CN101634459A - 火力发电锅炉智能燃烧优化系统及其实现方法 - Google Patents

Abstract

本发明目的是提供一种火力发电锅炉智能燃烧优化系统及其实现方法，属于能源、环保、软件信息等相关技术领域。该系统主要包括：人机界面模块，通过它，锅炉操作人员可以配置煤种等相关参数，并对整个系统提出优化目标，并可以清晰展示经过本系统预测的优化模型；智能算法子系统，它在人机界面模块的指导下，依据分布式控制系统DCS和环境污染物监测模块提供的信息，产生燃烧优化模型。通过本发明，能够为电厂一线人员提供锅炉性能优化的实时在线分析功能，并通过该系统分析出锅炉系统的优化参数和优化目标，并给出具体的性能优化措施和技术指导。

Description

火力发电锅炉智能燃烧优化系统及其实现方法

技术领域

本发明属于能源、环保、软件信息等技术领域。

背景技术

我国是世界产煤和燃煤大国，由燃煤排放的二氧化硫、二氧化氮造成的酸雨已影响到全国40％近400万平方公里的面积，污染物排放中电厂占到了60％以上，环境保护问题迫在眉睫；另一方面，我国火电煤耗与国外先进水平差距很大，2005年，中国电力工业全国平均供电煤耗为374g/kWh，日本东京电力公司1999年的供电煤耗为320g/kWh，德国巴伐利亚电力公司1999年的供电煤耗为332.1g/kwh。目前国内多数的排放大、能耗高的小机组面临停产淘汰的局面。

在已有的煤种寻优方法中，有的可以提高燃烧热效率，却增加了污染物的排放，加重了环境污染；有的集中在减少环境污染而忽略了锅炉的燃烧热效率。

如何提高燃煤的热能利用率、减少煤对环境造成的污染，是一个重要课题。

发明内容

本发明目的在于提供一种火力发电锅炉智能燃烧优化系统及其实现方法，以提供更为优化的火力发电燃烧方案，以及配套的实现方法。

一种火力发电锅炉智能燃烧优化系统，它是这样实现的，该系统包括有分布式控制系统DCS和环境污染物监测模块，进一步，该系统还包括有如下组成部分：

人机界面模块，通过该模块锅炉操作人员可以配置煤种等相关参数，并对整个系统提出多目标优化要求，并可以清晰展示经过本系统预测的优化模型；

智能算法子系统，它在人机界面模块的指导下，依据分布式控制系统DCS和环境污染物监测模块提供的信息，产生燃烧优化模型。

进一步，该系统还包括有如下特征：

所述的智能算法子系统，它包括有选优模块，与历史数据库中获得的锅炉燃烧模型相连接，在人机界面模块提出的优化目标的指导下产生有效的燃烧调节方案。

该系统所包括的选优模块具体算法为：

设S为数据库中m个实例中所包含的特征向量的集合，s₀是人工选出的最优实例模板。假设S与s₀的并集一共包含n个特征项，则s₀＝[s₀(1)，s₀(2)，…，s₀(n)]，S可以表示为m×n维的实例指标集矩阵：

$\left[\begin{array}{cccc}{s}_1\left(1\right)& s_1\left(2\right)& ...& s_1\left(n\right)\\ s_2\left(1\right)& s_2\left(2\right)& ...& s_2\left(n\right)\\ ............& & & \\ s_m\left(1\right)& s_m\left(2\right)& ...& s_m\left(n\right)\end{array}\right]$

最近相邻函数可用公式表示为：

$E(s_0,s_i,W)=\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{w}_k\×\mathrm{sim}(s_0\left(k\right),s_i\left(k\right))/{\mathrm{\Σ}}_{k=1}^n{w}_k$

其中：w_k是第k个指标的重要度；sim是相似函数。为选出最优的实例集合，相似性计算方法可以表示为：

simk＝1-|[s₀(k)-s_i(k)]/range(s(k))|

其中：range(s(k))表示第k个指标的取值范围；|[s₀(k)-s_i(k)]/range(s(k))|表示当前目标实例与实例的第k个指标的不相似度。

对应所述的选优模块，它包括有历史数据库，该数据库与前述的分布式控制系统DCS和环境污染物监测模块相连接，整合了在同一时刻下锅炉燃烧相关参数的数据库结构。

模型库管理模块，它是用以分类管理选优模块所优选的来自于历史数据库中符合优选条件的各种锅炉燃烧模型的模块结构。

所述的智能算法子系统，它包括有燃烧模型库，该模型库对应着模型库管理模块设置，用以存储来自于历史数据库中符合优选条件的锅炉燃烧模型。

所述的智能算法子系统，它包括有智能算法库，其中包括有若干用以处理燃烧模型的人工神经网络、遗传算法等算法模型。

对应着所述的智能算法库，设置有智能算法模块，该模块与模型库管理模块相连接，以从燃烧模块库中挑选合适的燃烧模型并将其放在智能算法库中，并与决策支持模块相连接以提供合适的燃烧模型。

所述的智能算法子系统，它包括有决策支持模块，该模块通过智能算法库，并与人机界面模块的相连接以获得人工参数配置，与分布式控制系统DCS相连接以获得实时工况数据，与污染物监测模块相连接以获得环境污染物排放数据，以及与燃烧模型库相连接以获得燃烧模型，从而做出逼近于燃烧模型的燃烧参数配置方案。

本发明还描述了一种火力发电锅炉智能燃烧优化系统的实现方法，该方法包括有如下步骤：

步骤1，用户通过人机界面模块所对应的人机界面，向与其连通的智能算法子系统进行与燃煤锅炉优化目标相关的参数配置；

步骤2，由分布式控制系统DCS获取锅炉的实时工况数据并传递至智能算法子系统，

由污染物监测模块获取锅炉的环境污染物排放数据并传递至智能算法子系统，

由煤种工业分析模块分析锅炉燃烧用煤的技术参数并传递至智能算法子系统；

步骤3，由智能算法子系统中的选优模块，从历史数据库中优选燃烧实例，

由模型管理模块从选优模块中获得优选的实例构造燃烧模型，将其存储在燃烧模型库中；

步骤4，接受模型库中的燃烧模型集合，通过决策支持模块中的人工神经网络遗传算法进行训练和学习，

步骤5，依据来自于分布式控制系统DCS的实时工况数据、来自于污染物监测模块的环境污染物排放数据，通过智能算法进行决策，做出逼近于燃烧模型的燃烧参数配置方案；

步骤6，通过与人机界面模块所对应的人机界面提供给用户，供用户操作时使用。

进一步，所述的步骤3中的优选模块，具有如下算法，

设S为实例库中m个实例中所包含的特征向量的集合，s0是当前实例的特征向量。假设S与s0的并集一共包含n个特征项，则s0＝[s0(1)，s0(2)，…，s0(n)]，S可以表示为m×n维的实例指标集矩阵：

$S=\left[\begin{array}{c}s1\left(1\right)s1\left(2\right)...s1\left(n\right)\\ s2\left(1\right)s2\left(2\right)...s2\left(n\right)\\ .........\\ \mathrm{sm}\left(1\right)\mathrm{sm}\left(2\right)...\mathrm{sm}\left(n\right)\end{array}\right]$

最近相邻函数可用公式表示为：

$E(s0,\mathrm{si},W)=\underset{k=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{wk}\×\mathrm{sim}(s0\left(k\right),\mathrm{si}\left(k\right))/{\mathrm{\Σ}}_{k=1}^n\mathrm{wk}$

其中：wk是第k个指标的重要度；sim是相似函数。经典的局部相似度计算可以表示为：

simk＝1-|[s0(k)-si(k)]/range(s(k))|

其中：range(s(k))表示第k个指标的取值范围；|[s0(k)-si(k)]/range(s(k))|表示当前目标实例与实例的第k个指标的不相似度。

本发明的优点在于：该系统以及配套的方法，能够为电厂一线人员提供锅炉性能优化的实时在线分析功能，并通过该系统分析出锅炉系统的优化参数和优化目标，并给出具体的性能优化措施和技术指导。通过良好的燃烧模型，达到在性能不变的情况下有效降低煤耗和氮氧化物、硫化物排放之目的。同时还具有对锅炉燃烧状态进行监控和其它统计分析等功能。用户可以根据自身需要选择侧重降低污染物排放、提高热效率，降低煤耗或者整体优化等多目标的方案。

附图说明

图1为本发明所述的火力发电锅炉智能燃烧优化系统的组成框图。

图2为本发明所述的火力发电锅炉智能燃烧优化系统的组成示意图，其中的智能算法子系统部分做了进一步的描述。

具体实施方式

下面结合附图详细说明本发明的优选实施例。

参图1、2所示，一种火力发电锅炉智能燃烧优化系统100，它主要用以向用户提供更加高效的燃煤利用机制，以及更低的污染排放水准。

在本发明中，该系统包括有分布式控制系统DCS400和环境污染物监测模块410，其特征在于该系统还包括有如下组成部分：

人机界面模块210，它就是用户用以实现燃煤锅炉500的燃烧检测、燃烧控制的显示界面和操作界面，并对整个系统提出多目标优化要求，并可以清晰展示经过本系统预测的优化模型。

其中的显示界面，可通过常用的显示屏来实现。而操作界面，可以包括按键、开关等结构，另外，也可以将显示屏做成触摸屏，来实现输入功能。

通过该人机界面模块210，锅炉操作人员对燃煤状态进行监控，以及实现配置煤种、各种燃烧状态控制，如进风量、进煤量、燃烧温度，等等相关参数。进一步，在本发明中，更可以通过智能算法子系统300所提供的优化参数设置方式，来调整燃煤状态下的各参数，并不断地逼近最优的燃烧模式，从而达到节约能量、减少空气污染的目的。

也就是说，通过该界面模块所提供的信息，整个系统可提出明确的优化目标，并可以清晰地展示经过本系统预测的优化模型。

另外，该系统还包括有智能算法子系统300，它在人机界面模块210所输入的参数的指导下，并依据分布式控制系统DCS400和环境污染物监测模块410提供的信息，通过数据的遴选、优化，以及综合运算，来产生燃烧优化模型。

在下面的篇幅中，我们将结合图2细致描述智能算法子系统300的工作原理。

首先，该智能算法子系统300中包括有选优模块310。

选优模块310的主要功能是，是从用以容放各燃烧相关历史数据的历史数据库311中获得各燃烧模型历史数据，然后，安装一定的优化算法，来计算、获得优秀的燃烧模型，并将优选的燃烧模型经由模型库管理模块320存储至燃烧模型库321中。

选优模块310主要从历史数据中获得的锅炉燃烧模型相连接，在人机界面模块210提出的优化目标的指导下，以及结合燃煤锅炉500的工作状况等，产生有效的燃烧调节方案。

在本发明中，选优模块310的具体算法为：

设S为数据库中m个实例中所包含的特征向量的集合，s₀是人工选出的最优实例模板。假设S与s₀的并集一共包含n个特征项，则s₀＝[s₀(1)，s₀(2)，…，s₀(n)]，S可以表示为m×n维的实例指标集矩阵：

$\left[\begin{array}{cccc}{s}_1\left(1\right)& s_1\left(2\right)& ...& s_1\left(n\right)\\ s_2\left(1\right)& s_2\left(2\right)& ...& s_2\left(n\right)\\ ............& & & \\ s_m\left(1\right)& s_m\left(2\right)& ...& s_m\left(n\right)\end{array}\right]$

最近相邻函数可用公式表示为：

$E(s_0,s_i,W)=\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{w}_k\×\mathrm{sim}(s_0\left(k\right),s_i\left(k\right))/{\mathrm{\Σ}}_{k=1}^n{w}_k$

其中：w_k是第k个指标的重要度；sim是相似函数。为选出最优的实例集合，相似性计算方法可以表示为：

simk＝1-|[s₀(k)-s_i(k)]/range(s(k))|

其中：range(s(k))表示第k个指标的取值范围；|[s₀(k)-s_i(k)]/range(s(k))|表示当前目标实例与实例的第k个指标的不相似度。

对应着选优模块310所设置的历史数据库311，该数据库与前述的分布式控制系统DCS400和环境污染物监测模块410相连接，是整合了在同一时刻下锅炉燃烧相关参数的数据库结构。

所述的模型库管理模块320，它是用以接收与布局选优模块310所优选的来自于历史数据库311中符合优选条件的锅炉燃烧参数模型的模块结构。对所接收的参数模型数据，进行归类、整理，以及排列等。

通过模型库管理模块320所管理的优选模型，放在燃烧模型库321中存储。

对应着智能算法子系统300，还设置有智能算法模块330，该模块与模型库管理模块320相连接，以从燃烧模块库321中挑选、学习合适的燃烧模型，并将其放在智能算法库331中。在智能算法库331中，包括有若干用以处理燃烧模型的人工神经网络、遗传算法等算法模型，这些算法模型，能够对各种燃烧模型的数据进行学习及处理，从而计算优选的燃烧模型。

对应着智能算法子系统300，包括有决策支持模块340，用以生成供用户采用燃煤锅炉的优选燃烧方案。

该模块通过智能算法库331，来进行具体的数据运算，在智能算法库331中，包括有若干用以处理燃烧模型关联数据的人工神经算法模型、遗传算法等。进一步，与人机界面模块210的相连接以获得人工参数配置，与分布式控制系统DCS400相连接以获得实时工况数据，与污染物监测模块410相连接以获得环境污染物排放数据，以及与燃烧模型库321相连接以获得燃烧模型，从而做出逼近于燃烧模型的燃烧参数配置方案。

煤种工业分析模块420，它是对配套的锅炉燃烧用煤实施化学结构与物理属性分析的模块结构。不同煤质成分，包括不同的杂质量，都会对燃烧模型造成很大的影响，这是构成优选燃烧模型的重要参照数据。

本发明所阐述的一种火力发电锅炉智能燃烧优化系统100的实现方法，主要包括有如下步骤：

步骤1，用户通过人机界面模块210所对应的人机界面200，向与其连通的智能算法子系统300进行与燃煤锅炉优化目标相关的参数配置。在人机界面200中，包括有用户操作相关的按键、显示屏等，供用户输入控制参数。

步骤2，由分布式控制系统DCS400获取锅炉的实时工况数据，如燃料量、进风量、燃烧温度，等等，并传递至智能算法子系统300中。

另外，由污染物监测模块410获取锅炉的环境污染物排放数据，并传递至智能算法子系统300，以供数据分析与模型建立。

由煤种工业分析模块420分析锅炉燃烧用煤的技术参数并传递至智能算法子系统300，以供数据分析与模型建立。

步骤3，由智能算法子系统300中的选优模块310，从历史数据库311中优选燃烧模型。

另外，由模型库管理模块320从选优模块310中获得优选的燃烧模型，将其存储在燃烧模型库321中。

步骤4，通过智能算法模块330，来接受模型库中的燃烧模型集合，通过决策支持模块中的人工神经网络遗传算法进行训练和学习。通过训练和学习，得出优选的燃烧模型的技术特征。

步骤5，由决策支持模块330，通过人工神经网络遗传算法库331，接受来自于人机界面模块210的参数配置、来自于分布式控制系统DCS400的实时工况数据、来自于污染物监测模块的环境污染物排放数据，以及来自于燃烧模型库中的燃烧模型，通过前述的智能算法进行决策，做出逼近于燃烧模型的燃烧参数配置方案。

步骤6，前一步所获得的燃烧参数配置方案，通过与人机界面模块210所对应的人机界面200提供给用户，供用户操作时使用。

进一步，所述的步骤3中的优选模块，具有如下算法：

设S为数据库中m个实例中所包含的特征向量的集合，s₀是人工选出的最优实例模板。假设S与s₀的并集一共包含n个特征项，则s₀＝[s₀(1)，s₀(2)，…，s₀(n)]，S可以表示为m×n维的实例指标集矩阵：

$\left[\begin{array}{cccc}{s}_1\left(1\right)& s_1\left(2\right)& ...& s_1\left(n\right)\\ s_2\left(1\right)& s_2\left(2\right)& ...& s_2\left(n\right)\\ ............& & & \\ s_m\left(1\right)& s_m\left(2\right)& ...& s_m\left(n\right)\end{array}\right]$

最近相邻函数可用公式表示为：

$E(s_0,s_i,W)=\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{w}_k\×\mathrm{sim}(s_0\left(k\right),s_i\left(k\right))/{\mathrm{\Σ}}_{k=1}^n{w}_k$

其中：w_k是第k个指标的重要度；sim是相似函数。为选出最优的实例集合，相似性计算方法可以表示为：

simk＝1-|[s₀(k)-s_i(k)]/range(s(k))|

其中：range(s(k))表示第k个指标的取值范围；|[s₀(k)-s_i(k)]/range(s(k))|表示当前目标实例与实例的第k个指标的不相似度。

进一步举例：关于选优模块310的相关实施例

假定现有数据模型为总燃料量，总空气量，二次风门开度(共六个参数)，煤种特性(共六个参数)，给煤机开度(共五个参数)，NOx排放量，热效率(以发电量计算)等共计20个参数的燃烧数据，首先可以人工确定一个最优化燃烧的模板实例为S₀＝(241.0234465656565656557.893.179.940.962367724.7568.0072.7772.7767.2060.370.66)。但是仅有一个案例是不够的，不能形成指导意义，于是本方法从数据库中提取出五条实例，根据其与最优模板实例的距离来断定其是否为较好的燃烧案例。

$S=$

$\left(\begin{array}{cccccccccccccccccccc}238.6& 2367& 65& 65& 65& 65& 65& 65& 64.51& 3.99& 6.53& 1.56& 26069& 28.11& 67.77& 68.80& 70.60& 66.17& 67.97& 0.58\\ 237.1& 2350& 65& 65& 65& 65& 65& 65& 64.51& 3.99& 6.53& 1.56& 26069& 28.11& 68.93& 68.83& 69.93& 66.07& 66.17& 0.59\\ 240.4& 2337& 65& 40& 40& 80& 80& 85& 57.89& 3.17& 9.94& 0.96& 23677& 24.75& 67.27& 72.97& 72.80& 67.10& 6.27& 0.61\\ 242.6& 2343& 65& 65& 65& 65& 65& 85& 57.89& 3.17& 9.94& 0.96& 23677& 24.75& 70.30& 73.77& 73.10& 67.50& 67.50& 0.63\\ 240.6& 2367& 65& 65& 65& 65& 65& 65& 57.89& 3.17& 9.94& 0.96& 23677& 24.75& 70.97& 73.37& 73.07& 67.30& 59.57& 0.62\end{array}\right)$

设若根据相似度计算方法得到的实例相似度分别为0.8835、0.8839、0.8662、0.9735、0.9919，又设优选实例的距离阀值为0.95，那么目标实例与实例库中实例4、5相匹配。那么实例4、5就是燃烧状态较好的实例，可以用来训练人工神经网络相关算法。

关于系统的实例

设有实例S(R，K，F₁，F₂，F₃，F₄，F₅，F₆，M₁，M₂，M₃，M₄，M₅，M₆，J₁，J₂，J₃，J₄，J₅，N)，其中R为总燃料量，K为总空气量，F1-F6为二次风门开度(共六个参数)，M1-M6为煤种特性(共六个参数)，J1-J6为给煤机开度(共五个参数)，N为NOx排放量给定 $S_1=\left(\begin{array}{cccccccccccccc}237.1& 2350& 65& 65& 65& 65& 65& 65& 64.51& 3.99& 6.53& 1.56& 26069& 28.11\end{array}\right.$

为系统中某时刻的燃烧实例，但是该实例不是最优的燃烧方法，通过本系统的智能算法，可通过优选的最优燃烧实例集合训练机器学习算法，在同等或者类似条件下，通过调整F1-F6为二次风门开度等参数调整炉膛燃烧状态，从而达到降低排放和提高热效率的作用。仍以S2为例，优化后的燃烧状态可能为 $S_n=\left(\begin{array}{ccccccccccc}237.1& 2350& 64& 67& 65& 69& 61& 63& 64.51& 3.99& 6.53\end{array}\right.$

这就标志着在同等的或者类似的条件下，通过本系统，同时达到了提高能效和降低NOx排放的作用。

以上是对本发明的描述而非限定，基于本发明思想的其它实施方式，均在本发明的保护范围之中。

Claims (11)

1.一种火力发电锅炉智能燃烧优化系统，它包括有分布式控制系统DCS和环境污染物监测模块，其特征在于该系统还包括有如下组成部分：

人机界面模块，通过该模块锅炉操作人员可以配置煤种等相关参数，并对整个系统提出多目标优化要求，并可以清晰展示经过本系统预测的优化模型；

智能算法子系统，它在人机界面模块的指导下，依据分布式控制系统DCS和环境污染物监测模块提供的信息，产生燃烧优化模型。

2.根据权利要求1所述的火力发电锅炉智能燃烧优化系统，其特征在于该系统包括：所述的智能算法子系统，它包括有选优模块，与历史数据库中获得的锅炉燃烧模型相连接，在人机界面模块提出的优化目标的指导下产生有效的燃烧调节方案。

3.根据权利要求1所述的火力发电锅炉智能燃烧优化系统，其特征在于：该系统所包括的选优模块具体算法为，

设S为数据库中m个实例中所包含的特征向量的集合，s₀是人工选出的最优实例模板。假设S与s₀的并集一共包含n个特征项，则s₀＝[s₀(1)，s₀(2)，…，s₀(n)]，S可以表示为m×n维的实例指标集矩阵：

$S=\left[\begin{array}{cccc}{s}_1\left(1\right)& s_1\left(2\right)& ...& s_1\left(n\right)\\ s_2\left(1\right)& s_2\left(2\right)& ...& s_2\left(n\right)\\ .........& & & \\ s_m\left(1\right)& s_m\left(2\right)& ...& s_m\left(n\right)\end{array}\right]$

最近相邻函数可用公式表示为：

$E(s_0,s_i,W)=\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{w}_k\×\mathrm{sim}(s_0\left(k\right),s_i\left(k\right))/{\mathrm{\Σ}}_{k=1}^n{w}_k$

其中：w_k是第k个指标的重要度；sim是相似函数。为选出最优的实例集合，相似性计算方法可以表示为：

simk＝1-|[s₀(k)-s_i(k)]/range(s(k))|

其中：range(s(k))表示第k个指标的取值范围；|[s₀(k)-s_i(k)]/range(s(k))|表示当前目标实例与实例的第k个指标的不相似度。

4.根据权利要求2所述的火力发电锅炉智能燃烧优化系统，其特征在于该系统包括：对应所述的选优模块，它包括有历史数据库，该数据库与前述的分布式控制系统DCS和环境污染物监测模块相连接，整合了在同一时刻下锅炉燃烧相关参数的数据库结构。

5.根据权利要求1所述的火力发电锅炉智能燃烧优化系统，其特征在于该系统包括：模型库管理模块，它是用以分类管理选优模块所优选的来自于历史数据库中符合优选条件的各种锅炉燃烧模型的模块结构。

6.根据权利要求1或5所述的火力发电锅炉智能燃烧优化系统，其特征在于该系统包括：所述的智能算法子系统，它包括有燃烧模型库，该模型库对应着模型库管理模块设置，用以存储来自于历史数据库中符合优选条件的锅炉燃烧模型。

7.根据权利要求1所述的火力发电锅炉智能燃烧优化系统，其特征在于该系统包括：所述的智能算法子系统，它包括有智能算法库，其中包括有若干用以处理燃烧模型的人工神经网络、遗传算法等算法模型。

8.根据权利要求7所述的火力发电锅炉智能燃烧优化系统，其特征在于该系统包括：对应着所述的智能算法库，设置有智能算法模块，该模块与模型库管理模块相连接，以从燃烧模块库中挑选合适的燃烧模型并将其放在智能算法库中，并与决策支持模块相连接以提供合适的燃烧模型。

9.根据权利要求1所述的火力发电锅炉智能燃烧优化系统，其特征在于该系统包括：所述的智能算法子系统，它包括有决策支持模块，该模块通过智能算法库，并与人机界面模块的相连接以获得人工参数配置，与分布式控制系统DCS相连接以获得实时工况数据，与污染物监测模块相连接以获得环境污染物排放数据，以及与燃烧模型库相连接以获得燃烧模型，从而做出逼近于燃烧模型的燃烧参数配置方案。

10.一种火力发电锅炉智能燃烧优化系统的实现方法，与前述的权利要求书1-9相对应，其特征在于该方法包括有如下步骤：

步骤1，用户通过人机界面模块所对应的人机界面，向与其连通的智能算法子系统进行与燃煤锅炉优化目标相关的参数配置；

步骤2，由分布式控制系统DCS获取锅炉的实时工况数据并传递至智能算法子系统，

由污染物监测模块获取锅炉的环境污染物排放数据并传递至智能算法子系统，

由煤种工业分析模块分析锅炉燃烧用煤的技术参数并传递至智能算法子系统；

步骤3，由智能算法子系统中的选优模块，从历史数据库中优选燃烧实例，

由模型管理模块从选优模块中获得优选的实例构造燃烧模型，将其存储在燃烧模型库中；

步骤4，接受模型库中的燃烧模型集合，通过决策支持模块中的人工神经网络遗传算法进行训练和学习；

步骤5，依据来自于分布式控制系统DCS的实时工况数据、来自于污染物监测模块的环境污染物排放数据，通过智能算法进行决策，做出逼近于燃烧模型的燃烧参数配置方案；

步骤6，通过与人机界面模块所对应的人机界面提供给用户，供用户操作时使用。

11.根据权利要求10所述的火力发电锅炉智能燃烧优化系统的实现方法，其特征在于：所述的步骤3中的优选模块，具有如下算法，

设S为实例库中m个实例中所包含的特征向量的集合，s0是当前实例的特征向量。假设S与s0的并集一共包含n个特征项，则s0＝[s0(1)，s0(2)，…，s0(n)]，S可以表示为m×n维的实例指标集矩阵：

$S=\left[\begin{array}{c}s1\left(1\right)s1\left(2\right)...s1\left(n\right)\\ s2\left(1\right)s2\left(2\right)...s2\left(n\right)\\ .........\\ \mathrm{sm}\left(1\right)\mathrm{sm}\left(2\right)...\mathrm{sm}\left(n\right)\end{array}\right]$

最近相邻函数可用公式表示为：

$E(s0,\mathrm{si},W)=\underset{k=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{wk}\×\mathrm{sim}(s0\left(k\right),\mathrm{si}\left(k\right))/{\mathrm{\Σ}}_{k=1}^n\mathrm{wk}$

其中：wk是第k个指标的重要度；sim是相似函数。经典的局部相似度计算可以表示为：

simk＝1-|[s0(k)-si(k)]/range(s(k))|

其中：range(s(k))表示第k个指标的取值范围；|[s0(k)-si(k)]/range(s(k))|表示当前目标实例与实例的第k个指标的不相似度。

Images