基于神经网络与万有引力搜索算法的汽温控制寻优方法
技术领域
本申请实施例涉及火力发电领域,具体涉及基于神经网络与万有引力搜索算法的汽温控制寻优方法、装置以及存储介质。
背景技术
目前,火电仍然是我国占比最大的发电方式,我国的大部分电厂都依赖于火电机组发电。而随着社会发展和进步,对各行业提出了更高的节能减排要求,其中改善和优化火电机组、提高火电机组运行效率,在整个发电环节的节能减排中有着重要意义。
而火电机组是一个十分复杂的流程工业系统,其运行和优化问题直是电力行业的研究热点和难点。火电机组的运行参数的最优目标值反映了当前工况条件下机组所能达到的最佳参数,而运行优化的核心问题就是确定机组运行参数最优目标值,以此来指导火电机组的实际运行和操作,提高机组的运行效率。
运行参数最优目标值确定的传统方式是通过变工况热力计算的方式得到,而机组变工况计算的过程中过多依赖理论模型,需要建立系统精确的数学模型。但是火电机组实际运行中工况变化范围大,各设备运行状态存在不确定变化还可能状态偏离设计工况,因此,基于机组变工况理论计算的方法不确定度较高。如果使用传统的变工况热力计算运行参数的最优目标值,无法准确反映每个系统的实际特性,和火电机组的实际运行状况有较大误差。
发明内容
本申请实施例提供了基于神经网络与万有引力搜索算法的汽温控制寻优方法、装置以及存储介质,用于为火电发电机组的锅炉燃烧条件进行优化计算,以使得火电机组能够按照寻优结果调节锅炉运行参数,改善锅炉的燃烧效率。
本申请实施例第一方面提供了一种基于神经网络与万有引力搜索算法的汽温控制寻优方法,包括:
设定锅炉汽温控制系统模型的输入参数和输出参数;
获取锅炉的历史样本数据,所述锅炉的历史样本数据包括过去一段时间内锅炉运行中的采集的锅炉输入参数和输出主蒸汽温度;
使用神经网络对所述锅炉的历史样本数据进行学习,生成目标神经网络模型,所述目标神经网络用于拟合所述输入参数与所述输出参数的函数关系;
使用所述目标神经网络,生成目标数量的预测运行样本;
根据所述预测运行样本构建万有引力算法模型;
设定寻优边界条件;
计算所述万有引力算法模型在所述寻优边界条件下的最优解。
结合本申请的第一方面,在本申请第一方面的第一种实施方式中,所述锅炉输入参数包括额定主蒸汽温度、主蒸汽流量、主蒸汽压力、过热器减温水流量、再热蒸汽温度、再热气压力、再热器减温水流量、燃烧器摆角、过热器烟气挡板开度、再热器烟气挡板开度、凝汽器进水温度和送风机进风温度中的至少两个参数。
结合本申请第一方面,在本申请第一方面的第二种实施方式中,所述根据所述预测运行样本构建万有引力算法模型包括:
根据所述目标数量的预测运行样本,生成目标数量的对应粒子,每个所述粒子对应一个所述预测样本。
结合本申请第一方面,在本申请第一方面的第三种实施方式中,所述计算所述万有引力算法模型在所述寻优边界条件下的最优解,包括
在所述寻优边界条件下按照所述万有引力算法模型进行N次迭代运算,N为预设的正整数;
输出第N次迭代运算的结果作为所述寻优边界条件下的最优解。
结合本申请第一方面,在本申请第一方面的第四种实施方式中,所述计算所述万有引力算法模型在所述寻优边界条件下的最优解,包括:
设定汽温控制系统的判据指标;
在所述寻优边界条件下按照所述万有引力算法模型进行多次迭代运算,直至所述判据指标达到最小值;
将所述多次迭代运算后的运算结果作为所述寻优边界条件下的最优解。
结合本申请第一方面,在本申请第一方面的第五种实施方式中,所述边界条件包括:所述再热蒸汽的过热度大于20℃,所述过热器出口汽温的过热度大于150℃。
结合本申请第一方面,在本申请第一方面的第五种实施方式中,所述方法还包括:根据所述最优解调整所述锅炉的输入参数。
本申请实施例第二方面提供了基于神经网络与万有引力搜索算法的汽温控制寻优装置,包括:
设定单元,用于设定至少两个锅炉输入参数,并设定寻优边界条件;
获取单元,用于获取锅炉的历史样本数据,所述锅炉的历史样本数据包括过去一段时间内锅炉运行中的所述锅炉输入参数和输出主蒸汽温度;
学习单元,用于使用神经网络对所述锅炉的历史样本数据进行学习,生成目标神经网络模型,所述目标神经网络用于拟合所述输入参数与所述输出参数的函数关系;
预测单元,用于使用所述目标神经网络,生成目标数量的预测运行样本;
模型构建单元,用于根据所述预测运行样本构建万有引力算法模型;
计算单元,用于计算所述万有引力算法模型在所述寻优边界条件下的锅炉输入参数的最优解。
优选的,计算单元具体用于:在所述寻优边界条件下按照所述万有引力算法模型进行N次迭代运算,N为预设的正整数;输出第N次迭代运算的结果作为所述寻优边界条件下的最优解。
优选的,计算单元具体用于:设定汽温控制系统的判据指标;在所述寻优边界条件下按照所述万有引力算法模型进行多次迭代运算,直至所述判据指标达到最小值;将所述多次迭代运算后的运算结果作为所述寻优边界条件下的最优解。
优选的,所述装置还包括调整单元,用于根据所述最优解调整所述锅炉的输入参数。
本申请实施例第三方面提供了基于神经网络与万有引力搜索算法的汽温控制寻优装置的另一种结构,包括:包括中央处理器和存储器,所述存储器为短暂存储存储器或持久存储存储器,所述中央处理器配置为与所述存储器通信,在所述计算机设备上执行所述存储器中的指令操作以执行前述第一方面中任意一项所述的方法。
本申请实施例第四方面提供了一种计算机存储介质,所述计算机存储介质中存储有指令,所述指令在计算机上执行时,使得所述计算机执行前述第一方面中的任一项锅炉汽温寻优方法。
从以上技术方案可以看出,本申请实施例具有以下优点:采用人工神经网络对火电机组的运行参数进行建模,通过神经网络智能地学习就来准确预测火电机组运行各参数间的关系,从而能够对复杂工况下的火电机组的运行进行更准确、高效地优化。
附图说明
图1为基于神经网络与万有引力搜索算法的汽温控制寻优方法的一个流程示意图;
图2为基于神经网络与万有引力搜索算法的汽温控制寻优方法的另一流程示意图;
图3为基于神经网络与万有引力搜索算法的汽温控制寻优装置的一个结构示意图;
图4为基于神经网络与万有引力搜索算法的汽温控制寻优装置的另一结构示意图。
具体实施方式
本申请实施例提供了基于神经网络与万有引力搜索算法的汽温控制寻优方法和相应的装置,用于为火电发电机组的锅炉燃烧条件进行优化计算,以使得火电机组能够按照寻优结果调节锅炉运行参数,改善锅炉的燃烧效率。
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。
请参阅图1,本申请实施例提供基于神经网络与万有引力搜索算法的汽温控制寻优方法,包括:101、选取锅炉汽温控制系统模型的输入参数和输出参数;
综合考虑安全、经济、环保等多因素的综合优化指标,从锅炉的可控参数中选取至少两个重要的参数作为本方法中所构建模型的输入参数和输出参数。。
在一个较优的实施方式中,应当选取额定主蒸汽温度、主蒸汽流量、主蒸汽压力、过热器减温水流量、再热蒸汽温度、再热气压力、再热器减温水流量、燃烧器摆角、过热器烟气挡板开度、再热器烟气挡板开度、凝汽器进水温度和送风机进风温度中的多个或所有参数,将锅炉输出主蒸汽温度作为输出参数。
102、获取锅炉的历史样本数据;
采集火电机组锅炉在过去时间内的运行参数,作为历史运行样本。例如,以一小时为间隔,保存机组在过去一年的365天内每天整点时的额定主蒸汽温度、主蒸汽流量、主蒸汽压力、过热器减温水流量、再热蒸汽温度、再热气压力、再热器减温水流量、燃烧器摆角、过热器烟气挡板开度、再热器烟气挡板开度、凝汽器进水温度和送风机进风温度以及实际输出的主蒸汽温度,作为历史运行样本。此处对于历史运行样本的采集间隔和采集数量没有严格限定,但可以理解的是,应当尽量采集较多不同情况下火电机组锅炉的运行参数作为历史运行样本,使得样本尽量全面、准确,样本量不应过少。
103、使用神经网络对锅炉的历史样本数据进行学习,生成目标神经网络模型;
使用神经网络,对采集的到的锅炉的多个历史样本数据进行学习,利用神经网络的学习能力,拟合锅炉的主蒸汽温度与各个可控参数之间的对应关系。在本一个具体的实施方式中,通过python神经网络的拟合锅炉控制参数和锅炉输出主蒸汽的温度关系,避免了传统的锅炉优化方法中复杂的模型建立过程,拟合的具体精度和样本采集以及神经网络的架构、学习参数以及其他设置有关,如果神经网络合适,样本量充足,那么可以得到较为精确的模型作为目标神经网络模型。
104、使用目标神经网络,生成目标数量的预测运行样本;
在经过步骤103的训练后,目标神经网络的参数已经与锅炉的历史样本数据中的数据匹配,可以根据目标神经网络生成与锅炉历史样本具有近似对应关系的样本,使用目标神经网络,生成目标数量的预测运行样本。在一个较优的实施方式中,可以使用目标神经网络,随机输出3000个运行结果作为预测运行样本。可以理解的是,生成预测运行样本的数量并没有具体限定,但是数量不应过少,以免无法准确反映预测运行样本中的控制参数和主蒸汽温度间的对应关系。
105、根据预测运行样本构建万有引力算法模型;
万有引力搜索算法是一种源于对物理学中的万有引力进行模拟产生的群体智能优化算法。万有引力算法将所有粒子当作有质量的物体,能够做无阻力运动,每个粒子会受到解空间中其它粒子的万有引力的影响,并产生加速度向质量更大的粒子运动。但由于粒子的质量与粒子的适应度值相关,适应度值大的粒子其质量也会更大。在本申请实施例中,每一个预测运行样本都视为万有引力算法中的一个粒子,如果有3000个预测运行样本,那么应当生成3000个对应的粒子,构建出有一个对应的万有引力算法模型。
106、设定寻优边界条件;
火电机组的大部分控制参数只能在一定范围内可调,且某些机组中,一些控制参数的值是不可调或者不需要调节的。因此在进行锅炉的寻优操作之前,应当根据具体的寻优目标和锅炉的实际参数,设定寻优的边界条件,不采纳寻优边界以外的运算结果。
在一个具体的实施例中,寻优边界条件可以包括再热蒸汽的过热度大于20℃,过热器出口汽温的过热度大于150℃,以满足汽温控制系统对过热度的要求。可以理解的是,以上的寻优边界条件仅用于帮助技术人员理解,具体的应用中,寻优边界条件可以包括更多条件,以满足实际锅炉系统的运行要求。
107、计算万有引力算法模型在寻优边界条件下的最优解。
使用智能算法搭建万有引力算法的模型,根据万有引力搜索算法计算当前寻优边界条件下的最经济的运行方式,满足火电机组节能减排的需求。寻优的方式可以是进行固定车速的寻优迭代计算的运行要求。在一个较优的实施方式中,可以固定设置寻优计算的迭代次数N,使得万有引力算法模型在迭代计算N次后,结束寻优操作并输出对应的控制参数和主蒸汽温度值,作为最佳的寻优结果。
本申请还提供了另一实施例,请参阅图2,本申请的另一实施例的方法包括:
201、设定锅炉汽温控制系统模型的输入参数和输出参数;
202、获取锅炉的多个历史样本数据;
203、使用神经网络对锅炉的多个历史样本数据进行学习,生成目标神经网络模型;
204、使用目标神经网络,生成目标数量的预测运行样本;
205、根据预测运行样本构建万有引力算法模型;
206、设定寻优边界条件;
其中步骤201至206与图1所示实施例的步骤101至步骤106类似,具体此处不再赘述。
207、设定汽温控制系统的判据指标;
根据具体的寻优需求,设置锅炉汽温控制系统的判据指标。例如,设置机组综合热耗=(排烟热损失热量*总煤量)/负荷+汽轮机热耗率作为具体的判据指标。
208、在寻优边界条件下按照万有引力算法模型进行多次迭代运算,直至判据指标达到最小值;
在满足寻优边界条件的情况下,根据构建的万有引力算法模型进行迭代运算,并监测运算中判据指标的变化,直至判据指标小于预设的判据指标,认为此时对应的锅炉的控制参数是符合寻优目标的参数。
209、将多次迭代运算后的运算结果作为寻优边界条件下的最优解;
将迭代运算的结果作为最优解输出,作为当前边界条件下的最优解,最优解的数量通常为1。
210、根据最优解调整锅炉的输入参数。
根据最优解来得到对应的锅炉控制参数,从而操控锅炉的各控制参数,优化调整锅炉到最经济的运行状态,满足优化指标。
本申请还提供基于神经网络与万有引力搜索算法的汽温控制寻优装置,请参阅图3,该装置包括:
设定单元301,用于设定至少两个锅炉输入参数,并设定寻优边界条件;
获取单元302,用于获取锅炉的多个历史样本数据,锅炉的历史样本数据包括过去一段时间内锅炉运行中的锅炉输入参数和输出参数;
学习单元303,用于使用神经网络对锅炉的多个历史样本数据进行学习,生成目标神经网络模型,目标神经网络用于拟合输入参数与输出参数的函数关系;
预测单元304,用于使用目标神经网络,生成目标数量的预测运行样本;
模型构建单元305,用于根据预测运行样本构建万有引力算法模型;
计算单元306,用于计算万有引力算法模型在寻优边界条件下的锅炉输入参数的最优解。
进一步地,计算单元306具体用于:在寻优边界条件下按照万有引力算法模型进行N次迭代运算,N为预设的正整数;输出第N次迭代运算的结果作为寻优边界条件下的最优解。
进一步地,计算单元306具体用于:设定汽温控制系统的判据指标;在寻优边界条件下按照万有引力算法模型进行多次迭代运算,直至判据指标达到最小值;将多次迭代运算后的运算结果作为寻优边界条件下的最优解。
进一步地,本实施例的装置还可以包括调整单元307,用于根据最优解调整锅炉的输入参数。
本申请还提供了另一基于神经网络与万有引力搜索算法的汽温控制寻优装置实施例,请参阅图4,该装置包括:一个或一个以上中央处理器(central processing units,CPU)401和存储器405,该存储器405中存储有一个或一个以上的应用程序或数据。其中,存储器405可以是易失性存储或持久存储。存储在存储器405的程序可以包括一个或一个以上模块,每个模块可以包括对单据编号服务器中的一系列指令操作。更进一步地,中央处理器401可以设置为与存储器405通信,在单据编号服务器400上执行存储器405中的一系列指令操作。单据编号400还可以包括一个或一个以上电源402,一个或一个以上有线或无线网络接口403,一个或一个以上输入输出接口404,和/或,一个或一个以上操作系统,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等。该中央处理器401可以执行前述图1和图2所示实施例中的对应操作,具体此处不再赘述。
本申请实施例还提供了一种存储介质,该存储介质中存储有指令,当该指令在计算机上运行时,使得计算机执行如前述图1和图2对应实施例的任意一种方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)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-onlymemory)、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。