CN105020705A - 循环流化床锅炉燃烧性能实时优化控制方法及系统 - Google Patents

Abstract

本发明提供了一种流化床锅炉燃烧性能实时优化控制方法及系统。其中，实时优化控制方法包括：基于锅炉燃烧的历史数据，建立用于匹配现有流化床锅炉系统输入输出间的非线性映射关系的第一神经网络；依据该第一神经网络，确定流化床锅炉系统输入的可调输入变量；将所述可调输入变量作为底层控制的输入，计算对应的偏差和偏差变化率的趋势，通过建立第二神经网络训练获得对过程变量控制输出。本发明提高了锅炉效率，降低了供电煤耗，预防或治理了结焦结渣、降低NOx排放，进一步提高了锅炉运行的安全性、可靠性、和经济性。

Description

循环流化床锅炉燃烧性能实时优化控制方法及系统

技术领域

本发明涉及锅炉技术领域，具体而言，涉及一种循环流化床锅炉(CFB)燃烧性能实时优化控制方法及系统。

背景技术

循环流化床锅炉是我国重要的热力设备，使用量大并且分布面积广泛。但是，流化床锅炉是一种多变量控制对象，被控量具有非线性、时变性、大延迟和强耦合等特点，很难建立比较准确、实用的数学模型，用常规的PID控制难以达到理想的控制效果，因此目前CFB锅炉运行自动化程度普遍不高，长久以来，锅炉运行都依赖于经验设计，配风也往往由司炉人员根据经验调节，存在很大的盲目性，经常造成燃烧效果不佳。

具体来说，目前流化床炉普遍存在的问题有：

1、锅炉一次风量、或二次风量左、右侧不均匀，容易造成两床床压偏差，导致失稳。同时给锅炉的合理配风带来困难，使密相区、稀相区的燃烧份额发生改变。

2、一、二次风量过大或过小，过大一方面使床料损失过多，同时又降低了床温，使煤耗增加。过小，稀、密相区供氧不足，使CO含量增加，化学不完全燃烧热损失增加，锅炉效率降低。

3、煤种或煤质变化：当燃用高水份煤种或煤质水份含量较高时，原煤，在原煤斗或下煤管中均会容易贴壁而造成堵煤，使机组被迫降出力运行。

针对上述问题，只有建立整体观念和认识，站在系统协调控制的高度，对锅炉系统做全面评估和系统优化，才能使锅炉性能真正达到最佳状态，也就是说，需要借助现代信息技术、应用数学方法和计算机技术建立锅炉系统可调输  入量和锅炉燃烧性能、排放物之间的特性关系，量化锅炉运行参数间的相互作用关系，综合运用智能控制、多目标优化、进化算法、统计学习等先进理论。基于此，现有技术中确实给出了一些控制方法，但是依然存在如下缺陷：

第一、长期运行的历史数据不能充分利用的问题

一个过程动态特性的全部信息都已包含在输入/输出数据里了，如何正确利用这些数据就是关键问题。流化床锅炉长期运行所产生的大量历史数据中蕴含着锅炉可调变量(风量、给煤量等)与输出变量(锅炉效率、NOx排放)之间的数学关系。如何有效地利用这些历史大数据建立可用于优化的数学模型，目前技术中未给出具体可行与有效的方法。

第二、现有的控制方法控制效果不佳

事实表明，并不是所有工业过程都可以用PID回路来控制，例如多变量、非线性、时变等过程都需要用更为先进的控制技术。针对流化床锅炉系统中存在的大滞后、大惯性、强非线性等特点，目前普遍采用的PID及其改进算法均无法实现准确、快速的控制，控制效果不佳，不能为锅炉在线滚动优化策略的实施提供可靠保障。

第三、运行一段时间后模型失配或失效的问题

由于目前锅炉中绝大多数控制器是根据控制器开始工作之前由操作人员设计(调整)好的算法运行的。通常，只有当控制器性能优于某种原因恶化到一定程度后才会由人工进行控制器参数的调整，因为这种调整需要丰富的经验。对于锅炉而言，由于工况、煤质的频繁变化，锅炉本身结构、特性随时间的改变，使得锅炉优化模型和控制器模型都需要不断的进行自适应调整。因此，结合未来运行数据，及时更新模型，适应工况和煤质的变化，是本发明所要解决的一个关键问题。入炉煤种的不稳定，再加上锅炉检修、积灰、结渣等因素的影响，使得在性能试验数据基础上建立的锅炉模型失配严重，利用近期的燃烧数据进行模型的自适应修正显得格外重要。通过在线更新流化床锅炉的数学模型，使得煤质变化和锅炉大修等因素的影响也被看作是一种模型变化而被加以  修正，从而使模型具有一定的自适应性。

第四、如何保证燃烧稳定下实现有约束的寻优

现有的燃烧优化方法的寻优过程大都采用前向数学模型的逆模型的求解过程。这样存在两个问题：a.锅炉燃烧过程逆模型的存在性很难确保，反向求解可能产生无解或多解。b.优化解和当前值之间的变化过大，这样意味着燃烧系统的输入调节幅度过大，有可能威胁燃烧稳定性。这使得燃烧优化控制软件需要对优化解的存在性和燃烧的稳定性进行充分考虑，而不只是简单的性能目标的寻优问题。

发明内容

有鉴于此，本发明旨在提出一种循环流化床锅炉燃烧性能实时优化控制方法及系统，基于该在线优化系统可进一步提高系统的安全性、经济性与可靠性。

第一方面，本发明提供了一种循环流化床锅炉燃烧性能实时优化控制方法，包括如下步骤：上层控制步骤，基于锅炉燃烧的历史数据，建立用于匹配现有流化床锅炉系统输入输出间的非线性映射关系的第一神经网络；依据该第一神经网络，确定流化床锅炉系统输入的可调输入变量；底层控制步骤，将所述可调输入变量作为底层控制的输入，计算对应的偏差和偏差变化率的趋势，通过建立第二神经网络训练获得对过程变量控制输出。

具体来说，上层控制步骤为，采集锅炉不同负荷工况下的基础实验数据和历史数据，建立用于匹配现有流化床锅炉系统可调输入变量与输出变量间非线性映射关系的BP神经网络(第一神经网络)，所述非线性映射关系作为流化床锅炉燃烧的数学模型。依照该数学模型，获取对应期望煤耗与NOx排放水平下锅炉燃烧系统可调输入变量的优化值；底层控制步骤为，将上述可调输入变量优化值作为底层控制器的输入给定，计算当前被控量与给定值的偏差和偏差变化率趋势，并将其作为已建立的DMC控制器(第二神经网络)输入，实现对被控量的有效控制，该步骤可保证优化策略的可靠实施。

进一步地，所述上层控制步骤中，所述依据该第一神经网络，确定流化床锅炉系统输入的可调输入变量进一步为：依据该第一神经网络，采用遗传算法，确定流化床锅炉系统输入的可调输入变量。具体来说，采用遗传算法，依据已建立的第一神经网络数学模型，寻找合适的锅炉燃烧系统可调输入组合及最优解，使得燃烧过程煤耗最小，同时满足NO_x排放上限要求。

进一步地，上述流化床锅炉燃烧性能实时优化控制方法中，遗传算法在确定锅炉燃烧系统可调输入组合及最优解时，若无解或有多个解，则继续通过网格爬山法的多维搜索算法确定输入组合中各变量取值。

进一步地，上述流化床锅炉燃烧性能实时优化控制方法还包括：将锅炉燃烧的历史数据定期融入新发生数据，定期更新用以训练所述BP神经网络，获取优化的数学模型。

进一步地，上述流化床锅炉燃烧性能实时优化控制方法中，将锅炉燃烧的历史数据定期融入新发生数据，按照时间由近及远变化，赋予数据指定的遗忘因子(0～1之间取值)，距离当前时刻越远的数据的遗忘因子越大，当前数据则遗忘程度为0。

第二方面，本发明还提供了一种循环流化床锅炉燃烧性能实时优化控制系统，包括：历史与实验数据获取与筛选模块、上层建模与优化模块和底层控制模块；其中，所述历史与实验数据获取与筛选模块用于建模数据筛选与预处理，建模数据来源于前期优化试验数据与历史运行数据；所述上层建模与优化模块用于基于锅炉燃烧的历史和优化实验数据，建立用于匹配现有流化床锅炉系统输入输出间非线性映射关系的第一神经网络；依据该第一神经网络，求解流化床锅炉系统可调输入变量的最优解；所述底层控制模块用于将最优可调输入变量作为底层控制器的设定值，计算相应采样值与给定值的偏差和偏差变化率，通过建立第二神经网络训练获得对过程变量控制输出。

进一步地，上述循环流化床锅炉燃烧性能实时优化控制系统中，所述上层建模与优化模块进一步包括遗传算法寻优单元，用于依据该第一神经网络，采  用遗传算法，确定流化床锅炉系统输入的可调输入变量。

进一步地，上述循环流化床锅炉燃烧性能实时优化控制系统中，所述上层建模与优化模块进一步包括网格爬山搜索算法寻优单元，用于在所述遗传算法在确定流化床锅炉系统输入的可调输入变量时，若无解或有多个解，则继续通过网格爬山法的在线寻优机制，进行可调输入变量各个参数的确定。

进一步地，上述循环流化床锅炉燃烧性能实时优化控制系统还包括数学模型更新模块，用于筛选锅炉燃烧的最新运行数据定期融入建模数据中，定期更新所述第一神经网络，获取优化的数学模型。

进一步地，上述循环流化床锅炉燃烧性能实时优化控制系统中，所述数学模型更新模块中，按照时间由近及远变化，赋予数据指定的遗忘因子，距离当前时刻越远的数据的遗忘因子越大，当前数据则遗忘因子为0。

本发明循环流化床锅炉燃烧性能实时优化控制方法及系统分，包括底层控制和上层建模与优化，底层控制保证给定优化曲线的可靠实施；上层建模与优化为优化层，获取锅炉燃烧的优化设定值。底层控制设定值和过程变量之间的偏差和偏差变化率趋势，通过建立DMC控制器(第二神经网络)训练来实现对过程变量的控制输出，这就使控制器可以观察到过程的动态特性，可实现对锅炉的大滞后、强非线性、时变等特点的比较精确控制，能够保证优化策略的可靠实施；上层建模与优化采用BP神经网络(第一神经网络)建立流化床锅炉可调输入变量和输出变量之间的非线性映射关系，即建立流化床锅炉的数学模型，基于该模型，采用遗传算法和网络爬山法实现对应期望煤耗和NOx排放水平下的各输入可调变量的在线寻优。从而可以对流化床锅炉运行进行优化控制，协调锅炉各运行参数间的关系，进一步提高系统的安全性、经济性与可靠性，全面改善锅炉综合性能。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并  不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1为本发明流化床锅炉燃烧性能实时优化控制方法实施例的步骤流程图；

图2为本发明流化床锅炉燃烧性能实时优化控制方法另一实施例的步骤流程图；

图3为本发明流化床锅炉燃烧性能实时优化控制方法实施例的总体工作原理框图；

图4为本发明流化床锅炉燃烧性能实时优化控制方法实施例中，底层控制的控制原理框图；

图5为本发明流化床锅炉燃烧性能实时优化控制方法实施例中，基于第一神经网络建立流化床锅炉稳态模型原理示意图；

图6为本发明流化床锅炉燃烧性能实时优化控制方法实施例中，遗传算法的步骤流程图；

图7为本发明流化床锅炉燃烧性能实时优化控制方法实施例中，第一神经网络的更新方式步骤流程图；

图8为锅炉性能优化的整体设计流程图；

图9为本发明流化床锅炉燃烧性能实时优化控制系统实施例的结构框图；

图10为本发明流化床锅炉燃烧性能实时优化控制系统的工作原理图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

参照图1，图1为本发明流化床锅炉燃烧性能实时优化控制方法实施例的步骤流程图。包括如下步骤：

S110，基于锅炉燃烧的历史数据和基础实验数据，建立用于匹配现有流化床锅炉系统输入输出间非线性映射关系的第一神经网络，即锅炉燃烧系统数学模型；

S120，依据该数学模型，采用优化算法，求解流化床锅炉系统可调输入变量优化解；

S130，将最优的可调输入变量作为底层控制的输入，计算对应的偏差和偏差变化率的趋势，通过建立第二神经网络(DMC控制器)训练获得对过程变量控制输出。

其中，S110和S120属于上层建模与优化过程，S130属于底层控制过程。

本实施例流化床锅炉燃烧性能实时优化控制方法分两部分，底层控制层和上层建模与优化层，底层控制保证给定优化曲线的可靠实施；上层建模与优化为优化层，获取锅炉燃烧的优化设定值。底层控制层通过计算设定值和被控变量之间的偏差和偏差变化率，训练神经网络构建DMC控制器，来实现对被控变量的控制输出，这就使控制器可以观察到过程的动态特性，可实现对锅炉的大滞后、强非线性、时变等特点的比较精确控制，能够保证优化策略的实施；上层建模与优化层采用神经网络建立流化床锅炉可调输入变量和输出变量之间的非线性映射关系，即建立流化床锅炉的数学模型，据此，应用诸如遗传算法、网络爬山搜索算法、蚁群算法和粒子群优化算法实现目标函数下的可调输入变量在线寻优。从不同的角度，提高锅炉效率，降低供电煤耗，预防或治理结焦结渣、降低NOx排放，提高锅炉运行的安全性、可靠性、和经济性。

参照图2，图2为本发明流化床锅炉燃烧性能实时优化控制方法实施例的步骤流程图，包括如下步骤：

S210，基于锅炉燃烧的历史数据和基础实验数据，建立用于匹配现有流化床锅炉系统输入输出间的非线性映射关系的第一神经网络；

S220，依据该第一神经网络，采用遗传算法，确定流化床锅炉系统可调输入变量的最优解；

S230，所述遗传算法在确定流化床锅炉系统最优的可调输入变量时，是否  无解或有多个解？若是，则继续通过网格爬山法的在线寻优机制，进行可调输入变量优化解的确定；

S240，将所述最优可调输入变量作为底层控制的输入，计算对应的偏差和偏差变化率的趋势，通过建立第二神经网络训练获得对过程变量控制输出。

S250，将锅炉燃烧的历史数据定期融入新发生数据，定期更新所述第一神经网络，获取优化的数学模型，然后返回执行S220。

该实施例流中的流化床锅炉燃烧性能实时优化控制方法，也包括底层控制层和上层建模与优化层，底层控制保证给定优化曲线的可靠实施；上层建模与优化为优化层，获取锅炉燃烧的优化设定值。底层控制层通过计算设定值和被控变量之间的偏差和偏差变化率，训练神经网络构建DMC控制器，来实现对被控变量的控制输出，这就使控制器可以观察到过程的动态特性，可实现对锅炉的大滞后、强非线性、时变等特点的比较精确控制，能够保证优化策略的实施；上层建模与优化层采用神经网络建立流化床锅炉可调输入变量和输出变量之间的非线性映射关系，即建立流化床锅炉的数学模型，之后，采用遗传算法和网络爬山搜索算法实现在给定目标函数下的可调输入变量在线寻优。从而可以对流化床锅炉运行进行优化控制，协调锅炉各运行参数间的关系，进一步提高系统的安全性、经济性与可靠性，全面改善锅炉综合性能。

图2所示的实施例相对于图1所示的实施例具有如下优点：

第一、基于第一神经网络反向求解最优设定值，采用了遗传算法(GA)和网格爬山搜索算法实现在线寻优，具体步骤：基于流化床锅炉的数学模型，寻找合适的锅炉燃烧系统可调输入变量最优解，使得燃烧过程煤耗最小，同时NO_x排放满足上限要求。首先依据遗传算法(GA)求取有约束条件下的全局优解，保证可调输入解全部满足其最大最小限制，保证锅炉运行安全性边界。其次，当出现无解或多个解的时候，通过网格爬山搜索算法分步求解优化方向的输入解，保证小幅度调节下的燃烧过程稳定。网格爬山搜索算法具有的优点：1)在限定了搜索时间的情况下，爬山法比其他算法具有更小的计算量，能够产生  比较好的结果，因此具有比较好的实时性。尤其适合锅炉运行时的实时在线优化。2)可回溯性比较好：在算法中断时，也可返回一个有效解，能够保障系统运行的安全性。搜索进入危险运行区域或氮氧化物排量上限时，算法能够提前自动停止，这样，实现了多约束条件下的锅炉效率优化。3)爬山法的随机性：随机选取下一结点，在那个结点，检测目标函数改善的次数，然后决定是否真正移至该结点。

第二、在流化床锅炉燃烧过程受到煤质、环境温度、锅炉设备大修等工况变化的影响时，将历史数据中合理融入新发生数据，定期更新原有的燃烧系统模型，以适应随时可能发生的工况变化。按照时间由近及远变化的情况，赋予数据一定的遗忘因子，距离当前时刻越远的数据的遗忘程度越高。这样，可保证在线更新后的网络能够“及时地”适应变化后的外部工况，实现模型的更新。

需要说明的是，图2所示出的实施例仅仅是本发明的一个优选方案，在依据该第一神经网络求解流化床锅炉系统最优的可调输入变量过程中，可以采用遗传算法和网格爬山法进行确定最优可调输入变量，也可以采用其他的算法，本发明对此并不做限定。只要是通过底层控制与上层控制相结合，并且，底层控制采用计算对应的偏差和偏差变化率的趋势，通过建立第二神经网络训练获得对过程变量控制输出的方式提高锅炉运行的安全性、可靠性和经济性，都在本发明的保护范围之内。

下面，对图2所示出的实施例作进一步地说明。

参照图3，图3为本实施例流化床锅炉燃烧性能实时优化控制方法的总体工作原理图。其中，内环为闭环控制系统，其最优运行参数设定值由设计的热力试验给出初始设定值，并通过外环在线优化算法进行一定的修正。之所以需要修正是因为，随着锅炉运行内、外部环境的改变(如煤质、煤粉细度、锅炉负荷变化、设备大修等)，锅炉控制系统的这组初始给定值往往很难适应变化后的系统模型，系统无法按设计指标运行的情况非常普遍，直接后果为锅炉效率下降、污染物排放超标。因此，仅仅保证锅炉运行的闭环安全性能是不够的，  必须在系统外环配置锅炉性能在线优化系统，使锅炉控制系统的给定值通过优化算法不断的被修正，以保证始终能够自适应跟踪系统变化。

优化算法是以建立锅炉数学模型为基础的，利用其可调参数(输入)和反映参数(状态量)的数学映射关系，动态调整锅炉闭环运行参数给定值，在安全性容许的前提下，深度挖掘锅炉系统的运行能力和运行空间，在NO_x排放量不超标的前提下，实现锅炉燃烧效率的最优化运行。

逻辑上来说，本实施例流化床锅炉燃烧性能实时优化控制方法可划分为2个层次，3个部分，具体包括：上层建模与优化层和底层控制层，底层为基于DMC(Data Model Control，数据模型控制)的实时控制器部分，上层为基于BP神经网络建立流化床锅炉可调输入与输出非线性关系的数学模型部分和基于遗传算法与网格爬山法相结合的在线优化部分。每一部分的思路和目的如下：1)底层控制层：DMC控制器

如图4所示，单回路DMC控制器的核心是一个多层感知器人工神经网络。神经网络包含一个输入层，一个有2N(N为自然数)个神经元的隐含层和一个单个神经元的输出层，该DMC控制器可以很方便的扩展为多入多出系统。

如图所示，控制器输入e(k)＝r(k)-y(k)，其中，r(k)为被控量设定值，本例中由上层优化层输出，y(k)为被控量测量值；e(k)，e(k-1),…,e(k-N)分别为采样时刻k,k-1,…,k-N的设定值与测量值偏差，△e(k)＝[e(k)-e(k-1)]/T为采样时刻k的偏差变化率(T为采样周期)。

$p_j\left(n\right)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{W}_{\mathrm{ij}}\left(n\right){e_i}^{\′}\left(n\right);{e_i}^{\′}\left(n\right)=[e\left(k\right)\mathrm{\Δe}\left(k\right)e(k-1)...e(k-N)]$

v(n)＝K_c[o(n)+e(n)]

其中，n代表第n次迭代，v(n)是DMC控制器的输出，K_c(K_c>0)是DMC控制器的增益，其值由具体的控制对象数量级和执行机构的量程决定。为核  函数，对于核函数的选取，有多种选择如，高斯函数、三角核函数、双指数核函数等，本申请采用高斯核函数RBF函数。W_ij和h_j是神经网络权值，权值的学习算法按下式计算：

$\mathrm{\Δ}{W}_{\mathrm{ij}}\left(n\right)=\mathrm{\η}\·K_c\·e\left(n\right)q_j\left(n\right)(1-q_j\left(n\right))\left(e_i{\left(n\right)}^{\′}\right)\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{h}_k\left(n\right)$

Δh_j(n)＝η·K_c·e(n)·q_j(n)

其中，η为学习因子(0≤η≤1)。本实施例中，被控量为流化床锅炉燃烧过程中难于控制的关键变量，因此，采用DMC控制器实现有效控制。

神经网络可根据需要更新其权值来改变动态模块的行为。网络学习的算法是以偏差最小为目标，这与反馈控制的目标相一致。网络的训练即DMC控制器的训练采用筛选的历史数据和前期优化试验数据。当过程动态特性发生变化的时候，权值的自适应能力帮助控制器减小偏差。基于神经网络的DMC控制器通过历史数据的训练获得，因此能记忆一部分历史数据，为了解过程动态特性提供有价值的信息。相比之下，数字式PID控制器只保留当前和之前的两个采样数据。在这一点上，PID控制器几乎没有任何记忆能力，而DMC拥有一个记忆控制器所必需的记忆能力。

2)基于BP神经网络的流化床锅炉输入输出数学模型

参照图5所示，第一神经网络采用BP神经网络。 

流化床锅炉优化控制算法的应用效果在很大程度上依赖于锅炉数学模型的精度，而如何通过最优实验设计和历史数据库，获得建模所需的输入、输出数据，并在实验数据的基础上建立能够反映真实情况的流化床锅炉数学模型，是锅炉性能优化控制系统设计首先需要解决的问题。

首先，利用偏最小二乘(partial least squares,PLS)非线性回归方法筛选与输出变量相关性最大的可调输入变量集合，简化模型的复杂性；可调输入变量和输出变量之间的非线性映射关系通过BP(Back Propagation)神经网络来建模，以此来解决多变量非线性拟合问题。锅炉专家在对系统深刻理解的基础上，建立各运行数据信息与锅炉的经济、安全和可靠等性能指标之间的量化关系。利用  统计学多变量非线性回归和神经网络技术，可建立输入变量与锅炉性能指标之间数学关系模型。然后利用该模型进行预测及反向求解，求出对应期望锅炉煤耗小指标η和NOx排放水平下的各输入变量的设定值，从而对流化床锅炉运行实行优化指导，协调系统各运行参数间的关系，达到全面改善锅炉综合性能指标的目的。如图5所示为基于BP神经网络建立流化床锅炉稳态模型结构示意图。

结构上看，BP神经网络属于多层前向神经网络。它是一种三层前向网络，输入层由信号源接点组成；第二层为隐含层，隐单元的个数由所描述的问题而定，隐单元的变换函数Φ是对中心点径向对称且衰减的非负非线性函数；第三层为输出层，它对输入模式做出响应。本发明构造三层BP神经网络，以锅炉可调输入量(如负荷、煤质、一次风量、二次风量、煤量、氧量等)为神经网络输入，以NO_x、排烟温度、飞灰含碳量等为输出训练神经网络，对神经网络输出进行二次计算获得预测的锅炉煤耗，并与NO_x排放共同构成优化目标函数。3)基于遗传算法与网格爬山法相结合的在线优化。

遗传算法(Genetic Algorithm，GA)是一类借鉴生物界的进化规律(适者生存，优胜劣汰遗传机制)演化而来的随机化搜索方法。它模拟“适者生存，优胜劣汰”的进化机制的概率搜索算法。该算法以适应度函数为依据，通过对种群个体进行遗传操作完成结构重组迭代，可以实现一种全局优化概率搜索的算法过程。由于它在计算精度的要求方面，具有基因算法与其他优化算法相比较，具有计算时间少，鲁棒性高以及收敛速度快等优点，因此,遗传算法已被广泛应用最优控制领域。

在工程实际中，从全局优化的观点出发，全面考虑和协调多目标间的关系，借助数学和优化计算方法，在次要目标满足安全性和环保要求的前提下，追求主要目标(锅炉效率)达到最优，如下式所示：

$\underset{\mathrm{NOx}<\mathrm{NO}{x}_{\max }}{\max }\mathrm{\&eta;}$

其中，η为锅炉供电煤耗；NOx_max为氮氧化物排量控制的上限。

在流化床锅炉数学模型建立之后，寻优过程综合采用遗传算法和网格爬山搜索算法实现。问题定义成：在现有的训练完成的BP网络锅炉燃烧模型之下，寻找锅炉燃烧系统可调输入最优解，使得燃烧过程效率最大，同时满足NO_x排放上限要求。遗传算法可求取有约束条件下的全局优解，保证可调输入解全部满足其最大最小限制，保证锅炉运行安全性。

遗传算法具体实施步骤：遗传算法以适应度函数为依据，通过对种群个体反复地选择、复制、交叉、变异等迭代过程，最终搜索到评价函数的最优解。经过上述操作后得到下一代的解，并逐步淘汰适应度函数值低的解，增加适应度函数值高的解，这样经过N代后就会进化优选出适应度函数取值最大的解。遗传算法的流程框图6所示。本实施例构造锅炉实际煤耗和BP神经网络输出预测煤耗间的最小均方误差(Minimum Square Error,MSE)为代价函数，以BP神经网络建立的数学模型为前向通道，在NO_x排放约束和各可调输入量程范围约束下，采用遗传算法的迭代更新来搜索合适的可调输入量，为现场的燃烧优化操作提供最优设定值。

采用上述的遗传算法求解，如果出现无解或者多个解的情况，再通过网格爬山搜索算法分步求解优化方向的输入解，保证小幅度调节下的燃烧过程稳定。爬山法的好处：1、在限定了搜索时间的情况下，爬山法比其他算法具有更小的计算量，能够产生比较好的结果，因此具有比较好的实时性。尤其适合锅炉运行时的实时在线优化。2、可回溯性比较好：在算法中断时，也可返回一个有效解，能够保障系统运行的安全性。搜索进入危险运行区域或氮氧化物排量上限时，算法能够提前自动停止，这样，实现了多约束条件下的锅炉效率优化。3、爬山法的随机：随机选取下一结点，在那个结点，检测目标函数改善的次数，然后决定是否真正移至该结点。

网格爬山法具体实施步骤：网格爬山法采用迭代计算，首先随机地选择一个可行解作为当前解p(该解也被称为网格爬山法的起点)，然后再起领域内选择另一个可行解p′，如果满足适应度函数fitness(p′)＞fitness(p)(可以是锅炉  效率或NO_x浓度)，则用p′取代p作为当前解，否则在领域内另选新的p′与当前解作比较。按照上述规则不断迭代，直到在当前解的领域内不能找到适应度更大的解，即将当前解p_best作为最优解输出。选取网格爬山法下一个可行解p′的具体策略为：

在N维解空间，当前解p存在2N个相互正交的搜索方向，以p为中心的超球面上均匀选取2N个点构成一个网格，网格结点的表达式为

p_nodes＝p+r·column{[I_N×N-I_N×N]}

r为超球面半径，column{·}为取矩阵的列。计算所有结点的适应度 并将其与当前解的适应度fitness(p)相比较，比较的结果可分为两种情况：

情况1：有L个结点的适应度大于当前解p′的适应度  $fitness\left(p_{nodes}^i\right)>fitness\left(p\right),i=1,2,\mathrm{...},L,L\&GreaterEqual;1,$ 如果把极值看做一个“山峰”的话，这种情况意味着当前解位于“山坡”上，根据平行四边形法则，p的梯度方向可以等价为grads＝α/|α|，其中， $\mathrm{\&alpha;}=\underset{i=1}{\overset{L}{\&Sigma;}}\left(fitness\left(p_{nodes}^i\right)-fitness\left(p_{best}\right)\right)\&CenterDot;\left(p_{nodes}^i-p_{best}\right).$ 另p＝p+r·grad，r保持不变，然后重新建立网格，继续到下一步迭代。

情况2：所有结点的适应度都小于或等于的适应度，即L＝0，这意味着当前解位于某个山峰附近，而且当前解与山峰的距离不大于。若r＞r_min，令r＝α×r，p不变，重新建立网格；否则结束程序，并将当前p作为最优解p_best输出。这里，α是网格半径收缩率，r_min是设定的搜索精度。

对于高维非线性函数而言，其梯度计算的结果往往非常复杂，网格爬山法用网格结点的适应度代替梯度计算，降低了运算量，而与普通爬山法相比较，网格爬山法保证了每次迭代当前解p总是以最快方向逼近极值点，以此搜索效率更高。

4)第一神经网络锅炉模型的自适应更新

锅炉燃烧过程经常受到煤质、环境温度、锅炉设备大修等工况变化的影响。在这些扰动作用之下，锅炉稳态模型的输入、输出的数量关系也随之发生变化。原优化系统设计如果不能适应这种工况的变化，则存在着失效的风险。即，原工况下可达到的优化状态，在新工况下退变为次优或不优的运行状态。因此，必须要在历史数据中合理融入新发生数据，定期更新原有的系统稳态模型，以适应随时可能发生的工况变化。模型的更新过程依赖于训练模型所用的输入输出数据，当锅炉外部工况或内部结构参数发生变化时，必须融入当前或最近发生的数据已更新训练数据集合。按照时间由近及远变化的情况，赋予数据一定的遗忘因子，距离当前时刻越远的数据的遗忘程度越高，当前数据则“无遗忘”地融入训练数据集。这样，可保证在线更新后的网络能够“及时地”适应变化后的外部工况，实现模型自适应。具体过程可以参照图7所示。

参照图8，图8为锅炉性能优化的整体设计流程图。在具体实施时，可以按照如下方式进行设计：

1、对锅炉运行参数和现状进行调研与分析，根据调研分析结果制定具体优化试验设计和调试方案，确定优化目标、优化范围和边界参数；根据所拟定的方案安排试验设计、确定性能优化基础数据采集清单；工作组成员根据试验设计，采集不同负荷工况下的基础历史数据。

2、待基础数据采集工作完成后，利用多变量非线性相关分析(偏最小二乘PLS方法)进行数据筛选，选择同输出变量和优化目标量因果相关度高的输入数据，确定合理的、精简化的输入变量集合。采用多种滤波算法对输入输出数据进行预处理，去除其中的噪声成分和数据坏值。

3、根据处理后建模数据，建立第一个神经网络实现对流化床锅炉燃烧系统的数学模型，使其可以匹配和反映现有流化床锅炉系统输入输出间的非线性映射关系。

4、采用基于遗传算法和网格爬山法的在线寻优机制，针对煤质、飞灰含碳量难以在线实时测量且经常发生变化所导致离线优化结果失效的问题，提出  基于遗传算法和网格爬山搜索算法的在线搜索，实现给定值的在线寻优；合理遗忘部分历史数据不断更新第一神经网络，从而适应煤质变化、模型变化对优化结果的影响，实现模型的自适应更新。

5、针对锅炉的一些控制回路具有大滞后、多变量耦合、强非线性、时变等特点，传统PID无法实现可靠控制的问题，采用基于数据模型的控制器(DMC)代替传统PID控制回路，可保证上层优化策略的有效实施。DMC控制器通过连续的前N个采样值(初始值来自于之前的优化燃烧实验，获得最佳控制初始值)，计算相应采样值与给定值的偏差和偏差变化率，通过建立第二个神经网络的训练来实现对过程变量的最优控制，为锅炉的优化策略提供保证。

本发明具有如下优势：

分两层控制，底层控制，保证给定优化曲线的可靠实施；上层优化控制，获取锅炉燃烧的优化设定值。

1、底层控制层采用本发明提出的数据模型(DMC)控制算法，克服传统PID控制效果不佳，无法有效保证优化策略的实施问题。该控制算法计算设定值和过程变量之间的偏差和偏差变化率趋势，并通过建立神经网络训练来实现对过程变量的控制输出，这就使控制器可以观察到过程的动态特性。可实现对锅炉的大滞后、强非线性、时变等特点的比较精确控制，可保证优化策略的实施。

2、上层建模与优化层分为两个部分：(1)基于历史数据建立离线过程模型。首先，利用偏最小二乘(PLS)非线性回归方法筛选过程输入变量集合，简化模型的复杂性，之后，采用神经网络建立流化床锅炉可调输入变量和输出变量之间的非线性映射关系，即建立流化床锅炉的数学模型。(2)基于过程模型及当前的运行工况条件，在线求解锅炉的最优可调输入量即最优的设定值，作为底层控制层的输入。

3、基于模型反向求解最优设定值，采用遗传算法(GA)和网格爬山搜索算法实现在线寻优，具体步骤：基于流化床锅炉的数学模型，搜索锅炉燃烧系统可调输入变量最优解，使得燃烧过程煤耗最小，同时NOx排放满足上限要求。  首先依据遗传算法(GA)求取有约束条件下的全局优解，保证可调输入解全部满足其最大最小限制，保证锅炉运行安全性边界。其次，当出现无解或多个解的时候，通过自适应网格爬山法分步求解优化方向的输入解，保证小幅度调节下的燃烧过程稳定。网格爬山法具有优点：1)在限定了搜索时间的情况下，爬山法比其他算法具有更小的计算量，能够产生比较好的结果，因此具有比较好的实时性。尤其适合锅炉运行时的实时在线优化。2)可回溯性比较好：在算法中断时，也可返回一个有效解，能够保障系统运行的安全性。搜索进入危险运行区域或氮氧化物排量上限时，算法能够提前自动停止，这样，实现了多约束条件下的锅炉效率优化。3)随机爬山法，随机选取下一结点，在那个结点，检测目标函数改善的次数，然后决定是否真正移至该结点。

4、流化床锅炉燃烧系统模型的定期更新。在流化床锅炉燃烧过程受到煤质、环境温度、锅炉设备大修等工况变化的影响时，在历史数据中合理融入新发生数据，定期更新原有的燃烧系统模型，以适应随时可能发生的工况变化。按照时间由近及远变化的情况，赋予数据一定的遗忘因子，距离当前时刻越远的数据的遗忘程度越高。这样，可保证在线更新后的网络能够“及时地”适应变化后的外部工况，实现控制器更新。

此外，流化床锅炉性能优化控制系统可在原有锅炉控制系统的基础上增加上层优化控制，它仅对原控制系统的运行提出建议，不改变锅炉现有的硬件系统。需要增加DMC控制回路的，可在原PID控制回路上并联DMC控制器，通过选择开关来进行切换。因此，该系统可以保证流化床锅炉运行的安全性和稳定性，锅炉性能优化具有全面协调的功能，可以直接给出优化运行方案或直接参与运行优化控制，弥补了原有控制系统的不足。

另一方面，本发明还公开了一种流化床锅炉燃烧性能实时优化控制系统的优选实施例，参照图9所示。

本实施例流化床锅炉燃烧性能实时优化控制系统包括：历史与实验数据获取与筛选模块10、上层建模与优化模块20、底层控制模块30和数学模型更新  模块40。其中，历史与实验数据获取与筛选模块10用于建模数据筛选与预处理，建模数据来源于前期优化试验数据与历史运行数据；上层建模与优化模块20用于基于锅炉燃烧的历史和优化实验数据，建立用于匹配现有流化床锅炉系统输入输出间非线性映射关系的第一神经网络；依据该第一神经网络，求解流化床锅炉系统可调输入变量的最优解；底层控制模块30用于将最优可调输入变量作为底层控制器的设定值，计算相应采样值与给定值的偏差和偏差变化率，通过建立第二神经网络训练获得对过程变量控制输出；数学模型更新模块40用于筛选锅炉燃烧的最新运行数据定期融入建模数据中，定期更新所述第一神经网络，获取优化的数学模型。

以某电厂使用的东方锅炉厂生产的DG440/13.7－II2型循环流化床锅炉为例，该机组锅炉为双支腿结构CFB锅炉，主流化风(一次风)分两路经过左右两侧的风道燃烧器热风调整门，进入左右两侧的两个燃烧室。

1、历史与实验数据获取与筛选模块10：将CFB锅炉燃烧系统的EDNA数据库中所记录的大量历史数据进行筛选，通过非线性相关分析，获得影响锅炉供电煤耗和NO_x的相关程度最高的100个变量，然后将其分为3组：1组为输入可调变量(或称可调变量，能够在安全限范围内独立调节)，包括一次流化风量、二次热风量、返料风量等总风量及各风量挡板开度、给煤机瞬时给煤量、一、二次风比率、二次风配比、床压、机组负荷、煤质化验指标等。2组为状态变量(能够反映燃烧优劣的中间变量，受输入变量影响显著，同时可以直接显式决定优化目标量)，包括飞灰含碳量、排烟温度、床料温度、过量空气系数(氧量)、流化风速、风室压力、入炉煤粒度、过热器减温水量、再热器减温水量、送风机电流、引风机电流等。3组为输出变量(又称优化目标量)，包括供电煤耗(g/kWh)和NO_x(mg/m³)。其中，供电煤耗可由各状态变量通过美国电科院“关于锅炉参数变化对供电煤耗影响表”确定权值，加权求和得到。这样，优化问题即可定义成在NO_x排放浓度的环保要求限定下，寻求供电煤耗为最小值时，所对应的输入变量最优取值，即目标函数为

此外，为保证建模神经网络训练时能够收敛，且能够快速收敛，对需要优化控制的流化床锅炉系统进行前期锅炉优化调整试验。优化调整试验在锅炉试验负荷工况下，在现有煤质及设备情况下进行各参数的优化测试试验。具体来说，在试验方案确定的运行负荷工况下，通过有组织、有目的地逐个调整改变影响锅炉运行工况的输入可调变量，测试、分析和评价该项参数对锅炉燃烧工况安全、经济性的影响，获取优化范围和边界条件。手动、开环的寻找和确定最佳的燃烧工况和相关参数，实现对锅炉燃烧工况优化。最后，记录该数据作为建模用的关键数据。

历史与实验数据获取与筛选模块10，具有与EDNA、OPC、openplant、pi等实时数据库进行数据交互的软件接口，可实现不同采样频率下读取影响锅炉燃烧状况的各种变量值(包括所有的输入变量、状态变量、输出变量)，并存入MySQL数据库中。模块10可直接调用偏最小二乘回归分析(PLS)、相关分析、低通滤波器等算法模块，用于获取数据的分析和预处理。

2、上层建模与优化模块20：模块20包括3个单元，神经网络建立CFB锅炉数学模型单元201，遗传算法寻优单元202，网格爬山搜索算法寻优单元203。

数学模型单元201用于依据基础数据，采用BP神经网络建立CFB锅炉可调输入变量和输出变量之间的非线性映射关系，非线性映射关系作为CFB锅炉燃烧的数学模型。采用三层结构BP神经网络，输入层为可调输入变量，共选择31个节点；隐含层节点数按1.5倍的输入节点数进行选择，共选择45个节点；输出层为输出变量(目标变量)共2个节点，即供电煤耗和NO_x排放量，其中神经网络训练过程中，供电煤耗是由状态变量根据美国电科院“关于CFB锅炉参数变化对供电煤耗影响表”确定权值，加权求和得到。

按照以上所构造的网络结构，可以训练该网络使其匹配31维输入数据x_p(p＝1,2,…,31)到2维输出数据d_q(q＝1,2)之间的映射关系。学习权值w_ki(k＝1,2…,31；i＝1,2…,45),w_ij(i＝1,2…,45；j＝1,2)。权值的学习可以用最小二乘法  (Least Mean Square,LMS)方法，LMS算法需要注意的两点是：第一，LMS算法输入为BP网络隐层的输出；第二，BP网络输出层的神经元只是对隐层神经元的输出加权求和。权值的学习采用最速梯度下降法进行反传修正。

遗传算法寻优单元202和网格爬山搜索算法寻优单元203用于依据该CFB数学模型，获取对应期望煤耗与NO_x排放水平下锅炉燃烧系统可调变量的最优解。其中，遗传算法寻优单元202为第一寻优单元。遗传算法是模拟自然界生物遗传过程中繁殖、交配、变异、进化等现象，以适应度函数为依据，通过对种群个体反复地选择、复制、交叉、变异等迭代过程，并最终搜索到评价函数的最优解。

将已建立的神经网络CFB数学模型作为被控对象，利用遗传算法进行优化问题求解。新的优化问题构造为：寻求在安全范围内合适的可调输入取值，使进一步将可调输入变量进行二进制编码，进行如下的寻优步骤：

a)确定优化变量和约束条件：将η参数范围归一化到0～1，将NO_x参数范围归一化到0～1。

b)染色体的编码与解码：使用10位二进制串表示群体中的个体，由均匀分布的随机数产生初始群体中的个体的基因。

c)个体适应度的评价准则：鉴于供电煤耗1/η和氮氧化物浓度NOx是衡量锅炉燃烧系统性能优劣的主要方面，因此，本专利选择一个约束条件下的单一目标作为评价函数 $\underset{\mathrm{NOx}<\mathrm{NO}{x}_{\max }}{\max }\mathrm{\&eta;}.$

d)设计遗传算子：选择算法采用“轮盘赌算法”选择染色体来产生下一代；交叉运算运用单点交叉算子将两个父代个体的部分结构加以替换重组而生成新个体；变异运算使用基本位变异算子(即，对群体中的个体串的某些基因位置作变动)。

e)确定遗传算法的运行参数：群体大小为80，迭代次数为100，交叉概率为0.9，变异概率为0.05。

经过上述操作后得到下一代的解，并逐步淘汰适应度函数值低的解，增加适应度函数值高的解，这样经过N代后就会进化优选出适应度函数取值最大的解，即可获得在较低供电煤耗水平下的最优可调输入取值。

进一步，网格爬山搜索算法寻优203单元为第二寻优单元：第二寻优单元用于遗传算法在确定锅炉燃烧系统可调输入组合及最优解时，若无解或有多个解，则继续通过自适应多维搜索算法确定输入组合中各变量具体取值。将输入变量对输出变量影响较大的部分变量组成搜索空间。采用上文所介绍的网格爬山搜索算法(前面已详细介绍，这里不再赘述)，尝试使得目标性能改善的搜索方向，探索在新的目标性能的条件下存在的可行解。

3、底层控制模块30：常规的PID控制对于多变量耦合、非线性、时变系统的控制对象难以得到较为理想的控制效果。循环流化床的一些关键控制回路(如床压控制)均是典型的非线性、耦合、时变控制系统，由于常规的PID调节无法得到较好的控制效果，影响优化策略的有效实施。因此，为了得到满意的控制效果，本申请提出在关键回路中开发DMC控制器并接在常规PID控制器旁边，可构成相互切换的双路控制系统，这样也避免破坏原有控制系统。下面以CFB的床压控制为例说明底层控制模块的实施步骤。

在CFB锅炉运行过程中如果两侧的床压出现较大的偏差时，会导致床压较小一侧炉内的床料在短时间内聚集在对侧燃烧室，而另外一侧的炉膛会出现床料吹空的风险，从而导致出现翻床现象。如调整不及时，会导致床料出现大面积结焦。所以，床压的稳定，对循环流化床安全运行具有重大的意义。采用常规PID调节对床压进行控制，两侧床压只可以维持在有限的范围之内，但是如果工况变化比较剧烈或外部扰动因素强烈PID调节器对床压的控制就显得力不从心了。因此，本发明在常规的PID控制回路上并接了DMC控制器，二者组成可切换的复合控制系统。如图10所示，为流化床锅炉燃烧性能实时优化控制系统的工作原理框图。

图10中，床压设定值来自于上层建模与优化模块的优化结果输出，底层  控制模块30包含两个单元，DMC控制器训练数据获取301单元和第二神经网络建立DMC控制器302单元。301单元数据获取采用前期控制试验，即将选择开关打到PID控制回路，在不同的给定值下，通过人工调整PID参数使系统到达某种稳态，从而获得过程试验数据(给定值变化范围内，大于5组设定值控制试验)。301单元建立基于径向基(RBF)神经网络的DMC控制器，RBF网络函数的输入为连续n个时刻的床压给定值与测量值偏差与偏差变化率，这里n取3则神经网络共有6个输入分别为k时刻、k-1时刻、k-2时刻的偏差与偏差变化率，输出为一个控制量给执行机构。对于核函数的选取，有多种选择(如，高斯函数、三角核函数、双指数核函数等)。本申请采用高斯核函数。RBF网络的隐含层到输出层实现基函数到输出的线性映射，即对应于第k个输出节点的输出为隐含层各节点输出的线性加权和。按照以上所构造的网络结构，可以训练该网络使其匹配N维输入数据x_p(p＝1,2,…,6)到K维输出数据d_q(q＝1)之间的映射关系。典型情况下，径向基网络隐层神经元数量I应小于等于输入向量数量P。I<P时，则需要对基函数中心进行聚类(自组织学习方法)，使用K-均值聚类算法来发现I个径向基函数中心位置。。中心一旦确定就固定了，接着要确定基函数的宽度。当RBF选用高斯函数，通常宽度可取， (i＝1,2,…,I)。其中，d_max为所选取中心之间的最大距离。也可通过寻优方式来寻找合适的基函数宽度，即，合适的基函数宽度应该使得输出误差和最小。

学习权值w_ki(k＝1,2…,K i＝1,2，…，P。)权值的学习仍采用最小二乘法(Least Mean Square,LMS)方法，LMS算法需要注意的两点是：第一，LMS算法输入为RBF网络隐层的输出；第二，RBF网络输出层的神经元只是对隐层神经元的输出加权求和。权值的学习采用梯度下降迭代的LMS方法。

可以看出，本申请提出基于数据模型(DMC)的控制算法，该方法与PID反馈控制器相似，根据设定值和过程变量之间的偏差和偏差变化率决定如何最好  的控制过程，但与传统PID控制器不同的是，它通过前N个采样值来分析偏差和偏差变化率来实现控制，这就使控制器可以观察到过程的动态特性。因此，DMC是基于大量历史数据趋势指导控制，可实现对锅炉的大滞后、强非线性、时变等特点的比较精确的控制，能够保证优化策略的实施。

4、数学模型更新模块40，将锅炉燃烧的最新运行数据定期融入建模数据中，定期更新用以训练的BP神经网络，获取优化的数学模型。锅炉燃烧的数学模型会随着外部条件的改变(如，煤质、环境温度、设备大修等)而改变。为适应这种改变，其燃烧系统的数学模型应该能够不断地在线更新。将锅炉燃烧的新近运行数据定期融入建模数据的方式为，按照时间由近及远变化，赋予数据指定的遗忘因子β，β取值为0～1，距离当前时刻越远的数据的遗忘程度越高，当前数据则遗忘程度为0。按照遗忘因子的倒数1/β，确定引入训练数据集的概率大小，越近的数据被当做训练用数据的可能性越高，越以前发生的数据被当做训练用数据的可能性越低。设定模型更频率，按照以上原则重新筛选建模数据库，定期模型更新。其中，离线训练并更新燃烧系统数学模型的频率要根据实际机组的运行情况决定。

本发明流化床锅炉燃烧性能实时优化控制系统与流化床锅炉燃烧性能实时优化控制方法原理相同，相关之处已经在上面做了详细的说明，在此不再赘述。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种循环流化床锅炉燃烧性能实时优化控制方法，其特征在于，包括如下步骤：

上层控制步骤，基于锅炉燃烧的历史数据，建立用于匹配现有流化床锅炉系统输入输出间的非线性映射关系的第一神经网络；依据该第一神经网络，确定流化床锅炉系统输入的可调输入变量；

底层控制步骤，将所述可调输入变量作为底层控制的输入，计算对应的偏差和偏差变化率的趋势，通过建立第二神经网络训练获得对过程变量控制输出。

2.根据权利要求1所述的循环流化床锅炉燃烧性能实时优化控制方法，其特征在于，

所述上层控制步骤中，所述依据该第一神经网络，确定流化床锅炉系统输入的可调输入变量进一步为：

依据该第一神经网络，采用遗传算法，确定流化床锅炉系统输入的可调输入变量。

3.根据权利要求2所述的循环流化床锅炉燃烧性能实时优化控制方法，其特征在于，

所述遗传算法在确定流化床锅炉系统输入的可调输入变量时，若无解或有多个解，则继续通过网格爬山法的在线寻优机制，进行可调输入变量各个参数的确定。

4.根据权利要求3所述的循环流化床锅炉燃烧性能实时优化控制方法，其特征在于，还包括：

第一神经网络修正步骤，将锅炉燃烧的的历史数据定期融入新发生数据，定期更新所述第一神经网络。

5.根据权利要求4所述的循环流化床锅炉燃烧性能实时优化控制方法，其特征在于，所述将锅炉燃烧的历史数据定期融入新发生数据进一步为，

按照时间由近及远变化，赋予数据指定的遗忘因子，距离当前时刻越远的数据的遗忘因子越大，当前数据则遗忘因子为0。

6.一种循环流化床锅炉燃烧性能实时优化控制系统，其特征在于，包括：

历史与实验数据获取与筛选模块、上层建模与优化模块和底层控制模块30；

其中，所述历史与实验数据获取与筛选模块用于建模数据筛选与预处理，建模数据来源于前期优化试验数据与历史运行数据；

所述上层建模与优化模块用于基于锅炉燃烧的历史和优化实验数据，建立用于匹配现有流化床锅炉系统输入输出间非线性映射关系的第一神经网络；依据该第一神经网络，求解流化床锅炉系统可调输入变量的最优解；

所述底层控制模块用于将最优可调输入变量作为底层控制器的设定值，计算相应采样值与给定值的偏差和偏差变化率，通过建立第二神经网络训练获得对过程变量控制输出。

7.根据权利要求6所述的循环流化床锅炉燃烧性能实时优化控制系统，其特征在于，所述上层建模与优化模块进一步包括：

遗传算法寻优单元，用于依据该第一神经网络，采用遗传算法，确定流化床锅炉系统输入的可调输入变量。

8.根据权利要求7所述的循环流化床锅炉燃烧性能实时优化控制系统，其特征在于，所述上层建模与优化模块进一步包括：

网格爬山搜索算法寻优单元，用于在所述遗传算法在确定流化床锅炉系统输入的可调输入变量时，若无解或有多个解，则继续通过网格爬山法的在线寻优机制，进行可调输入变量各个参数的确定。

9.根据权利要求8所述的循环流化床锅炉燃烧性能实时优化控制系统，其特征在于，还包括：

数学模型更新模块，用于筛选锅炉燃烧的最新运行数据定期融入建模数据中，定期更新所述第一神经网络，获取优化的数学模型。

10.根据权利要求9所述的循环流化床锅炉燃烧性能实时优化控制系统，其特征在于，

所述数学模型更新模块中，按照时间由近及远变化，赋予数据指定的遗忘因子，距离当前时刻越远的数据的遗忘因子越大，当前数据则遗忘因子为0。