專利名稱：一種鍋爐燃燒優化的建模方法
技術領域：
本發明屬于信息控制技術領域，涉及到模式識別及回歸技術，特別是涉 及一種鍋爐燃燒優化的建模方法。
背景技術：
鍋爐的燃燒優化是節能減排的重要技術手段，其目標是在一定的鍋爐負 荷條件下，通過調整鍋爐配風、給煤等運行參數而獲得高效率、低污染排放 及更安全的運行狀態。鍋爐的運行是以負荷為主動參數的，其他的運行參數 都要根據鍋爐負荷的情況進行相應的調整，鍋爐的配風、給煤等運行參數的 搭配對鍋爐燃燒狀態有直接的影響，不同的配風、給煤及氧量等操作參數的 配置會直接導致不同的鍋爐效率、污染氣體的排放量及設備的損耗情況。對 于給定的鍋爐，在一定的負荷條件下，存在一種最優的操作參數配置方案， 能夠使燃燒狀態最優化。鍋爐的操作參數間有著非常復雜的耦合關系，要找 到最優的操作參數配置是非常困難，而且在實際運行中，由于調峰的需要， 有時鍋爐要在低負荷或極低負荷條件下運行，在低負荷或極低負荷條件下的 運行情況與正常負荷及高負荷的情況有極大差別，配風、給煤等運行參數的 搭配對鍋爐燃燒狀態的影響也有很大的不同，鍋爐實際運行中極低負荷的情 況比較少，數據量也會比較少，因此企圖通過數據挖掘，針對所有負荷的情 況建立一個單一模型實現鍋爐優化運行，通常會在模型預測方面會遇到很多 困難。隨著科學技術的不斷進歩，鍋爐運行自動化程度不斷提高，但是鍋爐 燃燒優化問題一直沒有很好的得到解決。
在實際生產中鍋爐的燃燒優化主要是靠調試人員進行不同工況的實驗， 針對具體的鍋爐和煤種情況，通過不同實驗來尋找較好的運行參數配置，此 種方法費時、費力而且能夠實驗的參數組合有限，因此通過調試實驗找到的 參數配置還存在較大的提升空間，另外，這種方法還不能實現根據鍋爐的實 時變化情況進行在線的優化。
如果能通過數據挖掘的優勢，在大量實際運行數據中，挖掘出運行參數 與鍋爐燃燒指標間的關系模型，而避免一般的建模方法中，對所有負荷情況 建立單一模型缺點，針對不同負荷情況的特點采用不同的建模方法，建立不 同模型，將會使建模優化方法得效果大大提高。
發明內容
本發明的目標是針對鍋爐燃燒優化中的瓶頸問題，提出 一種兼顧模型預 測精度與泛化能力的建模方法。
本發明具體是根據鍋爐燃燒的主動參數負荷進行分段，將燃燒情況相近
3的負荷工況化為一段，將差別較大的負荷工況分開建模，對于數據較少的低 負荷或極低負荷工況采用適于小樣本且泛化能力強的建模方法；在建模前對 建模數據進行了拓撲結構上分布均勻和數量均等的選擇，并進行適當的預處 理，以保證模型的預測能力和泛化能力，最終根據實際負荷所處的負荷段， 選用相應各負荷段的模型進行優化。該方法克服了傳統建模方法中，面對燃 燒情況差別非常大的所有負荷情況建模的不足，而且通過數據選擇和預處理 保證了模型的預測精度和泛化能力。
本發明的技術方案是通過鍋爐負荷分段的數據采集、建模，數據樣本的 選擇和預處理、建立不同負荷段的模型，并根據實際運行負荷的情況選則相 應負荷段的模型進行優化等手段，確立了一種鍋爐的燃燒優化的建模方法， 利用該方法可有效提高模型的預測精度和泛化能力。
本發明方法的步驟包括
(1) 根據鍋爐燃燒情況按負荷分段，并建立實時數據庫，按負荷段采集 鍋爐運行參數及相關的表征鍋爐燃燒特征指標的數據，具體方法是
根據鍋爐不同負荷范圍下的操作參數對燃燒指標影響的相似情況，按負 荷范圍進行分段采集，分為w(w》3)段，建立不同負荷段下鍋爐實時運行數據 庫，通過數據采集裝置采集不同負荷段下實時鍋爐運行操作參數數據，并將 實時鍋爐運行操作參數數據與獲得的表征鍋爐燃燒特征指標的數據存入相 應的實時數據庫中。
所述的實時鍋爐運行操作參數數據包括負荷、各層的一次風速、各層的 二次風速、爐膛出口煙氣含氧量、燃盡風速、給粉機給粉速度，燃煤工業分 析指標;所述的表征鍋爐燃燒特征指標的數據包括鍋爐燃燒器邊水冷壁的C0
濃度、尾部煙氣的NO濃度和鍋爐效率，其獲得的方法為成熟技術。
(2) 對各分段數據庫中的數據進行選擇和預處理，并針對不同負荷段數
據量的特點，通過不同的數據挖掘方法，建立不同負荷段下鍋爐燃燒參數與
燃燒指標間模型，具體方法是
首先，在各段負荷數據庫中進行數據選擇，選擇出建模用的樣本數據， 選擇時遵循以下原則①結構上分布均勻原則，即在模型的輸入量的拓撲 結構空間上分布是比較均勻的，而不是集中于某一點或幾點的數據，實際操
作中為盡量選擇不同工況下的數據作為樣本數據；②數量上均等原則，即在
拓撲結構中位于不同點的數據樣本量應該相等或相近，而不是簡單的數據越 多越好，在實際操作中為不同工況下的樣本數據量相似或相等，避免同-一工 況數據選取過多得情況。
其次，對各負荷段下選擇出的數據進行建模前的預處理，通過單位的變 換或乘系數的方法，使各輸入量及相應輸出量的數據處于相同或相近的數量 級，即建模樣本的各數據分量的數值差距不是太大，再對輸入量進行歸一化處理。
第三，應用各負荷段下預處理好的數據，針對不同負荷段數據情況的特點，采用不同的建模算法建模，對于數據量少的極低負荷段(在實際運行負 荷小于鍋爐設計負荷的60%情況下)，采用適合于小樣本學習并且泛化能力 強的支持向量機算法建模；對于數據多的負荷段(在實際運行負荷大于等于
鍋爐設計負荷的60%情況下)采用學習能力和函數逼近能力強的徑向機神經
網絡建模。用于建模的輸入參數及表征鍋爐燃燒狀態的輸出參數可以表示為
^,力^，其中x,表示第z組作為輸入數據的鍋爐運行參數向量，y,表示第/組
作為輸出參數的表征鍋爐燃燒狀態的參數，以實際運行數據為基礎建立運行 操作參數與鍋爐燃燒狀態指標間的模型。
對于數據量少的極低負荷段，采用適合于小樣本學習的支持向量機算法
建模，核函數選為徑向基函數
〖(x,., ~) = )) = exp
— x乂
W;c)為映射函數，設所求的目標函數為/(x,) = m^(x,) + 6， /(x,)為模型
輸出的鍋爐燃燒指標預測值，w為權重系數向量，&為截距。引入松弛因子 d》0和"》0和允許擬合誤差e，模型可以通過在約束
乂 — W. —6 S 6" +《.
W.) + Z — 乂 S f +《*
《20 hl,…,W，條件下，最小化
、 《20
,=i
獲得，其中常數OO，為懲罰系數。該最小化問題為一個凸二次規劃問題，
引入拉格朗日函數
, "v，盧)=會,w+c|;(《b,-(《+s+))]
-Z + ") - x ] _ Z (J7,4 + )
其中《,,<》0， ^^》0，為拉格朗日乘數。
在鞍點處，函數L是關于W，b， S,， H勺極小點，也是a,，《,y,，^極大點， 最小化問題轉化為求其對偶問題的最大化問題。
拉)
函數L在鞍點處是關于W，b， U H及小點，得:<formula>formula see original document page 6</formula>
可得拉格朗日函數的對偶函數:
<formula>formula see original document page 6</formula>,
此時，
按照庫恩-塔克(KKT)條件定理，在鞍點有下式成: f ,[s +《i+/(x,)] = 0
z = l,...,7V
由上式可見，"/二"",和"/都不會同時為非零，可得:
從上式可求出b，獲得模型。
對于數據量豐富的負荷段，采用用學習能力和函數逼近能力強的徑向機
神經網絡建模
對于《個隱節點的徑向機神經網絡其輸出為
F力w,exp(-k^)， w,為權重系數，x為m維輸入向量，c,為第，個基函數
2〃
的中心，p,為函數的基寬度參數。建立徑向機神經網絡模型的關鍵在于確定 基函數的中心c,，基寬度p,及權重系數^。采用遺傳算法迭代訓練徑向機祌
6經網絡，定義遺傳算法初始群體Z向量的各維分量，分別為隱節點個、數基 函數中心、函數的基寬度和權重系數，目標函數為min_/ = |;&,y,)2 ，其
中A為第z個樣本的神經網絡輸出值，y,為第z個樣本的實際值。當/達到了 最小、達到設定值或完成迭代次數時，訓練完成，獲得隱節點個數、基函數 中心、函數的基寬度和權重系數，從而獲得徑向機神經網絡模型。
(3)根據實際的鍋爐運行負荷情況選用相應得負荷段下的模型進行優 化，具體方法是
將不同鍋爐燃燒指標的各負荷段下的子模型作為一個整體，預測優化時 根據工況的負荷所在負荷段的不同，選取相應負荷段的子模型進行預測和優 化，不同負荷段的同一燃燒指標子模型相互補充組成一個有機的整體。
本發明提出的建模方法可以有效的提高鍋爐燃燒模型的預測精度和泛 化能力，克服了傳統傳統建模方法的不足，滿足了鍋爐燃燒優化的實際要求， 保證了鍋爐燃燒優化的準確性和可行性。
具體實施例方式
一種鍋爐燃燒優化的建模方法，具體步驟是
根據鍋爐燃燒優化的要求確定數據庫需要采集的運行參數(主要包括配 風、給粉、氧量、煤質及負荷等)，及表征鍋爐燃燒狀態的相關指標(主要包 括鍋爐效率、尾部煙氣成分及水冷壁附近C0濃度等)。
(l)建立實時數據庫，根據鍋爐負荷的情況，分段采集鍋爐運行參數及 相關的表征鍋爐燃燒特征指標的數據。
根據不同鍋爐負荷情況下燃燒狀態的相似程度，建立w(w》3)個負荷段下 鍋爐實時運行數據庫，做為示例此處取為四段
① 85%以上負荷數據庫；
② 85%_70%負荷數據庫；
③ 70%_60%負荷數據庫；
④ 60%以下負荷(極低負荷)數據庫。
將采集的鍋爐實時運行數據，及相關的表征鍋爐燃燒特征指標的數據，存入 相應的實時數據庫中。具體的鍋爐實時運行參數可以在鍋爐集散控制系統中
獲取，也可以直接通過儀器設備測量采集獲取；表征鍋爐燃燒狀態的指標數 據，可根據實際情況和燃燒優化的需要進行測量采集和計算獲得，尾部煙氣 成分可以通過鍋爐尾部抽取煙氣樣本，通過煙氣分析儀分析獲得數據；水冷 壁附近C0濃度數據可以通過在爐墻上鉆孔抽取水冷壁附近氣體樣本，再由 煙氣分析儀分析取得數據；鍋爐效率可由相關數據計算獲得。
這個過程是積累數據的階段，只有積累了相當的數據后才可能進行后邊 的數據挖掘建模。
(2)對各分段數據庫中的數據進行選擇和預處理，并針對不同負荷段 數據量的特點，通過不同的數據挖掘方法，建立不同負荷段下鍋爐燃燒參數與燃燒指標間模型，具體方法是
首先，在各段負荷數據庫中進行數據選擇，選擇出建模用的樣本數據， 選擇時遵循以下原則①結構上分布均勻原則，即盡量選擇操作參數不同 的數據作為樣本數據；②數量上均等原則，即不同工況下的樣本數據量相似 或相等，避免同一工況數據選取過多得情況。
其次，對各負荷段下選擇出的數據進行建模前的預處理，通過單位的變 換或乘系數的方法，使各輸入量及相應輸出量的數據處于相同或相近的數量 級，并對輸入量進行歸一化處理。
第三，應用各負荷段下預處理好的數據，針對不同負荷段數據情況的特 點，采用不同的建模算法建模，對于數據量少的60%以下負荷段(極低負荷 段)，采用適合于小樣本學習并且泛化能力強的支持向量機算法建模；對于
數據多的其它負荷段采用學習能力和函數逼近能力強的徑向機神經網絡建模。
用于建模的輸入參數及表征鍋爐燃燒狀態的輸出參數可以表示為
{x,，J^:，其中x,表示第/組作為輸入數據的鍋爐運行參數向量，y,表示第z組
作為輸出參數的表征鍋爐燃燒狀態的參數，以實際運行數據為基礎建立運行 操作參數與鍋爐燃燒狀態指標間的模型。
對于數據量少的60%以下荷段，采用適合于小樣本學習的支持向量機算
法建模，核函數選為徑向基函數
叫.，義.)二 -(x,) 《x ) = exp (11 2 11 )
"x)為映射函數，設所求的目標函數為/(;c,) = W—(x,) + 6， /(x,.)為模型
輸出的鍋爐燃燒指標預測值，w為權重系數向量，6為截距。引入松弛因子 Ti》0和DO和允許擬合誤差e，模型可以通過在約束
乂. _ H> ■) — Z) S f +《
w )+ 6 — _y, S f +《 < 《20 hl,…,W，條件下，最小化
、 00 min 《,O * w w+cZ《+《*
/二1
獲得，其中常數O0為懲罰系數。該最小化問題為一個凸二次規劃問題，引 入拉格朗日函數
8其中 》0，為拉格朗日乘數。
在鞍點處，函數L是關于w，b， "， u的極小點，也是",，";,^^極大點: 最小化問題轉化為求其對偶問題的最大化問題。
拉格朗日函數L在鞍點處是關于W，b， ^， H及小點，得
z = o —t = 0
可得拉格朗日函數的對偶函數:
Z ( , - )( , - ;)〖"，義,)
此時，
按照庫恩-塔克(KKT)條件定理，
在鞍點有下式成:
由上式可見，
(7
"/二""，和",-都不會同吋為非零，可得.f《r =o
從上式可求出b，獲得模型。
對于數據量豐富的其它三個負荷段，采用用學習能力和函數逼近能力強
的徑向機神經網絡建模
對于w個隱節點的徑向機神經網絡其輸出為
y = tW,eXp(-1^)， vv,.為權重系數，x為m維輸入向量，c,為第z個基函數
的中心，p,.為函數的基寬度參數。建立徑向機神經網絡模型的關鍵在于確定 基函數的中心c,，基寬度p,及權重系數vv,。采用遺傳算法迭代訓練徑向機神 經網絡，定義遺傳算法初始群體Z向量的各維分量，分別為隱節點個數、基
函數中心、函數的基寬度和權重系數，目標函數為mini/ = |;C ,-;;,)2 ，其
中》,為第z個樣本的神經網絡輸出值，x為第z個樣本的實際值。當/達到了 最小、達到設定值或完成迭代次數時，訓練完成，獲得隱節點個數、基函數 中心、函數的基寬度和權重系數，從而獲得徑向機神經網絡模型。
(3)根據實際的鍋爐運行負荷情況選用相應得負荷段下的模型進行優 化，具體方法是
將不同鍋爐燃燒指標的各負荷段下的子模型作為一個整體，預測優化時 根據工況的負荷所在負荷段的不同，選取相應負荷段的子模型進行預測和優 化，不同負荷段的同一燃燒指標子模型相互補充組成一個有機的整體。
權利要求
1、一種鍋爐燃燒優化的建模方法，其特征在于該方法的步驟包括步驟(1). 根據鍋爐不同負荷范圍下的操作參數，按負荷范圍進行分段采集，分為n段，n≥3，建立不同負荷段下鍋爐實時運行數據庫，通過數據采集裝置采集不同負荷段下實時鍋爐運行操作參數數據，并將實時鍋爐運行操作參數數據與獲得的表征鍋爐燃燒特征指標的數據存入相應的實時數據庫中；所述的實時鍋爐運行操作參數數據包括負荷、各層的一次風速、各層的二次風速、爐膛出口煙氣含氧量、燃盡風速、給粉機給粉速度，燃煤工業分析指標；所述的表征鍋爐燃燒特征指標的數據包括鍋爐燃燒器邊水冷壁的CO濃度、尾部煙氣的NO濃度和鍋爐效率；步驟(2). 對各分段數據庫中的數據進行選擇和預處理，建立不同負荷段下鍋爐燃燒參數與燃燒指標間模型，具體方法是在各段負荷數據庫中進行數據選擇，選擇出建模用的樣本數據，選擇時遵循以下原則①結構上分布均勻原則，即在模型的輸入量的拓撲結構空間上分布是均勻的；②數量上均等原則，即在拓撲結構中位于不同點的數據樣本量應該相等或相近；對各負荷段下選擇出的數據進行建模前的預處理，通過單位的變換或乘系數的方法，使各輸入量及相應輸出量的數據處于相同或相近的數量級，再對輸入量進行歸一化處理；應用各負荷段下預處理好的數據，針對不同負荷段數據情況，采用不同的建模算法建模在實際運行負荷小于鍋爐設計負荷的60％情況下采用支持向量機算法建模；在實際運行負荷大于等于鍋爐設計負荷的60％情況下采用徑向機神經網絡建模；用于建模的輸入參數及表征鍋爐燃燒狀態的輸出參數表示為其中xi表示第i組作為輸入數據的鍋爐運行參數向量，yi表示第i組作為輸出參數的表征鍋爐燃燒狀態的參數；步驟(3). 根據實際的鍋爐運行負荷情況選用相應得負荷段下的模型進行優化，具體方法是將不同鍋爐燃燒指標的各負荷段下的子模型作為一個整體，預測優化時根據工況的負荷所在負荷段的不同，選取相應負荷段的子模型進行預測和優化，不同負荷段的同一燃燒指標子模型相互補充組成整體。
全文摘要
本發明涉及一種鍋爐燃燒優化的建模方法。現有方法不能解決鍋爐燃燒優化問題。本發明方法根據鍋爐燃燒的主動參數負荷進行分段，將燃燒情況相近的負荷工況化為一段，將差別較大的負荷工況分開建模，對于數據較少的低負荷或極低負荷工況采用適于小樣本且泛化能力強的建模方法；在建模前對建模數據進行了拓撲結構上分布均勻和數量均等的選擇，并進行適當的預處理，以保證模型的預測能力和泛化能力，最終根據實際負荷所處的負荷段，選用相應各負荷段的模型進行優化。本發明方法克服了傳統建模方法中面對燃燒情況差別非常大的所有負荷情況建模的不足，通過數據選擇和預處理保證了模型的預測精度和泛化能力。
文檔編號F23N5/00GK101498459SQ20091009641
公開日2009年8月5日 申請日期2009年3月2日 優先權日2009年3月2日
發明者張日東, 王建中, 王春林, 銘 葛, 薛安克 申請人:杭州電子科技大學