一种基于多目标寻优的燃烧优化控制系统技术方案

本发明专利技术提出了一种基于多目标寻优的燃烧优化控制系统，首先在大量试验数据的基础上，建立锅炉燃烧优化模型；然后采用智能粒子群寻优算法，通过计算目标函数获得锅炉燃烧模型中的各个最优的输入变量数据，从而优化燃烧控制系统。本发明专利技术解决了燃煤发电机组燃烧控制系统多目标优化的复杂问题，能够自动寻找最优控制策略。本发明专利技术简单可靠，易于实现，适用于火电机组燃烧系统的优化控制。组燃烧系统的优化控制。组燃烧系统的优化控制。

【技术实现步骤摘要】
一种基于多目标寻优的燃烧优化控制系统


[0001]本专利技术属于电力系统燃烧
，具体为一种基于多目标寻优的燃烧优化控制系统。

技术介绍

[0002]在燃煤发电机组的升降负荷过程中，由机组的协调控制系统计算出不同负荷下锅炉所需的总给煤量，但各层燃烧器的煤量如何分配，会影响到锅炉的燃烧效率和烟气中NOx的排放，而目前各层燃烧器的煤量基本上采用的是均等分配，显然不是最优的；
[0003]另一方面，由锅炉的送风控制系统可计算出不同负荷下锅炉所需的总风量，但锅炉送风是通过不同层(高度)的燃料风、辅助风、燃烬风及附加风加入到炉膛进行燃烧的，在锅炉总风量一定的情况下如何分配这些不同层(高度)的风量，会明显影响锅炉的燃烧工况，而目前不同层(高度)的风量基本上按照一定的经验来分配的，显然也不是最优的。
[0004]因此，锅炉燃烧优化控制系统的主要任务是通过细化分配各层燃烧器的煤量、不同层(高度)的风量及确定最佳风煤比等手段，提高锅炉燃烧效率，降低锅炉尾部烟气NOx含量，并消除锅炉燃烧过程中所存在的问题。锅炉燃烧优化控制系统的主要目标为：
[0005](1)降低烟气中飞灰含碳量、CO值；
[0006](2)在不增加飞灰含碳量的前提下，减少NOx含量；
[0007](3)消除锅炉燃烧过程中所引起的壁温超温的问题；
[0008](4)消除左右侧烟道烟温偏差问题；
[0009](5)尽可能减少排烟损失。
[0010]目前燃煤发电机组燃烧控制系统无法获得良好的控制品质。/>
技术实现思路

[0011]为了解决以上问题，本专利技术提出一种基于多目标寻优的燃烧优化控制系统，首先在大量试验数据的基础上，建立锅炉燃烧优化模型；然后采用智能粒子群寻优算法，通过计算目标函数获得锅炉燃烧模型中的各个最优的输入变量数据，从而优化燃烧控制系统。
[0012]为实现上述目的，本专利技术采取的技术方案是：
[0013]一种基于多目标寻优的燃烧优化控制系统，所述控制系统根据试验数据建立锅炉燃烧优化模型，其具体形式如下：
[0014]X＝[O
A
，P
f
,V
f
，C
h
，D
i
，E
j
，F
k
][0015]其中X为多目标输入变量，O
A
为总送风量，P
f
为一次风压，V
f
为一次风量，C
h
为第h层燃烧器煤量、D
i
为第i层一次风门开度、E
j
为第j层二次风门开度、F
k
为第k层燃尽风门开度。
[0016]作为本专利技术进一步改进，所述控制系统采用智能粒子群寻优算法，构造优化目标函数J，具体表示为：
[0017][0018]其中J为目标函数，j1～j7为权重系数。
[0019]作为本专利技术进一步改进，所述的智能粒子群寻优算法，种群由s个粒子组成，单个粒子在D维搜索空间中的位置及速度特征如下：
[0020]x
i
＝(x
i1
,x
i2
,
…
,x
iD
)
[0021]v
i
＝(v
i1
,v
i2
,
…
,v
iD
)(i＝1,2,
…
s)
[0022]其中，x
i
为第i个粒子的位置特征，v
i
为第i个粒子的速度特征，D为搜索维度，s为种群粒子总数。
[0023]作为本专利技术进一步改进，所述的智能粒子群寻优算法，种群中各个粒子位置和速度迭代方式如下：
[0024][0025][0026]其中，t为迭代次数；j为D维搜索空间的第j维分量；w为惯性权系数；c1为跟踪粒子最优位置的单体学习因子，c2为跟踪种群最优位置的社会学习因子；r1，r2为0到1之间的随机数向量，pbest为个体最优值，gbest为种群最优值。
[0027]作为本专利技术进一步改进，所述的智能粒子群寻优算法，考虑到粒子在寻优的不同阶段，单个粒子学习认知和种群社会经验的重要性不同，采用反余弦形式设置学习因子：
[0028][0029][0030]其中，c
1s
，c
2s
分别为c1，c2的初始设定值，c
1e
，c
2e
分别为c1，c2的最终设定值，t
max
为最大迭代次数。
[0031]作为本专利技术进一步改进，所述的智能粒子群寻优算法，计算每个粒子与种群最优位置的欧式距离，比较粒子与种群最优位置的欧氏距离与阈值γ的大小，若距离小于阈值γ，则该粒子是优势的，反之，粒子是劣势的，需被淘汰。
[0032]作为本专利技术进一步改进，所述的智能粒子群寻优算法，当本次迭代所有粒子优化目标函数的方差小于变异概率μ时，认为所有粒子已经比较接近，可能陷入局部最优，此时在全局范围内随机产生一个新粒子以增加样本的多样性。
[0033]作为本专利技术进一步改进，每当劣势粒子被淘汰，随即任意选取两个优势粒子合成新的粒子，取代劣势粒子，具体表示为：
[0034]v
new
＝βv
a
+(1
‑
β)v
b
[0035]x
new
＝βx
a
+(1
‑
β)x
b
[0036]其中，x
new
，v
new
分别为新粒子的速度和位置特征，x
a
，v
a
和x
b
，v
b
为所取两个优势粒子的速度和位置特征，β为0到1之间的权重系数。
[0037]作为本专利技术进一步改进，采用线性递减权重策略动态调节惯性权重ω的值，具体表示为：
[0038][0039]其中，ω
max
为初始惯性权重，ω
min
为最大迭代次数时的惯性权重。
[0040]作为本专利技术进一步改进，利用智能粒子群寻优算法通过计算目标函数获得锅炉燃烧模型中的各个最优的输入变量数据。
[0041]有益效果：
[0042]与现有技术相比，本专利技术提出的一种基于多目标寻优的燃烧优化控制系统，通过对一次风风压的自寻优，在保证机组协调控制系统性能的前提下，尽可能降低一次风风压，减少一次风机的功耗，降低厂用电率；通过对一次风风量的自寻优，在保证机组协调控制系统性能的前提下，尽可能降低一次风风煤比，降低磨煤机冷、热风门的节流损失。
附图说明
[0043]图1为本专利技术的燃烧系统结构图。
具体实施方式
[0044]下面结合附图与具体实施方式对本专利技术作进一步详细描述：...

【技术保护点】

【技术特征摘要】
1.一种基于多目标寻优的燃烧优化控制系统，其特征在于，所述控制系统根据试验数据建立锅炉燃烧优化模型，其具体形式如下：X＝[O
A
，P
f
，V
f
，C
h
，D
i
，E
j
，F
k
]其中X为多目标输入变量，O
A
为总送风量，P
f
为一次风压，V
f
为一次风量，c
h
为第h层燃烧器煤量、D
i
为第i层一次风门开度、E
j
为第j层二次风门开度、F
k
为第k层燃尽风门开度。2.根据权利要求1所述的一种基于多目标寻优的燃烧优化控制系统，其特征在于，所述控制系统采用智能粒子群寻优算法，构造优化目标函数J，具体表示为：其中J为目标函数，j1～j7为权重系数。3.根据权利要求2所述的一种基于多目标寻优的燃烧优化控制系统，其特征在于，所述的智能粒子群寻优算法，种群由s个粒子组成，单个粒子在D维搜索空间中的位置及速度特征如下：x
i
＝(x
i1
，x
i2
，
…
，x
iD
)v
i
＝(v
i1
，v
i2
，
…
，v
iD
)(i＝1，2，
…
s)其中，x
i
为第i个粒子的位置特征，v
i
为第i个粒子的速度特征，D为搜索维度，s为种群粒子总数。4.根据权利要求2所述的一种基于多目标寻优的燃烧优化控制系统，其特征在于，所述的智能粒子群寻优算法，种群中各个粒子位置和速度迭代方式如下：种群中各个粒子位置和速度迭代方式如下：其中，t为迭代次数；j为D维搜索空间的第j维分量；w为惯性权系数；c1为跟踪粒子最优位置的单体学习因子，c2为跟踪种群最优位置的社会学习因子；r1，r2为0到1之间的随机数向量，pbest为个体最优值，gbest为种群最优值。5.根据权利要求2所述的一种基于多目标寻优的燃烧优化控制系统，其特征在于...

【专利技术属性】
技术研发人员：郑玲红，范永胜，秦宁，张洪，蒋欣军，刘建东，刘同干，周亚明，陆晔，
申请(专利权)人：国家能源集团江苏电力有限公司南京英纳维特自动化科技有限公司，
类型：发明
国别省市：