一种锅炉智能运行优化方法技术

本申请公开了一种锅炉智能运行优化方法，包括获取锅炉燃烧运行测点以及控制变量的历史数据；按照间隔时间t秒进行数据采样；对采样后的数据进行数据清洗；针对清洗后的数据，提取其特征值；根据特征值，训练得到锅炉燃烧模拟器；对锅炉燃烧进行优化动作寻找；锅炉按照推荐的动作运行。利用长期历史数据进行训练，对锅炉运行状态变化刻画可信度高；可根据不同火力发电机组的历史数据训练相应的最优控制方案，具有灵活性、普适性；采用一维卷积神经网络进行时序信号的处理，模拟燃烧模拟器，相比lstm等网络结构，具有在准确率效果不降低的情况下，计算速度提示10倍以上的优势。

【技术实现步骤摘要】
一种锅炉智能运行优化方法
本专利技术属于火力发电控制
，涉及一种锅炉智能运行优化方法。
技术介绍
我国约50％的煤炭用于发电，煤电占发电总量的80％以上，每年消耗22亿吨煤，价值1.8万亿元，产生超过0.2亿吨污染物，对应4000亿元环境治理费用，未来50年内，煤炭在一次能源构成中的主导地位不会改变。然而，随着节能减排的标准逐步提高，火电机组目前面临着环保、经济、安全、市场等各个方面的风险和压力也在提高；如何提高火电机组的综合性能指标，保证机组安全、经济、稳定、环保运行前提下，实现节能减排是火电机组在将来需要长期考虑的问题。为实现以上需求，优化火电机组运行方式，采用新的方法和技术改善机组运行环境，是有效提高火电机组运行效率的有效手段之一。火电机组运行过程中，锅炉燃烧的调整是保证在整个机组稳定、经济运行的基础。然而火电发电机组的运行状态持续变化，内在反应复杂多变，运行调整可控变量众多，仅依赖操作人员经验，无法针对不同工况寻找到最优解。传统的建模优化算法只考虑了少量的状态与动作空间，难以对庞大复杂的锅炉燃烧过程进行精准建模。
技术实现思路
为解决现有技术中的不足，本申请提供一种锅炉智能运行优化方法，将大数据技术和人工智能技术相结合，基于火力发电厂机组长期的运行数据，利用卷积神经网络进行燃烧系统仿真，使用遗传算法对火力发电机组进行燃烧优化指导。为了实现上述目标，本申请采用如下技术方案：一种锅炉智能运行优化方法，所述方法包括以下步骤：步骤1：获取锅炉燃烧运行测点以及控制变量的历史数据，包括：制粉系统动作数据、制粉系统状态数据、燃烧系统动作数据和燃烧系统状态数据；并按照间隔时间t秒进行数据采样；步骤2：对采样后的数据进行数据清洗；步骤3：针对清洗后的数据，提取其特征值；步骤4：根据特征值，训练得到锅炉燃烧模拟器；步骤5：使用遗传算法和锅炉燃烧模拟器，对锅炉燃烧进行优化动作寻找；步骤6：对锅炉进行在线监测，显示锅炉实时运行动作数据，若步骤5推荐的优化动作数据与实际运行动作数据相差大于给定阈值，则以当前时刻之前的数据作为历史数据返回步骤1，重新优化锅炉运行动作，否则锅炉按照步骤5推荐的动作运行。本专利技术进一步包括以下优选方案：步骤2中，若某种数据超出了预设的数据低超限值或者数据高超限值，去掉原数据，并使用插值法补全该数据，得到清洗后的数据。所述步骤3中，针对制粉系统动作数据，提取的特征值包括：给煤机的给煤量、磨煤机冷热风风门开度、磨煤机容量、旁路风阀门的开度大小、一次风机动叶调节阀位大小；针对制粉系统状态数据，提取的特征值包括：磨煤机出口压力、磨煤机电流、磨煤机料位、燃烧器风粉温度；针对燃烧系统动作数据，提取的特征值包括：给水温度、锅炉总给水流量，燃烧系统动作减温水流量、再热烟气挡板阀位、送风机执行器阀位、引风机执行器阀位、燃烧器二次风执行器阀位、燃烧器F挡板二次风执行器阀位；针对燃烧系统状态数据，提取的特征值包括：主热蒸汽温度、再热蒸汽温度、主热蒸汽压力、再热蒸汽温度、燃烧系统状态减温水流量，炉膛负压，锅炉氧量，排烟温度，排烟含氧量，锅炉效率，NOx含量。步骤4中，锅炉燃烧模拟器采用的一维卷积神经网络，所述一维卷积神经网络包括输入层、卷积层C1、卷积层C2、最大池化层S和Softmax回归层；所述输入层输入步骤3提取的特征值；所述卷积层C1包含50个尺寸为10的一维卷积核；所述卷积层C2包含100个尺寸为10的一维卷积核；所述最大池化层S的窗口高度为3；所述Softmax回归层用于回归预测，包括锅炉燃烧效率与NOx排放量两个目标量。所述步骤5具体为：实时获取制粉系统和燃烧系统动作数据与状态数据，通过遗传算法和锅炉燃烧模拟器，对燃烧系统与制粉系统的动作特征进行探索，找到适应度最优化的动作序列，并给出对应动作推荐，包括制粉系统与燃烧系统两部分的动作推荐。所述步骤5包括以下步骤：步骤5.1：实时获取的制粉系统和燃烧系统动作数据与状态数据经过步骤2的数据清洗与步骤3的特征提取后，得到输入数据，确定编码方式，对输入数据进行编码；步骤5.2：随机产生种群：随机生成m个动作数据，每个动作的每一维赋值为当前时刻该动作量的值加一个随机偏移量，生成的m个动作数据作为m个个体构成整个族群；步骤5.3：计算族群中每个动作数据的适应度函数值并判断其是否符合优化准则，若符合，则输出最佳个体及其最优解，结束寻优；否则，进行步骤5.4；步骤5.4：依据适应度函数值选择父母：对于族群中的m个动作数据，分别计算其适应度函数值，选取其中最高的n个动作数据作为父母，其中n<m；步骤5.5：用父母的染色体进行交叉，生成子代；步骤5.6：对子代染色体进行变异；步骤5.7：由交叉和变异产生新一代种群，返回步骤5.3，直到最优解产生。步骤5.1中，采用浮点数编码方法进行编码。步骤5.3中，适应度函数＝change燃烧*W燃烧-change污染物*W污染物；其中，W燃烧为燃烧效率权重，W污染物为污染物NOx权重，根据优化目标调整；change燃烧表示燃烧效率的变化值，change燃烧＝r2-r1，r1为根据制粉系统和燃烧系统的当前实际动作数据输入到步骤4中的锅炉燃烧模拟器中，计算得到的燃烧效率，r2为根据制粉系统与燃烧系统在遗传算法中的探索值输入到步骤4中的锅炉燃烧模拟器中，计算得到的燃烧效率；change污染物表示污染物排放的变化值，change污染物＝w2-w1，w1为根据制粉系统和燃烧系统的当前实际动作数据输入到步骤4中的锅炉燃烧模拟器中，计算得到的污染物排放量，w2为根据制粉系统与燃烧系统在遗传算法中的探索值输入到步骤4中的锅炉燃烧模拟器中，计算得到污染物排放量；所述优化准则为：优化开始时刻时计算的适应度函数值，以及遗传算法探索到的某一个动作计算的适应度函数值，当两个适应度函数的变化值大于设定值，则认为满足最优解要求，否则继续进行优化。步骤5.5中，根据遗传算法中的SBX方法进行交叉计算，生成子女。步骤5.6中，通过加高斯噪声的方法对生成的子女进行变异计算。本申请所达到的有益效果：1)利用长期历史数据进行训练，对锅炉运行状态变化刻画可信度高；2)可根据不同火力发电机组的历史数据训练相应的最优控制方案，具有灵活性、普适性；3)克服了单纯使用传统物理/化学方程对系统进行优化造成的模型过度简化及理想化，以及其导致的失准情况；4)采用一维卷积神经网络进行时序信号的处理，模拟燃烧模拟器，相比长短期记忆网络(LongShort-TermMemory，lstm)等网络结构，具有在准确率效果不降低的情况下，计算速度提示10倍以上的优势。附图说明图1是一种锅炉智能运行优化方法的流程图；图2是一维卷积神经网络结本文档来自技高网...

【技术保护点】
1.一种锅炉智能运行优化方法，其特征在于：/n所述方法包括以下步骤：/n步骤1：获取锅炉燃烧运行测点以及控制变量的历史数据，包括：制粉系统动作数据、制粉系统状态数据、燃烧系统动作数据和燃烧系统状态数据；/n并按照间隔时间t秒进行数据采样；/n步骤2：对采样后的数据进行数据清洗；/n步骤3：针对清洗后的数据，提取其特征值；/n步骤4：根据特征值，训练得到锅炉燃烧模拟器；/n步骤5：使用遗传算法和锅炉燃烧模拟器，对锅炉燃烧进行优化动作寻找；/n步骤6：对锅炉进行在线监测，显示锅炉实时运行动作数据，若步骤5推荐的优化动作数据与实际运行动作数据相差大于给定阈值，则以当前时刻之前的数据作为历史数据返回步骤1，重新优化锅炉运行动作，否则锅炉按照步骤5推荐的动作运行。/n

【技术特征摘要】
1.一种锅炉智能运行优化方法，其特征在于：
所述方法包括以下步骤：
步骤1：获取锅炉燃烧运行测点以及控制变量的历史数据，包括：制粉系统动作数据、制粉系统状态数据、燃烧系统动作数据和燃烧系统状态数据；
并按照间隔时间t秒进行数据采样；
步骤2：对采样后的数据进行数据清洗；
步骤3：针对清洗后的数据，提取其特征值；
步骤4：根据特征值，训练得到锅炉燃烧模拟器；
步骤5：使用遗传算法和锅炉燃烧模拟器，对锅炉燃烧进行优化动作寻找；
步骤6：对锅炉进行在线监测，显示锅炉实时运行动作数据，若步骤5推荐的优化动作数据与实际运行动作数据相差大于给定阈值，则以当前时刻之前的数据作为历史数据返回步骤1，重新优化锅炉运行动作，否则锅炉按照步骤5推荐的动作运行。


2.根据权利要求1所述的一种锅炉智能运行优化方法，其特征在于：
步骤2中，若某种数据超出了预设的数据低超限值或者数据高超限值，去掉原数据，并使用插值法补全该数据，得到清洗后的数据。


3.根据权利要求1所述的一种锅炉智能运行优化方法，其特征在于：
所述步骤3中，针对制粉系统动作数据，提取的特征值包括：给煤机的给煤量、磨煤机冷热风风门开度、磨煤机容量、旁路风阀门的开度大小、一次风机动叶调节阀位大小；
针对制粉系统状态数据，提取的特征值包括：磨煤机出口压力、磨煤机电流、磨煤机料位、燃烧器风粉温度；
针对燃烧系统动作数据，提取的特征值包括：给水温度、锅炉总给水流量，燃烧系统动作减温水流量、再热烟气挡板阀位、送风机执行器阀位、引风机执行器阀位、燃烧器二次风执行器阀位、燃烧器F挡板二次风执行器阀位；
针对燃烧系统状态数据，提取的特征值包括：主热蒸汽温度、再热蒸汽温度、主热蒸汽压力、再热蒸汽温度、燃烧系统状态减温水流量，炉膛负压，锅炉氧量，排烟温度，排烟含氧量，锅炉效率，NOx含量。


4.根据权利要求1所述的一种锅炉智能运行优化方法，其特征在于：
步骤4中，锅炉燃烧模拟器采用的一维卷积神经网络，所述一维卷积神经网络包括输入层、卷积层C1、卷积层C2、最大池化层S和Softmax回归层；
所述输入层输入步骤3提取的特征值；
所述卷积层C1包含50个尺寸为10的一维卷积核；
所述卷积层C2包含100个尺寸为10的一维卷积核；
所述最大池化层S的窗口高度为3；
所述Softmax回归层用于回归预测，包括锅炉燃烧效率与NOx排放量两个目标量。


5.根据权利要求1所述的一种锅炉智能运行优化方法，其特征在于：
所述步骤5具体为：实时获取制粉系统和燃烧系统动作数据与状态数据，通过遗传算法和锅炉燃烧模拟器，对燃烧系统与制粉系统的动作特征进行探索，找到适应度最优化的动作序列，...

【专利技术属性】
技术研发人员：吴菲，孙宇笛，关胜杰，刘曙元，李志强，叶君健，张宏尉，徐遥，
申请(专利权)人：北京华电天仁电力控制技术有限公司，
类型：发明
国别省市：北京;11