一种电站锅炉燃烧智能控制方法技术

本发明专利技术公开了一种电站锅炉燃烧智能控制方法，包括如下步骤：(1)对历史运行数据进行融合；(2)遍历融合后的历史运行数据，对其进行错误检测，剔除错误数据，筛选出稳态工况数据，去除稳态工况数据中的一些工况数据，以剩下的稳态工况数据作为训练样本；(3)建立训练样本库，以煤质特性参数、锅炉控制参数作为输入参数，燃烧效果参数为输出参数，建立锅炉综合燃烧预测模型；(4)对锅炉燃烧效果参数进行全局敏感性分析，得到锅炉燃烧效果参数的敏感的锅炉控制参数及敏感区间，再采用启发式优化算法实现锅炉控制参数的优化，从而实现对锅炉的智能优化控制。本发明专利技术基于电站锅炉丰富的历史运行数据进行建模，具有较好的实用性。

【技术实现步骤摘要】

本专利技术属于智能控制
，更具体地，涉及一种电站锅炉燃烧智能控制方法。
技术介绍
《中国制造2025》行动计划对十大重点突破发展领域之一的电力装备领域提出了智能、高效、绿色环保的更高要求，发电装备的智能化是未来发展的方向。电站锅炉作为最重要的发电装备之一，由于其安全性要求高、控制逻辑复杂，锅炉燃烧智能化是整个燃煤发电企业实现智能化的核心，同时也是难点。目前大型电站锅炉普遍采用了集散控制系统(DCS)进行控制，根据预设的控制逻辑实现自动控制，离智能控制还有较大的距离。锅炉燃烧智能控制应是以锅炉输出参数(包括安全性参数、经济性参数、环保性参数)的实时诊断为前提，基于准确的燃烧预测模型，对控制参数进行实时优化，实现锅炉燃烧及污染物生成的动态优化控制，保证机组的安全高效环保运行。实现电站锅炉燃烧智能控制的难点之一是在获得控制参数和目标参数的逻辑关系，建立准确、可靠且响应迅速的燃烧关键目标参数(诸如CO、NOX排放、飞灰含碳量、蒸汽参数、排烟温度等)的预测模型。一方面，由于锅炉燃烧包含复杂的气固多相反应和传热、传质过程，采用纯理论方法建模十分困难；另一方面，我国燃煤火电厂煤源复杂、多变，更增加了锅炉燃烧预测建模难度。目前的燃烧预测建模大多采用数据驱动的建模方法，数据的有效性、多样性直接决定了模型的预测精度和泛化性能。当前建模数据来源大多基
于现场试验数据，试验数据有效性高，但获取成本高，因而常常多样性匮乏，限制了模型泛化能力，不利于推广使用。实现电站锅炉燃烧智能控制的另一难点是在准确燃烧预测模型的基础上对控制参数进行快速优化，从而实现实时优化控制。目前这部分研究主要集中在选择合适的寻优算法，对优化问题本身的研究分析不够深入。
技术实现思路
针对现有技术的上述缺点和/或改进需求，本专利技术提供了一种电站锅炉燃烧智能控制方法，其中在燃烧预测建模方面，提出一种电站锅炉历史运行数据预处理方法，深度挖掘电站锅炉历史运行数据有效信息，获得廉价、有效性高、多样性丰富的训练样本，建立可动态更新、具有权重策略的训练样本库，利用有监督机器学习算法构建高可靠性、高适用性的锅炉综合燃烧预测模型。在控制参数优化方面，提出一种基于全局敏感性分析的电站锅炉控制参数快速优化方法，挖掘控制参数与目标参数间多对多的敏感性关系，减小寻优空间，结合先进寻优算法实现燃烧控制参数快速优化。为实现上述目的，本专利技术提出了一种电站锅炉燃烧智能控制方法，其特征在于，包括如下步骤：(1)对历史运行数据进行融合，构建包括煤质特性参数、锅炉控制参数和锅炉燃烧效果参数的数据格式；(2)遍历融合后的历史运行数据，对其进行错误检测，剔除错误数据，筛选出稳态工况数据，去除稳态工况数据中煤质特性参数相同而锅炉控制参数相差5％以内的数据，再以剩下的稳态工况数据作为训练样本；(3)建立具备样本淘汰、权重机制和动态更新功能的训练样本库，以煤质特性参数、锅炉控制参数作为输入参数，燃烧效果参数为输出参数，运用深度学习算法对锅炉综合燃烧预测模型的输入参数进行特征提取，以减少输入参数的数量，然后基于有监督机器学习算法，构建具有自适应学习和动态更新的锅炉综合燃烧预测模型；(4)对锅炉燃烧效果参数进行全局敏感性分析，得到锅炉燃烧效果参数的敏感的锅炉控制参数及敏感区间，以减小锅炉控制参数的优化空间，然后再采用启发式优化算法实现锅炉控制参数的优化，从而实现对锅炉的优化控制。优选地，所述训练样本库的动态更新为不断将新的运行数据存入训练样本库，并淘汰运行控制型参数相同而结果型参数相差超过10％的样本数据；所述训练样本库的权重机制为对新的数据赋予比之前更大的权重，以保证锅炉综合燃烧预测模型与锅炉实际性能的表现保持一致。优选地，锅炉综合燃烧预测模型包括经济性预测模型、环保性预测模型和安全性预测模型，其中，经济性预测模型包括CO预测模型、未燃尽碳预测模型，环保性预测模型包括NOx预测模型，安全性预测模型包括金属壁温预测模型；优选地，所述煤质特性参数为实时入炉的煤种工业分析、元素分析、发热量和灰熔融特性。优选地，步骤(2)中筛选稳态工况数据的具体步骤如下：(2.1)将各个时刻电站锅炉的运行数据表述为矩阵形式，并且该矩阵X∈Rn×m，其中每一时刻的运行数据作为该矩阵的一行，则该矩阵具有n行运行数据，每行具有m个运行参数，然后从矩阵X中选取特征运行参数作为数据条稳态判别依据，定义稳态系数K＝(xi+H,j+xi+H+1,j+…+xi+2H-1,j)-(xi,j+xi+1,j+…+xi+H-1,j)，其中i＝1,2,…,n-2H，1≤j≤m，2H为每次判别的点的数目；(2.2)在特征运行参数Xj中取一段运行数据，沿时间方向求出序列上的稳态系数K，确定合适的稳态阈值Kt；(2.3)建立权重数组B＝[b1,b2,…,bn]T＝[0,0,…,0]T，其中权重数组B中0的位置按从上至下的顺序与特征运行参数Xj中各运行数据一一对应；(2.4)遍历特征运行参数Xj，计算各运行数据的K值；其中当当前判别的2H个数据点的稳态系数即数据段处于非稳态时，则当前判别的这2H个数据点在权重数组B中对应位置的权重值加1，即[bi,bi+1,…,bi+2H-1]＝[bi+1,bi+1+1,…,bi+2H-1+1]，否则不进行操作；遍历完成后，权重数组B各项取值分布在离散点组成的集合{0,1,…,2H本文档来自技高网...

【技术保护点】
一种电站锅炉燃烧智能控制方法，其特征在于，包括如下步骤：(1)对历史运行数据进行融合，构建包括煤质特性参数、锅炉控制参数和锅炉燃烧效果参数的数据格式；(2)遍历融合后的历史运行数据，对其进行错误检测，剔除错误数据，筛选出稳态工况数据，去除稳态工况数据中煤质特性参数相同而锅炉控制参数相差5％以内的数据，再以剩下的稳态工况数据作为训练样本；(3)建立具备样本淘汰、权重机制和动态更新功能的训练样本库，以煤质特性参数、锅炉控制参数作为输入参数，燃烧效果参数为输出参数，运用深度学习算法对锅炉综合燃烧预测模型的输入参数进行特征提取，以减少输入参数的数量，然后基于有监督机器学习算法，构建具有自适应学习和动态更新的锅炉综合燃烧预测模型；(4)对锅炉燃烧效果参数进行全局敏感性分析，得到锅炉燃烧效果参数的敏感的锅炉控制参数及敏感区间，以减小锅炉控制参数的优化空间，然后再采用启发式优化算法实现锅炉控制参数的优化，从而实现对锅炉的优化控制。

【技术特征摘要】
1.一种电站锅炉燃烧智能控制方法，其特征在于，包括如下步骤：(1)对历史运行数据进行融合，构建包括煤质特性参数、锅炉控制参数和锅炉燃烧效果参数的数据格式；(2)遍历融合后的历史运行数据，对其进行错误检测，剔除错误数据，筛选出稳态工况数据，去除稳态工况数据中煤质特性参数相同而锅炉控制参数相差5％以内的数据，再以剩下的稳态工况数据作为训练样本；(3)建立具备样本淘汰、权重机制和动态更新功能的训练样本库，以煤质特性参数、锅炉控制参数作为输入参数，燃烧效果参数为输出参数，运用深度学习算法对锅炉综合燃烧预测模型的输入参数进行特征提取，以减少输入参数的数量，然后基于有监督机器学习算法，构建具有自适应学习和动态更新的锅炉综合燃烧预测模型；(4)对锅炉燃烧效果参数进行全局敏感性分析，得到锅炉燃烧效果参数的敏感的锅炉控制参数及敏感区间，以减小锅炉控制参数的优化空间，然后再采用启发式优化算法实现锅炉控制参数的优化，从而实现对锅炉的优化控制。2.如权利要求1所述的一种电站锅炉燃烧智能控制方法，其特征在于，所述训练样本库的动态更新为不断将新的运行数据存入训练样本库，并淘汰运行控制型参数相同而结果型参数相差超过10％的样本数据；所述训练样本库的权重机制为对新的数据赋予比之前更大的权重，以保证锅炉综合燃烧预测模型与锅炉实际性能的表现保持一致。3.如权利要求1所述的一种电站锅炉燃烧智能控制方法，其特征在于，锅炉综合燃烧预测模型包括经济性预测模型、环保性预测模型和安全性预测模型，其中，经济性预测模型包括CO预测模型、未燃尽碳预测模型，环保性预测...

【专利技术属性】
技术研发人员：张成，谭鹏，夏季，何彪，李鑫，张小培，方庆艳，陈刚，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：湖北;42