CN108426266A - 锅炉燃烧控制系统和方法 - Google Patents

Abstract

本发明提供了一种锅炉燃烧控制系统和方法，属于锅炉燃烧控制技术领域。该系统包括：接收模块，在每一个时刻接收k‑n时刻至k时刻的锅炉燃烧参数；处理模块，在每一个时刻根据k‑n时刻至k时刻的包括二次风门开度的锅炉燃烧参数利用免疫遗传算法寻优得到k+1时刻的二次风门开度控制量；控制模块，在每一个时刻根据k+1时刻的开度控制量对锅炉的k+1时刻的二次风门开度进行调整；其中n大于0。本发明通过对过去一段时间内的二次风门开度采用免疫遗传算法进行寻优得到最优的二次风门开度，并据此来调整二次风门的开度，通过本发明提供的技术方案来调整二次风门的开度，提高锅炉的燃烧效率的同时氮氧化物的排放也大幅下降。

Description

锅炉燃烧控制系统和方法

技术领域

本发明涉及锅炉燃烧控制技术，具体地涉及锅炉燃烧控制系统和方法。

背景技术

燃烧优化是现役电站锅炉节能减排的重要手段。目前所采用的锅炉常规燃烧控制系统仅能根据不同的负荷需求来控制所需的总的给煤量、总的送风量等，但锅炉的燃烧器有多层，各层燃烧器的给煤量、风量如何分配，会影响到锅炉的燃烧工况，从而会影响到锅炉的燃烧效率和烟气中氮氧化物(NOx)的排放，而目前各层燃烧器的给煤量基本上采用的是均等分配，显然不是最优的；而对于送风，目前只是计算了不同负荷下的总风量，但锅炉送风是通过不同层(高度)的辅助风、燃尽风加入到炉膛进行燃烧的，在锅炉总风量一定的情况下如何分配这些不同层(高度)的风量，会明显影响锅炉的燃烧工况，从而会影响锅炉的燃烧效率和烟气中NOx的排放。目前优化系统各层送风量的分配是按一定的经验规则来分配的，未达到最优。显然，无论是各层给煤量的分配还是各层送风量的分配，目前都是“粗放式”的，需要进一步对其进行优化。

目前对锅炉的控制是通过人为手动调节，由锅炉大修后的燃烧调整试验确定，不能随着煤种、环境温度、负荷等运行工况的变化进行自动实时修正，仅依靠运行人员根据自己的运行经验进行调整，最终使得锅炉运行经济性较差，设备使用寿命缩短，无法使锅炉在最佳的工况下运行。

目前锅炉燃烧优化方法基本都是采用静态模型，无法适应锅炉大范围变负荷等动态情况下进行燃烧优化的需要，同时也缺乏对由煤质变化等因素引起的燃烧特性变化的适应能力。

发明内容

本发明的目的是提供一种锅炉燃烧控制系统和方法，用于解决动态自适应控制锅炉的二次风门开度的问题。

为了实现上述目的，本发明提供了一种锅炉燃烧控制系统，该系统包括：接收模块，用于在每一个时刻接收k-n时刻至k时刻的锅炉燃烧参数；处理模块，用于在每一个时刻根据k-n时刻至k时刻的包括二次风门开度的锅炉燃烧参数利用免疫遗传算法寻优得到k+1时刻的二次风门开度控制量；以及控制模块，用于在每一个时刻根据所述k+1时刻的开度控制量对所述锅炉的k+1时刻的二次风门开度进行调整；其中n大于0。

优选地，所述接收模块还用于在每一个时刻接收k-m-n时刻至k时刻的锅炉燃烧参数；所述系统还包括：预测模块，用于在每一个时刻根据所接收的k-m-n时刻至k时刻的m组锅炉燃烧参数通过预测模型分别预测得到氮氧化物浓度和燃烧效率的k-m+1时刻至k+1时刻的与m组锅炉燃烧参数分别一一对应的m组预测值；以及目标函数计算模块，用于在每一个时刻计算k-m+1时刻至k+1时刻的预测值的目标函数值，即目标函数预测值；所述处理模块还用于以所述目标函数预测值为抗原利用免疫遗传算法寻优得到k+1时刻的二次风门开度控制量；其中m大于0。

优选地，所述预测模型以多组锅炉燃烧参数为输入变量并以对应的氮氧化物浓度和燃烧效率为输出变量训练得到，所述预测模型的输入变量为t-i时刻至t时刻的辅助风门开度、燃尽风门开度、给煤量偏置、烟气中含氧量偏置、氮氧化物浓度和燃烧效率，对应的所述预测模型的输出变量为t+1时刻的氮氧化物浓度和燃烧效率；其中i大于0；所述接收模块还用于接收所述多组锅炉燃烧参数和对应的氮氧化物浓度和燃烧效率。

优选地，其特征在于，所述接收模块还用于在每一个时刻接收氮氧化物浓度和燃烧效率的k-m+1时刻至k+1时刻的测量值；所述目标函数计算模块还用于在每一个时刻计算k-m+1时刻至k+1时刻的测量值的目标函数值，即目标函数测量值；以及所述系统还包括更新模块，用于根据所述目标函数预测值和所述目标函数测量值对所述预测模型进行更新。

优选地，该系统还包括：偏差计算模块，用于在每一个时刻计算所述目标函数预测值与所述目标函数测量值之间的偏差，得到预测偏差；所述更新模块还用于在所述预测偏差大于或等于所述预定偏差阈值的情况下，将k-m-n时刻至k时刻的m组锅炉燃烧参数分别作为输入变量及将k-m+1时刻至k+1时刻的与所述m组锅炉燃烧参数一一对应的m组预测值分别作为输出变量加入所述预测模型的训练集，对所述预测模型进行重新训练，以对所述预测模型进行更新。

相应地，本发明还提供了一种锅炉燃烧控制方法，该方法包括：在每一个时刻接收k-n时刻至k时刻的锅炉燃烧参数；在每一个时刻根据k-n时刻至k时刻的包括二次风门开度的锅炉燃烧参数利用免疫遗传算法寻优得到k+1时刻的二次风门开度控制量；以及在每一个时刻根据所述k+1时刻的开度控制量对所述锅炉的k+1时刻的二次风门开度进行调整；其中n大于0。

优选地，该方法还包括：在每一个时刻接收k-m-n时刻至k时刻的锅炉燃烧参数；在每一个时刻根据所接收的k-m-n时刻至k时刻的m组锅炉燃烧参数通过预测模型分别预测得到氮氧化物浓度和燃烧效率的k-m+1时刻至k+1时刻的与m组锅炉燃烧参数分别一一对应的m组预测值；在每一个时刻计算k-m+1时刻至k+1时刻的预测值的目标函数值，即目标函数预测值；以及以所述目标函数预测值为抗原利用免疫遗传算法寻优得到k+1时刻的二次风门开度控制量；其中m大于0。

优选地，所述预测模型以多组锅炉燃烧参数为输入变量并以对应的氮氧化物浓度和燃烧效率为输出变量训练得到，所述预测模型的输入变量为t-i时刻至t时刻的辅助风门开度、燃尽风门开度、给煤量偏置、烟气中含氧量偏置、氮氧化物浓度和燃烧效率，对应的所述预测模型的输出变量为t+1时刻的氮氧化物浓度和燃烧效率；其中i大于0；其中所述方法还包括接收所述多组锅炉燃烧参数和对应的氮氧化物浓度和燃烧效率。

优选地，该方法还包括：在每一个时刻接收氮氧化物浓度和燃烧效率的k-m+1时刻至k+1时刻的测量值；在每一个时刻计算k-m+1时刻至k+1时刻的测量值的目标函数值，即目标函数测量值；以及根据所述目标函数预测值和所述目标函数测量值对所述预测模型进行更新。

优选地，该方法还包括：在每一个时刻计算所述目标函数预测值与所述目标函数测量值之间的偏差，得到预测偏差；在所述预测偏差大于或等于所述预定偏差阈值的情况下，将k-m-n时刻至k时刻的m组锅炉燃烧参数分别作为输入变量及将k-m+1时刻至k+1时刻的与所述m组锅炉燃烧参数一一对应的m组预测值分别作为输出变量加入所述预测模型的训练集，对所述预测模型进行重新训练，以对所述预测模型进行更新。

通过上述技术方案，本发明通过对过去一段时间内的二次风门开度采用免疫遗传算法进行寻优得到最优的二次风门开度，并据此来调整二次风门的开度，通过本发明提供的技术方案来调整二次风门的开度，提高锅炉的燃烧效率的同时氮氧化物的排放也大幅下降。

本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：

图1是本发明提供的锅炉燃烧控制系统的框图；

图2是本发明提供的另一锅炉燃烧控制系统的框图；

图3是本发明提供的预测模型更新过程流程图；以及

图4是本发明提供的锅炉燃烧控制方法的流程图。

具体实施方式

以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。

图1是本发明提供的锅炉燃烧控制系统的框图，如图1所示，该系统包括接收模块101、处理模块102和控制模块103，接收模块101用于在每一个时刻接收k-n时刻至k时刻的锅炉燃烧参数；处理模块102用于在每一个时刻根据k-n时刻至k时刻的包括二次风门开度的锅炉燃烧参数利用免疫遗传算法寻优得到k+1时刻的二次风门开度控制量；控制模块103用于在每一个时刻根据所述k+1时刻的开度控制量对所述锅炉的k+1时刻的二次风门开度进行调整；其中n大于0。

其中，n例如可以等于2，那么接收模块101接收k-2时刻、k-1时刻和k时刻的锅炉燃烧参数，处理模块102对k-2时刻、k-1时刻和k时刻的锅炉燃烧参数通过免疫遗传算法进行寻优得到k+1时刻的二次风门开度控制量。其中，锅炉燃烧参数包括二次风门开度，所以，处理模块102可以通过对k-2时刻、k-1时刻和k时刻的锅炉燃烧参数中的二次风门开度进行寻优得到k-2时刻、k-1时刻和k时刻的二次风门开度中的最优二次风门开度。

本领域技术人员应当理解，以上技术方案是动态地在每一个时刻实时执行的，例如，如果以上k时刻理解为当前时刻，那么当到达相对当前时刻的下一时刻即k+1时刻时，那么k+1时刻即为当前时刻。本领域技术人员应当理解，本发明提供的整个过程是在每一个时刻实时进行的。

本发明中k+1时刻、k-1时刻中的1可以表示1个时间单位、k-2时刻中的2可以表示2个时间单位，k-n时刻中的n表示n个时间单位，k表示一个时刻，例如15:00。对于当前时刻为15:00时刻来说，k为15:00，可以根据14:50至15:00(这里n＝10，1个时间单位为1分钟)的锅炉燃烧参数得到15:01的二次风门开度控制量，在时间到达15:01时，k为15:01，可以根据14:51至15:01的锅炉燃烧参数得到15:02的二次风门开度控制量。其中，在k为06:35、1个时间单位为10秒、n＝6的情况下，k-n为06:34。

这里对于k和n的举例仅仅是为了使本发明更加清楚并仅仅是示意，并不用于限制本发明。

其中，本发明利用免疫遗传算法对k-n时刻至k时刻的锅炉燃烧参数进行寻优，这里锅炉燃烧参数可以包括辅助风门开度、燃尽风门开度、给煤量偏置、含氧量偏置、氮氧化物浓度和燃烧效率，此外本领域技术人员可以根据实际情况选取作为抗原的参数，本发明中将在下文中介绍以目标函数作为抗原的情况。

本发明中所描述的二次风门包括辅助风门和燃尽风门。

图2是本发明提供的另一锅炉燃烧控制系统的框图，如图2所示，该系统还包括预测模块104和目标函数计算模块105。接收模块101还用于在每一个时刻接收k-m-n时刻至k时刻的锅炉燃烧参数；预测模块104用于在每一个时刻根据所接收的k-m-n时刻至k时刻的m组锅炉燃烧参数通过预测模型分别预测得到氮氧化物浓度和燃烧效率的k-m+1时刻至k+1时刻的与m组锅炉燃烧参数分别一一对应的m组预测值；目标函数计算模块105用于在每一个时刻计算k-m+1时刻至k+1时刻的预测值的目标函数值，即目标函数预测值；处理模块102还用于以目标函数预测值为抗原利用免疫遗传算法寻优得到k+1时刻的二次风门开度控制量；其中m大于0。

k-m-n时刻至k时刻的锅炉燃烧参数包括m组锅炉燃烧参数，其中，k-m-n时刻至k-m时刻的锅炉燃烧参数为第1组锅炉燃烧参数、k-m-n+1时刻至k-m+1时刻的锅炉燃烧参数为第2组锅炉燃烧参数，以此类推，k-n时刻至k时刻的锅炉燃烧参数为第m组锅炉燃烧参数。类似地，氮氧化物浓度和燃烧效率的k-m+1时刻至k+1时刻的预测值包括m组预测值，其中，氮氧化物浓度和燃烧效率的k-m+1时刻的预测值为第1组预测值，氮氧化物浓度和燃烧效率的k-m+2时刻的预测值为第2组预测值，以此类推，k+1时刻的预测值为第m组预测值。容易理解，第1组锅炉燃烧参数与第1组预测值对应，第2组锅炉燃烧参数与第2组预测值对应，以此类推，第m组锅炉燃烧参数与第m组预测值对应。进一步地，将第1组锅炉燃烧参数作为预测模型的输入变量，通过预测模型预测得到第1组预测值，将第2组锅炉燃烧参数作为预测模型的输入变量，通过预测模型预测得到第2组预测值，以此类推，将第m组锅炉燃烧参数作为预测模型的输入变量，通过预测模型预测得到第m组预测值。

其中，k-m-n时刻中的k表示一个时间，m可以表示m个时间单位，n可以表示n个时间单位，同样k-m-n+1时刻、k-m+1时刻中的1可以表示1个时间单位，类似地，本发明中的其他类似术语与此类似。

可以同时多个时刻的氮氧化物浓度和燃烧效率进行预测，以得到多个时刻的预测值，例如，可以同时对10秒的氮氧化物浓度和燃烧效率进行预测，假设1秒对应1组预测值，则m可以为10。本发明不限于此，技术人员可以根据实际情况对m进行设定。

应当理解，燃烧优化的目标是在提供锅炉热效率的同时兼顾氮氧化物的排放，是一个多目标优化问题，本发明将这个多目标优化问题通过目标函数转化为单目标优化问题，使得未来一段时间内锅炉的平均效率和排放达到最优。目标函数如式(1)所示：

式(1)中，[η(t+j)]为t+j时刻归一化之后的锅炉的燃烧效率的预测值，[NO_x(t+j)]为t+j时刻归一化之后的氮氧化物浓度的预测值，a为燃烧效率的预测值的权重，b为氮氧化物浓度的预测值的权重，P₁为燃烧效率的预测值的优化时域，P₂为氮氧化物浓度的预测值的优化时域。本发明中以P₁＝P₂为例进行说明，这里P₁和P₂可以理解为上文中所描述的k-m+1时刻至k+1时刻。将k-m+1时刻至k+1时刻的氮氧化物浓度和燃烧效率的预测值代入式(1)中计算得到的值即为目标函数预测值。式(1)中的t+j中的t表示一个时间，j表示j个时间单位。

其中，本发明以目标函数预测值作为抗原，将辅助风门开度、燃尽风门开度和含氧量偏置作为抗体，把锅炉厂或经燃烧调整实验给出的(辅助风门和燃尽风门的)操作量的值作为初始记忆细胞，与随机产生的抗体共同构成初始种群。

根据是(2)计算每隔抗体的抗原亲和力，并根据式(3)计算与每个抗体与其他抗体之间的亲和力。

(A_g)_i＝1/[1+t_i] (2)

(A_b)_ij＝1/[1+H(2)] (3)

式(2)中，t_i为抗原与抗体i之间的匹配程度，(A_g)_i＝1(即t_i＝0)说明抗体与抗原完全匹配，也就是说，在(A_g)_i＝1时这个抗体是最优的解。式(3)中，H(2)为抗体i与抗体j两者之间的平均信息熵。

本领域技术人员应当理解，本发明所采用的免疫遗传算法为本领域的已知技术，本发明采用现有技术中已知的免疫遗传算法来对k-n时刻至k时刻(即相对当前时刻的之前一段时间)的二次风门(包括辅助风门和燃尽风门)的开度进行寻优，以得到k+1时刻的二次风门开度的控制量。这里需要说明的是，在调整风门开度的时候，需要在一个阈值之内，一般风门开度上下限可以在锅炉厂或经燃烧调整试验给出的“负荷—开度”变化曲线的基础上上下浮动10％，变化速率上下限一般可设置为5％。

预测模型可以采用现有技术中已知的预测算法得到，例如支持向量机，无论采用何种预测算法，预测模型都可以通过如下方式得到：预测模型以多组锅炉燃烧参数为输入变量并以对应的氮氧化物浓度和燃烧效率为输出变量训练得到，所述预测模型的输入变量为t-i时刻至t时刻的辅助风门开度、燃尽风门开度、给煤量偏置、烟气中含氧量偏置、氮氧化物浓度和燃烧效率，对应的所述预测模型的输出变量为t+1时刻的氮氧化物浓度和燃烧效率；其中t大于0；接收模块101还用于接收多组锅炉燃烧参数和对应的氮氧化物浓度和燃烧效率。其中t-i时刻和t+1时刻中的t表示一个时间，例如05:25，i表示i个时间单位，1表示1个时间单位，例如假设1个时间单位为1分钟，i个时间单位为i分钟。

应当理解的是，一组锅炉燃烧参数包括t-i时刻至t时刻的辅助风门开度、燃尽风门开度、给煤量偏置、烟气中含氧量偏置、氮氧化物浓度和燃烧效率，预测模型需要多组这样的数据作为输入变量即与之对应的多组氮氧化物浓度和燃烧效率作为输出变量来训练得到，通过上文的描述，应当理解的是在输入变量为t-i时刻至t时刻的锅炉燃烧参数的情况下，输出变量为t+1时刻的氮氧化物浓度和燃烧效率。

利用免疫遗传算法寻优得到的二次风门开度是根据k-n时刻至k时刻的锅炉燃烧参数得到的，这里寻优得到的二次风门开度是作为k+1时刻的二次风门开度的，也就是说，未来一个时刻的二次风门开度是在过去一段时间的二次风门开度中寻优得到的，同样地，当前的二次风门开度也会影响以后的二次风门开度，而当前(k+1时刻)的二次风门开度以目标函数预测值为抗原利用免疫遗传算法寻优得到，可以看出，当前的二次风门开度与目标函数预测值有关，也就是与预测模型有关。容易理解，预测模型的好坏决定了二次风门开度的设置的优劣，所以需要对预测模型进行实时更新，以使得二次风门的开度达到最优，下面对预测模型的实时更新进行阐述。

接收模块101还用于在每一个时刻接收氮氧化物浓度和燃烧效率的k-m+1时刻至k+1时刻的测量值；目标函数计算模块105还用于在每一个时刻计算k-m+1时刻至k+1时刻的测量值的目标函数值，即目标函数测量值；本发明提供的锅炉燃烧控制系统还包括更新模块(图中未示出)，更新模块用于根据目标函数预测值和目标函数测量值对预测模型进行更新。

目标函数测量值的计算方法与目标函数预测值的计算方法类似，均采用式(1)来进行计算，在计算目标函数测量值时，[η(t+j)]为t+j时刻归一化之后的锅炉的燃烧效率的测量值，[NO_x(t+j)]为t+j时刻归一化之后的氮氧化物浓度的测量值。

目标函数计算模块105在每一个时刻都要计算目标函数测量值和目标函数预测值，更新模块是针对同一个时间段的目标函数预测值和目标函数测量值来对预测模型进行更新的，例如，更新模块是根据k-m+1时刻至k+1时刻的目标函数预测值和目标函数测量值来对预测模型进行更新的。然而，同一个时间段的目标函数预测值和目标函数测量值并不一定是同时计算的，例如，k-m+1时刻至k+1时刻的目标函数预测值可以在k-m+1时刻之前计算，而k-m+1时刻至k+1时刻的目标函数测量值可以在k+1时刻之后计算，当然，也可以在k+1时刻之后同时计算k-m+1时刻至k+1时刻的目标函数预测值和目标函数测量值。

此外，本发明提供的锅炉燃烧控制系统还包括偏差计算模块，偏差计算模块用于在每一个时刻计算目标函数预测值与目标函数测量值之间的偏差，得到预测偏差；更新模块还用于在预测偏差大于或等于预定偏差阈值的情况下，将k-m-n时刻至k时刻的m组锅炉燃烧参数分别作为输入变量及将k-m+1时刻至k+1时刻的与m组锅炉燃烧参数一一对应的m组预测值分别作为输出变量加入预测模型的训练集，对预测模型进行重新训练，以对预测模型进行更新。

在目标函数计算模块分别利用k-m+1时刻至k+1时刻的测量值和预测值计算得到目标函数测量值和目标函数预测值之后，偏差计算模块计算目标函数测量值与目标函数预测值之间的差值，即偏差，这里称为预测偏差，在预测偏差小于预定偏差阈值的情况下，说明氮氧化物浓度和锅炉效率还可以，预测模型不需要更新。然而，在预测偏差大于或等于预定偏差阈值的情况下，说明氮氧化物浓度和锅炉效率不理想，因而需要对预测模型进行更新，更新的方式是将大于或等于预定偏差阈值的预测偏差所对应的预测模型的输入变量和输出变量加入预测模型的训练集，对预测模型进行重新训练，以对预测模型进行更新。

例如，假设根据k-m+1时刻至k+1时刻的测量值计算得到的目标函数测量值与根据k-m+1时刻至k+1时刻的预测值计算得到的目标函数预测值之间的预测偏差大于或等于预定偏差阈值，则将k-m-n时刻至k时刻的m组锅炉燃烧参数和k-m+1时刻至k+1时刻的m组预测值加入预测模型的训练集。本领域技术人员应当立即，第1组锅炉燃烧参数与第1组预测值作为训练集的第1组输入输出向量组合加入训练集，第2组锅炉燃烧参数与第2组预测值作为训练集的第2组输入输出向量加入训练集，以此类推，第m组锅炉燃烧参数与第m组预测值作为训练集的第m组输入输出向量加入训练集。

图3是本发明提供的预测模型更新过程流程图，如图3所以，该流程包括：

步骤301，接收锅炉燃烧参数，如上文所描述的，这里接收多组锅炉燃烧参数。

步骤302，根据步骤301所接收的多组锅炉燃烧参数预测之后一段时间的氮氧化物浓度和燃烧效率，并将其称为预测值。

步骤303，接收在步骤302中所描述的“一段时间”的氮氧化物浓度和燃烧效率的测量值，也就是说这里的测量值和步骤302中的预测值是同一时间段的数据。

步骤304，根据步骤302中的预测值和步骤303中的测量值用目标函数(式(1))计算目标函数预测值和目标函数测量值。

步骤305，计算目标函数预测值和目标函数测量值之间的偏差，得到预测偏差。

步骤306，判断步骤305中所计算的预测偏差是否大于或等于预定偏差阈值，若判断结果为是则执行步骤307，若判断结果为否，即，预测偏差小于预定偏差阈值，则结束整个过程。

步骤307，更新预测模型，具体更新的过程在上文中已经阐述，于此不予赘述。

图4是本发明提供的锅炉燃烧控制方法的流程图，如图4所示，该方法包括：

步骤401，在每一个时刻接收k-n时刻至k时刻的锅炉燃烧参数；

步骤402，在每一个时刻根据k-n时刻至k时刻的包括二次风门开度的锅炉燃烧参数利用免疫遗传算法寻优得到k+1时刻的二次风门开度控制量；

步骤403，在每一个时刻根据k+1时刻的开度控制量对锅炉的k+1时刻的二次风门开度进行调整；

其中n大于0。

应当说明的是，本发明提供的锅炉燃烧控制方法的具体细节及益处与本发明提供的锅炉燃烧控制系统类似，于此不予赘述。

以上结合附图详细描述了本发明实施例的可选实施方式，但是，本发明实施例并不限于上述实施方式中的具体细节，在本发明实施例的技术构思范围内，可以对本发明实施例的技术方案进行多种简单变型，这些简单变型均属于本发明实施例的保护范围。

本发明利用预测算法(如，在线支持向量机)的非线性映射特性，建立锅炉燃烧系统的动态数学模型，并利用免疫遗传算法求解出最佳操作量(即，辅助风门和燃尽风门的开度控制量)，不仅可以实现锅炉动态燃烧优化，而且由于采用增量算法对预测模型进行在线修正(更新)，因而具备对煤质变化的适应能力。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施例对各种可能的组合方式不再另行说明。

本领域技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得单片机、芯片或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

此外，本发明实施例的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施例的思想，其同样应当视为本发明实施例所公开的内容。

Claims (10)

1.一种锅炉燃烧控制系统，其特征在于，该系统包括：

接收模块，用于在每一个时刻接收k-n时刻至k时刻的锅炉燃烧参数；

处理模块，用于在每一个时刻根据k-n时刻至k时刻的包括二次风门开度的锅炉燃烧参数利用免疫遗传算法寻优得到k+1时刻的二次风门开度控制量；以及

控制模块，用于在每一个时刻根据所述k+1时刻的开度控制量对所述锅炉的k+1时刻的二次风门开度进行调整；

其中n大于0。

2.根据权利要求1所述的系统，其特征在于，

所述接收模块还用于在每一个时刻接收k-m-n时刻至k时刻的锅炉燃烧参数；

所述系统还包括：

预测模块，用于在每一个时刻根据所接收的k-m-n时刻至k时刻的m组锅炉燃烧参数通过预测模型分别预测得到氮氧化物浓度和燃烧效率的k-m+1时刻至k+1时刻的与m组锅炉燃烧参数分别一一对应的m组预测值；以及

目标函数计算模块，用于在每一个时刻计算k-m+1时刻至k+1时刻的预测值的目标函数值，即目标函数预测值；

所述处理模块还用于以所述目标函数预测值为抗原利用免疫遗传算法寻优得到k+1时刻的二次风门开度控制量；

其中m大于0。

3.根据权利要求2所述的系统，其特征在于，所述预测模型以多组锅炉燃烧参数为输入变量并以对应的氮氧化物浓度和燃烧效率为输出变量训练得到，所述预测模型的输入变量为t-i时刻至t时刻的辅助风门开度、燃尽风门开度、给煤量偏置、烟气中含氧量偏置、氮氧化物浓度和燃烧效率，对应的所述预测模型的输出变量为t+1时刻的氮氧化物浓度和燃烧效率；

其中i大于0；

所述接收模块还用于接收所述多组锅炉燃烧参数和对应的氮氧化物浓度和燃烧效率。

4.根据权利要求2所述的系统，其特征在于，

所述接收模块还用于在每一个时刻接收氮氧化物浓度和燃烧效率的k-m+1时刻至k+1时刻的测量值；

所述目标函数计算模块还用于在每一个时刻计算k-m+1时刻至k+1时刻的测量值的目标函数值，即目标函数测量值；以及

所述系统还包括更新模块，用于根据所述目标函数预测值和所述目标函数测量值对所述预测模型进行更新。

5.根据权利要求4所述的系统，其特征在于，该系统还包括：

偏差计算模块，用于在每一个时刻计算所述目标函数预测值与所述目标函数测量值之间的偏差，得到预测偏差；

所述更新模块还用于在所述预测偏差大于或等于所述预定偏差阈值的情况下，将k-m-n时刻至k时刻的m组锅炉燃烧参数分别作为输入变量及将k-m+1时刻至k+1时刻的与所述m组锅炉燃烧参数一一对应的m组预测值分别作为输出变量加入所述预测模型的训练集，对所述预测模型进行重新训练，以对所述预测模型进行更新。

6.一种锅炉燃烧控制方法，其特征在于，该方法包括：

在每一个时刻接收k-n时刻至k时刻的锅炉燃烧参数；

在每一个时刻根据k-n时刻至k时刻的包括二次风门开度的锅炉燃烧参数利用免疫遗传算法寻优得到k+1时刻的二次风门开度控制量；以及

在每一个时刻根据所述k+1时刻的开度控制量对所述锅炉的k+1时刻的二次风门开度进行调整；

其中n大于0。

7.根据权利要求6所述的方法，其特征在于，该方法还包括：

在每一个时刻接收k-m-n时刻至k时刻的锅炉燃烧参数；

在每一个时刻根据所接收的k-m-n时刻至k时刻的m组锅炉燃烧参数通过预测模型分别预测得到氮氧化物浓度和燃烧效率的k-m+1时刻至k+1时刻的与m组锅炉燃烧参数分别一一对应的m组预测值；

在每一个时刻计算k-m+1时刻至k+1时刻的预测值的目标函数值，即目标函数预测值；以及

以所述目标函数预测值为抗原利用免疫遗传算法寻优得到k+1时刻的二次风门开度控制量；

其中m大于0。

8.根据权利要求7所述的方法，其特征在于，所述预测模型以多组锅炉燃烧参数为输入变量并以对应的氮氧化物浓度和燃烧效率为输出变量训练得到，所述预测模型的输入变量为t-i时刻至t时刻的辅助风门开度、燃尽风门开度、给煤量偏置、烟气中含氧量偏置、氮氧化物浓度和燃烧效率，对应的所述预测模型的输出变量为t+1时刻的氮氧化物浓度和燃烧效率；

其中i大于0；

其中所述方法还包括接收所述多组锅炉燃烧参数和对应的氮氧化物浓度和燃烧效率。

9.根据权利要求7所述的方法，其特征在于，该方法还包括：

在每一个时刻接收氮氧化物浓度和燃烧效率的k-m+1时刻至k+1时刻的测量值；

在每一个时刻计算k-m+1时刻至k+1时刻的测量值的目标函数值，即目标函数测量值；以及

根据所述目标函数预测值和所述目标函数测量值对所述预测模型进行更新。

10.根据权利要求9所述的方法，其特征在于，该方法还包括：

在每一个时刻计算所述目标函数预测值与所述目标函数测量值之间的偏差，得到预测偏差；

在所述预测偏差大于或等于所述预定偏差阈值的情况下，将k-m-n时刻至k时刻的m组锅炉燃烧参数分别作为输入变量及将k-m+1时刻至k+1时刻的与所述m组锅炉燃烧参数一一对应的m组预测值分别作为输出变量加入所述预测模型的训练集，对所述预测模型进行重新训练，以对所述预测模型进行更新。