多变负荷下内嵌算法融合的多目标锅炉燃烧优化控制方法技术

本发明专利技术涉及一种多变负荷下内嵌算法融合的多目标锅炉燃烧优化控制方法，所述算法融合为随机森林算法与遗传算法融合构建多目标锅炉燃烧优化控制方法；多目标锅炉燃烧优化控制包括锅炉、风烟系统、DCS控制系统、在线监测系统、算法融合软件和模型预测控制器硬件；在锅炉燃烧优化控制寻优过程中实现减污提效。本发明专利技术基于算法融合，实现数据算法优势互补，使预测模型的精确度和稳定性更好，控制系统优化指令的可靠性更好；本发明专利技术可以实现锅炉燃烧出口NOx浓度以及热效率的精准预测，为高效低耗燃烧优化调节提供了预报信息；基于算法融合开展多目标锅炉燃烧优化，实现炉膛出口NO

【技术实现步骤摘要】
多变负荷下内嵌算法融合的多目标锅炉燃烧优化控制方法


[0001]本专利技术属于大气污染物治理
，具体地说是涉及一种多变负荷下内嵌算法融合的多目标锅炉燃烧优化控制方法。

技术介绍

[0002]我国资源禀赋决定煤炭资源依然处于主体地位，能源消费结构仍将以煤炭资源消费为主。当前能源形势下，燃煤发电的总量持续上升，是供电的主力军。煤电领域实施超低排放以来，NO
X
排放浓度要求控制在50mg/m3以下。因此，为了实现超低排放目标，国内燃煤电厂广泛开展了燃烧中及燃烧后NO
X
减排技术改造。然而，在NO
X
减排的同时保证锅炉热效率直接关系到火电企业的经济效益，并已成为燃煤电厂普遍面临的技术难题。
[0003]目前，国内外主要针对燃烧系统出口NO
X
浓度及锅炉热效率预测、燃烧多目标优化技术、燃烧系统预测控制等方面开展大量研究，建立了白箱模型、灰箱模型、灰箱模型等锅炉污染物及热效率预测模型，相对而言，黑箱模型主要基于人工神经网络、统计回归等算法建模，对燃烧机理要求较低，在锅炉燃烧系统建模中使用率逐渐提高。随着数据处理技术的兴起，通过数据挖掘技术建立锅炉运行参数之间的联系、构建不同输出变量的燃烧特性模型、采用多目标优化算法对模型进行寻优、找到最优的锅炉运行工况的研究日益增多。为了兼具经济性和环保性两个目标，人们将研究方向从单目标问题向多目标问题转变，基于数据算法技术对多目标进行同时寻优，以确定最优燃烧优化方法。模型预测与控制技术相结合，建立预测控制优化方法是当前煤电领域研究的热点，通过模型预测进一步优化控制方法的精准性，精细化调整运行参数，提高控制系统的稳定性、可靠性和经济性。
[0004]锅炉燃烧是一个极其复杂的物理化学过程，影响因素多，预测与调控要求高，如何实现多种扰动因素下运行参数稳定控制，建立精准预测模型和控制方法，是煤电领域研究的热点和难点。在火电减污降碳背景下，煤电机组负荷灵活多变，如何兼顾NO
X
低浓度排放和锅炉热效率提升已成为当务之急。
[0005]中国专利CN 109670629 A公开了基于长短期记忆神经网络的燃煤锅炉热效率预测方法，该专利按时间维度收集相关历史数据，并检测灰渣含碳量作为样本的输出数据，利用长短期记忆神经网络进行训练，建立预测模型，得到锅炉预测热效率，该技术数据集数据获取实时性较差，时间维度以小时计，预测值的获取具有局限性。
[0006]中国专利CN 109992921 A公开了一种燃煤电厂锅炉热效率的在线软测量方法及系统，基于garson神经网络敏感度和皮尔逊相关系数选取影响锅炉热效率的重要特征参数，采用EM
‑
MLR最大化聚类—多元回归算法优化的RBF神经网络训练后得到锅炉热效率预测模型，同时提供了一种锅炉热效率在线软测量系统，实时监测锅炉热效率，该专利预先确定影响锅炉热效率的特征参量，从数据分析角度讲，引入了主观因素和偏差，导致特征参量选择的科学性较弱，对后续建模的准确性产生不利影响，影响预测结果的准确性。
[0007]中国专利CN 107726358 A公开了基于CFD数值模拟和智能建模的锅炉燃烧优化系统及方法，涉及工业锅炉燃烧优化系统，该专利技术采用BP神经网络训练建模，使用CFD数值模
拟技术提高智能建模的准确性，调用DCS控制系统实现闭环控制，实现燃烧热效率和NO
X
排放的实时优化，由于锅炉燃烧过程影响因素多，建立的目标优化函数复杂，导致BP神经网络算法的技术缺点凸显，影响计算结果的准确性，虽然采用CFD数值模拟技术进行优化，但历史数据模拟计算并不能准确反映实时变化的锅炉燃烧工况，导致预测结果与实际情况产生偏差，影响结果预判的控制系统调整。

技术实现思路

[0008]为了克服现有技术的缺点和不足，本专利技术提供了一种多变负荷下内嵌算法融合的多目标锅炉燃烧优化控制方法，在燃煤机组负荷多变的条件下，基于算法融合建立NO
X
排放浓度与锅炉热效率预测模型，实现锅炉燃烧出口NOx浓度以及热效率的精准预测，为高效低耗燃烧调节提供预报信息，为多目标燃烧优化控制提供更多选择性，实现多变负荷条件下锅炉高效低耗运行。
[0009]为实现上述目的，本专利技术所采取的技术方案为：
[0010]一种多变负荷下内嵌算法融合的多目标锅炉燃烧优化控制方法，所述算法融合为随机森林算法与遗传算法融合构建多目标锅炉燃烧优化控制方法；所述多目标锅炉燃烧优化控制包括锅炉、风烟系统、DCS控制系统、在线监测系统、算法融合软件和模型预测控制器硬件；在锅炉燃烧优化控制寻优过程中实现减污提效；
[0011]所述多目标锅炉燃烧优化指基于算法融合同时针对影响NO
X
排放浓度和锅炉热效率的特征参数进行燃烧运行参数寻优；
[0012]所述多变负荷条件指燃煤锅炉在最低稳燃负荷和最大连续蒸发量负荷工况区间随发电负荷调整而实时变化的锅炉负荷或其他条件引起的锅炉负荷变化；
[0013]所述多目标锅炉燃烧优化控制方法，操作步骤如下：
[0014](1)采集锅炉历史数据和实时数据，建立运行参数数据库；
[0015](2)基于随机森林算法建立NO
X
和锅炉热效率预测模型；
[0016](3)确立预测模型评价指标；
[0017](4)基于遗传算法建立优化目标和约束，对燃烧过程进行优化，在所有运行工况中寻优获得多目标锅炉燃烧优化控制的Pareto前沿；
[0018](5)基于算法融合的优化方法形成静态优化+动态控制的模型预测控制器；
[0019](6)基于算法融合的锅炉燃烧优化控制方法根据锅炉运行情况实时调整运行参数，从而算法融合获得最优运行参数。
[0020]作为优选，所述随机森林算法根据Spearman系数，合并或删除锅炉燃烧系统运行参数的多余特征，通过筛选变量数据提前预测NO
X
排放趋势和锅炉热效率变化趋势；
[0021]所述Spearman的随机森林算法建模流程包括：
[0022](1)数据预处理；
[0023](2)选取特征；
[0024](3)根据Spearman系数，合并或删除多余特征，减少建模时间；
[0025](4)划分输入特征和预测输出值；所述输入特征包括锅炉负荷、给煤量、炉膛温度和总风量，所述输出值包括锅炉出口NO
X
浓度和锅炉热效率；
[0026](5)选取t时间段的输入特征代入随机森林模型，设置预测所需的时间步长m，获得
t+m时间段的预测值；
[0027](6)将预测值与实际t+m时间段的测量值进行比较分析；
[0028](7)模型预测效果评价；
[0029]所述遗传算法引入特征参数快速排序法，降低锅炉运行数据引起的计算复杂度，减少数据计算损耗的时间，解决了包括负荷、煤耗和风门开度在内的共享参数调控难题，保持了特征参数的多样性，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多变负荷下内嵌算法融合的多目标锅炉燃烧优化控制方法，其特征在于：所述算法融合为随机森林算法与遗传算法融合构建多目标锅炉燃烧优化控制方法；所述多目标锅炉燃烧优化控制包括锅炉、风烟系统、DCS控制系统、在线监测系统、算法融合软件和模型预测控制器硬件；在锅炉燃烧优化控制寻优过程中实现减污提效；所述多目标锅炉燃烧优化指基于算法融合同时针对影响NO
X
排放浓度和锅炉热效率的特征参数进行燃烧运行参数寻优；所述多变负荷条件指燃煤锅炉在最低稳燃负荷和最大连续蒸发量负荷工况区间随发电负荷调整而实时变化的锅炉负荷或其他条件引起的锅炉负荷变化；所述多目标锅炉燃烧优化控制方法，操作步骤如下：(1)采集锅炉历史数据和实时数据，建立运行参数数据库；(2)基于随机森林算法建立NO
X
和锅炉热效率预测模型；(3)确立预测模型评价指标；(4)基于遗传算法建立优化目标和约束，对燃烧过程进行优化，在所有运行工况中寻优获得多目标锅炉燃烧优化控制的Pareto前沿；(5)基于算法融合的优化方法形成静态优化+动态控制的模型预测控制器；(6)基于算法融合的锅炉燃烧优化控制方法根据锅炉运行情况实时调整运行参数，从而算法融合获得最优运行参数。2.根据权利要求1所述多变负荷下内嵌算法融合的多目标锅炉燃烧优化控制方法，其特征在于：所述随机森林算法根据Spearman系数，合并或删除锅炉燃烧系统运行参数的多余特征，通过筛选变量数据提前预测NO
X
排放趋势和锅炉热效率变化趋势；所述Spearman的随机森林算法建模流程包括：(1)数据预处理；(2)选取特征；(3)根据Spearman系数，合并或删除多余特征，减少建模时间；(4)划分输入特征和预测输出值；所述输入特征包括锅炉负荷、给煤量、炉膛温度和总风量，所述输出值包括锅炉出口NO
X
浓度和锅炉热效率；(5)选取t时间段的输入特征代入随机森林模型，设置预测所需的时间步长m，获得t+m时间段的预测值；(6)将预测值与实际t+m时间段的测量值进行比较分析；(7)模型预测效果评价；所述遗传算法引入特征参数快速排序法，降低锅炉运行数据引起的计算复杂度，减少数据计算损耗的时间，解决了包括负荷、煤耗和风门开度在内的共享参数调控难题，保持了特征参数的多样性，同时将特征参数与更新的特征参数子代数据混合，最大程度优选预测模型的计算参数，实现锅炉燃烧优化精准调控。3.根据权利要求1所述多变负荷下内嵌算法融合的多目标锅炉燃烧优化控制方法，其特征在于：影响锅炉NO
X
生成量的因素包括设计参数、运行参数和煤粉特性；所述设计因素包括燃烧方式和燃烧分布；所述运行参数包括机组负荷、过量空气系数、二次风配风方式和燃烬风风量；所述煤粉特性包括煤粉含氮量、挥发分含量和煤粉细度；影响锅炉热效率的因素包括排烟热损失、化学热损失、机械热损失、散热损失和灰渣热
损失，影响上述5种热损失的因素包括锅炉炉型、燃烧器、锅炉负荷、炉膛温度、磨煤机出力及配磨方式、一次风风速和二次风风速。4.根据权利要求2所述多变负荷下内嵌算法融合的多目标锅炉燃烧优化控制方法，其特征在于：步骤(1)中，所述数据预处理基于历史数据时间步长，从粗大值处理、吹扫过程处理和数据平滑处理三个方面进行数据异常点及平滑方向处理，提高数据的有效性；步骤(2)中，所述特征包括锅炉负荷L、主汽压力P、主汽温度T、总风量Q、一次风q1、二次风q2、燃烬风q3、给煤机风量q
i
、省煤器出口烟温t、烟气流量Q
f
、给煤机给煤指令M
i
、各层燃烧器壁温T
i
、各燃烧器一次风速ν
i
、NOx浓度C和锅炉热效率η。5.根据权利要求4所述多变负荷下内嵌算法融合的多目标锅炉燃烧优化控制方法，其特征在于：所述Spearman系数用于描述特征与响应变量之间的关系，波动范围
‑
1～1，数值的绝对值越大，变量之间的相关性程度越大，正值表示正相关，负值表示负相关；建立特征数据集E＝{L，P，T，Q，q1，q2，q3，q
i
，t，Q
...

【专利技术属性】
技术研发人员：郑成航，高翔，苏秋凤，张悠，周灿，张涌新，吴卫红，姚龙超，杨洋，赵中阳，张霄，
申请(专利权)人：浙江大学嘉兴研究院，
类型：发明
国别省市：