一种电站锅炉燃烧子空间建模及多目标优化方法和系统

摘要

本发明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。

说明书

技术领域

本发明属于电站锅炉优化运行技术领域，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。

背景技术

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 Yanqiu Yang. Identification and control of boiler combustion system based on neural networks and ant colony optimization algorithm. Proceedings of the 7th World Congress 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 and optimization of the NOx emission characteristics of a tangentially fired boiler with 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：（１）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，本发明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。

发明内容

本发明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，所发明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，所发明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，本发明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(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)。

本发明另一方面，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)～(8)。

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x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(a1).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I个区段，即L₁:[0,a₂], L₂:[a₁,a₃], …, L_I-1:[a_I-2,a_I], L_I:[a_I -1,a_I +1]，

　　其中，a_i 是介于0和机组额定负荷MCR之间的数，且满足关系：0≤a_i<a_i+1≤1.1MCR（q=1,2,…, I）；

　　步骤(a4). 根据上述I个区段样本数据分别建立锅炉效率局部子空间模型F_1,i(x, y) (i=1, 2,…,I)，建立氮氧化物排放局部子空间模型F_2,i(x, y) (i=1, 2,…,I)，建立机组负荷局部子空间模型F_3,i(x, y) (i=1, 2,…,I)。建模方法为自适应神经模糊系统(ANFIS)。

其中，y是优化模型的全部输入变量z中去除待优化的变量x后剩下的无需优化的部分输入变量。

步骤(a5).根据上述的局部子空间模型分别集成得到锅炉效率全局模型F₁(x, y)、氮氧化物排放全局模型F₂(x, y)、机组负荷全局模型F₃(x, y)，计算公式如下：

式中，

　　所述步骤(5)中实时数据采集包括采集燃烧优化模型的输入变量z、锅炉效率E、氮氧化物N、机组负荷L等信号的实时数据。

　　所述步骤(6)中在线模型修正包括如下步骤：

步骤(b1).根据实时数据分别计算锅炉效率模型输出E_M(k)=F₁(x, y)、氮氧化物排放模型输出N_M(k)=F₂(x, y)、机组负荷模型输出L_M(k)=F₃(x, y)；

步骤(b2). 基于滚动窗口计算最近Q次采样计算得到的模型输出E_M(k–Q+1:k)、N_M(k–Q+1:k)、L_M(k–Q+1:k)与机组实际运行数据E、N、L之间的综合误差J，若综合误差J小则跳过该步无需在线模型修正，若综合误差J大则根据最新的机组数据对模型进行修正；作为优选的，所述综合误差J的计算方法为

式中，分别表示E(k- Q+1:k)、N(k- Q+1:k)、L(k- Q+1:k)的平均值。

综合误差J大或者小的判断标准为：如果J>则认为综合误差J大；如果J≤则认为综合误差J小。一般取0.01～10，具体数字根据实际锅炉参数调试确定。

　　所述步骤(6)中的在线模型修正，每次只需要修正步骤(a4)中所述I个锅炉效率局部子空间模型中的1个或2个、I个氮氧化物排放局部子空间模型中的1个或2个以及I个机组负荷局部子空间模型中的1个或2个，要修正的模型编号确定方法是：如果机组负荷L满足L<a₁，则修正模型1；如果机组负荷L满足a_i≤L<a_i+1(i=1,2,…, I-1)，则修正模型i和i+1；如果机组负荷L满足L≥a_I，则修正模型I。

　　所述步骤(7)中在线优化采用约束多目标优化方法得到最佳的优化变量x=x_opt，目标是最大化锅炉效率E，最小化氮氧化物排放N，同时维持机组负荷L几乎不变，目标函数为

　　 Min [E(k)–E_M(k)]E_﹩+[N_M(k)–N(k)]N_﹩

   　　　s.t. E_M(k)=F₁(x, y),

            N_M(k)=F₂(x, y),

L_M(k)=F₃(x, y),

L_M(k)≥L(k)–△L,

            x_iL≤x_i≤x_iH.

式中，E_﹩是锅炉效率降低一个单位的代价；N_﹩是氮氧化物升高一个单位的代价；△L是优化前后机组负荷容许的变化区间，即燃烧优化不能以发电量的减小为代价，一般取△L＝L₀×5‰（L₀代表机组额定负荷）；x_iH和x_iL分别是待优化变量的上下限约束。

所述步骤(8)中优化结果分离并实施是将得到的最佳优化变量x=x_opt中各层二次风门开度、各层燃尽风门开度、各给煤机开度、各磨煤机通风量、燃烧器摆角，作为新的调节量送达现场执行机构；将得到的最佳优化变量x=x_opt中的烟气氧含量送达烟气氧含量自动控制单元，作为新的烟气氧含量设定值。

　　本发明的有益效果是：模型的训练时间和在线修正时间都大大缩短，泛化能力也明显增强，可靠性增加，优化过程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，不仅概念清晰，优化结果明确，而且优化速度快，往往可以在较短的时间内获得问题的最优解。

附图说明

　　图1是系统的示意图。

具体实施方式

　　以下实施例用来说明本发明的实施方法和步骤，但不用来限制本发明的范围。

下面针对某600MW燃煤单元机组，结合本发明的具体实施方式对一种电站锅炉燃烧子空间建模及多目标优化方法进行说明。具体步骤如下：

1. 确定燃烧优化模型的输入变量z。具体包括入炉煤低位发热量、入炉煤挥发分、入炉煤灰分、入炉煤全水分、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、烟气氧含量、各给煤机开度、各磨煤机通风量、燃烧器摆角。

2. 根据锅炉情况，从所有输入变量z中确定待优化的变量x。具体包括各层二次风门开度、各层燃尽风门开度、烟气氧含量。根据锅炉具体情况可选的还包括燃烧器摆角。

3. 确定优化方法。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。

4. 离线模型建立。包括如下步骤：

　　4.1. 从历史数据库读取机组运行历史数据，包括步骤1中定义的所有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；

　　4.2. 采用数据挖掘方法从机组运行历史数据中选取模型训练样本600组；

　　4.3. 根据负荷将模型训练样本分为7个区段，即L₁:[0,a₂], L₂:[a₁,a₃], L₃:[a₂,a₄], L₄:[a₃,a₅], L₅:[a₄,a₆], L₆:[a₅,a₇], L₇:[a₆,a₈]，

　　　　其中，a₁＝0.4, a₂＝0.5, a₃＝0.6, a₄＝0.7, a₅＝0.8, a₆＝0.9, a₇＝1.0, a₈＝1.1；

　　4.4. 根据步骤4.3中的7个区段样本数据，采用自适应神经模糊系统(ANFIS)分别建立锅炉效率局部子空间模型F_1,1(x, y)、F_1,2(x, y)、F_1,3(x, y)、F_1,4(x, y)、F_1,5(x, y)、F_1,6(x, y)、F_1,7(x, y)，建立氮氧化物排放局部子空间模型F_2,1(x, y)、F_2,2(x, y)、F_2,3(x, y)、F_2,4(x, y)、F_2,5(x, y)、F_2,6(x, y)、F_2,7(x, y)，建立机组负荷局部子空间模型F_3,1(x, y)、F_3,2(x, y)、F_3,3(x, y)、F_3,4(x, y)、F_3,5(x, y)、F_3,6(x, y)、F_3,7(x, y)；

其中，y是优化模型的全部输入变量z中去除待优化的变量x后剩下的无需优化的部分输入变量。

4.5. 根据步骤4.4中的局部子空间模型分别集成得到锅炉效率全局模型F₁(x, y)、氮氧化物排放全局模型F₂(x, y)、机组负荷全局模型F₃(x, y)，计算公式如下：

式中，

5. 实时数据采集。获得当前的机组运行数据为入炉煤低位发热量25462kj/kg、入炉煤挥发分29.22%、入炉煤灰分15.75%、入炉煤全水分11.31%、入炉总煤量241.56t/h、入炉总空气量2572t/h、各层二次风门开度(54.3%、56.2%、57.7%、54.1%、50.7%、44.6%)、各层燃尽风门开度(62.1%、52.2%)、风箱炉膛差压0.82kPa、烟气氧含量(3.32%)、各给煤机开度(86.4%、87.3%、83.1%、83.6%、80.4%、0.4%)、各磨煤机通风量(102.4t/h、107.6t/h、101.7t/h、93.3t/h、97.5t/h、0.1t/h )、燃烧器摆角60.5%，以及锅炉效率92.5%、氮氧化物687.8mg/Nm³、机组负荷581.3MW。

6. 在线模型修正。步骤如下：

　　6.1. 根据实时数据分别计算得到锅炉效率模型输出E_M(k)=F₁(x, y)、氮氧化物排放模型输出N_M(k)=F₂(x, y)、机组负荷模型输出L_M(k)=F₃(x, y)；

　　6.2. 基于滚动窗口计算最近30次采样计算得到的模型输出E_M(k–29:k)、N_M(k–29:k)、L_M(k–29:k)与机组实际运行数据E、N、L之间的综合误差J，如下式

　　　　

　　式中，分别表示E(k-29:k)、N(k-29:k)、L(k-29:k)的平均值。

　　计算结果得到J=0.7。取综合误差J大或者小的判断标准为＝1，结果J<则无需进行模型在线修正，表明为燃烧系统建立的自适应神经模糊系统子空间模型具有足够的精度。

7. 在线优化。根据实际情况，取锅炉效率降低一个单位的代价E_﹩=1000￥，氮氧化物升高一个单位的代价N_﹩=0.003￥，优化前后机组负荷容许的变化区间△L= 600×5‰，待优化变量的上下限约束分别为执行机构物理限制范围内的±30%。优化如下目标函数

　　 Min [E(k)–E_M(k)]E_﹩+[N_M(k)–N(k)]N_﹩

   　　　s.t. E_M(k)=F₁(x, y),

            N_M(k)=F₂(x, y),

L_M(k)=F₃(x, y),

L_M(k)≥L(k)–△L,

            x_iL≤x_i≤x_iH.

最终得到优化结果为各层二次风门开度(56.8%、55.1%、47.3%、48.5%、55.3%、57.2%)、各层燃尽风门开度(56.9%、50.5%)、烟气氧含量2.98%、燃烧器摆角56.2%。与这组优化结果对应的锅炉效率是93.3%，氮氧化物排放是498.5mg/Nm³，机组负荷是585.4MW。可见，锅炉效率提高了0.8%，氮氧化物排放降低了189.3mg/Nm³，机组负荷增加了4.1MW。这表明，通过本发明提供的建模和优化方法，在当前燃料消耗的情况下，锅炉效率可得到提高，氮氧化物排放可得到降低，机组负荷略有增加。

8. 优化结果分离并实施。将得到的最佳各层二次风门开度、各层燃尽风门开度、燃烧器摆角，作为新的调节量送达DCS并进而送达现场执行机构；将得到的最佳烟气氧含量送达DCS热工控制回路，作为新的烟气氧含量设定值由DCS进行调节，从而使烟气氧含量实际值达到优化值。

9. 重复步骤5～8对下一轮新工况继续优化，从而始终保持机组燃烧于最优状态。