[发明专利]基于大数据的锅炉智能燃烧优化控制方法

权利要求书

1.基于大数据的锅炉智能燃烧优化控制方法，其特征在于，包括以下步骤：

(1)采集机组DCS数据，并处理构成神经网络训练样本；

(2)根据训练样本建立燃烧优化神经网络模型；

(3)根据燃烧优化神经网络模型，采用多目标遗传算法优化燃烧参数；

(4)根据优化的燃烧参数计算优化偏置，并送DCS实现闭环优化控制。

2.根据权利要求1所述的基于大数据的锅炉智能燃烧优化控制方法，其特征在于，步骤(1)具体包括如下步骤：

(11)按照采样周期从机组DCS采集运行数据，以及运行数据对应的煤质数据，构成原始数据样本，所采集的运行数据包括优化条件变量、优化变量和其它变量，所述的优化条件变量包括机组负荷、入炉煤质、给水温度和环境温度；所述的优化变量包括各磨煤机负荷、各磨煤机一次风流量、空预器入口烟气含氧量、二次风门开度、燃尽风门开度；所述的其它变量包括脱硝入口烟气氮氧化合物含量NOx、空预器出口烟气含氧量、排烟温度、飞灰含碳量、炉膛出口两侧烟温、机组负荷变化率和吹灰状态；

(12)剔除原始数据样本中负荷变化率大于给定值的工况和吹灰工况的运行数据，并对运行数据进行1-5分钟平均再采样，构成新的数据样本；

(13)计算步骤(12)中新的数据样本中每个样本对应的锅炉效率，并将得到的锅炉效率与新的数据样本一起构成神经网络训练样本。

3.根据权利要求2所述的基于大数据的锅炉智能燃烧优化控制方法，其特征在于，步骤(11)所述的采样周期为1-10秒，采集的DCS数据为3-6个月内运行数据。

4.根据权利要求1所述的基于大数据的锅炉智能燃烧优化控制方法，其特征在于，步骤(2)包括以优化条件变量和优化变量作为神经网络模型的输入，以锅炉效率η、脱硝入口烟气氮氧化合物含量NOx和炉膛出口两侧烟温差Δθ作为模型的输出，根据步骤(1)的神经网络训练样本，采用BP神经网络学习算法，建立燃烧优化神经网络模型。

5.根据权利要求1所述的基于大数据的锅炉智能燃烧优化控制方法，其特征在于，步骤(3)的具体步骤如下：

(31)实时采集并计算最近1-5分钟的优化条件变量数据和优化变量数据的平均值，分别构成优化条件变量值向量V_c和优化变量实际值向量V_o,act；

(32)以优化变量作为遗传算法的个体，随机生成N个个体作为初始种群为优化变量构成的个体向量，i＝1,2,…，N；

(33)以V_c向量数据和种群中向量数据作为神经网络模型的输入，采用下式计算与个体对应的锅炉效率η和脱硝入口烟气氮氧化合物含量NOx：

其中Δθ为以V_c和为输入的神经网络输出炉膛出口两侧烟温差值，Δθ_max预设的允许Δθ的最大值，其值为30℃-50℃；

(34)根据步骤(33)的计算结果，以锅炉效率η最大，脱硝入口烟气氮氧化合物含量NOx最小为优化目标，采用多目标非支配快速排序遗传算法对优化变量进行寻优，得到优化的种群

(35)以V_c和向量数据作为神经网络模型的输入，计算与相应的神经网络输出η_i和NOx_i，选择满足NOx_i≤NOx_max的中锅炉效率最大的个体作为最终的优化变量的优化值V_o,opt，其中NOx_max为允许的NOx的最大值。

6.根据权利要求1所述的基于大数据的锅炉智能燃烧优化控制方法，其特征在于，步骤(4)的具体步骤如下：

(41)在机组DCS侧添加优化偏置逻辑，将优化偏置迭加于优化变量控制指令上；

(42)将步骤(3)优化得到的优化值V_o,opt与实际值V_o,act之差作为相应优化变量的优化偏置，送往DCS实现锅炉燃烧的闭环优化控制。