一种电站锅炉燃烧子空间建模及多目标优化方法和系统技术方案

本发明专利技术公开了一种电站锅炉燃烧子空间建模及多目标优化方法和系统。它属于电站锅炉优化运行领域，特别涉及一种高精度燃烧模型的建立和多目标优化求解的方法和系统。包括以下步骤：确定燃烧优化模型的输入变量；从所有输入变量中确定待优化的变量；将负荷分为邻域重叠的若干个区段，离线建立个区段的燃烧子空间ANFIS(自适应神经模糊系统)模型；实时数据采集；在线进行局部子空间模型修正；考虑机组负荷的约束，以最大化锅炉效率和最小化氮氧化物排放为目标，采用成熟的全局优化算法，基于综合代价最小化进行在线多目标优化；优化结果分离并实施。本发明专利技术适合于电站煤粉锅炉燃烧优化运行，具有建模精度高和优化速快的特点。

【技术实现步骤摘要】
一种电站锅炉燃烧子空间建模及多目标优化方法和系统
本专利技术属于电站锅炉优化运行
，特别涉及一种高精度燃烧模型建立和运行优化的方法和系统，具体是一种电站锅炉燃烧子空间建模及多目标优化方法和系统。
技术介绍
燃煤发电厂我国电力生产中非常重要的组成部分，其发电量远远超过其它各种发电量的总和，在相当长的一段时间内不会有大的改变。然而全球面临着严重的一次能源枯竭危机，燃煤价格居高不下，而且环境污染问题也日益受到世界各国的广泛关注。因此各国政府采取的策略是:一方面大力发展百万千瓦超临界发电技术，另一方面则是进行电站锅炉煤燃烧的优化技术研究，即以节能减排为目标进行提高锅炉效率和降低污染物排放的技术攻关。对于高效低污染的燃烧优化，目前所面临的主要困难在于，煤在锅炉内的燃烧是非常复杂的气固两相流问题，燃烧机理方面并不是十分成熟，对其特性的研究一般是基于偏微分方程和代数方程组成的机理模型，而这些模型的建立是在诸多假设和简化的条件下得到的。对于系统优化和控制来说，则主要是基于计算智能建模的方法。经对现有技术的公开文献检索发现，文献“Qiang Xu, Jia Yang and YanqiuYang.1dentification and control of boiler combustion system based on neuralnetworks and ant colony optimization algorithm.Proceedings of the 7th WorldCongress on Intelligent Control and Automation, June 25 - 27， 2008， Chongqing,China, pp.765-768 (基于神经网络和蚁群优化算法的锅炉燃烧系统辨识与控制，国际会议:世界智能控制与自动化大会论文集，2008: 765-768)”，采用了计算智能领域的神经网络和蚁群优化相结合的方法进行燃烧建模以及控制器的设计，能够较好提高锅炉燃烧系统的调节品质，但是只能解决锅炉主要被控参数跟踪给定的设定值，而无法使系统始终保持最优经济工况运行。文献“Hao Zhou , Kefa Cen, Jianren Fan.Modeling andoptimization of the NOx emission characteristics of a tangentialIy fired boilerwith artificial neural networks.Energy, 2004，29:167 - 183 (基于人工神经网络的切圆燃烧锅炉氮氧化物排放特性建模与控制，国际期刊:能源，2004，29:167 - 183)”，采用多层前向网络进行切圆燃烧锅炉氮氧化物排放特性的全局建模和控制，对于降低污染物排放具有重要的意义，但是没有考虑锅炉效率，因而优化是不全面的。文献(安恩科，宋尧，杨霞.基于支持向量机和遗传算法的燃煤电站锅炉多目标燃烧优化，节能，2008 (10):22 -25)，采用支持向量机进行建模，同时考虑锅炉效率和污染物排放问题，采用遗传算法进行多目标优化计算，但问题是首先优化时间长，其次得到的是Pareto最优解集，而最终施加于现场的解只有一组，如何得到最后实施于现场的唯一解是有待解决的问题。而且以上文献存在的共同问题还在于:(I )都是用一个神经网络或者支持向量机进行全局工况建模，对于具有严重非线性特性的复杂锅炉燃烧系统来说，全局范围内的模型逼近性能难以保证，模型训练时间会很长，尤其是当煤质煤种等发生变化时，模型修正所带来的时间长和可靠性方面会存在一系列问题；(2 )在进行污染物排放或/和锅炉效率的优化时没有考虑机组负荷约束，这样优化的结果有可能是降低了污染物排放或/和提高了锅炉效率，但却是以减少发电量为代价的，因此考虑机组负荷的约束就成为重要的方面。因此，本专利技术基于负荷数据的若干子空间划分，分别建立燃烧系统各子空间的自适应神经模糊系统模型，在此基础上综合得到全局工况模型，优化过程不仅考虑机组负荷的约束，同时引入锅炉效率和氮氧化物的综合代价函数，将多目标优化问题转化为单目标优化问题处理。
技术实现思路
本专利技术的目的在于提供一种步骤明确、概念清晰、运算简单、结果可靠的锅炉燃烧的建模与优化方法和系统，所专利技术的建模方法在模型训练速度和泛化精度上都有明显的提高，所专利技术的优化方法在优化精度和优化速度上也有较好的改善，能适用于各种煤粉锅炉燃烧系统的建模与优化控制，具有很强的实用性。为实现上述目的，本专利技术一方面提供了一种电站锅炉燃烧子空间建模及多目标优化系统，具体采用以下技术方案: 其包括锅炉(I)，与所述锅炉(I)相连的分散控制系统DCS (2)和煤质检测仪(3)，以及与DCS (2)和煤质检测仪(3)相连的燃烧优化工作站(4)，所述燃烧优化工作站(4)包括相互连接的通讯模块(5)、界面模块(6)、优化模块(7)和模型模块(8)，所述通讯模块(5)从DCS (2)和煤质检测仪(3)获取数据，优化结果通过通讯模块(5)送达DCS (2)并进一步送达锅炉⑴。本专利技术另一方面，提供了一种电站锅炉燃烧子空间建模及多目标优化方法，所采用的 技术方案是根据以下步骤 实现的: 步骤(1).根据具体锅炉类型和对燃烧的影响关系，确定燃烧优化模型的输入变量Z ; 步骤(2).从所有输入变量z中确定待优化的变量z ； 步骤(3).确定优化方法； 步骤(4).离线模型建立； 步骤(5).实时数据采集； 步骤(6).在线模型修正； 步骤(7).在线优化； 步骤(8).优化结果分离并实施； 步骤(9).重复步骤(5)~⑶。所述步骤(1)中燃烧优化模型的输入变量z包括入炉煤质、入炉总煤量、入炉总空气量、各层二次风门开度、各层燃尽风门开度、风箱炉膛差压和烟气氧含量，根据锅炉具体情况可选的还包括、入炉各给煤机开度、各磨煤机通风量、燃烧器摆角、各主蒸汽温度、各再热蒸汽温度、主蒸汽流量、总给水流量、各再热减温水流量，所述入炉煤质包括煤低位发热量、挥发分、灰分和全水分。所述步骤(2)中待优化的变量z包括各层二次风门开度、各层燃尽风门开度和烟气氧含量，根据锅炉具体情况可选的还包括各给煤机开度、各磨煤机通风量、燃烧器摆角。所述步骤(3)中优化方法为成熟的群智能优化算法，其中全局搜索采用微分进化算法，局部搜索采用模拟退火算法，充分发挥两种优化算法的优点。所述步骤(4)中离线模型建立包括如下步骤: 步骤(al).从流程工业广泛应用的DCS或SIS数据库获取机组运行历史数据，包括步骤(2)所述的燃烧优化模型的输入变量z，以及锅炉效率E、氮氧化物N和机组负荷L ； 步骤(a2).根据数据挖掘从机组运行历史数据中选取模型训练样本； 步骤(a3).根据负荷将模型训练样本分为/个区段，即L1: [0，a2]，L2:[ai，a3]，…，L/-1: [<3/_2> ， Lj.b/ -1, a工 +1]， 其中，七是介于O和机组额定负荷MCR之间的数，且满足关系:0 ( a^ai+l ( 1.1MCR(7=1,2，...，I)； 步骤(a4).根据上述J个区段样本本文档来自技高网...

【技术保护点】
一种电站锅炉燃烧子空间建模及多目标优化系统，其特征在于：其包括锅炉(1)，与所述锅炉(1)相连的分散控制系统DCS(2)和煤质检测仪(3)，以及与DCS(2)和煤质检测仪(3)相连的燃烧优化工作站(4)，所述燃烧优化工作站(4)?包括相互连接的通讯模块(5)、界面模块(6)、优化模块(7)和模型模块(8)，所述通讯模块(5)从DCS(2)和煤质检测仪(3)获取数据，优化结果通过通讯模块(5)送达DCS(2)并进一步送达锅炉(1)。

【技术特征摘要】
1.一种电站锅炉燃烧子空间建模及多目标优化系统，其特征在于:其包括锅炉(1)，与所述锅炉(I)相连的分散控制系统DCS (2)和煤质检测仪(3)，以及与DCS (2)和煤质检测仪(3)相连的燃烧优化工作站(4)，所述燃烧优化工作站(4)包括相互连接的通讯模块(5)、界面模块(6)、优化模块(7)和模型模块(8)，所述通讯模块(5)从DCS (2)和煤质检测仪(3)获取数据，优化结果通过通讯模块(5)送达DCS(2)并进一步送达锅炉(I)。2.一种基于权利要求1所述的系统的电站锅炉燃烧子空间建模及多目标优化方法，其特征在于:具体包括如下步骤: 步骤(1).根据具体锅炉类型和对燃烧的影响关系，确定燃烧优化模型的输入变量z ; 步骤(2).从所有输入变量z中确定待优化的变量X ； 步骤(3).确定优化方法； 步骤(4).离线模型建立； 步骤(5).实时数据采集； 步骤(6).在线模型修正； 步骤(7).在线优化； 步骤(8).优化结果分离并 实施； 步骤(9).重复步骤(5)~⑶。3.根据权利要求2所述的一种电站锅炉燃烧子空间建模及多目标优化方法，其特征在于:所述步骤(1)中燃烧优化模型的输入变量z包括入炉煤质、入炉总煤量、入炉总空气量、各层二次风门开度、各层燃尽风门开度、风箱炉膛差压和烟气氧含量，根据锅炉具体情况可选的还包括入炉各给煤机开度、各磨煤机通风量、燃烧器摆角、各主蒸汽温度、各再热蒸汽温度、主蒸汽流量、总给水流量、各再热减温水流量，所述入炉煤质包括煤低位发热量、挥发分、灰分和全水分。4.根据权利要求2所述的一种电站锅炉燃烧子空间建模及多目标优化方法，其特征在于:所述步骤(2)中待优化的变量Z包括各层二次风门开度、各层燃尽风门开度和烟气氧含量，根据锅炉具体情况可选的还包括各给煤机开度、各磨煤机通风量、燃烧器摆角。5.根据权利要求2所述的一种电站锅炉燃烧子空间建模及多目标优化方法，其特征在于:所述步骤(3)中优化方法为成熟的群智能优化算法，其中全局搜索采用微分进化算法，局部搜索采用模拟退火算法，充分发挥两种优化算法的优点。6.根据权利要求2所述的一种电站锅炉燃烧子空间建模及多目标优化方法，其特征在于:所述步骤(4)中离线模型建立包括如下步骤: 步骤(al).从流程工业广泛应用的DCS或SIS数据库获取机组运行历史数据，包括步骤(2)所述的燃烧优化模型的输入变量z，以及锅炉效率E、氮氧化物N和机组负荷L ； 步骤(a2).根据数据挖掘从机组运行历史数据中选取模型训练样本； 步骤(a3).根据负荷将模型训练样本分为/个区段，即L1: [0，a2]，L2:[ai，a3]，…，L/-1: [<3/_2> ， Lj.b/ -1, a工 +1]， 其中，七是介于O和机组额定负荷MCR之间的数，且满足关系:0 ( a^ai+l ( 1.1MCR(7=1,2，...，I)； 步骤(a4).根据上述J个区段样本数据分别建立锅炉效率局部子空间模型Fu.Cr，y)(i=l, 2，...，/),建立氮氧化物排放局部子空间模型F2 Cr, y) (i=l, 2，...，/),建立机组负荷局部子空间模型F3 Cr，7) (i=l, 2，…，J); 建模方法为自适应神经模糊系统(ANFIS)； 其中，是优化模型的全部输入变量z中去除待优化的变量z后剩下的无需优化的部分输入变量。7.步骤(a5).根据上述的局部子空间模型分别集成得到锅炉效...

【专利技术属性】
技术研发人员：王东风，刘千，江溢洋，牛成林，
申请(专利权)人：华北电力大学保定，
类型：发明
国别省市：