[發(fā)明專利]一種垃圾發(fā)電廠多目標運行優(yōu)化及協(xié)調(diào)的控制方法及裝置

有效

• 申請?zhí)枺?/td>: 201210555753.X
• 申請日: 2012-12-19
• 公開（公告）號: CN103064289A
• 公開（公告）日: 2013-04-24
• 發(fā)明（設計）人: 廖艷芬;涂繼業(yè);馬曉茜;劉志超
• 申請（專利權(quán)）人: 華南理工大學
• 主分類號: G05B13/04
• 分類號: G05B13/04
• 代理公司: 廣州市華學知識產(chǎn)權(quán)代理有限公司 44245
• 代理人: 蔡茂略

技術(shù)領(lǐng)域

本發(fā)明涉及熱工領(lǐng)域發(fā)電廠運行優(yōu)化及控制研究領(lǐng)域，尤其是一種垃圾發(fā)電廠多目標運行優(yōu)化及協(xié)調(diào)的控制方法及裝置。

背景技術(shù)

目前的發(fā)電站燃燒優(yōu)化技術(shù)主要可以分為三類：第一類通過在線檢測鍋爐燃燒的重要參數(shù)，結(jié)合運行人員的經(jīng)驗調(diào)節(jié)鍋爐燃燒參數(shù)，這類燃燒優(yōu)化技術(shù)長期以來在國內(nèi)占據(jù)著主導地位。第二類燃燒優(yōu)化技術(shù)是在設備層面，通過對燃燒器、受熱面等的改造實現(xiàn)鍋爐的燃燒優(yōu)化調(diào)整。第三類燃燒優(yōu)化技術(shù)是在DCS的基礎上，通過采用先進的控制邏輯、控制算法或人工智能技術(shù)實現(xiàn)鍋爐的運行優(yōu)化。

其中，第三類優(yōu)化技術(shù)由于較少涉及硬件設備的改造，減少了投資成本；同時利用了先進的控制技術(shù)獲得較好的優(yōu)化效果。如燃煤電廠中常見的優(yōu)化技術(shù)采用線性、非線性回歸方法，預測煙氣含氧量與鍋爐效率的二次曲線函數(shù)關(guān)系，從而指導電站運行。相比于燃煤燃燒，垃圾燃燒是個復雜、多變的動態(tài)過程，經(jīng)濟性與安全性、環(huán)保性之間存在諸多耦合、競爭關(guān)系，傳統(tǒng)方法在此多目標運行要求中難以獲得優(yōu)化結(jié)果，而且由于不具備學習能力，對于垃圾燃燒發(fā)電的動態(tài)變化過程適應性不夠。

因此，如何針對國內(nèi)垃圾燃燒的復雜工況，實現(xiàn)經(jīng)濟性與安全性、環(huán)保性之間多目標的運行優(yōu)化和實施協(xié)調(diào)具有極大的現(xiàn)實應用價值。

發(fā)明內(nèi)容

本發(fā)明的主要目的在于克服現(xiàn)有技術(shù)的缺點與不足，提供一種垃圾發(fā)電廠多目標運行優(yōu)化及協(xié)調(diào)的控制方法，該方法利用支持向量機（SVM）技術(shù)、模糊神經(jīng)網(wǎng)絡技術(shù)等建立模型，利用改進的強度PARETO遺傳算法實現(xiàn)多目標綜合優(yōu)化，不僅實現(xiàn)了針對垃圾發(fā)電廠經(jīng)濟性、安全性、環(huán)保性的多目標組合優(yōu)化，而且具備自學習、自適應、動態(tài)優(yōu)化、離線仿真、實時預測等多種功能。

本發(fā)明的另一目的在于提供一種用于實現(xiàn)上述垃圾發(fā)電廠多目標運行優(yōu)化及協(xié)調(diào)的控制方法的控制裝置。

本發(fā)明的目的通過以下的技術(shù)方案實現(xiàn)：一種垃圾發(fā)電廠多目標運行優(yōu)化及協(xié)調(diào)的控制方法，包括以下步驟：

（1）從DCS系統(tǒng)（distributed?control?systems，分散控制系統(tǒng)）下載鍋爐運行參數(shù)數(shù)據(jù)；

（2）根據(jù)閥值預判步驟（1）所述數(shù)據(jù)的合理性，如果異常則剔除該數(shù)據(jù)，否則把數(shù)據(jù)傳輸?shù)綌?shù)據(jù)庫；

（3）采用支持向量機算法構(gòu)造電廠環(huán)保性數(shù)學模型、經(jīng)濟性數(shù)學模型，采用模糊神經(jīng)網(wǎng)絡算法構(gòu)造電廠安全性數(shù)學模型；從數(shù)據(jù)庫中提取數(shù)據(jù)，得到訓練樣本及檢驗樣本，將訓練樣本輸入到支持向量機模型或模糊神經(jīng)網(wǎng)絡模型中進行訓練，從而確定模型中各個參數(shù)的最優(yōu)值或者模型中網(wǎng)絡的權(quán)值，再利用檢驗樣本檢測模型的精度和有效性；

（4）將已經(jīng)建立的模型數(shù)據(jù)經(jīng)過改進的強度PARETO遺傳算法對環(huán)保性數(shù)學模型、經(jīng)濟性數(shù)學模型、安全性數(shù)學模型三個模型的多目標進行實時組合優(yōu)化，得出當前工況下的最佳運行參數(shù)；

（5）工作人員根據(jù)最佳運行參數(shù)調(diào)整相應器件的運行。

優(yōu)選的，所述步驟（5）工作人員根據(jù)最佳運行參數(shù)調(diào)整相應器件的運行時，工作人員輸入的參數(shù)先輸入到步驟（3）所述的各個數(shù)學模型，對其對應的輸出進行預測，如果輸出值出現(xiàn)異常則報警，如果正常則輸出到對應器件進行調(diào)整。采用這種方式，可以避免工作人員手動操作是否失誤，提前判斷操作是否恰當，再結(jié)合報警，極大地提高了電廠運行的安全性。

優(yōu)選的，所述步驟（2）中，如果出現(xiàn)異常，則在剔除該數(shù)據(jù)的同時進行報警。由工作人員做進一步判別，防止電站運行事故發(fā)生。

優(yōu)選的，所述步驟（3）中，所述支持向量機算法中采用的核函數(shù)為徑向基核函數(shù)。

優(yōu)選的，所述采用支持向量機算法構(gòu)造電廠環(huán)保性數(shù)學模型時，影響目標函數(shù)值的因素為：一次風平均風速、二次風平均風速、燃盡風平均風速、爐膛出口煙氣含氧量、各典型垃圾組分的元素分析、工業(yè)分析、垃圾混合物的組成比例、平均給料速度、鍋爐負荷、總空氣量，將以上因素作為模型的輸入，從數(shù)據(jù)庫中提取數(shù)據(jù)，得到訓練樣本及檢驗樣本，并將訓練樣本輸入到以上支持向量機模型中進行訓練，從而確定模型中各個參數(shù)的最優(yōu)值，再利用檢驗樣本檢測模型的精度和有效性。