CN118466427A - 一种基于燃烧器工作状况的深度学习燃烧优化控制方法及系统 - Google Patents

Abstract

本发明公开了一种基于燃烧器工作状况的深度学习燃烧优化控制方法及系统，方法包括基于锅炉内各燃烧器工况数据和电厂DCS运行数据，训练各燃烧器的燃烧器神经网络模型，训练中利用遗传算法对参数进行调优，获取参数最优的燃烧器神经网络模型；基于各参数最优的燃烧器神经网络模型构建锅炉神经网络模型，对锅炉神经网络模型进行训练，训练中利用随机梯度下降算法进行参数寻优，获取参数最优的锅炉神经网络模型；将该模型接入电厂DCS运行系统，根据锅炉运行情况自动调整电厂DCS参数，以调节发电负荷，提高燃烧效率。优点是：综合考虑煤质数据、锅炉负荷以及其他运行参数的影响，为各工况下的各燃烧器提供最佳燃烧控制设定值，确保锅炉运行在最佳状态下。

Description

一种基于燃烧器工作状况的深度学习燃烧优化控制方法及 系统

技术领域

本发明涉及热工自动化控制技术领域，尤其涉及一种基于燃烧器工作状况的深度学习燃烧优化控制方法及系统。

背景技术

现代电力生产中，燃煤电站锅炉作为主要的发电设备之一，其燃烧效率和排放性能对能源利用和环境保护具有重要意义。然而，电站锅炉在实际运行过程中面临如下挑战：

1、煤质变化挑战。由于煤炭来源的多样性，电厂经常面临煤质(如热值、水分、灰分和硫含量)的大幅波动，这些波动直接影响燃烧稳定性和效率，进而影响电站的经济性和可靠性。为了适应煤质的变化，电厂采用混煤使用的策略，但不同煤种的混合比例和组合对燃烧过程的影响复杂，难以实现最优燃烧。煤质变化要求锅炉进行精细的燃烧调节，包括空气和燃料供给量的调整，以保持高效燃烧。不同煤质对燃烧设备的适应性提出更高要求，需要特定的燃烧器设计或调节装置以适应不同煤质。

2、电站锅炉在运行期间面临深度调峰、低负荷运行的挑战。低负荷运行可能会带来锅炉燃烧稳定性下降、燃烧不充分、水冷壁和受热面烟温壁温偏差增大、污染物排放升高等一系列问题。对于操作人员来说，低负荷运行要求更高水平的操作技巧和经验，以确保锅炉的安全和稳定运行。相应的，控制系统也需要更加精细和频繁地调整，这对控制系统的性能提出了更高的要求。

由于燃烧器是锅炉的核心设备，其附近的燃烧状况直接决定了锅炉的热效率，直接反应锅炉燃烧稳定性和安全性。现有的监测手段常常无法针对每个燃烧器的燃烧状况提供实时的运行数据，因此，传统的控制方式在对各层燃烧器进行燃料分配时往往均等分配，而在送风系统的控制上，则依赖于经验性的配风策略，缺乏针对个别燃烧器具体情况的精细调控。这种控制方式欠缺自我学习与自适应调整的能力，难以达到最优燃烧状态，面对煤质波动和负荷快速变化时更显得力不从心。

目前，通常采用锅炉燃烧优化控制系统解决上述问题，这种控制系统具备模型自学习能力，能够根据实时数据自动调整燃烧参数，以提升锅炉效率，降低NOx排放，并确保锅炉受热面的安全运行。通过对燃烧器工作状况的实时监测，精细细化分配各层燃烧器的煤量和风量，以及确定最佳风煤比，可以有效解决相应的问题，对于提高电站的经济性、环保性和运行安全性具有重要意义。但是，这种控制系统还存在以下问题亟待解决：

1、在数据需求和处理方面存在显著的不足。当前的锅炉燃烧优化方法往往依赖于DCS中的运行参数记录，或者其他有限的炉外检测数据，并没有关注到燃烧器附近工况数据，并且现有数据还可能受到多种外部因素的干扰，导致数据质量不高。当前优化控制系统通常需要大量的数据来训练和优化，特别是在锅炉燃烧优化方面，需要考虑诸多变量和参数。数据的获取、预处理和清洗可能会很复杂，并且可能会受到数据质量和实时性的限制。

2、对多目标寻优方面的目标优化选择问题。多数方法主要关注锅炉的燃烧效率和NOx排放等单一或少数目标，而忽视了燃烧稳定性、同层煤粉分配率等其他重要指标。这种片面的优化策略可能导致锅炉在实际运行过程中出现偏烧、燃烧不稳定等问题，影响锅炉的整体性能和安全性。此外，现有方法也缺乏对同层内各燃烧器温度控制的关注，无法有效解决燃烧器之间的温度差异和偏烧现象。

3、当前优化控制系统的准确性和稳定性可能会受到多方面的影响，包括数据质量、模型设计、参数调整等因素。在实际应用中，数据模型可能面临过拟合、欠拟合或者无法收敛等问题，导致优化效果不佳或者无法实现稳定的控制。

4、在锅炉燃烧控制中，需要实时地对燃烧过程进行监测和调整，以适应不断变化的工况和环境条件。然而当前优化控制系统中模型的训练和优化过程可能较为耗时，并且模型的预测和优化结果可能无法满足实时性的要求，导致控制响应速度较慢或者不够及时。

5、系统稳定性和鲁棒性保障问题。锅炉燃烧过程受到多种外部因素的干扰和影像，如燃料成分变化、气候条件变化等。因此，优化控制系统需要具备足够的系统稳定性和鲁棒性，以应对这些外部干扰，并保持系统的稳定运行。虽然当前优化控制系统能够提供有效的优化控制策略，但在实际应用中，系统稳定性和鲁棒性的保证仍然是个挑战。

6、系统集成和兼容性的困难。锅炉燃烧优化控制系统需要与现有的电厂控制系统进行集成，以实现全面的监控和控制。因此，需要考虑优化系统与现有系统的兼容性和集成难度。尽管当前优化控制系统在优化方面具有很强的能力，但在集成到现有系统时可能面临接口兼容性、数据格式转换等问题，导致集成难度增加和系统稳定性降低。

7、缺乏友好的人机交互操作界面。在实际应用中，操作人员需要通过友好的人机交互界面进行监控和调整锅炉燃烧过程。因此，优化控制系统需要设计相应的操作界面和人机交互方式，以便操作人员能够方便地使用和理解。尽管当前优化控制系统能够提供高效的优化算法，但操作界面的设计和用户体验仍无法满足用户需求。

发明内容

本发明的目的在于提供一种基于燃烧器工作状况的深度学习燃烧优化控制方法及系统，从而解决现有技术中存在的前述问题。

为了实现上述目的，本发明采用的技术方案如下：

一种基于燃烧器工作状况的深度学习燃烧优化控制方法，包括如下步骤，

S1、单个燃烧器控制：

基于采集到的锅炉内各燃烧器工况数据和电厂DCS运行数据，为各个燃烧器对应的燃烧器神经网络模型构建燃烧器训练数据集，将训练数据集输入到各个燃烧器对应的燃烧器神经网络模型中对其进行训练，训练过程中，利用遗传算法对参数进行调优，并通过对燃烧器神经网络模型进行评估获取参数最优的燃烧器神经网络模型；

S2、整个锅炉控制：

基于各个参数最优的燃烧器神经网络模型构建锅炉神经网络模型，基于实时获取的锅炉历史运行数据构建锅炉训练数据集，将锅炉训练集输入到锅炉神经网络模型中对其进行训练，训练过程中，利用随机梯度下降算法进行参数寻优，并通过对锅炉神经网络模型进行评估获取参数最优的锅炉神经网络模型。

优选的，所述燃烧器工况数据包括燃烧器附近的温度、着火距离、燃烧稳定性、煤粉分配率；所述电厂DCS运行数据包括磨煤机一次风速、一次风温、二次风量、燃尽风风量、给煤量。

优选的，所述燃烧器训练数据集包括多个训练样本，所述训练样本包括输入特征和对应的输出参数；

所述输入特征包括但不限于煤质信息、机组负荷、一次风速、一次风温、二次风量、燃尽风量、磨煤机电流、给煤量、燃烧器摆角、送引风机电流；

所述输出参数包括燃烧器着火点温度、着火距离、燃烧稳定性、飞灰含碳量、过热蒸汽温度、再热蒸汽温度、排烟温度、烟气含氧量、NOx含量、换热面壁温；

每个训练样本包含N个输入特征和对应的N个输出参数。

优选的，所述燃烧器神经网络模型为具有两个全连接层的神经网络模型；

模型的输入层包含与输入特征数量相同的神经元，使用ReLU作为激活函数；模型的输出层包含与输出参数数量相同的神经元；

燃烧器神经网络模型在训练过程中，选择Adam优化器来调整神经网络模型的权重和偏置，以最小化均方误差作为损失函数；通过设定适当的学习率、批量大小和训练周期数，以控制训练的速度和效果。

优选的，所述燃烧器神经网络模型的训练过程为：

将训练数据集的各个训练样本输入到燃烧器神经网络模型中，进行反向传播算法的训练，在每个训练周期中利用损失函数来评估燃烧器神经网络模型的性能，并根据Adam优化器的反馈调整燃烧器神经网络模型的参数；随着训练的进行，燃烧器神经网络模型逐渐学习到输入特征和输出参数之间的复杂关系，以准确地预测出单个燃烧器的工作状态；训练过程中利用遗传算法进行参数调优，当燃烧器神经网络模型达到预先设定的训练周期或者损失函数达到满意水平时，停止训练；对训练过程中的燃烧器神经网络模型进行评估，利用验证数据集来验证燃烧器神经网络模型的泛化能力，最终得到参数最优的燃烧器神经网络模型。

优选的，将锅炉内所有燃烧器所对应的参数最优的燃烧器神经网络模型连接到一个主模型上，形成锅炉神经网络模型；各个参数最优的燃烧器神经网络模型采用并行结构，每个参数最优的燃烧器神经网络模型作为主体模型的一个分支，用于接收对应燃烧器的输入特征；

所述锅炉实时运行数据包括燃烧器工况数据、电厂DCS运行数据、锅炉负荷数据；模型训练过程中从这些数据中能够提取反应锅炉运行状态的关键特征，包括同层温度均匀性、煤粉分配率均匀性、燃烧效率、NOx排放量、减温水量；

所述锅炉神经网络模型的输出包括燃烧器供气量、风量调节、煤粉分配。

优选的，步骤S2中还包括，利用参数最优的锅炉神经网络模型对锅炉运行过程中的异常情况进行监测和诊断；具体过程为，

实时采集燃烧器运行中的各项参数，包括但不限于一次风速、一次风温、二次风量、燃尽风风量、给煤量；从采集到的各项参数中提取关键特征，包括但不限于同层温度均匀性、煤粉分配率均匀性、燃烧效率、NOx排放量、减温水量，这些关键特征能够反映锅炉的运行状态；

使用历史数据训练锅炉神经网络模型，使其学习正常运行条件下的数据模式；将实时采集到的数据输入到训练好的参数最优的锅炉神经网络模型中，通过比较锅炉实时数据与模型预测结果之间的差异，确定锅炉是否存在异常；如果锅炉实时数据与模型预测结果之间的差异超出预设阈值，则将诊断结果标记为异常，则对于诊断到的异常，锅炉神经网络模型进一步分析原因，通过自动调整燃烧参数或向操作人员提供警报和操作建议，以解决异常情况，确保锅炉的安全稳定运行；

若异常情况由包括但不限于煤质变化、燃烧器故障、风量不均引起，则解决措施包括但不限于如调整风量、煤量、燃烧器的配置，以优化燃烧效率和均匀性；若异常情况由设备存在故障引起，则需要对相应设备进行维护或更换。

优选的，步骤S2还包括，将参数最优的锅炉神经网络模型接入电厂DCS运行系统，根据锅炉的实际运行情况自动调整电厂DCS参数，以调节发电负荷，避免其超出锅炉的安全运行范围，并提高锅炉燃烧效率。

优选的，在构建训练数据集之前，需要对采集的数据进行数据预处理，包括平滑稳定、去除超限值、插补缺失点，数据处理后存储到本地数据库中。

本发明的目的还在于提供一种基于燃烧器工作状况的深度学习燃烧优化控制系统，系统用于实现上述任一所述的方法，系统包括，

燃烧器工况数据采集模块：包括多个与各燃烧器一一对应的多光谱传感器；各所述多光谱传感器利用将光信号转化为数字信号的方式获取相应燃烧器的工况数据，并存入服务器数据库中；

DCS数据采集模块：用于采集电厂DCS运行数据；

燃烧器控制模块：用于基于采集到的锅炉内各燃烧器工况数据和电厂DCS运行数据，为各个燃烧器对应的燃烧器神经网络模型构建燃烧器训练数据集，将训练数据集输入到各个燃烧器对应的燃烧器神经网络模型中对其进行训练，训练过程中，利用遗传算法对参数进行调优，并通过对燃烧器神经网络模型进行评估，获取参数最优的燃烧器神经网络模型；

锅炉控制模块：用于基于各个参数最优的燃烧器神经网络模型构建锅炉神经网络模型，基于实时获取的锅炉运行数据构建锅炉训练数据集，将锅炉训练集输入到锅炉神经网络模型中并采用随机梯度下降的方式对其进行优化训练，训练过程中，利用多目标优化算法进行参数寻优，并通过对锅炉神经网络模型进行评估，获取参数最优的锅炉神经网络模型；

自动控制模块：用于基于参数最优的锅炉神经网络模型，获取最优状态下的各个参数，并利用这些最优参数控制电厂DCS运行。

本发明的有益效果是：1、本发明的神经网络模型能够综合考虑煤质数据、锅炉负荷以及其他运行参数的影响，为每个工况下的每个燃烧器提供最佳的燃烧控制设定值，确保锅炉运行在最佳状态下。2、本发明分别利用遗传算法和多目标优化算法对相应模型进行参数寻优，能够在保证燃烧安全性和稳定性的前提下，调整各个控制参数，以实现最优的燃烧效果和能源利用效率。3、本发明通过优化燃烧控制设定值，可以降低煤耗和能源消耗，减少运行成本，并提高电厂的经济效益。减少污染排放：优化的燃烧参数能够降低排放物的产生量，减少对环境的污染，提高电厂的环保性能。4、本发明借助深度学习燃烧优化模型，能够快速地识别并调整燃烧器的工作状态，有效减少燃烧不良和燃烧不稳定的情况。通过实时监测和调整燃烧参数，确保燃烧器在最佳工作状态下运行，提高锅炉的稳定性和可靠性。5、本发明能够及时检测并预防局部温度对水冷壁的损伤。通过实时监测燃烧参数和火焰状态，及时调整燃烧控制参数，避免局部过热引发的损坏和爆管等安全问题，保障锅炉的安全运行。

附图说明

图1是本发明实施例中方法的原理流程图；

图2是本发明实施例中燃烧器工况数据采集模块的结构图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。

实施例一

如图1所示，本实施例中，提供了一种基于燃烧器工作状况的深度学习燃烧优化控制方法，包括如下三部分内容：

一、数据获取

本实施例中，通过采用传感器或者其他技术手段获取燃烧器工况数据、电厂DCS运行数据等相关数据内容。

本实施例中，所述燃烧器工况数据包括燃烧器附近的温度、着火距离、燃烧稳定性、煤粉分配率；所述电厂DCS运行数据包括磨煤机一次风速、一次风温、二次风量、燃尽风风量、给煤量。

二、数据处理

本实施例中，对于采集到的相关数据需要进行平滑稳定、去除超限值、插补缺失点等相关处理，之后存入到本地数据库中，作为后去参与神经网络模型训练的样本。

对于连续的信号f(t)，使用以下公式变换为F(ω)：

对于离散的信号f(n)，使用以下公式变换为F[k],：

其中，j是虚数单位，w是角频率，N是信号的样本数量，n和k分别是离散时间和频率域的索引。

三、单个燃烧器控制

基于采集到的锅炉内各燃烧器工况数据和电厂DCS运行数据，为各个燃烧器对应的燃烧器神经网络模型构建燃烧器训练数据集，将训练数据集输入到各个燃烧器对应的燃烧器神经网络模型中对其进行训练，训练过程中，利用遗传算法对参数进行调优，并通过对燃烧器神经网络模型进行评估，获取参数最优的燃烧器神经网络模型。

本实施例中，所述燃烧器训练数据集包括多个训练样本，所述训练样本包括输入特征和对应的输出参数；

所述输入特征包括煤质信息、机组负荷、一次风速、一次风温、二次风量、燃尽风量、磨煤机电流、给煤量、燃烧器摆角、送引风机电流。

所述输出参数包括燃烧器着火点温度、着火距离、燃烧稳定性、飞灰含碳量、过热蒸汽温度、再热蒸汽温度、排烟温度、烟气含氧量、NOx含量、换热面壁温。

收集足够数量的历史数据样本，每个样本包含N(如10个)个输入特征和对应的N(如10个)个输出参数。

本实施例中，样本中相关重要数据解释如下：

(1)温度：使用燃烧器着火点温度、过热蒸汽温度和再热蒸汽温度作为燃烧器的温度指标。这些温度参数直接反映了燃烧器内部的燃烧情况和热力状态。通过与设定的温度范围进行比较，从而评估燃烧器的温度是否处于合适的工作状态。

(2)着火距离：着火距离是指燃烧器喷口与煤粉火焰之间的距离。这一指标直接影响着燃烧的稳定性和效率。利用模型对着火距离进行预测，并将实时测量得到的数据与预测值进行对比，以评估燃烧器的着火状态。若实测值偏离预测值较大，则存在着火不良或燃烧不稳定的情况。

(3)燃烧稳定性：燃烧稳定性是指燃烧过程中火焰的持续性和均匀性。通过实时监测火焰和燃烧来评估燃烧器的稳定性。利用实时采集的压力和温度等数据，结合模型预测的烟气含氧量等参数以判断燃烧器是否处于稳定的工作状态。压力和温度的监测是燃烧器直接与安全性和热力状态相关的参数，而烟气含氧量用来辅助判断燃烧效率和燃烧完全性。因此，在实际应用中，需要综合考虑这些参数，以获得燃烧器稳定性的全面评估。若火焰形态不均匀或燃烧噪声异常，则可能存在燃烧不稳定的问题。

燃烧稳定性使用以下公式进行表述：

其中，M是采样点的数量，Pj和Tj分别是第j个采样点的压力和温度，P和T分别是所有采样点的压力和温度的平均值。

本实施例中，所述燃烧器神经网络模型为具有两个全连接层的神经网络模型；模型的输入层包含与输入特征数量相同(如10个)经元，使用ReLU作为激活函数；模型的输出层包含与输出参数数量相同(如10个)的神经元。

燃烧器神经网络模型在训练过程中，选择Adam优化器来调整神经网络模型的权重和偏置，以最小化均方误差(MSE)作为损失函数；通过设定适当的学习率、批量大小和训练周期数，以控制训练的速度和效果。

本实施例中，将训练数据集的各个训练样本输入到燃烧器神经网络模型中，进行反向传播算法的训练，在每个训练周期中，通过计算模型评估指标来评估模型的性能，并根据Adam优化器的反馈调整模型的参数；随着训练的进行，燃烧器神经网络模型逐渐学习到输入特征和输出参数之间的关系，准确地预测出相应燃烧器的工作状态；训练过程中利用遗传算法进行参数调优，当燃烧器神经网络模型达到预先设定的训练周期或者损失函数达到满意水平时，停止训练；并对训练过程中的模型进行评估，可以使用验证集来验证模型的泛化能力，得到参数最优的燃烧器神经网络模型。

遗传算法进行参数调优的过程中，将最佳适应度、每代最小均方差与最小复杂度状态下的燃烧器神经网络模型，作为参数最优的燃烧器神经网络模型。

本实施例中，模型训练完毕后，可以将实时采集到的数据，使用傅里叶变换对燃烧器的运行数据进行频域分析，以识别和去除噪声成分，并提取燃烧过程中的关键频率特征。这些特征随后将作为神经网络模型的输入，用于更准确地预测和评估燃烧器的工作状态。

本实施例中，神经网络模型的层次结构具体如下：

(1)Dense层公式：

Dense层是用于构建神经网络模型的全连接层。其公式为：

output＝act i vat i on(i nput×kerne l+b i as)

其中，output是层的输出，act i vat i on是激活函数，i nput是层的输入，kernel是权重，b i as是偏置。在这里，使用ReLU作为激活函数。

(2)Dropout层公式：

Dropout层是用于在训练过程中随机丢弃神经元，以减少过拟合的方法。虽然没有具体的公式，但它在每次训练迭代中随机将一部分神经元输出置零，以减少神经网络的复杂性。

(3)Adam优化器公式：

Adam优化器用于调整神经网络中的权重以最小化损失函数。其更新权重的公式为：

\text{new_we i ght}＝\text{o l d_we i ght}-\text{l earn i ng_rate}\times

\frac{\text{grad i ent}}{\sqrt{\text{exp_avg_sq}+\eps i l on}}

其中，new_we i ght是更新后的权重，o l d_we i ght是旧的权重，l earn i ng_rate是学习率，grad i ent是损失函数的梯度，exp_avg_sq是平方梯度指数加权平均，epsi l on是一个小的常数，用于防止除零错误。

四、整个锅炉控制

基于各个参数最优的燃烧器神经网络模型构建锅炉神经网络模型，基于实时获取的锅炉历史运行数据构建锅炉训练数据集，将锅炉训练集输入到锅炉神经网络模型中对其进行训练，训练过程中，利用随机梯度下降算法进行参数寻优，并通过对锅炉神经网络模型进行评估，获取参数最优的锅炉神经网络模型。

本实施例中，将锅炉内所有燃烧器所对应的参数最优的燃烧器神经网络模型连接到一个主模型上，形成锅炉神经网络模型；各个参数最优的燃烧器神经网络模型采用并行结构，每个参数最优的燃烧器神经网络模型作为主体模型的一个分支，用于接收对应燃烧器的输入特征；

所述锅炉实时运行数据包括燃烧器工况数据、电厂DCS运行数据和锅炉负荷数据；模型训练过程中从这些数据中能够提取反应锅炉运行状态的关键特征，包括同层温度均匀性、煤粉分配率均匀性、燃烧效率、NOx排放量、减温水量；所述锅炉神经网络模型的输出包括燃烧器供气量、风量调节、煤粉分配。

其中，同层温度均匀性与煤粉分配率均匀性直接反映炉膛内部的偏烧情况与燃烧中心控制情况，是对整个炉膛燃烧控制的重要指标；燃烧效率、NOx排放量是反映锅炉的燃烧性能和环保性能的常用指标。各指标的公式表达如下：

(1)同层温度均匀性

其中，N是温度传感器的数量，T i是第i个传感器测得的温度，T是所有传感器测得温度的平均值。

(2)煤粉分配率均匀性

其中，K是煤粉供给点的数量，Fk是第k个供给点的煤粉供给量，F是所有供给点的煤粉供给量的平均值。

(3)Nox排放量

其中，L是监测点的数量，NOx l是第l个监测点的NOx排放量。

本实施例中，步骤S2中还包括，利用参数最优的锅炉神经网络模型对锅炉运行过程中的异常情况进行监测和诊断，具体为，

实时采集燃烧器运行中的各项参数，包括但不限于一次风速、一次风温、二次风量、燃尽风风量、给煤量；从采集到的各项参数中提取关键特征，包括但不限于同层温度均匀性、煤粉分配率均匀性、燃烧效率、NOx排放量、减温水量，这些关键特征能够反映锅炉的运行状态；

使用历史数据训练锅炉神经网络模型，使其学习正常运行条件下的数据模式；将实时采集到的数据输入到训练好的参数最优的锅炉神经网络模型中，通过比较锅炉实时数据与模型预测结果之间的差异，确定锅炉是否存在异常；如果锅炉实时数据与模型预测结果之间的差异超出预设阈值，则将诊断结果标记为异常，则对于诊断到的异常，锅炉神经网络模型进一步分析原因，通过自动调整燃烧参数或向操作人员提供警报和操作建议，以解决异常情况，确保锅炉的安全稳定运行。

本实施例中，针对异常情况的解决方式为：

(1)若异常情况由包括但不限于煤质变化、燃烧器故障、风量不均引起，则解决措施包括但不限于如调整风量、煤量、燃烧器的配置，以优化燃烧效率和均匀性.

(2)若异常情况由设备存在故障引起，则需要对相应设备进行维护或更换。

本实施例中，参数最优的锅炉神经网络模型可接入DCS系统(闭环控制)，根据锅炉的实际运行情况自动调整电厂DCS参数，以调节发电负荷，避免其超出锅炉的安全运行范围，并提高锅炉燃烧效率；或向操作人员提供警报和操作建议(开环控制)，以解决异常情况，确保锅炉的安全稳定运行。

对于诊断出的异常情况，解决措施可能包括：如调整风量、煤量、燃烧器的配置等，以优化燃烧效率和均匀性。如果诊断结果显示设备存在故障，需要进行相应的维护或更换部件。根据锅炉的实际运行情况，调整发电负荷，避免超出锅炉的安全运行范围。

实施例二

本实施例中，提供了一种基于燃烧器工作状况的深度学习燃烧优化控制系统，系统用于实现上述所述的方法，系统包括，

燃烧器工况数据采集模块：包括多个与各燃烧器一一对应的多光谱传感器；各所述多光谱传感器利用将光信号转化为数字信号的方式获取相应燃烧器的工况数据，并存入服务器数据库中。燃烧器工况数据采集模块的结构参见附图2。

DCS数据采集模块：用于采集电厂DCS运行数据。

燃烧器控制模块：用于基于采集到的锅炉内各燃烧器工况数据和电厂DCS运行数据，为各个燃烧器对应的燃烧器神经网络模型构建燃烧器训练数据集，将训练数据集输入到各个燃烧器对应的燃烧器神经网络模型中对其进行训练，训练过程中，利用遗传算法对参数进行调优，并通过对燃烧器神经网络模型进行评估，获取参数最优的燃烧器神经网络模型。

锅炉控制模块：用于基于各个参数最优的燃烧器神经网络模型构建锅炉神经网络模型，基于实时获取的锅炉运行数据构建锅炉训练数据集，将锅炉训练集输入到锅炉神经网络模型中并采用随机梯度下降的方式对其进行优化训练，训练过程中，利用多目标优化算法进行参数寻优，并通过对锅炉神经网络进行评估，获取参数最优的锅炉神经网络模型。

自动控制模块：用于基于参数最优的锅炉神经网络模型，获取最优状态下的各个参数，并利用这些最优参数控制电厂DCS运行。

本实施例中，系统还包括用于实现人机交互的操作界面，操作界面上能够展示锅炉各燃烧器的当前运行工况以及电厂DCS的运行状态，运行过程中的相关参数数据展示在操作界面上。操作界面上存在自动模式和手动模式，自动模式下，系统自动根据模型的输出结果比对当前实时获取的相关运行数据，自适应调整参数值，使得锅炉运行达到最优状态。手动模式下，操作人员可以通过手动操作调整参数值，使锅炉运行达到相应的状态。同时，在系统在检测到异常情况时，操作界面上会及时向操作人员展示警报和操作建议，以便操作人员能够及时解决异常情况。

通过采用本发明公开的上述技术方案，得到了如下有益的效果：

本发明提供了一种基于燃烧器工作状况的深度学习燃烧优化控制方法及系统，本发明的神经网络模型能够综合考虑煤质数据、锅炉负荷以及其他运行参数的影响，为每个工况下的每个燃烧器提供最佳的燃烧控制设定值，确保锅炉运行在最佳状态下。本发明分别利用遗传算法和多目标优化算法对相应模型进行参数寻优，能够在保证燃烧安全性和稳定性的前提下，调整各个控制参数，以实现最优的燃烧效果和能源利用效率。本发明通过优化燃烧控制设定值，可以降低煤耗和能源消耗，减少运行成本，并提高电厂的经济效益。减少污染排放：优化的燃烧参数能够降低排放物的产生量，减少对环境的污染，提高电厂的环保性能。本发明借助深度学习燃烧优化模型，能够快速地识别并调整燃烧器的工作状态，有效减少燃烧不良和燃烧不稳定的情况。通过实时监测和调整燃烧参数，确保燃烧器在最佳工作状态下运行，提高锅炉的稳定性和可靠性。本发明能够及时检测并预防局部温度对水冷壁的损伤。通过实时监测燃烧参数和火焰状态，及时调整燃烧控制参数，避免局部过热引发的损坏和爆管等安全问题，保障锅炉的安全运行。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。

Claims (10)

1.一种基于燃烧器工作状况的深度学习燃烧优化控制方法，其特征在于：包括如下步骤，

S1、单个燃烧器控制：

基于采集到的锅炉内各燃烧器工况数据和电厂DCS运行数据，为各个燃烧器对应的燃烧器神经网络模型构建燃烧器训练数据集，将训练数据集输入到各个燃烧器对应的燃烧器神经网络模型中对其进行训练，训练过程中，利用遗传算法对参数进行调优，并通过对燃烧器神经网络模型进行评估获取参数最优的燃烧器神经网络模型；

S2、整个锅炉控制：

基于各个参数最优的燃烧器神经网络模型构建锅炉神经网络模型，基于实时获取的锅炉历史运行数据构建锅炉训练数据集，将锅炉训练集输入到锅炉神经网络模型中对其进行训练，训练过程中，利用随机梯度下降算法进行参数寻优，并通过对锅炉神经网络模型进行评估获取参数最优的锅炉神经网络模型。

2.根据权利要求1所述的基于燃烧器工作状况的深度学习燃烧优化控制方法，其特征在于：所述燃烧器工况数据包括燃烧器附近的温度、着火距离、燃烧稳定性、煤粉分配率；所述电厂DCS运行数据包括磨煤机一次风速、一次风温、二次风量、燃尽风风量、给煤量。

3.根据权利要求2所述的基于燃烧器工作状况的深度学习燃烧优化控制方法，其特征在于：所述燃烧器训练数据集包括多个训练样本，所述训练样本包括输入特征和对应的输出参数；

所述输入特征包括但不限于煤质信息、机组负荷、一次风速、一次风温、二次风量、燃尽风量、磨煤机电流、给煤量、燃烧器摆角、送引风机电流；

所述输出参数包括燃烧器着火点温度、着火距离、燃烧稳定性、飞灰含碳量、过热蒸汽温度、再热蒸汽温度、排烟温度、烟气含氧量、NOx含量、换热面壁温；

每个训练样本包含N个输入特征和对应的N个输出参数。

4.根据权利要求1所述的基于燃烧器工作状况的深度学习燃烧优化控制方法，其特征在于：所述燃烧器神经网络模型为具有两个全连接层的神经网络模型；

模型的输入层包含与输入特征数量相同的神经元，使用ReLU作为激活函数；模型的输出层包含与输出参数数量相同的神经元；

燃烧器神经网络模型在训练过程中，选择Adam优化器来调整神经网络模型的权重和偏置，以最小化均方误差作为损失函数；通过设定适当的学习率、批量大小和训练周期数，以控制训练的速度和效果。

5.根据权利要求4所述的基于燃烧器工作状况的深度学习燃烧优化控制方法，其特征在于：所述燃烧器神经网络模型的训练过程为：

将训练数据集的各个训练样本输入到燃烧器神经网络模型中，进行反向传播算法的训练，在每个训练周期中利用损失函数来评估燃烧器神经网络模型的性能，并根据Adam优化器的反馈调整燃烧器神经网络模型的参数；随着训练的进行，燃烧器神经网络模型逐渐学习到输入特征和输出参数之间的复杂关系，以准确地预测出单个燃烧器的工作状态；训练过程中利用遗传算法进行参数调优，当燃烧器神经网络模型达到预先设定的训练周期或者损失函数达到满意水平时，停止训练；对训练过程中的燃烧器神经网络模型进行评估，利用验证数据集来验证燃烧器神经网络模型的泛化能力，最终得到参数最优的燃烧器神经网络模型。

6.根据权利要求1所述的基于燃烧器工作状况的深度学习燃烧优化控制方法，其特征在于：将锅炉内所有燃烧器所对应的参数最优的燃烧器神经网络模型连接到一个主模型上，形成锅炉神经网络模型；各个参数最优的燃烧器神经网络模型采用并行结构，每个参数最优的燃烧器神经网络模型作为主体模型的一个分支，用于接收对应燃烧器的输入特征；

所述锅炉实时运行数据包括燃烧器工况数据、电厂DCS运行数据、锅炉负荷数据；模型训练过程中从这些数据中能够提取反应锅炉运行状态的关键特征，包括同层温度均匀性、煤粉分配率均匀性、燃烧效率、NOx排放量、减温水量；

所述锅炉神经网络模型的输出包括燃烧器供气量、风量调节、煤粉分配。

7.根据权利要求1所述的基于燃烧器工作状况的深度学习燃烧优化控制方法，其特征在于：步骤S2中还包括，利用参数最优的锅炉神经网络模型对锅炉运行过程中的异常情况进行监测和诊断；具体过程为，

实时采集燃烧器运行中的各项参数，包括但不限于一次风速、一次风温、二次风量、燃尽风风量、给煤量；从采集到的各项参数中提取关键特征，包括但不限于同层温度均匀性、煤粉分配率均匀性、燃烧效率、NOx排放量、减温水量，这些关键特征能够反映锅炉的运行状态；

使用历史数据训练锅炉神经网络模型，使其学习正常运行条件下的数据模式；将实时采集到的数据输入到训练好的参数最优的锅炉神经网络模型中，通过比较锅炉实时数据与模型预测结果之间的差异，确定锅炉是否存在异常；如果锅炉实时数据与模型预测结果之间的差异超出预设阈值，则将诊断结果标记为异常，则对于诊断到的异常，锅炉神经网络模型进一步分析原因，通过自动调整燃烧参数或向操作人员提供警报和操作建议，以解决异常情况，确保锅炉的安全稳定运行；

若异常情况由包括但不限于煤质变化、燃烧器故障、风量不均引起，则解决措施包括但不限于如调整风量、煤量、燃烧器的配置，以优化燃烧效率和均匀性；若异常情况由设备存在故障引起，则需要对相应设备进行维护或更换。

8.根据权利要求1所述的基于燃烧器工作状况的深度学习燃烧优化控制方法，其特征在于：步骤S2还包括，将参数最优的锅炉神经网络模型接入电厂DCS运行系统，根据锅炉的实际运行情况自动调整电厂DCS参数，以调节发电负荷，避免其超出锅炉的安全运行范围，并提高锅炉燃烧效率。

9.根据权利要求1所述的基于燃烧器工作状况的深度学习燃烧优化控制方法，其特征在于：在构建训练数据集之前，需要对采集的数据进行数据预处理，包括平滑稳定、去除超限值、插补缺失点，数据处理后存储到本地数据库中。

10.一种基于燃烧器工作状况的深度学习燃烧优化控制系统，其特征在于：系统用于实现上述权利要求1至9任一所述的方法，系统包括，

燃烧器工况数据采集模块：包括多个与各燃烧器一一对应的多光谱传感器；各所述多光谱传感器利用将光信号转化为数字信号的方式获取相应燃烧器的工况数据，并存入服务器数据库中；

DCS数据采集模块：用于采集电厂DCS运行数据；

燃烧器控制模块：用于基于采集到的锅炉内各燃烧器工况数据和电厂DCS运行数据，为各个燃烧器对应的燃烧器神经网络模型构建燃烧器训练数据集，将训练数据集输入到各个燃烧器对应的燃烧器神经网络模型中对其进行训练，训练过程中，利用遗传算法对参数进行调优，并通过对燃烧器神经网络模型进行评估，获取参数最优的燃烧器神经网络模型；

锅炉控制模块：用于基于各个参数最优的燃烧器神经网络模型构建锅炉神经网络模型，基于实时获取的锅炉运行数据构建锅炉训练数据集，将锅炉训练集输入到锅炉神经网络模型中并采用随机梯度下降的方式对其进行优化训练，训练过程中，利用多目标优化算法进行参数寻优，并通过对锅炉神经网络模型进行评估，获取参数最优的锅炉神经网络模型；

自动控制模块：用于基于参数最优的锅炉神经网络模型，获取最优状态下的各个参数，并利用这些最优参数控制电厂DCS运行。