一種鍋爐燃燒優(yōu)化控制方法
【技術領域】
[0001] 本發(fā)明涉及一種電站鍋爐燃燒系統的優(yōu)化運行技術，特別涉及一種在線增量學習 模糊神經網絡的電站鍋爐燃燒優(yōu)化控制方法，屬于熱工自動控制技術領域。
【背景技術】
[0002] 燃燒優(yōu)化是提升電站鍋爐效率、降低污染物排放的重要手段。目前的燃燒優(yōu)化技 術多采用神經網絡或支持向量機等學習算法離線建立鍋爐燃燒效率和放模型，對燃 燒優(yōu)化目標值采用遺傳算法等智能搜索算法進行優(yōu)化，獲得鍋爐燃燒優(yōu)化的操控變量。
[0003] 研宄表明，鍋爐具有很大的時變特性，隨著時間的推移以及鍋爐運行工況的變化， 鍋爐燃燒過程的學習模型將會出現較大誤差，離線建立的模型不能適應這種變化，從而導 致模型失配。模型的在線校正需要較長的計算時間，使得獲得操控變量的過程復雜，電站鍋 爐的性能調節(jié)實時性不高，影響燃燒優(yōu)化的性能。
[0004] 鍋爐燃燒過程的非線性、大滯后等特點，給鍋爐燃燒優(yōu)化控制工作帶來了一定的 困難。模型預測控制（MPC)本質上是一類基于優(yōu)化的控制方法，它基于預測模型、滾動優(yōu)化 和反饋校正三大特征，能夠有效解決大遲延對象的控制問題。預測模型的精度和滾動優(yōu)化 策略是影響MPC性能的關鍵。其中非線性滾動優(yōu)化的解很難求取，一般只能采用數值尋優(yōu) 求解。
[0005] 因此，有必要尋找一種新的方法來完成電站鍋爐燃燒優(yōu)化的非線性模型預測控制 問題，解決上述提到的兩大難點，即在線實時建立較為準確的非線性預測模型并獲取滾動 時域目標函數下的最優(yōu)控制量。

【發(fā)明內容】

[0006] 發(fā)明目的：針對上述現有技術存在的問題和不足，本發(fā)明的目的是提供一種在線 增量學習模糊神經網絡的電站鍋爐燃燒優(yōu)化控制方法，可以在線辨識鍋爐燃燒過程模型， 采用粒子群算法求解預測控制中的非線性優(yōu)化問題，從而提高鍋爐燃燒優(yōu)化控制的實時 性。
[0007] 技術方案：為實現上述發(fā)明目的，本發(fā)明采用的技術方案為：
[0008] -種鍋爐燃燒優(yōu)化控制方法，其特征在于，包括如下步驟：
[0009] (1)對鍋爐燃燒非線性系統進行采樣，得到當前時刻的輸入/輸出數據；
[0010] (2)使用在線增量學習模糊神經網絡對實時采樣得到的輸入/輸出數據進行訓 練，建立鍋爐燃燒非線性系統的在線增量學習預測模型；
[0011] (3)對所述在線增量學習預測模型使用非線性預測控制算法，實現對鍋爐燃燒過 程的優(yōu)化控制。
[0012] 步驟（1)中，所述輸入數據為鍋爐運行操控參數，所述輸出數據為鍋爐效率以及 煙氣排放N0X。
[0013] 述的鍋爐運行操控參數包括負荷、給煤量、總空氣量、燃料風門開度、二次風門開 度以及燃盡風門開度。
[0014] 步驟⑵中，所述在線增量學習預測模型為：
【主權項】
1. 一種鍋爐燃燒優(yōu)化控制方法，其特征在于，包括如下步驟： (1) 對鍋爐燃燒非線性系統進行采樣，得到當前時刻的輸入/輸出數據； (2) 使用在線增量學習模糊神經網絡對實時采樣得到的輸入/輸出數據進行訓練，建 立鍋爐燃燒非線性系統的在線增量學習預測模型； (3) 對所述在線增量學習預測模型使用非線性預測控制算法，實現對鍋爐燃燒過程的 優(yōu)化控制。
2. 根據權利要求1所述的鍋爐燃燒優(yōu)化控制方法，其特征在于，步驟（1)中，所述輸入 數據為鍋爐運行操控參數，所述輸出數據為鍋爐效率以及煙氣排放N0X。
3. 根據權利要求2所述的鍋爐燃燒優(yōu)化控制方法，其特征在于，所述的鍋爐運行操控 參數包括負荷、給煤量、總空氣量、燃料風門開度、二次風門開度以及燃盡風門開度。
4. 根據權利要求1所述的鍋爐燃燒優(yōu)化控制方法，其特征在于，步驟（2)中，所述在線 增量學習預測模型為：
其中，u(k) = (1^00,1^00, ???，!!_"(k))表示鍋爐燃燒優(yōu)化系統的控制量，y(k)= (yjkhyjk)，…，yn(k))表示鍋爐燃燒狀態(tài)的目標輸出量，d表示鍋爐燃燒系統的輸出延 遲，P和q表示鍋爐燃燒過程非線性系統的輸入/輸出階次。
5. 根據權利要求4所述的鍋爐燃燒優(yōu)化控制方法，其特征在于，步驟（2)中，所述在線 增量學習模糊神經網絡結構共四層： 輸入層，本層中的每個神經元代表在線增量學習預測模型的一個輸入變量，其中用&，X2，…，X1?依次表示鍋爐各運行操控量u(k)以及相關聯的前p階次輸出y(k); 隸屬函數層，每個輸入變量乂1有u個隸屬函數Au(j= 1，2…，u)，其均為高斯隸屬函 數：
其中Uij是Xi的第j個隸屬度函數，Ci#P〇u分別為Xi的第j個高斯函數的中心和 寬度，U是隸屬函數的數量； 模糊規(guī)則層，第j個規(guī)則&的輸出是：
輸出層，每個節(jié)點代表一個輸入信號加權和的輸出變量：
其中y為表征鍋爐燃燒狀態(tài)的優(yōu)化目標輸出值，％為結果參數。
6. 根據權利要求5所述的鍋爐燃燒優(yōu)化控制方法，其特征在于，步驟（3)中，所述優(yōu)化 控制的方法為： (31)通過所述在線增量學習預測模型獲得鍋爐燃燒非線性系統輸出值的修正量： 在當前采樣時刻k，通過鍋爐燃燒非線性系統過去的輸入/輸出和當前輸入u(k)由所 建在線增量學習預測模型得到鍋爐燃燒非線性系統的輸出估計值+ 由待優(yōu)化的鍋爐燃燒非線性系統輸入U(k+1)和過去的輸入/輸出，可得到鍋爐燃燒非 線性系統的輸出估計值j>(/c+<i+l) ?， 設k時刻的預測偏差為
，用偏差修正j>〇t+ ^ +l)獲得修正
(32)對鍋爐燃燒費線性系統的輸入進行優(yōu)化： 根據鍋爐燃燒優(yōu)化控制量u確定鍋爐燃燒優(yōu)化控制量u的目標函數為：
其中為第i個鍋爐燃燒特征狀態(tài)輸出量的參考軌跡，通過求解鍋爐燃燒優(yōu)化的經濟 目標函數而得到，yip為對應的第i個鍋爐燃燒特征狀態(tài)輸出量經反饋校正后的預測輸出， m和n分別為輸入和輸出的維數，qJPA^為加權系數； 通過粒子群算法在線實時滾動優(yōu)化獲得上述目標函數的最小值，得到最優(yōu)控制量u(k+1)，將最優(yōu)控制量u(k+1)作用于鍋爐燃燒非線性系統進行優(yōu)化控制。
【專利摘要】本發(fā)明公開了一種鍋爐燃燒優(yōu)化控制方法，其特征在于，包括如下步驟：對鍋爐燃燒非線性系統進行采樣，得到當前時刻的輸入/輸出數據；使用在線增量學習模糊神經網絡對實時采樣得到的輸入/輸出數據進行訓練，建立鍋爐燃燒非線性系統的在線增量學習預測模型；對所述在線增量學習預測模型使用非線性預測控制算法，實現對鍋爐燃燒過程的優(yōu)化控制。本發(fā)明的一種在線增量學習模糊神經網絡的電站鍋爐燃燒優(yōu)化控制方法，通過鍋爐燃燒優(yōu)化模型的在線辨識，利用粒子群優(yōu)化算法求解預測控制算法中的非線性優(yōu)化問題，可以實現鍋爐燃燒過程的實時優(yōu)化與控制。
【IPC分類】F23N5-00
【公開號】CN104776446
【申請?zhí)枴緾N201510176385
【發(fā)明人】林祥, 劉西陲, 吳嘯, 李益國, 沈炯, 潘蕾
【申請人】東南大學
【公開日】2015年7月15日
【申請日】2015年4月14日