一种锅炉燃烧优化控制方法技术

本发明专利技术公开了一种锅炉燃烧优化控制方法，其特征在于，包括如下步骤：对锅炉燃烧非线性系统进行采样，得到当前时刻的输入/输出数据；使用在线增量学习模糊神经网络对实时采样得到的输入/输出数据进行训练，建立锅炉燃烧非线性系统的在线增量学习预测模型；对所述在线增量学习预测模型使用非线性预测控制算法，实现对锅炉燃烧过程的优化控制。本发明专利技术的一种在线增量学习模糊神经网络的电站锅炉燃烧优化控制方法，通过锅炉燃烧优化模型的在线辨识，利用粒子群优化算法求解预测控制算法中的非线性优化问题，可以实现锅炉燃烧过程的实时优化与控制。

【技术实现步骤摘要】

本专利技术涉及一种电站锅炉燃烧系统的优化运行技术，特别涉及一种在线增量学习模糊神经网络的电站锅炉燃烧优化控制方法，属于热工自动控制

技术介绍
燃烧优化是提升电站锅炉效率、降低污染物排放的重要手段。目前的燃烧优化技术多采用神经网络或支持向量机等学习算法离线建立锅炉燃烧效率和NOx排放模型，对燃烧优化目标值采用遗传算法等智能搜索算法进行优化，获得锅炉燃烧优化的操控变量。研究表明，锅炉具有很大的时变特性，随着时间的推移以及锅炉运行工况的变化，锅炉燃烧过程的学习模型将会出现较大误差，离线建立的模型不能适应这种变化，从而导致模型失配。模型的在线校正需要较长的计算时间，使得获得操控变量的过程复杂，电站锅炉的性能调节实时性不高，影响燃烧优化的性能。锅炉燃烧过程的非线性、大滞后等特点，给锅炉燃烧优化控制工作带来了一定的困难。模型预测控制(MPC)本质上是一类基于优化的控制方法，它基于预测模型、滚动优化和反馈校正三大特征，能够有效解决大迟延对象的控制问题。预测模型的精度和滚动优化策略是影响MPC性能的关键。其中非线性滚动优化的解很难求取，一般只能采用数值寻优求解。因此，有必要寻找一种新的方法来完成电站锅炉燃烧优化的非线性模型预测控制问题，解决上述提到的两大难点，即在线实时建立较为准确的非线性预测模型并获取滚动时域目标函数下的最优控制量。
技术实现思路
专利技术目的：针对上述现有技术存在的问题和不足，本专利技术的目的是提供一种在线增量学习模糊神经网络的电站锅炉燃烧优化控制方法，可以在线辨识锅炉燃烧过程模型，采用粒子群算法求解预测控制中的非线性优化问题，从而提高锅炉燃烧优化控制的实时性。技术方案：为实现上述专利技术目的，本专利技术采用的技术方案为：一种锅炉燃烧优化控制方法，其特征在于，包括如下步骤：(1)对锅炉燃烧非线性系统进行采样，得到当前时刻的输入/输出数据；(2)使用在线增量学习模糊神经网络对实时采样得到的输入/输出数据进行训练，建立锅炉燃烧非线性系统的在线增量学习预测模型；(3)对所述在线增量学习预测模型使用非线性预测控制算法，实现对锅炉燃烧过程的优化控制。步骤(1)中，所述输入数据为锅炉运行操控参数，所述输出数据为锅炉效率以及烟气排放NOx。述的锅炉运行操控参数包括负荷、给煤量、总空气量、燃料风门开度、二次风门开度以及燃尽风门开度。步骤(2)中，所述在线增量学习预测模型为： y ^ ( k + d ) = f ( y ( k + d - 1 ) , y ( k + d - 2 ) , . . . , y ( k + d - p ) , u ( k ) , u ( k - 1 ) , . . . , u ( k - q + 1 ) ) ]]>其中，u(k)＝(u1(k),u2(k),…,um(k))表示锅炉燃烧优化系统的控制量，y(k)＝(y1(k),y2(k),…,yn(k))表示锅炉燃烧状态的目标输出量，d表示锅炉燃烧系统的输出延迟，p和q表示锅炉燃烧过程非线性系统的输入/输出阶次。步骤(2)中，所述在线增量学习模糊神经网络结构共四层：输入层，本层中的每个神经元代表在线增量学习预测模型的一个输入变量，其中用X1，X2，…,Xr依次表示锅炉各运行操控量u(k)以及相关联的前p阶次输出y(k)；隶属函数层，每个输入变量Xi有u个隶属函数Aij(j＝1,2…,u)，其均为高斯隶属函数： μ ij ( x i ) = exp [ - ( x i - c ij ) 2 / σ ij 2 ] ]]>其中μij是xi的第j个隶属度函数，cij和σij分别为xi的第j个高斯函数的中心和宽度，u是隶属函数的数量；模糊规则层，第j个规则Rj的输出是：输出层，每个节点代表一个输入信号加权和的输出变量：其中y为表征锅炉燃烧状态的优化目标输出值，wj为结果参数。步骤(3)中，所述优化控制的方法为：(31)通过所述在线增量学习预测模型获得锅炉燃烧非线性系统输出值的修正量：在当前采样时刻k，通过锅炉燃烧非线性系统过去的输入/输出和当前输入u(k)由所建在线增量学习预测模型得到锅炉燃烧非线性系统的输出估计值 y ^ ( k + d ) ; ]]>由待优化的锅炉燃烧非线性系统输入u(k+1)和过去的输入/输出，可得到锅炉燃烧非线性系统的输出估计值设k时刻的预测偏差为 e ( k + d ) = y ( k + d ) - y ^ ( k + d ) , ]]>用偏差修正获得修正量 本文档来自技高网...

【技术保护点】
一种锅炉燃烧优化控制方法，其特征在于，包括如下步骤：(1)对锅炉燃烧非线性系统进行采样，得到当前时刻的输入/输出数据；(2)使用在线增量学习模糊神经网络对实时采样得到的输入/输出数据进行训练，建立锅炉燃烧非线性系统的在线增量学习预测模型；(3)对所述在线增量学习预测模型使用非线性预测控制算法，实现对锅炉燃烧过程的优化控制。

【技术特征摘要】
1.一种锅炉燃烧优化控制方法，其特征在于，包括如下步骤：
(1)对锅炉燃烧非线性系统进行采样，得到当前时刻的输入/输出数据；
(2)使用在线增量学习模糊神经网络对实时采样得到的输入/输出数据进行训练，
建立锅炉燃烧非线性系统的在线增量学习预测模型；
(3)对所述在线增量学习预测模型使用非线性预测控制算法，实现对锅炉燃烧过
程的优化控制。
2.根据权利要求1所述的锅炉燃烧优化控制方法，其特征在于，步骤(1)
中，所述输入数据为锅炉运行操控参数，所述输出数据为锅炉效率以及烟气排放
NOx。
3.根据权利要求2所述的锅炉燃烧优化控制方法，其特征在于，所述的锅
炉运行操控参数包括负荷、给煤量、总空气量、燃料风门开度、二次风门开度以
及燃尽风门开度。
4.根据权利要求1所述的锅炉燃烧优化控制方法，其特征在于，步骤(2)
中，所述在线增量学习预测模型为：
y ^ ( k + d ) = f ( y ( k + d - 1 ) , y ( k + d - 2 ) , . . . , y ( k + d - p ) , u ( k ) , u ( k - 1 ) , . . . , u ( k - q + 1 ) ) ]]>其中，u(k)＝(u1(k),u2(k),…,um(k))表示锅炉燃烧优化系统的控制量，y(k)＝(y1(k),
y2(k),…,yn(k))表示锅炉燃烧状态的目标输出量，d表示锅炉燃烧系统的输出延迟，
p和q表示锅炉燃烧过程非线性系统的输入/输出阶次。
5.根据权利要求4所述的锅炉燃烧优化控制方法，其特征在于，步骤(2)
中，所述在线增量学习模糊神经网络结构共四层：
输入层，本层中的每个神经元代表在线增量学习预测模型的一个输入变量，
其中用X1，X2，…,Xr依次表示锅炉各运行操控量u(k)以及相关联的前p阶次
输出y(k)；
隶属函数层，每个输入变量Xi有u个隶属函数Aij(j＝1,2…,u)，其均为高斯
隶属函数：
μ ij ( x i ) = exp [ - ( x i - c ij ) 2 / σ ij 2 ] ]]>其中μij是xi的第j个隶属度函数，cij和σij分别为xi的第j个高斯函数的中心
和宽度，u是隶属函数的数量；
模糊规则层，第j个规则Rj的输出是：
输出层，每个节点代表一个输入信号加权和的输出变量：
其中y为表征锅炉...

【专利技术属性】
技术研发人员：林祥，刘西陲，吴啸，李益国，沈炯，潘蕾，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏;32