CN111459030B - 一种用于锅炉闭环燃烧优化的自适应建模方法 - Google Patents
一种用于锅炉闭环燃烧优化的自适应建模方法 Download PDFInfo
- Publication number
- CN111459030B CN111459030B CN202010298747.5A CN202010298747A CN111459030B CN 111459030 B CN111459030 B CN 111459030B CN 202010298747 A CN202010298747 A CN 202010298747A CN 111459030 B CN111459030 B CN 111459030B
- Authority
- CN
- China
- Prior art keywords
- model
- boiler
- optimization
- prediction
- updating
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Steam Boilers And Waste-Gas Boilers (AREA)
Abstract
本发明公开了一种用于锅炉闭环燃烧优化的自适应建模方法,包括如下步骤:离线建立锅炉燃烧系统模型:在线运行时采集实时运行数据,计算被控变量的模型预测输出;对在线运行模型进行自适应更新:优化计算控制量:进行下一时刻的优化计算。本发明基于简化的KKT条件,大大减少了迭代求解的次数,从而能够在保证更新精度的同时,有效地降低更新所需的时间,可用于实现在线的闭环燃烧优化控制。
Description
技术领域
本发明属于热工自动控制技术领域,具体涉及一种用于锅炉闭环燃烧优化的自适应建模方法。
背景技术
近年来,随着环保要求的逐渐提高,电厂需要在保证燃烧效率和安全性的同时,尽可能降低污染物的排放。因此对锅炉燃烧过程进行优化日益成为研究的热点。目前实现燃烧优化主要采用基于数据的建模方法,即首先建立锅炉燃烧的非线性模型,然后构造与锅炉效率和氮氧化物(NOx)排放相关的性能指标,并利用寻优算法对运行参数进行优化计算。因此,建立精确、高效的非线性模型是实现燃烧优化控制的基础。
目前针对锅炉燃烧系统的建模大多采用离线建模的方式,即根据历史数据训练得到模型后直接用于现场,后续不再对模型参数进行更新。然而,锅炉燃烧系统由于受到煤质变化、设备老化、运行条件变化的影响,其模型特性会随时间发生较大变化。若不及时对模型进行在线更新,优化结果会因为模型的不准确产生较大的偏差,从而影响优化效果。所以需要对锅炉燃烧模型应用自适应更新算法,以实现对锅炉实时状态的跟踪。
而已有的基于支持向量回归机的更新算法(例如精确在线支持向量回归机AOSVR)需要多步迭代,计算速度过慢,无法用于燃烧优化系统的在线运行。所以针对支持向量回归机模型,目前仍缺少一种兼具快速性和准确性的更新算法。
发明内容
发明目的:为了克服现有技术中存在的不足,提供一种用于锅炉闭环燃烧优化的自适应建模方法,基于简化的KKT条件求解支持向量回归机的模型参数,和传统的更新算法相比大大减少了迭代求解的次数,从而能够在保证更新精度的同时,有效地降低更新所需的时间,使模型能够准确、及时地更新。
技术方案:为实现上述目的,本发明提供一种用于锅炉闭环燃烧优化的自适应建模方法,包括如下步骤:
S1:离线建立锅炉燃烧系统模型:
采集并筛选数据作为初始模型训练样本,数据分为三类:作为输入的控制变量和状态变量,以及作为输出的被控变量,利用训练样本集建立支持向量回归机模型,保存模型参数,作为初始模型代入在线运行模型;
S2:在线运行时采集实时运行数据,计算被控变量的模型预测输出;
S3:对在线运行模型进行自适应更新:
将被控变量的模型预测输出分别和对应的实际值作差,若差值大于等于预测误差阈值,则采用迭代二次规划的方法对模型参数进行自适应在线更新,得到预测模型;若差值小于预测误差阈值,则保留当前预测模型参数不变;
S4:优化计算控制量:
基于步骤S3中得到的预测模型,求解满足优化目标的一组最优控制变量;
S5:返回步骤S2进行下一时刻的优化计算。
进一步的,所述步骤S1中控制变量包括给煤量偏置、二次风门开度、燃尽风门开度和省煤器后氧量定值;状态变量包括机组负荷和总煤量;被控变量包括锅炉效率、再热汽温、脱硝系统入口NOx浓度。
进一步的,所述步骤S1具体为:
设所得训练样本集为{(x1,y1),…,(xl,yl)},xi、xj分别为第i组样本的输入和输出,则训练得到的支持向量回归机模型可表示为式(1)的形式:
分别针对锅炉效率、再热汽温和NOx浓度,建立式(1)所示的预测模型。
进一步的,所述步骤S3的具体过程如下:
S3.1:将当前时刻输入输出数据加入到样本集中,并删除时间最久的一组样本,组成新的训练样本集;
S3.3:计算权向量ω:
其中,XΦ=[Φ(x1),Φ(x1),...,Φ(xl)],1l×l和1l×1分别表示l×l和l×1的元素全为1的矩阵;
S3.4:根据步骤S3.3所得权向量计算松弛因子:
S3.5:根据步骤S3.4所得松弛因子,基于简化的Karush-Kuhn-Tucker条件,求出拉式乘子的值:
S3.6:判断是否满足迭代终止条件,若满足式(8)所示的停机条件,则迭代停止,结束更新算法,保存各项参数作为更新后的模型参数;否则令k=k+1,回到步骤S3.3进行下一次的迭代计算。
||ω[k]-ω[k-1]||2≥κ (16)
本发明针对锅炉时变特性强的问题,提出了一种快速更新支持向量回归机模型的迭代二次规划方法,从而在燃烧优化系统在线投运时实现模型的自适应更新,以准确描述当前燃烧系统的特性,保证优化结果的可靠性。和传统支持向量回归机更新算法相比,本发明提出的更新算法基于简化的KKT条件,大大减少了迭代求解的次数,从而能够在保证更新精度的同时,有效地降低更新所需的时间,可用于实现在线的闭环燃烧优化控制。
有益效果:本发明与现有技术相比,采用迭代二次规划的更新方法,在模型出现失配时能够及时准确地更新模型,保证了模型的自适应能力,且与传统更新方法相比,更新精度和计算速度均得到显著提高,更符合锅炉燃烧优化控制系统现场运行的需求。
附图说明
图1是本发明自适应建模方法原理图。
图2是NOx浓度预测模型的测试结果示意图。
图3是再热汽温预测模型的测试结果示意图。
图4是锅炉效率预测模型的测试结果。
图5为采用本文所述迭代二次规划(IQP)方法与传统的精确在线支持向量机更新算法(AOSVR)的效果对比图。
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明。
如图1所示,本发明提供一种用于锅炉闭环燃烧优化的自适应建模方法,包括如下步骤:
步骤1:离线建立锅炉燃烧系统模型:
利用厂级监控信息系统采集较长时间段的历史运行数据,并筛选各典型工况下的数据段作为初始模型训练样本。数据分为三类:作为输入的控制变量和状态变量,以及作为输出的被控变量。控制变量包括给煤量偏置、二次风门开度、燃尽风门开度、省煤器后氧量定值等;状态变量包括机组负荷、总煤量等;被控变量包括锅炉效率、再热汽温、脱硝系统入口NOx浓度。分别针对三个被控变量,利用训练样本集建立支持向量回归机(SVR)模型,其模型表达式如式(1)所示:
分别针对锅炉效率、再热汽温和NOx浓度,建立式(1)所示的预测模型,保存模型参数,作为初始模型代入在线运行模型。
步骤2:在线运行时采集实时运行数据,计算被控变量的模型预测输出:
根据厂级分散控制系统采集当前时刻的运行数据,包含的数据类别与步骤1中相同。将实时数据代入三个支持向量回归机模型,得到对应的预测被控变量值,预测值计算公式如式(4)所示:
其中,x(t)为第t时刻模型输入,yp(t)为第t时刻模型预测输出,l样本集中样本组数,θi、xi和b为模型参数。
步骤3:对模型进行自适应更新:
将步骤2得到的锅炉效率、再热汽温、脱硝系统入口NOx浓度的预测值和对应的实际值作差,若差值大于等于预测误差阈值,则采用迭代二次规划(IQP)的方法对模型参数进行自适应在线更新,得到预测模型;若差值小于预测误差阈值,则保留当前预测模型参数不变;
迭代二次规划的具体步骤如下:
步骤3.1:将当前时刻输入输出数据加入到样本集中,并删除时间最久的一组样本,组成新的训练样本集;
步骤3.3:计算权向量ω:
其中,XΦ=[Φ(x1),Φ(x1),...,Φ(xl)],1l×l和1l×1分别表示l×l和l×1的元素全为1的矩阵;
步骤3.4:根据步骤3.3所得权向量计算松弛因子:
步骤3.5:根据步骤3.4所得松弛因子,基于简化的Karush-Kuhn-Tucker(KKT)条件,可求出拉式乘子的值:
步骤3.6:判断是否满足迭代终止条件,若满足式(9)所示的停机条件,则迭代停止,结束更新算法,保存各项参数作为更新后的模型参数;否则令k=k+1,回到步骤3.3进行下一次的迭代计算。
||ω[k]-ω[k-1]||2≥κ (9)
步骤4:优化计算控制量:
基于步骤3中得到的预测模型,求解满足优化目标的一组最优控制变量。优化目标为:保证再热汽温处于安全范围内时,使锅炉效率最高而NOx排放浓度最低。将得到的优化控制指令输出到分散控制系统,并作用于锅炉;
步骤5:返回步骤2进行下一时刻的优化计算。
本实施例以某600MW锅炉实际运行数据为例测试更新算法效果,自适应模型在实际数据段上的预测效果如图2-图4所示。
以NOx模型为例,采用传统的精确在线支持向量回归机(AOSVR)建立自适应模型,并与本发明提出的更新算法进行比较,比较结果如图5所示,可见本发明的IQP更新算法的平均更新时间要明显短于AOSVR,平均绝对误差也明显小于AOSVR。
Claims (4)
1.一种用于锅炉闭环燃烧优化的自适应建模方法,其特征在于:包括如下步骤:
S1:离线建立锅炉燃烧系统模型:
采集并筛选数据作为初始模型训练样本,数据分为三类:作为输入的控制变量和状态变量,以及作为输出的被控变量,利用训练样本集建立支持向量回归机模型,保存模型参数,作为初始模型代入在线运行模型;
S2:在线运行时采集实时运行数据,计算被控变量的模型预测输出;
S3:对在线运行模型进行自适应更新:
将被控变量的模型预测输出分别和对应的实际值作差,若差值大于等于预测误差阈值,则采用迭代二次规划的方法对模型参数进行自适应在线更新,得到预测模型;若差值小于预测误差阈值,则保留当前预测模型参数不变;
S4:优化计算控制量:
基于步骤S3中得到的预测模型,求解满足优化目标的一组最优控制变量;
S5:返回步骤S2进行下一时刻的优化计算;
所述步骤S3的具体过程如下:
S3.1:将当前时刻输入输出数据加入到样本集中,并删除时间最久的一组样本,组成新的训练样本集;
S3.3:计算权向量ω:
S3.4:根据步骤S3.3所得权向量计算松弛因子:
S3.5:根据步骤S3.4所得松弛因子,基于简化的Karush-Kuhn-Tucker条件,求出拉式乘子的值:
S3.6:判断是否满足迭代终止条件,若满足式(8)所示的停机条件,则迭代停止,结束更新算法,保存各项参数作为更新后的模型参数;否则令k=k+1,回到步骤S3.3进行下一次的迭代计算;
||ω[k]-ω[k-1]||2≥κ (8)。
2.根据权利要求1所述的一种用于锅炉闭环燃烧优化的自适应建模方法,其特征在于:所述步骤S1中控制变量包括给煤量偏置、二次风门开度、燃尽风门开度和省煤器后氧量定值;状态变量包括机组负荷和总煤量;被控变量包括锅炉效率、再热汽温、脱硝系统入口NOx浓度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010298747.5A CN111459030B (zh) | 2020-04-16 | 2020-04-16 | 一种用于锅炉闭环燃烧优化的自适应建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010298747.5A CN111459030B (zh) | 2020-04-16 | 2020-04-16 | 一种用于锅炉闭环燃烧优化的自适应建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111459030A CN111459030A (zh) | 2020-07-28 |
CN111459030B true CN111459030B (zh) | 2022-03-29 |
Family
ID=71679417
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010298747.5A Active CN111459030B (zh) | 2020-04-16 | 2020-04-16 | 一种用于锅炉闭环燃烧优化的自适应建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111459030B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101498458A (zh) * | 2009-03-02 | 2009-08-05 | 杭州电子科技大学 | 一种锅炉在线燃烧优化的模型更新方法 |
CN101520856A (zh) * | 2009-04-10 | 2009-09-02 | 东南大学 | 基于kkt条件和最近邻法的支持向量回归机自适应建模方法 |
CN110986085A (zh) * | 2019-11-21 | 2020-04-10 | 东南大学 | 基于配风方式优化的四角切圆锅炉燃烧优化控制方法 |
-
2020
- 2020-04-16 CN CN202010298747.5A patent/CN111459030B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101498458A (zh) * | 2009-03-02 | 2009-08-05 | 杭州电子科技大学 | 一种锅炉在线燃烧优化的模型更新方法 |
CN101520856A (zh) * | 2009-04-10 | 2009-09-02 | 东南大学 | 基于kkt条件和最近邻法的支持向量回归机自适应建模方法 |
CN110986085A (zh) * | 2019-11-21 | 2020-04-10 | 东南大学 | 基于配风方式优化的四角切圆锅炉燃烧优化控制方法 |
Non-Patent Citations (2)
Title |
---|
Closed-Loop Combustion Optimization Control With Applications to an Ultra-Supercritical Coal-Fired Boiler;Shuoshuo Cao等;《 2019 Chinese Control Conference (CCC)》;20191017;全文 * |
连续非线性模型预测控制的研究与应用;孙小兵;《中国优秀硕士学位论文全文库(电子期刊)》;20110815;正文第3-4章 * |
Also Published As
Publication number | Publication date |
---|---|
CN111459030A (zh) | 2020-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109062053B (zh) | 一种基于多变量校正的脱硝喷氨控制方法 | |
CN109508818B (zh) | 一种基于LSSVM的在线NOx预测方法 | |
CN110598929B (zh) | 一种风电功率非参数概率区间超短期预测方法 | |
CN111562744B (zh) | 一种基于pso算法的锅炉燃烧隐式广义预测控制方法 | |
CN108167802B (zh) | 低负荷下锅炉负荷的多模型智能寻优预测控制方法 | |
CN112365045A (zh) | 一种基于大数据的主蒸汽温度智能预测方法 | |
CN113051769A (zh) | 一种基于非对称损失与混合智能优化算法的功率曲线建模方法 | |
CN111522229A (zh) | 参数自整定的mimo异因子偏格式无模型控制方法 | |
CN114721263B (zh) | 基于机器学习和智能优化算法的水泥分解炉智慧调控方法 | |
Chen et al. | A hybrid model combining mechanism with semi-supervised learning and its application for temperature prediction in roller hearth kiln | |
CN115129005A (zh) | 基于工业过程的控制、模型方法、设备和存储介质 | |
CN108762086B (zh) | 基于模型预测控制的二次再热蒸汽温度控制装置及控制系统 | |
CN111459030B (zh) | 一种用于锅炉闭环燃烧优化的自适应建模方法 | |
CN110986085B (zh) | 基于配风方式优化的四角切圆锅炉燃烧优化控制方法 | |
CN116880191A (zh) | 一种基于时序预测的过程工业生产系统的智能控制方法 | |
CN115933410B (zh) | 一种基于q学习的双时间尺度燃煤发电系统最优跟踪控制方法 | |
Tian et al. | Coke oven flue temperature control based on improved implicit generalized predictive control | |
CN116484675A (zh) | 一种舰船发动机叶片的裂纹扩展寿命预测方法及系统 | |
CN112416913B (zh) | 一种基于gwo-bp算法的飞机燃油系统状态缺失值补充方法 | |
CN112800672B (zh) | 锅炉粘污系数的评估方法、系统、介质及电子设备 | |
CN113900379A (zh) | 一种基于神经网络的预测控制算法 | |
CN113488111A (zh) | 一种scr脱硝系统喷氨量优化建模方法 | |
CN113703311A (zh) | 一种燃煤机组自组织协同预测控制方法 | |
CN114896860B (zh) | 基于LightGBM和XGBoost组合模型的飞灰含碳量软测量方法 | |
CN112699600B (zh) | 火电运行参数与NOx排放浓度间的偏回分析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |