CN104763999A - 电厂煤粉锅炉燃烧性能在线优化方法和系统 - Google Patents

Abstract

本发明提供了一种电厂煤粉锅炉燃烧性能在线优化方法及系统。其中，优化方法包括如下步骤：接收DCS(Distributed Control System，分布式控制系统)及仪器仪表采集的锅炉处于不同负荷工况下的基础数据；该基础数据采用径向基函数网络建立煤粉锅炉可调输入变量和输出变量之间的非线性映射关系，将该非线性映射关系作为锅炉燃烧的数学模型；依据该数学模型，获取对应期望煤耗与NO_X排放水平下锅炉燃烧系统可调变量最优的输入组合和取值。本发明可以对锅炉运行工程实施优化控制，协调锅炉各运行参数间的关系，进一步提高系统的安全性、经济性与可靠性，全面改善锅炉燃烧系统的综合性能。

Description

电厂煤粉锅炉燃烧性能在线优化方法和系统

技术领域

本发明涉及锅炉技术领域，尤其涉及一种电厂煤粉锅炉燃烧性能在线优化方法和系统。

背景技术

电站锅炉运行是个复杂的物理化学过程，涉及到燃烧学、流体力学、热力学等学科领域。任何与锅炉运行相关参数的检测、调整，设备的改造，都可以称为锅炉系统优化，包括DCS(Distributed Control System，分布式控制系统)控制逻辑的优化、控制模型的设计。从锅炉系统优化技术角度看，锅炉燃烧优化技术可以分为三类：第一类通过在线检测锅炉运行的主要参数，指导运行人员调节锅炉运行工况，这类优化技术目前在国内占据着主导地位。第二类锅炉燃烧优化技术在设备层面，通过对燃烧器、受热面等的改造实现锅炉的燃烧优化调整。第三类，锅炉燃烧优化技术在DCS的基础上，作为锅炉运行的监督控制系统，通过采用先进的控制逻辑、控制算法和人工智能技术，实现锅炉的性能优化。近些年投入运行的单元机组，普遍设备状态良好，可控性强，自动化水平高，应该在这个基础上充分利用信息技术挖掘潜力，通过优化控制，实现精益生产和控制，从而超越原来的粗放式管理和控制。随着先进控制和人工智能技术的逐步成熟和在工业上成功的应用，第三类优化技术得到了迅猛发展。上述三类技术在实际中各有优点和应用，但其中第三类技术不需要对锅炉设备进行任何改造，能够充分利用锅炉的运行数据，在DCS控制的基础上，通过先进建模、优化、控制技术的应用，直接提高锅炉运行效率，降低氮氧化物(NOx)排放，具有投资少、风险小、效果明显的优点，因而成为优先研究和发展的优化技术。调研情况表明，火电厂煤粉锅炉系统不同程度地存在如下问题：

1)、锅炉热效率偏低，供电煤耗居高不下；

2)、负荷和煤质多变，锅炉经常偏离最佳燃烧状况；

3)、过氧量偏高；

4)、NOx排放超标；

5)、飞灰可燃物和大渣可燃物量偏高；

6)、锅炉结焦结渣。

以上问题均在不同程度上影响设备的安全性、经济性与可靠性指标。因此，如何实现锅炉燃烧系统整体性能优化就成为当前火电厂需要解决的首要问题。

因此，出现了各种电站锅炉燃烧状态检测及综合优化控制系统，这些控制系统在各自的应用场合取得了较好的应用效果，但仍存在如下需要解决的技术问题：

一、历史数据的使用

锅炉长期运行所产生的大量历史数据中蕴含着锅炉可调变量(输入变量，如，一、二次风量，二次风门开度、燃尽风门开度、燃烧器摆角、给煤量、配煤方式、锅炉负荷等)与输出变量(锅炉煤耗、NOx排量)之间的数学关系。如何有效地利用这些海量数据建立可用于优化的数学模型，现有技术中未给出具体可行的方法。

二、自适应建模

如何结合未来运行数据，及时更新模型，以适应工况和煤质的变化，也是锅炉燃烧系统优化所涉及到的关键问题。入炉煤种的不稳定，再加上锅炉检修、积灰、结渣等因素的影响，使得在性能试验数据基础上建立的锅炉模型失配严重，利用最新的燃烧数据进行模型的在线自适应修正显得格外重要。如果可以在线更新锅炉燃烧系统的数学模型，则煤质变化和锅炉大修等可看作系统外部运行条件加以忽略，这样，基于在线更新模型的优化结果具有一定的适应能力。

三、如何保证燃烧稳定下实现有约束条件下的寻优

在燃烧数学模型建立之后，如何选择合适的优化算法，在有约束的条件下，寻找对应最优输出值的可调输入组合及最优解方案，传统的优化算法未能给出具体方案。

另外，现存的燃烧优化方法的寻优过程大都采用前向数学模型的逆模型的求解过程。这样存在两个问题：a.锅炉燃烧过程逆模型的存在性很难确保，反向求解可能产生无解或多解的情况。b.优化解和当前值之间的变化过大，这样意味着燃烧系统的输入调节幅度过大，有可能威胁燃烧稳定性和安全性。燃烧优化控制软件需要对优化解的存在性和燃烧的稳定性进行充分考虑，仅解决无约束条件下性能目标寻优问题是远远不够的,实际需要解决的燃烧优化问题往往存在多种约束。

发明内容

本发明旨在提出一种电厂煤粉锅炉燃烧性能在线优化方法及系统，基于该在线优化系统可以进一步提高系统的安全性、经济性与可靠性。

第一方面，本发明提供了一种电厂煤粉锅炉燃烧性能在线优化方法，包括如下步骤：步骤1，接收DCS系统及仪器仪表采集的锅炉处于不同负荷工况下的基础数据；步骤2，依据所述基础数据，采用径向基函数网络建立煤粉锅炉可调输入变量和输出变量之间的非线性映射关系，所述非线性映射关系作为锅炉燃烧的数学模型；步骤3，依照该数学模型，获取对应期望煤耗与NOX排放水平下锅炉燃烧系统可调变量的输入组合及优化值。

上述电厂煤粉锅炉燃烧性能在线优化方法中，步骤3进一步包括：采用遗传算法，在所述径向基函数网络参数之下，寻找合适的锅炉燃烧系统可调输入组合及最优解，使得燃烧过程煤耗最小，同时满足NOx排放上限要求。

上述电厂煤粉锅炉燃烧性能在线优化方法中，遗传算法在确定锅炉燃烧系统可调输入组合及最优解时，若无解或有多个解，则继续通过自适应多维搜索算法确定输入组合中各变量取值。

上述电厂煤粉锅炉燃烧性能在线优化方法中，步骤3进一步包括，将锅炉燃烧的历史数据定期融入新发生数据，定期更新用以训练所述径向基函数网络，获取优化的数学模型。

上述电厂煤粉锅炉燃烧性能在线优化方法中，将锅炉燃烧的历史数据定期融入新发生数据，按照时间由近及远变化，赋予数据指定的遗忘因子，距离当前时刻越远的数据的遗忘程度越高，当前数据则遗忘程度为0。

第二方面，本发明还提供了一种电厂煤粉锅炉燃烧性能在线优化系统，包括：基础数据获取模块、数学模型确定模块和可调变量输入组合及最优解确定模块。其中，基础数据获取模块用于接收DCS系统及仪器仪表采集的锅炉处于不同负荷工况下的基础数据；数学模型确定模块用于依据所述基础数据，采用径向基函数网络建立煤粉锅炉可调输入变量和输出变量之间的非线性映射关系，确定的非线性映射关系作为锅炉燃烧的数学模型；可调变量输入组合及最优解确定模块用于依照该数学模型，获取对应期望煤耗与NO_X排放水平下锅炉燃烧系统可调变量的输入组合及最优值。

上述电厂煤粉锅炉燃烧性能在线优化系统中，可调变量输入组合及最优解确定模块包括第一寻优单元，该第一寻优单元用于采用遗传算法，在所述径向基函数网络参数之下，寻找合适的锅炉燃烧系统可调输入组合及最优解，使得燃烧过程煤耗最小，同时满足NOx排放上限要求。

上述电厂煤粉锅炉燃烧性能在线优化系统中，可调变量输入组合及最优解确定模块还包括第二寻优单元：第二寻优单元用于采用遗传算法确定锅炉燃烧系统可调输入组合及最优解时，若无解或有多个解，则继续通过自适应多维搜索算法确定输入组合中各变量取值。

上述电厂煤粉锅炉燃烧性能在线优化系统中，数学模型确定模块进一步用于，将锅炉燃烧的历史数据融入新发生数据，定期更新用以训练所述径向基函数网络，获取优化的数学模型。

上述电厂煤粉锅炉燃烧性能在线优化系统中，将锅炉燃烧的历史数据定期融入新发生数据的方式为，按照时间由近及远变化，赋予数据指定的遗忘因子，距离当前时刻越远的数据的遗忘程度越高，当前数据则遗忘程度为0。

本发明采用径向基函数(Radial Basis Function,RBF)网络建立煤粉锅炉可调输入变量和输出变量之间的非线性映射关系，以此来解决多变量非线性拟合问题，开辟了解决锅炉燃烧优化控制的新途径。利用统计多变量非线性回归筛选最小必要的输入变量集合，简化模型的复杂性，提高模型的泛化和预测能力。本发明利用该模型进行预测或者反向求解，求出对应期望煤耗和NOx排放水平下的各输入变量的值，从而可以对锅炉运行进行优化控制，协调锅炉各运行参数间的关系，进一步提高系统的安全性、经济性与可靠性，全面改善锅炉综合性能。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1为本发明电厂煤粉锅炉燃烧性能在线优化方法优选实施例的步骤流程图；

图2为本发明电厂煤粉锅炉燃烧性能在线优化方法中，用径向基函数网络建立锅炉稳态模型原理示意图；

图3为本发明电厂煤粉锅炉燃烧性能在线优化方法中，径向基函数网络的拓扑结构示意图；

图4为本发明电厂煤粉锅炉燃烧性能在线优化方法中，遗传算法的步骤流程图；

图5为本发明电厂煤粉锅炉燃烧性能在线优化方法的优化原理框图；

图6为采用本发明电厂煤粉锅炉燃烧性能在线优化方法的控制站的示意图；

图7为从另一个角度示出的锅炉性能优化方式的示意图；

图8为锅炉性能优化的整体设计流程图；

图9为本发明电厂煤粉锅炉燃烧性能在线优化系统优选实施例的结构框图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

下面结合图1对本发明电厂煤粉锅炉燃烧性能在线优化方法的优选实施例进行说明。

参照图1，本实施例电厂煤粉锅炉燃烧性能在线优化方法包括如下步骤：

步骤S110，接收DCS(Distributed Control System，分布式控制系统)系统及仪器仪表采集的锅炉处于不同负荷工况下的基础数据。

步骤S120，依据基础数据，采用径向基函数网络建立煤粉锅炉可调输入变量和输出变量之间的非线性映射关系，非线性映射关系作为锅炉燃烧的数学模型。

本实施例采用径向基函数(Radial Basis Function,RBF)网络建立煤粉锅炉可调输入变量和输出变量之间的非线性映射关系，以此来解决多变量非线性拟合问题，开辟了解决锅炉燃烧优化控制的新途径。利用统计学多变量非线性回归筛选最小必要的输入变量集合，简化模型的复杂性，提高模型的泛化和预测能力。利用该模型进行预测或者反向求解，求出对应期望煤耗和NOx排放水平下的各输入变量的值，从而对锅炉运行实行优化指导，协调系统各运行参数间的关系，达到全面改善锅炉综合性能指标的目的。

步骤S130，依照该数学模型，采用遗传算法，在径向基函数网络参数之下，寻找合适的锅炉燃烧系统可调输入组合及最优解，使得燃烧过程煤耗最小，同时满足NOx(氮氧化物)排放上限要求，获取对应期望煤耗与NO_X排放水平下锅炉燃烧系统可调变量的输入组合及最优解；遗传算法在确定锅炉燃烧系统可调输入组合及最优解时，若无解或有多个解，则继续通过自适应多维搜索算法确定输入组合中各变量取值。

本实施例寻优过程综合采用遗传算法和自适应多维搜索法实现。在现有的训练完成的径向基函数网络参数之下，寻找合适的锅炉燃烧系统可调输入组合及最优解，使得燃烧过程煤耗最小，同时满足NOx排放上限要求。遗传算法可求取有约束条件下的全局最优解，保证可调输入解全部满足其最大最小限制，保证锅炉运行安全性。如果出现无解或者多个解的情况，再通过自适应多维搜索法分步求解优化方向的输入解，保证小幅度调节下的燃烧过程稳定。

步骤S140，将锅炉燃烧的历史数据定期融入新发生数据，定期更新用以训练径向基函数网络，获取优化的数学模型，然后返回执行步骤S130。其中，将锅炉燃烧的历史数据定期融入新发生数据进一步为，按照时间由近及远变化，赋予数据指定的遗忘因子，距离当前时刻越远的数据的遗忘程度越高，当前数据则遗忘程度为0。

具体地说，在锅炉燃烧过程受到煤质、环境温度、锅炉设备大修等工况变化的影响时，在历史训练用数据中合理融入新发生数据，定期更新原有的燃烧系统模型，以适应随时可能发生的工况变化。本实施例按照时间由近及远变化的情况，赋予数据一定的遗忘因子，距离当前时刻越远的数据的遗忘程度越高，当前数据则“无遗忘”地融入训练数据集。这样，可保证在线更新后的网络能够“及时地”适应变化后的外部工况，实现滚动动态寻优。

在锅炉燃烧系统建立数学模型的过程中，还可以使用其它的数学方法，如使用线性回归模型、人工神经元网络模型、支持向量机模型等均可实现建模的目的。但在建模精度和网络的泛化能力上和本发明可能有所差异。

获得锅炉燃耗系统模型后，模型输出目标的优化求解过程可采用多种优化算法寻优，如：传统爬山法、梯度法、最速下降法、蚁群算法、粒子群优化算法等。但在算法效率、工程可实现性、发现全局最有解得能力等方面与本实施例所采用的方法有所差异。

可以看出，上述S120、S130和S140主要涉及三部分内容：

第一、锅炉燃烧系统输入、输出数据处理及锅炉燃烧系统建模；

第三、遗传算法和自适应多维搜索算法相结合进行锅炉燃烧系统优化；

第三、根据历史大数据和当前数据更新锅炉燃烧的数学模型(历史、当前数据)。现具体说明如下：

1)电厂煤粉锅炉燃烧性能在线优化方法的应用效果在很大程度上依赖于锅炉数学模型的精度，如何通过实验设计，获得建模需的输入、输出数据，并在实验数据的基础上建立能够反映真实情况的锅炉数学模型，是锅炉性能优化系统设计首先需要解决的问题。

本实施例详细制定试验方案、数据采集和分析计划，以精简的方案获取变量边界范围，通过统计学计算和相关性分析输入变量、过程变量和输出变量的最小集合，以避免锅炉建模过程陷入维数的灾难，使径向基函数网络进化训练退化，无法拟拟合真实的输入、输出映射。

DCS采集锅炉系统的各种仪表数据，可提供反映其运行状况的数据和信息。锅炉专家在对系统深刻理解的基础上，建立各运行数据信息与锅炉的经济、安全和可靠等性能指标之间的量化关系。利用统计学多变量非线性回归和径向基函数网络技术，可建立输入变量与锅炉性能指标之间数学关系模型。然后利用该模型进行预测或者反向求解，求出对应期望煤耗和NOx排放水平下的各输入变量的值，从而对锅炉运行实行优化指导，协调系统各运行参数间的关系，达到全面改善锅炉综合性能的目的。

本实施例中，输入变量和中间变量之间的非线性映射关系通过径向基函数(Radial Basis Function,RBF)网络来建模，以此来解决多变量非线性拟合问题。径向基函数网络模块具有较强的适应复杂环境和多目标控制要求的能力(自组织，自学习，自适应)，通过有效的数据训练,建立锅炉运行数学模型，并在运行过程中对运行变量进行优化控制，使锅炉系统趋于最佳的运行状态，能够适应内、外部环境的变化和扰动。用径向基函数网络建立锅炉稳态模型过程如图2所示。

结构上看，RBF网络属于多层前向神经网络。它是一种三层前向网络，输入层由信号源结点组成；第二层为隐含层，隐单元的个数由所描述的问题而定，隐单元的变换函数Φ是对中心点径向对称且衰减的非负非线性函数；第三层为输出层，它对输入模式做出响应。径向基网络拓扑结构如图3所示。其中，(x₁,x₂,…x_N)为输入变量(或称为可调变量，能够在安全限范围内独立调节)，包括一次风、二次风、燃尽风、周界风、消旋风等挡板开度、燃烧器喷嘴角度、给煤机瞬时给煤量、机组负荷、煤质化验指标等。(y₁,y₂,…y_K)为输出变量(又称优化目标量)，包括供电煤耗(g/kWh)和NOx(mg/m³)。隐层的激活函数(隐单元的变换函数)Φ，称为核函数，对于核函数的选取，有多种选择(如，高斯函数、三角核函数、双指数核函数等)。本专利申请采用高斯核函数。RBF网络的基本思想是：用径向基函数作为隐单元“基”，构成隐含层空间，隐含层对输入矢量进行变换，将低维的模式输入数据变换到高维空间内，使得在低维空间内的线性不可分问题在高维空间内线性可分。RBF网络结构简单、训练简洁而且学习收敛速度快，能够逼近任意非线性函数。因此RBF网络有较为广泛的应用:如时间序列分析，模式识别，非线性控制和图象处理等领域。φ

2)遗传算法(Genetic Algorithm，GA)是一类借鉴生物界的进化规律(适者生存，优胜劣汰遗传机制)演化而来的随机化搜索方法。它模拟“适者生存，优胜劣汰”的进化机制的概率搜索算法。该算法以适应度函数为依据，通过对种群个体进行遗传操作完成结构重组迭代，可以实现一种自适应全局优化概率搜索的算法过程。与其他优化算法相比较，具有计算时间少，鲁棒性高以及收敛速度快等优点，因此,遗传算法它已被广泛地应用于函数优化、自动控制、参数优化、生产管理、人工神经网络、最优控制等领域。

本实施例采用GA搜索径向基函数网络的连接权值、函数中心和宽度，求取最能够适配输入和输出映射的网络结构和参数，同时在训练好的网络参数下，根据优化目标，进一步求取在该最优目标下的可调输入解。

在工程实际中，从全局优化的观点出发，全面考虑和协调多目标间的关系，借助数学和优化计算方法，在次要目标满足安全性和环保要求的前提下，追求作为主要目标的煤耗达到最优，如下式所示：

$\underset{\mathrm{NOx}<\mathrm{NO}{x}_{\max }}{\min }\mathrm{\&eta;}$

其中，η为锅炉供电煤耗；NOx_max为NOx排量控制的上限。

3)在燃烧数学模型建立之后，寻优过程综合采用遗传算法和自适应多维搜索法实现。本问题定义为：在现有的训练完成的径向基函数网络参数之下，寻找合适的锅炉燃烧系统可调输入组合及最优解，使得燃烧过程煤耗最小，同时满足NOx排放上限要求。遗传算法可求取有约束条件下的全局最优解，保证可调输入解全部满足其最大最小限制，保证锅炉运行安全性。

遗传算法是模拟自然界生物遗传过程中繁殖、交配、变异、进化等现象，以适应度函数为依据，通过对种群个体反复地选择、复制、交叉、变异等迭代过程，并最终搜索到评价函数的最优解。经过上述操作后得到下一代的解，并逐步淘汰适应度函数值低的解，增加适应度函数值高的解，这样经过N代后就会进化优选出适应度函数取值最大的解。下图为遗传算法的流程框图4所示：

本实施例构造锅炉实际煤耗和径向基函数网络输出间的最小均方误差(Minimum Square Error,MSE)为代价函数，然后利用遗传算法来训练径向基函数的中心、宽度、和连接权值，使训练后的径向基网络函数能够适配锅炉燃烧系统的输入和输出数据，即，实现燃烧系统建模的过程。接下来，在训练完成后的径向基函数网络的基础上(模型参数不变)，按照提出的煤耗目标，在NOx排量约束和各可调输入量范围约束下，进一步采用遗传算法来搜索合适的可调输入量，为现场的燃烧优化操作提供指导。

下面说明自适应多维搜索算法。

采用上述的遗传算法求解，如果出现无解或者多个解的情况，可通过自适应多维搜索算法分步求解优化方向的输入解，保证小幅度调节下的燃烧过程稳定。

自适应多维搜索法的好处：1、在限定了搜索时间的情况下，自适应多维搜索法比其他算法具有更小的计算量，能够产生比较好的结果，因此具有比较好的实时性。尤其适合锅炉运行时的实时在线优化。2、可回溯性比较好：在算法中断时，可以返回一个可行解，能够保障系统运行的安全性。搜索进入危险运行区域或NOx排量上限时，算法能够提前自动停止，这样，实现了多约束条件下的锅炉效率优化。3、可引入随机算法，随机选取下一结点，在该结点，检测目标函数改善的次数，然后决定是否真正移至该结点。

多维搜索法采用迭代计算，首先随机地选择一个可行解作为当前解p(该解也被称为多维搜索法的起点)，然后再在领域内选择另一个可行解p′，如果满足适应度函数fitness(p′)＞fitness(p)(可以是锅炉效率或NOx浓度)，则用p′取代p作为当前解，否则在领域内另选新的p′与当前解作比较。按照上述规则不断迭代，直到在当前解的领域内不能找到适应度更大的解，即将当前解p_best作为最优解输出。选取多维搜索法下一个可行解p′的具体策略为：

在N维解空间，当前解p存在2N个相互正交的搜索方向，以p为中心的超球面上均匀选取2N个点构成一个网格，网格结点的表达式为

p_nodes＝p+r·column{[I_N×N-I_N×N]}

r为超球面半径，column{·}表示取矩阵的列。计算所有结点的适应度并将其与当前解的适应度fitness(p)相比较，比较的结果可分为两种情况：

情况1：有L个结点的适应度大于当前解p′的适应度如果把极值看做一个“山峰”的话，这种情况意味着当前解位于“山坡”上，根据平行四边形法则，p的梯度方向可以等价为grads＝α/|α|，其中， $\mathrm{\&alpha;}=\underset{i=1}{\overset{L}{\mathrm{\&Sigma;}}}(\mathrm{fitness}\left(p_{\mathrm{nodes}}^i\right)-\mathrm{fitneaa}\left(p\right))\&CenterDot;(p_{\mathrm{nodes}}^i-p).$ 则解的更新p′＝p+r·grad，r保持不变，然后重新建立网格，继续到下一步迭代。

情况2：所有结点的适应度都小于或等于当前解的适应度，即L＝0，这意味着当前解位于某个山峰附近，而且当前解与山峰的距离不大于某个设定的阈值。若r＞r_min，令r＝α×r，p不变，重新建立网格；否则结束程序，并将当前p作为最优解p_best输出。这里，α是网格半径收缩率，r_min是设定的搜索精度。

对于高维非线性函数而言，其梯度计算的结果往往非常复杂，多维搜索法用网格结点的适应度代替梯度计算，降低了运算量，而与普通爬山法相比较，多维搜索法保证了每次迭代当前解p总是以最快方向逼近极值点，以此搜索效率更高。

下面，说明本实施例电厂煤粉锅炉燃烧性能在线优化方法是如何与现有的电厂煤粉锅炉控制系统相结合的。

锅炉性能优化原理框图如图5所示，内环为电厂锅炉原有DCS闭环控制系统，其运行参数设定值由设计单位经热力试验给出的原始数据确定。但随着锅炉运行内、外部环境的改变(如煤质、煤粉细度、配煤方式、配风方式、锅炉负荷变化、设备大修等)，锅炉控制系统的这组给定值往往很难适应变化后的系统模型，系统无法按设计指标运行的情况非常普遍，直接后果为锅炉效率下降、污染物排放增加。

因此，仅仅保证锅炉运行的闭环安全性能是不够的，仍需在系统外部配置锅炉性能动态优化系统，该系统以对锅炉数学模型的精确辨识为基础，利用其可调参数(输入)和中间参数和反映参数(状态量)的数学映射关系，动态调整锅炉DCS闭环运行参数给定值，在安全性容许的前提下，甚至调节燃烧系统的开环输入，深度挖掘锅炉系统的运行能力和运行空间，在NOx排放量不超标的前提下，实现锅炉燃烧效率的最优化运行。

锅炉燃烧过程经常受到煤质、环境温度、锅炉设备大修等工况变化的影响。在这些扰动作用之下，锅炉燃烧模型的输入、输出的数量关系也随之发生变化。原优化系统设计如果不能适应这种工况的变化，则存在着失效的风险。即，原工况下可达到的优化状态，在新工况下退变为次优或不优的运行状态。因此，非常必要在历史数据中合理融入新发生数据，定期更新原有的燃烧系统模型，以适应随时可能发生的工况变化。模型的更新过程依赖于训练用输入输出数据的选择方法，历史锅炉运行数据中蕴含了在历史锅炉运行外部条件下的输入输出关系，在历史条件下，可用于历史的优化过程。但是，当锅炉外部工况或内部结构参数发生变化时，必须融入当前或最近发生的数据以更新训练数据集合。按照时间由近及远变化的情况，赋予数据一定的遗忘因子，距离当前时刻越远的数据遗忘程度越高，当前数据则“无遗忘”地融入训练数据集。这样，可保证在线更新后的网络能够“及时地”适应变化后的外部工况，然后，采用遗传算法和自适应多维搜索算法实现动态寻优。

锅炉性能优化是在原有DSC控制系统的基础上做上一层监督控制，仅对DCS的运行提出建议，不改变锅炉现有的硬件系统，因此可以保证电厂锅炉运行的安全性和稳定性，如图6所示，锅炉性能优化具有全面协调的功能，可以直接给出优化运行方案或直接参与运行优化控制，弥补了DCS系统的不足。图7从另一个角度示出了锅炉性能优化的原理示意图。

参照图8，图8为锅炉性能优化的整体设计流程图。

对锅炉运行参数和现状进行调研与分析，根据调研分析结果制定具体优化试验设计和调试方案，确定优化目标、优化范围和边界参数；根据所拟定的方案安排试验设计、确定性能优化基础数据采集清单；工作组成员根据试验设计，通过DCS系统和相关仪器仪表采集不同负荷工况下的基础数据；待基础数据采集工作完成后，利用统计回归分析对试验数据进行分析和筛选，筛选后得到的高质量试验数据用于指导软件工程师进行径向基函数网络训练，最终确定锅炉系统优化数学模型，并将在线飞灰含碳量测量数据和NOx在线监测数据作为反馈信号引入锅炉性能优化系统中，作为在线优化依据。优化运行结果经过预测和验证，开环优化指导模式下，向锅炉运行人员实时发布优化运行提示，并给专业技术人员提供锅炉运行优化指导文件和优化运行曲线(不同负荷工况条件)；闭环优化控制模式下，优化指令通过DCS直接输出优化运行指令。

在一个更为具体的实施例中，依照如下步骤对煤粉锅炉燃烧过程进行优化：

1、分析现有煤粉锅炉燃烧系统的优化冗余度，在最优实验设计原则的指导下，设计正交实验，完成前期优化实验。

2、利用多变量非线性相关性分析进行数据筛选，选择同优化目标量因果相关度高的输入数据，确定合理的、精简化的输入变量集合。综合采用多种滤波算法对输入输出数据进行预处理，以去除其中的噪声成分和数据野点。

3、根据处理后的实验数据，利用径向基函数网络对锅炉输入、输出间数学映射进行建模，同时采用遗传算法训练和优化网络参数，使其可以匹配和反映现有煤粉锅炉燃烧系统的输入输出间的非线性映射关系。

本方法具有如下优势：

第一、针对煤质难以测量而且经常发生变化所导致离线优化结果失效问题，提出以全局寻优和本地搜索相结合的滚动优化策略，采用遗传算法和自适应多维搜索法实现在线优化；运用统计学方法综合考虑历史数据与新息对训练用数据的贡献，合理遗忘部分历史数据对网络训练的贡献，以适应煤质变化对离线训练优化系统的影响，改善其应用效果。

第二、可根据用户需求进行锅炉系统全面性能优化，寻优算法自身具有求解约束条件下全局最优运行状态的能力。根据不同的侧重点，提高锅炉效率，降低供电煤耗，预防或治理结焦结渣、降低NOx排放，提高锅炉运行的安全性、可靠性、和经济性。该锅炉燃烧优化系统技术措施的实施对电厂现有设备系统没有任何破坏，且改进的系统和原系统可以切换运行，对电厂机组安全运行没有不利影响。

在锅炉燃烧系统建模过程中，还可以使用其它的数学方法，如使用线性回归模型、人工神经元网络模型、支持向量机模型等均可实现建模的目的。但在建模精度和网络的泛化能力上和本发明有所差异。获得锅炉燃耗数学模型后，模型输出目标的优化求解过程可采用多种优化算法寻优，如：传统爬山法、梯度法、最速下降法、蚁群算法、粒子群优化算法等。但在算法效率、工程可实现性、发现全局最有解得能力等方面与本发明所采用的方法有所差异。

另一方面，本发明还提供了一种电厂煤粉锅炉燃烧性能在线优化系统的优选实施例，参照图9所示。本实施例电厂煤粉锅炉燃烧性能在线优化系统包括：基础数据获取模块10、数学模型确定模块20和可调变量输入组合及最优值确定模块30。具体实施时，将煤粉锅炉燃烧系统EDNA数据库中所记录的变量数据进行筛选，通过非线性相关分析，获得影响锅炉效率和NOx的相关程度较高的100-200个变量，然后将其分为3组：1组为输入变量(或称为可调变量，能够在安全限范围内独立调节)，包括一次风、二次风、燃尽风、周界风、消旋风等挡板开度、燃烧器喷嘴角度、给煤机瞬时给煤量、机组负荷、煤质化验指标等。2组为状态变量(能够反映燃烧优劣的中间变量，受输入变量影响显著，同时可以直接显式决定优化目标量)，包括烟气含氧量、飞灰含碳量、排烟温度、主蒸汽压力、主蒸汽温度、再热蒸汽温度、过热器减温水量、再热器减温水量、送风机电流、引风机电流等。3组为输出变量(又称优化目标量)，包括供电煤耗(g/kWh)和NOx(mg/m³)。其中，供电煤耗可由状态变量通过美国电科院“关于锅炉参数变化对供电煤耗影响表”确定权值，加权求和得到。这样，优化问题即可定义成在NOx排放浓度的环保要求限定下，寻求供电煤耗最小时，对应的输入变量的最优组合和最优取值，即，

其中，基础数据获取模块10用于接收DCS系统及仪器仪表采集的锅炉处于不同负荷工况下的基础数据，编写电厂DCS系统常用的EDNA、openplant、pi等实时数据库软件接口，从数据库中等时间间隔读取影响锅炉燃烧状况的各种变量值(包括所有的输入变量、状态变量、输出变量)，并存入MySql数据库以便进行优化分析。

数学模型确定模块20用于依据基础数据，采用径向基函数网络建立煤粉锅炉可调输入变量和输出变量之间的非线性映射关系，非线性映射关系作为锅炉燃烧的数学模型。径向基网络函数的输入为可调变量，输出为两个优化目标变量。RBF神经网络的隐层激活函数是一种径向对称的核函数。当输入样本传播到隐单元空间时，这组核函数构成了输入样本的一组“基”。当输入信号靠近基函数中央范围时，隐含层节点将产生较大的输出，所以径向基函数网络也称为局部感知场网络。从函数输入输出特性看，只有当输入向量落入RBF神经元聚类中心附近的一定区域内，才能使该神经元的传递函数产生较大的输出，即传递函数起到了模式检测器的作用。对于核函数的选取，有多种选择(如，高斯函数、三角核函数、双指数核函数等)。本专利采用高斯核函数。RBF网络的隐含层到输出层实现基函数到输出的线性映射，即对应于第k个输出节点的输出为隐含层各节点输出的线性加权和。按照以上所构造的网络结构，可以训练该网络使其匹配N维输入数据x_n(n＝1,2,…,N)到K维输出数据y_k(k＝1,2,…,K)之间的映射关系。典型情况下，径向基网络隐层神经元数量I应小于等于输入向量数量N。I<N时，则需要对基函数中心进行聚类(自组织学习方法)，使用K-均值聚类算法来发现I个径向基函数中心位置。中心一旦确定就固定了，接着要确定基函数的宽度。当RBF选用高斯函数，通常宽度可取，其中，d_max为所选取中心之间的最大距离。也可通过寻优方式来寻找合适的基函数宽度，即，合适的基函数宽度应该使得输出误差和最小。

学习权值)权值的学习可以用最小二乘法(LeastMean Square,LMS)方法，LMS算法需要注意的两点是：第一，LMS算法输入为RBF网络隐层的输出；第二，RBF网络输出层的神经元只是对隐层神经元的输出加权求和。权值的学习采用梯度下降迭代的LMS方法。

本申请采用遗传算法来求得最优基函数宽度和隐含层到输出层的权值矩阵。遗传算法是模拟自然界生物遗传过程中繁殖、交配、变异、进化等现象，以适应度函数为依据，通过对种群个体反复地选择、复制、交叉、变异等迭代过程，并最终搜索到评价函数的最优解。利用遗传算法对最优基函数宽度σ_i(i＝1,2,…,I)和隐含层到输出层的权值矩阵w_ki(k＝1,2…，K；i＝1,2…,P)寻优步骤如下：

a)确定优化变量和约束条件：选择σ_i参数范围为0～1，w_ki参数范围为0～1。

b)染色体的编码与解码：使用10位二进制串表示群体中的个体，由均匀分布的随机数产生初始群体中的个体的基因。

c)个体适应度的评价准则：鉴于供电煤耗1/η和氮氧化物浓度NOx是衡量锅炉燃烧系统性能优劣的主要方面，因此，本专利选择一个约束条件下的单一目标作为评价函数

d)设计遗传算子：选择算法采用“轮盘赌算法”选择染色体来产生下一代；交叉运算运用单点交叉算子将两个父代个体的部分结构加以替换重组而生成新个体；变异运算使用基本位变异算子(即，对群体中的个体串的某些基因位置作变动)。

e)确定遗传算法的运行参数：群体大小为80，迭代次数为100，交叉概率为0.9，变异概率为0.05。

经过上述操作后得到下一代的解，并逐步淘汰适应度函数值低的解，增加适应度函数值高的解，这样经过N代后就会进化优选出适应度函数取值最大的解。

可调变量输入组合和优化解确定模块30用于依照该数学模型，获取对应期望煤耗与NO_X排放水平下锅炉燃烧系统可调变量的输入组合及最优解。

可调变量输入组合和优化解确定模块30进一步包括第一寻优单元301，该第一寻优单元301用于采用遗传算法，在径向基函数网络参数之下，寻找合适的锅炉燃烧系统可调输入组合及最优解，使得燃烧过程煤耗最小，同时满足NOx排放上限要求。利用数学模型确定模块20中径向基函数网络所确定的输入和输出映射模型，保持训练好的基函数宽度σ_i和隐含层到输出层权值w_ki不变。新的优化问题构造为：寻求在安全范围内合适的可调输入取值，使进一步将可调输入变量进行二进制编码，重复模块20中的遗传算法步骤，即可获得在较低供电煤耗水平下的最优可调输入取值。

可调变量输入组合解最优解确定模块进一步包括第二寻优单元302：第二寻优单元302用于遗传算法在确定锅炉燃烧系统可调输入组合及最优解时，若无解或有多个解，则继续通过自适应多维搜索算法确定输入组合中各变量具体取值。将输入变量对输出变量影响较大的部分变量组成搜索空间。采用上文所介绍的自适应多维搜索算法，快速离线或者在线找到，使得目标性能改善的搜索方向，探索在新的目标性能的条件下存在的可行解。

进一步优选地，数学模型确定模块30进一步用于，将锅炉燃烧的历史数据定期融入新发生数据，定期更新用以训练径向基函数网络，获取优化的数学模型。锅炉燃烧的数学模型会随着外部条件的改变(如，煤质、环境温度、设备大修等)而改变。为适应这种改变，其燃烧系统的数学模型应该能够不断地在线更新。将锅炉燃烧的历史数据定期融入新发生数据的方式为，按照时间由近及远变化，赋予数据指定的遗忘因子，距离当前时刻越远的数据的遗忘程度越高，当前数据则遗忘程度为0。按照遗忘因子的倒数，确定引入训练数据集的概率大小，越近的数据被当做训练用数据的可能性越高，越以前发生的数据被当做训练用数据的可能性越低。离线训练并更新燃烧系统数学模型的频率要根据实际机组的运行情况决定。

由于电厂煤粉锅炉燃烧性能在线优化系统的原理与电厂煤粉锅炉燃烧性能在线优化方法相似，上面已经对电厂煤粉锅炉燃烧性能在线优化方法做了充分的说明，故，在此不再赘述，相关之处参照前述说明即可。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种电厂煤粉锅炉燃烧性能在线优化方法，其特征在于，包括如下步骤：

步骤1，接收DCS系统及仪器仪表采集的锅炉处于不同负荷工况下的基础数据；

步骤2，依据所述基础数据，采用径向基函数网络建立煤粉锅炉可调输入变量和输出变量之间的非线性映射关系，所述非线性映射关系作为锅炉燃烧的数学模型；

步骤3，依照该数学模型，获取对应期望煤耗与NO_X排放水平下锅炉燃烧系统可调变量的输入组合和最优值。

2.根据权利要求1所述的电厂煤粉锅炉燃烧性能在线优化方法，其特征在于，所述步骤3进一步包括：

采用遗传算法，在所述径向基函数网络参数之下，寻找合适的锅炉燃烧系统可调输入组合及最优解，使得燃烧过程煤耗最小，同时满足NOx排放上限要求。

3.根据权利要求2所述的电厂煤粉锅炉燃烧性能在线优化方法，其特征在于，

所述遗传算法在确定锅炉燃烧系统可调输入组合及最优解时，若无解或有多个解，则继续通过自适应多维搜索算法进行输入组合中各个变量取值的确定。

4.根据权利要求3所述的电厂煤粉锅炉燃烧性能在线优化方法，其特征在于，

所述步骤3进一步包括，将锅炉燃烧的的历史数据定期融入新发生数据，定期更新用以训练所述径向基函数网络，获取优化的数学模型。

5.根据权利要求4所述的电厂煤粉锅炉燃烧性能在线优化方法，其特征在于，所述将锅炉燃烧的的历史数据定期融入新发生数据进一步为，

按照时间由近及远变化，赋予数据指定的遗忘因子，距离当前时刻越远的数据的遗忘程度越高，当前数据则遗忘程度为0。

6.一种电厂煤粉锅炉燃烧性能在线优化系统，其特征在于，包括：

基础数据获取模块，用于接收DCS系统及仪器仪表采集的锅炉处于不同负荷工况下的基础数据；

数学模型确定模块，用于依据所述基础数据，采用径向基函数网络建立煤粉锅炉可调输入变量和输出变量之间的非线性映射关系，所述非线性映射关系作为锅炉燃烧的数学模型；

可调变量输入组合及最优值确定模块，用于依照该数学模型，获取对应期望煤耗与NO_X排放水平下锅炉燃烧系统可调变量的输入组合。

7.根据权利要求6所述的电厂煤粉锅炉燃烧性能在线优化系统，其特征在于，所述可调变量输入组合确定模块进一步包括：

第一寻优单元，用于采用遗传算法，在所述径向基函数网络参数之下，寻找合适的锅炉燃烧系统可调输入组合及最优解，使得燃烧过程煤耗最小，同时满足NOx排放上限要求。

8.根据权利要求7所述的电厂煤粉锅炉燃烧性能在线优化系统，其特征在于，所述可调变量输入组合确定模块进一步包括：

第二寻优单元，所述遗传算法在确定锅炉燃烧系统可调输入组合及最优解时，若无解或有多个解，则继续通过自适应多维搜索算法确定输入组合中各各变量取值。

9.根据权利要求8所述的电厂煤粉锅炉燃烧性能在线优化系统，其特征在于，

所述数学模型确定模块进一步用于，将锅炉燃烧的历史数据定期融入新发生数据，定期更新用以训练所述径向基函数网络，获取更新的数学模型。

10.根据权利要求9所述的电厂煤粉锅炉燃烧性能在线优化系统，其特征在于，所述将锅炉燃烧的的历史数据定期融入新发生数据的方式为，

按照时间由近及远变化，赋予数据指定的遗忘因子，距离当前时刻越远的数据的遗忘程度越高，当前数据则遗忘程度为0。