[发明专利]一种电厂燃烧控制系统及控制方法

权利要求书

1.一种电厂燃烧控制方法，其特征是，该控制方法采用一种电厂燃烧控制系统，所述控制系统包括数据采集部分，控制部分以及执行部分；其中数据采集部分包括声波测温系统、DCS数据采集系统；控制部分包括神经网络模型模块、评估器、优化器；执行部分包括二次风门开度调节装置；声波测温系统、DCS数据采集系统分别与神经网络模型模块连接，神经网络模型模块与评估器连接，评估器与优化器连接，优化器与二次风门开度调节装置连接；

DCS数据采集系统和声波测温系统采集电厂的实时数据，并能够将实时数据传输至神经网络模型模块，神经网络模型模块输出电厂未来状态预测值，并将电厂未来状态预测值传输至评估器，评估器根据电厂未来状态预测值与电厂当前的运行状态计算优化指标，并将优化指标数据传输至优化器，优化器根据优化指标得到所要优化的目标函数，根据目标函数计算下一时刻的二次风门开度并将数据信息传递给二次风门开度调节装置，二次风门开度调节装置执行操作；

步骤一：数据采集系统采集实时数据，并将数据传输至神经网络模型模块，在电厂的运行过程中，DCS数据采集系统采集电厂的实时数据，实时数据包括二次风门开度，给煤量，总负荷，NOx排放量，烟温，炉膛温度等信息；除此之外，为了使得获取的信息更加全面，还需要收集AGAM声波测温系统所测得的炉膛各平面的二维温度场分布，以使得最后得到的控制结果保证炉膛内能够均匀燃烧；

步骤二：神经网络模型模块中神经网络模型根据实时数据对电厂的未来状态进行预测，并将电厂未来状态预测值传输至评估器；所述电厂未来状态预测值包括炉膛温度预测值、NOx排放量，烟温；神经网络模型被用作有预测能力的模型，控制对象可以是炉膛燃烧的温度、NOx排放量以及烟温；

在获得神经网络模型之后，训练获得的神经网络模型需要进行交叉验证来验证模型的准确性，该过程步骤如下：

(1)管线化所训练的神经网络，防止训练数据泄露；

(2)将测试数据输入训练过的神经网络，最终获得精准度以及损失函数；

所述精准度指的是神经网络模型输出的精准度，测试数据包括电厂实际的二次风门开度，给煤量及对应的炉膛温度输出；所述损失函数指实际输出与预测输出的差值；

损失函数为：

其中，n为温度测量点的数量；为实际温度；为预测温度；

将二次风门开度，给煤量输入到神经网络模型中，可以得到输出的炉膛温度预测值；当这个温度预测值与电厂的实际温度的误差保持在0.5％-3％时，认为神经网络模型是被接受的；

(3)选择精准度高以及没有过拟合的神经网络作为最终预测模型；

步骤三：评估器根据电厂未来状态预测值与电厂当前的运行状态，确定优化指标，具体的优化指标取决于所要控制的对象以及期望的控制效果；控制目为温度，期望的控制效果为炉膛内温度分布均匀，优化指标的表达式为：

其中F(t)为t时刻温度设定值，即目标温度值，Y(t)为t时刻温度测量值，即实际测得的温度值，Q为半正定矩阵或正定矩阵；在确定优化指标后，将优化指标数据传输至优化器，电厂当前的运行状态包括二次风门开度、给煤量、总负荷、炉膛温度；

步骤四：优化器根据优化指标得到所要优化的目标函数；对于不同的工作状态，具体的目标函数是不同的；当优化指标为步骤三中所示表达式时，对应的目标函数为：

其中，J(t)为以炉膛温度为优化目标时的目标函数，控制输入U(t)为t时刻所有二次风门的开度，Q以及R为半正定矩阵或正定矩阵，F(t)为t时刻温度设定值，即目标温度值，Y(t)为t时刻温度测量值，即实际测得的温度值，得到目标函数后，根据目标函数计算下一时刻二次风门的开度，并对二次风门开度调节装置发出调整指令信号；同时，优化器能够将下一时刻二次风门的开度数据传输至神经网络模块。

2.根据权利要求1所述的一种电厂燃烧控制方法，其特征是，步骤(2)中，神经网络模型采用非线性自回归神经网络。

3.根据权利要求2所述的一种电厂燃烧控制方法，其特征是，步骤(2)中，神经网络模型是根据电厂历史数据进行建立的；在建立神经网络模型的过程中，将稳定燃烧工况下的二次风门开度、给煤机给煤量从历史数据中提取出来作为模型输入，炉膛温度、NOx排放量以及烟温的历史数据作为输出，以上所述的输入输出数据作为建立神经网络模型所需要的训练样本；通过训练样本，神经网络模型中的神经元权重会不断更新迭代直到得到一个误差较小的神经网络模型。