[发明专利]一种锅炉燃烧优化的方法

说明书

技术领域

本发明属于信息与控制技术领域，涉及到自动化技术，特别是涉及一种锅炉燃烧优化方法。

背景技术

锅炉的燃烧优化是节能减排的重要技术手段，其目标是在一定的锅炉负荷条件下，通过调整锅炉配风、给煤等运行参数而获得高效率、低污染排放及更安全的运行状态。锅炉的配风、给煤等运行参数的搭配对锅炉燃烧状态有直接的影响，不同的配风、给煤及氧量等操作参数的配置会直接导致不同的锅炉效率、污染气体的排放量及高温腐蚀的情况。对于给定的锅炉，在一定的负荷条件下，针对不同的燃烧指标，存在一种最优的操作参数配置方案，能够使相应燃烧指标最优化，但是，锅炉的操作参数间有着非常复杂的耦合关系，要找到最优的操作参数的配置并不容易。随着科学技术的不断进步，锅炉运行自动化程度不断提高，但是锅炉燃烧优化问题一直没有很好的得到解决。

实际中锅炉的燃烧优化主要是靠调试人员进行不同工况的实验，针对具体的锅炉和煤种情况通过大量的实验来寻找好的运行参数配置，以提供给运行人员作参照，此种方法费时、费力而且能够实验的参数组合有限，因此通过调试实验找到的最优参数配置还存在较大的提升空间，而且这种方法还不能实现根据锅炉的实时变化情况进行在线的优化。

通过数据挖掘，在大量不同的运行参数组合中，应用机器学习的方法，挖掘出运行参数与锅炉燃烧指标间的关系模型，再结合优化算法对进行锅炉的燃烧优化是非常有潜力的方法。如何使该方法真正达到锅炉生产实际的要求，是困扰工程技术人员的难题，主要难题包括，如何提高模型的预测和泛化能力，如何提高模型的增量学习能力，如何丰富锅炉燃烧优化的目标，使之达到兼顾各项指标的更全面的优化的目的。

发明内容

本发明的目标是针对锅炉燃烧优化中的一些难题，提出一种具有较强增量学习能力锅炉燃烧优化方法，优化内容兼顾了经济性、环保性和设备安全和损耗特性。

本发明的技术方案是通过锅炉的数据采集，针对相互影响的不同锅炉燃烧指标建立基于集成技术的模型，应用并行的优化算法寻优等手段，确立了一种锅炉燃烧优化的方法，利用该方法可有效提高锅炉燃烧优化的效率和全面性，既可以实施离线优化也可以进行在线实时燃烧优化。

本发明的具体步骤是：

步骤(1)采集锅炉运行参数及相关的表征锅炉燃烧特征指标，建立实时数据库；具体的锅炉运行参数通过锅炉实时运行数据库获取，或直接通过仪器设备测量采集。

所述的实时锅炉运行参数数据包括负荷、各层的一次风速、各层的二次风速、炉膛出口烟气含氧量、燃尽风速、给粉机给粉速度，燃煤工业分析指标；所述的表征锅炉燃烧特征指标的数据包括锅炉燃烧器边水冷壁的CO浓度、尾部烟气的NO浓度和锅炉效率，其获得的方法为成熟技术。

这个过程是积累数据的阶段，只有积累了相当的数据后才可能进行后边的数据挖掘建模。

步骤(2)由于极低负荷下锅炉参数变化对锅炉燃烧的影响情况与其它负荷段不同，而且实际运行中极低负荷段下的运行数据相对于其它负荷段又少很多，因此根据极低负荷段(实际运行负荷小于锅炉设计负荷的60％)的特点采用适于小样本且泛化能力强的支持向量机集成建模方法建模；对于数据量充分的其它负荷段(实际运行负荷大于等于锅炉设计负荷的60％)采用径向基神经网络集成建模方法建模，对数据库中的数据进行挖掘，建立不同指标的锅炉燃烧模型。需要调用所建模型预测时，根据实际的锅炉运行负荷情况选用相应负荷段下的模型进行预测计算。具体建模方法如下：

用于建模样本的输入参数及表征锅炉燃烧状态的输出参数可以表示为{x_i， y_i}_i＝1^N，其中x_i表示第i组作为输入数据的锅炉运行参数向量，y_i表示第i组作为输出参数的表征锅炉燃烧状态的参数，N为样本数量，以实际运行数据为基础建立锅炉运行参数与锅炉各不同燃烧特征指标间的模型。

对于数据量少的极低负荷段，采用适合于小样本学习的支持向量机集成算法建模，支持向量机核函数选为径向基函数：