[发明专利]基于深度学习预测控制优化的循环流化床节煤降耗的方法

说明书

本发明涉及锅炉控制技术领域，具体涉及基于深度学习预测控制优化的循环流化床节煤降耗的方法，包括以下步骤：采集锅炉的输入变量值、状态变量值以及输出变量值；将输入变量及状态变量值关联滞后时间T后的输出变量值，作为样本数据；训练深度学习算法模型；建立锅炉空间状态模型，使用历史数据训练锅炉空间状态模型,以周期t更新锅炉空间状态模型；结合深度学习算法模型、锅炉状态模型以及先验约束条件，采用优化算法，获得满足输出变量值要求下的燃烧最充分的输入变量值组合。本发明的实质性效果是：通过深度学习模型能够更好的进行非线性建模，提高预测和控制精度，带来节煤降耗的效果，并使煤燃烧更充分，减少污染。

技术领域

本发明涉及锅炉控制技术领域，具体涉及基于深度学习预测控制优化的循环流化床节煤降耗的方法。

背景技术

循环流化床是将大量固体颗粒悬浮于运动的气流之中，气速大于颗粒的自由沉降速度，从而使颗粒具有流体的某些表观特征，这种流固接触状态称为固体流态化。固态煤颗粒悬浮在气流中，相比块状煤极大的增加了与气流的接触的总表面积，不仅提高了燃烧效率，提高了燃烧热功率，同时能够使得煤含有的可燃物充分燃烧氧化，降低污染。循环流化床是目前工业化程度最高的洁净煤燃烧技术。循环流化床锅炉即采用这样循环流化床的锅炉技术。现有的对循环流化床控制的方案中，存在使用多变量广义预测控制优化、利用多变量渐消记忆递推最小二乘法辨识锅炉燃烧的模型以及利用广义预测控制对PID控制参数进行整定，根据预测结果以及辨识模型对一次风、二次风和给煤量变量进行控制，然后重复所有步骤。由于循环流化床的控制是多变量的非线性系统，传统的控制系统建模需要大量的时间去拟合去辨识，并且需要不断的调试和调参。而深度学习的自学习能力，在搭建好神经网络结构、框架后即可通过新数据的不断导入，即可将模型不断的学习不断优化，精确度将越来越高，同时花费的时间也会少很多。

如中国专利CN102425790B，公开日2014年3月12日，一种循环流化床锅炉在线优化自学习控制方法。包括设有负荷知识库、床温知识库、二次风量知识库及自学习更新算法，可以提炼、存储和使用锅炉特性值和运行经验值从而提高控制性能。设有热效率在线优化器调节床温和二次风量，可使用内置的牛顿梯度寻优算法实时优化燃烧热效率，使锅炉燃烧过程逼近经济燃烧最优区域。对锅炉床层温度的控制采用单回路—多冲量智能控制算法，有效解耦后协调控制影响床温的多个变量，实现安全目标和经济目标的整合。其技术方案实现循环流化床锅炉安全稳定高效率运行。但其没有对锅炉的非线性特征进行足够的建模分析和控制，导致其控制精度有限。虽然其能够自动的控制锅炉运行，但其技术方案不能将锅炉状态呈现给控制人员，导致控制人员无法进行人工干预、修正。

发明内容

本发明要解决的技术问题是：目前的循环流化床锅炉控制精度不高的技术问题。提出了一种采用深度学习的预测及控制精度更高的循环流化床节煤降耗方法。

为解决上述技术问题，本发明所采取的技术方案为：基于深度学习预测控制优化的循环流化床节煤降耗的方法，包括以下步骤：采集锅炉的输入变量值、状态变量值以及输出变量值，并标准化；将同时刻的输入变量及状态变量值关联，再关联滞后时间T后的输出变量值，作为样本数据；使用样本数据训练深度学习算法模型，所述深度学习算法模型输出未来T时刻锅炉的输出变量值；建立锅炉空间状态模型，使用历史数据训练锅炉空间状态模型,以周期t更新锅炉空间状态模型；结合深度学习算法模型、锅炉状态模型以及先验约束条件，采用优化算法，获得满足输出变量值要求下的燃烧最充分的输入变量值组合。

作为优选，所述的锅炉空间状态模型为：

其中，表示第k时刻的锅炉中间状态，n为锅炉中间状态的个数，表示第k时刻锅炉输入变量值状态,m为输入变量个数，表示第k+1时刻的锅炉输出变量值状态，l为输出变量个数,A_k为第k时刻中间状态系数矩阵，B_k为第k时刻输入状态系数矩阵，C_k为第k时刻输出状态系数矩阵，D_k为第k时刻输出状态补偿值矩阵。