CN113864814A - 一种基于变量筛选的锅炉燃烧优化方法、装置及介质 - Google Patents
一种基于变量筛选的锅炉燃烧优化方法、装置及介质 Download PDFInfo
- Publication number
- CN113864814A CN113864814A CN202111081789.4A CN202111081789A CN113864814A CN 113864814 A CN113864814 A CN 113864814A CN 202111081789 A CN202111081789 A CN 202111081789A CN 113864814 A CN113864814 A CN 113864814A
- Authority
- CN
- China
- Prior art keywords
- variable set
- variable
- uncontrollable
- prediction model
- screening
- 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.)
- Granted
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 79
- 238000002485 combustion reaction Methods 0.000 title claims abstract description 77
- 238000012216 screening Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 71
- 238000012549 training Methods 0.000 claims abstract description 31
- 239000013598 vector Substances 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 9
- 239000003245 coal Substances 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 5
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 5
- 229910052799 carbon Inorganic materials 0.000 claims description 5
- 239000010881 fly ash Substances 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 229910052760 oxygen Inorganic materials 0.000 claims description 5
- 239000001301 oxygen Substances 0.000 claims description 5
- 239000000779 smoke Substances 0.000 claims description 4
- 210000000349 chromosome Anatomy 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims 1
- 238000012360 testing method Methods 0.000 description 9
- 238000005215 recombination Methods 0.000 description 5
- 230000006798 recombination Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 239000003546 flue gas Substances 0.000 description 3
- 239000000843 powder Substances 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23N—REGULATING OR CONTROLLING COMBUSTION
- F23N5/00—Systems for controlling combustion
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Regulation And Control Of Combustion (AREA)
Abstract
本发明涉及一种基于变量筛选的锅炉燃烧优化方法、装置及介质,方法包括:利用PLS‑VIP算法,根据锅炉燃烧热效率、NOx质量浓度和不可控变量集的历史数据,对不可控变量集进行筛选,获得第一筛选变量集和第二筛选变量集,将可控变量集分别跟第一筛选变量集和第二筛选变量集组合,分别获得第一优化变量集和第二优化变量集;构建第一预测模型和第二预测模型,进行训练;利用训练好的第一预测模型和第二预测模型,通过改进的NSGA‑Ⅱ算法完成对可控变量集的寻优。与现有技术相比,本发明具有训练速度快、预测精度高等优点。
Description
技术领域
本发明涉及燃煤电站锅炉燃烧优化调整领域,尤其是涉及一种基于变量筛选的锅炉燃烧优化方法、装置及介质。
背景技术
当前,减少燃煤电站NOx排放已经成为了当下的一个热点话题,追求低排放、高效率已经成为了各大发电企业的目标和方向。锅炉作为燃煤电站的一个复杂的能源转换设备,其环保性和经济性对整个火电机组有着较大的影响。锅炉的燃烧优化调整作为一种可以使锅炉运行在较低NOx排放和较高燃烧热效率区间的有效手段,对提高整个火电机组的环保性和经济性具有重要的意义。
然而,传统的燃烧调整方法是在某个特定的工况下进行的,不仅费时费力,而且泛化能力也较差,在实际的燃烧调整中具有一定的局限性。为改观这种局面,学者们通过挖掘燃气轮机的历史运行数据,找到燃煤电站锅炉实时运行数据和锅炉燃烧热效率、NOx排放之间的关系,以便于在燃烧调整时有针对性的改变相关参数,即可保证锅炉运行在低污染物排放、高效率的区域。
现有的火电机组锅炉燃烧优化调整方法主要通过建立预测模型进行优化,有些学者通过人工经验或是机理分析的方法筛选燃煤电站锅炉燃烧热效率和NOx排放的预测模型,锅炉的燃烧本身是一个非常复杂的系统,这样会使得建立的预测模型不精确,有的学者使用了主成分分析的方法来进行筛选建模的变量,由于锅炉燃烧的过程中各个变量之间有很强的耦合性,也会导致建立的预测模型不精确,从而无法建立准确的锅炉燃烧调整系统。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于变量筛选的锅炉燃烧优化方法、装置及介质,训练速度快,预测精度高。
本发明的目的可以通过以下技术方案来实现:
一种基于变量筛选的锅炉燃烧优化方法,包括:
将锅炉燃烧过程的全局变量集分为可控变量集、不可控变量集和预测变量集,所述的预测变量集包括锅炉燃烧热效率和NOx质量浓度;
利用PLS-VIP算法,根据锅炉燃烧热效率和不可控变量集的历史数据,对不可控变量集进行筛选,获得第一筛选变量集,根据NOx质量浓度和不可控变量集的历史数据,对不可控变量集进行筛选,获得第二筛选变量集,将可控变量集分别跟第一筛选变量集和第二筛选变量集组合,分别获得第一优化变量集和第二优化变量集;
基于LightGBM算法构建第一预测模型和第二预测模型,并以第一优化变量集和第二优化变量集分别作为第一预测模型和第二预测模型的输入变量,锅炉燃烧热效率和NOx质量浓度分别作为第一预测模型和第二预测模型的输出变量,进行训练;
利用训练好的第一预测模型和第二预测模型,通过改进的NSGA-Ⅱ算法完成对可控变量集的寻优,以提高锅炉燃烧过程的锅炉燃烧热效率和降低NOx质量浓度;
首先对锅炉燃烧过程的全局变量集进行了分类,所述的可控变量集和不可控变量集可表征锅炉燃烧热效率和NOx质量浓度,利用偏最小二乘结合变量重要性投影分析(PLS-VIP)算法对不可控变量集进行筛选,既可以消除各个变量之间的强耦合性,也能达到变量筛选的要求,降低了第一预测模型和第二预测模型的复杂度,提高预测模型的训练速度和预测精度;
所述的第一预测模型和第二预测模型基于LightGBM算法构建,LightGBM算法是在GBDT算法的基础上改进的算法,在处理海量数据时有较大的优势。
进一步地,所述的第一筛选变量集和第二筛选变量集的筛选过程相同;
所述的第二筛选变量集的筛选过程包括:
21)所述的不可控变量集包含p类不可控变量,采集n组NOx质量浓度和不可控变量集的历史数据,n组不可控变量集的历史数据构成XNOx,XNOx∈Rn×p,n组NOx质量浓度的历史数据构成YNOx,YNOx∈Rn×1,n组NOx质量浓度的历史数据构成XNOx,XNOx∈Rn×p;
22)利用PLS算法将XNOx和YNOx分解为如下形式:
其中,T和U为包含了l个隐含向量的n×1得分矩阵,P和Q分别为p×l和1×l的载荷矩阵,E和F分别是n×p和n×1的残差矩阵;
23)通过构造权值向量提取T和U,所述的权值向量的表达式为:
W=(w1,w2,…,wi,…,wk,…wl)
所述的权值向量满足以下公式:
其中,ti为T的第i列,ui为U的第i列,cov(ti,ui)为隐向量ti和ui的协方差,根据E和F调整隐向量ti和ui,直到残差矩阵中元素的绝对值的满足设定精度,此时,隐向量ti和ui能够最大程度表征XNOx和YNOx的方差,从而达到了降维的目的;
24)计算不可控变量集中每个不可控变量的VIP得分,根据VIP得分筛选不可控变量,构成第二筛选变量集,所述的VIP得分Vj的计算公式为:
进一步地,所述的根据VIP得分筛选不可控变量的过程包括:
若VIP得分大于设定值,则保留对应的不可控变量,否则不保留。
进一步地,所述的训练过程包括:
采集第一优化变量集、锅炉燃烧热效率、第二优化变量集和NOx质量浓度的历史数据,构成训练集,利用训练集,通过贝叶斯优化算法对第一预测模型和第二预测模型的超参数进行寻优;
所述的贝叶斯优化算法可以提高模型的训练速度和预测精度,为可控变量集的寻优奠定基础。
进一步地,所述的改进的NSGA-Ⅱ算法的目标函数为:
其中,f[NOx]为第二预测模型,f[η]为第一预测模型。
进一步地,所述的改进的NSGA-Ⅱ算法的模拟二进制交叉算子的表达式为:
式中,c1/2,i为子代染色体上对应的第i个变量,y1,i和y2,i为两个父代染色体上对应的第i个变量,N(0,1)为正态分布随机变量,u为区间(0,1)上均匀分布的随机数。
传统的NSGA-Ⅱ算法采用了模拟二进制交叉算子SBX,但是SBX有着局部最优以及进化过程不稳定的缺点,所述的改进的NSGA-Ⅱ算法将正态分布交叉算子和进化策略的离散重组操作引入到SBX中,提高了NSGA-Ⅱ算法的全局搜索能力和收敛能力,得到的解集更加均匀分布在Pareto的前沿,提高了解集的质量,在锅炉的实际燃烧调整优化中有着广泛的适用性。
进一步地,所述的可控变量集包括二次风挡板开度参数、SOFA风门开度参数以及锅炉总风量。
进一步地,所述的不可控变量集包括炉煤热值、磨煤机给粉量、机组负荷、环境温度、蒸汽温度、排烟温度、烟气含氧量、主蒸汽流量、过热汽温、再热汽温、过热器减温水量、再热器减温水量、一次风速、二次风速、风压偏差以及飞灰含碳量。
一种基于变量筛选的锅炉燃烧优化装置,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器调用所述程序指令能够执行所述的优化方法。
一种计算机可读存储介质,包括计算机程序,所述计算机程序能够被处理器执行所述的优化方法。
与现有技术相比,本发明具有以如下有益效果:
(1)本发明利用PLS-VIP算法,根据锅炉燃烧热效率、NOx质量浓度和不可控变量集的历史数据,对不可控变量集进行筛选,获得第一筛选变量集和第二筛选变量集,将可控变量集分别跟第一筛选变量集和第二筛选变量集组合,分别获得第一优化变量集和第二优化变量集,基于LightGBM算法构建第一预测模型和第二预测模型,并以第一优化变量集和第二优化变量集分别作为第一预测模型和第二预测模型的输入变量,锅炉燃烧热效率和NOx质量浓度分别作为第一预测模型和第二预测模型的输出变量,进行训练,利用训练好的第一预测模型和第二预测模型,通过改进的NSGA-Ⅱ算法完成对可控变量集的寻优,以提高锅炉燃烧过程的锅炉燃烧热效率和降低NOx质量浓度,本发明首先对锅炉燃烧过程的全局变量集进行了分类,所述的可控变量集和不可控变量集可表征锅炉燃烧热效率和NOx质量浓度,利用PLS-VIP算法对不可控变量集进行筛选,既可以消除各个变量之间的强耦合性,也能达到变量筛选的要求,降低了第一预测模型和第二预测模型的复杂度,提高预测模型的训练速度和预测精度;
(2)本发明采集第一优化变量集、锅炉燃烧热效率、第二优化变量集和NOx质量浓度的历史数据,构成训练集,利用训练集,通过贝叶斯优化算法对第一预测模型和第二预测模型的超参数进行寻优,贝叶斯优化算法可以提高模型的训练速度和预测精度,为可控变量集的寻优奠定基础;
(3)本发明改进的NSGA-Ⅱ算法将正态分布交叉算子和进化策略的离散重组操作引入到SBX中,提高了NSGA-Ⅱ算法的全局搜索能力和收敛能力,得到的解集更加均匀分布在Pareto的前沿,提高了解集的质量,在锅炉的实际燃烧调整优化中有着广泛的适用性。
附图说明
图1为本发明的方法流程示意图;
图2为采用和不采用BOA寻优得到的第二预测模型的预测结果对比图;
图3为采用和不采用BOA寻优得到的NOx质量浓度的逐点误差对比图;
图4为采用和不采用BOA寻优得到的第一预测模型的预测结果对比图;
图5为采用和不采用BOA寻优得到的锅炉燃烧热效率的逐点误差对比图;
图6为采用传统和改进NSGA-Ⅱ算法获得的锅炉燃烧优化结果对比图;
图7为改进NSGA-Ⅱ算法流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例1
一种基于变量筛选的锅炉燃烧优化方法,包括:
1)将锅炉燃烧过程的全局变量集分为可控变量集、不可控变量集和预测变量集,预测变量集包括锅炉燃烧热效率和NOx质量浓度;
2)利用PLS-VIP算法,根据锅炉燃烧热效率和不可控变量集的历史数据,对不可控变量集进行筛选,获得第一筛选变量集,根据NOx质量浓度和不可控变量集的历史数据,对不可控变量集进行筛选,获得第二筛选变量集,将可控变量集分别跟第一筛选变量集和第二筛选变量集组合,分别获得第一优化变量集和第二优化变量集;
3)基于LightGBM算法构建第一预测模型和第二预测模型,并以第一优化变量集和第二优化变量集分别作为第一预测模型和第二预测模型的输入变量,锅炉燃烧热效率和NOx质量浓度分别作为第一预测模型和第二预测模型的输出变量,进行训练;
4)利用训练好的第一预测模型和第二预测模型,通过改进的NSGA-Ⅱ算法完成对可控变量集的寻优,以提高锅炉燃烧过程的锅炉燃烧热效率和降低NOx质量浓度。
首先对锅炉燃烧过程的全局变量集进行了分类,可控变量集和不可控变量集可表征锅炉燃烧热效率和NOx质量浓度,利用偏最小二乘结合变量重要性投影分析(PLS-VIP)算法对不可控变量集进行筛选,既可以消除各个变量之间的强耦合性,也能达到变量筛选的要求,降低了第一预测模型和第二预测模型的复杂度,提高预测模型的训练速度和预测精度;
第一预测模型和第二预测模型基于LightGBM算法构建,LightGBM算法是在GBDT算法的基础上改进的算法,在处理海量数据时有较大的优势。
第一筛选变量集和第二筛选变量集的筛选过程相同;
第二筛选变量集的筛选过程包括:
21)不可控变量集包含p类不可控变量,采集n组NOx质量浓度和不可控变量集的历史数据,n组不可控变量集的历史数据构成XNOx,XNOx∈Rn×p,n组NOx质量浓度的历史数据构成YNOx,YNOx∈Rn×1,n组NOx质量浓度的历史数据构成XNOx,XNOx∈Rn×p;
22)利用PLS算法将XNOx和YNOx分解为如下形式:
其中,T和U为包含了l个隐含向量的n×1得分矩阵,P和Q分别为p×l和1×l的载荷矩阵,E和F分别是n×p和n×1的残差矩阵;
23)通过构造权值向量提取T和U,权值向量的表达式为:
W=(w1,w2,…,wi,…,wk,…wl)
权值向量满足以下公式:
其中,ti为T的第i列,ui为U的第i列,cov(ti,ui)为隐向量ti和ui的协方差,根据E和F调整隐向量ti和ui,直到残差矩阵中元素的绝对值的满足设定精度,此时,隐向量ti和ui能够最大程度表征XNOx和YNOx的方差,从而达到了降维的目的;
24)计算不可控变量集中每个不可控变量的VIP得分,根据VIP得分筛选不可控变量,构成第二筛选变量集,VIP得分Vj的计算公式为:
根据VIP得分筛选不可控变量的过程包括:
若VIP得分大于设定值,则保留对应的不可控变量,否则不保留。
训练过程包括:
采集第一优化变量集、锅炉燃烧热效率、第二优化变量集和NOx质量浓度的历史数据,构成训练集和测试集,利用训练集,通过贝叶斯优化算法(BOA)对第一预测模型和第二预测模型的超参数进行寻优,第一预测模型和第二预测模型的超参数名称及名称及取值范围如表1所示:
表1第一预测模型和第二预测模型的超参数表
模型参数 | 取值范围 |
learning_rate | (0,1) |
num_leaves | (10,50) |
feature_fraction | (0,1] |
min_data_in_leaf | (1,30) |
max_bin | [25,150] |
贝叶斯优化算法可以提高模型的训练速度和预测精度,为可控变量集的寻优奠定基础。
利用测试集对训练好的第一预测模型和第二预测模型进行测试,并通过引入均方根误差eRMSE和平均绝对百分误差eMAPE作为评价指标,eRMSE和eMAPE的计算公式为:
改进的NSGA-Ⅱ算法的目标函数为:
其中,f[NOx]为第二预测模型,f[η]为第一预测模型。
传统的NSGA-Ⅱ算法采用了模拟二进制交叉算子SBX,但是SBX有着局部最优以及进化过程不稳定的缺点,改进的NSGA-Ⅱ算法将正态分布交叉算子引入到SBX中,即用1.481|N(0,1)|代替SBX的随机变量参数来扩大搜索空间:
式中,c1/2,i为子代染色体上对应的第i个变量,y1,i和y2,i为两个父代染色体上对应的第i个变量,N(0,1)为正态分布随机变量,为进一步增强全局搜索能力,改进的NSGA-Ⅱ算法将进化策略的离散重组操作引入到上式中,从而得到正态分布交叉算子NDX:
其中,u为区间(0,1)上均匀分布的随机数。
如图7,改进的NSGA-Ⅱ算法包括以下步骤:
(1)初始化初始群体:设置最大迭代次数Gen。
(2)个体适应度的产生:采用快速非支配排序和拥挤度的方法,保留种群的多样性;
(3)交叉和变异算子:分别采用正态分布交叉算子和多项式变异算子,可以增强NSGA-Ⅱ算法的全局搜索能力;
(4)精英保留策略:从新种群选出优良个体,生成新的父代种群;
(5)最优Pareto解集:当得到最大迭代次数或者满足收敛条件时,算法结束,获得一系列Pareto解集。
和进化策略的离散重组操作引入到SBX中,提高了NSGA-Ⅱ算法的全局搜索能力和收敛能力,得到的解集更加均匀分布在Pareto的前沿,提高了解集的质量,在锅炉的实际燃烧调整优化中有着广泛的适用性。
以650MW机组为例,可控变量集记为Vc,包括4项二次风挡板开度参数Mwo1-wo4、4项SOFA风门开度参数Mso1-so4以及1项锅炉总风量;
不可控变量集记为Vp,包括1项炉炉煤热值Mr、5项磨煤机给粉量Mc1-c5、1项机组负荷ML、1项环境温度MT、1项蒸汽温度MS、1项排烟温度Me、1项烟气含氧量Mo、1项主蒸汽流量Mm、1项过热汽温Mgt、1项再热汽温Mrt、1项过热器减温水量Mgw、1项再热器减温水量Mrw、6项一次风速Mfw1-fw6、9项二次风速Msw1-sw9、1项风压偏差Mwd以及1项飞灰含碳量Mf;
预测变量集记为Vo;
全局变量集共计42维变量,选取该机组2019年6月1日至2019年7月31日的历史运行数据,采样时间为5min,因此一共20448组数据;
不可控变量和不可控变量作为自变量,锅炉燃烧热效率和NOx质量浓度作为因变量,使用VIP得分指标来评价自变量对因变量的重要性,若VIP得分Vj>1,则认为对应的自变量是因变量的重要因素,若VIP得分0.8<Vj<1,则认为对应的自变量是因变量的比较重要因素,VIP得分Vj<0.8,则认为对应的自变量是因变量的不重要因素,本实施例中筛选出重要和比较重要的自变量;
本实施例针对第二筛选变量集计算得出全局变量集VIP得分表如表2所示:
表2针对第二筛选变量集计算得出全局变量集VIP得分表
变量名称 | M<sub>r</sub>/MJ·kg<sup>-1</sup> | M<sub>c1</sub>/t·h<sup>-1</sup> | M<sub>c2</sub>/t·h<sup>-1</sup> | M<sub>c3</sub>/t·h<sup>-1</sup> | M<sub>c4</sub>/t·h<sup>-1</sup> | M<sub>c5</sub>/t·h<sup>-1</sup> |
VIP得分 | 0.862 | 0.715 | 0.718 | 0.723 | 0.686 | 0.708 |
M<sub>L</sub>/MW | M<sub>T</sub>/℃ | M<sub>S</sub>/℃ | M<sub>e</sub>/℃ | M<sub>o</sub>/% | M<sub>m</sub>/t·h<sup>-1</sup> | M<sub>gt</sub>/℃ |
1.053 | 0.764 | 0.633 | 1.086 | 1.116 | 0.706 | 0.612 |
M<sub>rt</sub>/℃ | M<sub>gw</sub>/t·h<sup>-1</sup> | M<sub>rw</sub>/t·h<sup>-1</sup> | M<sub>fw1</sub>/m·s<sup>-1</sup> | M<sub>fw2</sub>/m·s<sup>-1</sup> | M<sub>fw3</sub>/m·s<sup>-1</sup> | M<sub>fw4</sub>/m·s<sup>-1</sup> |
0.631 | 0.671 | 0.618 | 0.635 | 0.637 | 0.679 | 0.674 |
M<sub>fw5</sub>/m·s<sup>-1</sup> | M<sub>fw6</sub>/m·s<sup>-1</sup> | M<sub>sw1</sub>/m·s<sup>-1</sup> | M<sub>sw2</sub>/m·s<sup>-1</sup> | M<sub>sw3</sub>/m·s<sup>-1</sup> | M<sub>sw4</sub>/m·s<sup>-1</sup> | M<sub>sw5</sub>/m·s<sup>-1</sup> |
0.658 | 0.653 | 0.729 | 0.726 | 0.731 | 0.952 | 0.918 |
M<sub>sw6</sub>/m·s<sup>-1</sup> | M<sub>sw7</sub>/m·s<sup>-1</sup> | M<sub>sw8</sub>/m·s<sup>-1</sup> | M<sub>sw9</sub>/m·s<sup>-1</sup> | M<sub>wd</sub>/kpa | M<sub>f</sub>/% | |
0.933 | 0.769 | 0.764 | 0.759 | 0.752 | 1.069 |
由表2可知,入炉煤热值Mr、机组负荷ML、排烟温度Me、烟气含氧量Mo、二次风速Msw4-sw6、飞灰含碳量Mf可以较好地解释NOx质量浓度,构成第二筛选变量集,将第二筛选变量集和可控变量集Vc组合成新的第二优化变量集VNOx,作为第二预测模型的输入。
本实施例针对第一筛选变量集计算得出全局变量集VIP得分表如表3所示:
表3针对第一筛选变量集计算得出全局变量集VIP得分表
变量名称 | M<sub>r</sub>/MJ·kg<sup>-1</sup> | M<sub>c1</sub>/t·h<sup>-1</sup> | M<sub>c2</sub>/t·h<sup>-1</sup> | M<sub>c3</sub>/t·h<sup>-1</sup> | M<sub>c4</sub>/t·h<sup>-1</sup> | M<sub>c5</sub>/t·h<sup>-1</sup> |
VIP得分 | 0.983 | 1.051 | 1.032 | 1.043 | 0.781 | 0.753 |
M<sub>L</sub>/MW | M<sub>T</sub>/℃ | M<sub>S</sub>/℃ | M<sub>e</sub>/℃ | M<sub>o</sub>/% | M<sub>m</sub>/t·h<sup>-1</sup> | M<sub>gt</sub>/℃ |
1.031 | 0.782 | 0.859 | 0.958 | 1.183 | 0.783 | 0.717 |
M<sub>rt</sub>/℃ | M<sub>gw</sub>/t·h<sup>-1</sup> | M<sub>rw</sub>/t·h<sup>-1</sup> | M<sub>fw1</sub>/m·s<sup>-1</sup> | M<sub>fw2</sub>/m·s<sup>-1</sup> | M<sub>fw3</sub>/m·s<sup>-1</sup> | M<sub>fw4</sub>/m·s<sup>-1</sup> |
0.676 | 0.633 | 0.628 | 0.965 | 0.948 | 0.756 | 0.747 |
M<sub>fw5</sub>/m·s<sup>-1</sup> | M<sub>fw6</sub>/m·s<sup>-1</sup> | M<sub>sw1</sub>/m·s<sup>-1</sup> | M<sub>sw2</sub>/m·s<sup>-1</sup> | M<sub>sw3</sub>/m·s<sup>-1</sup> | M<sub>sw4</sub>/m·s<sup>-1</sup> | M<sub>sw5</sub>/m·s<sup>-1</sup> |
0.715 | 0.704 | 0.831 | 0.827 | 0.886 | 0.742 | 0.768 |
M<sub>sw6</sub>/m·s<sup>-1</sup> | M<sub>sw7</sub>/m·s<sup>-1</sup> | M<sub>sw8</sub>/m·s<sup>-1</sup> | M<sub>sw9</sub>/m·s<sup>-1</sup> | M<sub>wd</sub>/kpa | M<sub>f</sub>/% | |
0.761 | 0.689 | 0.656 | 0.663 | 0.736 | 1.074 |
由表3可知,入炉煤热值Mr、磨煤机给粉量Mc1-c3、机组负荷ML、排烟温度Me、烟气含氧量Mo、一次风速Mfw1-fw2、二次风速Msw1-sw3、飞灰含碳量Mf可以较好地解释锅炉燃烧热效率,构成第一筛选变量集,将第一筛选变量集和可控变量Vc组成第一优化变量集Vη,作为第一预测模型的输入。
将第二优化变量集VNOx中的数据划分为训练集和测试集,其中以20328数据作为训练集,以120组数据为测试集,离线训练的过程中,利用贝叶斯优化算法对第二预测模型的超参数进行寻优,并利用测试集数据测试训练好的模型,采用贝叶斯优化算法(BOA-LightGBM)寻优以及不采用贝叶斯优化算法寻优得到的第二预测模型(LightGBM)的预测结果对比图如图2所示,NOx质量浓度的逐点误差对比图如图3所示,模型误差对比表如表4所示:
表4采用以及不采用BOA寻优得到的第二预测模型的预测结果对比表
模型/评价指标 | e<sub>RMSE</sub>/mg·m<sup>-3</sup> | e<sub>MAPE</sub>/% |
LightGBM | 9.27 | 2.228 |
BOA-LightGBM | 7.72 | 1.984 |
第二预测模型经过贝叶斯优化算法寻优的超参数如表5所示:
表5第二预测模型超参数列表
模型参数 | 超参数取值 |
learning_rate | 0.1 |
num_leaves | 30 |
feature_fraction | 0.6 |
min_data_in_leaf | 17 |
max_bin | 45 |
以第一优化变量集Vη中的数据划分为训练集和测试集,其中以20328数据作为训练集,以120组数据为测试集。离线训练的过程中,利用贝叶斯优化算法对LightGBM模型的超参数进行寻优,并利用测试集数据测试训练好的模型,采用贝叶斯优化算法(BOA-LightGBM)寻优以及不采用贝叶斯优化算法寻优得到的第一预测模型(LightGBM)的预测结果对比图如图4所示,NOx质量浓度的逐点误差对比图如图5所示,模型误差对比表如表6所示:
表6采用以及不采用BOA寻优得到的第一预测模型的预测结果对比表
模型/评价指标 | e<sub>RMSE</sub>/mg·m<sup>-3</sup> | e<sub>MAPE</sub>/% |
LightGBM | 0.934 | 1.751 |
BOA-LightGBM | 0.787 | 1.341 |
第一预测模型经过贝叶斯优化算法寻优的超参数如表7所示:
表7第二预测模型超参数列表
模型参数 | 超参数取值 |
learning_rate | 0.1 |
num_leaves | 43 |
feature_fraction | 0.7 |
min_data_in_leaf | 15 |
max_bin | 30 |
利用改进的NSGA-Ⅱ算法完成对可控变量集的寻优,为锅炉的燃烧调整提供指导:
以较大的锅炉效率和较低的NOx排放为目标函数,建立多目标优化算法的目标函数,初始化种群,设置最大迭代次数为200,建立锅炉的燃烧优化调整模型,采用传统和改进NSGA-Ⅱ算法获得的锅炉燃烧优化结果对比图如图6所示,从图6中可以看出,改进的NSGA-Ⅱ算法相较于传统NSGA-Ⅱ算法,其搜索能力和收敛能力都有了一定程度的提升。因此,本实施例提出的基于变量筛选的锅炉燃烧优化方法可以为锅炉的燃烧优化提供指导。
实施例2
一种基于变量筛选的锅炉燃烧优化装置,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器调用所述程序指令能够执行实施例1所述的优化方法。
实施例3
一种计算机可读存储介质,包括计算机程序,所述计算机程序能够被处理器执行实施例1所述的优化方法。
实施例1、实施例2和实施例3提出了一种基于变量筛选的锅炉燃烧优化方法、装置及介质,对锅炉燃烧过程的全局变量集进行了分类,所述的可控变量集和不可控变量集可表征锅炉燃烧热效率和NOx质量浓度,利用PLS-VIP算法对不可控变量集进行筛选,既可以消除各个变量之间的强耦合性,也能达到变量筛选的要求,降低了第一预测模型和第二预测模型的复杂度,提高预测模型的训练速度和预测精度;采集第一优化变量集、锅炉燃烧热效率、第二优化变量集和NOx质量浓度的历史数据,构成训练集,利用训练集,通过贝叶斯优化算法对第一预测模型和第二预测模型的超参数进行寻优,贝叶斯优化算法可以提高模型的训练速度和预测精度,为可控变量集的寻优奠定基础;改进的NSGA-Ⅱ算法将正态分布交叉算子和进化策略的离散重组操作引入到SBX中,提高了NSGA-Ⅱ算法的全局搜索能力和收敛能力,得到的解集更加均匀分布在Pareto的前沿,提高了解集的质量,在锅炉的实际燃烧调整优化中有着广泛的适用性。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种基于变量筛选的锅炉燃烧优化方法,其特征在于,包括:
将锅炉燃烧过程的全局变量集分为可控变量集、不可控变量集和预测变量集,所述的预测变量集包括锅炉燃烧热效率和NOx质量浓度;
利用PLS-VIP算法,根据锅炉燃烧热效率和不可控变量集的历史数据,对不可控变量集进行筛选,获得第一筛选变量集,根据NOx质量浓度和不可控变量集的历史数据,对不可控变量集进行筛选,获得第二筛选变量集,将可控变量集分别跟第一筛选变量集和第二筛选变量集组合,分别获得第一优化变量集和第二优化变量集;
基于LightGBM算法构建第一预测模型和第二预测模型,并以第一优化变量集和第二优化变量集分别作为第一预测模型和第二预测模型的输入变量,锅炉燃烧热效率和NOx质量浓度分别作为第一预测模型和第二预测模型的输出变量,进行训练;
利用训练好的第一预测模型和第二预测模型,通过改进的NSGA-Ⅱ算法完成对可控变量集的寻优,以提高锅炉燃烧过程的锅炉燃烧热效率和降低NOx质量浓度。
2.根据权利要求1所述的一种基于变量筛选的锅炉燃烧优化方法,其特征在于,所述的第一筛选变量集和第二筛选变量集的筛选过程相同;
所述的第二筛选变量集的筛选过程包括:
21)所述的不可控变量集包含p类不可控变量,采集n组NOx质量浓度和不可控变量集的历史数据,n组不可控变量集的历史数据构成XNOx,XNOx∈Rn×p,n组NOx质量浓度的历史数据构成YNOx,YNOx∈Rn×1,n组NOx质量浓度的历史数据构成XNOx,XNOx∈Rn×p;
22)利用PLS算法将XNOx和YNOx分解为如下形式:
其中,T和U为包含了l个隐含向量的n×1得分矩阵,P和Q分别为p×l和1×l的载荷矩阵,E和F分别是n×p和n×1的残差矩阵;
23)通过构造权值向量提取T和U,所述的权值向量的表达式为:
W=(w1,w2,…,wi,…,wk,…wl)
所述的权值向量满足以下公式:
其中,ti为T的第i列,ui为U的第i列,cov(ti,ui)为隐向量ti和ui的协方差,根据E和F调整隐向量ti和ui,直到残差矩阵中元素的绝对值的满足设定精度;
24)计算不可控变量集中每个不可控变量的VIP得分,根据VIP得分筛选不可控变量,构成第二筛选变量集,所述的VIP得分Vj的计算公式为:
3.根据权利要求2所述的一种基于变量筛选的锅炉燃烧优化方法,其特征在于,所述的根据VIP得分筛选不可控变量的过程包括:
若VIP得分大于设定值,则保留对应的不可控变量,否则不保留。
4.根据权利要求1所述的一种基于变量筛选的锅炉燃烧优化方法,其特征在于,所述的训练过程包括:
采集第一优化变量集、锅炉燃烧热效率、第二优化变量集和NOx质量浓度的历史数据,构成训练集,利用训练集,通过贝叶斯优化算法对第一预测模型和第二预测模型的超参数进行寻优。
7.根据权利要求1所述的一种基于变量筛选的锅炉燃烧优化方法,其特征在于,所述的可控变量集包括二次风挡板开度参数、SOFA风门开度参数以及锅炉总风量。
8.根据权利要求1所述的一种基于变量筛选的锅炉燃烧优化方法,其特征在于,所述的不可控变量集包括炉煤热值、磨煤机给粉量、机组负荷、环境温度、蒸汽温度、排烟温度、烟气含氧量、主蒸汽流量、过热汽温、再热汽温、过热器减温水量、再热器减温水量、一次风速、二次风速、风压偏差以及飞灰含碳量。
9.一种基于变量筛选的锅炉燃烧优化装置,其特征在于,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器调用所述程序指令能够执行如权利要求1至8任一所述的优化方法。
10.一种计算机可读存储介质,其特征在于,包括计算机程序,所述计算机程序能够被处理器执行以实现如权利要求1-8任一所述的优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111081789.4A CN113864814B (zh) | 2021-09-15 | 2021-09-15 | 一种基于变量筛选的锅炉燃烧优化方法、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111081789.4A CN113864814B (zh) | 2021-09-15 | 2021-09-15 | 一种基于变量筛选的锅炉燃烧优化方法、装置及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113864814A true CN113864814A (zh) | 2021-12-31 |
CN113864814B CN113864814B (zh) | 2024-04-26 |
Family
ID=78996069
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111081789.4A Active CN113864814B (zh) | 2021-09-15 | 2021-09-15 | 一种基于变量筛选的锅炉燃烧优化方法、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113864814B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105631151A (zh) * | 2016-01-06 | 2016-06-01 | 陈威宇 | 一种煤粉锅炉燃烧优化的建模方法 |
CN107726358A (zh) * | 2017-10-12 | 2018-02-23 | 东南大学 | 基于cfd数值模拟和智能建模的锅炉燃烧优化系统及方法 |
CN109325313A (zh) * | 2018-11-01 | 2019-02-12 | 大唐环境产业集团股份有限公司 | 基于改进量子粒子群优化电厂锅炉nox预测模型装置 |
CN109492807A (zh) * | 2018-11-01 | 2019-03-19 | 大唐环境产业集团股份有限公司 | 基于改进量子粒子群算法的锅炉nox预测模型优化方法 |
CN110793059A (zh) * | 2019-11-13 | 2020-02-14 | 南京昆岳智能电力科技有限公司 | 锅炉智能燃烧综合优化控制方法 |
CN111765445A (zh) * | 2020-07-01 | 2020-10-13 | 河北工业大学 | 一种锅炉在线燃烧优化控制方法、系统及计算机设备 |
-
2021
- 2021-09-15 CN CN202111081789.4A patent/CN113864814B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105631151A (zh) * | 2016-01-06 | 2016-06-01 | 陈威宇 | 一种煤粉锅炉燃烧优化的建模方法 |
CN107726358A (zh) * | 2017-10-12 | 2018-02-23 | 东南大学 | 基于cfd数值模拟和智能建模的锅炉燃烧优化系统及方法 |
CN109325313A (zh) * | 2018-11-01 | 2019-02-12 | 大唐环境产业集团股份有限公司 | 基于改进量子粒子群优化电厂锅炉nox预测模型装置 |
CN109492807A (zh) * | 2018-11-01 | 2019-03-19 | 大唐环境产业集团股份有限公司 | 基于改进量子粒子群算法的锅炉nox预测模型优化方法 |
CN110793059A (zh) * | 2019-11-13 | 2020-02-14 | 南京昆岳智能电力科技有限公司 | 锅炉智能燃烧综合优化控制方法 |
CN111765445A (zh) * | 2020-07-01 | 2020-10-13 | 河北工业大学 | 一种锅炉在线燃烧优化控制方法、系统及计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113864814B (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shi et al. | Combustion optimization of ultra supercritical boiler based on artificial intelligence | |
Yang et al. | Prediction of the NOx emissions from thermal power plant using long-short term memory neural network | |
CN103064289B (zh) | 一种垃圾发电厂多目标运行优化及协调的控制方法及装置 | |
CN103759290A (zh) | 大型燃煤机组在线监测与优化控制系统及其实现方法 | |
CN115238597B (zh) | 涉及园区级综合能源系统源网荷碳排放模型的构建方法 | |
CN105864797B (zh) | 循环流化床生活垃圾焚烧锅炉入炉热值实时预测系统及方法 | |
CN110263395A (zh) | 基于数值模拟和数据分析的电厂脱硝运行优化方法及系统 | |
CN111461355A (zh) | 基于随机森林的二噁英排放浓度迁移学习预测方法 | |
CN111144609A (zh) | 一种锅炉废气排放预测模型建立方法、预测方法及装置 | |
CN113627071A (zh) | 一种基于鲸鱼算法优化长短时记忆网络的燃煤锅炉nox软测量方法 | |
WO2023138140A1 (zh) | 基于宽度混合森林回归的mswi过程二噁英排放软测量方法 | |
CN110888401B (zh) | 火力发电机组燃烧控制优化方法、装置及可读存储介质 | |
CN113864814B (zh) | 一种基于变量筛选的锅炉燃烧优化方法、装置及介质 | |
CN103886370B (zh) | 适合不同磨煤机组合的电站锅炉燃烧性能神经网络模型 | |
CN107977539A (zh) | 基于对象燃烧机理的改进神经网络锅炉燃烧系统建模方法 | |
CN115437245A (zh) | 一种基于燃烧状态预测模型的锅炉优化控制方法 | |
Parsa et al. | Combustion efficiency optimization by adjusting the amount of excess air | |
CN115656461A (zh) | 一种基于煤质软测量的煤电机组实时碳排放量监测方法 | |
He et al. | Prediction of MSWI furnace temperature based on TS fuzzy neural network | |
CN110647560B (zh) | 一种机理与类脑智能结合的电厂入炉煤质在线软测量方法 | |
Yu et al. | Dynamic Modeling of Key Operating Parameters for Supercritical Circulating Fluidized Bed Units based on Data-Knowledge-Driven Method | |
CN117190173B (zh) | 烟气再循环与锅炉耦合系统的优化控制方法及控制系统 | |
Weiqing | Multi-objective optimization of coal-fired boiler efficiency and NOx emission under different ecological environment | |
CN115576199B (zh) | 一种火电机组深度调峰下辅机低负荷安全自动控制方法 | |
CN113869399A (zh) | 一种基于决策树和蚁群算法的电厂锅炉效率优化方法 |
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 |