锅炉智能燃烧综合优化控制方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110793059A(43)申请公布日2020.02.14(21)申请号201911105929.X(22)申请日2019.11.13(71)申请人南京昆岳智能电力科技有限公司地址211100江苏省南京市江宁区迎翠路7号1幢中关村软件园一层楼创业空间(72)发明人雎刚(74)专利代理机构南京苏高专利商标事务所(普通合伙)32204代理人柏尚春(51)Int.Cl.F23N1/02(2006.01)G05B13/04(2006.01)权利要求书3页说明书6页附图2页(54)发明名称锅炉智能燃烧综合优化控制方法(57)摘要本发明公开了一种锅炉智能燃烧综合优化控制方法，该方法首先建立优化控制系统与机组DCS的双向数据通信链路；然后采集获取机组运行历史数据，构建燃烧优化神经网络训练样本，并建立燃烧优化神经网络模型；最后根据燃烧优化神经网络模型，采用多目标非支配快速排序遗传算法(NSGA-II)对燃烧参数进行寻优，并根据不同的运行工况采用不同的优化控制决策策略，实现锅炉燃烧闭环优化控制。本发明所提出的神经网络训练样本获取方法，可有效提高燃烧优化模型的质量和建模效率；所提出的基于遗传算法的燃烧优化算法，可方便运行人员有效平衡锅炉效和烟气NOx排放，实现锅炉节能环保运行，并可减小优化燃烧参数的跳变，有利于工程实际应用。CN110793059ACN110793059A权利要求书1/3页1.一种锅炉智能燃烧综合优化控制方法，其特征在于：包括以下步骤：(1)配置优化控制系统，所述优化控制系统包括工作站和PLC，将PLC的数据通信口与机组DCS数据通信口连接，工作站的通信接口与PLC数据通信口连接，建立优化控制系统与机组DCS的双向数据通信链路；(2)获取机组运行历史数据，构建燃烧优化神经网络训练样本Ω，建立燃烧优化神经网络模型M，包括以向量Vin＝[Vc，Vo]作为燃烧优化神经网络模型的输入，以向量作为模型输出，连同每条数据记录的时间一起构成燃烧样本Π；(3)基于步骤(2)建立的燃烧优化神经网络模型M，通过多目标遗传算法优化燃烧参数，实现锅炉燃烧闭环优化控制。2.根据权利要求1所述的锅炉智能燃烧综合优化控制方法，其特征在于：步骤(1)所述的PLC与机组DCS之间采用Modbus方式进行数据交换，所述的工作站和PLC之间采用OPC方式进行数据交换。3.根据权利要求1所述的锅炉智能燃烧综合优化控制方法，其特征在于：步骤(2)包括如下步骤：(21)从机组DCS历史数据库中获取最近一年的机组运行数据，所述机组运行数据包括工况变量、燃烧参数变量和其他变量，还包括每条数据记录对应的时间；其中工况变量包括机组负荷、入炉煤热值、给水温度和环境温度；燃烧参数变量包括各磨煤机负荷、各磨煤机一次风流量、空预器入口烟气含氧量、二次风门开度、燃尽风门开度；所述其它变量包括脱硝入口烟气氮氧化合物含量NOx，以及用于计算锅炉正平衡炉效的变量；(22)对步骤(21)获得的历史运行数据进行5分钟滑动平均再采样，并计算每条数据记录对应的锅炉正平衡效率η；用工况变量构成工况变量向量Vc，用燃烧参数变量构成燃烧参数变量向量Vo，以向量Vin＝[Vc，Vo]作为燃烧优化神经网络模型的输入，以向量作为模型输出，连同每条数据记录的时间一起构成燃烧样本Π，所述的燃烧样本Π的由{数据记录时间，Vin，Vout}结构的数据记录构成；(23)从燃烧样本Π中获取神经网络训练样本Ω，根据神经网络训练样本Ω,以Vin作为模型输入，Vout作为模型输出，采用RBF神经网络学习算法，建立燃烧优化神经网络模型M。4.根据权利要求3所述的锅炉智能燃烧综合优化控制方法，其特征在于：步骤(23)获取神经网络训练样本Ω的具体步骤如下：(231)置神经网络训练样本Ω为空；(232)在燃烧样本Π中随机选择一个样本i，其对应的燃烧优化神经网络模型的输入记为(233)在燃烧样本Π中寻找满足如下条件的所有样本j，构成样本集Π1：其中为第j个样本对应的燃烧优化神经网络模型的输入，||·||为向量的欧拉距离，δ为较小的正实数；2CN110793059A权利要求书2/3页(234)将对应的样本加入样本集Π1，在Π1中选择与当前时间最近的N个样本加入神经网络训练样本Ω中；(235)删除燃烧样本Π中包含在样本集Π1中的样本；删除后，如果样本Π为空，则结束，否则，置样本集Π1为空，返回步骤(232)。5.根据权利要求1所述的锅炉智能燃烧综合优化控制方法，其特征在于：步骤(3)具体步骤如下：(31)通过步骤(1)所建立的数据链路，实时采集并计算当前时刻前最近5分钟的滑动平均数据Vc、Vo和Vout；(32)随机生成N个个体构成初始种群为由燃烧参数变量构成的第p个个体