CN103838216B

CN103838216B - 基于数据驱动案例匹配的电站锅炉燃烧优化方法

Info

Publication number: CN103838216B
Application number: CN201410081206.1A
Authority: CN
Inventors: 王东风; 韩璞; 刘千
Original assignee: North China Electric Power University
Current assignee: North China Electric Power University
Priority date: 2014-03-07
Filing date: 2014-03-07
Publication date: 2016-08-17
Anticipated expiration: 2034-03-07
Also published as: CN103838216A

Abstract

本发明公开了一种基于数据驱动案例匹配的电站锅炉燃烧优化方法，其步骤包括：（1）确定与锅炉效率Z₁和氮氧化物Z₂相关的且不可优化调整的热工参数Y=[Y₁,Y₂,…,Y_8+M]；（2）确定与锅炉效率Z₁和氮氧化物Z₂相关的且可优化调整的热工参数X=[X₁,X₂,…,X_1+F1+F2]；（3）从监控信息系统SIS的历史数据库中提取运行案例组成案例库矩阵H_XYZ；（4）从实时采集的分散控制系统DCS中提取实时运行数据，判断当前运行工况向量C_XYZ；（5）将模式匹配所述C_XYZ与H_XYZ，根据模式匹配结果优化调整锅炉燃烧或更新H_XYZ；（6）重复步骤4和步骤5，保持在最优状态下运行。本发明的优点为解决火电机组锅炉燃烧系统在机组运行的全负荷范围内与锅炉效率和氮氧化物排放相关的可调整热工参数最优值的选取问题。

Description

基于数据驱动案例匹配的电站锅炉燃烧优化方法

技术领域

本发明涉及一种电站锅炉燃烧系统的优化运行技术，特别涉及一种基于数据驱动案例匹配的燃烧优化方法，属于自动控制技术领域。

背景技术

火力发电是我国电力生产中非常重要的组成部分，其发电量远远超过其它发电形式发电量的总和，在相当长的一段时间内不会有大的改变。火力发电行业既是优质清洁能源的主要创造者，同时也是一次能源消耗和污染物的排放大户。然而全球面临着严重的一次能源枯竭危机，由于煤粉燃烧产生的环境污染问题也日益受到世界各国的广泛关注。面对日趋强化的资源环境约束，节能减排成为国家经济可持续发展中的一项重要内容，燃煤电厂也因其特殊的发电形式成为国家实施节能减排的重要领域。同时电网对并网机组要求也越来越苛刻，所有的并网机组必须参与一次调频，为此机组也面临着更频繁的负荷波动。因此能有效提高机组效率，降低发电成本，减少NO_x等污染物排放，提高发电企业的经济效益和环保效益，并能够监督保障锅炉安全运行的锅炉燃烧优化技术得到了众多研究学者的重视。

电站锅炉燃烧优化是提高机组效率的重要手段，涉及多个领域的问题，是一项复杂的系统工程，煤粉在炉膛内燃烧是一个复杂的多相反应过程，受到的扰动因素较多，锅炉燃烧系统随着机组负荷的变化又表现出参数快时变的特性，而且目前对于锅炉燃烧机理方面的研究还不够成熟，对其特性的研究一般是基于偏微分方程和代数方程组成的机理模型，而这些模型的建立是在诸多假设和简化的条件下得到的，和真正的实际运行过程有一定程度的出入，得到的结果也不十分准确。因此目前大多数电厂采用的是基于计算智能建模方法的锅炉燃烧优化技术。由于此类技术不需要对锅炉物理结构进行改造，通过在分散控制系统（DCS）控制的基础上，采用先进的控制算法实现提高锅炉效率和降低污染物排放的双重目的，具有投资少、风险小的优点，常见的做法是利用人工神经网络、支持向量机等智能算法建立锅炉燃烧模型，然后基于模型采用非线性寻优技术得到当前运行工况条件下机组所能达到的最佳参数与运行工况，为运行人员提供机组在特定负荷及外部条件下的最优运行方式和控制参数。由于基于计算智能算法建立的锅炉燃烧模型结构较为复杂，为确保机组运行的安全性和稳定性，一般采用遗传算法、粒子群算法等智能优化算法来求解此类带约束的复杂非线性优化问题。然而这类优化算法搜索速度比较慢，计算复杂度比较高，从而优化时间长。而且在进行污染物排放和锅炉效率的优化时多数没有考虑机组负荷约束，因此我们需要一种新的电站锅炉燃烧优化技术，保证机组在安全、稳定、高效运行的同时最大限度的降低污染物的排放。

目前，新投产的火电机组均采用先进的分散控制系统（DCS），老电厂也大多进行了机组的DCS改造，最近几年，厂级监控信息系统（SIS）开始在火电厂中安装应用，这预示着电厂信息化时代的到来。在火电厂信息化建设中，SIS处于控制和管理的中间层，是DCS和厂级管理系统（MIS）之间的中间环节。DCS包含了机组运行过程中的所有实时数据，这些数据是SIS和MIS等系统的最终数据来源。通过SIS系统采集数据，实时性好，不会影响安全生产，其实时、历史数据库管理系统记录了大量的机组实际运行数据。这些运行数据蕴涵了丰富的、有价值的机组状态信息，传统的数据分析处理仅仅是对这些数据进行汇总、制表和趋势分析等表层处理和利用，只能给出人们能够理解的显示知识，不能深刻分析数据背后隐含的规律，这实际上是一种资源的浪费。同时由于这些数据本身的多元性、动态性与交叉性给人工分析和处理带来困难，从而不可避免地造成数据资源的巨大浪费。因此迫切地需要一种强大的数据分析工具来分析电厂的运行数据。而数据挖掘技术作为一门新兴学科，有效地解决了这方面的问题，他能够在很少人工干预的情况下，处理机组运行过程中大量复杂的实时和历史数据信息，提取有关知识规则，抽取出这些数据信息中深层次的规律和知识。这些潜在的知识和规律可以为火电厂决策管理、操作人员优化运行以及过程控制等方面提供强有力的知识支持。

发明内容

本发明的目的在于提供一种步骤明确、概念清晰、运算简单、结果可靠的基于数据驱动案例匹配的电站锅炉燃烧的优化方法。

为实现上述目的，本发明所采取的技术方案为：

本方法需要使用的系统包括锅炉，与锅炉相连的监控信息系统SIS和分散控制系统DCS，以及与监控信息系统SIS和分散控制系统DCS相连的燃烧优化工作站，所述燃烧优化工作站包括通讯模块、界面模块、案例库模块以及优化模块，所述界面模块、案例库模块和优化模块分别经通讯模块与监控信息系统SIS和分散控制系统DCS相连接，所述界面模块分别和案例库模块、优化模块双向连接，所述案例库模块、优化模块之间双向连接；本方法的特征在于：包括以下步骤：

步骤1：确定与锅炉效率Z₁和氮氧化物Z₂相关的且不可优化调整的热工参数Y=[Y₁,Y₂, …, Y_8+M]；

步骤2：确定与锅炉效率Z₁和氮氧化物Z₂相关的且可优化调整的热工参数X=[X₁,X₂, …, X_1+F1+F2]；

步骤3：从监控信息系统SIS的历史数据库中提取运行案例组成案例库矩阵H_XYZ；

步骤4：从实时采集的分散控制系统DCS中提取实时运行数据，判断当前运行工况向量C_XYZ；

步骤5：将当前运行工况向量C_XYZ与案例库矩阵H_XYZ进行模式匹配，并根据模式匹配结果进行锅炉燃烧的优化调整或者更新案例库矩阵H_XYZ；

步骤6：重复步骤4和步骤5，使锅炉保持在优化状态下运行。

所述步骤1中的热工参数Y包括机组负荷Y₁、主蒸汽流量Y₂、主蒸汽压力Y₃、主蒸汽温度Y₄、再热蒸汽压力Y₅、再热蒸汽温度Y₆、燃烧器摆角Y₇、风箱炉膛差压Y₈、磨煤机1运行信号Y₉、磨煤机2运行信号Y₁₀、…、磨煤机M运行信号Y_8+M。

其中，M为锅炉的磨煤机配置台数，M≥1；

所述步骤2中的热工参数X包括烟气氧含量X₁、各层二次风门开度X₂～X_1+F1、各层燃尽风门开度X_2+F1～X_1+F1+F2；

其中，F1为二次风配置层数，F1≥1；F2为燃尽风配置层数，F2≥1。

所述步骤3中从监控信息系统SIS的历史数据库中提取运行案例组成案例库矩阵H_XYZ，包括如下步骤：

步骤3.1：以T秒为采样间隔，从监控信息系统SIS的历史数据库中连续提取N组热工参数Y、热工参数X以及锅炉效率Z₁和氮氧化物Z₂；

其中采样间隔T＝10~30秒，连续提取热工参数Y、X以及Z₁和Z₂的组数N＝50~100；

步骤3.2：计算热工参数Y的均方差DY₁～DY_8+M，并判断均方差DY₁～DY_8+M是否都小于预设的阈值，如果不成立，表明本次提取的历史数据库中的工况不是稳态工况，则返回步骤3.1提取新的数据；如果都成立，表明本次提取的历史数据库中的工况是稳态工况，则继续步骤3.3；

其中预设的阈值＝2%~3%；

步骤3.3：计算各参数的均值EZ₁、EZ₂、EY₁~EY_8+M、EX₁~EX_1+F1+F2，将均值作为案例工况存入案例库，同时附以时间标签以记录本次提取的历史数据库中的工况产生的时间，并标记该案例工况为EZ₁(h)、EZ₂(h)、EY₁(h)~EY_8+M(h)、EX₁(h)~EX_1+F1+F2(h)，则该案例工况向量可记为H_XYZ(h,:)= [EZ₁(h),EZ₂(h),EY₁(h)~EY_8+M(h),EX₁(h)~EX_1+F1+F2(h),T(h)]；

其中，小写字母h表示案例工况库的第h个案例，h=1,2,…,H；

大写字母H表示案例库中的案例工况的总个数；

H_XYZ(h,:)表示案例库矩阵H_XYZ的第h行所有元素，即第h个案例工况向量；

T(h)表示时间标签记录的工况时间，具体是记录连续提取的N组采样数据中的最后一组发生的时间；

步骤3.4：返回步骤3.1继续从监控信息系统SIS的历史数据库中提取运行案例，完成案例库矩阵H_XYZ；完成后的案例库矩阵H_XYZ是H行（12+M+F1+F2）列的矩阵。

所述步骤4中从实时采集的分散控制系统DCS中提取实时运行数据，判断当前运行工况，包括如下步骤：

步骤4.1：以T秒为采样间隔，从分散控制系统DCS的实时运行数据中连续提取N组热工参数Y、热工参数X以及锅炉效率Z₁和氮氧化物Z₂；

步骤4.2：计算热工参数Y的均方差DY₁～DY_8+M，并判断均方差DY₁～DY_8+M是否都小于预设的阈值，如果不成立，表明当前运行工况不是稳态工况，则返回步骤4.1采集新的数据；如果都成立，表明当前运行工况是稳态工况，则继续步骤4.3；

其中预设的阈值＝2%~3%；

步骤4.3：计算各参数的均值EZ₁、EZ₂、EY₁~EY_8+M、EX₁~EX_1+F1+F2，并标记带有时间标签的当前运行工况向量为C_XYZ=[EZ₁,EZ₂,EY₁~EY_8+M,EX₁~EX_1+F1+F2，T_c] ；

其中，T_c表示时间标签记录的工况时间，具体是记录连续提取的N组采样数据中的最后一组发生的时间。

所述步骤5中将当前运行工况与案例库中的案例工况进行模式匹配，包括如下步骤：

步骤5.1：按照如下公式(1)计算当前运行工况向量C_XYZ与案例库矩阵H_XYZ中的所有H个案例工况向量之间热工参数Y的平均差异程度D_h：

(1)

步骤5.2：判断上述平均差异程度D_h是否小于预设的阈值，即＜是否成立，如果不成立，表明案例库中没有与当前工况匹配的稳态工况，则转步骤5.6；如果成立，表明案例库中有与当前工况匹配的稳态工况，则标记所有满足＜的案例库矩阵H_XYZ中的案例工况向量集合为H_S，所述案例工况向量集合H_S中的工况个数记为P，并继续步骤5.3；

其中预设的阈值＝2%~3%；

步骤5.3：按如下公式(2)计算当前工况与步骤5.2中得到的案例工况向量集合H_S之间关于锅炉效率Z₁和氮氧化物Z₂的综合性能变化J_p(p=1,2,…,P)；

J_p=a[C_EZ₁-H_EZ₁(p)]+(1-a)[C_EZ₂-H_EZ₂(p)] (p=1,2,…,P) (2)

其中，a是加权系数；

C_EZ₁和C_EZ₂分别表示当前运行工况向量C_XYZ中锅炉效率Z₁和氮氧化物Z₂的均值；

H_EZ₁(p)和H_EZ₂(p)分别表示案例工况向量集合H_S中锅炉效率Z₁和氮氧化物Z₂的均值；

步骤5.4：对步骤5.3中得到的P个综合性能变化J_p(p=1,2,…,P)，确定J_p(p=1,2,…,P)的最小值，记为J，案例工况向量集合H_S中与J对应的工况记为工况H_J；

步骤5.5：判断步骤5.4中的综合性能变化J的正负号。

当J<0时，表明当前工况的综合性能比案例库中的工况的综合性能差，则将案例库中的工况H_J对应的烟气氧含量EX₁作为当前新的烟气氧含量设定值，各层二次风门开度EX₂～EX_1+F1作为当前新的各层二次风门开度指令，各层燃尽风门开度EX_2+F1～EX_1+F1+F2作为各层燃尽风门开度指令，分别通过所述的通讯模块送达所述的分散控制系统DCS；

当J>0时，表明当前工况的综合性能比案例库中的工况的综合性能好，则将当前工况C_XYZ=[EZ₁,EZ₂,EY₁~EY_8+M,EX₁~EX_1+F1+F2,T_c]作为案例工况，替换步骤5.4中标记的案例库中的案例工况H_J，完成案例库矩阵H_XYZ的更新，结束步骤5；

步骤5.6：将当前工况C_XYZ=[EZ₁,EZ₂,EY₁~EY_8+M,EX₁~EX_1+F1+F2,T_c]作为新的案例工况，增加到案例库矩阵H_XYZ之中，此时案例库矩阵H_XYZ由H行增加到(H+1)行，结束步骤5。

所述案例库中的案例工况个数H最优限制为30000~60000。

为减小工况匹配的计算时间，案例库的大小，即案例库中的案例工况个数H限制为30000~60000，当案例工况个数超过限制个数时，则根据案例工况附带的时间标签，删除最早记录的案例工况。

所述步骤5.3中的加权系数a的取值范围是0～1。

a的大小反映了决策者对提高锅炉效率和降低氮氧化物排放的重视程度，a越大表明更重视提高锅炉效率，即更关心直接经济利益；a越小表明更重视降低氮氧化物排放，即更关心环境方面的保护。

本发明的有益效果是：（1）本发明基于数据驱动案例匹配的方法进行锅炉燃烧的优化，从火电厂的实际运行数据出发，利用数据挖掘技术对反映设备运行状态的机组运行数据进行分析，通过对机组运行参数进行稳态检测，如属于稳态工况，则从监控信息系统SIS的历史库中提取对应工况的运行参数，作为一个成功运行案例，根据SIS中的海量历史数据，建立机组不同负荷工况运行时的运行案例库。当机组实际运行时，通过从DCS中提取实时运行数据，对其进行稳态检测，判断其是否处于稳态工况，如处于稳态工况，则将当前运行工况与事先建立完成的案例库中的工况进行模式匹配，以提高锅炉效率和降低氮氧化物排放为目标，从事先建立的机组最优运行案例库中提取针对当前运行工况控制参数的最优值；假若当前运行工况下的综合性能比事先建立的最优运行案例库中的综合性能优异，则将当前运行工况替换掉案例库中的案例，完成对机组最优运行案例库的更新，保证案例库中各个工况下的运行参数综合性能最优；（2）本方法提高了锅炉效率，降低了氮氧化物排放，从历史运行数据中提取运行参数最优值的锅炉燃烧优化策略，能够解决火电机组锅炉燃烧系统在机组运行的全负荷范围内与锅炉效率和氮氧化物排放相关的可调整热工参数最优值的选取问题，能适用于各种煤粉锅炉燃烧系统的优化运行，具有很强的实用性。

附图说明

附图1为本发明所使用的系统示意图。

附图2为本发明的方法流程图。

其中，1锅炉、2监控信息系统SIS、3分散控制系统DCS、4燃烧优化工作站、5通讯模块、6界面模块、7案例库模块、8优化模块。

具体实施方式

下面将结合附图1~2和具体实施例对本发明进行进一步详细的说明。

由图1~2所示的实施例可知，本方法需要使用的系统包括锅炉1，与锅炉1相连的监控信息系统SIS 2和分散控制系统DCS 3，以及与监控信息系统SIS 2和分散控制系统DCS 3相连的燃烧优化工作站4，所述燃烧优化工作站4包括通讯模块5、界面模块6、案例库模块7以及优化模块8，所述界面模块6、案例库模块7和优化模块8分别经通讯模块5与监控信息系统SIS 2和分散控制系统DCS 3相连接，所述界面模块6分别和案例库模块7、优化模块8双向连接，所述案例库模块7、优化模块8之间双向连接。

实施例：某600MW锅炉为超临界参数变压直流炉，为一次再热、墙式切圆燃烧、平衡通风、紧身封闭、固态排渣、全钢构架、全悬吊结构∏型锅炉。磨煤机配置台数M=6，二次风配置层数F1=5，燃尽风配置层数F2=2。

应用于燃烧优化的热工参数Y包括机组负荷Y₁（MW）、主蒸汽流量Y₂（t/h）、主蒸汽压力Y₃（MPa）、主蒸汽温度Y₄（℃）、再热蒸汽压力Y₅（MPa）、再热蒸汽温度Y₆（℃）、燃烧器摆角Y₇（°）、风箱炉膛差压Y₈（kPa）、磨煤机运行信号Y₉（t/h）、…、Y₁₄（t/h）；热工参数X包括烟气氧含量X₁（%）、各层二次风门开度X₂（%）～X₆（%）、各层燃尽风门开度X₇（%），X₈（%）；综合性能评价指标参数包括锅炉效率Z₁（%）、氮氧化物排放量Z₂（mg/m³）。

取采样间隔T＝20秒，连续提取热工参数的组数N＝60，综合性能变化J_p中的加权系数a=0.996，进行稳态工况判断时预设的阈值＝2%，进行案例匹配时预设的阈值＝2%，案例工况数H初步设定为40000。从监控信息系统SIS的历史数据库中提取机组全负荷运行范围内的工况数据，通过对工况进行稳态判断，建立机组在全负荷范围内运行的案例库矩阵H_XYZ，最终得到的案例库矩阵H_XYZ是一个40000行25列的矩阵。建立案例库矩阵后，从分散控制系统DCS中采集提取实时运行数据，判断其是否处于稳态工况，将处于稳态工况的当前运行工况记为工况向量C_XYZ，计算C_XYZ与案例库矩阵H_XYZ中全部H个案例工况向量之间的平均差异程度D_h，通过与预设阈值比较完成与案例库中案例工况的匹配，根据匹配结果进行锅炉燃烧的优化调整。下面分3种情形简要说明此方法的具体计算过程。

情形1：从DCS中提取的一组实时运行数据为：Y=[400.3, 1169.7, 18.87, 546.5,2.61, 503.7, 22.7, 1.09, 52.6, 41.3, 40.8, 22.7, 7.5, 0]； X=[3.92, 46.1,46.3, 17.6, 19.3, 21.5, 16.7, 20.7]。锅炉效率Z₁=93.125，氮氧化物排放量Z₂为336.03。比较此实时运行工况向量与案例库中全部案例工况间的平均差异程度D_h(h=1,…,H)与预设阈值的大小，经判断与全部案例工况的平均差异程度D_h均大于预设的阈值，表明当前案例库中没有与当前工况匹配的案例工况。则将当前工况作为新的案例工况，增加到案例库矩阵H_XYZ之中，此时案例库矩阵由40000行增加为40001行。

情形2：从DCS中提取的一组实时运行数据为：Y=[502.1, 1372.4, 22.46, 560.3,3.42, 543.7, 19.7, 1.18, 69.1, 47.4, 46.8, 29.8, 11.4, 0]；X=[3.51, 56.7,57.3, 21.6, 24.3, 27.5, 36.2, 41.3]。锅炉效率Z₁=93.384，氮氧化物排放量Z₂为252.19。比较此实时运行工况与案例库中全部案例工况间的平均差异程度D_h(h=1,…,H)与预设阈值的大小，经判断与案例库中P(P=6)个案例工况的平均差异程度D_h小于预设的阈值，从而获得一个包含P个与当前工况匹配的案例工况集合H_S，计算得到的P个匹配案例工况的综合性能值，将综合性能值最小的案例工况标记为工况H_J：Y=[502.2, 1370.4,22.58, 563.1, 3.48, 547.2, 19.6, 1.16, 69.8, 46.4, 47.2, 29.5, 11.2, 0]; X=[3.47, 56.3, 57.6, 21.8, 21.4, 21.7, 36.1, 41.8]。锅炉效率Z₁=93.422, 氮氧化物排放量Z₂为265.02。此工况的综合性能值J= -0.0227<0，表明当前工况的综合性能比案例库中的案例工况H_J的综合性能差，则将案例工况H_J对应的烟气氧含量3.47作为当前工况烟气氧含量新的设定值，各层二次风门开度[56.3, 57.6, 21.8, 24.4, 28.7]作为当前各层二次风门新的开度指令，各层燃尽风门开度[36.1, 41.8]作为当前各层燃尽风门新的开度指令。

情形3：从DCS中提取的一组实时运行数据为：Y=[553.7, 1521.8, 24.18, 566.3,3.81, 560.7, 21.6, 1.27, 78.3, 50.2, 50.8, 31.4, 20.7, 0]; X=[3.21, 63.2,63.5, 25.1, 29.9, 33.5, 51.7, 52.4].锅炉效率Z₁=93.523，氮氧化物排放量Z₂为227.36. 比较此实时运行工况与案例库中全部案例工况间的平均差异程度D_h(h=1,…,H)与预设阈值的大小，经判断与案例库中P(P=5)个案例工况的平均差异程度D_h小于预设的阈值，从而获得一个包含P个与当前工况匹配的案例工况集合H_S，计算得到的P个匹配案例工况的综合性能值，将综合性能值最小的案例工况标记为工况H_J：Y=[553.7, 1519.6,24.23, 568.1, 3.86, 562.3, 21.8, 1.29, 76.9, 51.3, 50.6, 31.2, 21.3, 0]; X=[3.25, 63.7, 63.9, 25.3, 29.8, 33.8, 51.9, 52.7].锅炉效率Z₁=93.504，氮氧化物排放量Z₂为232.36. 此工况的综合性能值J=0.012>0，表明当前工况的综合性能比案例库中的案例工况H_J的综合性能好，则将当前工况C_XYZ=[93.519, 232.36, 553.9, 1519.6,24.23, 568.1, 3.86, 562.3, 21.8, 1.29, 76.9, 51.3, 50.6, 31.2, 21.3, 0, 3.25,63.7, 63.9, 25.3, 29.8, 33.8, 51.9, 52.7, T_c]作为案例工况，替换上述标记的案例库中的案例工况H_J，完成案例库矩阵H_XYZ的更新。

Claims

1.一种基于数据驱动案例匹配的电站锅炉燃烧优化方法，本方法需要使用的系统包括锅炉（1），与锅炉（1）相连的监控信息系统SIS（2）和分散控制系统DCS（3），以及与监控信息系统SIS（2）和分散控制系统DCS（3）相连的燃烧优化工作站（4），所述燃烧优化工作站（4）包括通讯模块（5）、界面模块（6）、案例库模块（7）以及优化模块（8），所述界面模块（6）、案例库模块（7）和优化模块（8）分别经通讯模块（5）与监控信息系统SIS（2）和分散控制系统DCS（3）相连接，所述界面模块（6）分别和案例库模块（7）、优化模块（8）双向连接，所述案例库模块（7）、优化模块（8）之间双向连接；本方法的特征在于：包括以下步骤：

步骤1：确定与锅炉效率Z₁和氮氧化物Z₂相关的且不可优化调整的热工参数Y=[Y₁,Y₂,…, Y_8+M]；其中，M为锅炉的磨煤机配置台数，M≥1；

步骤2：确定与锅炉效率Z₁和氮氧化物Z₂相关的且可优化调整的热工参数X=[X₁,X₂, …,X_1+F1+F2]；其中，F1为二次风配置层数，F1≥1；F2为燃尽风配置层数，F2≥1；

步骤3：从监控信息系统SIS（2）的历史数据库中提取运行案例组成案例库矩阵H_XYZ；

步骤4：从实时采集的分散控制系统DCS（3）中提取实时运行数据，判断当前运行工况向量C_XYZ；

步骤6：重复步骤4和步骤5，使锅炉保持在最优状态下运行。

2.根据权利要求1所述的基于数据驱动案例匹配的电站锅炉燃烧优化方法，其特征在于：所述步骤1中的热工参数Y包括机组负荷Y₁、主蒸汽流量Y₂、主蒸汽压力Y₃、主蒸汽温度Y₄、再热蒸汽压力Y₅、再热蒸汽温度Y₆、燃烧器摆角Y₇、风箱炉膛差压Y₈、磨煤机1运行信号Y₉、磨煤机2运行信号Y₁₀、…、磨煤机M运行信号Y_8+M；

其中，M为锅炉的磨煤机配置台数，M≥1；

3.根据权利要求2所述的基于数据驱动案例匹配的电站锅炉燃烧优化方法，其特征在于：所述步骤3中从监控信息系统SIS（2）的历史数据库中提取运行案例组成案例库矩阵H_XYZ，包括如下步骤：

步骤3.1：以T秒为采样间隔，从监控信息系统SIS（2）的历史数据库中连续提取N组热工参数Y、热工参数X以及锅炉效率Z₁和氮氧化物Z₂；

步骤3.2：计算热工参数Y的均方差DY₁～DY_8+M，并判断均方差DY₁～DY_8+M是否都小于预设的阈值，如果不成立，表明本次提取的SIS历史数据库中的工况不是稳态工况，则返回步骤3.1提取新的数据；如果都成立，表明本次提取的历史数据库中的工况是稳态工况，则继续步骤3.3；

其中预设的阈值＝2%~3%；

步骤3.3：计算各参数的均值EZ₁、EZ₂、EY₁~EY_8+M、EX₁~EX_1+F1+F2，将均值作为案例工况存入案例库，同时附以时间标签以记录本次提取的历史数据库中的工况产生的时间，并标记该案例工况为EZ₁(h)、EZ₂(h)、EY₁(h)~EY_8+M(h)、EX₁(h)~EX_1+F1+F2(h)，则该案例工况向量可记为H_XYZ(h,:)=[EZ₁(h),EZ₂(h),EY₁(h)~EY_8+M(h),EX₁(h)~EX_1+F1+F2(h),T(h)]；

其中，小写字母h表示案例工况库的第h个案例，h=1,2,…,H；

大写字母H表示案例库中的案例工况的总个数；

步骤3.4：返回步骤3.1继续从监控信息系统SIS（2）的历史数据库中提取运行案例，完成案例库矩阵H_XYZ；完成后的案例库矩阵H_XYZ是H行（12+M+F1+F2）列的矩阵。

4.根据权利要求3所述的基于数据驱动案例匹配的电站锅炉燃烧优化方法，其特征在于：所述步骤4中从实时采集的分散控制系统DCS（3）中提取实时运行数据，判断当前运行工况状态，包括如下步骤：

步骤4.1：以T秒为采样间隔，从分散控制系统DCS（3）的实时运行数据中连续提取N组热工参数Y、热工参数X以及锅炉效率Z₁和氮氧化物Z₂；

其中预设的阈值＝2%~3%；

步骤4.3：计算各参数的均值EZ₁、EZ₂、EY₁~EY_8+M、EX₁~EX_1+F1+F2，并标记带有时间标签的当前运行工况向量为C_XYZ=[EZ₁,EZ₂,EY₁~EY_8+M, EX₁~EX_1+F1+F2,T_c] ；

5.根据权利要求4所述的基于数据驱动案例匹配的电站锅炉燃烧优化方法，其特征在于：所述步骤5中将当前运行工况向量C_XYZ与案例库矩阵H_XYZ中的案例工况进行模式匹配，包括如下步骤：

(1)

步骤5.2：判断上述平均差异程度D_h是否小于预设的阈值，即＜是否成立，如果不成立，表明案例库中没有与当前运行工况匹配的稳态工况，则转步骤5.6；如果成立，表明案例库中有与当前运行工况匹配的稳态工况，则标记所有满足＜的案例库矩阵H_XYZ中的案例工况向量集合为H_S，所述案例工况向量集合H_S中的工况个数记为P，并继续步骤5.3；

其中预设的阈值＝2%~3%；

J_p= a [C_EZ₁-H_EZ₁(p)]+(1- a)[C_EZ₂-H_EZ₂(p)] (p=1,2,…,P) (2)

其中，a是加权系数；

步骤5.5：判断步骤5.4中的综合性能变化J的正负号；

当J<0时，表明当前工况的综合性能比案例库中的工况的综合性能差，则将案例库中的工况H_J对应的烟气氧含量EX₁作为当前新的烟气氧含量设定值，各层二次风门开度EX₂～EX_1+F1作为当前新的各层二次风门开度指令，各层燃尽风门开度EX_2+F1～EX_1+F1+F2作为各层燃尽风门开度指令，分别通过所述的通讯模块(5)送达所述的分散控制系统DCS(3)；

当J>0时，表明当前工况的综合性能比案例库中的工况的综合性能好，则将当前运行工况向量C_XYZ=[EZ₁,EZ₂,EY₁~EY_8+M,EX₁~EX_1+F1+F2,T_c]作为案例工况，替换步骤5.4中标记的案例库中的案例工况H_J，完成案例库矩阵H_XYZ的更新，结束步骤5；

步骤5.6：将当前运行工况向量C_XYZ=[EZ₁,EZ₂,EY₁~EY_8+M,EX₁~EX_1+F1+F2,T_c]作为新的案例工况，增加到案例库矩阵H_XYZ之中，此时案例库矩阵H_XYZ由H行增加到(H+1)行，结束步骤5。

6.根据权利要求5所述的基于数据驱动案例匹配的电站锅炉燃烧优化方法，其特征在于：所述案例库中的案例工况个数H限制为30000~60000。

7.根据权利要求6所述的基于数据驱动案例匹配的电站锅炉燃烧优化方法，其特征在于：所述步骤5.3中的加权系数a的取值范围是0～1。