基于差分進化算法的鍋爐燃燒多目標優化控制方法與流程


本發明屬于火力發電領域,尤其涉及一種基于差分進化算法的鍋爐燃燒多目標優化控制方法。



背景技術:

近年來,國內的各種環保規范越來越嚴格,因此發電企業如何提高鍋爐燃燒效率、減少污染物排放將成為其重點考慮的問題之一。而建立鍋爐燃燒過程的模型,通過該模型對鍋爐燃燒過程進行優化調整,提高鍋爐效率并減少污染物排放,是目前常用的方法。

目前,利用神經網絡等多種人工智能算法可以建立鍋爐燃燒過程模型,而建立鍋爐燃燒過程模型后,如何利用鍋爐燃燒過程模型同時實現提高鍋爐效率并減少污染物排放的多目標優化,是現在比較關注的問題。



技術實現要素:

本發明的目的是提供一種基于差分進化算法的鍋爐燃燒多目標優化控制方法,以實現優化目標函數中多個目標的優化,在利用鍋爐燃燒過程模型同時實現提高鍋爐效率并減少污染物排放這兩個目標的優化。

本發明提供了一種基于差分進化算法的鍋爐燃燒多目標優化控制方法,包括以下步驟:

步驟1,將不可控輸入變量的值輸入至鍋爐燃燒過程模型中,隨機生成多個多維度個體;不可控輸入變量包括負荷、煤質、主蒸汽流量、各個磨煤機的瞬時給煤量和轉速中的多種;

步驟2,基于差分進化算法對所有個體進行遍歷迭代尋優,得到鍋爐效率和NOx生成量;

步驟3,基于優化的目標函數評判所述個體的優劣,將能夠達到最高鍋爐效率和最低NOx生成量的個體所對應的可控輸入變量的值作為可調節的燃燒控制量;可控輸入變量包括二次風量、各燃燒器二次風門開度、氧量、燃盡風門開度中的多種。

進一步地,步驟2包括:

在進行遍歷迭代尋優的過程中,將每個個體輸入離線學習得到的鍋爐燃燒過程模型,基于燃燒控制量預測受其影響而得到的鍋爐燃燒狀態,得到鍋爐效率和NOx生成量。

進一步地,優化的目標函數如下式:

f:fmax(x)=η(x),fmin(x)=(NOx(x),出口煙溫(x))T;

式中,NOx為該個體對應的NOx生成量,η為該個體對應的鍋爐燃燒效率。

借由上述方案,通過基于差分進化算法的鍋爐燃燒多目標優化控制方法,能夠有效地平衡鍋爐效率和NOx排放量這兩個相互矛盾的優化目標,同時實現提高鍋爐效率,并降低煙氣NOx排放。

上述說明僅是本發明技術方案的概述,為了能夠更清楚了解本發明的技術手段,并可依照說明書的內容予以實施,以下以本發明的較佳實施例并配合附圖詳細說明如后。

附圖說明

圖1為本發明基于差分進化算法的鍋爐燃燒多目標優化控制方法的流程圖。

具體實施方式

下面結合附圖和實施例,對本發明的具體實施方式作進一步詳細描述。以下實施例用于說明本發明,但不用來限制本發明的范圍。

參圖1所示,本實施例提供了一種基于差分進化算法的鍋爐燃燒多目標優化控制方法,包括以下步驟:

步驟S1,將不可控輸入變量的值輸入至鍋爐燃燒過程模型中,隨機生成多個多維度個體;不可控輸入變量包括負荷、煤質、主蒸汽流量、各個磨煤機的瞬時給煤量和轉速中的多種;

步驟S2,基于差分進化算法對所有個體進行遍歷迭代尋優,得到鍋爐效率和NOx生成量;

步驟S3,基于優化的目標函數評判所述個體的優劣,將能夠達到最高鍋爐效率和最低NOx生成量的個體所對應的可控輸入變量的值作為可調節的燃燒控制量;可控輸入變量包括二次風量、各燃燒器二次風門開度、氧量、燃盡風門開度中的多種。

通過該基于差分進化算法的鍋爐燃燒多目標優化控制方法,能夠有效地平衡鍋爐效率和NOx排放量這兩個相互矛盾的優化目標,同時實現提高鍋爐效率,并降低煙氣NOx排放。

下面對本發明作進一步詳細說明。

差分進化算法(Differential Evolution,DE)主要用于求解連續變量的全局優化問題,其主要工作步驟與其他進化算法基本一致,主要包括變異(Mutation)、交叉(Crossover)、選擇(Selection)三種操作。算法的基本思想是從某一隨機產生的初始群體開始,利用從種群中隨機選取的兩個個體的差向量作為第三個個體的隨機變化源,將差向量加權后按照一定的規則與第三個個體求和而產生變異個體,該操作稱為變異。然后,變異個體與某個預先決定的目標個體進行參數混合,生成試驗個體,這一過程稱之為交叉。如果試驗個體的適應度值(即Fitness,由適應度函數計算得到,Fitness Function)優于目標個體的適應度值,則在下一代中試驗個體取代目標個體,否則目標個體仍保存下來,該操作稱為選擇。在每一代的進化過程中,每一個體矢量作為目標個體,算法通過不斷地迭代計算,保留優良個體,淘汰劣質個體,引導搜索過程向全局最優解逼近。

本實施例基于差分進化算法進行多目標優化控制,旨在有效地平衡鍋爐效率和NOx排放量這兩個相互矛盾的優化目標,同時實現提高鍋爐效率,并降低煙氣NOx排放。

一般的,鍋爐燃燒過程模型是個多輸入-多輸出多變量非線性模型,輸入變量又可以分為不可控輸入變量和可控輸入變量。不可控輸入變量即鍋爐運行工況,一般包括負荷、煤質、主蒸汽流量、各個磨煤機的瞬時給煤量和轉速等。可控變量即需要優化的變量,一般包括一次風量、二次風量、各燃燒器二次風門開度、氧量、燃盡風門開度(如果現場不能調控某些變量,如一次風量,需將該變量歸入不可控變量進行建模和優化)。輸出變量至少包括:SCR脫硝反應器入口NOx濃度和鍋爐熱效率。

優化過程是在鍋爐燃燒過程模型完成建模的基礎上進行的,目前在學術和工業界,一般選取人工神經網絡或貝葉斯網絡等算法來建模。

在實時優化過程中,將當前的工況(即不可控輸入變量)作為多輸入進入多目標優化模塊,系統會隨機生成多個多維度個體,每一個個體代表了一種問題的解決方案,即對應于當前工況下的一組可控輸入變量的值(即二次風量、各燃燒器二次風門開度、氧量、燃盡風門開度等)。對所有個體通過差分進化算法,進行遍歷迭代尋優的過程中,將每個個體輸入離線學習得到的鍋爐燃燒過程模型,從觀察的燃燒控制量預測受其影響而得到的鍋爐燃燒狀態,即可以得到鍋爐效率和NOx生成量,然后根據優化的目標函數或稱評價函數或稱適應度函數(Fitness Function)來評判該個體的優劣。本實施例使用的多目標優化控制的目標函數如下式所示,

.f:fmax(x)=η(x),fmin(x)=(NOx(x),出口煙溫(x))T。

其中,NOx表示該個體對應的NOx生成量,η表示該個體對應的鍋爐燃燒效率。由此可見,最優值是在搜索范圍內,令目標函數值最小的一組可調節的燃燒控制量(即二次風量、各燃燒器二次風門開度、氧量、燃盡風門開度等)。

在每一次迭代后,個體群都會通過變異、交叉、選擇的操作來更新自己的參數。經歷了所有迭代后,所有個體都會收斂至最優的位置。在本實施例中,優化的目標函數是在降低NOx和提高效率之間尋求最優,即盡可能達到最高鍋爐效率和最低NOx生成量。

以上所述僅是本發明的優選實施方式,并不用于限制本發明,應當指出,對于本技術領域的普通技術人員來說,在不脫離本發明技術原理的前提下,還可以做出若干改進和變型,這些改進和變型也應視為本發明的保護范圍。

主題:蒸汽制造

北京赛pk10雪球计划表 扑克牌技巧 快手点击量能赚钱吗 急速赛车安卓 体彩半全场 iveryone 可以赚钱吗 北京快3遗漏二码一定牛 爱彩乐四川快乐12走势图表 彩票6加1怎么玩 澳客彩票官方网站 北京赛车pk拾吧 辽宁快乐12app下载 七乐彩连号走势图 淘宝快3选号技巧 山东十一选五任五最大遗漏 体彩湖南幸运赛车 在家玩梦幻赚钱