CN105701347A - 利用锅炉燃烧过程模型实现多目标优化的方法和装置 - Google Patents
利用锅炉燃烧过程模型实现多目标优化的方法和装置 Download PDFInfo
- Publication number
- CN105701347A CN105701347A CN201610022193.XA CN201610022193A CN105701347A CN 105701347 A CN105701347 A CN 105701347A CN 201610022193 A CN201610022193 A CN 201610022193A CN 105701347 A CN105701347 A CN 105701347A
- Authority
- CN
- China
- Prior art keywords
- particle
- fitness
- optimum position
- optimization
- object function
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Abstract
本发明公开了一种利用锅炉燃烧过程模型实现多目标优化的方法和装置,属于能源电力技术领域。所述方法包括:根据锅炉燃烧过程模型,选择输入可调控量、输入非可调控量和输出状态量;根据所述输出状态量之间的关系,确定优化目标函数;将所述输入可调控量作为粒子,通过粒子群优化算法,实现优化目标函数中多个目标的优化。所述装置包括:选择模块、确定模块和实现模块。本发明通过粒子群优化算法,实现优化目标函数中多个目标的优化,可以利用锅炉燃烧过程模型同时实现提高锅炉效率并减少污染物排放这两个目标的优化。
Description
技术领域
本发明涉及能源电力技术领域,具体涉及一种利用锅炉燃烧过程模型实现多目标优化的方法和装置。
背景技术
近年来,国内的各种环保规范越来越严格,因此发电企业如何提高锅炉燃烧效率、减少污染物排放将成为其重点考虑的问题之一。而建立锅炉燃烧过程的模型,通过该模型对锅炉燃烧过程进行优化调整,提高锅炉效率并减少污染物排放,是目前常用的方法。
目前,存在多种方法可以建立锅炉燃烧过程模型,而建立锅炉燃烧过程模型后,如何利用锅炉燃烧过程模型同时实现提高锅炉效率并减少污染物排放的多目标优化,是现在比较关注的问题。
发明内容
为了解决现有技术的问题,本发明提供了一种利用锅炉燃烧过程模型实现多目标优化的方法和装置,通过粒子群优化算法,实现优化目标函数中多个目标的优化,可以利用锅炉燃烧过程模型同时实现提高锅炉效率并减少污染物排放这两个目标的优化。
为了解决上述问题,本发明公开了一种利用锅炉燃烧过程模型实现多目标优化的方法,所述方法包括:
根据锅炉燃烧过程模型,选择输入可调控量、输入非可调控量和输出状态量;
根据所述输出状态量之间的关系,确定优化目标函数;
将所述输入可调控量作为粒子,通过粒子群优化算法,实现优化目标函数中多个目标的优化。
进一步地,将所述输入可调控量作为粒子,通过粒子群优化算法,实现优化目标函数的优化,包括:
根据所述输入可调控量建立多个粒子;
设置每个所述粒子的搜索空间,并初始化每个所述粒子的位置和飞行速度;
根据每个所述粒子的位置和飞行速度,通过根据所述优化目标函数设置的适应度计算公式,计算每个所述粒子的适应度;
根据每个所述粒子的适应度,更新每个所述粒子的历史最佳位置和整个粒子群的全局最佳位置;
根据预设飞行速度位置更新公式,更新每个所述粒子的位置和飞行速度;
判断是否满足预设优化终止条件;
如果满足预设优化终止条件,则将整个粒子群的全局最佳位置对应的数值作为所述优化目标函数中对应目标的优化值。
进一步地,判断是否满足预设优化终止条件之后,还包括:
如果不满足预设优化终止条件,则执行根据每个所述粒子的位置和飞行速度,通过根据所述优化目标函数设置的适应度计算公式,计算每个所述粒子的适应度的步骤。
进一步地,根据每个所述粒子的适应度,更新每个所述粒子的历史最佳位置和整个粒子群的全局最佳位置,包括:
将每个所述粒子当前的适应度与每个所述粒子在历史最佳位置时的适应度进行比较,如果某所述粒子当前的适应度大于某所述粒子在历史最佳位置时的适应度,则将某所述粒子当前的位置作为某所述粒子的历史最佳位置;如果某所述粒子当前的适应度小于等于某所述粒子在历史最佳位置时的适应度,则保持某所述粒子的历史最佳位置不变;
将每个所述粒子当前的适应度与整个粒子群在全局最佳位置时的适应度进行比较,如果某所述粒子当前的适应度大于整个粒子群在全局最佳位置时的适应度,则将某所述粒子当前的位置作为整个粒子群的全局最佳位置;如果某所述粒子的适应度小于等于整个粒子群在全局最佳位置时的适应度,则保持整个粒子群的全局最佳位置不变。
进一步地,所述输入可调控量至少包括:一次风量、二次风量、各燃烧器二次风调节门开度、氧量、给煤机组合和各给煤机的瞬时给煤量;所述输出状态量至少包括:SCR脱硝反应器入口NOx浓度和锅炉热效率。
进一步地,当所述输出状态量包括所述SCR脱硝反应器入口NOx浓度和所述锅炉热效率时,所述优化目标函数为:
χ=k1NOx+k2(1-η)
其中,χ表示所述优化目标函数,η表示所述锅炉热效率,k1、k2表示预设系数。
为了解决上述问题,本发明还公开了一种利用锅炉燃烧过程模型实现多目标优化的装置,所述装置包括:
选择模块,用于根据锅炉燃烧过程模型,选择输入可调控量、输入非可调控量和输出状态量;
确定模块,用于根据所述输出状态量之间的关系,确定优化目标函数;
实现模块,用于将所述输入可调控量作为粒子,通过粒子群优化算法,实现优化目标函数中多个目标的优化。
进一步地,所述实现模块包括:
作为单元,用于根据所述输入可调控量建立多个粒子;
设置单元,用于设置每个所述粒子的搜索空间,并初始化每个所述粒子的位置和飞行速度;
计算单元,用于根据每个所述粒子的位置和飞行速度,通过根据所述优化目标函数设置的适应度计算公式,计算每个所述粒子的适应度;
第一更新单元,用于根据每个所述粒子的适应度,更新每个所述粒子的历史最佳位置和整个粒子群的全局最佳位置;
第二更新单元,用于根据预设飞行速度位置更新公式,更新每个所述粒子的位置和飞行速度;
判断单元,用于判断是否满足预设优化终止条件;
第一处理单元,用于如果所述判断单元的判断结果是满足预设优化终止条件,则将整个粒子群的全局最佳位置对应的数值作为所述优化目标函数中对应目标的优化值。
进一步地,所述实现模块还包括:
第二处理单元,用于如果所述判断单元的判断结果是不满足预设优化终止条件,则执行根据每个所述粒子的位置和飞行速度,通过根据所述优化目标函数设置的适应度计算公式,计算每个所述粒子的适应度的步骤。
进一步地,所述第一更新单元包括:
第一比较子单元,用于将每个所述粒子当前的适应度与每个所述粒子在历史最佳位置时的适应度进行比较,如果某所述粒子当前的适应度大于某所述粒子在历史最佳位置时的适应度,则将某所述粒子当前的位置作为某所述粒子的历史最佳位置;如果某所述粒子当前的适应度小于等于某所述粒子在历史最佳位置时的适应度,则保持某所述粒子的历史最佳位置不变;
第二比较子单元,用于将每个所述粒子当前的适应度与整个粒子群在全局最佳位置时的适应度进行比较,如果某所述粒子当前的适应度大于整个粒子群在全局最佳位置时的适应度,则将某所述粒子当前的位置作为整个粒子群的全局最佳位置;如果某所述粒子的适应度小于等于整个粒子群在全局最佳位置时的适应度,则保持整个粒子群的全局最佳位置不变。
进一步地,所述输入可调控量至少包括:一次风量、二次风量、各燃烧器二次风调节门开度、氧量、给煤机组合和各给煤机的瞬时给煤量;所述输出状态量至少包括:SCR脱硝反应器入口NOx浓度和锅炉热效率。
进一步地,当所述输出状态量包括所述SCR脱硝反应器入口NOx浓度和所述锅炉热效率时,所述优化目标函数为:
χ=k1NOx+k2(1-η)
其中,χ表示所述优化目标函数,η表示所述锅炉热效率,k1、k2表示预设系数。
本发明提供的利用锅炉燃烧过程模型实现多目标优化的方法和装置:通过粒子群优化算法,实现优化目标函数中多个目标的优化,可以利用锅炉燃烧过程模型同时实现提高锅炉效率并减少污染物排放这两个目标的优化。根据粒子的适应度,更新每个粒子的历史最佳位置和整个粒子群的全局最佳位置,可以保证最终结果是全局最优值,而不是困在局部最优值。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明实施例一提供的一种利用锅炉燃烧过程模型实现多目标优化的方法流程图;
图2是本发明实施例一提供的另一种利用锅炉燃烧过程模型实现多目标优化的方法流程图;
图3是本发明实施例二提供的一种利用锅炉燃烧过程模型实现多目标优化的装置结构示意图。
具体实施方式
以下将配合附图及实施例来详细说明本发明的实施方式,藉此对本发明如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。
本实施例的利用锅炉燃烧过程模型实现多目标优化的方法通过粒子群优化(ParticleSwarmOptimization,PSO)算法实现,为了便于理解,下面先介绍一下粒子群优化算法的原理:
在粒子群优化算法的实际应用中,每个优化问题的潜在解都可以想象成D维搜索空间中的一个粒子,所有的粒子都有一个被优化目标函数(FitnessFunction)决定的适应度值(FitnessValue),这些粒子在搜索空间中以一定的飞行速度飞行,其飞行速度的大小和方向根据粒子本身的飞行经验和整个种群的飞行经验进行动态调整。随即,所有粒子会追随当前的最优粒子在解空间内搜索。
假设在一个寻找最小值问题中,需要找到最优解x使得优化目标函数f(x)满足下式,
x=argminf(x)
在一个D维的目标搜索空间中,有N个粒子组成一个群体,其中第i个粒子表示为一个D维的向量即第i个粒子在D维的搜索空间中的位置是换言之,每个粒子的位置就是优化问题的一个潜在的解。将代入优化目标函数(FitnessFunction)就可以计算出其适应度,根据适应度的大小来衡量的优劣。设每个粒子的适应度为Fitnessi(i∈[1,N])。第i个粒子的飞行速度也是一个D维的向量,记为记第i个粒子迄今为止搜索到的最优位置为整个粒子群迄今为止搜索到的最优位置为gbest=(g1,g2,...,gD)。每个粒子的运行模式不仅取决于自身的飞行经验(即pbest),还会受到整个种群的飞行经验的影响(即gbest)。因此,粒子群优化算法可以保证最终结果是全局最优值,而不是困在了局部最优值。
实施例一
图1为本发明实施例一提供的一种利用锅炉燃烧过程模型实现多目标优化的方法;如图1所示,其可以具体包括:
S101:根据锅炉燃烧过程模型,选择输入可调控量、输入非可调控量和输出状态量。
具体地,输入可调控量至少包括下面的一种:一次风量、二次风量、各燃烧器二次风调节门开度、氧量、给煤机组合和各给煤机的瞬时给煤量;所述输出状态量至少包括:SCR脱硝反应器入口NOx浓度和锅炉热效率。
S102:根据输出状态量之间的关系,确定优化目标函数。
具体地,输出状态量包括SCR脱硝反应器入口NOx浓度和锅炉热效率时,优化目标函数为:
χ=k1NOx+k2(1-η)
其中,χ表示优化目标函数,η表示锅炉热效率,k1、k2表示预设系数。
S103:将输入可调控量作为粒子,通过粒子群优化算法,实现优化目标函数中多个目标的优化。
具体地,参见图2,将输入可调控量作为粒子,通过粒子群优化算法,实现优化目标函数的优化,包括:
S103a:根据输入可调控量建立多个粒子。
具体地,假设有D个输入可调控量,并建立N个粒子,每个粒子是一个D维的向量,每一维度代表一个输入可调控量的潜在的解。
S103b:设置每个粒子的搜索空间,并初始化每个粒子的位置和飞行速度。
具体地,假设粒子的搜索空间为一个D维的向量,第i个粒子的位置即第i个粒子在D维的搜索空间中的位置是第i个粒子的飞行速度也是一个D维的向量,记为
S103c:根据每个粒子的位置和飞行速度,通过根据优化目标函数设置的适应度计算公式,计算每个粒子的适应度。
具体地,将代入适应度计算公式就可以计算出其适应度,根据适应度的大小来衡量的优劣。设每个粒子的适应度为Fitnessi(i∈[1,N])。
S103d:根据每个粒子的适应度,更新每个粒子的历史最佳位置和整个粒子群的全局最佳位置。
具体地,根据每个粒子的适应度,更新每个粒子的历史最佳位置和整个粒子群的全局最佳位置,包括:
将每个粒子当前的适应度与每个粒子在历史最佳位置时的适应度进行比较,如果某粒子当前的适应度大于某粒子在历史最佳位置时的适应度,则将某粒子当前的位置作为某粒子的历史最佳位置;如果某粒子当前的适应度小于等于某粒子在历史最佳位置时的适应度,则保持某粒子的历史最佳位置不变;
将每个粒子当前的适应度与整个粒子群在全局最佳位置时的适应度进行比较,如果某粒子当前的适应度大于整个粒子群在全局最佳位置时的适应度,则将该粒子当前的位置作为整个粒子群的全局最佳位置;如果该粒子的适应度小于等于整个粒子群在全局最佳位置时的适应度,则保持整个粒子群的全局最佳位置不变。
具体地,记第i个粒子迄今为止搜索到的历史最优位置为整个粒子群迄今为止搜索到的全局最优位置为gbest=(g1,g2,...,gD)。每个粒子的运行模式不仅取决于自身的飞行经验(即pbest),还会受到整个种群的飞行经验的影响(即gbest)。因此,粒子群优化算法可以保证最终结果是全局最优值,而不是困在了局部最优值。
S103e:根据预设飞行速度位置更新公式,更新每个粒子的位置和飞行速度。
具体地,预设飞行速度位置更新公式如下:
xi,t+1=xi,t+ui,t+1
其中,
ui,t代表第i个粒子在时间段t的飞行速度,ui,t+1代表第i个粒子在下个时间段t+1的飞行速度,ω是小于1的常数,用来反馈粒子在时间段t的飞行速度对下个时间段t+1的飞行速度的影响。xi,t代表第i个粒子当前的位置。学习因子c1和c2是这些变量对确定飞行速度影响的权重值。r1和r2是介于[0,1]之间的随机常数,对算法加入随机因素。
S103f:判断是否满足预设优化终止条件,如果满足预设优化终止条件,则执行S103g;如果不满足预设优化终止条件,则执行S103c。
具体地,预设优化终止条件可以是预设最大迭代次数、全局最佳位置满足最小界限等。
S103g:将整个粒子群的全局最佳位置对应的数值作为优化目标函数中对应目标的优化值,然后结束。
本实施例所述的利用锅炉燃烧过程模型实现多目标优化的方法,通过粒子群优化算法,实现优化目标函数中多个目标的优化,可以利用锅炉燃烧过程模型同时实现提高锅炉效率并减少污染物排放这两个目标的优化。根据粒子的适应度,更新每个粒子的历史最佳位置和整个粒子群的全局最佳位置,可以保证最终结果是全局最优值,而不是困在局部最优值。
实施例二
图3为本发明实施例二提供的一种利用锅炉燃烧过程模型实现多目标优化的装置,如图3所示,其可以具体包括:
选择模块201,用于根据锅炉燃烧过程模型,选择输入可调控量、输入非可调控量和输出状态量;
确定模块202,用于根据输出状态量之间的关系,确定优化目标函数;
实现模块203,用于将输入可调控量作为粒子,通过粒子群优化算法,实现优化目标函数中多个目标的优化。
进一步地,实现模块203包括:
作为单元,用于根据输入可调控量建立多个粒子;
设置单元,用于设置每个粒子的搜索空间,并初始化每个粒子的位置和飞行速度;
计算单元,用于根据每个粒子的位置和飞行速度,通过根据优化目标函数设置的适应度计算公式,计算每个粒子的适应度;
第一更新单元,用于根据每个粒子的适应度,更新每个粒子的历史最佳位置和整个粒子群的全局最佳位置;
第二更新单元,用于根据预设飞行速度位置更新公式,更新每个粒子的位置和飞行速度;
判断单元,用于判断是否满足预设优化终止条件;
第一处理单元,用于如果判断单元的判断结果是满足预设优化终止条件,则将整个粒子群的全局最佳位置对应的数值作为优化目标函数中对应目标的优化值。
进一步地,实现模块203还包括:
第二处理单元,用于如果判断单元的判断结果是不满足预设优化终止条件,则执行根据每个粒子的位置和飞行速度,通过根据优化目标函数设置的适应度计算公式,计算每个粒子的适应度的步骤。
进一步地,第一更新单元包括:
第一比较子单元,用于将每个粒子当前的适应度与每个粒子在历史最佳位置时的适应度进行比较,如果某粒子的适应度大于某粒子在历史最佳位置时的适应度,则将某粒子当前的位置作为某粒子的历史最佳位置;如果某粒子当前的适应度小于等于某粒子在历史最佳位置时的适应度,则保持某粒子的历史最佳位置不变;
第二比较子单元,用于将每个粒子当前的适应度与整个粒子群在全局最佳位置时的适应度进行比较,如果某粒子的适应度大于整个粒子群在全局最佳位置时的适应度,则将某粒子当前的位置作为整个粒子群的全局最佳位置;如果某粒子的适应度小于等于整个粒子群在全局最佳位置时的适应度,则保持整个粒子群的全局最佳位置不变。
进一步地,输入可调控量至少包括下面的一种:一次风量、二次风量、各燃烧器二次风调节门开度、氧量、给煤机组合和各给煤机的瞬时给煤量;输出状态量至少包括:SCR脱硝反应器入口NOx浓度和锅炉热效率。
进一步地,当输出状态量包括所述SCR脱硝反应器入口NOx浓度和所述锅炉热效率时,优化目标函数为:
χ=k1NOx+k2(1-η)
其中,χ表示优化目标函数,η表示锅炉热效率,k1、k2表示预设系数。
本实施例所述的利用锅炉燃烧过程模型实现多目标优化的装置,通过粒子群优化算法,实现优化目标函数中多个目标的优化,可以利用锅炉燃烧过程模型同时实现提高锅炉效率并减少污染物排放这两个目标的优化。根据粒子的适应度,更新每个粒子的历史最佳位置和整个粒子群的全局最佳位置,可以保证最终结果是全局最优值,而不是困在局部最优值。
所述装置与前述的方法流程描述对应,不足之处参考上述方法流程的叙述,不再一一赘述。
上述说明示出并描述了本发明的若干优选实施例,但如前所述,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述发明构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (12)
1.一种利用锅炉燃烧过程模型实现多目标优化的方法,其特征在于,所述方法包括:
根据锅炉燃烧过程模型,选择输入可调控量、输入非可调控量和输出状态量;
根据所述输出状态量之间的关系,确定优化目标函数;
将所述输入可调控量作为粒子,通过粒子群优化算法,实现优化目标函数中多个目标的优化。
2.如权利要求1所述的方法,其特征在于,将所述输入可调控量作为粒子,通过粒子群优化算法,实现优化目标函数的优化,包括:
根据所述输入可调控量建立多个粒子;
设置每个所述粒子的搜索空间,并初始化每个所述粒子的位置和飞行速度;
根据每个所述粒子的位置和飞行速度,通过根据所述优化目标函数设置的适应度计算公式,计算每个所述粒子的适应度;
根据每个所述粒子的适应度,更新每个所述粒子的历史最佳位置和整个粒子群的全局最佳位置;
根据预设飞行速度位置更新公式,更新每个所述粒子的位置和飞行速度;
判断是否满足预设优化终止条件;
如果满足预设优化终止条件,则将整个粒子群的全局最佳位置对应的数值作为所述优化目标函数中对应目标的优化值。
3.如权利要求2所述的方法,其特征在于,判断是否满足预设优化终止条件之后,还包括:
如果不满足预设优化终止条件,则执行根据每个所述粒子的位置和飞行速度,通过根据所述优化目标函数设置的适应度计算公式,计算每个所述粒子的适应度的步骤。
4.如权利要求2所述的方法,其特征在于,根据每个所述粒子的适应度,更新每个所述粒子的历史最佳位置和整个粒子群的全局最佳位置,包括:
将每个所述粒子当前的适应度与每个所述粒子在历史最佳位置时的适应度进行比较,如果某所述粒子当前的适应度大于某所述粒子在历史最佳位置时的适应度,则将某所述粒子当前的位置作为某所述粒子的历史最佳位置;如果某所述粒子当前的适应度小于等于某所述粒子在历史最佳位置时的适应度,则保持某所述粒子的历史最佳位置不变;
将每个所述粒子当前的适应度与整个粒子群在全局最佳位置时的适应度进行比较,如果某所述粒子当前的适应度大于整个粒子群在全局最佳位置时的适应度,则将某所述粒子当前的位置作为整个粒子群的全局最佳位置;如果某所述粒子的适应度小于等于整个粒子群在全局最佳位置时的适应度,则保持整个粒子群的全局最佳位置不变。
5.如权利要求1-4任一权利要求所述的方法,其特征在于,所述输入可调控量至少包括:一次风量、二次风量、各燃烧器二次风调节门开度、氧量、给煤机组合和各给煤机的瞬时给煤量;所述输出状态量至少包括:SCR脱硝反应器入口NOx浓度和锅炉热效率。
6.如权利要求5所述的方法,其特征在于,当所述输出状态量包括所述SCR脱硝反应器入口NOx浓度和所述锅炉热效率时,所述优化目标函数为:
χ=k1NOx+k2(1-η)
其中,χ表示所述优化目标函数,η表示所述锅炉热效率,k1、k2表示预设系数。
7.一种利用锅炉燃烧过程模型实现多目标优化的装置,其特征在于,所述装置包括:
选择模块,用于根据锅炉燃烧过程模型,选择输入可调控量、输入非可调控量和输出状态量;
确定模块,用于根据所述输出状态量之间的关系,确定优化目标函数;
实现模块,用于将所述输入可调控量作为粒子,通过粒子群优化算法,实现优化目标函数中多个目标的优化。
8.如权利要求7所述的装置,其特征在于,所述实现模块包括:
作为单元,用于根据所述输入可调控量建立多个粒子;
设置单元,用于设置每个所述粒子的搜索空间,并初始化每个所述粒子的位置和飞行速度;
计算单元,用于根据每个所述粒子的位置和飞行速度,通过根据所述优化目标函数设置的适应度计算公式,计算每个所述粒子的适应度;
第一更新单元,用于根据每个所述粒子的适应度,更新每个所述粒子的历史最佳位置和整个粒子群的全局最佳位置;
第二更新单元,用于根据预设飞行速度位置更新公式,更新每个所述粒子的位置和飞行速度;
判断单元,用于判断是否满足预设优化终止条件;
第一处理单元,用于如果所述判断单元的判断结果是满足预设优化终止条件,则将整个粒子群的全局最佳位置对应的数值作为所述优化目标函数中对应目标的优化值。
9.如权利要求8所述的装置,其特征在于,所述实现模块还包括:
第二处理单元,用于如果所述判断单元的判断结果是不满足预设优化终止条件,则执行根据每个所述粒子的位置和飞行速度,通过根据所述优化目标函数设置的适应度计算公式,计算每个所述粒子的适应度的步骤。
10.如权利要求8所述的装置,其特征在于,所述第一更新单元包括:
第一比较子单元,用于将每个所述粒子当前的适应度与每个所述粒子在历史最佳位置时的适应度进行比较,如果某所述粒子当前的适应度大于某所述粒子在历史最佳位置时的适应度,则将某所述粒子当前的位置作为某所述粒子的历史最佳位置;如果某所述粒子当前的适应度小于等于某所述粒子在历史最佳位置时的适应度,则保持某所述粒子的历史最佳位置不变;
第二比较子单元,用于将每个所述粒子当前的适应度与整个粒子群在全局最佳位置时的适应度进行比较,如果某所述粒子当前的适应度大于整个粒子群在全局最佳位置时的适应度,则将某所述粒子当前的位置作为整个粒子群的全局最佳位置;如果某所述粒子的适应度小于等于整个粒子群在全局最佳位置时的适应度,则保持整个粒子群的全局最佳位置不变。
11.如权利要求7-10任一权利要求所述的装置,其特征在于,所述输入可调控量至少包括:一次风量、二次风量、各燃烧器二次风调节门开度、氧量、给煤机组合和各给煤机的瞬时给煤量;所述输出状态量至少包括:SCR脱硝反应器入口NOx浓度和锅炉热效率。
12.如权利要求11所述的装置,其特征在于,当所述输出状态量包括所述SCR脱硝反应器入口NOx浓度和所述锅炉热效率时,所述优化目标函数为:
χ=k1NOx+k2(1-η)
其中,χ表示所述优化目标函数,η表示所述锅炉热效率,k1、k2表示预设系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610022193.XA CN105701347A (zh) | 2016-01-13 | 2016-01-13 | 利用锅炉燃烧过程模型实现多目标优化的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610022193.XA CN105701347A (zh) | 2016-01-13 | 2016-01-13 | 利用锅炉燃烧过程模型实现多目标优化的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105701347A true CN105701347A (zh) | 2016-06-22 |
Family
ID=56227287
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610022193.XA Pending CN105701347A (zh) | 2016-01-13 | 2016-01-13 | 利用锅炉燃烧过程模型实现多目标优化的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105701347A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108319146A (zh) * | 2018-03-09 | 2018-07-24 | 西安西热控制技术有限公司 | 一种径向基神经网络基于离散粒子群训练的方法 |
-
2016
- 2016-01-13 CN CN201610022193.XA patent/CN105701347A/zh active Pending
Non-Patent Citations (8)
Title |
---|
吕雪东: "基于粒子群优化BP神经网络在电站锅炉中的应用研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
吴祯祥: "电站锅炉NOx排放与效率混合建模及优化研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
周建新等: "基于效益模型的锅炉燃烧综合性能多目标优化", 《动力工程学报》 * |
张盘石: "基于神经网络的电站锅炉燃烧优化系统研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
李献等: "《精通MATLAB/Simulink系统仿真》", 31 May 2015 * |
李青等: "《火电厂节能减排手册减排与清洁生产部分》", 28 February 2015, 中国电力出版社 * |
白晓旭等: "基于粒子群算法的锅炉燃烧效率的优化研究", 《计算机仿真》 * |
高芳: "基于智能计算的大型锅炉燃烧系统建模与优化问题研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108319146A (zh) * | 2018-03-09 | 2018-07-24 | 西安西热控制技术有限公司 | 一种径向基神经网络基于离散粒子群训练的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Koroglu et al. | Illumination balancing algorithm for smart lights | |
Manna et al. | Design and implementation of a new adaptive MPPT controller for solar PV systems | |
CN106019935B (zh) | 基于约束模糊关联规则的多目标锅炉燃烧优化 | |
CN104776446A (zh) | 一种锅炉燃烧优化控制方法 | |
Jin et al. | Study on fuzzy self-adaptive PID control system of biomass boiler drum water | |
CN104534507A (zh) | 一种锅炉燃烧优化控制方法 | |
CN109325313A (zh) | 基于改进量子粒子群优化电厂锅炉nox预测模型装置 | |
CN110017470A (zh) | 基于差分进化算法的锅炉燃烧多目标优化控制方法 | |
CN105701347A (zh) | 利用锅炉燃烧过程模型实现多目标优化的方法和装置 | |
Ali et al. | Hybrid Design Optimization of Heating Furnace Temperature using ANFIS-PSO | |
Kumari et al. | Dual degree branched type-2 fuzzy controller optimized with a hybrid algorithm for frequency regulation in a triple-area power system integrated with renewable sources | |
Vishnoi et al. | Performance analysis of moth flame optimization-based split-range PID controller | |
Fan et al. | Optimization of PID parameters based on improved particle-swarm-optimization | |
Lei | Application improved particle swarm algorithm in parameter optimization of hydraulic turbine governing systems | |
CN113757684A (zh) | 一种垃圾焚烧发电的方法及系统 | |
CN114066280A (zh) | 一种基于改进蜜獾优化的电力经济排放调度方法 | |
Aruna et al. | Adaptive control for interactive thermal process | |
CN206848713U (zh) | 一种模糊规则在线可调的自适应模糊控制器 | |
Shruthi et al. | Integration of FOPID and mayfly algorithm for SEPIC with multi-objective functions | |
Zhang et al. | MtsPSO-PID neural network decoupling control in power plant boiler | |
Wenjie et al. | The optimizing for boiler combustion based on fuzzy association rules | |
CN109508061A (zh) | 一种基于djoa的局部遮光条件下光伏系统最大功率跟踪方法 | |
Rodriguez et al. | Wireless Low-Energy mote Based on Fuzzy Algorithms for Environments Quality Monitoring Applications | |
Ali et al. | Design of Heating Furnace Temperature Optimization using Hybrid ANFIS-PSO | |
CN113644684B (zh) | 一种综合能源系统多环控制系统与方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160622 |
|
RJ01 | Rejection of invention patent application after publication |