CN104613468B - 基于模糊自适应推理的循环流化床锅炉燃烧优化控制方法 - Google Patents

Abstract

本发明公开了属于循环流化床燃烧技术领域的一种基于模糊自适应推理的循环流化床锅炉燃烧优化控制方法，其循环流化床锅炉燃烧优化控制系统包括：数据通讯子系统、模型预测子系统、性能优化子系统；其中，数据通讯子系统与DCS系统的OPC服务器通讯软件交互数据，模型预测子系统连接数据通讯子系统，性能优化子系统分别连接模型预测子系统和数据通讯子系统；通过模糊自适应推理算法建立锅炉效率、SO₂和NOx排放模型，选用具有最优保留策略的果蝇算法，对循环流化床锅炉运行工况进行寻优，为电站DCS基础控制层提供各操作变量的最佳设定值，实现循环流化床锅炉高效、低污染排放运行。

Description

基于模糊自适应推理的循环流化床锅炉燃烧优化控制方法

技术领域

本发明属于循环流化床燃烧技术领域，尤其是涉及一种基于模糊自适应推理的循环流化床锅炉燃烧优化控制方法。

背景技术

我国作为世界上最大的发展中国家，目前的能源生产量居世界第3位，基本能源消费居第2位。但由于我国富煤缺油少气，形成了以煤为主导的结构，其中50％～60％的煤用来发电，因而也成为燃煤污染物的主要来源。因此，发展洁净煤发电技术，提高发电效率，降低污染排放，成为我国能源战略的重要方面。循环流化床燃烧技术由于具有炉内直接脱硫和可燃用劣质煤种、燃料适应性广的独特优势以及经济、环保等特点正成为国内外发展洁净煤燃烧技术的重点。

循环流化床燃烧技术虽然在节能、环保方面有着普通粉煤炉不可比拟的优势，但循环流化床燃烧也会伴随着大量的SO₂和NO_x的产生，以SO₂和NO_x为主的污染物对环境造成了极大的危害。因此，降低以SO₂和NO_x为主的污染物的排放也成为了循环流化床锅炉领域的研究重点。

近年来，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。锅炉是电厂3大核心设备之一，对于大型火力发电机组，锅炉效率每提高1％，整套机组的效率可以提高0.3～0.4个百分点，供电煤耗可以降低0.7％～1％。因此，提高锅炉效率是大型火力发电机组增强竞争力的关键所在，而锅炉燃烧优化控制以高效、低污染排放为目标，是一种简单、快捷、有效的节能减排措施。

本发明利用模糊自适应推理方法构建了锅炉效率、SO₂和NO_x排放浓度的预测模型，进而优化得到各操作变量的最佳设定值，实现了循环流化床锅炉的优化控制，对节能减排具有重要意义。

发明内容

本发明的目的在于提出一种基于模糊自适应推理的循环流化床锅炉燃烧优化控制方法，其循环流化床锅炉燃烧优化控制系统包括：数据通讯子系统、模型预测子系统、性能优化子系统；其中，数据通讯子系统与DCS系统的OPC服务器通讯软件交互数据，模型预测子系统连接数据通讯子系统，性能优化子系统分别连接模型预测子系统和数据通讯子系统；其特征在于，包括如下步骤：

1)数据通讯子系统以OPC客户端通讯软件通过RS485通讯协议与DCS系统的OPC服务器通讯软件交互数据；

2)模型预测子系统分别使用模糊自适应推理算法利用历史运行数据建立锅炉效率η_Boiler、SO₂和NO_x排放预测模型；

3)性能优化子系统使用最优保留策略的果蝇算法对模型预测子系统的预测值进行优化，得到各操作变量的最佳设定值；

4)优化子系统得到的各操作变量P_A，V_rA，V_rB，SE_A，SE_B，SE_C，SE_D的最佳设定值通过数据通讯子系统发送到OPC服务器通讯软件，DCS系统将指令发给现场设备。

所述数据通讯子系统以OPC客户端通讯软件通过RS485通讯协议与DCS系统的OPC服务器通讯软件交互数据；其中，输入数据包括：机组负荷Load，燃料热值Q，燃料挥发分V_ar，一次风压P_A，一次风左挡板开度V_rA，一次风左挡板开度V_rB，上二次风左挡板开度SE_A，上二次风右挡板开度SE_B，下二次风左挡板开度SE_C，下二次风右挡板开度SE_D，烟气含氧量ρ(O₂)，飞灰含碳量C_fh， 排烟温度t_py，主蒸汽流量G_gq，蒸汽热焓H_gq，给水热焓H_gs，炉膛总风量V，二氧化硫排放量ρ(SO₂)，氮氧化合物排放量ρ(NO_x)；输出数据包括：优化后的DCS操作量P_A，V_rA，V_rB，SE_A，SE_B，SE_C，SE_D；数据通讯子系统数据采集过程中，对采集到的异常数据，采用罗曼诺夫斯基准则进行剔除，具体步骤如下：

步骤1：设有n个数据，依次确定可疑数据X_j,j∈[1,n]；

步骤2：然后计算删除可疑数值之后的数列平均值以及标准差 $\mathrm{\σ}=\sqrt{\frac{1}{n}\underset{i=1,i\≠j}{\overset{n}{\mathrm{\Σ}}}{(X_i-\stackrel{\‾}{X})}^2};$

步骤3：计算可疑数据的残差：

步骤4：根据判别式|ε_j|>Kσ来判定此可疑数值是否存在粗大误差，如果存在，则进行剔除，其中K为检验系数；

步骤5：为保证数据的连续性，利用差分方程计算结果对X_j进行替换，具体算式为 $X_j^1=X_{j-1}+(X_{j-1}-X_{j-2}),$ 为i位置上新的数值。

所述模型预测子系统分别使用模糊自适应推理算法利用历史运行数据建立锅炉效率η_Boiler、SO₂和NO_x排放预测模型；首先，利用ρ(O₂)、G_gq、H_gq、H_gs、V等实际历史运行数据使用 $N_{o_2}=\frac{V(21-\mathrm{\ρ}\left(O_2\right))}{V_m}$ 和 ${\mathrm{\η}}_{\mathrm{Boiler}}=\frac{\left[G_{\mathrm{gq}}(H_{\mathrm{gq}}-H_{\mathrm{gs}})\right]}{N_{O_2}{H}_{O_2}}$ 计算锅炉效率η_Boiler，其中，为燃烧反应过程中消耗的氧气的摩尔量，mol；，V_m为氧气的体积摩尔数，m³/mol；为反应生成热，此处取值360kJ/mol。其次，通过数据通讯子系统获得2000组数据样本，其中，输入数据样本为：Load，Q，V_ar，P_A，V_rA，V_rB，SE_A，SE_B，SE_C，SE_D，ρ(O₂)，C_fh，t_py，输出数据样本为：η_Boiler，ρ(SO₂)，ρ(NO_x)；然后，分别使用模糊自适应推理算法A、B和C得到锅炉效率η_Boiler、SO₂和NO_x排放预测子模型；具体包括以下步骤：

步骤1：设定期望误差和最大叶节点数H；确定模糊宽度α>0；初始化根节 点，令其隶属度函数N₁(x)≡1，深度d＝0；

步骤2：根节点上的线性参数θ₁使用式(1)进行求解:

$\left\{\begin{array}{c}{\mathrm{\θ}}_T^{j+1}={\mathrm{\θ}}_T^j+R^{j+1}(Q^{j+1}-{\left({\tilde{p}}^{j+1}\right)}^T{\mathrm{\θ}}_T^j)\\ R^{j+1}=\frac{G_j{\tilde{p}}^j}{1+{\left({\tilde{P}}^j\right)}^T{G}_j{\tilde{P}}^j}\\ G_{j+1}=G_j-G_j-{\tilde{P}}^{j+1}{\left({\tilde{P}}^{j+1}\right)}^T{G}_j{(1+{\left({\tilde{P}}^{j+1}\right)}^T{G}_j{\tilde{P}}^{j+1})}^{-1}\end{array}\right.---\left(1\right)$

式(1)中，为指模糊规则里面的线性参数；G_j为中间变量矩阵，且G₀＝βI，β为一个大于10⁶的正数，I是单位矩阵；j为时间间隔；T为矩阵或向量转置； ${\tilde{P}}^j={[\frac{N_{t1}\left(x^j\right)}{\underset{t\∈T}{\mathrm{\Σ}}{N}_t\left(x^j\right)}{\hat{x}}^j,\frac{N_{t2}\left(x^j\right)}{\underset{t\∈T}{\mathrm{\Σ}}{N}_t\left(x^j\right)}{\hat{x}}^j,...,\frac{N_{\mathrm{th}}\left(x^j\right)}{\underset{t\∈T}{\mathrm{\Σ}}{N}_t\left(x^j\right)}{\hat{x}}^j]}^T,$ N_t是模糊子空间上的模糊集合，对应的隶属度函数记为N_t(x)；Q^j为输出值；

步骤3：依次处理当前深度d上的每一个节点：划分该节点，计算划分后新产生的左右子节点上的隶属度函数，根据式(1)计算划分后所有叶节点上的线性参数；

步骤31：根据式(2)，计算所有输入样本对应的模型输出

$\hat{Q}\left(x\right)=\underset{t\∈T}{\mathrm{\Σ}}\frac{N_t\left(x\right)}{\underset{t\∈T}{\mathrm{\Σ}}{N}_t\left(x\right)}{\left({\mathrm{\θ}}_t\right)}^T\hat{x}---\left(2\right)$

式(2)中，N_t(x)是隶属度函数，θ_t是线性参数；

步骤32：根据式(3)计算均方根误差RMSE：

$\mathrm{RMSE}=\sqrt{\frac{\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{({\hat{Q}}^j-Q^j)}^2}{M}}---\left(3\right)$

其中，M是样本数量，如果划分后模型输出的均方根误差小于划分前模型输出的均方根误差，那么保存此次划分，否则此次划分无效，处理当前层的下一个节点；

步骤4：当前层处理完毕后，如果模型输出的均方根误差小于期望误差或者 叶节点数超过了H，得到η_Boiler＝[η₁,η₂,...,η_N]^T，ρ(SO₂)＝[ρS₁,ρS₂,...,ρS_N]^T，ρ(NO_x)＝[ρN₁,ρN₂,...,ρN_N]^T，则算法结束；否则，令d＝d+1，返回步骤4，继续算法。

所述性能优化子系统使用最优保留策略的果蝇算法对模型预测子系统的预测值进行优化，得到各操作变量的最佳设定值，优化过程主要包括优化策略、约束条件、优化结果三个方面，具体包括以下步骤：

步骤1：对优化过程进行优化策略构建，提出3种优化方式：1)SO₂和NO_x满足排放标准条件，锅炉效率寻求最高；2)锅炉效率和SO₂排放满足约束条件，NO_x排放量寻优最低；3)锅炉效率和NO_x排放满足约束条件，SO₂排放量寻求最低；多目标寻优引入罚函数实现，三种优化方式依次对应如下各函数：

$\min F_1\left(X\right):-{\mathrm{\η}}_B+{\mathrm{\μ}}_1{\left[\max (0,{\mathrm{\ρ}}_{{\mathrm{NO}}_x}-{\mathrm{\ρ}}_{{\mathrm{NO}}_x}^c)\right]}^2+{\mathrm{\μ}}_2{\left[\max (0,{\mathrm{\ρ}}_{{\mathrm{SO}}_2}-{\mathrm{\ρ}}_{{\mathrm{SO}}_2}^c)\right]}^2$

$\min F_2\left(X\right):{\mathrm{\ρ}}_{{\mathrm{NO}}_x}+{\mathrm{\μ}}_1{\left[\max (0,{\mathrm{\η}}_B^c-{\mathrm{\η}}_B)\right]}^2+{\mathrm{\μ}}_2{\left[\max (0,{\mathrm{\ρ}}_{{\mathrm{SO}}_2}-{\mathrm{\ρ}}_{{\mathrm{SO}}_2}^c)\right]}^2$

$\min F_3\left(X\right):{\mathrm{\ρ}}_{{\mathrm{SO}}_2}+{\mathrm{\μ}}_1{\left[\max (0,{\mathrm{\η}}_B^c-{\mathrm{\η}}_B)\right]}^2+{\mathrm{\μ}}_2{\left[\max (0,{\mathrm{\ρ}}_{{\mathrm{NO}}_x}-{\mathrm{\ρ}}_{{\mathrm{NO}}_x}^c)\right]}^2$

式中，为NO_x排放浓度上限，取新标准100mg/m³；为SO₂排放浓度上限，200mg/m³；为允许的最低锅炉效率，90％；μ₁、μ₂为足够大的正数；

步骤2：对优化过程可调参数变量的上下限进行约束，如表1所示：

表1

变量	pA/kPa	VrA/％	VrB/％	SEA/％	SEB/％	SEC/％	SED/％	ρ(O2)/％
									下限	3.5	20	30	40	30	20	25	0.5
上限	4.5	70	80	80	70	75	70	3.5

步骤3：采用最优保留策略的果蝇算法实现优化目标，步骤如下：

步骤31：初始化n个果蝇群体，分别代表步骤2中的n个可调参数变量，随机设置各果蝇群体的位置为[X_i,Y_i]，迭代次数为100，搜寻食物的随机方向和距离为区间[-1,1]；

步骤32：计算n个种群的果蝇个体到原点的距离和味道浓度判定值S_i＝1/D_i，S_i即为各可调参数变量值；

步骤33：性能优化子系统优化步骤1中的寻优策略函数值即为适应度函数，也就是味道浓度函数，将步骤32中的各S_i经过自适应模糊推理模型得到NO_x浓度ρ(NO_x)、SO₂浓度ρ(SO₂)和锅炉效率η_Boiler，代入优化步骤1中的寻优策略函数，求得该果蝇个体位置的味道浓度值，并保留该果蝇位置、ρ(NO_x)、ρ(SO₂)和η_Boiler及味道浓度值；

步骤34：通过迭代寻优，保留味道浓度最低值，以及此时的各种群果蝇最优位置和NO_x浓度、SO₂浓度、锅炉效率，并利用果蝇的最优位置算出各可调参数的取值；

步骤4：得出优化结果。

本发明的有益效果是，对效率最低的工况，使SO₂和NO_x满足排放标准条件的效率优化后，锅炉效率提高了约3.671％，NO_x排放相对优化前也有所降低；对NO_x排放最高的工况，使锅炉效率和SO₂排放满足标准条件的NO_x排放优化，NO_x排放降低了52.67mg/m3；对SO₂排放最高的工况，使锅炉效率和NO_x排放满足标准条件的SO₂排放优化，SO₂排放降低了50.55mg/m3；达到了环保法规的要求。

附图说明

图1为基于模糊自适应推理的循环流化床锅炉燃烧优化控制系统的结构框图；

图2为基于模糊自适应推理算法的锅炉效率、SO₂和NO_x排放的模型结构图；

图3为基于循环流化床锅炉燃烧优化控制系统的模糊自适应推理算法流程图；

图4为采用最优保留策略的果蝇算法的算法流程图。

具体实施方式

本发明提出一种基于模糊自适应推理的循环流化床锅炉燃烧优化控制方法，下面结合附图和具体实施例对本发明作详细说明。

图1所示为基于模糊自适应推理的循环流化床锅炉燃烧优化控制系统的结构框图，所述优化控制系统包括：数据通讯子系统、模型预测子系统、性能优化子系统；其中，数据通讯子系统与DCS系统的OPC服务器通讯软件交互数据，模型预测子系统连接数据通讯子系统，性能优化子系统分别连接模型预测子系统和数据通讯子系统。

基于模糊自适应推理的循环流化床锅炉燃烧优化控制系统的数据通讯子系统以OPC客户端通讯软件通过RS485通讯协议与DCS系统的OPC服务器通讯软件交互数据；其中，输入数据包括：机组负荷Load，燃料热值Q，燃料挥发分V_ar，一次风压P_A，一次风左挡板开度V_rA，一次风左挡板开度V_rB，上二次风左挡板开度SE_A，上二次风右挡板开度SE_B，下二次风左挡板开度SE_C，下二次风右挡板开度SE_D，烟气含氧量ρ(O₂)，飞灰含碳量C_fh，排烟温度t_py，主蒸汽流量G_gq，蒸汽热焓H_gq，给水热焓H_gs，炉膛总风量V，二氧化硫排放量ρ(SO₂)，氮氧化合物排放量ρ(NO_x)；输出数据包括：优化后的DCS操作量P_A，V_rA，V_rB，SE_A，SE_B，SE_C，SE_D。

数据采集过程中，通过罗曼诺夫斯基准则对采集到的异常数据进行剔除，具体步骤如下：

步骤1：设有n个数据，依次确定可疑数据X_j j∈[1,n]；

步骤2：然后计算删除可疑数值之后的数列平均值以及标准差 $\mathrm{\σ}=\sqrt{\frac{1}{n}\underset{i=1,i\≠j}{\overset{n}{\mathrm{\Σ}}}{(X_i-\stackrel{\‾}{X})}^2};$

步骤3：计算可疑数据的残差：

步骤4：根据判别式|ε_j|>Kσ来判定此可疑数值是否存在粗大误差，如果存在，则进行剔除，其中K为检验系数；

步骤5：为保证数据的连续性，利用差分方程计算结果对X_j进行替换，具体算式为 $X_j^1=X_{j-1}+(X_{j-1}-X_{j-2}),$ 为i位置上新的数值。

图2所示为基于模糊自适应推理算法的锅炉效率、SO₂和NO_x排放的模型结构图。模型预测子系统使用模糊自适应推理算法A、B和C，利用已采集数据，建立锅炉效率η_Boiler、SO₂和NO_x排放软测量模型。利用ρ(O₂)、G_gq、H_gq、H_gs、V等实际历史运行数据使用和计算锅炉效率η_Boiler，其中，G_gq为主蒸汽流量，kg；H_gq为蒸汽热焓，kJ/kg；H_gs为给水热焓，kJ/kg；V为炉膛总风量，m³；为燃烧反应过程中消耗的氧气的摩尔量，mol；，V_m为氧气的体积摩尔数，m³/mol；为反应生成热，此处取值360kJ/mol。利用所述软测量模型，通过Load，Q，V_ar，P_A，V_rA，V_rB，SE_A，SE_B，SE_C，SE_D，ρ(O₂)等变量预测锅炉效率、SO₂和NO_x排放浓度。

图3所示为基于循环流化床锅炉燃烧优化控制系统的模糊自适应推理算法流程图；首先，利用ρ(O₂)、G_gq、H_gq、H_gs、V等实际历史运行数据使用 $N_{o_2}=\frac{V(21-\mathrm{\ρ}\left(O_2\right))}{V_m}$ 和 ${\mathrm{\η}}_{\mathrm{Boiler}}=\frac{\left[G_{\mathrm{gq}}(H_{\mathrm{gq}}-H_{\mathrm{gs}})\right]}{N_{O_2}{H}_{O_2}}$ 计算锅炉效率η_Boiler；其次，通过数据通讯子系统获得2000组数据样本，其中，输入数据样本为：Load，Q，V_ar，P_A，V_rA，V_rB，SE_A，SE_B，SE_C，SE_D，ρ(O₂)，C_fh，t_py，输出数据样本为：η_Boiler，ρ(SO₂)，ρ(NO_x)；分别使用模糊自适应推理算法A、B和C得到锅炉效率η_Boiler、SO₂和NO_x排放预测子模型；具体包括以下步骤：

步骤1：设定期望误差和最大叶节点数H；确定模糊宽度α>0；初始化根节点，令其隶属度函数N₁(x)≡1，深度d＝0；

步骤2：根节点上的线性参数θ₁使用式(1)进行求解:

$\left\{\begin{array}{c}{\mathrm{\θ}}_T^{j+1}={\mathrm{\θ}}_T^j+R^{j+1}(Q^{j+1}-{\left({\tilde{p}}^{j+1}\right)}^T{\mathrm{\θ}}_T^j)\\ R^{j+1}=\frac{G_j{\tilde{p}}^j}{1+{\left({\tilde{P}}^j\right)}^T{G}_j{\tilde{P}}^j}\\ G_{j+1}=G_j-G_j-{\tilde{P}}^{j+1}{\left({\tilde{P}}^{j+1}\right)}^T{G}_j{(1+{\left({\tilde{P}}^{j+1}\right)}^T{G}_j{\tilde{P}}^{j+1})}^{-1}\end{array}\right.---\left(1\right)$

式(1)中，为指模糊规则里面的线性参数；G_j为中间变量矩阵，且G₀＝βI，β为一个大于10⁶的正数，I是单位矩阵；j为时间间隔；T为矩阵或向量转置； ${\tilde{P}}^j={[\frac{N_{t1}\left(x^j\right)}{\underset{t\∈T}{\mathrm{\Σ}}{N}_t\left(x^j\right)}{\hat{x}}^j,\frac{N_{t2}\left(x^j\right)}{\underset{t\∈T}{\mathrm{\Σ}}{N}_t\left(x^j\right)}{\hat{x}}^j,...,\frac{N_{\mathrm{th}}\left(x^j\right)}{\underset{t\∈T}{\mathrm{\Σ}}{N}_t\left(x^j\right)}{\hat{x}}^j]}^T,$ N_t是模糊子空间上的模糊集合，对应的隶属度函数记为N_t(x)；Q^j为输出值；

步骤3：依次处理当前深度d上的每一个节点：划分该节点，计算划分后新产生的左右子节点上的隶属度函数，根据式(1)计算划分后所有叶节点上的线性参数；

步骤31：根据式(2)，计算所有输入样本对应的模型输出

$\hat{Q}\left(x\right)=\underset{t\∈T}{\mathrm{\Σ}}\frac{N_t\left(x\right)}{\underset{t\∈T}{\mathrm{\Σ}}{N}_t\left(x\right)}{\left({\mathrm{\θ}}_t\right)}^T\hat{x}---\left(2\right)$

式(2)中，N_t(x)是隶属度函数，θ_t是线性参数；

步骤32：根据式(3)计算均方根误差RMSE：

$\mathrm{RMSE}=\sqrt{\frac{\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{({\hat{Q}}^j-Q^j)}^2}{M}}---\left(3\right)$

其中，M是样本数量，如果划分后模型输出的均方根误差小于划分前模型输出的均方根误差，那么保存此次划分，否则此次划分无效，处理当前层的下一个节点；

步骤4：当前层处理完毕后，如果模型输出的均方根误差小于期望误差或者 叶节点数超过了H，得到η_Boiler＝[η₁,η₂,...,η_N]^T，ρ(SO₂)＝[ρS₁,ρS₂,...,ρS_N]^T，ρ(NO_x)＝[ρN₁,ρN₂,...,ρN_N]^T，则算法结束；否则，令d＝d+1，返回步骤4，继续算法。

所述性能优化子系统使用最优保留策略的果蝇算法对模型预测子系统的预测值进行优化，得到各操作变量的最佳设定值，优化过程主要包括优化策略、约束条件、优化结果三个方面，具体包括以下步骤：

步骤1：对优化过程进行优化策略构建，提出3种优化方式：1)SO₂和NO_x满足排放标准条件，锅炉效率寻求最高；2)锅炉效率和SO₂排放满足约束条件，NO_x排放量寻优最低；3)锅炉效率和NO_x排放满足约束条件，SO₂排放量寻求最低；多目标寻优引入罚函数实现，三种优化方式依次对应如下各函数：

$\min F_1\left(X\right):-{\mathrm{\η}}_B+{\mathrm{\μ}}_1{\left[\max (0,{\mathrm{\ρ}}_{{\mathrm{NO}}_x}-{\mathrm{\ρ}}_{{\mathrm{NO}}_x}^c)\right]}^2+{\mathrm{\μ}}_2{\left[\max (0,{\mathrm{\ρ}}_{{\mathrm{SO}}_2}-{\mathrm{\ρ}}_{{\mathrm{SO}}_2}^c)\right]}^2$

$\min F_2\left(X\right):{\mathrm{\ρ}}_{{\mathrm{NO}}_x}+{\mathrm{\μ}}_1{\left[\max (0,{\mathrm{\η}}_B^c-{\mathrm{\η}}_B)\right]}^2+{\mathrm{\μ}}_2{\left[\max (0,{\mathrm{\ρ}}_{{\mathrm{SO}}_2}-{\mathrm{\ρ}}_{{\mathrm{SO}}_2}^c)\right]}^2$

$\min F_3\left(X\right):{\mathrm{\ρ}}_{{\mathrm{SO}}_2}+{\mathrm{\μ}}_1{\left[\max (0,{\mathrm{\η}}_B^c-{\mathrm{\η}}_B)\right]}^2+{\mathrm{\μ}}_2{\left[\max (0,{\mathrm{\ρ}}_{{\mathrm{NO}}_x}-{\mathrm{\ρ}}_{{\mathrm{NO}}_x}^c)\right]}^2$

式中，为NO_x排放浓度上限，取新标准100mg/m³；为SO₂排放浓度上限，200mg/m³；为允许的最低锅炉效率，90％；μ₁、μ₂为足够大的正数；

步骤2：对优化过程可调参数变量的上下限进行约束，如表1所示

表1

变量	pA/kPa	VrA/％	VrB/％	SEA/％	SEB/％	SEC/％	SED/％	ρ(O2)/％
									下限	3.5	20	30	40	30	20	25	0.5
上限	4.5	70	80	80	70	75	70	3.5

步骤3：采用最优保留策略的果蝇算法实现优化目标，如图4所示，具体步骤如下：

步骤31：初始化n个果蝇群体，分别代表步骤2中的n个可调参数变量， 随机设置各果蝇群体的位置为[X_i,Y_i]，迭代次数为100，搜寻食物的随机方向和距离为区间[-1,1]；

步骤32：计算n个种群的果蝇个体到原点的距离和味道浓度判定值S_i＝1/D_i，S_i即为各可调参数变量值；

步骤33：性能优化子系统优化步骤1中的寻优策略函数值即为适应度函数，也就是味道浓度函数，将步骤32中的各S_i经过自适应模糊推理模型得到NO_x浓度ρ(NO_x)、SO₂浓度ρ(SO₂)和锅炉效率η_Boiler，代入步骤1中的寻优策略函数，求得该果蝇个体位置的味道浓度值，并保留该果蝇位置、ρ(NO_x)、ρ(SO₂)和η_Boiler及味道浓度值；

步骤34：通过迭代寻优，保留味道浓度最低值，以及此时的各种群果蝇最优位置和NO_x浓度、SO₂浓度、锅炉效率，并利用果蝇的最优位置算出各可调参数的取值；

步骤4：得出优化结果，如下表所示：

通过优化子系统得到的各操作变量P_A，V_rA，V_rB，SE_A，SE_B，SE_C，SE_D的最佳设定值，通过数据通讯子系统发送到OPC服务器通讯软件，从而DCS系统将指令发给现场设备，实现循环流化床锅炉高效、低污染排放运行。

以上所述，仅为本发明较佳的具体实施方式，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在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (3)

1.一种基于模糊自适应推理的循环流化床锅炉燃烧优化控制方法，其循环流化床锅炉燃烧优化控制系统包括：数据通讯子系统、模型预测子系统、性能优化子系统；其中，数据通讯子系统与DCS系统的OPC服务器通讯软件交互数据，模型预测子系统连接数据通讯子系统，性能优化子系统分别连接模型预测子系统和数据通讯子系统；其特征在于，包括如下步骤：

1)数据通讯子系统以OPC客户端通讯软件通过RS485通讯协议与DCS系统的OPC服务器通讯软件交互数据；

2)模型预测子系统分别使用模糊自适应推理算法利用历史运行数据建立锅炉效率η_Boiler、SO₂和NO_x排放预测模型；

3)性能优化子系统使用最优保留策略的果蝇算法对模型预测子系统的预测值进行优化，得到各操作变量的最佳设定值；

4)优化子系统得到的各操作变量P_A，V_rA，V_rB，SE_A，SE_B，SE_C，SE_D的最佳设定值通过数据通讯子系统发送到OPC服务器通讯软件，DCS系统将指令发给现场设备；

所述数据通讯子系统以OPC客户端通讯软件通过RS485通讯协议与DCS系统的OPC服务器通讯软件交互数据；其中，输入数据包括：机组负荷Load，燃料热值Q，燃料挥发分V_ar，一次风压P_A，一次风左挡板开度V_rA，一次风左挡板开度V_rB，上二次风左挡板开度SE_A，上二次风右挡板开度SE_B，下二次风左挡板开度SE_C，下二次风右挡板开度SE_D，烟气含氧量ρ(O₂)，飞灰含碳量C_fh，排烟温度t_py，主蒸汽流量G_gq，蒸汽热焓H_gq，给水热焓H_gs，炉膛总风量V，二氧化硫排放量ρ(SO₂)，氮氧化合物排放量ρ(NO_x)；输出数据包括：优化后的DCS操作量P_A，V_rA，V_rB，SE_A，SE_B，SE_C，SE_D；数据通讯子系统数据采集过程中，对采集到的异常数据，采用罗曼诺夫斯基准则进行剔除，具体步骤如下：

步骤1：设有n个数据，依次确定可疑数据X_j,j∈[1,n]；

步骤2：然后计算删除可疑数值之后的数列平均值以及标准差

步骤3：计算可疑数据的残差：

步骤4：根据判别式|ε_j|>Kσ来判定此可疑数值是否存在粗大误差，如果存在，则进行剔除，其中K为检验系数；

步骤5：为保证数据的连续性，利用差分方程计算结果对X_j进行替换，具体算式为 为i位置上新的数值。

2.根据权利要求1所述的方法，其特征在于，所述模型预测子系统分别使用模糊自适应推理算法利用历史运行数据建立锅炉效率η_Boiler、SO₂和NO_x排放预测模型；首先，利用ρ(O₂)、G_gq、H_gq、H_gs、V这些实际历史运行数据使用和计算锅炉效率η_Boiler，其中，G_gq为主蒸汽流量，kg；H_gq为蒸汽热焓，kJ/kg；H_gs为给水热焓，kJ/kg；V为炉膛总风量，m³；为燃烧反应过程中消耗的氧气的摩尔量，mol；，V_m为氧气的体积摩尔数，m³/mol；为反应生成热，此处取值360kJ/mol；其次，通过数据通讯子系统获得2000组数据样本，其中，输入数据样本为：Load，Q，V_ar，P_A，V_rA，V_rB，SE_A，SE_B，SE_C，SE_D，ρ(O₂)，C_fh，t_py，输出数据样本为：η_Boiler，ρ(SO₂)，ρ(NO_x)；然后，分别使用模糊自适应推理算法A、B和C得到锅炉效率η_Boiler、SO₂和NO_x排放预测子模型；具体包括以下步骤：

步骤1：设定期望误差和最大叶节点数H；确定模糊宽度α>0；初始化根节点，令其隶属度函数N₁(x)≡1，深度d＝0；

步骤2：根节点上的线性参数θ₁使用式(1)进行求解:

$\left\{\begin{array}{c}{\mathrm{\θ}}_T^{j+1}={\mathrm{\θ}}_T^j+R^{j+1}(Q^{j+1}-{\left({\tilde{P}}^{j+1}\right)}^T{\mathrm{\θ}}_T^j)\\ R^{j+1}=\frac{G_j{\tilde{P}}^j}{1+{\left({\tilde{P}}^j\right)}^T{G}_j{\tilde{P}}^j}\\ G_{j+1}=G_j-G_j{\tilde{P}}^{j+1}{\left({\tilde{P}}^{j+1}\right)}^T{G}_j{(1+{\left({\tilde{P}}^{j+1}\right)}^T{G}_j{\tilde{P}}^{j+1})}^{-1}\end{array}\right.---\left(1\right)$

式(1)中，为指模糊规则里面的线性参数；G_j为中间变量矩阵，且G₀＝βI，β为一个大于10⁶的正数，I是单位矩阵；j为时间间隔；T为矩阵或向量转置；N_t是模糊子空间上的模糊集合，对应的隶属度函数记为N_t(x)；Q^j为输出值；

步骤3：依次处理当前深度d上的每一个节点：划分该节点，计算划分后新产生的左右子节点上的隶属度函数，根据式(1)计算划分后所有叶节点上的线性参数；

步骤31：根据式(2)，计算所有输入样本对应的模型输出

$\hat{Q}\left(x\right)=\underset{t\∈T}{\Σ}\frac{N_t\left(x\right)}{\underset{t\∈T}{\Σ}{N}_t\left(x\right)}{\left({\mathrm{\θ}}_t\right)}^T\hat{x}---\left(2\right)$

式(2)中，N_t(x)是隶属度函数，θ_t是线性参数；

步骤32：根据式(3)计算均方根误差RMSE：

$RMSE=\sqrt{\frac{\underset{j=1}{\overset{M}{\Σ}}{({\hat{Q}}^j-Q^j)}^2}{M}}---\left(3\right)$

其中，M是样本数量，如果划分后模型输出的均方根误差小于划分前模型输出的均方根误差，那么保存此次划分，否则此次划分无效，处理当前层的下一个节点；

步骤4：当前层处理完毕后，如果模型输出的均方根误差小于期望误差或者叶节点数超过了H，得到η_Boiler＝[η₁,η₂,…,η_N]^T，ρ(SO₂)＝[ρS₁,ρS₂,…,ρS_N]^T，

ρ(NO_x)＝[ρN₁,ρN₂,…,ρN_N]^T，则算法结束；否则，令d＝d+1，返回步骤4，继续算法。

3.根据权利要求1所述的方法，其特征在于，所述性能优化子系统使用最优保留策略的果蝇算法对模型预测子系统的预测值进行优化，得到各操作变量的最佳设定值，优化过程主要包括优化策略、约束条件、优化结果三个方面，具体包括以下步骤：

步骤1：对优化过程进行优化策略构建，提出3种优化方式：1)SO₂和NO_x满足排放标准条件，锅炉效率寻求最高；2)锅炉效率和SO₂排放满足约束条件，NO_x排放量寻优最低；3)锅炉效率和NO_x排放满足约束条件，SO₂排放量寻求最低；多目标寻优引入罚函数实现，三种优化方式依次对应如下各函数：

$\min F_1\left(X\right):-{\mathrm{\η}}_B+{\mathrm{\μ}}_1{\[max(0,{\mathrm{\ρ}}_{{\mathrm{NO}}_x}-{\mathrm{\ρ}}_{{\mathrm{NO}}_x}^c)\]}^2+{\mathrm{\μ}}_2{\[max(0,{\mathrm{\ρ}}_{{\mathrm{SO}}_2}-{\mathrm{\ρ}}_{{\mathrm{SO}}_2}^c)\]}^2$

$\min F_2\left(X\right):{\mathrm{\ρ}}_{{\mathrm{NO}}_x}+{\mathrm{\μ}}_1{\[max(0,{\mathrm{\η}}_B^c-{\mathrm{\η}}_B)\]}^2+{\mathrm{\μ}}_2{\[max(0,{\mathrm{\ρ}}_{{\mathrm{SO}}_2}-{\mathrm{\ρ}}_{{\mathrm{SO}}_2}^c)\]}^2$

$\min F_3\left(X\right):{\mathrm{\ρ}}_{{\mathrm{SO}}_2}+{\mathrm{\μ}}_1{\[max(0,{\mathrm{\η}}_B^c-{\mathrm{\η}}_B)\]}^2+{\mathrm{\μ}}_2{\[max(0,{\mathrm{\ρ}}_{{\mathrm{NO}}_x}-{\mathrm{\ρ}}_{{\mathrm{NO}}_x}^c)\]}^2$

式中，为NO_x排放浓度上限，取新标准100mg/m³；为SO₂排放浓度上限，200mg/m³；为允许的最低锅炉效率，90％；μ₁、μ₂为足够大的正数；

步骤2：对优化过程可调参数变量的上下限进行约束；

步骤3：采用最优保留策略的果蝇算法实现优化目标，步骤如下：

步骤31：初始化n个果蝇群体，分别代表步骤2中的n个可调参数变量，随机设置各果蝇群体的位置为[X_i,Y_i]，迭代次数为100，搜寻食物的随机方向和距离为区间[-1,1]；

步骤32：计算n个种群的果蝇个体到原点的距离和味道浓度判定值S_i＝1/D_i，S_i即为各可调参数变量值；

步骤33：性能优化子系统优化步骤1中的寻优策略函数值即为适应度函数，也就是味道浓度函数，将步骤32中的各S_i经过自适应模糊推理模型得到NO_x浓度ρ(NO_x)、SO₂浓度ρ(SO₂)和锅炉效率η_Boiler，代入优化步骤1中的寻优策略函数，求得该果蝇个体位置的味道浓度值，并保留该果蝇位置、ρ(NO_x)、ρ(SO₂)和η_Boiler及味道浓度值；

步骤34：通过迭代寻优，保留味道浓度最低值，以及此时的各种群果蝇最优位置和NO_x浓度、SO₂浓度、锅炉效率，并利用果蝇的最优位置算出各可调参数的取值；

步骤4：得出优化结果。