CN102799778B - 一种优化锅炉负荷分配方法 - Google Patents

Abstract

本发明涉及一种优化锅炉负荷分配方法。目前还没有优化分配负荷的概念。本发明方法首先针对锅炉总台数为()台的生产单位，分别采集各台锅炉生产过程中，负荷及与之相对应的锅炉效率数据，建立数据库，然后分别对每台锅炉采用支持向量机方法建模，建立各锅炉的负荷与各燃烧效率间的模型，共建立

Description

一种优化锅炉负荷分配方法

技术领域

本发明属于信息与控制技术领域，涉及一种优化锅炉负荷分配方法。

背景技术

锅炉负荷是影响锅炉燃烧效率的重要因素，一般燃煤锅炉在其他条件不变的情况下，燃烧效率与负荷(允许的负荷范围内)间的关系为一条单峰的类似抛物线形的曲线，因此存在效率最高的负荷点。对于锅炉总台数为()台的情况，在保证总负荷的条件下，可以提高总的锅炉效率，总效率的提高主要依靠负荷在各台锅炉上的分配情况。如果在各台锅炉上分配的负荷处于燃烧效率高的点，则各台锅炉燃烧效率能达到较高的水平，进而使总的锅炉效率达到在给定的负荷条件下最高。每台锅炉都有自己独特的燃烧效率与负荷间的关系曲线，因此进行提高总燃烧效率的负荷分配，首先要获得每台锅炉的燃烧效率与负荷间的特性关系，然后再进行总负荷的有效分配。然而，要获得较为准确的每台锅炉的燃烧效率与负荷间的特性关系，并在总负荷一定的情况下，为每台锅炉分配好负荷，并不是一件容易的事情。目前，还没有很好的解决方法。

实际生产中主要是靠工作人员经验，其目标也只是维持生产正常进行，并没有优化分配负荷的概念，因此其生产过程中燃烧效率还有很大的可提升空间。

发明内容

本发明的目的是针对多台负荷分配，提出一种优化锅炉负荷分配方法，优化内容兼顾了各台锅炉的燃烧效率和总燃烧效率的情况。

本发明方法通过数据挖掘，应用机器学习的方法，挖掘出各锅炉燃烧效率与负荷间的特性关系模型，再结合优化算法对负荷分配进行优化是非常有潜力的方法。如何使该方法真正达到生产实际的要求，是该技术的关键，主要难题包括，如何提高模型的预测和泛化能力，如何实现有约束条件的优化分配。

本发明的具体步骤是：

步骤(1).针对锅炉总台数为()台的生产单位，分别采集各台锅炉生产过程中，负荷及与之相对应的锅炉效率数据，建立数据库；具体的锅炉运行负荷参数及相应得效率数据，通过锅炉实时运行数据库获取，或直接通过仪器设备测量采集；

步骤(2).分别对每台锅炉采用支持向量机方法建模，建立各锅炉的负荷与各燃烧效率间的模型，共建立个模型；具体建模方法如下：

用于建模样本的输入参数及输出参数表示为，其中表示第组作为输入数据的锅炉的运行负荷参数，表示第组作为输出参数的锅炉的燃烧效率，为样本数量，以实际运行数据为基础，建立各台锅炉的负荷与燃烧效率间的模型。

采用支持向量机方法建模，支持向量机核函数选为径向基函数

参数σ为径向基函数的宽度，为映射函数，设所求的目标函数为：，为模型输出的锅炉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(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(3)利用遗传优化算法，结合以上步骤(2)所建各锅炉负荷与燃烧效率模型，进行各锅炉负荷配置的优化，具体步骤如下：

a.定义遗传算法初始群体向量的各维分量，分别为各台锅炉的负荷；

b.设定遗传算法的搜索目标和迭代次数，搜索目标为各台锅炉的燃烧效率之和最高，即燃烧总效率最高；

c.根据各台锅炉的实际总负荷(各台锅炉的实际负荷之和，，为第台锅炉的实际负荷)和各台锅炉的允许最高总负荷(各台锅炉的允许最高负荷之和，，为第台锅炉的允许最高负荷)，设定各台锅炉负荷的寻优范围，设为已初始化好的各台锅炉的总负荷(,为已初始化好的各台锅炉的初始化负荷)，当时，，(为第台锅炉的初始化负荷)第台锅炉之后各台锅炉负荷为0，否则第台锅炉负荷初始化区间为：，在此区间上产生初的第台锅炉的负荷个体。依据以上的步骤初始化群体向量，并通过步骤(2)所建各锅炉负荷与燃烧效率模型，根据初始群体中各锅炉的负荷，获得各台锅炉在初始群体负荷下的燃烧效率，然后根据上一步设定的搜索目标，用遗传算法进行迭代计算，搜索最优负荷分配情况；

d.当遗传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群体向量，即获得最优的各台锅炉的最优负荷分配。

多锅炉负荷优化分配对于提高燃烧效率，节能减排，非常有益，但是也存在一定难度。目前实际的生产过程中对各台锅炉负荷的分配，完全依据个人经验或简单的平均非赔，这种负荷分配情况下的燃烧效率有待提高。

本发明方法具体是针对锅炉总台数为()台的生产单位，分别采集各台锅炉生产过程中，负荷及与之相对应的锅炉效率数据，利用数据挖掘技术和并行优化算法，针对每台锅炉的负荷与燃烧效率间关系，建立特性模型，结合寻优算法对各台锅炉的负荷分配优化，以达到最优的锅炉负荷分布的目标。本发明方法既可以在线优化也可以离线优化。

本发明方法通过各台锅炉燃烧效率和与之相对应的负荷数据采集，对每台锅炉负荷与燃烧效率，建立基于数据挖掘技术的模型，并结合并行的优化算法等手段，确立了一种多台锅炉的负荷优化分配方法，利用该方法可有效的在总负荷一定的情况，通过优化分配各台锅炉的负荷，提高总燃烧效率。

具体实施方式

一种优化锅炉负荷分配方法，具体是以下步骤：

(1)针对锅炉总台数为()台的生产单位，分别采集各台锅炉生产过程中，负荷及与之相对应的锅炉效率数据，建立数据库；具体的锅炉运行负荷参数及相应得效率数据，可通过锅炉实时运行数据库获取，或直接通过仪器设备测量采集；

(2)分别对每台锅炉采用支持向量机方法建模，建立各锅炉的负荷与各燃烧效率间的模型，共建立个模型；具体建模方法如下：

用于建模样本的输入参数及输出参数表示为，其中表示第组作为输入数据的锅炉的运行负荷参数，表示第组作为输出参数的锅炉的燃烧效率，为样本数量，以实际运行数据为基础，建立各台锅炉的负荷与燃烧效率间的模型。

采用支持向量机方法建模，支持向量机核函数选为径向基函数

参数“σ”为径向基函数的宽度，为映射函数，设所求的目标函数为：，为模型输出的锅炉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。

(3)利用遗传优化算法，结合以上步骤(2)所建各锅炉负荷与燃烧效率模型，进行各锅炉负荷配置的优化，具体步骤如下：

a.定义遗传算法初始群体向量的各维分量，分别为各台锅炉的负荷；

b.设定遗传算法的搜索目标和迭代次数，搜索目标为各台锅炉的燃烧效率之和最高，即燃烧总效率最高；

c.根据各台锅炉的实际总负荷(各台锅炉的实际负荷之和，，为第台锅炉的实际负荷)和各台锅炉的允许最高总负荷(各台锅炉的允许最高负荷之和，，为第台锅炉的允许最高负荷)，设定各台锅炉负荷的寻优范围，设为已初始化好的各台锅炉的总负荷(,为已初始化好的各台锅炉的初始化负荷)，当时，，(为第台锅炉的初始化负荷)第台锅炉之后各台锅炉负荷为0，否则第台锅炉负荷初始化区间为：，在此区间上产生初的第台锅炉的负荷个体。依据以上的步骤初始化群体向量，并通过步骤(2)所建各锅炉负荷与燃烧效率模型，根据初始群体中各锅炉的负荷，获得各台锅炉在初始群体负荷下的燃烧效率，然后根据上一步设定的搜索目标，用遗传算法进行迭代计算，搜索最优负荷分配情况；

d.当遗传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群体向量，即获得最优的各台锅炉的最优负荷分配。

Claims (1)

1.一种优化锅炉负荷分配方法，其特征在于该方法的具体步骤是：

步骤(1).针对锅炉总台数为n台的生产单位，分别采集各台锅炉生产过程中负荷参数及与之相对应的锅炉效率数据，建立数据库，n＞1；

所述的负荷参数及相应的效率数据通过锅炉实时运行数据库获取，或直接通过仪器设备测量采集；

步骤(2).分别对每台锅炉采用支持向量机方法建模，建立各锅炉的负荷与各燃烧效率间的模型，共建立n个模型m₁,m₂,m₃,…,m_n；具体建模方法如下：

用于建模样本的输入参数及输出参数表示为其中x_i表示第i组作为输入数据的锅炉的运行负荷参数，y_i表示第i组作为输出参数的锅炉的燃烧效率，N为样本数量，以实际运行数据为基础，建立各台锅炉的负荷与燃烧效率间的模型；

采用支持向量机方法建模，支持向量机核函数选为径向基函数

$K(x_i,x_j)=\mathrm{\φ}\left(x_i\right)\·\mathrm{\φ}\left(x_j\right)=\exp \left|\left(\frac{\left|\right|x_i-x_j|{|}^2}{2{\mathrm{\σ}}^2}\right)\right|$

参数σ为径向基函数的宽度，φ(x)为映射函数，设所求的目标函数为：f(x_i)＝w·φ(x_i)+b，f(x_i)为模型输出的锅炉燃烧状态的特征指标预测值，w为权重系数向量，b为截距；引入松弛因子和ξ_i以及允许拟合误差ε，ξ_i≥0，模型通过在约束：

$\left\{\begin{array}{c}{y}_i-w\·\mathrm{\φ}\left(x_i\right)-b\≤\mathrm{\ϵ}+{\mathrm{\ξ}}_i\\ w\·\mathrm{\φ}\left(x_i\right)+b-y_i\≤\mathrm{\ϵ}+{\mathrm{\ξ}}_i^{*}\\ {\mathrm{\ξ}}_i\≥0\\ {\mathrm{\ξ}}_i^{*}\≥0\end{array}\right.i=1,...,N,$ 条件下，最小化：

$minR(w,{\mathrm{\ξ}}_i,{\mathrm{\ξ}}_i^{*})=\frac{1}{2}w\·w+C\underset{i=1}{\overset{k}{\Σ}}(\mathrm{\ξ}+{\mathrm{\ξ}}_i^{*});$

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：

$\begin{array}{c}L(w,b,{\mathrm{\ξ}}_i,{\mathrm{\ξ}}_i^{*},{\mathrm{\α}}_i,{\mathrm{\α}}_i^{*},{\mathrm{\γ}}_i,{\mathrm{\γ}}_i^{*})=\frac{1}{2}w\·w+C\underset{i=1}{\overset{N}{\Σ}}({\mathrm{\ξ}}_i+{\mathrm{\ξ}}_i^{*})-\underset{i=1}{\overset{N}{\Σ}}{\mathrm{\α}}_i\[y_i-({\mathrm{\ξ}}_i+\mathrm{\ϵ}+f(x_i\left)\right)\]\\ -\underset{i=1}{\overset{N}{\Σ}}{\mathrm{\α}}_i^{*}\[{\mathrm{\ξ}}_i^{*}+\mathrm{\ϵ}+f\left(x_i\right)-y_i\]-\underset{i=1}{\overset{N}{\Σ}}({\mathrm{\γ}}_i{\mathrm{\ξ}}_i+{\mathrm{\γ}}_i^{*}{\mathrm{\ξ}}_i^{*})\end{array}$

其中α_i、γ_i、为拉格朗日乘数，α_i≥0、γ_i≥0、

在鞍点处，函数L是关于w、b、ξ_i、ξ_i ^*的极小点，也是α_i、γ_i、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：

$\left\{\begin{array}{c}\frac{\∂}{\∂w}L=0\→w=\underset{i=1}{\overset{N}{\Σ}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})\mathrm{\φ}\left(x_i\right)\\ \frac{\∂}{\∂b}L=0\→\underset{i=1}{\overset{N}{\Σ}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})=0\\ \frac{\∂}{\∂{\mathrm{\ξ}}_i}L=0\→C-{\mathrm{\α}}_i-{\mathrm{\γ}}_i=0\\ \frac{\∂}{\∂{\mathrm{\ξ}}_i^{*}}L=0\→C-{\mathrm{\α}}_i^{*}-{\mathrm{\γ}}_i^{*}=0\end{array}\right.$

可得拉格朗日函数的对偶函数：

此时，

$w=\underset{i=1}{\overset{N}{\Σ}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})\mathrm{\φ}\left(x_i\right)$

$f\left(x\right)=\underset{i=1}{\overset{N}{\Σ}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})K(x,x_i)+b$

按照库恩-塔克(KKT)条件定理，在鞍点有下式成立：

$\left\{\begin{array}{c}{\mathrm{\α}}_i\[\mathrm{\ϵ}+{\mathrm{\ξ}}_i-y_i+f\left(x_i\right)\]=0\\ {\mathrm{\α}}_i^{*}\[\mathrm{\ϵ}+{\mathrm{\ξ}}_i+y_i-f\left(x_i\right)\]=0\end{array}\right.,i=1,...,N$

由上式可见，α_i和都不会同时为非零，可得：

$\left\{\begin{array}{c}{\mathrm{\ξ}}_i{\mathrm{\γ}}_i\mathrm{=0}\\ {\mathrm{\ξ}}_i^{*}{\mathrm{\γ}}_i^{*}\mathrm{=0}\end{array}\right.,i=1,...,N$

从上式可求出b，获得模型；

步骤(3).利用遗传优化算法，结合以上步骤(2)所建各锅炉负荷与燃烧效率模型，进行各锅炉负荷配置的优化，具体步骤如下：

a.定义遗传算法初始群体x向量的各维分量，分别为各台锅炉的负荷；

b.设定遗传算法的搜索目标和迭代次数，搜索目标为各台锅炉的燃烧效率之和最高，即燃烧总效率最高；

c.根据各台锅炉的实际总负荷Q_s和各台锅炉的允许最高总负荷Q_h，当q_i,h≥(Q_s-Q_b)时，q_i,b＝(Q_s-Q_b)，Q_b为已初始化好的各台锅炉的总负荷，q_i,h为第i台锅炉的允许最高负荷，q_i,b为第i台锅炉的初始化负荷，第i台锅炉之后各台锅炉负荷为0，否则第i台锅炉负荷初始化区间为：[q_i,h,2Q_s-Q_b-Q_h]，在此区间上产生初始的第i台锅炉的负荷；依据以上的步骤初始化群体向量x，并通过步骤(2)所建各锅炉负荷与燃烧效率模型，根据初始群体中各锅炉的负荷，获得各台锅炉在初始群体负荷下的燃烧效率，然后根据步骤b设定的搜索目标，用遗传算法进行迭代计算，搜索最优负荷分配情况；

d.当遗传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群体向量，即获得最优的各台锅炉的最优负荷分配。