[發明專利]基于配風方式優化的四角切圓鍋爐燃燒優化控制方法

有效

• 申請號: 201911147027.2
• 申請日: 2019-11-21
• 公開（公告）號: CN110986085B
• 公開（公告）日: 2021-07-27
• 發明（設計）人: 李益國;黃埔;劉西陲;沈炯;潘蕾;吳嘯;張俊禮
• 申請（專利權）人: 東南大學
• 主分類號: G06F30/17
• 分類號: G06F30/17
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 姜慧勤

1.基于配風方式優化的四角切圓鍋爐燃燒優化控制方法，其特征在于，包括如下步驟：

步驟1，根據四角切圓鍋爐結構，確定以下參數：燃盡風配置層數F1，周界風配置層數F2，二次風配置層數F3，給煤機臺數T；

步驟2，利用廠級監控信息系統采集并篩選各個典型工況時刻下的運行數據，數據類別包括6類輸入量以及3類輸出量，其中，6類輸入量為各層燃盡風門開度、各層周界風門開度、各層二次風門開度、各臺給煤機給煤量、省煤器出口氧量定值、機組負荷，3類輸出量為鍋爐效率、再熱汽溫、脫硝系統入口NOx濃度；針對6類輸入量的前4類輸入量，對每類輸入量進行二階最小二乘擬合，在每一時刻得到三個擬合系數；

所述針對6類輸入量的前4類輸入量，對每類輸入量進行二階最小二乘擬合，在每一時刻得到三個擬合系數，具體過程如下：

每類輸入量二階最小二乘擬合的擬合系數通過以下公式得到：

其中，t為風門或給煤機層數序號，n為該類輸入量的配置層數，X_t為對應第t層風門或給煤機的實際開度，CX,BX,AX為擬合系數，X_t與擬合系數關系如下：

X_t＝AX·t²+BX·t+CX

對前4類輸入量依次進行二階最小二乘擬合，則各層燃盡風門開度用表示、各層周界風門開度用表示、各層二次風門開度用表示、各臺給煤機給煤量用表示，F1為燃盡風配置層數，F2為周界風配置層數，F3為二次風配置層數，T為給煤機臺數；

步驟3，分別針對鍋爐效率、再熱汽溫、脫硝系統入口NOx濃度建立三個支持向量回歸機模型，將步驟2得到的三個擬合系數代替輸入量作為模型輸入，對模型進行訓練，得到初始支持向量回歸機模型；模型輸入和輸出分別如下：

Input_eff＝[FX_sofa(z),FX_sur(z),FX_sec(z),FX_fuel(z),X_o2(z),X_load(z),Y_eff(z)]

Output_eff＝[Y_eff(z+1)]

Input_tem＝[FX_sofa(z),FX_sur(z),FX_sec(z),FX_fuel(z),X_o2(z),X_load(z),Y_tem(z)]

Output_tem＝[Y_tem(z+1)]

Input_nox＝[FX_sofa(z),FX_sur(z),FX_sec(z),FX_fuel(z),X_o2(z),X_load(z),Y_nox(z)]

Output_nox＝[Y_nox(z+1)]

其中，Input_eff、Output_eff分別表示鍋爐效率支持向量回歸機模型的輸入、輸出，Input_tem、Output_tem分別表示再熱汽溫支持向量回歸機模型的輸入、輸出，Input_nox、Output_nox分別表示脫硝系統入口NOx濃度支持向量回歸機模型的輸入、輸出，FX_sofa(z)＝[AX_sofa(z),BX_sofa(z),CX_sofa(z)]為第z時刻燃盡風門開度擬合系數，FX_sur(z)＝[AX_sur(z),BX_sur(z),CX_sur(z)]為第z時刻周界風門開度擬合系數，FX_sec(z)＝[AX_sec(z),BX_sec(z),CX_sec(z)]為第z時刻二次風門開度擬合系數，FX_fuel(z)＝[AX_fuel(z),BX_fuel(z),CX_fuel(z)]為第z時刻給煤機給煤量擬合系數，X_o2(z)為第z時刻省煤器出口煙氣含氧量，X_load(z)為第z時刻機組負荷，Y_eff(z)、Y_eff(z+1)分別為第z和z+1時刻鍋爐效率，Y_tem(z)、Y_tem(z+1)分別為第z和z+1時刻再熱汽溫，Y_nox(z)、Y_nox(z+1)分別為第z和z+1時刻脫硝系統入口NOx濃度；

步驟4，根據分散控制系統采集當前時刻的運行數據，數據類別與步驟2相同，采用與步驟2相同的方法對前4類輸入量進行二階最小二乘擬合，每個輸入量都得到對應的擬合系數，將包含擬合系數在內的6類輸入量分別代入三個初始支持向量回歸機模型，得到鍋爐效率、再熱汽溫、脫硝系統入口NOx濃度的預測值；

步驟5，將步驟4得到的鍋爐效率、再熱汽溫、脫硝系統入口NOx濃度的預測值和各自對應的實測值作差，若差值大于等于預測誤差閾值，則采用精確在線支持向量回歸機方法對模型參數進行增量式在線更新，得到預測模型；若差值小于預測誤差閾值，則將初始支持向量回歸機模型作為預測模型；具體過程如下：

步驟5.1，設定當前時刻采集的運行數據即k時刻樣本對應的拉格朗日乘子θ_c＝0；

步驟5.2，根據k時刻實測值y(k)與模型預測值y_p(k)計算邊緣函數h(k)：

h(k)＝y_p(k)-y(k)

若|h(k)|≥Rg，則繼續進行步驟5.3，Rg為所設置的預測誤差閾值；

步驟5.3，采用初始支持向量回歸機模型對步驟2采集的運行數據進行篩選，篩選出其中拉格朗日乘子的絕對值大于0的運行數據作為訓練樣本集，根據拉格朗日乘數法和KKT條件，將訓練樣本集分為如下三個子集：錯誤支持向量集E，邊緣支持向量集S和保留支持向量集R，具體定義如下：

其中，r為訓練樣本集中樣本的序號，l_sv為訓練樣本集中樣本的數量，θ_r為訓練樣本集中第r個樣本對應的拉格朗日乘子，h_r為第r個樣本對應的邊緣函數，ε為不敏感系數，C為懲罰系數，每個子集包含訓練樣本集的部分樣本，記為l_e、l_s、l_r為錯誤支持向量集E、邊緣支持向量集S、保留支持向量集R包含的樣本數量；

步驟5.4，根據下式確定每次迭代時θ_c的改變量Δθ_c的符號：

sign(Δθ_c)＝sign(-h(k))

同時對θ_c進行更新：θ_c＝θ_c+Δθ_c；

步驟5.5，根據下式對決策參數b以及S集中樣本對應的拉格朗日乘子進行更新：

其中，Δb為決策參數增量，為S集中樣本對應的拉格朗日乘子增量，β根據下式得到：

其中，K(s_p,s_q)為S集中第p和第q個樣本的核函數值，K(s_p,c)為S集中第p個樣本和k時刻樣本c的核函數值，p＝1,…,l_s，q＝1,…,l_s，定義集合根據下式對N集中樣本的邊緣函數進行更新：

其中，為N集中樣本對應的邊緣函數，γ根據下式得到：

其中，K(n_l,c)為N集中第l個樣本和k時刻樣本c的核函數值，K(n_l,s_p)為N集中第l個樣本和S集中第p個樣本的核函數值，l＝1,…,l_n，p＝1,…,l_s；

步驟5.6，將經步驟5.5更新后的模型參數代入初始支持向量回歸機模型，對模型進行更新，計算模型更新后k時刻樣本邊緣函數h′(k)，對h′(k)進行判斷：若h′(k)從|h′(k)|＞ε改變至|h′(k)|＝ε，則將k時刻樣本加入S集作為支持向量，保存模型參數，結束更新算法；否則繼續下一步驟；

步驟5.7，對θ_c進行判斷，若|θ_c|≥C，模型參數恢復到更新前狀態，結束更新算法，否則繼續下一步驟；

步驟5.8，回到步驟5.4進行下一次的迭代，將更新后的模型參數代入計算；

步驟6，根據優化范圍以及變化速率的設置值，結合前4類輸入量參考折線，構建前4類輸入量的約束不等式矩陣條件；

步驟7，利用預測控制的方法，結合步驟5得到的預測模型以及步驟6得到的約束不等式矩陣，根據目標函數求解帶約束的非線性規劃問題，求得一組滿足約束不等式矩陣條件且使鍋爐效率最高、NOx濃度最低的解，對其中前4類擬合系數進行反擬合，得到前4類輸入量的實際優化指令，將所有優化輸入量輸出到分散控制系統；

步驟8，返回步驟4進行下一時刻的優化計算。

2.根據權利要求1所述基于配風方式優化的四角切圓鍋爐燃燒優化控制方法，其特征在于，所述步驟6的具體過程如下：

步驟6.1，在每個時刻優化計算時，通過下式所示優化范圍約束不等式確保輸入量位于限值之內：

其中，max₁(k),max₂(k),…,max_n(k)分別為k時刻對應工況下第1到n個輸入量的上限值，min₁(k),min₂(k),…,min_n(k)分別為k時刻對應工況下第1到n個輸入量的下限值，X₁(k),X₂(k),…,X_n(k)為k時刻對應工況下第1到n個輸入量的實際開度大小，1,2,…,n為對應工況下輸入量對應的序號，[AX(k),BX(k),CX(k)]為k時刻輸入量二階擬合后的擬合系數；

步驟6.2，通過下式所示的不等式對每個時刻輸入量增量進行約束：

其中，X₁(k-1),X₂(k-1),…,X_n(k-1)為k-1時刻第1到n個輸入量的實際開度大小，Δmax₁(k),Δmax₂(k),…,Δmax_n(k)分別為k時刻設置的第1到n個輸入量增大速率，Δmin₁(k),Δmin₂(k),…,Δmin_n(k)分別為k時刻設置的第1到n個輸入量減小速率；

步驟6.3，對步驟6.1和步驟6.2的不等式進行整合，最終構成輸入量的調節上下限：

其中，