CN105605610A - 一种基于粒子群算法的锅炉燃烧优化方法 - Google Patents

Abstract

本发明涉及一种基于粒子群算法的锅炉燃烧优化方法，包括以下步骤：1)锅炉燃烧数据预处理；2)建模参数确认；3)锅炉燃烧模型建立；4)锅炉燃烧效率计算；5)基于粒子群算法对锅炉燃烧进行优化，通过改变燃料参数和配风参数来改变燃烧效率和排放量，对锅炉燃烧进行优化。与现有技术相比，本发明具有收敛速度快，泛化能力强等优点。

Description

一种基于粒子群算法的锅炉燃烧优化方法

技术领域

本发明属于智能工业领域，尤其是涉及一种基于粒子群算法的锅炉燃烧优化方法。

背景技术

在中国，国家四分之三的电力来自于火力发电，即煤炭燃烧。由于大多数锅炉是旧式锅炉，导致燃烧效率低而且排放大。随着国家对环境保护问题的关注，节能减排是当下锅炉燃烧的主要目标，考虑到成本问题，在不更新锅炉的情况下，利用锅炉燃烧优化的方法节能减排被证明是一种有效的方法。但是现有的方法对提高锅炉燃烧效率和降低碳氧化合物排放的效果并不是很理想，还存在优化时间长、优化效果差等问题。为解决这一问题，本发明提出了一种基于粒子群算法的锅炉燃烧优化方法，能够对锅炉燃烧快速优化，而且具有更高的准确性和更强的泛化能力，以达到提高锅炉燃烧效率和降低氮氧化合物排放的需求。同时本方法采用基于最小二乘支持向量机的方法建立锅炉燃烧模型，克服了锅炉燃烧模型精确度不足的问题，尤其适用于复杂的模型建立。

对现有的文献检索发现，锅炉燃烧优化方法都是利用遗传算法来提高锅炉燃烧效率和降低氮氧化合物排放，遗传算法虽然具有搜索能力强和扩展性强的优点，但算法复杂、优化时间长而且容易陷入局部最优解。Ken在Proceedingsofthe31^stInternationalTechnicalConferenceonCoalUtilization&FuelSystems上面发表的NoxEmissionsAchievedona500MWCyclone-FiredBoiler，以500WM的锅炉为研究对象，利用遗传算法优化Nox的排放，不仅优化时间长，而且优化效果不明显；Dharmarakan以666MW的锅炉为对象，利用遗传算法来改善Nox排放，效果只有8％。所以，提出新的粒子群算法来优化锅炉燃烧。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于粒子群算法的锅炉燃烧优化方法。

本发明的目的可以通过以下技术方案来实现：

一种基于粒子群算法的锅炉燃烧优化方法，其特征在于，包括以下步骤：

1)锅炉燃烧数据预处理；

2)建模参数确认；

3)锅炉燃烧模型建立；

4)锅炉燃烧效率计算；

5)基于粒子群算法对锅炉燃烧进行优化，通过改变燃料参数和配风参数来改变燃烧效率和排放量，对锅炉燃烧进行优化。

所述的锅炉燃烧数据预处理具体为：在不同的锅炉燃烧功率下提取间隔时间超过30min的锅炉燃烧数据，再通过归一化函数对数据进行归一化处理。

所述的建模参数确认具体为：利用基于最小二乘的支持向量机方法建立锅炉燃烧模型前，应先确定核函数及其宽度Gamma和惩罚因子c，通过改变各参数变量发掘参数影响因素，先改变其中一个参数，顺次改变其他参数，从而得到最优效果。

所述的锅炉燃烧模型建立具体为：根据步骤1)和步骤2)得到的数据和建模参数，确定燃烧模型结构，可知输入变量和输出变量的个数，利用最小二乘支持向量机的方法对输出变量烟气温度T_py、飞灰浓度C_fh和Nox排放量进行测量，由于优化的目标是锅炉的燃烧效率，利用简化公式计算出锅炉的燃烧效率并建立预测模型

所述的锅炉燃烧效率计算具体为：由于锅炉燃烧效率计算的复杂性，通过找到燃烧效率与四个因素变量之间的关系，得到锅炉燃烧的简化算法，其中四个因素变量分别与过氧量α、烟气温度T_py、主燃煤量D和环境温度T_a。

所述的锅炉燃烧优化具体为：首先输入变量对输出变量进行训练和预测，然后通过粒子群算法进行优化，得到相应的控制参数，反馈回输入变量，进而得到更好地锅炉燃烧效果。

与传统的应用遗传算法进行锅炉燃烧优化方法进行比较，通过粒子群算法优化锅炉燃烧，可以获得更高的锅炉燃烧效率和更低的Nox排放量，还拥有收敛速度快，泛化能力强等特点。

附图说明

图1为本发明方法流程图。

图2为本发明锅炉燃烧模型。

图3为本发明效率简化运算流程图。

图4为本发明燃烧优化流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

本发明方法流程图如图1所示。本例选用最大功率600MW的六角双层锅炉。具体实施步骤如下：

(1)处理锅炉燃烧数据：

为满足实验数据的一般性和随机性，让锅炉在200MW到600MW的区间内工作，每30min选取一组数据，共收集100组数据，其中，90组为模型的训练数据，10组为模型的预测数据。收集数据完成后，对其进行归一化操作，归一化函数为mapstd函数，将数据归一化到[0,1]之间，相比较与mapminmax函数，mapstd函数归一化后的数据更加规整。利用的公式为：

pn＝(x-min)/(max-min)

(2)确定建模参数：

在用最小二乘支持向量机方法对锅炉燃烧模型建模之前，应先确定建模所需的参数，即核函数及其宽度Gamma和惩戒因子c，核函数的选择尤其重要，在本方法中，采用的核函数为基于小波理论的尺度核函数，其形式为：

$K(x,x^{\′})=\underset{i=1}{\overset{d}{\Π}}\frac{\sin a(x_i-x_i^{\′})}{a(x_i-x_i^{\′})}$

其中d为预先设置的参数，所以本实验只需要确定a的大小和惩戒因子c，先改变c的大小，达到最佳效果后改变a的大小，达到最佳预测结果。

(3)锅炉燃烧建模：

首先确定锅炉燃烧模型结构，如图2所示，其中Load为锅炉的功率，Q为锅炉的总煤量，ψ(O₂)为锅炉顶部的过氧含量，F1-F6为一层给风量，G1-G6为给煤量，S1-S6为二层给风量，共21个输入变量。根据21个输入变量，用最小二乘支持向量机(LS-SVM)的方法建立预测模型，其中最小二乘法的理论依据如下：

1)定义集合其中i为集合系数，并规定y_i∈{-1,1}，根据Vapnik的原始分离模型，并引入随机变量ζ，得到：

$\left\{\begin{array}{cc}{y}_i\[{\mathrm{\ω}}^T\mathrm{\φ}\left(x_i\right)+b\]\≥1-{\mathrm{\ζ}}_i,& i=1,\mathrm{...},N,\\ {\mathrm{\ζ}}_i\≥0,& i=1,\mathrm{...},N,\end{array}\right.$

2)为了将优化问题的不等式形式转换成等式形式，引入核函数，化简得到：

$\left[\begin{array}{cc}0& 1_N^T\\ I_N& \mathrm{\Ω}+{\mathrm{\γ}}^{-1}{I}_N\end{array}\right]\left[\begin{array}{c}b\\ \mathrm{\α}\end{array}\right]=\left[\begin{array}{c}0\\ Y\end{array}\right]$

根据上述原理，得到三个预测模型，根据真实数据和预测数据的对比可以发现，最小二乘支持向量机方法对于模型的预测有较高的准确性。

(4)锅炉燃烧效率计算：

由于优化的目标是锅炉燃烧效率，在(3)的基础上，通过简化公式和锅炉燃烧模型结构计算得到锅炉燃烧效率预测模型，通过数据处理和实验，得到锅炉燃烧效率公式如下：

$\mathrm{\η}=\frac{D}{D+\mathrm{\μ}(3.5\mathrm{\α}+0.5)\×(T_{py}-T_a)/100}$

可以简化成与四个数据过氧量α、烟气温度T_py、主燃煤量D和环境温度T_a有关的公式，效率简化运算流程如图3。

(5)锅炉燃烧优化：

确定锅炉燃烧优化过程，即通过改变燃料参数和配风参数来改变燃烧效率和排放量，实现的过程如下：

输入变量对输出变量进行训练和预测，然后通过粒子群算法进行优化，得到相应的控制参数，反馈回输入变量，进而得到更好地锅炉燃烧效果，燃烧优化流程如图4所示。

(6)实验数据效果对比：

本方法为基于粒子群算法的锅炉燃烧优化方法。与传统的应用遗传算法进行锅炉燃烧优化方法进行比较，可以更有效的看出优化效果，表1为锅炉燃烧效率优化对比数据和Nox排放优化对比数据，通过实验数据可以看出，通过粒子群算法优化锅炉燃烧，可以获得更高的锅炉燃烧效率和更低的Nox排放量，还拥有收敛速度快，泛化能力强的特点。

表1

实验方法	锅炉燃烧效率(％)	Nox排放量(mg/nm3)
			遗传算法	89	22.7
粒子群算法	91	21.4

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (6)

1.一种基于粒子群算法的锅炉燃烧优化方法，其特征在于，包括以下步骤：

1)锅炉燃烧数据预处理；

2)建模参数确认；

3)锅炉燃烧模型建立；

4)锅炉燃烧效率计算；

5)基于粒子群算法对锅炉燃烧进行优化，通过改变燃料参数和配风参数来改变燃烧效率和排放量，对锅炉燃烧进行优化。

2.根据权利要求1所述的锅炉燃烧优化方法，其特征在于，所述的锅炉燃烧数据预处理具体为：在不同的锅炉燃烧功率下提取间隔时间超过30min的锅炉燃烧数据，再通过归一化函数对数据进行归一化处理。

3.根据权利要求1所述的锅炉燃烧优化方法，其特征在于，所述的建模参数确认具体为：利用基于最小二乘的支持向量机方法建立锅炉燃烧模型前，应先确定核函数及其宽度Gamma和惩罚因子c，通过改变各参数变量发掘参数影响因素，先改变其中一个参数，顺次改变其他参数，从而得到最优效果。

4.根据权利要求1所述的锅炉燃烧优化方法，其特征在于，所述的锅炉燃烧模型建立具体为：根据步骤1)和步骤2)得到的数据和建模参数，确定燃烧模型结构，可知输入变量和输出变量的个数，利用最小二乘支持向量机的方法对输出变量烟气温度T_py、飞灰浓度C_fh和Nox排放量进行测量，由于优化的目标是锅炉的燃烧效率，利用简化公式计算出锅炉的燃烧效率并建立预测模型。

5.根据权利要求1所述的锅炉燃烧优化方法，其特征在于，所述的锅炉燃烧效率计算具体为：由于锅炉燃烧效率计算的复杂性，通过找到燃烧效率与四个因素变量之间的关系，得到锅炉燃烧的简化算法，其中四个因素变量分别与过氧量α、烟气温度T_py、主燃煤量D和环境温度T_a。

6.根据权利要求1所述的锅炉燃烧优化方法，其特征在于，所述的锅炉燃烧优化具体为：首先输入变量对输出变量进行训练和预测，然后通过粒子群算法进行优化，得到相应的控制参数，反馈回输入变量，进而得到更好地锅炉燃烧效果。