状态选择mfa算法输出或者常规控制输出，其中切换条件为该回路在常规自动，并且操作人员选择投入先进控制。
参照图2所示，为一次风控制回路控制逻辑，具体步骤为：
首先，采用总风量控制指令、床温修正信号相互叠加，并结合煤质修正参数共同确定一次风量设定值，在确保大于最小风量的情况下得到一次风量设定值。
再次，通过一次风量设定值与过程值经过单回路控制得到一次风指令。
最后，控制输出通过条件切换状态选择先进控制输出或者常规控制输出，其中切换条件为该回路在常规自动，并且操作人员选择投入先进控制。
参照图3所示，为二次风控制回路控制逻辑，具体步骤为：
首先，二次风(氧气含氧量)系统控制采用串级加前馈控制模式，外环采用氧量控制，内环采用风量控制，总风量指令、床温补偿作为前馈补偿控制的总体结构；
其次，通过负荷指令、给煤量、一次风量前馈实现动态过程中先加风，后加煤；先减煤，后减风的控制策略；
最后，引入床温对二次风量的影响，在达到氧量控制范围内，适当调整二次风量辅助控制床温。
参照图4所示，为炉膛负压控制回路控制逻辑，具体步骤为：
炉膛负压系统控制采用单回路加前馈控制模式，将送风开度作为前馈信号送入控制器，以提高一次风量、二次风量变化时控制系统响应的及时性。
参照图5所示，为床压控制回路控制逻辑，具体步骤为：
床压系统控制采用单回路加前馈控制模式，将给煤速度作为前馈信号送入控制器，使在定期排渣时能按照设定床压值控制排渣量。
参照图6所示，为主汽温度控制回路控制逻辑，具体步骤为：
首先，主蒸汽温度控制回路采用带有前馈的串级控制方式，二级减温串级控制回路的外环为主蒸汽温度，内环为二级减温水出口温度，不仅能快速消除系统内环扰动，而且能使主汽温度通过外环细调作用，使其稳定在设定值；
再次，二级减温水控制回路的前馈量为负荷、送风量，前馈算法作用在外环控制器的输出，能快速响应变负荷下的主汽温度变化。
参照图7所示，为汽包水位控制回路控制逻辑，具体步骤为：
首先，该系统采用串级加前馈的三冲量控制模式，实现给水系统的自动控制；
再次，在汽包水位超过预定的限值时，旁路给水阀门切入自动调节模式，当水位恢复到正常偏差值范围内时，旁路给水阀门恢复手动调节模式。
参照图8所示，为mimomfa(多变量无模型自适应)控制系统结构框图，具体步骤为：
首先，构成mimomfa系统，其中包含两个主控制器c11、c22和两个补偿控制器c21和c12，过程对象包括四个子过程g11、g21、g12和g22；
其次，过程检测变量主蒸汽压力(或流量)y1和床温y2作为两个主回路的反馈信号与主蒸汽压力(或流量)设定值r1和床温设定值r2比较产生偏差信号e1和e2分别输入两个控制器，两个控制器的输出分别与另一方的补偿器的输出相结合生产控制信号u1和u2，由2×2过程的本质可以看出，过程的输入u1和u2相互影响着输出y1和y2，一个输入发生变化会同时改变两个输出。
再次，2×2mfa控制系统的控制目标是产生输出控制信号u1(t)和u2(t)迫使过程变量y1(t)和y2(t)跟踪他们各自的设定值r1(t)和r2(t)，实现偏差信号e1(t)和e2(t)最小：
参照图9所示，为神经网络算法逻辑，具体步骤为：
1)通过锅炉燃烧优化调整试验，分别获取不少于50组工况下的燃料量、送风量、氧量、煤质(低位发热量、氧基、氮基、氢基、硫基、碳基)、排烟温度、床温、飞灰含碳量、床压、环境温度、蒸发量作为预测模型输入，即input，锅炉效率和nox作为预测模型输出，即output，建立三层bp神经网络模型，神经网络的隐含层采用s型函数，输出层个数为三个，采用线性函数；
2)首先，权值初始化：ωsq＝random(·)，sq为ij，jk或kl，将权值随机设置一个为[-0.1,0.1]的数；
3)其次，依次输入p个学习样本；
4)再次，依次计算各层的输出：x'j，x'j'，以及yl，j＝0,1,···,n1,k＝0,1,···,n2,l＝0,1,···,nm-1；
5)之后，求各层的反传误差，并记录
6)然后，记录已学习过的样本个数p，如果p<p，则跳转步骤3)继续计算；如果p＝p，则转到步骤7)；
7)按权值修正公式修正各层的权值系数w和阈值；
8)按步骤7)计算出的新的权值再计算，
参照图10所示，为自寻优燃烧优化算法逻辑，优化参数以氧量设定值为例，具体步骤为：
(1)参数初始化，获取优化参数基础值与边界值；
(2)计算优化目标函数值j，并对其进行单位时间内的均值滤波处理；
(3)判断是否在优化死区范围内，如果在d范围内，则不进行优化运算，否则继续进行下一步；
(4)判断燃烧系统是否稳定，并且运行人员是否允许燃烧优化，条件满足则进行下一步，否则不运算；
(5)判断是否为首次进入优化程序，如果是则进行第(6)步，否则跳转(11)步
(6)增加氧量设定值增量(正向)；
(7)调用优化算法，计算边界条件下的j以及最佳氧量设定，并对j本、j上进行比较运算；
(8)判断是否j本<j上，如果不是则跳转(9)，如果是则跳转(10)；
(9)复位优化正方向标志位，并继续判稳；
(10)置位优化正方向标志位(反向优化)，并继续判稳；
(11)判断是否为正向运算过程，如果是则跳转(13)，如果否则跳转(12)；
(12)减小氧量设定值步长；
(13)增加氧量设定值步长；
(14)调用优化算法，计算边界条件下的j以及最佳氧量设定；
(15)对j本、j上进行比较运算；
(16)单次优化结束，置位结束状态，复位首次优化等相关状态；
(17)结束本次运算。
参照图11所示，系统需要新增先进控制与优化站(冗余)，以双网络方式为例，网络结构如图所示，其特征在于：
(1)先进控制与优化站可以采用单机或冗余方式构建；
(2)先进控制与优化站通过数据通讯方式和过程控制站进行数据交换。通信方式包括但不局限于opc、tcp/ip等，过程控制站包括但不局限于plc、pc控制器等；
(3)先进控制与优化站中的程序可以采用vc、vb等高级语言编程实现，也可以采用具有脚本语言(例如vba)以及具有模块化编程功能的组态软件实现；
实施例1：
某电厂#3锅炉，现有设备状况：锅炉型号为dg483/13.7-ii1，是由东方锅炉厂设计制造的483t/h循环流化床锅炉。锅炉主要由一个膜式水冷壁炉膛，两台汽冷式旋风分离器和一个由汽冷包墙包覆的尾部竖井(hra)三部分组成。
高压硫化风机的型号为l925wdb，数量2台，介质流量282m3/min，工质最大压差58.8kpa，主轴转速780r/min，配用电机型号为ykk-5001-8，电动机电压6000v，电动机电流51.3a，电动机功率400kw，电动机转速745r/min；引风机的型号为vz41-2950f/s1，数量2台，介质流量488604nm3/h，全压11252pa，转速985r/min，配用电机型号为yspkk710-6，电动机电压6000v，电动机电流237a，电动机功率2000kw，电动机转速993r/min；二次风机的型号为vr58iii-2240f/s01，数量2台，介质流量177120m3/h，风压17451pa，转速1485r/min，配用电机型号为yspkk500-4，电动机电压6000v，电动机电流130.3a，电动机功率1120kw，电动机转速1489r/min；一次次风机的型号为vr48iv-2500f/s01，数量2台，介质流量181584m3/h，风压24126pa，转速1485r/min，配用电机型号为yfkk630-4，电动机电压6000v，电动机电流183.4a，电动机功率1600kw，电动机转速1492r/min。
目前系统运行参数：主蒸汽压力为13.7mpa，主蒸汽温度为540℃，给水温度253.8℃，再热蒸汽流量399.4t/h，再热蒸汽进/出口压力2.786/2.636mpa，再热蒸汽进/出口温度331/540℃，设计燃煤量118.4t/h，主蒸汽流量为483t/h，汽包工作压力为15.07mpa。
实施前系统状况：项目实施前，锅炉控制系统处于人工操作，操作员工作强度大，而且由于操作员的操作水平不同，系统不稳定经常出现参数的高、低报警信号，更无法实现燃烧优化，长期运行以来锅炉实际效率难以达到设计炉效。