[发明专利]一种混合智能锅炉效率燃烧优化方法

摘要

本发明涉及一种混合智能锅炉效率燃烧优化方法。目前锅炉的燃烧优化主要是靠调试人员进行不同工况的实验获得，费时、费力，也不能根据锅炉的实时变化情况进行在线的优化。本发明方法首先构造与锅炉燃烧效率正相关的指标β＝△TδQ，然后采用支持向量机方法建模，建立指标β与锅炉运行参数间的模型，最后利用粒子群优化算法结合所建模型，针对指标β进行锅炉运行参数配置的优化。本发明方法可有效提高锅炉燃烧优化的效率，既可以实施离线优化，也可以进行在线实时燃烧优化。

主权项

1.一种混合智能锅炉效率燃烧优化方法，其特征在于该方法的具体步骤包括：步骤(1)构造与锅炉燃烧效率正相关的指标β＝ΔTδQ,ΔT＝T1‑T2；T1为炉膛表征温度，通过非接触式温度测量仪测量或通过锅炉燃烧的DCS系统获得；T2为尾部烟道表征温度，取空预器后温度或省煤器后温度，从锅炉燃烧的DCS系统获得或直接测量获得；δ为每吨燃煤产生烟气量系数；Q为单位时间燃煤量；步骤(2)采用支持向量机方法建模，建立指标β与锅炉运行参数间的模型；所述的锅炉运行参数包括各层的一次风速、各层的二次风速、炉膛出口烟气含氧量及燃尽风速，具体建模方法如下：用于建模样本的输入参数及表征指标β的输出参数表示为其中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组作为输出参数表征指标β，N为样本数量；以实际运行数据为基础，采用支持向量机方法建立锅炉运行参数与指标β间的模型；支持向量机核函数选为径向基函数：σ为径向基函数的宽度；φ(x)为映射函数，设所求的目标函数为f(x_i)＝w·φ(x_i)+b，f(x_i)为模型输出的锅炉燃烧状态的特征指标预测值，w为权重系数向量，b为截距；引入两个松弛因子ξ_i≥0和允许拟合误差ε，并设样本点中有k个点的误差超出允许拟合误差ε，0≤k＜N，模型通过在约束：K(x_i,x_j)；条件下，最小化：获得，其中常数C为惩罚系数,C＞0；该最小化问题为一个凸二次规划问题，引入拉格朗日函数：其中：α_i、γ_i、为拉格朗日乘数，在鞍点处，函数L是关于w、b、ξ_i、的极小点，也是α_i、γ_i、的极大点，最小化问题转化为求其对偶问题的最大化问题；拉格朗日函数L在鞍点处是关于w、b、ξ_i、极小点，得：可得拉格朗日函数的对偶函数：此时，按照库恩‑塔克条件定理，在鞍点有下式成立：由上式可见，α_i和都不会同时为非零，可得：从上式求出b，获得模型；模型中罚系数C和径向基核函数参数σ的数值的确定，采用优化算法寻优获得，具体步骤是：a.设定遗传算法的初始向量v的各维分量分别为C和σ，及C和σ的寻优区间；b.设定遗传算法搜索目标、交叉概率设为0.25、变异概率0.25、选择概率设为0.25和迭代次数为100～1000次，搜索目标为最小化预测建模和检验数据的标准差；c.当遗传算法完成迭代，即获得最优的C和σ参数值；步骤(3)利用粒子群优化算法结合所建模型，针对指标β进行锅炉运行参数配置的优化，具体步骤如下：①定义粒子群位置向量x的各维分量分别为锅炉运行参数；②设定粒子群的搜索目标和迭代次数，搜索目标为指标β，迭代次数根据具体的锅炉实时优化的需求确定，范围取10～1000次；③根据实际锅炉的设计和运行要求设定各运行参数的寻优范围，并初始化位置向量x，然后根据上一步设定的搜索目标，用粒子群算法进行迭代计算，搜索粒子群在参数向量空间内的最优位置；④当粒子群算法完成迭代次数或找到设定要求的最优时，停止计算获得相应最优的位置向量，即获得最优的锅炉运行可调操作参数组合。