一种煤粉锅炉燃烧优化的建模方法技术

本发明专利技术公开了一种煤粉锅炉燃烧优化的建模方法，具体步骤包括：(a)数据预处理；(b)自变量降维：利用智能进化遗传算法对锅炉燃烧过程的模型自变量进行降维；(c)模型建立：在模型自变量筛选的基础上，利用径向神经网络分别建立以NOX排放量、飞灰含碳量为目标的软测量模型；(d)误差分析。本发明专利技术通过智能进化遗传算法对锅炉燃烧过程的自变量进行筛选降维，根据优化结果“0”或“1”选择自变量是否参与建模，然后通过径向基神经网络对参与建模的自变量进行建模，在获得较高的拟合精度与预测精度的同时，降低了建模时间与复杂度，为锅炉燃烧优化的进行提供了可靠的模型基础。

【技术实现步骤摘要】

本专利技术涉及煤粉锅炉控制
，特别是煤粉锅炉的燃烧过程优化控制的

技术介绍
煤粉锅炉的燃烧优化是实现电厂提高经济性与环保性的重要措施，而在实现燃烧优化之前则需要对锅炉的燃烧过程进行建模。一般来说，优化目标为锅炉热效率与NOX排放量，但在建模过程中，通常考虑对飞灰含碳量与NOX排放进行建模，然后再利用热平衡公式等将飞灰含碳量转换为锅炉热效率，在此基础上，通过智能算法等对可调节辅助变量进行寻优，就实现了锅炉燃烧建模——优化的整个过程。因循环流化床锅炉(CFB)与传统燃煤锅炉在结构上存在一定差异，所以建模方法也各异，目前有传统煤粉锅炉燃烧优化建模方法的相关专利申请，如CN200910096411，一种锅炉燃烧优化的建模方法，将锅炉负荷进行分段，建立各负荷下的锅炉燃烧模型；CN201310541803，一种电站锅炉燃烧子空间建模及多目标优化，也是将负荷分为领域重叠的若干个区域，离线进行燃烧子空间模型的建立；CN201410122688，适合不同磨煤机组合的电站锅炉燃烧性能神经网络模型，是利用了神经网络使得磨煤机与锅炉燃烧相结合；CN201510064480，一种电站锅炉NOX排放动态软测量方法，将支持向量机作为软测量建模工具，结合了非线性自回归滑动平均的思想，来描述锅炉燃烧过程；CN201510198128，一种锅炉燃烧优化的变量降维建模方法，利用了主成分分析(PCA)对模型变量<br>进行特征提取，在利用最小支持向量机(LSSVM)对锅炉燃烧进行建模。但是由于锅炉燃烧的耦合大、变量影响多，当数学模型的输入自变量很多、自变量之间不是相互独立时，利用神经网络容易出现过拟合现象，从而导致建立的模型精度低、建模时间长等问题，所以在建模过程中对建模自变量进行筛选很多必要，上述专利要么没有进行变量筛选，要么只是利用高维空间映射(PCA)进行特征提取，并没有很好的降低模型的复杂度，建模时间也较长。本专利技术是通过智能进化算法——遗传算法(GA)对建模的自变量进行降维，充分利用了遗传算法全局优化的能力，然后经过径向基神经网络(RBF)建立锅炉燃烧过程的模型，在减小建立模型的拟合误差与预测误差的同时，加快了建模时间。
技术实现思路
本专利技术的目的就是解决现有技术中的问题，提出一种煤粉锅炉燃烧优化的建模方法，不仅提高了建模的精度，而且减小了模型复杂度与建模时间，为燃烧优化提供了可靠的保证。为实现上述目的，本专利技术提出了一种煤粉锅炉燃烧优化的建模方法，是在基于遗传算法对建模自变量进行降维的基础上，利用径向基神经网络对锅炉燃烧过程进行建模，具体步骤包括：(a)数据预处理：利用3σ准则剔除从集散控制系统(DCS)上采集的具有粗大误差的数据；(b)自变量降维：利用智能进化遗传算法对锅炉燃烧过程的模型自变量进行降维；(c)模型建立：在模型自变量筛选的基础上，利用径向神经网络分别建立以NOX排放量、飞灰含碳量为目标的软测量模型；(d)误差分析：对建立起的模型进行拟合误差与预测误差的分析，校正模型参数。作为优选，所述(b)步骤中，模型需要筛选的自变量包括燃煤热值、锅炉负荷、总送风量、给煤量、引风量、燃煤特性、排烟温度、主蒸汽温度、主蒸汽流量，燃煤特性包括应用基灰分、碳含量、氢含量、氮含量。作为优选，所述(b)步骤中，利用遗传算法进行优化计算，需要将解空间映射到编码空间，每个编码对应问题的一个解，本专利将编码长度设计为12，染色体的每一位对应一个自变量，每一位的基因取值只能是“0”或者“1”，其中，“0”代表对应的自变量不作为最终的建模自变量，“1”代表参与最终的建模。作为优选，所述(b)步骤中，遗传算法中选取测试集数据误差平方和的倒数作为适应度函数，即选择操作选用比例选择算子，交叉操作选择单点交叉算子，变异操作选用单点变异算子。作为优化，所述(c)步骤中，径向基神经网络采用的函数是高斯函数，并通过K-均值聚类方法求取基函数中心c。本专利技术的有益效果：本专利技术通过智能进化遗传算法对锅炉燃烧过程的自变量进行筛选降维，根据优化结果“0”或“1”选择自变量是否参与建模，然后通过径向基神经网络对参与建模的自变量进行建模，在或者较高的拟合精度与预测精度的同时，降低了建模时间与复杂度，为锅炉燃烧优化的进行提供了可靠的模型基础。【具体实施方式】本专利技术一种煤粉锅炉燃烧优化的建模方法，具体步骤包括：步骤一、利用3σ准则剔除从集散控制系统(DCS)上采集的具有粗大误差的数据；步骤二、利用智能进化遗传算法对锅炉燃烧过程的模型自变量进行降维；步骤三、在模型自变量筛选的基础上，利用径向神经网络分别建立以NOX排放量、飞灰含碳量为目标的软测量模型；步骤四、对建立起的模型进行拟合误差与预测误差的分析，校正模型参数。其中，遗传算法优化计算的过程中，设计步骤为：1、初始种群的产生。随机产生N个初始串数据结构，每个串结构即为一个个体，每个个体的串结构数据只有“0”或“1”两种取值。2、适应度函数的计算。选取测试集数据误差平方和的倒数作为适应度函数：f(X)=1SE=1Σi=1n(ti^-ti)2]]>3、选择操作。选用比例算子，即个体被选中并遗传到下一代种群中的概率与该个体额适应度大小成正比。4、交叉操作。先对种群中的个体进行两两随机配对，并随机选取某一基因作为交叉点，互换位置，产生新的个体。5、变异操作。随机产生变异点，改变基因值，即“0”变为“1”，“1”变为“0”。6、结果输出。经过迭代计算，当满足终止条件时，输出的末代种群对应的便是问题的最优解或次优解，筛选出了最具代表性的模型自变量组合。径向基神经网络的学习算法主要包括：1、基于K-均值聚类方法求取基函数中心c。包括网络初始化，输入训练样本分组，重新调整聚类中心等。2、求解方差σi。本专利技术的RBF神经网络采用的基函数为高斯函数，方差σi可由下式求解：σi=cmax2h,i=1,2....h]]>3、计算隐含层和输出层之间的权值。隐含层与输出层之间神经元的连接权值可以用最小二乘法直接计算得到：ω=exp(hc2max||xp-ci||2),i=1,2,...h;p=1,2,...P]]>本专利技术工作过程：本专利技术通过智能进化遗传算法对锅炉燃烧过程的自变量进行筛选降维，根据优化结果“0”或“1”选择自变量是否参与建模，然后通过径向基神经网络对参与建模的自本文档来自技高网...

【技术保护点】
一种煤粉锅炉燃烧优化的建模方法，其特征在于：所述建模方法是在基于遗传算法对建模自变量进行降维的基础上，利用径向基神经网络对锅炉燃烧过程进行建模，具体步骤包括：(a)数据预处理：利用3σ准则剔除从集散控制系统(DCS)上采集的具有粗大误差的数据；(b)自变量降维：利用智能进化遗传算法对锅炉燃烧过程的模型自变量进行降维；(c)模型建立：在模型自变量筛选的基础上，利用径向神经网络分别建立以NOX排放量、飞灰含碳量为目标的软测量模型；(d)误差分析：对建立起的模型进行拟合误差与预测误差的分析，校正模型参数。

【技术特征摘要】
1.一种煤粉锅炉燃烧优化的建模方法，其特征在于：所述建模方法是在基
于遗传算法对建模自变量进行降维的基础上，利用径向基神经网络对锅炉燃烧
过程进行建模，具体步骤包括：
(a)数据预处理：利用3σ准则剔除从集散控制系统(DCS)上采集的具有
粗大误差的数据；
(b)自变量降维：利用智能进化遗传算法对锅炉燃烧过程的模型自变量进
行降维；
(c)模型建立：在模型自变量筛选的基础上，利用径向神经网络分别建立
以NOX排放量、飞灰含碳量为目标的软测量模型；
(d)误差分析：对建立起的模型进行拟合误差与预测误差的分析，校正模
型参数。
2.如权利要求1所述的一种煤粉锅炉燃烧优化的建模方法，其特征在于：
所述(b)步骤中，模型需要筛选的自变量包括燃煤热值、锅炉负荷、总送风量、
给煤量、引风量、燃煤特性、排烟温度、主蒸汽温度、主蒸汽流量，燃煤特性
包括应用基灰分、碳...

【专利技术属性】
技术研发人员：陈威宇，
申请(专利权)人：陈威宇，
类型：发明
国别省市：浙江;33