[发明专利]一种煤粉锅炉燃烧优化的建模方法

说明书

【技术领域】

本发明涉及煤粉锅炉控制技术领域，特别是煤粉锅炉的燃烧过程优化控制 的技术领域。

【背景技术】

煤粉锅炉的燃烧优化是实现电厂提高经济性与环保性的重要措施，而在实 现燃烧优化之前则需要对锅炉的燃烧过程进行建模。一般来说，优化目标为锅 炉热效率与NO_X排放量，但在建模过程中，通常考虑对飞灰含碳量与NO_X排放进 行建模，然后再利用热平衡公式等将飞灰含碳量转换为锅炉热效率，在此基础 上，通过智能算法等对可调节辅助变量进行寻优，就实现了锅炉燃烧建模—— 优化的整个过程。

因循环流化床锅炉(CFB)与传统燃煤锅炉在结构上存在一定差异，所以建 模方法也各异，目前有传统煤粉锅炉燃烧优化建模方法的相关专利申请，如 CN200910096411，一种锅炉燃烧优化的建模方法，将锅炉负荷进行分段，建立 各负荷下的锅炉燃烧模型；CN201310541803，一种电站锅炉燃烧子空间建模及 多目标优化，也是将负荷分为领域重叠的若干个区域，离线进行燃烧子空间模 型的建立；CN201410122688，适合不同磨煤机组合的电站锅炉燃烧性能神经网 络模型，是利用了神经网络使得磨煤机与锅炉燃烧相结合；CN201510064480， 一种电站锅炉NO_X排放动态软测量方法，将支持向量机作为软测量建模工具，结 合了非线性自回归滑动平均的思想，来描述锅炉燃烧过程；CN201510198128， 一种锅炉燃烧优化的变量降维建模方法，利用了主成分分析(PCA)对模型变量 进行特征提取，在利用最小支持向量机(LSSVM)对锅炉燃烧进行建模。但是由 于锅炉燃烧的耦合大、变量影响多，当数学模型的输入自变量很多、自变量之 间不是相互独立时，利用神经网络容易出现过拟合现象，从而导致建立的模型 精度低、建模时间长等问题，所以在建模过程中对建模自变量进行筛选很多必 要，上述专利要么没有进行变量筛选，要么只是利用高维空间映射(PCA)进行 特征提取，并没有很好的降低模型的复杂度，建模时间也较长。本发明是通过 智能进化算法——遗传算法(GA)对建模的自变量进行降维，充分利用了遗传 算法全局优化的能力，然后经过径向基神经网络(RBF)建立锅炉燃烧过程的模 型，在减小建立模型的拟合误差与预测误差的同时，加快了建模时间。

【发明内容】

本发明的目的就是解决现有技术中的问题，提出一种煤粉锅炉燃烧优化的 建模方法，不仅提高了建模的精度，而且减小了模型复杂度与建模时间，为燃 烧优化提供了可靠的保证。

为实现上述目的，本发明提出了一种煤粉锅炉燃烧优化的建模方法，是在 基于遗传算法对建模自变量进行降维的基础上，利用径向基神经网络对锅炉燃 烧过程进行建模，具体步骤包括：

(a)数据预处理：利用3σ准则剔除从集散控制系统(DCS)上采集的具有 粗大误差的数据；

(b)自变量降维：利用智能进化遗传算法对锅炉燃烧过程的模型自变量进 行降维；

(c)模型建立：在模型自变量筛选的基础上，利用径向神经网络分别建立 以NO_X排放量、飞灰含碳量为目标的软测量模型；

(d)误差分析：对建立起的模型进行拟合误差与预测误差的分析，校正模 型参数。

作为优选，所述(b)步骤中，模型需要筛选的自变量包括燃煤热值、锅炉 负荷、总送风量、给煤量、引风量、燃煤特性、排烟温度、主蒸汽温度、主蒸 汽流量，燃煤特性包括应用基灰分、碳含量、氢含量、氮含量。

作为优选，所述(b)步骤中，利用遗传算法进行优化计算，需要将解空间 映射到编码空间，每个编码对应问题的一个解，本专利将编码长度设计为12， 染色体的每一位对应一个自变量，每一位的基因取值只能是“0”或者“1”， 其中，“0”代表对应的自变量不作为最终的建模自变量，“1”代表参与最终 的建模。

作为优选，所述(b)步骤中，遗传算法中选取测试集数据误差平方和的倒数作为适应度函数，即选择操作选用比例选择算子，交叉操作选择单点交叉算子，变异操作选用单点变异算子。

作为优化，所述(c)步骤中，径向基神经网络采用的函数是高斯函数，并 通过K-均值聚类方法求取基函数中心c。

本发明的有益效果：