CN102750424B - 一种生物质炉燃烧优化的方法 - Google Patents

Abstract

本发明涉及一种生物质炉的燃烧优化的方法。目前不能根据生物质炉燃烧的实时变化情况进行在线优化。本发明方法首先采集生物质炉运行参数及相关的表征生物质炉燃烧状态的特征指标，建立数据库；然后针对给定的生物质炉，选择数据作为建模数据，数据要包括不同生物质燃料给料速度的情况；采用最小二乘支持向量机方法针对建模数据建模，建立生物质炉燃烧状态的特征指标与各炉运行参数间的模型，再利用蚁群优化算法结合所建模型，针对模型对应的生物质燃料及不同的生物质炉燃烧状态特征指标或指标组合，进行生物质炉燃烧参数配置的优化。本发明方法可有效提高生物质炉燃烧优化的效率和全面性，既可以实施离线优化也可以进行在线实时燃烧优化。

Description

一种生物质炉燃烧优化的方法

技术领域

本发明属于信息与控制技术领域，涉及一种生物质炉的燃烧优化的方法。

背景技术

生物质炉燃烧优化的方法是节能减排的重要技术手段，其目标是在一定的负荷(生物质燃料给料速度)条件下，通过调整生物质炉配风的运行参数而获得高效率、低污染排放的运行状态。生物质炉的配风参数的搭配对生物质炉燃烧状态有直接的影响，不同的配风、氧量等操作参数的配置会直接导致不同的燃烧效率及污染气体的排放量的情况。对于给定的生物质炉，在一定的负荷条件下，针对不同的燃烧状态特征指标，存在一种最优的配风方案，能够使相应燃烧状态的特征指标最优化，但是，生物质炉的操作参数间有着复杂的耦合关系，要找到最优的配风并不容易。随着科学技术的不断进步，自动化程度也在不断提高，但是生物质炉燃烧优化控制问题还没有很好的得到解决。

实际中生物质炉的燃烧优化主要是靠工作人员经验运行，因此实际运行中的参数配置还存在较大的提升空间，而且不能实现根据生物质炉燃烧的实时变化情况进行在线的优化。

发明内容

本发明的目标是针对生物质炉燃烧优化中的难题，提出一种具有自学习能力的燃烧优化方法，优化内容兼顾了经济性和环保性。

本发明方法通过机器学习，在大量不同的运行参数组合中，挖掘出运行参数与燃烧状态的特征指标间的关系模型，再结合优化算法进行生物质炉的燃烧优化是非常有潜力的方法。如何使该方法真正达到生物质炉燃烧生产实际的要求，是困扰工程技术人员的难题，主要难题包括，如何提高模型的预测和泛化能力，如何提高模型的增量学习能力，如何丰富燃烧优化的目标，使之达到兼顾各项指标的更全面的优化的目的等。

本发明方法的具体步骤是：

步骤(1).采集生物质炉运行参数及相关的表征生物质炉燃烧状态的特征指标，建立数据库；具体的生物质炉运行参数通过生物质炉运行数据库获取，或直接通过仪器测量采集,不同的生物质燃料(生物质燃料的原料和来源不同)要分开采集数据，以便有针对性的分别建模。

所述的生物质炉运行参数数据包括：生物质燃料的工业分析指标,一次风速、二次风速，氧量，燃尽风速，生物质燃料给料速度；所述的表征生物质炉燃烧状态的特征指标的数据包括烟气的NOx浓度和生物质炉燃烧效率，其获得的方法为成熟技术；

这个过程是积累数据的阶段，为后边的数据挖掘建模做准备；

步骤(2).建模数据选择，针对给定的生物质炉，选择100组以上数据作为建模数据，数据要包括不同生物质燃料给料速度的情况。

步骤(3).采用最小二乘支持向量机方法针对建模数据建模，建立生物质炉燃烧状态的特征指标与各炉运行参数间的模型；具体建模方法如下：

用于建模样本的输入参数及表征生物质炉燃烧状态特征的输出参数可以表示为                                               

，其中

表示第

组作为输入数据的生物质炉运行参数向量，

表示第

组作为输出参数的表征生物质炉燃烧状态特征的参数，

为样本数量，以实际运行数据为基础建立运行操作参数与生物质炉不同燃烧状态指标间的模型；

采用最小二乘支持向量机算法建模，最小二乘支持向量机核函数选为径向基函数：

为径向基函数的宽度，该表示形式为标准形式；

为映射函数，设所求的目标函数为：

，

为模型输出的燃烧状态的特征指标预测值，

为权重系数向量，

为截距；引入松弛因子ξ^* _i和ξ_i以及允许拟合误差ε，ξ^* _i≥0、ξ_i≥0，模型通过在约束：

，条件下，最小化：

获得，其中常数C为惩罚系数，C >0；该最小化问题为一个凸二次规划问题，引入拉格朗日函数：

     

其中

、

、

、

为拉格朗日乘数，

≥0、

≥0、

≥0、

≥0。

在鞍点处，函数L是关于w、b、ξ_i、ξ_i ^*的极小点，也是

、

、

、

的极大点，最小化问题转化为求其对偶问题的最大化问题；

拉格朗日函数L在鞍点处是关于极小点，得：

                    

可得拉格朗日函数的对偶函数：

           

此时，

按照库恩-塔克(KKT)条件定理，在鞍点有下式成立：

             

由上式可见，α _i ·α _i ^* =0,α _i 和α _i ^* 都不会同时为非零，可得：

  

从上式可求出b，获得模型； 

步骤(4).利用蚁群优化算法结合所建模型，针对模型对应的生物质燃料及不同的生物质炉燃烧状态特征指标或指标组合，进行生物质炉燃烧参数配置的优化，具体步骤如下：

a.定蚁群算法初始群向量

的各维分量，分别为生物质炉可调操作参数，包括：一次风速、二次风速，氧量，燃尽风速。

b.设定蚁群算法的搜索目标和迭代次数，搜索目标可以根据具体的生物质炉运行情况为单一目标，包括生物质炉燃烧效率最高或NOx排放最低；也可以是复合目标，即以上两个燃烧状态的特征指标的组合，组合方式为，将各指标的变化折算为经济指标变化，再求总合，以求达到综合最优；生物质炉燃烧效率和NOx排放情况分别由上文所建的相应模型预测获得；

c.根据实际生物质炉的设计和运行要求设定各参数的寻优范围，并初始化初始群体向量

，然后根据上一步设定的搜索目标，用蚁群算法进行迭代计算，搜索蚁群在参数向量空间内的最优位置；

d.当蚁群算法完成迭代次数或找到设定要求的最优时，停止计算获得相应最优的位置向量，即获得最优的生物质炉运行参数组合，根据所获得的最优运行参数组合对生物质炉实际燃烧进行调整，达到燃烧优化的目的。

本发明方法具体是采集生物质炉实时数据并利用最小二乘支持向量机算法，针对生物质炉的燃烧效率、NOx排放特性进行建模，结合寻优算法对生物质炉的运行进行优化，以达到高效和低污染的目标。本发明方法既可以在线优化也可以离线优化。

本发明方法通过生物质炉的数据采集，针对相互影响的不同生物质炉燃烧状态的特征指标，建立基于最小二乘支持向量机算法的模型，应用并行的优化算法寻优等手段，确立了一种生物质炉燃烧优化的方法，利用该方法可有效提高生物质炉燃烧优化的效率和全面性，既可以实施离线优化也可以进行在线实时燃烧优化。

具体实施方式

下面对本发明的实施作具体说明：

一种生物质炉燃烧优化的方法，具体是以下步骤：

(1)采集生物质炉运行参数及相关的表征生物质炉燃烧状态的特征指标，建立数据库；具体的生物质炉运行参数通过生物质炉运行数据库获取，或直接通过仪器测量采集,不同的生物质燃料(生物质燃料的原料和来源不同)要分开采集数据，以便有针对性的分别建模。

所述的生物质炉运行参数数据包括：生物质燃料的工业分析指标,一次风速、二次风速，氧量，燃尽风速，生物质燃料给料速度；所述的表征生物质炉燃烧状态的特征指标的数据包括烟气的NOx浓度和生物质炉燃烧效率，其获得的方法为成熟技术；

这个过程是积累数据的阶段，为后边的数据挖掘建模做准备；

(2) 建模数据选择，针对给定的生物质炉，选择100组以上数据作为建模数据，数据要包括不同生物质燃料给料速度的情况。

(3) 采用最小二乘支持向量机方法针对建模数据建模，建立生物质炉燃烧状态的特征指标与各炉运行参数间的模型；具体建模方法如下：

用于建模样本的输入参数及表征生物质炉燃烧状态特征的输出参数可以表示为

，其中表示第组作为输入数据的生物质炉运行参数向量，

表示第

组作为输出参数的表征生物质炉燃烧状态特征的参数，

为样本数量，以实际运行数据为基础建立运行操作参数与生物质炉不同燃烧状态指标间的模型；

采用最小二乘支持向量机算法建模，最小二乘支持向量机核函数选为径向基函数：

为径向基函数的宽度，该表示形式为标准形式；

为映射函数，设所求的目标函数为：

，

为模型输出的燃烧状态的特征指标预测值，

为权重系数向量，

为截距；引入松弛因子ξ^* _i≥0和ξ_i≥0和允许拟合误差ε，模型可以通过在约束：

，条件下，最小化：

获得，其中常数C>0为惩罚系数；该最小化问题为一个凸二次规划问题，引入拉格朗日函数：

     

其中：

≥0, 

≥0,为拉格朗日乘数；

在鞍点处，函数L是关于w,b,ξ_i,ξ_i ^*的极小点，也是

极大点，最小化问题转化为求其对偶问题的最大化问题；

拉格朗日函数L在鞍点处是关于w,b,ξ_i,ξ_i ^*极小点，得：

                    

可得拉格朗日函数的对偶函数：

           

此时，

按照库恩-塔克(KKT)条件定理，在鞍点有下式成立：

             

由上式可见，α _i ·α _i ^* =0,α _i 和α _i ^* 都不会同时为非零，可得：

  

从上式可求出b，获得模型； 

(4) 利用蚁群优化算法结合所建模型，针对模型对应的生物质燃料及不同的生物质炉燃烧状态特征指标或指标组合，进行生物质炉燃烧参数配置的优化，具体步骤如下：

a.定蚁群算法初始群向量

的各维分量，分别为生物质炉可调操作参数，包括：一次风速、二次风速，氧量，燃尽风速。

b.设定蚁群算法的搜索目标和迭代次数，搜索目标可以根据具体的生物质炉运行情况为单一目标，包括生物质炉燃烧效率最高或NOx排放最低；也可以是复合目标，即以上两个燃烧状态的特征指标的组合，组合方式为，将各指标的变化折算为经济指标变化，再求总合，以求达到综合最优；生物质炉燃烧效率和NOx排放情况分别由上文所建的相应模型预测获得；

c.根据实际生物质炉的设计和运行要求设定各参数的寻优范围，并初始化初始群体向量

，然后根据上一步设定的搜索目标，用蚁群算法进行迭代计算，搜索蚁群在参数向量空间内的最优位置；

d.当蚁群算法完成迭代次数或找到设定要求的最优时，停止计算获得相应最优的位置向量，即获得最优的生物质炉运行参数组合，根据所获得的最优运行参数组合对生物质炉实际燃烧进行调整，达到燃烧优化的目的。

Claims (1)

1. 一种生物质炉燃烧优化的方法，其特征在于该方法的具体步骤是：

步骤(1).采集生物质炉运行参数及相关的表征生物质炉燃烧状态的特征指标，建立数据库；

所述的生物质炉运行参数数据包括生物质燃料的工业分析指标、一次风速、二次风速、氧量、燃尽风速、生物质燃料给料速度；生物质炉运行参数通过生物质炉运行数据库获取，或直接通过仪器测量采集,不同的生物质燃料分开采集数据，分别建模；

所述的表征生物质炉燃烧状态的特征指标的数据包括烟气的NOx浓度和生物质炉燃烧效率；

步骤(2).建模数据选择，针对给定的生物质炉，选择100组以上数据作为建模数据，数据要包括不同生物质燃料给料速度的情况；

步骤(3).采用最小二乘支持向量机方法针对建模数据建模，建立生物质炉燃烧状态的特征指标与各炉运行参数间的模型；具体建模方法如下：

用于建模样本的输入参数及表征生物质炉燃烧状态特征的输出参数可以表示为                                               

，其中

表示第

组作为输入数据的生物质炉运行参数向量，

表示第

组作为输出参数的表征生物质炉燃烧状态特征的参数，

为样本数量，以实际运行数据为基础建立运行操作参数与生物质炉不同燃烧状态指标间的模型；

采用最小二乘支持向量机算法建模，最小二乘支持向量机核函数选为径向基函数：

为径向基函数的宽度，该表示形式为标准形式；

为映射函数，设所求的目标函数为：

，

为模型输出的燃烧状态的特征指标预测值，

为权重系数向量，

为截距；引入松弛因子ξ^* _i和ξ_i以及允许拟合误差ε，ξ^* _i≥0、ξ_i≥0，模型通过在约束：

，条件下，最小化：

获得，其中常数C为惩罚系数，C >0；该最小化问题为一个凸二次规划问题，引入拉格朗日函数：

     

其中

、

、

、

为拉格朗日乘数，

≥0、

≥0、

≥0、

≥0；

在鞍点处，函数L是关于w、b、ξ_i、ξ_i ^*的极小点，也是

、

、、

的极大点，最小化问题转化为求其对偶问题的最大化问题；

拉格朗日函数L在鞍点处是关于w,b,ξ_i,ξ_i ^*极小点，得：

                    

可得拉格朗日函数的对偶函数：

           

此时，

按照库恩-塔克条件定理，在鞍点有下式成立：

             

由上式可见，α _i ·α _i ^* =0,α _i 和α _i ^* 都不会同时为非零，可得：

  

从上式可求出b，获得模型； 

步骤(4).利用蚁群优化算法结合所建模型，针对模型对应的生物质燃料及不同的生物质炉燃烧状态特征指标或指标组合，进行生物质炉燃烧参数配置的优化，具体步骤如下：

a.定蚁群算法初始群向量

的各维分量，分别为生物质炉可调操作参数，包括：一次风速、二次风速、氧量、燃尽风速；

b.设定蚁群算法的搜索目标和迭代次数，搜索目标根据具体的生物质炉运行情况为单一目标或复合目标，单一目标包括生物质炉燃烧效率最高或NOx排放最低，复合目标为以上两个燃烧状态的特征指标的组合，组合方式是将各指标的变化折算为经济指标变化，求总合；生物质炉燃烧效率和NOx排放情况分别由上文所建的相应模型预测获得；

c.根据实际生物质炉的设计和运行要求设定各参数的寻优范围，并初始化初始群体向量

，然后根据上一步设定的搜索目标，用蚁群算法进行迭代计算，搜索蚁群在参数向量空间内的最优位置；

d.当蚁群算法完成迭代次数或找到设定要求的最优时，停止计算获得相应最优的位置向量，即获得最优的生物质炉运行参数组合，根据所获得的最优运行参数组合对生物质炉实际燃烧进行调整，达到燃烧优化的目的。