CN113701186B - 基于人工神经网络模型的二次风优化控制系统的开发及应用 - Google Patents

Abstract

本发明公开了基于人工神经网络模型的二次风优化控制方法，实现步骤为：1)在一次风粉管道上加装煤粉质量流量和流速的测点，调整管间煤粉分布和管内煤粉流态；2)读取锅炉运行数据在线计算锅炉效率，并建立神经元网络锅炉模型，使用运行数据对神经元网络锅炉模型进行训练；3)利用神经元网络锅炉模型的自学习功能和高速寻找优化解的能力，预测二次风门开度与二次风量的变化对锅炉效率和氮氧化物排放浓度的影响，最终输出最佳的二次风门和风量指令，实现二次风优化控制。利用人工神经元网络模型的模糊控制原理和基于多变量高速寻找优化解的特性，分析二次风门开度和锅炉效率等参数的内在函数关系，实现二次风门和风量的自动优化控制。

Description

基于人工神经网络模型的二次风优化控制系统的开发及应用

技术领域

本发明属于锅炉燃烧控制领域，具体涉及基于人工神经网络模型的二次风优化控制方法。

背景技术

锅炉燃烧效率主要取决于煤粉在炉内的燃烧状态，而二次风的配比能够极大地影响炉内煤粉燃烧状态，目前二次风门开度的控制主要依靠原有DCS系统的自动控制信号或运行人员手动操作调节。

原有DCS给出的二次风门开度指令一般于是基于给煤机给煤率反馈信号的计算值，即磨煤机出力系数大时，适当增加对应层二次风门开度，反之则减小，这种指令算法较为单一，忽略了管道煤粉分布、管内煤粉流态变化、锅炉整体配风结构等重要因素，仅考虑到理想状态下的煤粉流量对风量的影响，缺乏自适应机制，极大地影响到炉内煤粉的燃烧效率。

而通过运行人员手动操作调节二次风门也存在问题，首先受运行人员本身精力限制，不能做到二次风门的实时调整、精细调整；其次运行人员给出的二次风门指令只能依靠相关锅炉运行规程或热工院给出的燃烧调整实验报告等，根本无法满足锅炉不同状态和各种工况下运行的实际需要。

发明内容

为了解决现有技术的不足，本发明旨在提供一种基于人工神经网络模型的二次风优化控制方法，通过读取锅炉运行数据在线计算锅炉效率，建立契合实际的神经元网络锅炉模型，利用人工神经元网络模型的模糊控制原理和基于多变量高速寻找优化解的特性，分析二次风门开度和锅炉效率、氮氧化物排放浓度等参数的内在函数关系，从而找出锅炉不同负荷和各种复杂工况下的最佳二次风配比，进而实现二次风门和风量的自动优化控制。

为了实现上述目的，本发明采用的技术方案为：

基于人工神经网络模型的二次风优化控制方法，包括以下步骤：

1)在一次风粉管道上加装煤粉质量流量和流速的测点，调整管间煤粉分布和管内煤粉流态；

2)读取锅炉运行数据在线计算锅炉效率，并建立神经元网络锅炉模型，使用运行数据对神经元网络锅炉模型进行训练；

3)利用神经元网络锅炉模型的自学习功能和高速寻找优化解的能力，预测二次风门开度与二次风量的变化对锅炉效率和氮氧化物排放浓度的影响，最终输出最佳的二次风门和风量指令，实现二次风优化控制。

具体的，所述神经元网络锅炉模型的训练具体实现方法为：

假定一个多输入多输出的受控对象预测模型，如下：

y₁(k)＝Ψ(y₁(k-1)，y₁(k-2)，...y₁(k-n)，u₁(k-1)，u₁(k-2)，...u₁(k-m)...u₂(k -1)...u₂(k-m)，...u₁(k-1)，...u₁(k-m))

其中，y_i(k)为锅炉燃烧状态的输出变量，y_i(k-1)为y_i(k)的历史数据变量，

u_i为锅炉燃烧优化系统的输入变量，u_i(k-1)为u(k)的历史数据变量；m、n表示非线性系统的输入、输出阶次；

优化指标为：

其中，J(k)为优化经济指标，y_r为锅炉燃烧特征状态输出量的参考轨迹，N、M为输入、输出的维数，q_i为各个输出受控量的加权系数， r_i是各个输入操作量的加权系数，

Δu(k+i-1)为u(k+i-1)-u(k)历史数据变化量；

若取函数Ψ为一个人工神经网络函数，那么以上算法就形成一个基于人工神经网络模型的预测控制算法；

其中各层权值求解，即BP学习算法具体为：

定义网络的输出误差：

其中d_K为期望结果，O_K为输出结果；

将其依次展开至隐层和输入层，在使误差不断减小的原则下，应使权值的调整量与误差的负梯度成正比，即：

Δw_jk表示隐藏层与输出层之间的权重调整量，Δv_ij为表示隐藏层与输入层之间的权重调整量；为误差E对vij的偏导，即梯度；

求解得到各层权值调整的计算公式，写成向量的形式为：

ΔW＝η(δ^oY^T)^T，ΔV＝η(δ^yX^T)^T

式中X＝(x₁，x₂，x₃…x_n)^T为输入向量，Y＝(y₁，y₂，y₃…y_n)^T为隐层输出向量，O＝(o₁，o₂，o₃…o_n)^T为输出向量，

η为[0，1]间常数，表示网络学习速度；δ表示梯度；y表示隐藏层；

而W＝[W_jk]_m×l和V＝[V_ij]_n×m分别是隐层到输出层和输入层到隐层的权值矩阵。具体的，所述BP网络的学习训练过程如下：

(1)初始化网络，对网络参数及各权系数进行赋值，其中权系数应取随机数；

(2)输入训练样本，计算各层的预测值并与真实值相比较，得出网络的输出误差；

(3)依据误差反向传播规则，调整隐层之间以及隐层与输入层之间的权系数；

(4)重复步骤(2)和(3)，直至预测误差满足条件或训练次数达到规定次数。

本发明具有的有益效果为：

1.本发明提供的二次风自动优化控制系统，比原有DCS单一算法更加贴合实际锅炉运行，对二次风配比的控制更加精确合理，可以减轻运行人员的工作量，降低人为误操作出现的几率，实现精准调整、实时调整。

2.本发明应用了人工神经元网络原理的锅炉模型具有自学习、自适应的特性，能够跟随锅炉状态变化和工况变化，时刻保持与锅炉运行特性的契合度，帮助改善煤粉在炉内的燃烧状态，提高炉效降低氮氧化物浓度，增加锅炉运行的经济性。

附图说明

图1为本发明的人工神经网络对应的系统框图；

图2为本发明系统框架图。

具体实施方式

传统辨识方法通常取线性时不变的离散参数化模型来建立过程模型，模型结构确定后，采用最小二乘法或极大值法来计算模型参数。过程的非线性特性的影响通过在线周期性更新校正模型参数来补偿，或者由分布在工作区域的一组局部线性模型来表示。然而当操作条件或扰动引起过程从线性化工作点漂移时，基于线性模型的控制器的控制性能可能产生很大的偏离。因此说明某些对象的非线性特性和复杂性不能在线性模型的框架下完美表达，此时一个包容对象所有工作区域的非线性模型对设计控制器应该更加有利。在这种情况下人工神经网络建模技术是最好的选择。

如图1-2所示，本发明提出了基于人工神经网络模型的二次风优化控制方法，包括以下步骤：

步骤1)在一次风粉管道上加装煤粉质量流量和流速的测点，调整管间煤粉分布和管内煤粉流态。

步骤2)读取锅炉运行数据在线计算锅炉效率，并建立神经元网络锅炉模型，使用运行数据对神经元网络锅炉模型进行训练，寻求二次风门开度和锅炉效率、氮氧化物排放浓度等参数的内在函数关系。

具体实现方法为：

假定一个多输入多输出的受控对象预测模型，如下：

y₁(k)＝Ψ(y₁(k-1)，y1(k-2)，...y₁(k-n)，u₁(k-1)，u₁(k-2)，...u₁(k-m)...u₂(k-1)...u₂(k-m)，...u₁(k-1)，...u₁(k-m))

其中，y_i(k)为锅炉燃烧状态的输出变量，y_i(k-1)为y_i(k)的历史数据变量，

u_i为锅炉燃烧优化系统的输入变量，u_i(k-1)为u(k)的历史数据变量；m、n表示非线性系统的输入、输出阶次；

优化指标为：

前面一个求和项是保证最快逼近，提高性能，后一个求和项是确保控制输入震荡比较小，提高系统稳定。

其中，J(k)为优化经济指标，y_r为锅炉燃烧特征状态输出量的参考轨迹，N、M为输入、输出的维数，q_i为各个输出受控量的加权系数， r_i是各个输入操作量的加权系数；

Δu(k+i-1)为u(k+i-1)-u(k)历史数据变化量。其对应的系统框图如1图所示。

若取函数Ψ为一个人工神经网络函数，那么以上算法就形成一个基于人工神经网络模型的预测控制算法；

其中各层权值求解，即BP学习算法具体为：

定义网络的输出误差：

d_K表示期望结果，O_K表示输出结果。

将其依次展开至隐层和输入层，在使误差不断减小的原则下，应使权值的调整量与误差的负梯度成正比，即：

Δwjk表示隐藏层与输出层之间的权重调整量，

Δv^ij为表示隐藏层与输入层之间的权重调整量；为误差E对vij的偏导，即梯度；

求解得到各层权值调整的计算公式，写成向量的形式为：

ΔW＝η(δ^oY^T)^T，ΔV＝η(δ^yX^T)^T

式中X＝(x₁，x₂，x₃…x_n)^T为输入向量，Y＝(y₁，y₂，y₃…y_n)^T为隐层输出向量，O＝(o₁，o₂，o₃…o_n)^T为输出向量；

η为[0，1]间常数，表示网络学习速度；δ表示梯度；y表示隐藏层；

而W＝[W_jk]_m×l和V＝[V_ij]_n×m分别是隐层到输出层和输入层到隐层的权值矩阵。BP网络的学习训练过程如下：

(1)初始化网络，对网络参数及各权系数进行赋值，其中权系数应取随机数；

(2)输入训练样本，计算各层的预测值并与真实值相比较，得出网络的输出误差；

(3)依据误差反向传播规则，调整隐层之间以及隐层与输入层之间的权系数；

(4)重复步骤(2)和(3)，直至预测误差满足条件或训练次数达到规定次数。

利用神经元网络锅炉模型的自学习功能和高速寻找优化解的能力，预测二次风门开度与二次风量的变化对锅炉效率和氮氧化物排放浓度的影响，最终输出最佳的二次风门和风量指令，实现二次风优化控制。

本发明通过读取锅炉运行数据在线计算锅炉效率，建立契合实际的神经元网络锅炉模型，利用人工神经元网络模型的模糊控制原理和基于多变量高速寻找优化解的特性，分析二次风门开度和锅炉效率、氮氧化物排放浓度等参数的内在函数关系，从而找出锅炉不同负荷和各种复杂工况下的最佳二次风配比，进而实现二次风门和风量的自动优化控制。应用了人工神经元网络原理的锅炉模型具有自学习、自适应的特性，能够跟随锅炉状态变化和工况变化，时刻保持与锅炉运行特性的契合度，帮助改善煤粉在炉内的燃烧状态，提高炉效降低氮氧化物浓度，增加锅炉运行的经济性。

Claims (2)

1.基于人工神经网络模型的二次风优化控制方法，其特征在于：包括以下步骤：

1)在一次风粉管道上加装煤粉质量、流量和流速的测点，调整管间煤粉分布和管内煤粉流态；

2)读取锅炉运行数据，在线计算锅炉效率，并建立神经元网络锅炉模型，使用运行数据对神经元网络锅炉模型进行训练；

3)利用神经元网络锅炉模型的自学习功能和高速寻找优化解的能力，预测二次风门开度与二次风量的变化对锅炉效率和氮氧化物排放浓度的影响，最终输出最佳的二次风门和风量指令，实现二次风优化控制；

其中，所述神经元网络锅炉模型的训练具体为：

假定一个多输入多输出的受控对象预测模型，如下：

y₁(k)＝Ψ(y₁(k-1),y₁(k-2),…y₁(k-n),u₁(k-1),u₁(k-2),…u₁(k-m)…u₂(k-1)...i₂(k-m),…u₁(k-1),…u₁(k-m))；

其中，y_i(k)为锅炉燃烧状态的输出变量，y_i(k-1)为y_i(k)的历史数据变量，u_i为锅炉燃烧优化系统的输入变量，u_i(k-1)为u(k)的历史数据变量；m、n表示非线性系统的输入、输出阶次；

优化指标为：

其中，J(k)为优化经济指标，y_r为锅炉燃烧特征状态输出量的参考轨迹，N、M为输入、输出的维数，q_i为各个输出受控量的加权系数，r_i是各个输入操作量的加权系数；

Δu(k+i-1)为u(k+i-1)-u(k)历史数据变化量；

若取函数Ψ为一个人工神经网络函数，以上算法就形成一个基于人工神经网络模型的预测控制算法；

其中各层权值求解，即BP学习算法具体为：

定义网络的输出误差：

其中d_K表示期望结果，O_K表示输出结果；

将其依次展开至隐层和输入层，在使误差不断减小的原则下，应使权值的调整量与误差的负梯度成正比，即：

Δw_jk表示隐藏层与输出层之间的权重调整量，Δv_ij为表示隐藏层与输入层之间的权重调整量；为误差E对vij的偏导，即梯度；

求解得到各层权值调整的计算公式，写成向量的形式为：

ΔW＝η(δ^oY^T)^T,ΔV＝η(δ^yX^T)^T

式中X＝(x₁，x₂，x₃…x_n)^T为输入向量，Y＝(y₁，y₂，y₃…y_n)^T为隐层输出向量，O＝(o₁，o₂，o₃…o_n)^T为输出向量，η表示为[0,1]间常数，表示网络学习速度；δ表示梯度；y表示隐藏层；而W＝[W_jk]_m×l和V＝[V_ij]_n×m分别是隐层到输出层和输入层到隐层的权值矩阵。

2.根据权利要求1所述的二次风优化控制方法，其特征在于：所述BP网络的学习训练过程如下：

(1)初始化网络，对网络参数及各权系数进行赋值，其中权系数应取随机数；

(2)输入训练样本，计算各层的预测值并与真实值相比较，得出网络的输出误差；

(3)依据误差反向传播规则，调整隐层之间以及隐层与输入层之间的权系数；

(4)重复步骤(2)和(3)，直至预测误差满足条件或训练次数达到规定次数。