基于NARX预测模型的电厂燃烧控制系统及方法与流程

本发明涉及电厂燃烧控制，特别是涉及一种基于narx多步预测模型的电厂燃烧控制系统及控制方法。

背景技术：

1、目前煤炭发电主要面临两个主要问题，第一个是提高煤炭燃烧的经济性，即提高煤炭的燃烧效率以提高电厂的经济效益；第二个是减少电厂发电所产生的环境污染。

2、对于第一个问题，随着煤炭能源的大量应用，中国每年发电的煤炭消耗量也逐年增加，截至2021年，煤炭年消耗量为22亿吨，平均每千瓦时消耗0.3千克煤炭。火力发电厂目前使用煤炭作为主要燃料，煤炭成本约占发电成本的60-70％。例如，一座300兆瓦的发电厂，每年的煤炭消耗量约为80万吨。因此，当燃烧效率提高1％时，每年可节约煤炭8万吨，每吨700人民币时，每年的经济效益将达到560万人民币。因此，提高煤炭燃烧效率将提高整个火电行业的盈利能力。

3、对于第二个问题，燃煤电厂锅炉的燃烧过程将产生大量污染物，主要包括so2、nox和灰尘。其中，nox占污染物排放的大部分，nox的产生包括热nox、瞬时nox和燃料nox。热nox是燃烧过程中n2在高温下氧化产生的氮氧化物。影响热nox生成的主要因素是火焰温度、氧气浓度和锅炉内高温范围的大小。总之，高温、高氧浓度和宽高温范围促使热nox的产生。对于煤粉锅炉，热nox约占总nox排放量的20％。燃料中碳氢化合物与空气中的氮气预混合燃烧产生即时nox。它在很短的时间内生成，生成量很小，占总nox的5％以下。燃料nox是燃烧过程中燃料中含氮化合物氧化产生的氮氧化物，约占总nox的75％。燃料nox的产生与煤的燃烧方法、燃烧条件有关，并取决于锅炉温度水平。随着国家对于发电企业污染物排放标准逐年提高，如何降低煤炭发电污染物排放也成为了煤炭发电行业需要重点解决的问题。

4、针对以上两个问题，较为常见的思路是控制煤炭发电时锅炉内燃烧的温度场，当燃烧场内煤炭燃烧温度较为均衡时，有利于煤炭充分燃烧进而提高锅炉的燃烧效率，降低单位发电成本。同时，若能较好的控制燃烧状态，可以快速降低炉膛内的含氧量，进而降低nox的生成量，从而从根源上降低nox排放。

5、在电厂生产过程中，为达到控制燃烧场温度的目的，大部分电厂燃烧控制仍采用传统人工控制或pid控制模式。对于电厂燃烧系统这种非线性、强干扰、大惯性，强滞后的系统pid控制往往会产生超调或系统调节时间过长等现象，因此不能完全满足锅炉高效平稳运行以及污染物排放的标准。除此之外，pid控制还存在以下缺点：

6、(1)针对于不同锅炉，pid控制中的整定参数都存在差别，针对不同锅炉，pid控制方案时都需要重新对参数进行整定，方法的通用性较差。

7、(2)在pid控制中，误差积分反馈的引入会带来负作用。误差积分反馈的作用是消除静差，提高系统响应的准确性，但同时误差积分反馈的引入，使闭环变得迟钝，容易产生振荡，易产生由积分饱和引起的控制量饱和。

8、(3)pid控制器为线性控制器，对于非线性系统往往通过误差的比例、积分、微分三种操作得到的线性组合来近似，存在一定误差。

技术实现思路

1、本发明的目的是针对现有技术中存在的技术缺陷，而提供一种基于narx多步预测模型的电厂燃烧控制系统。

2、本发明的另一个目的是提供一种基于所述电厂燃烧控制系统的控制方法。

3、为实现本发明的目的所采用的技术方案是：

4、一种基于narx多步预测模型的电厂燃烧控制系统，包括数据采集部分、控制部分以及执行部分，其中：

5、所述数据采集部分包括声波测温系统、dcs数据采集系统；所述控制部分包括神经网络模型模块、权重评估模块、优化输出模块；所述执行部分包括二次风门开度调节装置，声波测温系统、dcs数据采集系统分别与神经网络模型模块连接，神经网络模型模块与权重评估模块连接，权重评估模块与优化输出模块连接，优化输出模块与二次风门开度调节装置连接。

6、本发明的另一方面，所述电厂燃烧控制系统的控制方法，包括以下步骤：

7、步骤1，所述数据采集部分收集电厂运行历史数据，所述电厂运行历史数据包括一次风门开度、二次风门开度、给煤量、nox排放量、烟温以及炉膛温度；

8、步骤2，对步骤1得到的所述电厂运行历史数据进行预处理，保留电厂正常运行时的数据，去除数据不完整的时间点数据，并对数据进行归一化处理；

9、步骤3，对步骤2预处理后的数据进行特征筛选，保留相关性强的变量；

10、步骤4，搭建基于ann模型的神经网络模型，以步骤1中所述的一次风门开度、二次风门开度、给煤量作为输入数据，以炉膛温度、nox排放量以及烟温作为输出数据，建立神经网络模型所需要的训练样本；通过训练样本，神经网络模型中的神经元权重不断更新迭代直到得到误差合理的神经网络模型，神经网络模型如图2所示，神经网络模型的基本架构基于ann模型，其输入输出则根据非线性自回归神经网络模型(narx)其表达式形式如下：

11、y(k)＝f(y(k-1)，y(k-2)，y(k-3)，…，y(k-m)u(k)，u(k-1)，u(k-2)，…，u(k-n))+ek

12、此处y(k)代表控制目标向量，k代表现时刻所处时间戳，m代表输出量过去m个步长，n代表控制输入量过去n个步长，u(k)代表控制输入变量，εk为误差项，m和n分别代表输出迟滞和输入迟滞；

13、步骤5，对步骤4得到的训练后的神经网络模型进行交叉验证，以验证神经网络模型的准确性；

14、步骤6，在线输出优化：所述dsc数据采集系统和声波测温系统采集电厂的实时数据，并将实时数据传输至训练后的神经网络模块，神经网络模块输出步骤3所述控制目标向量所对应的未来状态预测值，并将电厂未来状态预测值传输至所述权重评估模块，所述权重评估模块采用lasso方法，根据设定的电厂的运行状态计算优化目标函数，并将优化目标函数传输至优化输出模块，所述优化输出模块根据优化目标函数计算所需的二次风门开度并将数据信息传递给二次风门开度的调节装置，二次风门开度调节装置执行操作。

15、在上述技术方案中，所述步骤1中，所述炉膛声波测温系统将炉膛划分为六个区域，以六个区域的平均温度作为所述的炉膛温度。

16、在上述技术方案中，所述步骤3中，通过搭建历史数据中包含的各变量的相关性矩阵来判断与控制目标(炉膛温度、nox排放量、烟温)之间的相关性大小，当相关性矩阵中元素数值大于0.8时，说明此变量与控制目标相关性强。

17、在上述技术方案中，所述步骤4中的误差合理是指误差在0.5％-3％。

18、在上述技术方案中，所述步骤4中的控制目标包括炉膛温度、nox排放量和/或烟温，控制输入变量包括一次风门开度、二次风门开度和/或给煤量。

19、在上述技术方案中，所述步骤5中，交叉验证的步骤如下：

20、步骤5.1，确定训练数据集与测试数据集，并划定二者的比例分配，优选的，训练数据集数据量与测试数据集数据量比例为9：1；

21、步骤5.2，将测试数据输入训练过的神经网络，观测输出的精准度以及损失函数来判断模型预测效果以及有无过拟合；

22、步骤5.3，最终选择精准度高以及没有过拟合的神经网络作为最终预测模型。

23、在上述技术方案中，所述步骤6中的运行状态指燃烧效率优先或减少排放优先。

24、在上述技术方案中，在线输出优化过程具体步骤如下：

25、步骤6.1，所述炉膛声波测温系统和dcs集散控制系统中的数据采集模块采集电厂的实时数据，并将实时数据传输至神经网络模型模块与权重评估模块，dcs集散控制系统中的数据采集模块采集的数据主要包括二次风门开度、给煤量、总负荷、nox排放量、烟温和炉膛温度；所述炉膛声波测温系统能够测得炉膛各平面的二维温度场分布。

26、步骤6.2，神经网络模型模块根据步骤6.1得到的数据对电厂的未来状态进行预测，并将电厂未来状态预测值传输至权重评估模块；

27、步骤6.3，权重评估模块根据设定的电厂运行状态评估不同控制指标之间的相对权重，得到优化目标函数，并将优化目标函数传输至优化输出模块，所述不同控制指标包括炉膛燃烧温度均匀程度(由炉膛不同区域温度标准差反映)，烟气nox含量以及烟温；

28、步骤6.4，优化输出模块根据步骤6.3得到的优化目标函数；通过bfgs法解目标函数来得到下一时刻二次风门的开度，并对二次风门开度调节装置发出调整指令信号。

29、在上述技术方案中，所述步骤6.4中，优化目标函数为：

30、

31、其中uk与xk为系统的k时刻的输入及状态变量，q与r分别为误差权重矩阵与控制矩阵，a与b为状态方程状态矩阵与输出矩阵，优化目标为n个时间点之内控制目标值与实际值误差值的总和最小。

32、在上述技术方案中，将未来一段时间n的多个控制目标同时考虑进优化过程中，保证了不同时间点的控制输入增量绝对值不会过大。

33、在上述技术方案中，所述炉膛声波测温系统为agam声波测温系统。

34、与现有技术相比，本发明的有益效果是：

35、1.本发明提出了一种基于带有外部输入的非线性自回归神经网络模型(narx)和预测模型控制(mpc)的电厂燃烧控制方案。本发明采用narx神经网络进行模型搭建，该神经网络模型能够拟合任意非线性函数并具有良好的泛化能力和自学习能力。通过大容量高质量的训练样本对多层神经网络模型进行训练，可以不断更新各节点权重，最终建立误差较小的神经网络模型。这种建模方法可以将锅炉燃烧过程中的历史数据充分利用起来。对于不同的锅炉，只需要采集其在过去一段时间之内的历史运行数据就可以得到该锅炉的数学模型，方法具有极强的通用性、可移植性。

36、2.本发明采用模型预测控制方法，模型预测控制具有预测功能，即能够根据系统现在时刻的控制输入以及过程的历史信息，预测过程输出的未来值。相比于pid控制，模型预测控制在应用的过程中不用进行参数的整定，仅需要被控对象的数学模型就可以实现精确控制，而被控对象的数学模型可以在数据处理部分得到，这使得该控制方法具有较强的可移植性。

37、3.本发明通过将电厂未来状态预测值输入到权重评估模块，权重评估模块根据当前的运行状态评估不同控制指标之间的相对权重，优化输出模块根据权重评估模块得到的控制指标计算所需的二次风门开度并将数据传递给二次风门开度调节装置；最终实现了稳定、长期并且不依赖人工干预的燃烧，并实现在给定负荷的情况下尽量减少煤耗，nox、co排放，降低炉膛燃烧温度、均匀燃烧以及降低烟温的目标。

38、4.本发明将神经网络与模型预测控制相结合，通过神经网络模型预测下一时刻的锅炉燃烧相关参数，并通过基于神经网络模型的模型预测控制对这些参数进行实时控制。

39、5.本发明采用多步预测的方式，将多个未来时间点内的控制目标同时考虑进优化过程中，减少了输入的波动，对于控制器的寿命及反应时间都有较大提升。

40、6.本发明采用目前最先进的agam声波测温系统，agam系统是一套先进的工业在线二维温度场全工况实时监测设备，可实现在各种工况下对锅炉、焚烧炉和各种加热炉内高温燃烧气体的实时连续全自动测量。声波测量技术是唯一不受辐射影响，也无漂移的高温炉膛内温度测量技术。对于各类不同的燃烧过程，例如垃圾处理厂、发电厂、水泥厂、炼油厂和钢铁厂等，声学测温技术都有相关技术应用。声学系统的主要优点是声学温度信号的反应速度非常快。温度测量的反应时间比其它传统的控制信号，例如蒸汽量或o2浓度等，快至半分钟。因此，相对于蒸汽量和o2浓度，使用声学方法测量炉内温度时，温度信号可以更快的传送至dcs，有利于对炉内燃烧情况的快速控制。同时，温度场平衡控制也是声波测温技术最重要的应用之一，由此可以创造极高的经济效益。基于上述agam的技术特点，agam测温系统具备以下技术优势：测量真实气体温度，无热源辐射和水冷壁辐射造成的测温误差；测量系统无老化，测量数据无漂移，系统无需标定；每个声波发生器都可实现双向收发，每个测温通道都可实现双向测量；高分辨率高速二维温度场分布测量；支持各种类型的与dcs的数据接口；测温不受吹灰器工作影响，即吹灰器工作期间，agam系统仍保持正常测温工作状态。以上优势能够保证在数据采集的准确性以及可兼容性。

41、7.本发明提供了一种用于快速预测输出的模型预测方法，极大地增强了电厂在线燃烧控制的响应速度及可靠性。