[发明专利]全负荷动态调节的锅炉分级燃烧实时控制方法及系统

说明书

本发明公开一种适应动态变负荷调节、分级燃烧、煤耗与环保协调优化的全负荷动态调节的锅炉分级燃烧实时控制方法，包括：当锅炉运行工况发生改变，将燃烧变量作为多输入变量输入多目标优化模块中，随机生成多个多维度粒子；对粒子一次遍历迭代寻优以获得第一最优可调节燃烧控制量；根据多目标优化控制的目标函数评判粒子优劣，并将各个粒子的第一最优可调节燃烧控制量组成的历史最优值组成非劣解集合；每个粒子自动更新自身的参数；循环执行所有迭代，所有粒子都收敛至最优位置集合，获得最优可调节燃烧控制量的非劣解集合；根据实时工况，动态改变非劣解集中多个优化目标的权重和调整模式，确定最优可调节燃烧控制量；对锅炉进行分级燃烧控制。

技术领域

本发明属于能源电力技术领域，尤其涉及一种全负荷动态调节的锅炉分级燃烧实时控制方法及系统。

背景技术

近年来国内燃煤发电企业面临着生产经营困境，一方面，燃煤电厂节能降耗压力巨大，而大气排放标准日益严苛；另一方面，随着能源电力体制改革深入推进，电网调度灵活调峰要求越来越高。因此，作为电站节能减排的重点和难点，燃煤机组锅炉整体的控制优化和性能提升尤为重要和迫切。然而，目前锅炉性能严重偏离优化值，普遍未实现自动闭环燃烧优化，优化控制严重依赖人工经验；同时，对于锅炉燃烧这种大滞后、强耦合、多输入、多输出的系统，传统技术缺乏有效手段。因此发电企业如何提高锅炉燃烧效率、减少污染物排放将成为其重点考虑的问题之一。而建立锅炉燃烧过程的模型，通过该模型对锅炉燃烧过程进行优化调整，提高锅炉效率并减少污染物排放，是目前常用的方法。

由于炉膛中的燃烧过程是复杂的物理、化学反应过程，目前缺乏有效的机理模型能够精确反映燃烧过程中剧烈的参数变化。首先需要使用人工智能算法建立锅炉的燃烧动态过程模型，用来反映不同的配风、配煤等燃烧运行方式是如何影响锅炉效率和NOx生成量。目前，这种因果关系主要是依靠燃烧调整试验来确定的，但是燃烧调整试验是静态且离散的，然而基于人工智能算法建立的燃烧过程模型却是动态且连续的。目前的国内外研究中，对炉膛燃烧过程的建模多使用人工神经网络等算法，这些算法在一定范围内可以反映燃烧过程中各物理量的非线性关系，但是神经网络对锅炉专家是个黑匣子，无法从算法本身去解释燃烧机理，并且在实际使用过程中并不能同时满足对模型的精度和泛化能力的要求。

模式识别技术已经逐步应用于不同工业领域，对燃煤发电企业来讲，现场存在机组运行的大量数据，其背后隐含了固有的规律和特性。由于锅炉的燃烧过程存在大量的不确定信息，而人工神经网络等算法实现对不确定信息的处理一般比较困难，因此利用人工神经网络算法建立的锅炉燃烧过程模型的精度不高，无法适应电厂生产中复杂多变的工况。

粒子群优化算法与其他进化算法一样，也是基于“种群”和“进化”的概念，通过个体间的协作与竞争，实现复杂空间最优解的搜索；同时粒子群优化算法又不像其他进化算法那样对个体进行交叉、变异、选择等进化算子操作，而是将群体(Swarm)中的个体看作是维搜索空间中没有质量和体积的粒子(Part i c l e)，每个粒子以一定的速度在搜索空间中运动，并向自身历史最优位置和整体最优位置聚集，实现对候选解的进化。粒子群优化算法具有很好的生物社会背景而易理解，流程简单易实现，算法参数简单，对非线性、多峰问题具有较强的全局搜索能力。因此，从提出至今，已被迅速用于遗传算法原有的应用领域。连续时间贝叶斯网络(Cont i nuous-Time Bayes ian Network)是数据挖掘和不确定知识在时间序列中表示的理想模型，可以准确地对不确定信息进行表达和推理。因此急需依此建立锅炉运行模式的动态识别新方法，为建立适应动态变负荷调节、分级燃烧精细配风、煤耗与环保协调优化的锅炉智能燃烧实时闭环控制系统奠定基础。

发明内容