CN105894109A - 一种火电机组锅炉混煤优化配煤方案获取方法 - Google Patents

Abstract

一种火电机组锅炉混煤优化配煤方案的获取方法，所述方法根据锅炉效率最大、混煤成本最低及污染物排放最小为目标函数，建立优化配煤数学模型，包括：多目标模糊数学模型、锅炉NOx排放预测模型、锅炉效率计算模型，使入炉配煤方案更具合理性，以保证锅炉运行的经济性和环保性。所述方法包括以锅炉效率最大、混煤成本最低及污染物排放最小为目标函，并以锅炉NOx排放预测模型、多目标模糊决策模型及锅炉效率计算模型为基础，建立优化配煤数学模型；采用支持向量机技术实现预测和多目标模糊数学技术实现优化。本发明方法适用于火电机组锅炉混煤优化配煤方案的获取方法。

Description

一种火电机组锅炉混煤优化配煤方案获取方法

技术领域

本发明涉及一种火电机组锅炉混煤优化配煤方案获取方法，属火电机组运行混煤燃烧优化技术领域。

背景技术

当前我国电力生产主要以燃煤发电为主，而电厂供应煤种大部分呈现多元化，品种多且特性差异大，如将不同种类的原煤直接送入锅炉燃烧，由于各组分煤的燃烧特性不同，使锅炉燃烬程度差、燃烧效率低、结焦、灭火、受热面超温爆管和污染物排放超标等问题时有发生，严重影响锅炉运行的安全性和经济性，不利于电网的稳定生产。因此，对于各种不同特性的燃煤，需要一种较为科学合理的掺配方法，使入炉煤能适应锅炉正常运行要求，指导电厂优化配煤，达到既能提高锅炉效率，降低发电的生产成本，又能减小锅炉污染物的排放，保证锅炉安全行和经济行，维护电网的稳定运行。

锅炉混煤优化配煤方案获取方法是火电机组运行的一项重要技术。锅炉混煤优化配煤方案获取方法一般通过建立火电厂进煤单煤数据库，根据锅炉运行要求，以低位发热量、挥发份、水份、灰分和煤价作为目标量，作为设置权重指标，采用多目标模糊数学模型，得到符合要求的多种混煤配比组合；基于支持向量机算法，建立锅炉NOx排放预测模型，根据不同混煤煤质参数和电厂SIS历史数据库，获得锅炉NOx排放的预测值；建立锅炉效率计算简化模型，根据不同混煤煤质数据，获得对应的锅炉效率值；以锅炉效率、煤价和NOx的排放量作为目标量，采用多目标模糊数学模型，得到最优配煤方案，将最优配煤组合方式提供给燃运管理中心，可实现在线快速最优配煤方案。因此，锅炉混煤优化配煤方案获取方法的关键是多目标模糊数学模型、神经网络预测模型、锅炉效率计算模型。

目前火电机组混煤优化配煤方案，涉及锅炉侧高效率、低成本及低污染的配煤方案的确定，主要依据是对比多种混煤配煤方案，参考锅炉历史性能试验数据，结合运行人员经验确定。由于电厂煤源的多样性和复杂性，配煤组合数量可能很大，极大的增加了工作人员筛选的难度，且人工误差较大，很难充分考虑煤种配比差异对最佳值的影响，缺乏准确性。

发明内容

本发明的目的是，根据现有火电锅炉侧混煤优化配煤方案获取方法确定存在的问题，本发明提出一种火电机组锅炉混煤优化配煤方案获取方法。

实现本发明的技术方案是，一种火电机组锅炉混煤优化配煤方案获取方法，采用多目标模糊决策技术和支持向量机算法技术，根据锅炉效率最大、混煤成本最低及污染物排放最小为目标函数，建立优化配煤数学模型，包括：多目标模糊数学模型、NOx排放预测模型、锅炉效率计算模型，使入炉煤质更具合理性，以保证锅炉运行的经济性及合理性。

本发明一种火电机组混煤优化配煤方案获取方法步骤为：

(1)采集电站锅炉日常用单煤数据，建立单煤煤质信息数据库；

(2)按照锅炉燃烧需要，以低位发热量、挥发份、水份、灰分和煤价作为目标函数，建立多目标模糊数学模型，得到符合要求的多组混煤煤质参数结果，标记为“多组混煤煤质参数结果”，其中包括综合煤价，记为“综合煤价”；

(3)建立锅炉NOx排放预测模型，根据所述多组混煤煤质参数结果及电厂运行SIS历史数据，获得锅炉NOx排放的预测值，标记为“NOx预测值”；

(4)建立锅炉效率计算简化模型，根据该机组现场性能试验数据库和电厂SIS历史数据库，并基于所述多组混煤煤质参数结果，获得对应的锅炉效率值,记为“锅炉效率η”；

(5)根据所述锅炉效率η、所述综合煤价和所述NOx预测值作为目标量，建立多目标模糊数学模型，获得最优配煤方案；

本发明锅炉NOx排放预测模型，包括主成分分析、支持向量机算法和遗传算法等。

本发明方法与现有技术比较的有益效果是，本发明方法采用多目标模糊数学技术和支持向量机算法技术，根据组现场性能试验数据库和电厂SIS历史数据库，建立的锅炉NOx排放预测模型预测锅炉NOx排放量，并以锅炉效率最大、NOx排放最低及混煤价格最低为目标函数建立的多目标模糊数学模型，使获得混煤配煤方案更具合理性，以保证锅炉运行的经济性及环保性。

本发明方法适用于火电机组锅炉最优配煤方案方法的获取。

附图说明

图1为锅炉混煤优化配煤方案获取方法模型；

图2为锅炉NOx排放预测模型。

具体实施方式

本发明是针对电站锅炉最优配煤方案难以确定问题，提出的一种锅炉高效低污染优化配煤方案的获取方法。如图1所示，具体实施方法是：

(1)采集电站锅炉日常用单煤数据，建立单煤煤质信息数据库；

(2)按照锅炉燃烧需要，以低位发热量、挥发份、水份、灰分和煤价作为目标函数，建立多目标模糊数学模型，得到符合要求的多组混煤煤质参数结果，标记为“多组混煤煤质参数结果”，其中包括综合煤价，记为“综合煤价”；

(3)建立锅炉NOx排放预测模型，根据(2)“多组混煤煤质参数结果”及电厂运行SIS历史数据，获得锅炉NOx排放的预测值，标记为“NOx预测值”；

(4)建立锅炉效率计算简化模型，根据该机组现场性能试验数据库和电厂SIS历史数据库，并基于(2)“多组混煤煤质参数结果”，获得对应的锅炉效率值,记为“锅炉效率η”；

(5)根据(4)“锅炉效率η”、(2)“综合煤价”和(3)“NOx预测值”作为目标量，建立多目标模糊数学模型，获得最优配煤方案；

本发明方法与现有技术比较的有益效果是，本发明方法采用多目标模糊数学技术和支持向量机算法技术，根据组现场性能试验数据库和电厂SIS历史数据库，建立的锅炉NOx排放预测模型预测锅炉NOx排放量，并以锅炉效率最大、NOx排放最低及混煤价格最低为目标函数建立的多目标模糊数学模型，使获得混煤配煤方案更具合理性，以保证锅炉运行的经济性及环保性。

锅炉混煤优化配煤方案模型如图1所示。

锅炉NOx排放预测模型，包括主成分分析法、支持向量机算法和遗传算法。

1)主成分分析

主成分分析是一种分析、简化数据集的技术。它将最初可能相关的变量通过正交变换转化为一组线性无关的变量。在代数中，它表现为原向量的协方差矩阵或相关矩阵转换成对角矩阵；在几何上，原坐标系转换成一个新的正交坐标系。该转换使得样本点分布倾向于最广泛的p个正交方向。主成分分析可以从数据集中提取出重要信息，并用被称为主成分的一系列新的正交变量表示原有数据集。

主成分分析主要是通过对协方差矩阵进行特征分解，以得出数据的主成分(即特征向量)与它们的权值(即特征值)。主成分分析是最简单的以特征量分析多元统计分布的方法。其结果可以理解为对原数据中的方差做出解释：哪一个方向上的数据值对方差的影响最大？即主成分分析提供了一种降低数据维度的有效办法；如果分析者在原数据中除掉最小的特征值所对应的成分，那么所得的低维度数据必定是最优化的(也即，这样降低维度必定是失去讯息最少的方法)。主成分分析在分析复杂数据时尤为有用。

2)支持向量机

支持向量机算法(support vector machine，SVM)的基本原理是：将原本线性不可分的训练数据集非线性地映射到一个高维特征空间，从而变得线性可分，随后在特征空间建立一个具有最大隔离距离的最优分离超平面。SVM最吸引人的地方在于其在学习中应用了结构风险最小化思想(SRM)，而不是像ANN应用传统的经验风险最小化原则(ERM)，这在理论上被证明具有更好的泛化推广能力。

在解决回归问题时，输入样本x首先通过非线性映射Φ(x)映射到一个高维的特征空间，然后在这个特征空间中建立一个线性模型来拟合样本，公式如下：

f(x,w)＝w·φ(x)+b (1)

其中，w为权向量；b为阈值。对于给定的训练数据集(y1,x1),(y2,x2)…(yl,xl)，引入ε不敏感损失函数，对应的支持向量机称为ε-支持向量机，则其约束优化问题可表示为

$\begin{array}{c}\underset{w}{\min }\frac{1}{2}{||w||}^2+C\underset{i=1}{\overset{l}{\Σ}}({\mathrm{\ξ}}_i+{\mathrm{\ξ}}_i^{*}),i=1,2,\mathrm{...}n\\ s.t.\\ \left\{\begin{array}{c}{y}_i-w\·\mathrm{\φ}\left(x\right)-b\≤\mathrm{\ϵ}+{\mathrm{\ξ}}_i^{*}\\ w\·\mathrm{\φ}\left(x\right)+b-y_i\≤\mathrm{\ϵ}+{\mathrm{\ξ}}_i\\ {\mathrm{\ξ}}_i,{\mathrm{\ξ}}_i^{*}\≥0\end{array}\right.\end{array}---\left(2\right)$

式(2)的优化问题可通过引入拉格朗日乘子将其转化为对偶问题，通过解对偶问题得到式(1)的解：

$f\left(x\right)=\underset{i=1}{\overset{n_{sv}}{\Σ}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})K(x_i,x)+b---\left(3\right)$

其中，α_i,为拉格朗日乘子，只有一小部分不为0，它们对应的样本就是支持向量(Support Vector,SV)；n_SV为支持向量的个数；K(x_i,x)为核函数。通常采用径向基核函数：

K(x_i,x)＝exp(-λ||x-x_i||²) (4)

其中，λ为核函数。

由式(2)～式(4)可知，控制C，ε和λ就可以控制支持向量机的推广能力，因此，如何合理快速地选择上述3个参数成为影响SVM实际应用效果和范围的关键。

3)遗传算法

遗传算法(Genetic Algorithm，GA)是模仿自然界生物进化机制发展起来的随机全局搜索和优化方法，是一种典型的启发式算法，可用于SVM快速获得最优控制参数。该算法借鉴了达尔文的进化论和孟德尔的遗传学说，其本质是一种高效、并行、全局搜索的方法，能在搜索过程中自动获取和积累有关搜索空间的知识，并自适应地控制搜索过程以求得最优解。遗传算法操作使用适者生存的原则，在潜在的解决方案种群中逐次产生一个近似最优解的方案，在遗传算法的每一代中，根据个体在问题域中的适应度值和从自然遗传学中借鉴来的再造方法(选择、交叉、变异)进行个体选择，产生一个新的近似解。这个过程导致种群中个体的进化，得到的新个体比原来个体更能适应环境，逐渐趋于设计者的理想方向，通过足够的进化次数后就可以找到相对满意的结果。

Claims (2)

1.一种火电机组锅炉优化配煤方案获取方法，其特征在于，所述方法根据锅炉效率最大、混煤成本最低及污染物排放最小为目标函数，建立优化配煤数学模型，包括：多目标模糊数学模型、锅炉NOx排放预测模型、锅炉效率计算模型，使入炉煤质更具合理性，以保证锅炉运行的经济性及合理性；

所述方法的步骤为：

（1）采集电站锅炉日常用单煤数据，建立单煤煤质信息数据库；

（2）按照锅炉燃烧需要，以低位发热量、挥发份、水份、灰分和煤价作为目标函数，建立多目标模糊数学模型，得到符合要求的多组混煤煤质参数结果，标记为“多组混煤煤质参数结果”，其中包括综合煤价，记为“综合煤价”；

（3）建立锅炉NOx排放预测模型，根据所述多组混煤煤质参数结果及电厂运行SIS历史数据，获得锅炉NOx排放的预测值，标记为“NOx预测值”；

（4）建立锅炉效率计算简化模型，根据该机组现场性能试验数据库和电厂SIS历史数据库，并基于所述多组混煤煤质参数结果，获得对应的锅炉效率值,记为“锅炉效率η”；

（5）根据所述锅炉效率η、所述综合煤价和所述NOx预测值作为目标量，建立多目标模糊数学模型，获得最优配煤方案。

2.根据权利要求1所述的一种火电机组锅炉优化配煤方案获取方法，其特征在于，所述锅炉NOx排放预测模型，包括主成分分析法、支持向量机算法和遗传算法。