中/EN

熱控

所在位置:首頁 > 業務領域 > 技術論壇 > 熱控

某電廠5號機鍋爐燃燒優化智能控制系統優化

  • 來源: 大唐華北電力試驗研究院
  • 作者: 趙銳
  • 發布時間: 2018-02-24

本項目提出的自適應智能鍋爐燃燒優化控制系統如圖1所示。

圖1. 自適應智能鍋爐燃燒優化控制系統流程圖

1)   離線建立鍋爐的燃燒過程模型

由于爐膛中的燃燒過程是復雜的物理、化學反應過程,目前缺乏有效的機理模型能夠精確反映燃燒過程中劇烈的參數變化。目前的國內外研究中,對爐膛燃燒過程的建模多使用人工神經網絡等算法,這些算法在一定范圍內可以反映燃燒過程中各物理量的非線性關系,但是在實際使用過程中并不能同時滿足對模型的精度和泛化能力的要求。

本系統使用貝葉斯網絡(Bayesian Network)對鍋爐的運行歷史數據和相關試驗數據進行離線學習,建立鍋爐的燃燒過程模型,以此反映爐效和NOx排放量如何隨著不同的配風、配煤燃燒運行方式而變化的因果特性。由于鍋爐的燃燒過程存在大量的不確定信息,而人工神經網絡等算法實現對不確定信息的處理一般比較困難,貝葉斯網絡是數據挖掘和不確定知識表示的理想模型,可以準確地對不確定信息進行表達和推理。相比數據挖掘的其他算法,貝葉斯網絡具有以下優點:

?   貝葉斯網絡能夠學習變量間的因果關系,即反映爐效和NOx排放量如何隨著不同的配風、配煤燃燒運行方式而變化的因果特性。不僅可以更好地理解鍋爐的燃燒過程,而且在外部干擾較多的時候,可以做出精確的預測;

?   貝葉斯網絡能夠方便地處理不完全數據。例如,人工神經網絡在處理某些變量有缺值時,其模型的預測結構就會出現很大的偏差,而貝葉斯網絡則提供了較為直觀的概率關聯關系模型;

?   貝葉斯推理可以快速地根據機組負荷和煤質等已知鍋爐燃燒參數,推斷出給煤機、燃燒器、風量、擺角等可調節變量的最大概率值,以及在該工況下鍋爐效率和NOx排放的概率分布;

?   正如本系統的設計方法,貝葉斯網絡與遺傳算法相結合,可以有效地避免數據過分擬合問題和訓練中的局部極值問題;

?   不同于人工神經網絡,貝葉斯網絡的泛化能力和模型精度是同時增加的。貝葉斯網絡可以根據新的訓練樣本,隨時對網絡參數進行更新,而且隨著訓練樣本的增多,貝葉斯網絡可以更準確地反映變量之間的因果關系。

貝葉斯網絡的結構可以由鍋爐燃燒的專家知識來確定,而且并不唯一。圖2所示一種反映鍋爐燃燒過程的貝葉斯網絡結構。其次,根據鍋爐的運行歷史數據和相關試驗數據,貝葉斯網絡可以自動進行離線學習模型參數,即表示各燃燒變量之間依賴關系的強弱的概率分布,將先驗信息與樣本知識有機結合起來。圖3所示系統經過離線學習某一鍋爐的運行歷史數據,得到該樣本鍋爐的基于貝葉斯網絡的燃燒過程模型。當某個或某些燃燒參數發生改變時,這個模型可以推倒出其他可調節變量的最大概率值,以及在該工況下鍋爐效率和NOx排放的概率分布。

圖2. 反映鍋爐燃燒過程的貝葉斯網絡結構

圖3. 基于貝葉斯網絡的鍋爐燃燒過程模型

2)   在線進行自適應多目標優化控制

本系統使用基于粒子群優化的多目標優化(Multi-objective Optimization)控制。粒子群優化(Particle Swarm Optimization, 簡稱PSO)算法是1995年由Kennedy和Eberhart提出的群智能優化算法,它將種群中每個個體看成搜索空間中一個代表某種解決方案的粒子,這些粒子在搜索空間中以一定的速度飛行,其速度根據其本身的飛行經驗和整個種群的飛行經驗進行動態調整。PSO的優點在于流程簡單易實現,算法參數簡單,無需復雜的調整。因此,從提出至今,已被迅速用于遺傳算法原有的應用領域。

如圖4所示,當鍋爐的運行工況發生改變時,將變化的燃燒變量(一般為機組負荷和煤質)作為輸入進入多目標優化模塊,系統會隨機生成多個多維度粒子,每一個粒子代表了一種問題的解決方案,即對應于當前工況下的一組可調節變量的值。對所有粒子進行遍歷迭代尋優的過程中,將每個粒子輸入離線學習得到的鍋爐燃燒過程模型,可以得到鍋爐效率和NOx排放的概率分布,然后根據優化的目標函數(fitness function)來評判該粒子的優劣。在每一次迭代后,每個粒子都會自動根據自己的歷史最優值和全局(整個粒子群)的最優值來更新自己的參數。經歷了所有迭代后,所有粒子都會收斂至最優的位置。針對該項目,優化的目標函數是在降低NOx和提高效率之間尋求最優,即盡可能達到最高鍋爐效率和最低NOx排放量。

圖4. 基于粒子群的多目標優化,同時提高爐效并降低NOx排放

基于粒子群優化的多目標優化具有以下優點:

?   可以快速地收斂到解決問題的最優值。PSO的之一特點可以實現系統在線進行尋優,能使鍋爐的優化調整系統對負荷頻繁調整、燃煤品質變化劇烈等現狀進行快速反應;

?   PSO對每個粒子的更新不僅是基于自己的歷史最優值,而且還基于整個粒子群的歷史最優值,這樣避免了最終結果是局部最優值而不是全局最優值;

?   流程簡單,工程上易實現。


 北京市石景山區銀河大街6號院1號樓B座 京ICP備15041663 網站技術服務:iWing

艺伎回忆录在线客服 天城挂机赚钱是真的吗 北京11选5综合走势图 678彩票游戏 17到18赛季欧冠决赛 中国体育彩票20选5 酷知网可以赚钱 57157彩票苹果 宁夏11选五走势图200 安徽十一选五选五技巧 七星彩时时彩计划王 现在赚钱买卖 p3试机号走势彩宝网 今日河南快三推荐号码推荐 亿宝彩票苹果 黑龙江快乐十分基本分布图爱彩乐 青海快3走势150期