基于改进量子粒子群优化电厂锅炉NOX预测模型装置的制作方法

本发明涉及燃煤电厂锅炉nox排放预测技术领域，特别是涉及一种基于改进量子粒子群优化电厂锅炉nox预测模型装置。

背景技术：

煤炭是我国的主要能源之一，占一次能源生产和消费的70％左右，这种以煤炭为主的能源结构决定了燃煤火力发电在我国的电力生产中占主导地位。根据中国电力企业联合会公布的统计数据，2012年全年火力发电量占总发电量的78％。可以看出，火力发电仍然是我国电力生产的主要方式。燃煤发电厂燃料燃烧产生的nox是大气污染的主要有害物质之一。构建准确的nox排放预测模型对其控制的必要条件。因此，建立有效的nox排放特性预测模型对电站减少污染物排放尤为重要。然而，生成nox的反应非常复杂，很难建立准确的nox排放的第一数学模型，基于神经网络的“黑箱”数据驱动建模方法可以忽略模型反应原理，已经被广泛应用于各工程领域。但传统神经网络存在训练时间长和容易出现“过拟合”等问题。极限学习机(elm)是一种新型前馈神经网络，具有学习速度快，调节参数少，预测性能高的优点。但elm训练过程中输入层初始权重和隐含层偏置是随机确定的，这会影响极限学习机的稳定性。对此，提出了一种新的优化算法与elm相结合建模。量子粒子群算法(qpso)在基本原理上与粒子群算法(pso)一样，其各个粒子的迭代过程都是基于个体最优与群体最优的信息来进行更新的。与pso算法不同的是，qpso算法使每个粒子以量子的行为方式进行运动，各个粒子可以概率性地出现在解空间当中的任何一个位置，在很大程度上增强了粒子运动的随机性与算法全局寻优的有效性量子粒子群(qpso)算法是在粒子群算法基础上结合了量子力学相关理论而形成的一种智能优化算法。但是qpso算法搜索后期收敛速度慢且搜索精度低的现象，为了解决此问题，需要提出新的改进的量子粒子群优化算法优化极限学习机模型内部参数，用以建立准确的火电厂燃煤锅炉nox排放模型。

技术实现要素：

鉴于上述问题，本发明的目的在于涉及一种精确的锅炉nox排放浓度预测模型装置，以解决目前锅炉nox浓度预测模型不准确的情况,进而便于控制和减少锅炉nox排放效果。

为解决上述问题，本发明提供了一种基于改进量子粒子群优化电厂锅炉nox预测模型装置，包括现场数据采集装置、计算机装置和通讯装置。现场数据采集装置包括测量元件、dcs数据采集站和通讯接口。计算机装置包括主机(内置模型算法和存储硬盘)、通信接口、显示器和键盘。通讯装置包括通信模块和信号线，其中信号线与现场控制站相连。

进一步，所述的基于改进量子粒子群优化的电厂锅炉nox预测模型装置，其所述的现场数据采集装置为下一步建立nox排放浓度预测模型作准备。由于机组运行条件变化时，如煤种更换、机组agc负荷指令频繁波动、燃烧条件(如配风方式、过量空气系数等)的变化，都会使烟气nox出现较大扰动。通过对燃煤机组锅炉燃烧和nox生成机理分析，确定nox排放浓度预测模型的输入变量。

所述的基于改进量子粒子群优化的电厂锅炉nox预测模型装置，其所述的计算机装置实现模型算法运算。为了提高极限学习机(elm)建模精度，提出结合余弦递减函数的一种余弦递减量子粒子群优化算法(cosqpso)，并利用利用余弦递减量子粒子群优化算法优化elm模型输入层权值和隐含层偏置值，建立了有效的nox排放预测模型。其中，余弦递减量子粒子群优化算法具体描述如下：

(a)初始化算法参数，确定搜索空间寻优范围，确定目标优化问题的维数，设定种群数目、最大迭代次数与初始粒子位置x；

(b)将种群中粒子初始位置代入到目标优化问题的函数中，计算出初始粒子个体最优值pbest与种群全局最优值gbest；

其中，l是一个随机产生的序列,l的大小为种群数量，d为服从均匀分布的随机数，ave_best为单一搜索粒子最优值的平均数，b为从1至0.5线性递减的放缩系数。

(c)与量子粒子群算法相同，根据以下公式计算出种群平均最好位置ave_best和每个粒子介于pbest和gbest之间的随机位置p；

其中，为在[0,1]上均匀分布的随机数；pid(t)为第i个粒子迭代t次时的个体最优值；pgd(t)为第t次迭代时的全局最优值；p(t)为介于个体最优值pid(t)与全局最优值pgd(t)之间的一个随机值；β为收缩-扩张系数。

(d)与量子粒子群算法不同，改进的量子粒子群算法的收缩-扩张系数β由改进的方案计算，即

β＝1-cos((1-t/t)π/2)

(e)将新的β计算方法代入以下公式中，根据粒子更新公式对种群中的所有粒子进行更新

其中，u为在[0,1]上均匀分布的随机数；

(f)计算每个粒子新的适应度，并根据最优原则对原有pbest与gbest进行替换或者保留；

(g)判断迭代是否达到最大次数或者优化后的目标值是否达到目标精度，若是则算法终止迭代，否则返回步骤(c)继续进行迭代。

由于elm模型参数是随机生成的，这在一定程度上影响了elm模型的预测精度，因此，利用所提出的deqpso算法优化模型的权值和阈值，使网络结构达到最优。

通过机理分析和实际情况分别选择了锅炉负荷(wm)、总风量(t·h-1)、磨煤机a给煤量(t·h-1)、磨煤机b给煤量(t·h-1)、磨煤机c给煤量(t·h-1)、磨煤机d给煤量(t·h-1)、磨煤机e给煤量(t·h-1)、磨煤机f给煤量(t·h-1)、两侧二次风量(t·h-1)、两个燃尽风挡板开度(％)、六个磨煤机一次风风量(t·h-1)、六个二次挡板开度(％)作为模型的输入变量。

本发明利用改进的量子粒子群算法优化极限学习机所建模型，以解决目前锅炉烟气nox预测精度不足的状况。针对火电厂锅炉nox排放模型建立困难和量子粒子群算法在搜索后期存在搜索精度不足的问题，本发明结合余弦递减函数提出一种余弦递减量子粒子群优化算法(coqpso)。利用余弦递减量子粒子群优化算法优化elm模型相关参数，建立了精确的nox排放预测模型。

本发明的有益效果是：通过基于改进的余弦递减量子粒子群优化算法优化的elm模型能够有效地对nox排放进行预测，且预测精度较高，为火电厂提供了一种可行的燃煤锅炉nox排放预测方法。

附图说明

图1为本实施例中的基于改进量子粒子群优化的电厂锅炉nox预测模型装置的结构示意图，其中：1、测量元件，2、dcs数据采集站，3、通讯接口，4、主机(内置模型算法和存储硬盘)，5、通信接口，6、显示器，7、键盘，8、通信模块，9、信号线，10、现场控制站。

图2为本实施例中的基于改进量子粒子群优化的电厂锅炉nox预测模型装置中计算机装置的算法步骤流程图。

图3为本实施例中改进量子粒子群算法优化极限学习机模型流程图；

具体实施方式

下面结合附图对本发明的实施方式进行详细描述。本发明的基于改进量子粒子群优化的电厂锅炉nox预测模型装置，具体包括：

(1)现场数据采集装置，通过采集dcs系统中历史数据库中相关数据，为下一步建立锅炉nox排放浓度预测模型作准备。由于机组运行条件变化时，如煤种更换、机组agc负荷指令频繁波动、燃烧条件(如配风方式、过量空气系数等)的变化，都会使烟气nox出现较大扰动。另外，锅炉nox排放浓度与给煤量、一次风量、二次风量、二次风门挡板开度等因素有关。最后确定nox排放浓度预测模型的输入变量分别为：锅炉负荷(wm)、总风量(t·h-1)、磨煤机a给煤量(t·h-1)、磨煤机b给煤量(t·h-1)、磨煤机c给煤量(t·h-1)、磨煤机d给煤量(t·h-1)、磨煤机e给煤量(t·h-1)、磨煤机f给煤量(t·h-1)、两侧二次风量(t·h-1)、两个燃尽风挡板开度(％)、六个磨煤机一次风风量(t·h-1)、六个二次挡板开度(％)作为模型的输入变量，但不限于此，在实际应用中，本领域技术人员可以根据实际情况调整变量。

(2)计算机装置，实现模型算法运算。为了提高elm的建模精度，为了提高极限学习机(elm)建模精度，本发明结合余弦递减函数提出一种余弦递减量子粒子群优化算法(coqpso)。利用余弦递减量子粒子群优化算法优化elm模型相关参数，建立了精确的nox排放预测模型。

设定采样周期为30s，采集相关变量的运行数据，并进行预处理，包括：粗大值剔除和滤波。其中，基于改进的差分量子粒子群算法为

(a)初始化算法参数，确定搜索空间寻优范围，确定目标优化问题的维数，设定种群数目、最大迭代次数与初始粒子位置x；

(b)将种群中粒子初始位置代入到目标优化问题的函数中，计算出初始粒子个体最优值pbest与种群全局最优值gbest；

其中，l是一个随机产生的序列,l的大小为种群数量，d为服从均匀分布的随机数，ave_best为单一搜索粒子最优值的平均数，b为从1至0.5线性递减的放缩系数。

(c)与量子粒子群算法相同，根据以下公式计算出种群平均最好位置ave_best和每个粒子介于pbest和gbest之间的随机位置p；

其中，为在[0,1]上均匀分布的随机数；pid(t)为第i个粒子迭代t次时的个体最优值；pgd(t)为第t次迭代时的全局最优值；p(t)为介于个体最优值pid(t)与全局最优值pgd(t)之间的一个随机值；β为收缩-扩张系数。

(d)与量子粒子群算法不同，改进的量子粒子群算法的收缩-扩张系数β由改进的方案计算，即

β＝1-cos((1-t/t)π/2)

(e)将新的β计算方法代入以下公式中，根据粒子更新公式对种群中的所有粒子进行更新

其中，u为在[0,1]上均匀分布的随机数；

(f)计算每个粒子新的适应度，并根据最优原则对原有pbest与gbest进行替换或者保留；

(g)判断迭代是否达到最大次数或者优化后的目标值是否达到目标精度，若是则算法终止迭代，否则返回步骤(c)继续进行迭代。

第三步，设置极限学习机权值的寻优范围确定极限学习机模型隐含层节点个数，优化过程的目标函数为

式中，yi表示为实际值，代表预测值。

通过计算机装置的建模计算，得到一个精度较高的nox排放预测模型，可以在此模型的基础之上调节相关变量，控制和减少nox排放。

图1为本实施例中的基于改进量子粒子群优化的电厂锅炉nox预测模型装置的结构示意图；图2为本实施例中的基于改进量子粒子群优化的电厂锅炉nox预测模型装置中计算机装置的算法步骤流程图；图3为本实施例中改进量子粒子群算法优化极限学习机模型流程图；

以上所述仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员凡在本发明公开的范围内，所作的相似变化或等同替换，都应涵盖在本发明的保护范围内。