CN106327021A - 一种基于在线模型预测的锅炉燃烧优化配风方法 - Google Patents

Abstract

一种基于在线模型预测的锅炉燃烧优化配风方法，采用改进的BP神经网络算法与模型在线更新计算，构建了锅炉燃烧优化配风模型，并采用自适应遗传算法与动态优化边界相结合，分别对最佳氧量、一次风量、各二次风门以及燃尽风门等参数进行寻优计算，以使锅炉效率和污染物排放量所构建的多目标函数达到最优燃烧范围。

Description

一种基于在线模型预测的锅炉燃烧优化配风方法

技术领域

本发明涉及燃煤锅炉燃烧优化领域，特别涉及一种基于在线模型预测的锅炉燃烧优化配风方法。

背景技术

目前电厂大多数送风控制采用串级氧量控制以及通过人工经验调整配风方式，在工况发生改变尤其是煤质发生变化时，总送风量以及配风燃烧方式仅靠人工经验调整甚至于不调整、误操作，长此以往，很难满足经济燃烧与低排放要求，严重的甚至造成局部高温、炉膛结焦、水冷壁爆管等安全事故，加之近几年大部分电厂进行脱硫脱销改造，实际燃用煤种与设计煤种的偏差较大，锅炉控制过程干扰性加大，锅炉效率下降等问题随之出现，传统的控制策略在当前高节能指标的要求下越显无力，实现锅炉的优化配风燃烧显得尤为重要。

锅炉的送风以及配风优化方式需要兼顾锅炉效率和NO_X排放，此生产过程响应了两者为输出的锅炉燃烧性能模型。基于神经网络技术、支持向量机等构建模型的算法均验证了模型的准确性，而忽视了模型的时效性，由于燃烧过程除了具备非线性、强耦合性，同时也具备了时变性特点，因此，模型在构建初期效果明显，但随着时间的推移，模型的精确度难以保证，以至于不能长期满足优化配风调整。

锅炉燃烧优化配风系统作为多目标优化问题，可采用遗传算法实现过程参数的寻优，以使锅炉效率和NO_X排放构成的适应度函数达到最优，但由于运算过程中交叉概率和变异概率参数一直固定不变，无法随遗传代数增加而不断根据需要进行自动调整，影响算法的收敛性，难以满足多工况变化下的实时准确性，甚至于安全性。

发明内容

本发明的目的在于提供一种能够实现锅炉燃烧优化配风模型的实时性与准确性，并对最佳氧量、一次风量、各二次风门以及燃尽风门等参数的进行寻优计算，以使锅炉长期稳定的运行在最优燃烧范围内的基于在线模型预测的锅炉燃烧优化配风方法。

为达到上述目的，本发明采用的技术方案是：

1)采用改进的BP神经网络建模技术构建锅炉燃烧预测模型数据库，在燃烧对象发生改变后对模型数据库进行在线修正与更新，实现锅炉效率、NO_X预测结果的实时性与准确性；

2)采用自适应遗传算法与动态优化边界条件相结合，分别对最佳氧量、一次风量以及各二次风门、燃尽风门进行在线寻优，使锅炉效率和污染物排放所构建的多目标函数在不同燃烧工况下达到最优范围。

所述的步骤1)改进的BP神经网络建模技术构建锅炉燃烧预测模型包括以下步骤：

1)首先，通过锅炉燃烧优化调整试验，分别获取不少于50组工况下的燃料量、送风量、氧量、煤质、排烟温度、大渣含碳量、飞灰含碳量、燃尽风率、环境温度、蒸发量作为预测模型输入，即input，锅炉效率和NO_X作为预测模型输出，即output，建立三层BP神经网络模型，神经网络的隐含层采用S型函数，输出层采用线性函数，并初始化网络学习过程参数，依次向数据库中输入input、output数据，然后依次取一个样本作为输入；

2)其次，开始神经网络计算输入层，通过网络将输入前向传播，其中a⁰为输入，m为网络层数，W为权值，b为偏置值，公式如下：

a⁰＝p

a^m+1＝f^m+1(W^m+1a^m+b^m+1)，m＝0,1,…,M-1

a＝a^m

3)再次，计算输出层与各层之间的误差，通过网络将敏感性反向传播，其中s^M为最后一层敏感性函数，f(n)代表网络函数，t代表样本目标输出，a代表网络输出，公式如下：

$s^M=-2\stackrel{\·}{F^M}\left(n^M\right)(t-a)$

$s^m=\stackrel{\·}{F^m}\left(n^m\right){\left(W^{m+1}\right)}^T{s}^{m+1},m=M-1,\mathrm{...},2,1$

4)然后，根据计算的误差，使用最速下降法更新权值和偏置值，其中α为学习率；

W^m(k+1)＝W^m(k)-αs^m(a^m-1)^T

b^m(k+1)＝b^m(k)-αs^m

为提高收敛性能，加入一阶滤波器，其中ω(k)是滤波器输入，y(k)是滤波器输出，γ是动量系数，满足0≤γ<1，公式如下：

y(k)＝γy(k-1)+(1-γ)ω(k)

5)由步骤4)得更新的权值和偏置值，如下公式：

ΔW^m(k)＝-αs^m(a^m-1)^T

Δb^m(k)＝-αs^m

6)将公式ΔW^m(k)＝γΔW^m(k-1)-(1-γ)αs^m(a^m-1)^T

Δb^m(k)＝γΔb^m(k-1)-(1-γ)αs^m

代入步骤5)的公式，得到反向传播的动量改进公式，更新权值和偏置值计算方法，如下：

将改进算法得到的新W和b重新代入步骤2)直到满足(t-a)²<ε，或达到最大学习次数，则终止学习，即得到模型的预测锅炉效率与NO_X的输出值，其中ε为设置的最小均方误差。

所述的步骤1)预测模型的数据库修正与更新包括以下步骤：

1)将锅炉效率、NO_X进行对比，当比较偏差平均大于预设值炉效偏差0.2％，则进行模型数据库的更新，更新范围为该测试工况下的数据样本点为20～50组工况数据，更新过程中对已录入的数据在线进行修正；

2)将需要更新的模型数据库按照模型建立的初始工况划分，完成数据库的定位修正或更新，并将模型的操作过程形成日志。

所述的步骤2)包括以下步骤：

1)首先，初始化，设置进化代数计数器t＝0，设置最大进化代数T，随机生成M个个体作为初始群体P(0)；

2)其次，个体评价，计算群体P(t)中各个个体的适应度，为使锅炉效率与NO_X排放总体达到最优，采用的适应度函数为：

J＝a×(eff-eff_c)²+b×([NO_x]_c-[NO_x])²

式中：eff——锅炉理想燃烧效率，一般由不同工况下的锅炉燃烧优化性能试验得到；

eff_c——实际燃烧效率，取模型输出值；

[NO_X]——氮氧化物排放的最低值，或者理想值，一般由锅炉燃烧优化性能试验得到；

[NO_X]_C——实际氮氧化物排放量，取自模型输出值；

a、b——两项输出值的加权系数，取决于对效率和排放物的关注程度。

3)然后，选择运算，将选择算子作用于群体，把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代，选择操作是建立在群体中个体的适应度评估基础上；

4)再次，进行交叉运算，将交叉算子作用于群体，遗传算法中起核心作用的就是交叉概率，变异运算，将变异算子作用于群体，即是对群体中的个体串的某些基因座上的基因值作变动，其核心参数就是变异概率，自适应遗传算法是针对交叉概率P_c和变异概率P_m随遗传代数增加而不断根据需要进行自动调整，能够快速随适应度的变化而变化，调整公式如下：

$P_c=\left\{\begin{array}{cc}\frac{k_1(f_{\max }-f^{,})}{f_{\max }-f_{avg}},& f^{,}\&GreaterEqual;f_{avg}\\ k_2,& f^{,}<f_{avg}\end{array}\right.$

$P_m=\left\{\begin{array}{cc}\frac{k_3(f_{\max }-f)}{f_{\max }-f_{avg}},& f\&GreaterEqual;f_{avg}\\ k_4,& f<f_{avg}\end{array}\right.,k_1,k_2,k_3,k_4\&Element;(0,1)$

式中：f_max——群体的最大适应度值；

f_avg——每代群体的平均适应度值；

f’——参与交叉个体的较大适应度值；

f——变异个体的适应度值。

群体P(t)经过选择、交叉、变异运算之后得到下一代群体P(t+1)。

5)对于遗传算法进行终止条件判断：若t＝T，则以进化过程中所得到的具有最大适应度个体作为最优解输出，终止计算；

6)最后，在优化过程中，对最佳氧量、一次风量以及各二次风门、燃尽风门各优化参数进行优化边界限制，且优化边界参数采用不同燃烧负荷状态下的可调整动态边界，使其能在工况稳定的情况下采用小范围稳定调整，变工况条件时采用变工况快速安全调整，以确保整个优化过程的稳定性与准确性。

本发明以锅炉效率和污染物排放构建的多目标优化函数为综合目标，采用改进的BP神经网络算法与模型在线更新计算相结合，实现了锅炉燃烧优化配风模型的实时性与准确性，并采用自适应遗传算法对最佳氧量、一次风量、各二次风门以及燃尽风门等参数的进行寻优计算，以使锅炉长期稳定的运行在最优燃烧范围内。

本发明与现有技术相比，燃烧配风模型采用了改进的BP算法，使模型的精度与稳定性更高，同时，配合模型在线修正功能，解决了模型的时效问题，使模型能长时间有效运算；再次，采用自适应遗传算法能够在保持工况群体多样性的同时，保证遗传算法的收敛性，快速达到以锅炉效率和NO_X排放为综合指标的经济燃烧效果。

本发明具有以下特点：燃烧优化配风模型具有长期准确性、实时性；通过锅炉燃烧优化配风模型，实现效率在线、NO_X在线预测；锅炉燃烧优化配风算法，使系统长期维持在最佳燃烧范围；提高锅炉效率≥0.5％；记录锅炉运行过程中的变化，提供重要的燃烧指导意见。

附图说明

图1改进的BP神经算法流程图；

图2燃烧预测模型更新原理框图；

图3基于自适应遗传算法的配风优化原理框图。

具体实施方式

下面结合附图和实施例对发明内容作进一步说明：

参照图1所示，为改进的神经网络算法流程，具体步骤为：

1)首先，通过锅炉燃烧优化调整试验，分别获取不少于50组工况下的燃料量、送风量、氧量、煤质(低位发热量、氧基、氮基、氢基、硫基、碳基)、排烟温度、大渣含碳量、飞灰含碳量、燃尽风率、环境温度、蒸发量作为预测模型输入，即input，锅炉效率和NO_X作为预测模型输出，即output，建立三层BP神经网络模型，神经网络的隐含层采用S型函数，输出层采用线性函数，并初始化网络学习过程参数，依次向数据库中输入input、output数据，然后依次取一个样本作为输入；

2)其次，开始神经网络计算输入层。通过网络将输入前向传播，其中a⁰为输入，m为网络层数，W为权值，b为偏置值，公式如下：

a⁰＝p

a^m+1＝f^m+1(W^m+1a^m+b^m+1)，m＝0,1,…,M-1

a＝a^m

3)再次，计算输出层与各层之间的误差，通过网络将敏感性反向传播，其中s^M为最后一层敏感性函数，f(n)代表网络函数，t代表样本目标输出，a代表网络输出，公式如下：

$s^M=-2\stackrel{\&CenterDot;}{F^M}\left(n^M\right)(t-a)$

$s^m=\stackrel{\&CenterDot;}{F^m}\left(n^m\right){\left(W^{m+1}\right)}^T{s}^{m+1},m=M-1,\mathrm{...},2,1$

4)然后，根据上一步计算的误差，使用最速下降法更新权值和偏置值，其中α为学习率；

W^m(k+1)＝W^m(k)-αs^m(a^m-1)^T

b^m(k+1)＝b^m(k)-αs^m

为提高收敛性能，加入一阶滤波器，其中ω(k)是滤波器输入，y(k)是滤波器输出，γ是动量系数，满足0≤γ<1，公式如下：

y(k)＝γy(k-1)+(1-γ)ω(k)

5)由步骤4)可得更新的权值和偏置值，如下公式：

ΔW^m(k)＝-αs^m(a^m-1)^T

Δb^m(k)＝-αs^m

6)将第6步公式代入第5步公式，可得到反向传播的动量改进公式，更新权值和偏置值计算方法，如下：

ΔW^m(k)＝γΔW^m(k-1)-(1-γ)αs^m(a^m-1)^T

Δb^m(k)＝γΔb^m(k-1)-(1-γ)αs^m

7)将改进算法等到的新W和b重新代入第2步进行计算，直到满足(t-a)²<ε，或达到最大学习次数，则终止学习，即得到模型的预测锅炉效率与NO_X的输出值，其中ε为设置的最小均方误差。

参照图2所示，为燃烧预测模型更新原理框图，包括以下步骤：

该功能包含锅炉燃烧模型数据库、基于国标公式计算的锅炉效率在线模块、模型在线修正判断模块、模型实时操作与分析记录模块等组成；

1)锅炉燃烧模型数据库是通过锅炉燃烧优化性能试验数据、运行人员离线经验库与不同工况下的在线运行数据共同组成；

2)基于国标公式计算的锅炉效率在线模块，是通过优化系统实现的锅炉效率国标公式实时计算的功能模块，在确保国标公式计算参数无误的情况下，通过模型在线修正判断模块，与BP神经网络预测模型的计算结果，即锅炉效率、NO_X进行对比分析，以判断预测模型的准确性。当比较偏差平均大于预设值炉效偏差0.2％，则由操作人员进行模型数据库的更新，更新范围为该测试工况下的数据样本点，一般约为20～50组工况数据，更新过程中可对已录入的数据在线进行修正。

3)模型实时操作与分析记录模块，是将需要更新的模型数据库按照不同工况划分，一般按照模型建立的初始工况划分，分别在软件界面进行人工操作，完成数据库的定位修正或更新，并将模型的操作过程形成日志，对锅炉燃烧性能改变与故障进行分析，在线提供必要的燃烧指导依据。

参照图3所示，为基于自适应遗传算法的配风优化原理框图，包括以下步骤：

1)首先，初始化。设置进化代数计数器t＝0，设置最大进化代数T，随机生成M个个体作为初始群体P(0)；

2)其次，个体评价。计算群体P(t)中各个个体的适应度。为使锅炉效率与NO_X排放总体达到最优，采用的适应度函数为：

J＝a×(eff-eff_c)²+b×([NO_x]_c-[NO_x])²

式中：eff——锅炉理想燃烧效率，一般由不同工况下的锅炉燃烧优化性能试验得到；

eff_c——实际燃烧效率，取模型输出值；

[NO_X]——氮氧化物排放的最低值，或者理想值，一般由锅炉燃烧优化性能试验得到；

[NO_X]_C——实际氮氧化物排放量，取自模型输出值；

a、b——两项输出值的加权系数，取决于对效率和排放物的关注程度。

3)然后，选择运算。将选择算子作用于群体。选择的目的是把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代。选择操作是建立在群体中个体的适应度评估基础上的。

4)再次，进行交叉运算，将交叉算子作用于群体。遗传算法中起核心作用的就是交叉概率。变异运算，将变异算子作用于群体。即是对群体中的个体串的某些基因座上的基因值作变动，其核心参数就是变异概率。自适应遗传算法是针对交叉概率P_c和变异概率P_m随遗传代数增加而不断根据需要进行自动调整，能够快速随适应度的变化而变化，调整公式如下：

$P_c=\left\{\begin{array}{cc}\frac{k_1(f_{\max }-f^{,})}{f_{\max }-f_{avg}},& f^{,}\&GreaterEqual;f_{avg}\\ k_2,& f^{,}<f_{avg}\end{array}\right.$

$P_m=\left\{\begin{array}{cc}\frac{k_3(f_{\max }-f)}{f_{\max }-f_{avg}},& f\&GreaterEqual;f_{avg}\\ k_4,& f<f_{avg}\end{array}\right.,k_1,k_2,k_3,k_4\&Element;(0,1)$

式中：f_max——群体的最大适应度值；

f_avg——每代群体的平均适应度值；

f’——参与交叉个体的较大适应度值；

f——变异个体的适应度值。

群体P(t)经过选择、交叉、变异运算之后得到下一代群体P(t+1)。

5)对于遗传算法进行终止条件判断：若t＝T，则以进化过程中所得到的具有最大适应度个体作为最优解输出，终止计算。

6)最后，在优化过程中，需要对最佳氧量、一次风量以及各二次风门、燃尽风门等各优化参数进行优化边界限制，且优化边界参数采用不同燃烧负荷状态下的可调整动态边界，使其能在工况稳定的情况下采用小范围稳定调整，变工况条件时采用变工况快速安全调整，以确保整个优化过程的稳定性与准确性。

实施例1

某电厂一期#1机组为500MW燃煤火力发电机组，在对其先后增加脱硫、脱硝系统、更换低NO_X燃烧器后，锅炉的燃烧状况发生了很大的改变。特别是燃烧器配风的改造，使燃料在炉内分段逐级燃烧，实现了降低NO_X的目的。但这种分层配风方式对机组燃烧、各层二次风挡板的控制、总风量及炉内氧量控制等提出了新的要求并直接关系着机组运行的安全性、稳定性和经济性。因此，对#1、#2机组锅炉二次配风优化燃烧系统进行了研究改造，在原有DCS——ABB Composer系统中，新增两台燃烧优化站互为冗余结构，其系统平台采用64位专业版WIN 7系统，软件平台采用NI公司的LabVIEW 2012软件进行开发。

具体实现过程如下：

首先，采用改进的BP神经网络建模技术构建锅炉燃烧预测模型，并在燃烧对象发生改变后对模型数据库进行在线修正与更新，以实现锅炉效率、NO_X预测结果的实时性与准确性。

此过程中，需要将电厂提供的主要燃用煤按照发热量的不同进行划分(低发热量≤4000cal；4000cal≤中等发热量≤5000cal；高发热量≥5000cal)，在锅炉燃烧试验过程中分别组织对三种不同热量的煤种进行燃烧试验。在锅炉正常运行时，对三种不同发热量的煤种分别进行不同负荷下(此处选择负荷工况分别为100％、90％、75％、60％、50％)的送风、二次风挡板开度试验、氧量试验、二次风配风方式试验、一次风量试验、燃烧器投运方式试验，得到试验参数对负荷响应、NOx排放和锅炉效率的影响，通过数据分析给出能够指导燃烧调整的模型数据库，并结合人工调整经验与在线运行数据共同构建出基本满足BP神经网络模型的样本数据量。

模型为三层改进BP神经网络模型，模型的输入量分别为燃料量、蒸发量、送风量、燃尽风率、各层风门开度、氧量、排烟温度、低位发热量、碳基、氧基、氮基；模型输出量为锅炉效率、NO_X，采用线性函数；模型的隐含层个数为18个，采用S型函数，具体算法如图1中上述运算流程。

然后，将获取的样本数据依次录入access数据库中，通过LabVIEW中的LabSQL工具包实时调用数据库进行数据的操作与更新，并通过LabVIEW动态链接库功能实现调用改进BP神经网络算法模块，

经过调试与测试模型输出锅炉效率的绝对误差不大于0.2％，NO_X的绝对误差不大于20mg/Nm³，且变化趋势与实测趋势基本一致，实现锅炉效率、NO_X的准确预测。模型的更新与修正如图2所述原理与步骤。

再次，采用自适应遗传算法与动态优化边界条件相结合，分别对最佳氧量、一次风量以及各二次风门、燃尽风门进行在线寻优计算，使锅炉效率和污染物排放所构建的多目标函数在不同燃烧工况下达到最优范围。

此过程中，选用J＝a×(eff-eff_c)²+b×([NO_x]_c-[NO_x])²作为自适应遗传算法的适应度函数，其中eff、[NO_X]是根据不同工况与煤质下的试验调整后的最佳锅炉效率、NO_X排放值；eff_c、[NO_X]_c则是模型预测锅炉效率、NO_X的输出值；系数a取0.55，b取0.45。经过图3所述原理过程分别实现了最佳氧量、一次风量、各二次风门开度、各燃尽风门开度的寻优运算。通过项目实施后的验收数据统计，在配风优化系统连续投入的情况下锅炉效率平均提高了0.67％，NO_X降低了30mg/Nm³，超过了项目预期技术指标。

Claims (4)

1.一种基于在线模型预测的锅炉燃烧优化配风方法，其特征在于：

1)采用改进的BP神经网络建模技术构建锅炉燃烧预测模型数据库，在燃烧对象发生改变后对模型数据库进行在线修正与更新，实现锅炉效率、NO_X预测结果的实时性与准确性；

2)采用自适应遗传算法与动态优化边界条件相结合，分别对最佳氧量、一次风量以及各二次风门、燃尽风门进行在线寻优，使锅炉效率和污染物排放所构建的多目标函数在不同燃烧工况下达到最优范围。

2.根据权利要求1所述的基于在线模型预测的锅炉燃烧优化配风方法，其特征在于：所述的步骤1)改进的BP神经网络建模技术构建锅炉燃烧预测模型包括以下步骤：

1)首先，通过锅炉燃烧优化调整试验，分别获取不少于50组工况下的燃料量、送风量、氧量、煤质、排烟温度、大渣含碳量、飞灰含碳量、燃尽风率、环境温度、蒸发量作为预测模型输入，即input，锅炉效率和NO_X作为预测模型输出，即output，建立三层BP神经网络模型，神经网络的隐含层采用S型函数，输出层采用线性函数，并初始化网络学习过程参数，依次向数据库中输入input、output数据，然后依次取一个样本作为输入；

2)其次，开始神经网络计算输入层，通过网络将输入前向传播，其中a⁰为输入，m为网络层数，W为权值，b为偏置值，公式如下：

a⁰＝p

a^m+1＝f^m+1(W^m+1a^m+b^m+1)，m＝0,1,···,M-1

a＝a^m

3)再次，计算输出层与各层之间的误差，通过网络将敏感性反向传播，其中s^M为最后一层敏感性函数，f(n)代表网络函数，t代表样本目标输出，a代表网络输出，公式如下：

$s^M=-2\stackrel{\&CenterDot;}{F^M}\left(n^M\right)(t-a)$

$s^m=\stackrel{\&CenterDot;}{F^m}\left(n^m\right){\left(W^{m+1}\right)}^T{s}^{m+1},m=M-1,...,2,1$

4)然后，根据计算的误差，使用最速下降法更新权值和偏置值，其中α为学习率；

W^m(k+1)＝W^m(k)-αs^m(a^m-1)^T

b^m(k+1)＝b^m(k)-αs^m

为提高收敛性能，加入一阶滤波器，其中ω(k)是滤波器输入，y(k)是滤波器输出，γ是动量系数，满足0≤γ<1，公式如下：

y(k)＝γy(k-1)+(1-γ)ω(k)

5)由步骤4)得更新的权值和偏置值，如下公式：

△W^m(k)＝-αs^m(a^m-1)^T

△b^m(k)＝-αs^m

6)将公式△W^m(k)＝γ△W^m(k-1)-(1-γ)αs^m(a^m-1)^T

△b^m(k)＝γ△b^m(k-1)-(1-γ)αs^m

代入步骤5)的公式，得到反向传播的动量改进公式，更新权值和偏置值计算方法，如下：

将改进算法得到的新W和b重新代入步骤2)直到满足(t-a)²<ε，或达到最大学习次数，则终止学习，即得到模型的预测锅炉效率与NO_X的输出值，其中ε为设置的最小均方误差。

3.根据权利要求1所述的基于在线模型预测的锅炉燃烧优化配风方法，其特征在于：所述的步骤1)预测模型的数据库修正与更新包括以下步骤：

1)将锅炉效率、NO_X进行对比，当比较偏差平均大于预设值炉效偏差0.2％，则进行模型数据库的更新，更新范围为该测试工况下的数据样本点为20～50组工况数据，更新过程中对已录入的数据在线进行修正；

2)将需要更新的模型数据库按照模型建立的初始工况划分，完成数据库的定位修正或更新，并将模型的操作过程形成日志。

4.根据权利要求1所述的基于在线模型预测的锅炉燃烧优化配风方法，其特征在于：所述的步骤2)包括以下步骤：

1)首先，初始化，设置进化代数计数器t＝0，设置最大进化代数T，随机生成M个个体作为初始群体P(0)；

2)其次，个体评价，计算群体P(t)中各个个体的适应度，为使锅炉效率与NO_X排放总体达到最优，采用的适应度函数为：

J＝a×(eff-eff_c)²+b×([NO_x]_c-[NO_x])²

式中：eff——锅炉理想燃烧效率，一般由不同工况下的锅炉燃烧优化性能试验得到；

eff_c——实际燃烧效率，取模型输出值；

[NO_X]——氮氧化物排放的最低值，或者理想值，一般由锅炉燃烧优化性能试验得到；

[NO_X]_C——实际氮氧化物排放量，取自模型输出值；

a、b——两项输出值的加权系数，取决于对效率和排放物的关注程度。

3)然后，选择运算，将选择算子作用于群体，把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代，选择操作是建立在群体中个体的适应度评估基础上；

4)再次，进行交叉运算，将交叉算子作用于群体，遗传算法中起核心作用的就是交叉概率，变异运算，将变异算子作用于群体，即是对群体中的个体串的某些基因座上的基因值作变动，其核心参数就是变异概率，自适应遗传算法是针对交叉概率P_c和变异概率P_m随遗传代数增加而不断根据需要进行自动调整，能够快速随适应度的变化而变化，调整公式如下：

$P_c=\left\{\begin{array}{c}\frac{k_1\left(f_{\max }-f^{,}\right)}{f_{\max }-f_{avg}},f^{,}\&GreaterEqual;f_{avg}\\ k_2,f^{,}<f_{avg}\end{array}\right.$

$P_m=\left\{\begin{array}{c}\frac{k_3\left(f_{\max }-f\right)}{f_{\max }-f_{avg}},f\&GreaterEqual;f_{avg}\\ k_4,f<f_{avg}\end{array}\right.,k_1,k_2,k_3,k_4\&Element;\left(0,1\right)$

式中：f_max——群体的最大适应度值；

f_avg——每代群体的平均适应度值；

f’——参与交叉个体的较大适应度值；

f——变异个体的适应度值。

群体P(t)经过选择、交叉、变异运算之后得到下一代群体P(t+1)。

5)对于遗传算法进行终止条件判断：若t＝T，则以进化过程中所得到的具有最大适应度个体作为最优解输出，终止计算；

6)最后，在优化过程中，对最佳氧量、一次风量以及各二次风门、燃尽风门各优化参数进行优化边界限制，且优化边界参数采用不同燃烧负荷状态下的可调整动态边界，使其能在工况稳定的情况下采用小范围稳定调整，变工况条件时采用变工况快速安全调整，以确保整个优化过程的稳定性与准确性。