[发明专利]一种面向海量高维数据的电站锅炉燃烧建模及优化的方法

摘要

本发明公开了一种面向海量高维数据的电站锅炉燃烧建模及优化的方法，它属于电站锅炉优化运行领域，特别涉及一种面向海量高维数据的电站锅炉燃烧建模及优化的方法，包括以下步骤：(1)从电厂分散控制系统的历史运行数据中提取输入数据和输出数据，并对输入数据、输出数据进行数据处理；(2)使用改进的分布式极限学习机对NOx排放量建模为锅炉燃烧排放模型，对锅炉效率建模为锅炉燃烧效率模型；(3)将锅炉燃烧排放模型和锅炉燃烧效率模型合并建立多目标锅炉燃烧模型；(4)采用权重系数法将多目标锅炉燃烧模型转换成单目标锅炉燃烧模型；(5)使用分布式粒子群算法对单目标锅炉燃烧模型进行参数寻优，实现对锅炉燃烧过程的优化控制。

主权项

1.一种面向海量高维数据的电站锅炉燃烧建模及优化的方法，其特征在于，包括如下步骤：(1)从电厂分散控制系统的历史运行数据中提取输入数据和输出数据，并对输入数据、输出数据进行数据处理；(2)使用改进的分布式极限学习机对NOx排放量建模为锅炉燃烧排放模型，对锅炉效率建模为锅炉燃烧效率模型；锅炉燃烧排放模型为： Σ i = 1 L β i g i ( x j ) = Σ i = 1 L β i g ( w i x j + b i ) = Y j , j = 1 , 2 , ... , N ]]>其中，wi＝(ωi1,ωi2,...,ωin)T为锅炉燃烧排放模型的网络输入节点与第i个隐层节点间的输入权值向量，xj为锅炉燃烧排放模型的输入数据的第j维参量，bi为锅炉燃烧排放模型第i个隐层节点阈值，βi＝(βi1,βi2,...,βin)T为连接锅炉燃烧排放模型第i个隐层节点与输出层节点间的输出权值向量，Yj＝(yj1,yj2,...,yjn)T表示锅炉燃烧排放模型网络输出值，L为锅炉燃烧排放模型的隐含节点数，g(·)为锅炉燃烧排放模型的隐层神经元激活函数，gi(·)为锅炉燃烧排放模型的第i个层隐节点的隐层神经元激活函数值，激活函数采用Sigmoid函数；锅炉燃烧效率模型为： Σ i ′ = 1 L ′ β ′ i ′ g ′ i ′ ( x ′ j ′ ) = Σ i ′ = 1 L ′ β ′ i ′ g ′ ( w ′ i ′ x ′ j ′ + b ′ i ′ ) = Y ′ j ′ , j ′ = 1 , 2 , ... , N ]]>其中，w'i'＝(ω'i'1,ω'i'2,...,ω'i'n)T为锅炉燃烧效率模型网络输入节点与第i'个层隐节点间的输入权值向量，x'j'为锅炉燃烧效率模型的输入数据的第j'维参量，b'i'为锅炉燃烧效率模型第i'个隐层节点阈值，β'i'＝(β'i'1,β'i'2,...,β'i'n)T为连接锅炉燃烧效率模型第i'个隐层节点与输出层节点间的输出权值向量，Y'j'＝(y'j'1,y'j'2,...,y'j'n)T表示锅炉燃烧效率模型的网络输出值，L'为锅炉燃烧效率模型的隐含节点数，g'(·)为锅炉燃烧效率模型的隐层神经元激活函数，g'i'(·)为锅炉燃烧效率模型第i'个层隐节点的隐层神经元激活函数值，激活函数采用Sigmoid函数；(3)将锅炉燃烧排放模型和锅炉燃烧效率模型合并建立多目标锅炉燃烧模型； min f ( x ( i ) ) = [ min f NO x , max f η ] s t a ( i ) ≤ b ( i ) , i = 1 , 2 , ... , n ]]>其中f(x(i))为优化目标，x(i)为第i个优化参数，为关于NOx排放量的目标函数、fη为关于锅炉效率的目标函数，a(i)、b(i)为第i个参数的取值范围，n为优化变量的个数；(4)采用权重系数法将多目标锅炉燃烧模型转换成单目标锅炉燃烧模型； min f ( x ) = α × f NO x ( x ) - f NO x ( x m i n ) f NO x ( x m a x ) - f NO x ( x m i n ) - β × f η ( x ) - f η ( x m i n ) f η ( x m a x ) - f η ( x m i n ) ]]>其中为实际NOx排放量的最大值、最小值；fη(xmax)、fη(xmin)为实际锅炉燃烧效率的最大值、最小值；α,β为各技术指标的权值，且α+β＝1；(5)使用分布式粒子群算法对单目标锅炉燃烧模型进行参数寻优，实现对锅炉燃烧过程的优化控制。