CN104534507A - 一种锅炉燃烧优化控制方法 - Google Patents

Abstract

本发明实施例提出种锅炉燃烧优化控制方法，包括：选取训练样本以建立训练样本集；采用训练样本集，建立基于最小二乘支持向量机的锅炉燃烧模型；针对所述锅炉燃烧模型，通过粒子群或遗传算法寻优获取最优的样本集以作为规则库；基于该规则库，通过模糊关联规则挖掘算法从库中提取为锅炉的可变参数的最优值与锅炉的不可变参数之间的关系模型并转化为模糊关联规则库。上述方案提出了一种锅炉燃烧优化控制方法，能够更为精确且高效地对锅炉的燃烧进行控制，可以找到锅炉的可调整参数的最优值，以针对锅炉随时进行调整来达到最优效率。

Description

一种锅炉燃烧优化控制方法

技术领域

本发明涉及数据分析和机器学习技术领域，尤其是涉及一种锅炉燃烧优化控制方法。

背景技术

面对日趋强化的资源环境约束，节能减排将一直是经济发展的重要内容。燃煤锅炉一直是我国主要的动力系统，特别是在火力发电领域更是必不可少的，因此如何对燃煤锅炉进行有效的控制以使燃煤产生的能量最大化是节能减排的一个重要部分。特别是随着节能法规与标准的日益完善以及煤炭价格的不断上涨，在利润空间缩减和环保要求提高的双重压力下，火力发电厂迫切需要通过提高供电效率和降低污染物排放来增强企业的竞争力。

基于监督控制系统的锅炉燃烧优化技术是电站机组节能减排的重要措施之一。由于该类技术不需要对锅炉受热面进行改造，通过在分散控制系统 (distributed control system ， 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，具有投资少、风险小、效果明显的优点，因此成为很多电厂首选的优化控制技术。

目前燃烧优化技术常用的方法有下面两种：

基于锅炉燃烧模型的非线性寻优：

该方法是利用人工神经网络、支持向量机、最小资源分配网络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燃烧系统各操作变量 (manipulated variables ， MVs) 的最优设定值。理论上该优化方案可以得到 MVs 的全局最优解。然而这类基于生物进化论的优化算法搜索速度却比较慢，计算复杂度也较高。这是由于基于智能理论建立的锅炉燃烧模型结构较复杂，且为确保机组运行的安全性和稳定性， MVs 的优化范围也有限制，一般需采用遗传算法、粒子群算法等求解此类带约束的复杂非线性优化问题。

基于历史运行工况的数据挖掘

随着近几年国内数据库技术的成熟，基于海量数据处理的数据挖掘成为解决众多实际问题的有效工具。在燃烧优化技术中，基于数据挖掘技术，从历史运行数据中提取控制参数最优值的锅炉燃烧优化策略；另外还有基于数据挖掘技术建立定量规则挖掘算法模型等方法。基于数据挖掘的优化方案计算较为简单，适合在线应用；但该方法的缺陷是只能得到问题的相对较优解，所以只能实现局部最优。

由此可以看出，目前广泛使用的基于锅炉燃烧模型的非线性寻优存在费时、计算量大等缺点，但其全局最优性仍使其成为离线寻优的理想算法。而基于数据挖掘的优化方案计算较为简单，适合在线应用；但该方法只能得到问题的相对较优解。如果能寻找一种优化方法可结合二者各自优点，既能实现全局最优而且计算速度快，适合实时优化控制，对提高锅炉效率，同时减少污染物排放有很大的作用。

发明内容

针对当前的基于锅炉燃烧模型的非线性寻优方法性能不好的问题，本发明实施例提出了一种锅炉燃烧优化控制方法。

为了实现上述目的，本发明实施例提供了一种锅炉燃烧优化控制方法，包括：

步骤 1 、选取训练样本以建立训练样本集；

步骤 2 、采用训练样本集，建立基于最小二乘支持向量机的锅炉燃烧模型；

步骤 3 、针对所述锅炉燃烧模型，通过粒子群或遗传算法寻优获取最优的样本集以作为规则库，其中所述规则库中的每一规则表示为

DVs ， MVs_opt ， CV_opt;

其中 DVs 为锅炉的不可变参数， MVs_opt 为锅炉的可变参数的最优值， CV_opt 为最优目标值；

步骤 4 、基于该规则库，通过模糊关联规则挖掘算法从库中提取为锅炉的可变参数的最优值 MVs_opt 与锅炉的不可变参数 DVs 之间的关系模型并转化为模糊关联规则库。

作为上述技术方案的优选，所述方法还包括：

针对所述锅炉的不可变参数 DVs 和锅炉的可变参数的最优值 MVs_opt 进行分析，以确定锅炉的不可变参数 DVs 和锅炉的可变参数的最优值 MVs_opt 之间的关联规则，并确定给定的锅炉的不可变参数 DVs 所对应的所有的锅炉的可变参数的最优值 MVs_opt ；

针对规则库中的同一锅炉的不可变参数 DVs 对应的所有锅炉的可变参数的最优值 MVs_opt 的多条规则之间进行合并。

作为上述技术方案的优选，所述步骤 4 具体包括：

通过隶属度最大化算子得到模糊空间内各锅炉的不可变参数 DVs 对应的锅炉的可变参数的最优值 MVs_opt ，构成初始规则库；

计算每一规则的隶属度，其中所述规则隶属度等于作为前件参数的锅炉的不可变参数 DVs 和作为后件参数的锅炉的可变参数的最优值 MVs_opt 对于规则中模糊集合隶属度的乘积；

将所述初始规则库中的相同规则合并后得到最终规则库；

通过以下公式计算所述最终规则库中各规则的支持度：

其中 为规则的支持度， 为第 j 条规则在初始规则库中出现的次数， 与 是第 k 个前件参数与后件参数属于该规则对应模糊集合的隶属度；

删除所述最终规则库中支持度低于支持度阈值的规则，得到模糊关联规则库。

作为上述技术方案的优选，所述计算每一规则的隶属度具体包括：

基于聚类算法对所述关联规则的语言变量进行非均等模糊分割 , 在确定锅炉的可变参数的模糊集合后，通过以下的隶属度函数计算各条规则中的作为前件参数的锅炉的不可变参数 DVs 和作为后件参数的锅炉的可变参数的最优值 MVs_opt 在不同模糊集合的隶属度；

其中 为模糊集合的中心点； 为隶属度函数的半宽 ; 为输入量； 为隶属度函数。

作为上述技术方案的优选，所述方法还包括：

针对每一锅炉的不可变参数 DVs ，采用以下公式将所述模糊规则库输出的锅炉的最优操作变量 MVs_opt 转化为普通空间的实数值；

其中 为所得模糊规则总数； 是第 j 条规则的置信度； 是第 j 条规则输出的模糊集合中心点； 为实际输入对于第 j 条规则的所有前件参数隶属度的乘积。

作为上述技术方案的优选，所述模糊关联规则库中的第 j 条模糊关联规则表示为：

当 为 ，……， 为 ；则该 为 ，……， 为

其中， m ， n 分别为模糊规则前件和后件变量的个数； 和 是规则中各变量的模糊集合表示。

针对改进的支持度阈值 Sc 和置信度阈值 Cc 作为约简基准，删减不准确或准确度不高的规则，确定最终的面向电站锅炉燃烧优化控制的规则模型。

作为上述技术方案的优选，所述步骤 3 中的通过粒子群或遗传算法寻优获取最优的样本集具体为：

分别采用基于 NO_X 排放约束下的效率最高模型或效率约束下的 NO_X 排放最低模型对所述锅炉燃烧模型进行寻优；

基于 NO_X 排放约束下的效率最高模型 ；

效率约束下的 NO_X 排放最低模型 ；

其中， 为允许的最大 NOx 排放量， 为允许的最低锅炉效率；当 时， a 取非常大的值，否则 a 取 0 ；当 时， b 取非常大的值，否则 b 取 0 。

作为上述技术方案的优选，所述步骤 2 中的采用训练样本集，建立基于最小二乘支持向量机的锅炉燃烧模型具体为；

确定所基于最小二乘支持向量机的核参数和正规化参数的值；并通过采用 7 层交叉验证法并调整核参数和正规化参数的值以获取交叉验证误差最小的组合；

其中，所述核参数和正规化参数分别为飞灰含碳量、排烟温度、炉内平均温度、辅机功率和 NO_X 氮氧化物排放量。

作为上述技术方案的优选，所述核参数和正规化参数还包括：燃料热值、燃料挥发份、燃料灰分、一次风压、三层二次风挡板开度，上下三次风挡板开度，烟气含氧量。

作为上述技术方案的优选，所述方法还包括：

对所述步骤 3 获得的规则库进行实时更新，具体包括：

以所述锅炉的不可变参数 DVs 为基于最小二乘支持向量机的锅炉燃烧模型的输入值，并获取输出的锅炉的可变参数的最优值 MVs_opt ；

根据锅炉的不可变参数 DVs 和当前的锅炉的可变参数 MVs 计算当前的目标值 CV ；根据锅炉的不可变参数 DVs 和锅炉的可变参数最优值 MVs_opt 计算该锅炉的可变参数最优值 MVs_opt 对应的锅炉的最优目标值 CV_opt ；

比较 CV 和 CV_opt ，如果 CV ＞ CV_opt ，则将所述规则库中的该锅炉的不可变参数 DVs 对应的锅炉的可变参数最优值 MVs_opt 修改为当前的锅炉的可变参数 MVs 。

本发明的技术方案具有以下优势：

上述方案提出了一种锅炉燃烧优化控制方法，能够更为精确且高效地对锅炉的燃烧进行控制，可以找到锅炉的可调整参数的最优值，以针对锅炉随时进行调整来达到最优效率。

附图说明

通过下面结合附图对本发明的一个优选实施例进行的描述，本发明的技术方案及其技术效果将变得更加清楚，且更加易于理解。其中：

图 1 为本发明实施例所建立的锅炉燃烧模型的示意图；

图 2 为本发明实施例的 NO_X 排放量的 LS-SVM 模型的预测效果示意图；

图 3 为本发明实施例的所有样本的锅炉效率的模型预测值和实际值的效果对比图；

图 4 为本发明实施例的 NO_X 排放约束下的效率最高的模型与现有技术的效果对比图；

图 5 为本发明实施例的效率约束下的 NO_X 排放最低的模型与现有技术的效果对比图。

具体实施方式

以下将结合所附的附图对本发明的一个优选实施例进行描述。

收集训练样本：

热态试验在 3 个典型负荷 350 、 300 和 250MW 水平，采用正交试验法设计，试验数据具有较好的工况代表性。选取热态试验数据共 105 组，选取 90 组作为训练样本，其余 15 组作为测试样本。由于锅炉特性会随着负荷而变化，为提高模型性能，训练样本的负荷须覆盖试验工况的运行范围；模型训练前将样本数据归一化到 [ − 1,1] 区间。

(2) 训练最小二乘支持向量机 (LS-SVM) 模型：

最小二乘支持向量机具有支持向量机泛化能力强、全局最优等优点，而且其训练时间短、结果更具确定性，适合在线应用。在训练最小二乘支持向量机模型前，首先需要确定核参数和正规化参数的值。本发明采用 7 层交叉验证法，通过不断调整核参数和正规化参数的值，选择使交叉验证误差最小的组合作为参数的最佳值。经计算，确定图 1 中 LS-SVM 模型的 SVM_A 、 SVM_B 、 SVM_C 、 SVM_D 和 SVM_E 的核参数和正规化参数。图 1 所示的为本发明所建立的锅炉燃烧模型结构。首先基于 LS-SVM ，其参数 SVM_A 、 SVM_B 、 SVM_C 、 SVM_D 和 SVM_E 分别代表飞灰含碳量、排烟温度、炉内平均温度、辅机功率和 NO_X 氮氧化物排放量；然后采用一种简化方法计算锅炉效率。图 1 中的 Load 为机组负荷，其中 Q 为燃料热值， V 为燃料挥发份， A 为燃料灰分， P_A 为一次风压， S_EA 、 S_EB 、 S_EC 分别为 A 、 B 、 C 三层二次风挡板开度， S_RU 、 S_RD 分别为上、下三次风挡板开度， O₂ 为烟气含氧量， C_fh 为飞灰含碳量， T_py 为排烟温度， T_IB 为炉内平均温度， P_aux 为辅机功率， NO_X 为氮氧化物排放量， h_Boiler 为锅炉内效率。

鉴于锅炉燃烧优化 2 个相互矛盾的目标，本发明提出 NO_X 排放约束下的效率最高和效率约束下的 NO_X 排放最低两种优化方式， 2 种优化方式的适应度函数分别如公式（ 1 ）和公式（ 2 ）所示的，具体为：

其中， 为允许的最大 NOx 排放量， 为允许的最低锅炉效率；当 时， a 取非常大的值，否则 a 取 0 ；当 时， b 取非常大的值，否则 b 取 0 。

然后选用具有最优保留策略的遗传算法对锅炉运行工况进行寻优，为电站 DCS 基础控制层提供各操作变量的最佳设定值。根据锅炉燃烧的实际情况，一次风压、各层二次风门开度等操作变量也有一定的调节范围，所以试验中要确定操作变量的上下限。本发明以上述试验工况中效率最低和 NOx 排放最高的两组工况为例，分别采用以公式 (1) 、公式 (2) 为目标的优化方式，优化各操作变量。经过上述寻优步骤得到的样本集即为最终的规则库，每条规则描述为：

DVs ， MVs_opt ， CV_opt 。

其中 DVs 为锅炉的不可变参数， MVs 为锅炉的可变参数； MVs_opt 为最优操作变。

该模型的输入为锅炉的不可变参数 DVs 和锅炉的可变参数 MVs ，输出为 MVs_opt ；可以根据锅炉的不可变参数 DVs 和锅炉的可变参数 MVs 计算出 CV ；可以根据 DVs 和 MV_opt 计算出 CV_opt ；比较 CV 和 CV_opt ，若 CV< CV_opt ，则输出 MVs_opt ；若 CV>CV_opt ，则保持 MVs ，同时修正规则库（增加一条新规则或替换一条老规则）。

在锅炉燃烧模型确定后，最优操作变量 MVs_opt 完全由锅炉的不可变参数 DVs 决定。因此本发明采用模糊关联规则挖掘算法从得到的规则库中提取 MV_opt 与 DV 的关系模型。具体步骤如下：

为提高所得关联规则的可信度，本发明基于聚类算法对语言变量进行非均等模糊分割 , 在确定变量的模糊集合后，基于公式 (3) 所示的隶属度函数定义式，通过计算普通型最优知识库中各样本前件 ( 锅炉的不可变参数 DVs) 和后件参数 ( 最优操作变量 MVs_opt) 在不同模糊集合的隶属度，可以将其转化为模糊型最优知识库。

其中 为模糊集合的中心点； 为隶属度函数的半宽 ; 为输入量； 为隶属度函数。

模糊关联规则采用 IF-THEN 条件句的形式，其中该模糊关联规则的第 j 条规则的结构如下：

其中， m ， n 分别为模糊规则前件和后件变量的个数； 和 是规则中各变量的模糊集合表示。

其中，该模糊关联规则库是采用如下方法构建的：

通过隶属度最大化算子得到模糊空间内各锅炉的不可变参数 DVs 对应的最优操作变量 MVs_opt ，构成初始规则库 FS0 ；

计算所得各规则的隶属度，规则隶属度等于前件参数与后件参数对于规则中模糊集合隶属度的乘积；

将初始规则库 FS0 中的相同规则合并，得到最终规则库 FS1 ；

通过公式（ 5 ）计算最终规则库 FS1 中各规则的支持度：

其中 为规则的支持度， 为第 j 条规则在初始规则库中出现的次数， 与 是第 k 个前件参数与后件参数属于该规则对应模糊集合的隶属度；

删除最终规则库 FS1 中支持度低于支持度阈值的规则，得到模糊关联规则库。

对于系统某一输入锅炉的不可变参数 DVs ，本发明采用重心法将上述模糊规则库输出的最优操作变量 MVs_opt 转化为普通空间的实数值。最优操作变量 MVs_opt 决策模型的输出 :

其中 为所得模糊规则总数；是第 j 条规则的置信度； 是第 j 条规则输出的模糊集合中心点； 为实际输入对于第 j 条规则的所有前件参数隶属度的乘积。

对于不同的机组在某一确定 DVs 的情况下，规则库中给出的 MVs_opt 不一定就是最优值。所以本发明还考虑到规则的实时更新，在应用本发明所涉及的规则库时 , 遵从以下具体程序：

模型的输入为 DVs ，输出为 MVs_opt ；

根据 DVs 和 MVs 计算出 CV ；

根据 DVs 和 MV_opt 计算出 CV_opt ；

比较 CV 和 CV_opt ，若 CV<CV_opt ，则输出 MVs_opt ；若 CV>CV_opt ，则保持 MVs ，同时修正规则库（增加一条新规则或替换一条老规则）。

为了证明本发明实施例的算法优于现有的锅炉燃烧优化方法，如图 4 、图 5 所示的分别是优化后的锅炉效率和 NOx 排放量这两个算法与现有的基于锅炉燃烧模型采用遗传算法 (genetic algorithm ， GA) 的优化结果对比。

其中，基于本发明中所建立的规则模型获得了最优 MVs 决策来对锅炉燃烧系统进行优化，所得目标值与基于遗传算法优化的结果接近；且优化过程的计算量明显优于 GA 算法寻优。

如图 2 所示的为 NO_X 氮氧化物排放量的 LS-SVM 模型的预测效果。从图 2 中可以看出，基于 LS-SVM 建立的 NO_X 氮氧化物排放量模型均具有较高的预测能力。模型对训练样本几乎是零偏差预测，说明模型具有较好的逼近能力；模型对测试样本的预测误差也非常低，因此，模型的泛化能力也非常好。图 3 为所有样本锅炉效率的模型预测值和实际值。模型预测的平均绝对误差只有 0.054% ，说明所建立的燃烧模型能够较高精度地实现锅炉效率的预测。

对于所属技术领域的技术人员而言，随着技术的发展，本发明构思可以不同方式实现。本发明的实施方式并不仅限于以上描述的实施例，而且可在权利要求的范围内进行变化。

Claims (10)

1.一种锅炉燃烧优化控制方法，其特征在于，包括：

步骤1、选取训练样本以建立训练样本集；

步骤2、采用训练样本集，建立基于最小二乘支持向量机的锅炉燃烧模型；

步骤3、针对所述锅炉燃烧模型，通过粒子群或遗传算法寻优获取最优的样本集以作为规则库，其中所述规则库中的每一规则表示为

DVs，MVs_opt，CV_opt;

其中DVs为锅炉的不可变参数，MVs_opt为锅炉的可变参数的最优值，CV_opt为最优目标值；

步骤4、基于该规则库，通过模糊关联规则挖掘算法从库中提取为锅炉的可变参数的最优值MVs_opt与锅炉的不可变参数DVs之间的关系模型并转化为模糊关联规则库。

2.根据权利要求1所述的锅炉燃烧优化控制方法，其特征在于，所述方法还包括：

针对所述锅炉的不可变参数DVs和锅炉的可变参数的最优值MVs_opt进行分析，以确定锅炉的不可变参数DVs和锅炉的可变参数的最优值MVs_opt之间的关联规则，并确定给定的锅炉的不可变参数DVs所对应的所有的锅炉的可变参数的最优值MVs_opt；

针对规则库中的同一锅炉的不可变参数DVs对应的所有锅炉的可变参数的最优值MVs_opt的多条规则之间进行合并。

3.根据权利要求1所述的锅炉燃烧优化控制方法，其特征在于，所述步骤4具体包括：

通过隶属度最大化算子得到模糊空间内各锅炉的不可变参数DVs对应的锅炉的可变参数的最优值MVs_opt，构成初始规则库；

计算每一规则的隶属度，其中所述规则隶属度等于作为前件参数的锅炉的不可变参数DVs和作为后件参数的锅炉的可变参数的最优值MVs_opt对于规则中模糊集合隶属度的乘积；

将所述初始规则库中的相同规则合并后得到最终规则库；

通过以下公式计算所述最终规则库中各规则的支持度：

其中为规则的支持度，为第j条规则在初始规则库中出现的次数，与是第k个前件参数与后件参数属于该规则对应模糊集合的隶属度；

删除所述最终规则库中支持度低于支持度阈值的规则，得到模糊关联规则库。

4.根据权利要求3所述的锅炉燃烧优化控制方法，其特征在于，所述计算每一规则的隶属度具体包括：

基于聚类算法对所述关联规则的语言变量进行非均等模糊分割, 在确定锅炉的可变参数的模糊集合后，通过以下的隶属度函数计算各条规则中的作为前件参数的锅炉的不可变参数DVs和作为后件参数的锅炉的可变参数的最优值MVs_opt在不同模糊集合的隶属度

其中为模糊集合的中心点；为隶属度函数的半宽;为输入量；为隶属度函数。

5.根据权利要求4所述的锅炉燃烧优化控制方法，其特征在于，所述方法还包括：

针对每一锅炉的不可变参数DVs，采用以下公式将所述模糊规则库输出的锅炉的最优操作变量MVs_opt转化为普通空间的实数值；

其中为所得模糊规则总数；是第j条规则的置信度；是第j条规则输出的模糊集合中心点；为实际输入对于第j条规则的所有前件参数隶属度的乘积。

6.根据权利要求3所述的锅炉燃烧优化控制方法，其特征在于，所述模糊关联规则库中的第j条模糊关联规则表示为：

当为，……，为；则该为，……，为

其中，m，n分别为模糊规则前件和后件变量的个数；和是规则中各变量的模糊集合表示；针对改进的支持度阈值Sc 和置信度阈值Cc 作为约简基准，删减不准确或准确度不高的规则，确定最终的面向电站锅炉燃烧优化控制的规则模型。

7.根据权利要求1所述的锅炉燃烧优化控制方法，其特征在于，所述步骤3中的通过粒子群或遗传算法寻优获取最优的样本集具体为：

分别采用基于NO_X排放约束下的效率最高模型或效率约束下的NO_X排放最低模型对所述锅炉燃烧模型进行寻优；

基于NO_X排放约束下的效率最高模型；

效率约束下的NO_X排放最低模型；

其中，为允许的最大NOx排放量，为允许的最低锅炉效率；当时，a取非常大的值，否则a取0；当时，b取非常大的值，否则b取0。

8.根据权利要求1所述的锅炉燃烧优化控制方法，其特征在于，所述步骤2中的采用训练样本集，建立基于最小二乘支持向量机的锅炉燃烧模型具体为；

确定所基于最小二乘支持向量机的核参数和正规化参数的值；并通过采用7层交叉验证法并调整核参数和正规化参数的值以获取交叉验证误差最小的组合；

其中，所述核参数和正规化参数分别为飞灰含碳量、排烟温度、炉内平均温度、辅机功率和NO_X氮氧化物排放量。

9.根据权利要求8所述的锅炉燃烧优化控制方法，其特征在于，所述核参数和正规化参数还包括：燃料热值、燃料挥发份、燃料灰分、一次风压、三层二次风挡板开度，上下三次风挡板开度，烟气含氧量。

10.根据权利要求1所述的锅炉燃烧优化控制方法，其特征在于，所述方法还包括：

对所述步骤3获得的规则库进行实时更新，具体包括：

以所述锅炉的不可变参数DVs为基于最小二乘支持向量机的锅炉燃烧模型的输入值，并获取输出的锅炉的可变参数的最优值MVs_opt；

根据锅炉的不可变参数DVs和当前的锅炉的可变参数MVs计算当前的目标值CV；根据锅炉的不可变参数DVs和锅炉的可变参数最优值MVs_opt计算该锅炉的可变参数最优值MVs_opt对应的锅炉的最优目标值CV_opt；

比较CV和CV_opt，如果CV＞CV_opt，则将所述规则库中的该锅炉的不可变参数DVs对应的锅炉的可变参数最优值MVs_opt修改为当前的锅炉的可变参数MVs。