一种基于燃烧状态预测模型的锅炉优化控制方法技术

本发明专利技术采用一种基于燃烧状态预测模型的锅炉优化控制方法，该方法采用随机森林机器学习算法与模型在线更新功能，构建锅炉燃烧状态预测模型，然后通过燃烧状态分类算法，获取当前工况下的最优可调状态参数，指导锅炉进行燃烧调整，以达到多目标优化下的燃烧状态自寻优功能，使锅炉实现闭环优化与控制。本发明专利技术的技术方案是通过如下系统过程和方法实现的：（1）该方法采用随机森林机器学习算法与模型在线更新功能，构建锅炉燃烧状态预测模型；（2）采用燃烧状态分类算法，获取当前工况下的最优可调状态参数，指导锅炉进行燃烧调整，以达到多目标优化下的燃烧状态自寻优功能，使锅炉实现闭环优化与控制。环优化与控制。环优化与控制。

【技术实现步骤摘要】
一种基于燃烧状态预测模型的锅炉优化控制方法


[0001]本专利技术涉及燃煤锅炉优化控制领域，尤其针对锅炉在线优化调整方面所提供的一种方法。

技术介绍

[0002]热电企业通过提高锅炉的燃烧效率来增加发电量或产汽量的同时，还要必须降低污染物排放含量，减少环境污染。因此，能耗低、效率高、污染少是各个热电企业经营的目标和方向。然而，提高锅炉燃烧效率，减少氮氧化物的生成，这两个目标很多时候是相互矛盾的。加之，锅炉工况、煤质的变化等客观因素的影响，仅靠人工经验调整很难长期满足锅炉的经济燃烧与低排放要求，严重的甚至造成局部高温、炉膛结焦、水冷壁爆管等安全事故。因此，对电站燃煤锅炉燃烧过程进行优化是十分必要的。

技术实现思路

[0003]本专利技术采用一种基于燃烧状态预测模型的锅炉优化控制方法，该方法采用随机森林机器学习算法与模型在线更新功能，构建锅炉燃烧状态预测模型，然后通过燃烧状态分类算法，获取当前工况下的最优可调状态参数，指导锅炉进行燃烧调整，以达到多目标优化下的燃烧状态自寻优功能，使锅炉实现闭环优化与控制。
[0004]本专利技术的技术方案是通过如下系统过程和方法实现的：（1）该方法采用随机森林机器学习算法与模型在线更新功能，构建锅炉燃烧状态预测模型；（2）采用燃烧状态分类算法，获取当前工况下的最优可调状态参数，指导锅炉进行燃烧调整，以达到多目标优化下的燃烧状态自寻优功能，使锅炉实现闭环优化与控制。
[0005]采用随机森林机器学习算法与模型在线更新功能，构建锅炉燃烧状态预测模型。
[0006]随机森林机器学习算法，其特征在于：（1）首先，在兼顾锅炉热效率及NO
X
排放的综合性能基础之上，通过锅炉燃烧优化试验数据或运行历史数据，获取不同运行工况下的燃烧状态样本数据，其中每一个典型工况下，至少有一组代表最优燃烧状态，作为优化目标的基本边界值，并量化最优评价标准，可采用的最优评价公式如下：计算式1：式中：η代表实际锅炉热效率的实际计算值；NO
X
代表氮氧化物含量实测值；a、b两项输出值的加权系数，取决于企业对热对效率和NO
X
排放物的关注程度，当前，锅炉热效率和NO
X
排放量的权值分别取0.6和0.4，公式中的数字10是为了把两个目标调整到一个数量级。
[0007](2) 将选取的N组样本数据集
再热蒸汽入口焓值kJ/kg。
[0013]（2） 将计算式4计算的结果，带入到式计算式1中，得到评价依据y1，然后将y1与模型预测的 进行误差计算，误差的绝对值小于等于阈值时，则认为预测结果合理，评价结果 输出为1，否则，输出为0。当每个统计周期内的合格率小于设定值时，则需要进行模型更新，替换原有数据，评价公式如下：进行模型更新，替换原有数据，评价公式如下：式中： 为统计周期h小时内的采样次数。其中，t为预测计算输出周期，单位s；为模型预测结果与评价依据y1的绝对差值；a为可调阈值参数，表征模型调整的灵敏度；为统计周期内合格次数的计算函数。
[0014]（3）当统计周期内的模型合格率 大于设定参数时，则标明模型准确稳定，无需更新，若合格率小于等于设定参数时，则需要启动模型更新功能，通过数据库读写功能替换原始模型参数，直至合格率满足要求。
[0015]采用燃烧状态分类算法，获取当前工况下的最优可调状态参数，指导锅炉进行燃烧调整，以达到多目标优化下的燃烧状态自寻优功能，使锅炉实现闭环优化与控制，其主要特征如下：（1）将不同工况下的最优燃烧状态模型，进行特征归一化处理：式中：为归一化后的特征值；为特征值样本中的最大值；为特征值样本中的最小值。
[0016]（2）将最优燃烧工况模型样本映射到同一尺度后，计算未知类别数据样本到最优燃烧工况样本数据集中各样本的距离，计算公式如下：式中：L为样本间的距离；d为最优燃烧样本的第n个特征；i为未知类别数据样本；j为最优燃烧样本集中的样本。
[0017]（3） 对当前数据样本到最优燃烧工况样本距离排序，选取K个距离最小的样本。即这K个近邻与当前燃烧工况数据样本最为相似，求取K个最优燃烧样本中，可调参变量的各加权平均值，作为燃烧优化寻优运行参数指导值。
[0018]（4）在燃烧优化过程中，需要进行自寻优的参数有氧量、一次风量和风温、二次风量，以及各二次风门开度等，并对这些参数进行优化边界限制，且优化边界参数采用不同工况下的经验数据模型计算得到，以确保整个优化过程的安全性与准确性。
[0019]本专利技术与现有技术相比，采用随机森林算法构建燃烧状态预测模型，克服了使用神经网络预测建模的局限性，同时，结合模型在线校正功能，解决了模型的时效问题；采用燃烧状态KNN分类算法，通过比对最优燃烧状态的特征变量，获取最佳运行参数，相比遗传算法而言，大大降低了模型的运算量，提高了优化输出的稳定性和准确性。
[0020]本专利技术具有以下特点：（1）燃烧状态预测模型具有长期准确性、实时性；（2）燃烧优化原理简单，无需复杂规则，安全性高；（3）可实现多目标燃烧优化指导运行操作，使锅炉长期维持在最佳燃烧状态；（4）提高锅炉效率≥0.5%。
附图说明
[0021]图1 燃烧状态预测模型流程图。
[0022]图2 燃烧状态预测模型校正算法流程图。
[0023]图3 燃烧状态优化系统原理框图。
具体实施方式
[0024]下面结合附图和实施例对
技术实现思路
作进一步说明：参照图1所示，为基于随机森林算法的燃烧状态预测模型的构建流程，具体步骤为：S11， 通过锅炉燃烧优化调整试验或运行历史数据，获取不同运行工况下的燃烧状态样本数据。
[0025]S12，选取稳定工况下的燃烧状态数据。其中，每一个典型工况下，至少有一组代表最优燃烧状态，作为优化目标的基本边界值，并量化最优评价标准，可采用的最优评价公式如下： 式中： η代表锅炉热效率的实际计算值；NO
X
代表氮氧化物含量实测值；a、b两项为输出值的加权系数，取决于企业对锅炉热效率和NO
X
排放量的关注程度，取锅炉热效率和NO
X
排放量的权值分别取0.6和0.4，公式中的数字10是为了把两个目标调整到一个数量级。
[0026]S13，进行特征变量选取，构建随机森林模型，获得建模数据集。将选取的N组样本数据集，其中，为n
×
1维输入特征变量，为1
×
1维的目标输出变量，即为S12计算的最优评价结果y。其中，所选取稳定工况不少于15种，运行状态样本总数N不少于75组，燃烧状态输入特征数目n为20个。
[0027]S14，采样，生成训练集合测试集。将N组样本数据采用bootstrap方法进行处理，数
据集D中约有63.2%的数据出现在中构成训练集H，其中i=1,2
···
M，剩余数据将被作为测试集检验模型的泛化性能。
[0028]S15，设定初始参数值，构建CART回归树。对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于燃烧状态预测模型的锅炉优化控制方法，其特征在于包括：（1）采用随机森林机器学习算法与模型在线更新功能，构建锅炉燃烧状态预测模型；（2）采用燃烧状态分类算法，获取当前工况下的最优可调状态参数，指导锅炉进行燃烧调整，以达到多目标优化下的燃烧状态自寻优功能，使锅炉实现闭环优化与控制。2.根据权利要求书1所述，一种基于燃烧状态预测模型的锅炉优化控制方法，其特征在于采用随机森林机器学习算法与模型在线更新功能，构建锅炉燃烧状态预测模型，包括如下步骤：（1）选取运行数据样本集，采用随机森林机器学习算法进行模型参数寻优，以获得预测性能最好的模型，同时，标记出不同工况时的最优燃烧状态数据组，将不可调参数作为工况标识，将可调参数作为优化输出指导值，量化最优评价公式如下：式中：η代表实际锅炉热效率的实际计算值；NO
X
代表氮氧化物含量实测值；a、b两项输出值的加权系数，取决于企业对热对效率和NO
X
排放物的关注程度，当前，锅炉热效率和NO
X
排放量的权值分别取0.6和0.4，公式中的数字10是为了把两个目标调整到一个数量级；（2）采用锅炉能量平衡公式，计算得到基本评价标准，基本评价标准计算公式如下：式中：为锅炉燃烧效率有效利用率；Q为锅炉有效利用热量，kJ/s ；为锅炉输入热量，kJ/s；B为燃料量kg/s，为燃料低位发热量kJ/kg；为过热蒸汽量kg/s；过热蒸汽焓值kJ/kg； 给水蒸汽焓值kJ/kg；再热蒸汽出口焓值kJ/kg； 再热蒸汽入口焓值kJ/kg；（3） 将计算结果，带入量化最优评价公式中，得到评价依据y1，然后将y1与模型预测的 进行误差计算，误差的绝对值小于等于阈值时，则认为预测...

【专利技术属性】
技术研发人员：于现军，李金，
申请(专利权)人：北京和隆优化科技股份有限公司，
类型：发明
国别省市：