一種煤粉鍋爐燃燒優(yōu)化的建模方法
【專利說(shuō)明】-種煤粉鍋妒燃燒優(yōu)化的建模方法 【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及煤粉鍋爐控制技術(shù)領(lǐng)域，特別是煤粉鍋爐的燃燒過(guò)程優(yōu)化控制的技術(shù) 領(lǐng)域。 【【背景技術(shù)】】
[0002] 煤粉鍋爐的燃燒優(yōu)化是實(shí)現(xiàn)電廠提高經(jīng)濟(jì)性與環(huán)保性的重要措施，而在實(shí)現(xiàn)燃燒 優(yōu)化之前則需要對(duì)鍋爐的燃燒過(guò)程進(jìn)行建模。一般來(lái)說(shuō)，優(yōu)化目標(biāo)為鍋爐熱效率與NOx排放 量，但在建模過(guò)程中，通?？紤]對(duì)飛灰含碳量與NOx排放進(jìn)行建模，然后再利用熱平衡公式 等將飛灰含碳量轉(zhuǎn)換為鍋爐熱效率，在此基礎(chǔ)上，通過(guò)智能算法等對(duì)可調(diào)節(jié)輔助變量進(jìn)行 尋優(yōu)，就實(shí)現(xiàn)了鍋爐燃燒建模一一優(yōu)化的整個(gè)過(guò)程。
[0003] 因循環(huán)流化床鍋爐(CFB)與傳統(tǒng)燃煤鍋爐在結(jié)構(gòu)上存在一定差異，所W建模方法 也各異，目前有傳統(tǒng)煤粉鍋爐燃燒優(yōu)化建模方法的相關(guān)專利申請(qǐng)，如CN200910096411，一種 鍋爐燃燒優(yōu)化的建模方法，將鍋爐負(fù)荷進(jìn)行分段，建立各負(fù)荷下的鍋爐燃燒模型； CN201310541803,一種電站鍋爐燃燒子空間建模及多目標(biāo)優(yōu)化，也是將負(fù)荷分為領(lǐng)域重疊 的若干個(gè)區(qū)域，離線進(jìn)行燃燒子空間模型的建立;CN201410122688,適合不同磨煤機(jī)組合的 電站鍋爐燃燒性能神經(jīng)網(wǎng)絡(luò)模型，是利用了神經(jīng)網(wǎng)絡(luò)使得磨煤機(jī)與鍋爐燃燒相結(jié)合； CN201510064480,一種電站鍋爐NOx排放動(dòng)態(tài)軟測(cè)量方法，將支持向量機(jī)作為軟測(cè)量建模工 具，結(jié)合了非線性自回歸滑動(dòng)平均的思想，來(lái)描述鍋爐燃燒過(guò)程;CN201510198128,一種鍋 爐燃燒優(yōu)化的變量降維建模方法，利用了主成分分析(PCA)對(duì)模型變量進(jìn)行特征提取，在利 用最小支持向量機(jī)化SSVM)對(duì)鍋爐燃燒進(jìn)行建模。但是由于鍋爐燃燒的禪合大、變量影響 多，當(dāng)數(shù)學(xué)模型的輸入自變量很多、自變量之間不是相互獨(dú)立時(shí)，利用神經(jīng)網(wǎng)絡(luò)容易出現(xiàn)過(guò) 擬合現(xiàn)象，從而導(dǎo)致建立的模型精度低、建模時(shí)間長(zhǎng)等問(wèn)題，所W在建模過(guò)程中對(duì)建模自變 量進(jìn)行篩選很多必要，上述專利要么沒(méi)有進(jìn)行變量篩選，要么只是利用高維空間映射(PCA) 進(jìn)行特征提取，并沒(méi)有很好的降低模型的復(fù)雜度，建模時(shí)間也較長(zhǎng)。本發(fā)明是通過(guò)智能進(jìn)化 算法一一遺傳算法(GA)對(duì)建模的自變量進(jìn)行降維，充分利用了遺傳算法全局優(yōu)化的能力， 然后經(jīng)過(guò)徑向基神經(jīng)網(wǎng)絡(luò)(RBF)建立鍋爐燃燒過(guò)程的模型，在減小建立模型的擬合誤差與 預(yù)測(cè)誤差的同時(shí)，加快了建模時(shí)間。 【
【發(fā)明內(nèi)容】
】
[0004] 本發(fā)明的目的就是解決現(xiàn)有技術(shù)中的問(wèn)題，提出一種煤粉鍋爐燃燒優(yōu)化的建模方 法，不僅提高了建模的精度，而且減小了模型復(fù)雜度與建模時(shí)間，為燃燒優(yōu)化提供了可靠的 保證。
[0005] 為實(shí)現(xiàn)上述目的，本發(fā)明提出了一種煤粉鍋爐燃燒優(yōu)化的建模方法，是在基于遺 傳算法對(duì)建模自變量進(jìn)行降維的基礎(chǔ)上，利用徑向基神經(jīng)網(wǎng)絡(luò)對(duì)鍋爐燃燒過(guò)程進(jìn)行建模， 具體步驟包括：
[0006] (a)數(shù)據(jù)預(yù)處理:利用30準(zhǔn)則剔除從集散控制系統(tǒng)化CS)上采集的具有粗大誤差的 數(shù)據(jù)；
[0007] (b)自變量降維:利用智能進(jìn)化遺傳算法對(duì)鍋爐燃燒過(guò)程的模型自變量進(jìn)行降維；
[0008] (C)模型建立：在模型自變量篩選的基礎(chǔ)上，利用徑向神經(jīng)網(wǎng)絡(luò)分別建立WNOx排 放量、飛灰含碳量為目標(biāo)的軟測(cè)量模型；
[0009] (d)誤差分析:對(duì)建立起的模型進(jìn)行擬合誤差與預(yù)測(cè)誤差的分析，校正模型參數(shù)。
[0010] 作為優(yōu)選，所述(b)步驟中，模型需要篩選的自變量包括燃煤熱值、鍋爐負(fù)荷、總送 風(fēng)量、給煤量、引風(fēng)量、燃煤特性、排煙溫度、主蒸汽溫度、主蒸汽流量，燃煤特性包括應(yīng)用基 灰分、碳含量、氨含量、氮含量。
[0011] 作為優(yōu)選，所述(b)步驟中，利用遺傳算法進(jìn)行優(yōu)化計(jì)算，需要將解空間映射到編 碼空間，每個(gè)編碼對(duì)應(yīng)問(wèn)題的一個(gè)解，本專利將編碼長(zhǎng)度設(shè)計(jì)為12,染色體的每一位對(duì)應(yīng)一 個(gè)自變量，每一位的基因取值只能是"0"或者"Γ，其中，"0"代表對(duì)應(yīng)的自變量不作為最終 的建模自變量，"Γ代表參與最終的建模。
[0012] 作為優(yōu)選，所述(b)步驟中，遺傳算法中選取測(cè)試集數(shù)據(jù)誤差平方和的倒數(shù)作為適 應(yīng)度函數(shù)，即/(義)=^;選擇操作選用比例選擇算子，交叉操作選擇單點(diǎn)交叉算子，變異 操作選用單點(diǎn)變異算子。
[0013] 作為優(yōu)化，所述(C)步驟中，徑向基神經(jīng)網(wǎng)絡(luò)采用的函數(shù)是高斯函數(shù)，并通過(guò)K-均 值聚類方法求取基函數(shù)中屯、C。
[0014] 本發(fā)明的有益效果：
[0015] 本發(fā)明通過(guò)智能進(jìn)化遺傳算法對(duì)鍋爐燃燒過(guò)程的自變量進(jìn)行篩選降維，根據(jù)優(yōu)化 結(jié)果"0"或"Γ選擇自變量是否參與建模，然后通過(guò)徑向基神經(jīng)網(wǎng)絡(luò)對(duì)參與建模的自變量進(jìn) 行建模，在或者較高的擬合精度與預(yù)測(cè)精度的同時(shí)，降低了建模時(shí)間與復(fù)雜度，為鍋爐燃燒 優(yōu)化的進(jìn)行提供了可靠的模型基礎(chǔ)。 【【具體實(shí)施方式】】
[0016] 本發(fā)明一種煤粉鍋爐燃燒優(yōu)化的建模方法，具體步驟包括：
[0017] 步驟一、利用30準(zhǔn)則剔除從集散控制系統(tǒng)(DCS)上采集的具有粗大誤差的數(shù)據(jù)；
[0018] 步驟二、利用智能進(jìn)化遺傳算法對(duì)鍋爐燃燒過(guò)程的模型自變量進(jìn)行降維；
[0019] 步驟S、在模型自變量篩選的基礎(chǔ)上，利用徑向神經(jīng)網(wǎng)絡(luò)分別建立從^)<排放量、 飛灰含碳量為目標(biāo)的軟測(cè)量模型；
[0020] 步驟四、對(duì)建立起的模型進(jìn)行擬合誤差與預(yù)測(cè)誤差的分析，校正模型參數(shù)。
[0021 ]其中，遺傳算法優(yōu)化計(jì)算的過(guò)程中，設(shè)計(jì)步驟為：
[0022] 1、初始種群的產(chǎn)生。隨機(jī)產(chǎn)生N個(gè)初始串?dāng)?shù)據(jù)結(jié)構(gòu)，每個(gè)串結(jié)構(gòu)即為一個(gè)個(gè)體，每 個(gè)個(gè)體的串結(jié)構(gòu)數(shù)據(jù)只有"0"或"Γ兩種取值。
[0023] 2、適應(yīng)度函數(shù)的計(jì)算。選取測(cè)試集數(shù)據(jù)誤差平方和的倒數(shù)作為適應(yīng)度函數(shù)：
[0024]
[0025] 3、選擇操作。選用比例算子，即個(gè)體被選中并遺傳到下一代種群中的概率與該個(gè) 體額適應(yīng)度大小成正比。
[0026] 4、交叉操作。先對(duì)種群中的個(gè)體進(jìn)行兩兩隨機(jī)配對(duì)，并隨機(jī)選取某一基因作為交 叉點(diǎn)，互換位置，產(chǎn)生新的個(gè)體。
[0027] 5、變異操作。隨機(jī)產(chǎn)生變異點(diǎn)，改變基因值，即"0"變?yōu)?Γ，"Γ變?yōu)?0"。
[0028] 6、結(jié)果輸出。經(jīng)過(guò)迭代計(jì)算，當(dāng)滿足終止條件時(shí)，輸出的末代種群對(duì)應(yīng)的便是問(wèn)題 的最優(yōu)解或次優(yōu)解，篩選出了最具代表性的模型自變量組合。
[00巧]徑向基神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法主要包括：
[0030] 1、基于K-均值聚類方法求取基函數(shù)中屯、C。包括網(wǎng)絡(luò)初始化，輸入訓(xùn)練樣本分組， 重新調(diào)整聚類中屯、等。
[0031] 2、求解方差〇1。本發(fā)明的RB巧申經(jīng)網(wǎng)絡(luò)采用的基函數(shù)為高斯函數(shù)，方差〇1可由下式 求解：
[0032]
[0033] 3、計(jì)算隱含層和輸出層之間的權(quán)值。隱含層與輸出層之間神經(jīng)元的連接權(quán)值可W 用最小二乘法直接計(jì)算得到：
[0034]
[00巧]本發(fā)明工作過(guò)程：
[0036] 本發(fā)明通過(guò)智能進(jìn)化遺傳算法對(duì)鍋爐燃燒過(guò)程的自變量進(jìn)行篩選降維，根據(jù)優(yōu)化 結(jié)果"0"或"Γ選擇自變量是否參與建模，然后通過(guò)徑向基神經(jīng)網(wǎng)絡(luò)對(duì)參與建模的自變量進(jìn) 行建模，在獲得較高的擬合精度與預(yù)測(cè)精度的同時(shí)，降低了建模時(shí)間與復(fù)雜度，為鍋爐燃燒 優(yōu)化的進(jìn)行提供了可靠的模型基礎(chǔ)。
[0037] 上述實(shí)施例是對(duì)本發(fā)明的說(shuō)明，不是對(duì)本發(fā)明的限定，任何對(duì)本發(fā)明簡(jiǎn)單變換后 的方案均屬于本發(fā)明的保護(hù)范圍。
【主權(quán)項(xiàng)】
1. 一種煤粉鍋爐燃燒優(yōu)化的建模方法，其特征在于:所述建模方法是在基于遺傳算法 對(duì)建模自變量進(jìn)行降維的基礎(chǔ)上，利用徑向基神經(jīng)網(wǎng)絡(luò)對(duì)鍋爐燃燒過(guò)程進(jìn)行建模，具體步 驟包括： (a) 數(shù)據(jù)預(yù)處理：利用3〇準(zhǔn)則剔除從集散控制系統(tǒng)（DCS)上采集的具有粗大誤差的數(shù) 據(jù)； (b) 自變量降維:利用智能進(jìn)化遺傳算法對(duì)鍋爐燃燒過(guò)程的模型自變量進(jìn)行降維； (c) 模型建立:在模型自變量篩選的基礎(chǔ)上，利用徑向神經(jīng)網(wǎng)絡(luò)分別建立以NOx排放量、 飛灰含碳量為目標(biāo)的軟測(cè)量模型； (d) 誤差分析:對(duì)建立起的模型進(jìn)行擬合誤差與預(yù)測(cè)誤差的分析，校正模型參數(shù)。2. 如權(quán)利要求1所述的一種煤粉鍋爐燃燒優(yōu)化的建模方法，其特征在于:所述(b)步驟 中，模型需要篩選的自變量包括燃煤熱值、鍋爐負(fù)荷、總送風(fēng)量、給煤量、引風(fēng)量、燃煤特性、 排煙溫度、主蒸汽溫度、主蒸汽流量，燃煤特性包括應(yīng)用基灰分、碳含量、氫含量、氮含量。3. 如權(quán)利要求1所述的一種煤粉鍋爐燃燒優(yōu)化的建模方法，其特征在于:所述(b)步驟 中，利用遺傳算法進(jìn)行優(yōu)化計(jì)算，需要將解空間映射到編碼空間，每個(gè)編碼對(duì)應(yīng)問(wèn)題的一個(gè) 解，本專利將編碼長(zhǎng)度設(shè)計(jì)為12，染色體的每一位對(duì)應(yīng)一個(gè)自變量，每一位的基因取值只能 是"0"或者"Γ，其中，"0"代表對(duì)應(yīng)的自變量不作為最終的建模自變量，"Γ代表參與最終的 建模。4. 如權(quán)利要求1所述的一種煤粉鍋爐燃燒優(yōu)化的建模方法，其特征在于:所述(b)步驟 中，遺傳算法中選取測(cè)試集數(shù)據(jù)誤差平方和的倒數(shù)作為適應(yīng)度函數(shù)，即/(Λ? ;選擇操 作選用比例選擇算子，交叉操作選擇單點(diǎn)交叉算子，變異操作選用單點(diǎn)變異算子。5. 如權(quán)利要求1所述的一種煤粉鍋爐燃燒優(yōu)化的建模方法，其特征在于:所述(c)步驟 中，徑向基神經(jīng)網(wǎng)絡(luò)采用的函數(shù)是高斯函數(shù)，并通過(guò)K-均值聚類方法求取基函數(shù)中心c。
【專利摘要】本發(fā)明公開(kāi)了一種煤粉鍋爐燃燒優(yōu)化的建模方法，具體步驟包括：(a)數(shù)據(jù)預(yù)處理；(b)自變量降維：利用智能進(jìn)化遺傳算法對(duì)鍋爐燃燒過(guò)程的模型自變量進(jìn)行降維；(c)模型建立：在模型自變量篩選的基礎(chǔ)上，利用徑向神經(jīng)網(wǎng)絡(luò)分別建立以NOX排放量、飛灰含碳量為目標(biāo)的軟測(cè)量模型；(d)誤差分析。本發(fā)明通過(guò)智能進(jìn)化遺傳算法對(duì)鍋爐燃燒過(guò)程的自變量進(jìn)行篩選降維，根據(jù)優(yōu)化結(jié)果“0”或“1”選擇自變量是否參與建模，然后通過(guò)徑向基神經(jīng)網(wǎng)絡(luò)對(duì)參與建模的自變量進(jìn)行建模，在獲得較高的擬合精度與預(yù)測(cè)精度的同時(shí)，降低了建模時(shí)間與復(fù)雜度，為鍋爐燃燒優(yōu)化的進(jìn)行提供了可靠的模型基礎(chǔ)。
【IPC分類】G06F17/50
【公開(kāi)號(hào)】CN105631151
【申請(qǐng)?zhí)枴緾N201610010165
【發(fā)明人】陳威宇
【申請(qǐng)人】陳威宇
【公開(kāi)日】2016年6月1日
【申請(qǐng)日】2016年1月6日