大发彩票

中/EN

热控

所在位置:首页 > 业务领域 > 技术论坛 > 热控

某电厂5号机锅炉燃烧优化智能控制系统优化

  • 来源: 大发彩票华北电力试验研究院
  • 作者: 赵锐
  • 发布时间: 2018-02-24

本项目提出的自适应智能锅炉燃烧优化控制系统如图1所示。

图1. 自适应智能锅炉燃烧优化控制系统流程图

1)   离线建立锅炉的燃烧过程模型

由于炉膛中的燃烧过程是复杂的物理、化学反应过程,目前缺乏有效的机理模型能够精确反映燃烧过程中剧烈的参数变化。目前的国内外研究中,对炉膛燃烧过程的建模多使用人工神经网络等算法,这些算法在一定范围内可以反映燃烧过程中各物理量的非线性关系,但是在实际使用过程中并不能同时满足对模型的精度和泛化能力的要求。

本系统使用贝叶斯网络(Bayesian Network)对锅炉的运行历史数据和相关试验数据进行离线学习,建立锅炉的燃烧过程模型,以此反映炉效和NOx排放量如何随着不同的配风、配煤燃烧运行方式而变化的因果特性。由于锅炉的燃烧过程存在大量的不确定信息,而人工神经网络等算法实现对不确定信息的处理一般比较困难,贝叶斯网络是数据挖掘和不确定知识表示的理想模型,可以准确地对不确定信息进行表达和推理。相比数据挖掘的其他算法,贝叶斯网络具有以下优点:

Ÿ   贝叶斯网络能够学习变量间的因果关系,即反映炉效和NOx排放量如何随着不同的配风、配煤燃烧运行方式而变化的因果特性。不仅可以更好地理解锅炉的燃烧过程,而且在外部干扰较多的时候,可以做出精确的预测;

Ÿ   贝叶斯网络能够方便地处理不完全数据。例如,人工神经网络在处理某些变量有缺值时,其模型的预测结构就会出现很大的偏差,而贝叶斯网络则提供了较为直观的概率关联关系模型;

Ÿ   贝叶斯推理可以快速地根据机组负荷和煤质等已知锅炉燃烧参数,推断出给煤机、燃烧器、风量、摆角等可调节变量的最大概率值,以及在该工况下锅炉效率和NOx排放的概率分布;

Ÿ   正如本系统的设计方法,贝叶斯网络与遗传算法相结合,可以有效地避免数据过分拟合问题和训练中的局部极值问题;

Ÿ   不同于人工神经网络,贝叶斯网络的泛化能力和模型精度是同时增加的。贝叶斯网络可以根据新的训练样本,随时对网络参数进行更新,而且随着训练样本的增多,贝叶斯网络可以更准确地反映变量之间的因果关系。

贝叶斯网络的结构可以由锅炉燃烧的专家知识来确定,而且并不唯一。图2所示一种反映锅炉燃烧过程的贝叶斯网络结构。其次,根据锅炉的运行历史数据和相关试验数据,贝叶斯网络可以自动进行离线学习模型参数,即表示各燃烧变量之间依赖关系的强弱的概率分布,将先验信息与样本知识有机结合起来。图3所示系统经过离线学习某一锅炉的运行历史数据,得到该样本锅炉的基于贝叶斯网络的燃烧过程模型。当某个或某些燃烧参数发生改变时,这个模型可以推倒出其他可调节变量的最大概率值,以及在该工况下锅炉效率和NOx排放的概率分布。

图2. 反映锅炉燃烧过程的贝叶斯网络结构

图3. 基于贝叶斯网络的锅炉燃烧过程模型

2)   在线进行自适应多目标优化控制

本系统使用基于粒子群优化的多目标优化(Multi-objective Optimization)控制。粒子群优化(Particle Swarm Optimization, 简称PSO)算法是1995年由Kennedy和Eberhart提出的群智能优化算法,它将种群中每个个体看成搜索空间中一个代表某种解决方案的粒子,这些粒子在搜索空间中以一定的速度飞行,其速度根据其本身的飞行经验和整个种群的飞行经验进行动态调整。PSO的优点在于流程简单易实现,算法参数简单,无需复杂的调整。因此,从提出至今,已被迅速用于遗传算法原有的应用领域。

如图4所示,当锅炉的运行工况发生改变时,将变化的燃烧变量(一般为机组负荷和煤质)作为输入进入多目标优化模块,系统会随机生成多个多维度粒子,每一个粒子代表了一种问题的解决方案,即对应于当前工况下的一组可调节变量的值。对所有粒子进行遍历迭代寻优的过程中,将每个粒子输入离线学习得到的锅炉燃烧过程模型,可以得到锅炉效率和NOx排放的概率分布,然后根据优化的目标函数(fitness function)来评判该粒子的优劣。在每一次迭代后,每个粒子都会自动根据自己的历史最优值和全局(整个粒子群)的最优值来更新自己的参数。经历了所有迭代后,所有粒子都会收敛至最优的位置。针对该项目,优化的目标函数是在降低NOx和提高效率之间寻求最优,即尽可能达到最高锅炉效率和最低NOx排放量。

图4. 基于粒子群的多目标优化,同时提高炉效并降低NOx排放

基于粒子群优化的多目标优化具有以下优点:

Ÿ   可以快速地收敛到解决问题的最优值。PSO的之一特点可以实现系统在线进行寻优,能使锅炉的优化调整系统对负荷频繁调整、燃煤品质变化剧烈等现状进行快速反应;

Ÿ   PSO对每个粒子的更新不仅是基于自己的历史最优值,而且还基于整个粒子群的历史最优值,这样避免了最终结果是局部最优值而不是全局最优值;

Ÿ   流程简单,工程上易实现。


 北京市石景山区银河大街6号院1号楼B座 京ICP备15041663 网站技术服务:iWing