CN109506248A - 一种基于可在线寻优的案例推理查询式锅炉燃烧优化方法 - Google Patents

Abstract

本发明属于火电机组低负荷稳燃优化领域，具体涉及一种基于在线寻优的低负荷下锅炉燃烧优化方法。所述方法能够将离线优化与在线寻优联系起来，把离线寻优的结果储存到特定位置作为典型优化案例，按照负荷指令查询式把案例优化结果直接送入到现场DCS中控制各层风门挡板的开度，以此来调节风煤比来提升锅炉燃烧稳定性及经济性。

Description

一种基于可在线寻优的案例推理查询式锅炉燃烧优化方法

技术领域

本发明属于火电机组低负荷稳燃优化领域，具体涉及一种基于在线寻优的低负荷下锅炉燃烧优化方法，采用案例推理查询式寻优方法来确定低负荷下锅炉配风及最佳氧量定值。

背景技术

近年来，为了接纳更多的新能源并提高电网调峰调频的灵活性，大型燃煤锅炉稳燃问题日益突出。火力发电处于低负荷、变负荷时段越来越多，因此，如何更好的实现低负荷稳燃优化尤为重要。

现有技术中，对燃煤机组宽负荷、变负荷运行特性研究还很不深入，更缺乏必要的工程实践经验。研究者从各个角度对低负荷稳燃优化做了相关研究，目前，等离子点火和微油点火技术已逐步成熟，取代大油枪成为点火和低负荷稳燃的主要手段，但是该方法由于在工程上对设备要求严格，实施较为麻烦及困难，且需要人工的经验加持。

因此，亟需更加智能化的方法来提高锅炉燃烧的稳定性和效率。

发明内容

针对上述技术问题，本发明所提供一种基于在线寻优的低负荷下锅炉燃烧优化方法，能够将离线优化与在线寻优联系起来，把离线寻优的结果储存到特定位置作为典型优化案例，按照负荷指令查询式把案例优化结果直接送入到现场DCS中控制各层风门挡板的开度，以此来调节风煤比来提升锅炉燃烧稳定性及经济性。

本发明是通过以下技术方案实现的：

一种基于可在线寻优的案例推理查询式锅炉燃烧优化方法，所述方法包括以下步骤：

1)建立GA-LS-SVM模型，为了能实现查询到所有工况，将对应工况下的机组负荷、磨煤机运行方式，环境温度参数作为输入变量，进行排列组合后，输入到所述GA-LS-SVM模型中，采用GA算法计算出离线优化值；

2)将所述离线最优值写入案例推理(Case-Based Reasoning)CBR的专用数据库中，作为现场DCS的参考案例；

3)读取现场DCS负荷工况数据；

4)根据现场工况判断机组运行是否正常，在线寻优信号是否正常，若正常进行寻优则进行步骤5)，若不正常将不进行寻优，将当前值直接送回跳至步骤7)；

5)以现场机组负荷和磨煤机运行方式作为输入，在所述案例推理CBR的专用数据库中在线搜索获得相似案例；

6)输出和所述现场机组负荷和磨煤机运行方式对应的相似案例的离线最优值，查询结束；所述相似案例的离线最优值包括二次风门挡板开度、三次风门挡板开度及氧量定值；

7)将所述相似案例的离线最优值送入现场DCS；

8)在现场DCS，根据所述相似案例的离线最优值控制各层风门挡板开度以及氧量定值。

进一步地，在步骤1)中，建立GA-LS-SVM模型具体方法为：

(1)给定训练样本集：

{(x₁,y₁),(x₂,y₂),…,(x_t,y_t)}；x_i∈Rⁿ，y_i∈R，

其中，x_i,x_t为训练样本集的输入数据，y_i,y_t为训练样本集的输出数据，Rⁿ为n维实数集；

采用最小二乘支持向量机算法，利用高维特征空间中构造的最优决策函数y映射到高维特征空间：

其中，为核空间映射函数，w为权向量，b为常数；x₁,x₂,…x_n为核空间映射函数的输入向量；根据结构风险最小化原则确定参数w，b，等效为求解下列优化问题：

相应的Lagrange函数为：

其中，α＝[α₁,α₂,…α_n]为Lagrange乘子；c为正规化参数；ξ为训练集预测误差向量；

由最优解条件：

得：

整理后，得：

引入核函数整理得：

通过求解上式，得到模型参数α_i和b，确定决策函数

得到LS-SVM模型；

(2)利用遗传算法计算核函数参数σ和所述正规化参数c，将所述LS-SVM模型中的核函数选择径向基RBF函数，表达式为：

核函数参数σ和所述正规化参数c的计算方法为：1)对LS-SVM中正规化参数c和核函数参数σ进行二进制编码，然后随机产生初始化种群；

2)对初始化种群中的各染色体进行解码，得到十进制的正规化参数c和核函数参数σ；

3)用生成的正规化参数c和核函数参数σ的初始参数进行LS-SVM建模，适应度函数以模型精度为准；

4)如果满足模型精度则停止计算，输出最优参数，若不满足则执行交叉、变异和选择操作以产生新一代种群，并再次进行下一代操作；

5)判断种群的适应度是否满足精度要求，满足则给出最优核函数参数σ和正规化参数c，结束计算过程，若不满足则进行步骤6)；

6)判断种群是否满足最大遗传代数，满足则给出当前的核函数参数σ和正规化参数c，结束计算过程，若不满足则进行步骤4)；

将得到核函数参数σ和正规化参数c，进而代入下述线性方程

得到GA-LS-SVM模型参数α_i和b，确立GA-LS-SVM模型。

进一步地，在步骤2)中，在所述案例推理CBR的专用数据库中，存储着每一种工况下对应的机组负荷和磨煤机运行方式、以及每一种工况下对应的离线最优值，该离线最优值包括每一种工况下对应的二次风门挡板开度、三次风门挡板开度及氧量定值。

进一步地，步骤5)中，在所述案例推理CBR的专用数据库中在线搜索获得相似案例，在线搜索包括：基于输入偏差与输入权重来判断相似案例进行在线搜索，所述输入权重的选择是根据现场输入数据对输出的影响程度在线调整选择，在若干个相似度大于给定阈值的相似案例中，通过融合计算后寻找到最优值。

进一步地，所述在线搜索具体方法为：

令w_i为案例查询比较时每个输入所占权重，每个输入给定的权重取值大于零且所有输入的权重值和为1，使用时对权重值进行标幺化处理，第i个输入的权重为：

计算流程为：

1)读取输入参数：In_j，j＝1,…,InputNum；

2)与案例库中的每个案例进行对比，计算相似度：

其中Similarity_i为与第i个案例的相似度；

CbrIn_i,j为案例i的第j个输入；

Max_j,Min_j为第j个输入的最大值与最小值；abs为绝对值函数；

3)选择相似度大于阈值T_h(T_h＝0.9)的3个案例，在案例库中编号分别为A，B，C，按大小排序，对案例输出根据输入相似度加权平均，得到输出：

Out_k＝(Similarity_A*CbrOut_A,k+Similarity_B*CbrOut_B,k+Similarity_C*CbrOut_C,k)/(Similarity_A+Similarity_B+Similarity_C)

其中k＝1,…,OutNum；CbrOut_A,k为案例A的第k个输出；

若相似度大于阈值Th的案例数少于3，则根据案例数量对案例输出进行加权平均，得到模块输出；

若没有相似度大于阈值Th的案例，则输出保持不变。

本发明的有益技术效果：

相比于现有技术中的优化方法，本发明所述方法结合离线优化与在线寻优，既减少了在工程实施上的麻烦，同时增加了在线查询的实时性，离线优化的快速高效性。

并且，本发明所述方法把离线寻优的结果储存到案例推理CBR的专用数据库中作为典型优化案例，按照现场负荷工况数据，指令查询式把案例优化结果直接送入到现场DCS中控制各层风门挡板的开度，以此能够调节风煤比来提升锅炉燃烧稳定性及经济性。

附图说明

图1为本发明实施例中一种基于在线寻优的低负荷下锅炉燃烧优化方法流程示意图；

图2为采用本发明实施例中一种基于在线寻优的低负荷下锅炉燃烧优化方法进行优化前后NOx浓度对比图；

图3为采用本发明实施例中一种基于在线寻优的低负荷下锅炉燃烧优化方法进行优化前后锅炉效率对比图。

图4为本发明实施例中核函数参数σ和所述正规化参数c的具体的算法流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细描述。应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。

相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。

针对现有技术中，等离子点火和微油点火技术在工程上对设备要求严格，实施较为麻烦及困难，且需要人工的经验加持的技术问题，如图1所示，本发明实施例提供一种基于在线寻优的低负荷下锅炉燃烧优化方法，所述方法包括以下步骤：

1)建立GA-LS-SVM模型，为了能实现查询到所有工况，将对应工况下的机组负荷、磨煤机运行方式，环境温度参数作为输入变量，进行排列组合后，输入到所述GA-LS-SVM模型中，采用GA算法计算出离线优化值；其中，磨煤机运行方式包括磨煤机运行或者不运行的状态，磨煤机工作的用1表示，0表示不运行；将每一种工况下对应的机组负荷和磨煤机运行方式等参数进行排列组合后作为输入变量，能够确保现场的所有工况都能查询到相应的优化值。并且，利用GA算法计算出离线优化值，保证电厂按照最优效率运行。

2)将所述离线最优值写入案例推理CBR的专用数据库中，作为现场DCS的参考案例；在所述案例推理CBR的专用数据库中，存储着每一种工况下对应的机组负荷和磨煤机运行方式、以及在该工况下对应的离线最优值，该离线最优值包括，在该工况下，二次风门挡板开度、三次风门挡板开度及氧量定值；优选地，其中，采用Rtblock软件将所述离线最优值写入案例推理CBR的专用数据库中。

3)读取现场DCS负荷工况数据；

4)根据现场工况，判断机组运行是否正常，在线寻优信号是否正常，正常则开始寻优，若正常进行寻优则进行步骤5)，若不正常将不在进行寻优，将当前值直接送回跳至步骤7)；

5)以现场机组负荷和磨煤机运行方式作为输入，在所述案例推理CBR的专用数据库中在线搜索获得相似案例；

6)输出和所述现场机组负荷和磨煤机运行方式对应的相似案例的离线最优值，查询结束；所述相似案例的离线最优值包括二次风门挡板开度、三次风门挡板开度及氧量定值；

7)将所述相似案例的离线最优值送入现场DCS；

8)在现场DCS，根据所述相似案例的离线最优值控制各层风门挡板开度以及氧量定值。

其中，在步骤1)中，建立GA-LS-SVM模型具体为：

(1)给定训练样本集：

{(x₁,y₁),(x₂,y₂),…,(x_t,y_t)}，x_i∈Rⁿ，y_i∈R，

其中，x_i,x_t为训练样本集的输入数据，y_i,y_t为训练样本集的输出数据，Rⁿ为n维实数集。

最小二乘支持向量机基本思想是用一个非线性映射函数将数据映射到一个高维特征空间，然后在高维空间进行线性回归，最后映射回原空间完成输入空间的线性回归。

利用高维特征空间中构造的最优决策函数y：

映射到高维特征空间：

其中，为核空间映射函数，w为权向量，b为常数；x₁,x₂,…x_n为该函数的输入向量，根据结构风险最小化原则确定参数w，b，等效为求解下列优化问题：

相应的Lagrange函数为：

其中，α＝[α₁,α₂,…α_n]为Lagrange乘子；c为正规化参数；ξ为训练集预测误差向量。

由最优解条件：

得：

整理后，得：

引入核函数，整理得：

通过求解上式，得到模型参数α_i和b，确定决策函数

得到LS-SVM模型

2)利用遗传算法计算核函数参数σ和所述正规化参数c，将所述

LS-SVM模型中的核函数选择径向基RBF函数，表达式为：

如图4所示，核函数参数σ和所述正规化参数c的计算方法为：

1)对LS-SVM中正规化参数c和核函数参数σ进行二进制编码，然后随机产生初始化种群；

2)对初始化种群中的各染色体进行解码，得到十进制的正规化参数c和核函数参数σ；

3)用生成的正规化参数c和核函数参数σ的初始参数进行LS-SVM建模，适应度函数以模型精度为准；

4)如果满足模型精度则停止计算，输出最优参数，若不满足则执行交叉、变异和选择操作以产生新一代种群，并再次进行下一代操作；

5)判断种群的适应度是否满足精度要求，满足则给出最优核函数参数σ和正规化参数c，结束计算过程，若不满足则进行步骤6)；

6)判断种群是否满足最大遗传代数，满足则给出当前的核函数参数σ和正规化参数c，结束计算过程，若不满足则进行步骤4)；

将得到核函数参数σ和正规化参数c，进而代入下述线性方程

得到GA-LS-SVM模型参数α_i和b，确立GA-LS-SVM模型。

在步骤2)中，在所述案例推理CBR的专用数据库中，存储着每一种工况下对应的机组负荷和磨煤机运行方式、以及每一种工况下对应的离线最优值，该离线最优值包括每一种工况下对应的二次风门挡板开度、三次风门挡板开度及氧量定值。

步骤5)中，在所述案例推理CBR的专用数据库中在线搜索获得相似案例，在线搜索包括：基于输入偏差与输入权重来判断相似案例进行在线搜索，所述输入权重的选择是根据现场输入数据对输出的影响程度在线调整选择，在若干个相似度大于给定阈值的相似案例中，通过融合计算后寻找到最优值。

所述在线搜索具体方法为：

令w_i为案例查询比较时每个输入所占权重，权重越大，该输入越重要。每个输入给定的权重取值大于零且其和为1，使用时对其进行标幺化处理，第i个输入的权重为：

具体计算流程为：

1)读取输入参数：In_j，j＝1,…,InputNum；

2)与案例库中的每个案例进行对比，计算相似度：

其中Similarity_i为与第i个案例的相似度；

CbrIn_i,j为案例i的第j个输入；

Max_j,Min_j为第j个输入的最大值与最小值；abs为求取绝对值；

3)选择相似度大于阈值T_h(T_h＝0.9)的3个案例，在案例库中编号分别为A，B，C，按大小排序，对案例输出根据输入相似度加权平均，得到输出：

Out_k＝(Similarity_A*CbrOut_A,k+Similarity_B*CbrOut_B,k+Similarity_C*CbrOut_C,k)/(Similarity_A+Similarity_B+Similarity_C)

其中k＝1,…,OutNum；CbrOut_A,k为案例A的第k个输出。

若相似度大于阈值Th的案例数少于3，则根据案例数量对案例输出进行加权平均，得到模块输出；

若没有相似度大于阈值Th的案例，则输出保持不变。

经过实际工程的应用，以东北某电厂350MW机组为研究对象，通过案例推理查询式寻优方法，得到了图2和图3的最终结果，可以看出，优化后的NOx浓度有了较明显的降低，而在同一负荷下的锅炉效率有了较明显的提高，燃烧效率提高0.3％以上。

Claims (5)

1.一种基于可在线寻优的案例推理查询式锅炉燃烧优化方法，其特征在于，所述方法包括以下步骤：

1)建立GA-LS-SVM模型，为了能实现查询到所有工况，将对应工况下的机组负荷、磨煤机运行方式，环境温度参数作为输入变量，进行排列组合后，输入到所述GA-LS-SVM模型中，采用GA算法计算出离线优化值；

2)将所述离线最优值写入案例推理CBR的专用数据库中，作为现场DCS的参考案例；

3)读取现场DCS负荷工况数据；

4)根据现场工况判断机组运行是否正常，在线寻优信号是否正常，若正常进行寻优则进行步骤5)，若不正常将不进行寻优，将当前值直接送回跳至步骤7)；

5)以现场机组负荷和磨煤机运行方式作为输入，在所述案例推理CBR的专用数据库中在线搜索获得相似案例；

6)输出和所述现场机组负荷和磨煤机运行方式对应的相似案例的离线最优值，查询结束；所述相似案例的离线最优值包括二次风门挡板开度、三次风门挡板开度及氧量定值；

7)将所述相似案例的离线最优值送入现场DCS；

8)在现场DCS，根据所述相似案例的离线最优值控制各层风门挡板开度以及氧量定值。

2.根据权利要求1所述一种基于在线寻优的低负荷下锅炉燃烧优化方法，其特征在于，在步骤1)中，建立GA-LS-SVM模型具体方法为：

(1)给定训练样本集：

{(x₁,y₁),(x₂,y₂),…,(x_t,y_t)}；x_i∈Rⁿ，y_i∈R，

其中，x_i,x_t为训练样本集的输入数据，y_i,y_t为训练样本集的输出数据，Rⁿ为n维实数集；

采用最小二乘支持向量机算法，利用高维特征空间中构造的最优决策函数y映射到高维特征空间：

其中，为核空间映射函数，w为权向量，b为常数；x₁,x₂,…x_n为核空间映射函数的输入向量；根据结构风险最小化原则确定参数w，b，等效为求解下列优化问题：

相应的Lagrange函数为：

其中，α＝[α₁,α₂,…α_n]为Lagrange乘子；c为正规化参数；ξ为训练集预测误差向量；

由最优解条件：

得：

整理后，得：

引入核函数整理得：

通过求解上式，得到模型参数α_i和b，确定决策函数

得到LS-SVM模型；

(2)利用遗传算法计算核函数参数σ和所述正规化参数c，将所述LS-SVM模型中的核函数选择径向基RBF函数，表达式为：

核函数参数σ和所述正规化参数c的计算方法为：

1)对LS-SVM中正规化参数c和核函数参数σ进行二进制编码，然后随机产生初始化种群；

2)对初始化种群中的各染色体进行解码，得到十进制的正规化参数c和核函数参数σ；

3)用生成的正规化参数c和核函数参数σ的初始参数进行LS-SVM建模，适应度函数以模型精度为准；

4)如果满足模型精度则停止计算，输出最优参数，若不满足则执行交叉、变异和选择操作以产生新一代种群，并再次进行下一代操作；

5)判断种群的适应度是否满足精度要求，满足则给出最优核函数参数σ和正规化参数c，结束计算过程，若不满足则进行步骤6)；

6)判断种群是否满足最大遗传代数，满足则给出当前的核函数参数σ和正规化参数c，结束计算过程，若不满足则进行步骤4)；

将得到核函数参数σ和正规化参数c，进而代入下述线性方程

得到GA-LS-SVM模型参数α_i和b，确立GA-LS-SVM模型。

3.根据权利要求1所述一种基于在线寻优的低负荷下锅炉燃烧优化方法，其特征在于，在步骤2)中，在所述案例推理CBR的专用数据库中，存储着每一种工况下对应的机组负荷和磨煤机运行方式、以及每一种工况下对应的离线最优值，该离线最优值包括每一种工况下对应的二次风门挡板开度、三次风门挡板开度及氧量定值。

4.根据权利要求1所述一种基于在线寻优的低负荷下锅炉燃烧优化方法，其特征在于，步骤5)中，在所述案例推理CBR的专用数据库中在线搜索获得相似案例，在线搜索包括：基于输入偏差与输入权重来判断相似案例进行在线搜索，所述输入权重的选择是根据现场输入数据对输出的影响程度在线调整选择，在若干个相似度大于给定阈值的相似案例中，通过融合计算后寻找到最优值。

5.根据权利要求4所述一种基于在线寻优的低负荷下锅炉燃烧优化方法，其特征在于，所述在线搜索具体方法为：

令w_i为案例查询比较时每个输入所占权重，每个输入给定的权重取值大于零且所有输入的权重值和为1，使用时对权重值进行标幺化处理，第i个输入的权重为：

计算流程为：

1)读取输入参数：In_j，j＝1,…,InputNum；

2)与案例库中的每个案例进行对比，计算相似度：

其中Similarity_i为与第i个案例的相似度；

CbrIn_i,j为案例i的第j个输入；

Max_j,Min_j为第j个输入的最大值与最小值；abs为求取绝对值；

3)选择相似度大于阈值T_h(T_h＝0.9)的3个案例，在案例库中编号分别为A，B，C，按大小排序，对案例输出根据输入相似度加权平均，得到输出：

Out_k＝(Similarity_A*CbrOut_A,k+Similarity_B*CbrOut_B,k+Similarity_C*CbrOut_C,k)/(Similarity_A+Similarity_B+Similarity_C)

其中k＝1,…,OutNum；CbrOut_A,k为案例A的第k个输出；

若相似度大于阈值Th的案例数少于3，则根据案例数量对案例输出进行加权平均，得到模块输出；

若没有相似度大于阈值Th的案例，则输出保持不变。