CN113609684A - 基于工业数据和工艺机理的锅炉吨煤产汽优化方法 - Google Patents

Abstract

本发明提供一种基于工业数据和工艺机理的锅炉吨煤产汽优化方法，包括以下步骤：基于锅炉生产的热工机理对历史生产数据预处理，去除异常样本，将健康数据用于模型训练；基于工艺机理分析的锅炉主汽流量模型训练；建立基于高维近似模型的锅炉生产吨煤产汽量优化控制模型；步骤S400：吨煤产汽量非线性优化问题求解。本发明通过建立锅炉生产优化模型，提出最优算法寻找各控制参数的最优解指导生产，保证吨煤产汽量最优，并摆脱对工人经验的依赖。

Description

基于工业数据和工艺机理的锅炉吨煤产汽优化方法

技术领域

本发明属于锅炉控制技术领域，具体涉及一种基于工业数据和工艺机理的锅炉吨煤产汽优化方法。

背景技术

锅炉是一种把化学能转换成热能的装置，其通过把燃料燃烧后给水进行换热，从而产生出一定数量和质量的蒸汽。锅炉是典型的复杂热工控制系统，其子系统主要包括燃烧系统，送引风系统，汽水系统以及辅助系统等。

现有锅炉的控制方法是在满足锅炉生产安全的前提下，由工程师将较优的生产成本控制参数范围写在集控运行规程中，规定关键操作参数(例如：一次风量，二次风量，尾气含氧量，给煤量，尾气硫含量，尾气氮氧化物含量等)的控制范围。在生产工况发生改变时，由操作工人根据运行的实际情况进行调整，满足参数在控制范围内，以达到较优的吨煤产汽量。

目前，仅基于关键控制参数范围调整生产的方法，在实际运行过程中常遇到以下几个问题：

(1)燃料品质会在生产过程中发生变化：实际锅炉给煤时，在车间内部会设有暂存煤仓，在车间外部的仓储煤仓上煤的性质发生变化时，会在车间内暂存煤仓有混批次或者混煤种的情况。工人无法获得时下锅炉给煤发生切换的信息，又由于各关键参数存在强耦合关系，操作工人需要根据经验将生产系统调整回稳态，花费时间的长短和操作工人的经验有关。特别在存在固废或生物质作为燃料时，各参数波动大，难以控制。

(2)锅炉运行属于动态连续过程，其受到多种不确定因素影响。工厂操作人员只能从经验出发调控参数，因此锅炉的生产成本与操作工人的技术、经验和专注程度等条件密切相关，且工人操作属于多年积累经验，并非是该工艺所有生产参数的最佳动态组合，其生产效益存在较高的优化和提升空间。

发明内容

针对上过技术问题，本发明提供一种基于工业数据和工艺机理的锅炉吨煤产汽优化方法，基于锅炉的生产工艺，采用热工学原理进行分析的方法，选取锅炉工艺的关键控制参数，提出基于工业数据的锅炉生产模型训练方法，实现锅炉主汽流量的精准预测。基于训练好的锅炉主汽流量的预测模型，以及实时生产数据，对各锅炉关键参数进行联调优化，在保证锅炉工艺安全的前提下，实现吨煤产汽量最优的成本控制目标。

该方法首先将海量的工业历史数据进行预处理，剔除历史数据中的异常样本。随后，选取锅炉工艺的关键影响参数，提出高维数据训练方法，建立与实际锅炉运行高度吻合的主汽流量预测模型。通过建立锅炉生产优化模型，提出最优算法寻找各控制参数的最优解指导生产，保证吨煤产汽量最优，并摆脱对工人经验的依赖。

具体的技术方案为：

基于工业数据和工艺机理的锅炉吨煤产汽优化方法，包括以下步骤：

步骤S100：基于锅炉生产的热工机理对历史生产数据预处理，去除异常样本，将健康数据用于模型训练；

数据的预处理过程主要包括：

S110、受锅炉现场生产环境干扰或测点在某时刻发生故障，所采集到的数据显示超出限值，需要剔除这些异常值。

S120、根据生产时间戳，将锅炉的生产数据与燃料化验数据一一对应，燃煤的化验数据按照各煤种添加比例计算表征值；

S130、锅炉的关键控制点往往安装多个测点(例如炉膛温度，炉床压力等)，对这些测点取平均值；

将历史生产数据预处理后，用于锅炉主汽流量模型的训练。

步骤S200：基于工艺机理分析的锅炉主汽流量模型训练；

基于锅炉生产的热工机理，影响吨煤产汽量的关键变量包括：一次风量，二次风量，燃料品质，炉床压力，炉膛负压，石灰石添加量，尿素添加量，燃料品质。因此将主汽压力、主汽温度、一次风机频率、烟气含氧量、冷渣器频率、引风机频率、石灰石流量、尿素流量、总进煤量、无烟煤比例，烟煤比例，褐煤比例，固废比例、表征热值、表征水分、表征灰分、表征挥发份、表征含硫量共18个参数与主汽流量相关联。

采用高维模型表征多项式建模训练方法，基于步骤S100清洗后的生产数据样本，训练出主汽流量(y)与主汽压力(x₁)、主汽温度(x₂)、一次风机频率(x₃)、烟气含氧量(x₄)、冷渣机频率(x₅)、引风机频率(x₆)、石灰石流量(x₇)、尿素流量(x₈)、总进煤量(x₉)、无烟煤比例(x₁₀)、烟煤比例(x₁₁)、褐煤比例(x₁₂)、固废比例(x₁₃)、表征热值(x₁₄)、表征水分(x₁₅)、表征灰分(x₁₆)、表征挥发份(x₁₇)和表征含硫(x₁₈)的高维近似模型。

具体地，输出变量y的高维近似模型为：

式(1)中，K为输入变量x的最大阶数，i和i’表示每一个具体变量x，k和k’表示每变量x的阶数，模型参数包括：C、A_i,k和B_{i,i’,k,k’}，其中，C表示对输出变量y的零阶响应；A_i,k指输入变量x_i单独作用时对输出变量y的影响；B_{i,i’,k,k’}是输入变量x_i和x_i’耦合作用时对输出变量y的影响。

步骤S210：建立基于高维近似模型(式(1))的输出变量预测值(y)与输入变量x之间的计算关系，如式(2)，其中下标m表示每一组数据，M为数据的组数，其他符号说明可参考式(1)；

步骤S220：约束高维近似模型的误差范围(σ)。引入两个不小于0的变量(yam和ybm)，建立式(3)-(6)，y*m为输出变量的样本值；

0≤ya_m≤σ，m∈M (5)

0≤yb_m≤σ，m∈M (6)

步骤S230：建立线性优化的目标值(r)，使预测值与数据样本值的误差(ya_m+yb_m)最小，如式(7)。

步骤S240：设置误差范围(σ)，输入变量(x)的初始阶数K＝1；

步骤S250：线性优化问题求解。针对步骤S210-S240建立的线性优化问题，利用数学编程技术，采用经典的对偶单纯形算法可对其进行高效地求解；

步骤S260：判断线性优化问题是否有解。有解，输出结果，算法停止；无解，则进入步骤S270；

步骤S270：增加输入变量(x)的阶数，K＝K+1。返回步骤S250，求解更新变量(x)阶数后的线性优化问题。通过不断增加变量(x)的阶数K，反复执行步骤S250-S270，可得到高维近似模型在误差范围(σ)内的所有参数(C、A_i,k和B_{i,i’,k,k’})。

步骤S300：建立基于高维近似模型的锅炉生产吨煤产汽量优化控制模型；

主汽流量的控制目标是取Max(y) (8)；

由主汽流量的训练方程(式1)，以及目标函数(式8)，组成了吨煤产汽量优化数学规划模型。

步骤S400：吨煤产汽量非线性优化问题求解；

针对步骤S300建立的非线性数学规划问题，利用数学编程技术，采用经典的连续凸逼近(Successive Convex Approximation)算法可对其进行高效地求解。

本发明具有的技术效果：

(1)基于锅炉生产的热工原理，对工业历史生产数据进行分析和清洗，去除异常数据样本，为后续工艺模型训练提供健康的训练样本数据。

(2)基于锅炉生产的热工原理，确定影响吨煤产汽量的关键生产参数。并提出高维表征近似模型训练算法，采用清洗后的工业历史生产数据，训练出锅炉主汽流量模型来对主汽流量进行精准预测。

(3)采用训练得到的锅炉主汽流量预测模型，建立吨煤产汽量优化控制数学模型，寻找最优吨煤产汽量控制生产条件，最终制定出生产成本最优的各生产参数联调策略。

附图说明

图1为本发明的方法示意图；

图2为发明的求解主汽流量高维近似模型参数的方法示意图；

图3a为实施例近似模型的训练结果；

图3b为实施例近似模型的预测结果。

具体实施方式

结合实施例说明本发明的具体技术方案。

以某热电厂为例，锅炉共有煤仓4个，给煤机8台，固废投料口2个，燃料在炉内掺烧。每种燃料取样点在上煤皮带，频率为3分钟取样一次，检测原料的热值，水分，灰分，挥发份和含硫，检测周期约为1天。锅炉集控规程要求作为约束条件一，如表1-1所示。

约束条件一：

表1-1某热电厂锅炉经济吨煤产汽量控制范围

约束条件二：所有控制参数的变化均在工艺所允许的操作范围内。

约束条件三：所有控制参数的调整均在当前操作水平的+/-2％范围内，以保证生产调整的连续性和稳定性。

基于以上条件使用如图1所示方法进行部署实施。

步骤S100：氨酸法过程工业数据分析及清洗

基于锅炉的热工机理，确定影响主汽流量的生产因素。正常生产情况下，燃料化验数据每天更新一次，生产实时数据为集控实时采集，按照每5分钟采数一次进行记录。因此，在工厂连续生产状态下，每天会产生288组生产数据与一组实验数据的对应样本。对每5分钟采集的数据样本进行滚动求半小时平均值，取得每天48组生产数据与一组实验数据的对应样本。去除异常样本后，得到健康样本属于用于锅炉主汽流量预测模型的训练。

步骤S200：针对影响主汽流量的18种生产参数历史数据来锅炉主汽流量预测模型。主汽流量y的高维近似模型结构。

如图2所示，采用步骤S210-S270建立的线性优化方法，求解步骤S200中主汽流量y高维近似模型的参数。近似模型的训练和预测结果如图3a和图3b所示。

步骤S300：

主汽流量优化的目标为：Max(y)；

最终，主汽流量预测方程和操作目标函数组成了吨煤产汽量优化控制数学规划模型。

步骤S400：基于步骤S300建立的非线性数学规划问题，利用数学编程技术，采用经典的连续凸逼近(Successive Convex Approximation)算法可对其进行高效地求解。优化结果：取工厂2个月的历史数据对比，优化后的吨煤产汽量从原有的5.39吨提高到5.48吨，可以实现1.7％的提升。

Claims (6)

1.基于工业数据和工艺机理的锅炉吨煤产汽优化方法，其特征在于，包括以下步骤：

步骤S100：基于锅炉生产的热工机理对历史生产数据预处理，去除异常样本，将健康数据用于模型训练；

步骤S200：基于工艺机理分析的锅炉主汽流量模型训练；

步骤S300：建立基于高维近似模型的锅炉生产吨煤产汽量优化控制模型；

步骤S400：吨煤产汽量非线性优化问题求解。

2.根据权利要求1所述的基于工业数据和工艺机理的锅炉吨煤产汽优化方法，其特征在于，步骤S100中，数据的预处理过程包括：

S110、受锅炉现场生产环境干扰或测点在某时刻发生故障，所采集到的数据显示超出限值，剔除这些异常值；

S120、根据生产时间戳，将锅炉的生产数据与燃料化验数据一一对应，燃煤的化验数据按照各煤种添加比例计算表征值；

S130、锅炉的关键控制点往往安装多个测点，对这些测点取平均值。

3.根据权利要求1所述的基于工业数据和工艺机理的锅炉吨煤产汽优化方法，其特征在于，步骤S200，采用高维模型表征多项式建模训练方法，基于步骤S100清洗后的生产数据样本，训练出主汽流量y与主汽压力x₁、主汽温度x₂、一次风机频率x₃、烟气含氧量x₄、冷渣机频率x₅、引风机频率x₆、石灰石流量x₇、尿素流量x₈、总进煤量x₉、无烟煤比例x₁₀、烟煤比例x₁₁、褐煤比例x₁₂、固废比例x₁₃、表征热值x₁₄、表征水分x₁₅、表征灰分x₁₆、表征挥发份x₁₇和表征含硫x₁₈的高维近似模型；

输出变量y的高维近似模型为：

式(1)中，K为输入变量x的最大阶数，i和i’表示每一个具体变量x，k和k’表示每变量x的阶数，模型参数包括：C、A_i,k和B_{i,i’,k,k’}，其中，C表示对输出变量y的零阶响应；A_i,k指输入变量x_i单独作用时对输出变量y的影响；B_{i,i’,k,k’}是输入变量x_i和x_i’耦合作用时对输出变量y的影响。

4.根据权利要求3所述的基于工业数据和工艺机理的锅炉吨煤产汽优化方法，其特征在于，还包括：

步骤S210：建立基于式(1)高维近似模型的输出变量预测值y与输入变量x之间的计算关系，如式(2)，其中下标m表示每一组数据，M为数据的组数，其他符号说明同式(1)。

步骤S220：约束高维近似模型的误差范围σ；引入两个不小于0的变量，ya_m和yb_m，建立式(3)-(6)，y^* _m为输出变量的样本值；

0≤ya_m≤σ，m∈M (5)

0≤yb_m≤σ，m∈M (6)

步骤S230：建立线性优化的目标值r，使预测值与数据样本值的误差ya_m+yb_m最小，如式(7)；

步骤S240：设置误差范围，输入变量x的初始阶数K＝1；

步骤S250：线性优化问题求解；针对步骤S210-S240建立的线性优化问题，利用数学编程技术，采用经典的对偶单纯形算法可对其进行高效地求解；

步骤S260：判断线性优化问题是否有解；有解，输出结果，算法停止；无解，则进入步骤S270；

步骤S270：增加输入变量x的阶数，K＝K+1；返回步骤S250，求解更新变量x阶数后的线性优化问题；通过不断增加变量x的阶数K，反复执行步骤S250-S270，可得到高维近似模型在误差范围内的所有参数C、A_i,k和B_{i,i’,k,k’}。

5.根据权利要求3所述的基于工业数据和工艺机理的锅炉吨煤产汽优化方法，其特征在于，步骤S300中，主汽流量的控制目标是取Max(y) (8)；

由主汽流量的式(1)训练方程，以及式(8)目标函数，组成吨煤产汽量优化数学规划模型。

6.根据权利要求5所述的基于工业数据和工艺机理的锅炉吨煤产汽优化方法，其特征在于，步骤S400，针对步骤S300建立的非线性数学规划问题，利用数学编程技术，采用经典的连续凸逼近算法对其进行高效地求解。

Images