一种基于在线模型预测的锅炉燃烧优化配风方法.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CN106327021A(43)申请公布日2017.01.11(21)申请号201610793265.0(22)申请日2016.08.31(71)申请人西安艾贝尔科技发展有限公司地址710075陕西省西安市丈八一路2号SOHO同盟B座11层(72)发明人李金崔栋刚贺博郑晗旸(74)专利代理机构西安智大知识产权代理事务所61215代理人张震国(51)Int.Cl.G06Q10/04(2012.01)G06Q50/06(2012.01)G06N3/12(2006.01)权利要求书3页说明书7页附图2页(54)发明名称一种基于在线模型预测的锅炉燃烧优化配风方法(57)摘要一种基于在线模型预测的锅炉燃烧优化配风方法，采用改进的BP神经网络算法与模型在线更新计算，构建了锅炉燃烧优化配风模型，并采用自适应遗传算法与动态优化边界相结合，分别对最佳氧量、一次风量、各二次风门以及燃尽风门等参数进行寻优计算，以使锅炉效率和污染物排放量所构建的多目标函数达到最优燃烧范围。CN106327021ACN106327021A权利要求书1/3页1.一种基于在线模型预测的锅炉燃烧优化配风方法，其特征在于：1)采用改进的BP神经网络建模技术构建锅炉燃烧预测模型数据库，在燃烧对象发生改变后对模型数据库进行在线修正与更新，实现锅炉效率、NOX预测结果的实时性与准确性；2)采用自适应遗传算法与动态优化边界条件相结合，分别对最佳氧量、一次风量以及各二次风门、燃尽风门进行在线寻优，使锅炉效率和污染物排放所构建的多目标函数在不同燃烧工况下达到最优范围。2.根据权利要求1所述的基于在线模型预测的锅炉燃烧优化配风方法，其特征在于：所述的步骤1)改进的BP神经网络建模技术构建锅炉燃烧预测模型包括以下步骤：1)首先，通过锅炉燃烧优化调整试验，分别获取不少于50组工况下的燃料量、送风量、氧量、煤质、排烟温度、大渣含碳量、飞灰含碳量、燃尽风率、环境温度、蒸发量作为预测模型输入，即input，锅炉效率和NOX作为预测模型输出，即output，建立三层BP神经网络模型，神经网络的隐含层采用S型函数，输出层采用线性函数，并初始化网络学习过程参数，依次向数据库中输入input、output数据，然后依次取一个样本作为输入；2)其次，开始神经网络计算输入层，通过网络将输入前向传播，其中a0为输入，m为网络层数，W为权值，b为偏置值，公式如下：a0＝pam+1＝fm+1(Wm+1am+bm+1)，m＝0,1,···,M-1a＝am3)再次，计算输出层与各层之间的误差，通过网络将敏感性反向传播，其中sM为最后一层敏感性函数，f(n)代表网络函数，t代表样本目标输出，a代表网络输出，公式如下：4)然后，根据计算的误差，使用最速下降法更新权值和偏置值，其中α为学习率；Wm(k+1)＝Wm(k)-αsm(am-1)Tbm(k+1)＝bm(k)-αsm为提高收敛性能，加入一阶滤波器，其中ω(k)是滤波器输入，y(k)是滤波器输出，γ是动量系数，满足0≤γ<1，公式如下：y(k)＝γy(k-1)+(1-γ)ω(k)5)由步骤4)得更新的权值和偏置值，如下公式：△Wm(k)＝-αsm(am-1)T△bm(k)＝-αsm6)将公式△Wm(k)＝γ△Wm(k-1)-(1-γ)αsm(am-1)T△bm(k)＝γ△bm(k-1)-(1-γ)αsm代入步骤5)的公式，得到反向传播的动量改进公式，更新权值和偏置值计算方法，如下：将改进算法得到的新W和b重新代入步骤2)直到满足(t-a)2<ε，或达到最大学习次数，则终止学习，即得到模型的预测锅炉效率与NOX的输出值，其中ε为设置的最小均方误差。3.根据权利要求1所述的基于在线模型预测的锅炉燃烧优化配风方法，其特征在于：所2CN106327021A权利要求书2/3页述的步骤1)预测模型的数据库修正与更新包括以下步骤：1)将锅炉效率、NOX进行对比，当比较偏差平均大于预设值炉效偏差0.2％，则进行模型数据库的更新，更新范围为该测试工况下的数据样本点为20～50组工况数据，更新过程中对已录入的数据在线进行修正；2)将需要更新的模型数据库按照模型建立的初始工况划分，完成数据库的定位修正或更新，并将模型的操作过程形成日志。4.根据权利要求1所述的基于在线模型预测的锅炉燃烧优化配风方法，其特征在于：所述的步骤2)包括以下步骤：1)首先，初始化，设置进化代数计数器t＝0，设置最大进化代数T，随机生成M个个体作为初始群体P(0)；2)其次，个体评价，计算群体P(t)中各个个体的适应度，为使锅炉效率与NOX排放总体达到最优，采用的适应度函数为：22J＝a×(eff-effc)+b×([NOx]c-[NOx])式中：