基于历史工况的锅炉燃烧在线优化方法技术

本发明专利技术涉及一种基于历史工况的锅炉燃烧在线优化方法，包括以下步骤：明确优化目标为锅炉效率与NOx排放浓度；采集锅炉的运行数据，进行剔除异常值与判别稳态工况；然后采用K均值聚类方法以表征锅炉外部约束条件的负荷、相对煤质系数为划分指标，对锅炉运行工况进行划分；最后采用多目标模糊优化方法对锅炉效率与NOx排放浓度进行优化。该方法在确定K均值聚类的K值时采用手肘放确定K值，并通过数据分布预先判断参与分类的数据范围，提高了手肘法的准确性。本方法采用的算法时间复杂度低、运行效率高，适用于超超临界锅炉燃烧的在线优化。适用于超超临界锅炉燃烧的在线优化。适用于超超临界锅炉燃烧的在线优化。

【技术实现步骤摘要】
基于历史工况的锅炉燃烧在线优化方法


[0001]本专利技术涉及燃煤锅炉燃烧优化方法
，尤其是一种基于历史工况的锅炉燃烧在线优化方法。

技术介绍

[0002]超超临界锅炉因其体量庞大，与之运行有关的参数较多，通过专家经验调整锅炉运行的参数使其达到良好的运行状态十分困难。厂级信息监测系统与分布式控制系统已经被火电厂广泛应用，电厂的数字化水平较高且已经储存了丰富的锅炉运行数据，妥善处理与应用历史运行数据有助于挖掘锅炉的运行潜力。
[0003]目前，锅炉在线燃烧优化方法主要采用智能算法建立锅炉运行参数与锅炉性能指标的相关模型，然后利用启发式算法对锅炉运行参数进行参数寻优从而使锅炉性能指标得到提升。这一方法比较适用于小型锅炉，小型锅炉的运行参数少，使得用于模型训练的特征参数少，模型训练简单且易于达到满意的精度。当锅炉的负载提升后，与燃烧有关的特征参数增多，模型变得复杂，使得训练所需的时间增长，且超超临界锅炉运行工况复杂多变，需要定期更新模型以包容新出现的数据，从而使得优化锅炉运行的难度增大。因此，需要采用更有效的方法对超超临界燃煤锅炉进行在线优化。

技术实现思路

[0004]针对现有技术的不足，本专利技术提出一种基于历史工况的锅炉燃烧在线优化方法，解决目前智能算法无法有效适用于大型锅炉特征参数量多、工况复杂多变情况下的优化计算的技术问题。
[0005]本专利技术采用的技术方案如下：
[0006]一种基于历史工况的锅炉燃烧在线优化方法，包括如下步骤：
[0007]步骤S1：定义运行优化目标为锅炉效率与NOx排放浓度；
[0008]步骤S2：采集与锅炉效率及NOx排放浓度相关的运行数据，剔除异常值、判别稳态工况后得到有效样本；
[0009]步骤S3：确定表征锅炉运行工况的划分指标，采用K均值聚类算法对所述有效样本进行聚类划分，得到分别以负荷、相对煤质系数为划分标准的计算样本；
[0010]步骤S4：在所述计算样本中，选取特定负荷区间及煤质区间的数据，确定与锅炉效率和NOx排放量密切相关的运行参数作为目标参数，并计算相应的性能指标；采用多目标模糊优化方法计算获得关于锅炉效率与NOx排放浓度多目标优化问题的满意解，以满意解为优化初始值，对锅炉运行的性能指标进行在线优化。
[0011]所述S3中，在K均值聚类算法迭代计算时，采用手肘法确定K值，即计算不同K值下样本聚类后的误差平方和SSE，然后取肘部的值作为最终聚类的K值；
[0012]SSE采用下式计算：
[0013][0014]其中，SSE表示所有样本的聚类误差，表征聚类效果；C
i
是第i个簇，p是C
i
中的样本点，m
i
是C
i
的质心，是C
i
中所有样本的均值。
[0015]所述步骤S4中，多目标模糊优化方法具体包括：
[0016]步骤S41：计算子目标的有约束极大值F
kmax
和极小值F
kmin
；
[0017]步骤S42：利用各约束的极大值F
kmax
和极小值F
kmin
，计算子目标的隶属函数：
[0018]对需要取极小值的指标：
[0019][0020]对需要取极大值的指标：
[0021][0022]上两式中，为所构造的单个优化目标的隶属函数，F
k
(X)为样本值，F
kmin
、F
kmax
分别为样本区间内某个优化目标的极大值与极小值，r取值小于1，r＝1，1/2，1/3......
[0023]步骤S43：构造n个待优化目标的模糊判决其中，∩代表模糊集合，
[0024]所述模糊判决的隶属函数为：
[0025][0026]上式中，Λ为取最小值；
[0027]步骤S44：取n个待优化目标的隶属度值的最大值，求得多目标优化问题的满意解X
*
，
[0028][0029]上式中，λ
*
即为多目标优化问题的有效解。
[0030]所述步骤S2中，采用3σ原则剔除异常值；利用滑动窗口法判别稳态工况。
[0031]本专利技术的有益效果如下：
[0032]本专利技术的算法时间复杂度低、运行效率高，适用于各类锅炉、特别是超超临界等大型锅炉运行在线优化。
[0033]本专利技术基于历史工况对锅炉燃烧进行在线优化的方法充分利用锅炉现有的数据，具有时间复杂度低的优点。从已有锅炉运行工况中寻找最优解，能更好地匹配锅炉的运行状态，在超超临界等大型锅炉上应用更为便利。
[0034]本专利技术采用的K均值聚类方法利用手肘法确定K值，使得K值得确定有了依据，避免人为划分引起的不确定性。通过锅炉运行数据的分布将明显可以归为一类的数据排除在K值计算之外，使得手肘法生成的曲线更具有明显的肘部特征，从而能更好地确定K值。
附图说明
[0035]图1为本专利技术实施例的算法流程图，
[0036]图2为本专利技术实施例除去400MW左右负荷时SSE值随负荷聚类K值的变化曲线图。
[0037]图3为本专利技术实时例未除去400MW左右负荷时SSE值随负荷聚类K值的变化曲线图。
[0038]图4为本专利技术实施例SSE值随相对煤质系数聚类K值的变化曲线图。
[0039]图5为本专利技术实施例的负荷聚类结果。
[0040]图6为本专利技术实施例的相对煤质系数聚类结果。
具体实施方式
[0041]以下结合附图说明本专利技术的具体实施方式。
[0042]本实施例的一种基于历史工况的锅炉燃烧在线优化方法，包括如下步骤：
[0043]步骤S1：定义运行优化目标为锅炉效率与NOx排放浓度。
[0044]步骤S2：采集与锅炉效率及NOx排放浓度相关的运行数据，剔除异常值、判别稳态工况后得到有效样本；
[0045]作为具体实施形式，基于有效样本，通过通用计算模型，计算锅炉效率；
[0046]作为具体实施形式，采用3σ原则剔除异常值，即某一数据与平均值μ的差值大于3倍样本数据的标准差σ即判定为异常值；
[0047]作为具体实施形式，利用滑动窗口法判别稳态工况。通过选择某一合适的窗口宽度并滑动，计算每次滑动后窗口内数值的标准差，若标准差过大，则该点处于非稳态工况。
[0048]其中，剔除异常值即将启动、停机及负荷调节等状态转换过程中产生的不稳定状态的数据剔除，得到稳态工况的数据，作为有效样本。
[0049]步骤S3：确定表征锅炉运行工况的划分指标：负荷、相对煤质系数，采用K均值聚类算法对步骤S2所得有效样本进行聚类划分，得到分别以负荷、相对煤质系数为划分标准的计算样本；
[0050]作为优选方式，在K均值聚类算法迭代计算时，采用手肘法确定K值，计算不同K值下样本聚类后的误差平方和，然后取肘部的值作为最终聚类的K值；...

【技术保护点】

【技术特征摘要】
1.一种基于历史工况的锅炉燃烧在线优化方法，其特征在于，包括如下步骤：步骤S1：定义运行优化目标为锅炉效率与NOx排放浓度；步骤S2：采集与锅炉效率及NOx排放浓度相关的运行数据，剔除异常值、判别稳态工况后得到有效样本；步骤S3：确定表征锅炉运行工况的划分指标，采用K均值聚类算法对所述有效样本进行聚类划分，得到分别以负荷、相对煤质系数为划分标准的计算样本；步骤S4：在所述计算样本中，选取特定负荷区间及煤质区间的数据，确定与锅炉效率和NOx排放量密切相关的运行参数作为目标参数，并计算相应的性能指标；采用多目标模糊优化方法计算获得关于锅炉效率与NOx排放浓度多目标优化问题的满意解，以满意解为优化初始值，对锅炉运行的性能指标进行在线优化。2.根据权利要求1所述的基于历史工况的锅炉燃烧在线优化方法，其特征在于，所述S3中，在K均值聚类算法迭代计算时，采用手肘法确定K值，即计算不同K值下样本聚类后的误差平方和SSE，然后取肘部的值作为最终聚类的K值；SSE采用下式计算：其中，SSE表示所有样本的聚类误差，表征聚类效果；C
i
是第i个簇，p是C
i
中的样本点，m
i
是C
i
的质心，是C
i
中所有样本的均值...

【专利技术属性】
技术研发人员：陈波，曹歌瀚，黄亚继，徐文韬，岳俊峰，王亚欧，李雨欣，
申请(专利权)人：江苏方天电力技术有限公司，
类型：发明
国别省市：