• / 24
  • 下載費用:30 金幣  

循環流化床鍋爐燃燒性能實時優化控制方法及系統.pdf

摘要
申請專利號:

CN201510093832.7

申請日:

2015.03.04

公開號:

CN105020705A

公開日:

2015.11.04

當前法律狀態:

授權

有效性:

有權

法律詳情: 授權|||實質審查的生效IPC(主分類):F23C 10/28申請日:20150304|||公開
IPC分類號: F23C10/28 主分類號: F23C10/28
申請人: 內蒙古瑞特優化科技股份有限公司
發明人: 尹金和; 李智林; 齊詠生; 郝光; 閆澤峰; 朱海江; 劉偉明
地址: 010020內蒙古自治區呼和浩特市回民區錫林南路9號銀都大廈A座1010室
優先權:
專利代理機構: 北京市商泰律師事務所11255 代理人: 麻吉鳳
PDF完整版下載: PDF下載
法律狀態
申請(專利)號:

CN201510093832.7

授權公告號:

105020705B||||||

法律狀態公告日:

2017.06.09|||2015.12.02|||2015.11.04

法律狀態類型:

授權|||實質審查的生效|||公開

摘要

本發明提供了一種流化床鍋爐燃燒性能實時優化控制方法及系統。其中,實時優化控制方法包括:基于鍋爐燃燒的歷史數據,建立用于匹配現有流化床鍋爐系統輸入輸出間的非線性映射關系的第一神經網絡;依據該第一神經網絡,確定流化床鍋爐系統輸入的可調輸入變量;將所述可調輸入變量作為底層控制的輸入,計算對應的偏差和偏差變化率的趨勢,通過建立第二神經網絡訓練獲得對過程變量控制輸出。本發明提高了鍋爐效率,降低了供電煤耗,預防或治理了結焦結渣、降低NOx排放,進一步提高了鍋爐運行的安全性、可靠性、和經濟性。

權利要求書

權利要求書
1.  一種循環流化床鍋爐燃燒性能實時優化控制方法,其特征在于,包括如下步驟:
上層控制步驟,基于鍋爐燃燒的歷史數據,建立用于匹配現有流化床鍋爐系統輸入輸出間的非線性映射關系的第一神經網絡;依據該第一神經網絡,確定流化床鍋爐系統輸入的可調輸入變量;
底層控制步驟,將所述可調輸入變量作為底層控制的輸入,計算對應的偏差和偏差變化率的趨勢,通過建立第二神經網絡訓練獲得對過程變量控制輸出。

2.  根據權利要求1所述的循環流化床鍋爐燃燒性能實時優化控制方法,其特征在于,
所述上層控制步驟中,所述依據該第一神經網絡,確定流化床鍋爐系統輸入的可調輸入變量進一步為:
依據該第一神經網絡,采用遺傳算法,確定流化床鍋爐系統輸入的可調輸入變量。

3.  根據權利要求2所述的循環流化床鍋爐燃燒性能實時優化控制方法,其特征在于,
所述遺傳算法在確定流化床鍋爐系統輸入的可調輸入變量時,若無解或有多個解,則繼續通過網格爬山法的在線尋優機制,進行可調輸入變量各個參數的確定。

4.  根據權利要求3所述的循環流化床鍋爐燃燒性能實時優化控制方法,其特征在于,還包括:
第一神經網絡修正步驟,將鍋爐燃燒的的歷史數據定期融入新發生數據,定期更新所述第一神經網絡。

5.  根據權利要求4所述的循環流化床鍋爐燃燒性能實時優化控制方法,其特征在于,所述將鍋爐燃燒的歷史數據定期融入新發生數據進一步為,
按照時間由近及遠變化,賦予數據指定的遺忘因子,距離當前時刻越遠的數據的遺忘因子越大,當前數據則遺忘因子為0。

6.  一種循環流化床鍋爐燃燒性能實時優化控制系統,其特征在于,包括:
歷史與實驗數據獲取與篩選模塊、上層建模與優化模塊和底層控制模塊30;
其中,所述歷史與實驗數據獲取與篩選模塊用于建模數據篩選與預處理,建模數據來源于前期優化試驗數據與歷史運行數據;
所述上層建模與優化模塊用于基于鍋爐燃燒的歷史和優化實驗數據,建立用于匹配現有流化床鍋爐系統輸入輸出間非線性映射關系的第一神經網絡;依據該第一神經網絡,求解流化床鍋爐系統可調輸入變量的最優解;
所述底層控制模塊用于將最優可調輸入變量作為底層控制器的設定值,計算相應采樣值與給定值的偏差和偏差變化率,通過建立第二神經網絡訓練獲得對過程變量控制輸出。

7.  根據權利要求6所述的循環流化床鍋爐燃燒性能實時優化控制系統,其特征在于,所述上層建模與優化模塊進一步包括:
遺傳算法尋優單元,用于依據該第一神經網絡,采用遺傳算法,確定流化床鍋爐系統輸入的可調輸入變量。

8.  根據權利要求7所述的循環流化床鍋爐燃燒性能實時優化控制系統,其特征在于,所述上層建模與優化模塊進一步包括:
網格爬山搜索算法尋優單元,用于在所述遺傳算法在確定流化床鍋爐系統輸入的可調輸入變量時,若無解或有多個解,則繼續通過網格爬山法的在線尋優機制,進行可調輸入變量各個參數的確定。

9.  根據權利要求8所述的循環流化床鍋爐燃燒性能實時優化控制系統,其特征在于,還包括:
數學模型更新模塊,用于篩選鍋爐燃燒的最新運行數據定期融入建模數據中,定期更新所述第一神經網絡,獲取優化的數學模型。

10.  根據權利要求9所述的循環流化床鍋爐燃燒性能實時優化控制系統,其特征在于,
所述數學模型更新模塊中,按照時間由近及遠變化,賦予數據指定的遺忘因子,距離當前時刻越遠的數據的遺忘因子越大,當前數據則遺忘因子為0。

說明書

說明書循環流化床鍋爐燃燒性能實時優化控制方法及系統
技術領域
本發明涉及鍋爐技術領域,具體而言,涉及一種循環流化床鍋爐(CFB)燃燒性能實時優化控制方法及系統。
背景技術
循環流化床鍋爐是我國重要的熱力設備,使用量大并且分布面積廣泛。但是,流化床鍋爐是一種多變量控制對象,被控量具有非線性、時變性、大延遲和強耦合等特點,很難建立比較準確、實用的數學模型,用常規的PID控制難以達到理想的控制效果,因此目前CFB鍋爐運行自動化程度普遍不高,長久以來,鍋爐運行都依賴于經驗設計,配風也往往由司爐人員根據經驗調節,存在很大的盲目性,經常造成燃燒效果不佳。
具體來說,目前流化床爐普遍存在的問題有:
1、鍋爐一次風量、或二次風量左、右側不均勻,容易造成兩床床壓偏差,導致失穩。同時給鍋爐的合理配風帶來困難,使密相區、稀相區的燃燒份額發生改變。
2、一、二次風量過大或過小,過大一方面使床料損失過多,同時又降低了床溫,使煤耗增加。過小,稀、密相區供氧不足,使CO含量增加,化學不完全燃燒熱損失增加,鍋爐效率降低。
3、煤種或煤質變化:當燃用高水份煤種或煤質水份含量較高時,原煤,在原煤斗或下煤管中均會容易貼壁而造成堵煤,使機組被迫降出力運行。
針對上述問題,只有建立整體觀念和認識,站在系統協調控制的高度,對鍋爐系統做全面評估和系統優化,才能使鍋爐性能真正達到最佳狀態,也就是說,需要借助現代信息技術、應用數學方法和計算機技術建立鍋爐系統可調輸 入量和鍋爐燃燒性能、排放物之間的特性關系,量化鍋爐運行參數間的相互作用關系,綜合運用智能控制、多目標優化、進化算法、統計學習等先進理論。基于此,現有技術中確實給出了一些控制方法,但是依然存在如下缺陷:
第一、長期運行的歷史數據不能充分利用的問題
一個過程動態特性的全部信息都已包含在輸入/輸出數據里了,如何正確利用這些數據就是關鍵問題。流化床鍋爐長期運行所產生的大量歷史數據中蘊含著鍋爐可調變量(風量、給煤量等)與輸出變量(鍋爐效率、NOx排放)之間的數學關系。如何有效地利用這些歷史大數據建立可用于優化的數學模型,目前技術中未給出具體可行與有效的方法。
第二、現有的控制方法控制效果不佳
事實表明,并不是所有工業過程都可以用PID回路來控制,例如多變量、非線性、時變等過程都需要用更為先進的控制技術。針對流化床鍋爐系統中存在的大滯后、大慣性、強非線性等特點,目前普遍采用的PID及其改進算法均無法實現準確、快速的控制,控制效果不佳,不能為鍋爐在線滾動優化策略的實施提供可靠保障。
第三、運行一段時間后模型失配或失效的問題
由于目前鍋爐中絕大多數控制器是根據控制器開始工作之前由操作人員設計(調整)好的算法運行的。通常,只有當控制器性能優于某種原因惡化到一定程度后才會由人工進行控制器參數的調整,因為這種調整需要豐富的經驗。對于鍋爐而言,由于工況、煤質的頻繁變化,鍋爐本身結構、特性隨時間的改變,使得鍋爐優化模型和控制器模型都需要不斷的進行自適應調整。因此,結合未來運行數據,及時更新模型,適應工況和煤質的變化,是本發明所要解決的一個關鍵問題。入爐煤種的不穩定,再加上鍋爐檢修、積灰、結渣等因素的影響,使得在性能試驗數據基礎上建立的鍋爐模型失配嚴重,利用近期的燃燒數據進行模型的自適應修正顯得格外重要。通過在線更新流化床鍋爐的數學模型,使得煤質變化和鍋爐大修等因素的影響也被看作是一種模型變化而被加以 修正,從而使模型具有一定的自適應性。
第四、如何保證燃燒穩定下實現有約束的尋優
現有的燃燒優化方法的尋優過程大都采用前向數學模型的逆模型的求解過程。這樣存在兩個問題:a.鍋爐燃燒過程逆模型的存在性很難確保,反向求解可能產生無解或多解。b.優化解和當前值之間的變化過大,這樣意味著燃燒系統的輸入調節幅度過大,有可能威脅燃燒穩定性。這使得燃燒優化控制軟件需要對優化解的存在性和燃燒的穩定性進行充分考慮,而不只是簡單的性能目標的尋優問題。
發明內容
有鑒于此,本發明旨在提出一種循環流化床鍋爐燃燒性能實時優化控制方法及系統,基于該在線優化系統可進一步提高系統的安全性、經濟性與可靠性。
第一方面,本發明提供了一種循環流化床鍋爐燃燒性能實時優化控制方法,包括如下步驟:上層控制步驟,基于鍋爐燃燒的歷史數據,建立用于匹配現有流化床鍋爐系統輸入輸出間的非線性映射關系的第一神經網絡;依據該第一神經網絡,確定流化床鍋爐系統輸入的可調輸入變量;底層控制步驟,將所述可調輸入變量作為底層控制的輸入,計算對應的偏差和偏差變化率的趨勢,通過建立第二神經網絡訓練獲得對過程變量控制輸出。
具體來說,上層控制步驟為,采集鍋爐不同負荷工況下的基礎實驗數據和歷史數據,建立用于匹配現有流化床鍋爐系統可調輸入變量與輸出變量間非線性映射關系的BP神經網絡(第一神經網絡),所述非線性映射關系作為流化床鍋爐燃燒的數學模型。依照該數學模型,獲取對應期望煤耗與NOx排放水平下鍋爐燃燒系統可調輸入變量的優化值;底層控制步驟為,將上述可調輸入變量優化值作為底層控制器的輸入給定,計算當前被控量與給定值的偏差和偏差變化率趨勢,并將其作為已建立的DMC控制器(第二神經網絡)輸入,實現對被控量的有效控制,該步驟可保證優化策略的可靠實施。
進一步地,所述上層控制步驟中,所述依據該第一神經網絡,確定流化床鍋爐系統輸入的可調輸入變量進一步為:依據該第一神經網絡,采用遺傳算法,確定流化床鍋爐系統輸入的可調輸入變量。具體來說,采用遺傳算法,依據已建立的第一神經網絡數學模型,尋找合適的鍋爐燃燒系統可調輸入組合及最優解,使得燃燒過程煤耗最小,同時滿足NOx排放上限要求。
進一步地,上述流化床鍋爐燃燒性能實時優化控制方法中,遺傳算法在確定鍋爐燃燒系統可調輸入組合及最優解時,若無解或有多個解,則繼續通過網格爬山法的多維搜索算法確定輸入組合中各變量取值。
進一步地,上述流化床鍋爐燃燒性能實時優化控制方法還包括:將鍋爐燃燒的歷史數據定期融入新發生數據,定期更新用以訓練所述BP神經網絡,獲取優化的數學模型。
進一步地,上述流化床鍋爐燃燒性能實時優化控制方法中,將鍋爐燃燒的歷史數據定期融入新發生數據,按照時間由近及遠變化,賦予數據指定的遺忘因子(0~1之間取值),距離當前時刻越遠的數據的遺忘因子越大,當前數據則遺忘程度為0。
第二方面,本發明還提供了一種循環流化床鍋爐燃燒性能實時優化控制系統,包括:歷史與實驗數據獲取與篩選模塊、上層建模與優化模塊和底層控制模塊;其中,所述歷史與實驗數據獲取與篩選模塊用于建模數據篩選與預處理,建模數據來源于前期優化試驗數據與歷史運行數據;所述上層建模與優化模塊用于基于鍋爐燃燒的歷史和優化實驗數據,建立用于匹配現有流化床鍋爐系統輸入輸出間非線性映射關系的第一神經網絡;依據該第一神經網絡,求解流化床鍋爐系統可調輸入變量的最優解;所述底層控制模塊用于將最優可調輸入變量作為底層控制器的設定值,計算相應采樣值與給定值的偏差和偏差變化率,通過建立第二神經網絡訓練獲得對過程變量控制輸出。
進一步地,上述循環流化床鍋爐燃燒性能實時優化控制系統中,所述上層建模與優化模塊進一步包括遺傳算法尋優單元,用于依據該第一神經網絡,采 用遺傳算法,確定流化床鍋爐系統輸入的可調輸入變量。
進一步地,上述循環流化床鍋爐燃燒性能實時優化控制系統中,所述上層建模與優化模塊進一步包括網格爬山搜索算法尋優單元,用于在所述遺傳算法在確定流化床鍋爐系統輸入的可調輸入變量時,若無解或有多個解,則繼續通過網格爬山法的在線尋優機制,進行可調輸入變量各個參數的確定。
進一步地,上述循環流化床鍋爐燃燒性能實時優化控制系統還包括數學模型更新模塊,用于篩選鍋爐燃燒的最新運行數據定期融入建模數據中,定期更新所述第一神經網絡,獲取優化的數學模型。
進一步地,上述循環流化床鍋爐燃燒性能實時優化控制系統中,所述數學模型更新模塊中,按照時間由近及遠變化,賦予數據指定的遺忘因子,距離當前時刻越遠的數據的遺忘因子越大,當前數據則遺忘因子為0。
本發明循環流化床鍋爐燃燒性能實時優化控制方法及系統分,包括底層控制和上層建模與優化,底層控制保證給定優化曲線的可靠實施;上層建模與優化為優化層,獲取鍋爐燃燒的優化設定值。底層控制設定值和過程變量之間的偏差和偏差變化率趨勢,通過建立DMC控制器(第二神經網絡)訓練來實現對過程變量的控制輸出,這就使控制器可以觀察到過程的動態特性,可實現對鍋爐的大滯后、強非線性、時變等特點的比較精確控制,能夠保證優化策略的可靠實施;上層建模與優化采用BP神經網絡(第一神經網絡)建立流化床鍋爐可調輸入變量和輸出變量之間的非線性映射關系,即建立流化床鍋爐的數學模型,基于該模型,采用遺傳算法和網絡爬山法實現對應期望煤耗和NOx排放水平下的各輸入可調變量的在線尋優。從而可以對流化床鍋爐運行進行優化控制,協調鍋爐各運行參數間的關系,進一步提高系統的安全性、經濟性與可靠性,全面改善鍋爐綜合性能。
附圖說明
通過閱讀下文優選實施方式的詳細描述,各種其他的優點和益處對于本領域普通技術人員將變得清楚明了。附圖僅用于示出優選實施方式的目的,而并 不認為是對本發明的限制。而且在整個附圖中,用相同的參考符號表示相同的部件。在附圖中:
圖1為本發明流化床鍋爐燃燒性能實時優化控制方法實施例的步驟流程圖;
圖2為本發明流化床鍋爐燃燒性能實時優化控制方法另一實施例的步驟流程圖;
圖3為本發明流化床鍋爐燃燒性能實時優化控制方法實施例的總體工作原理框圖;
圖4為本發明流化床鍋爐燃燒性能實時優化控制方法實施例中,底層控制的控制原理框圖;
圖5為本發明流化床鍋爐燃燒性能實時優化控制方法實施例中,基于第一神經網絡建立流化床鍋爐穩態模型原理示意圖;
圖6為本發明流化床鍋爐燃燒性能實時優化控制方法實施例中,遺傳算法的步驟流程圖;
圖7為本發明流化床鍋爐燃燒性能實時優化控制方法實施例中,第一神經網絡的更新方式步驟流程圖;
圖8為鍋爐性能優化的整體設計流程圖;
圖9為本發明流化床鍋爐燃燒性能實時優化控制系統實施例的結構框圖;
圖10為本發明流化床鍋爐燃燒性能實時優化控制系統的工作原理圖。
具體實施方式
下面將參照附圖更詳細地描述本公開的示例性實施例。雖然附圖中顯示了本公開的示例性實施例,然而應當理解,可以以各種形式實現本公開而不應被這里闡述的實施例所限制。相反,提供這些實施例是為了能夠更透徹地理解本公開,并且能夠將本公開的范圍完整的傳達給本領域的技術人員。
參照圖1,圖1為本發明流化床鍋爐燃燒性能實時優化控制方法實施例的步驟流程圖。包括如下步驟:
S110,基于鍋爐燃燒的歷史數據和基礎實驗數據,建立用于匹配現有流化床鍋爐系統輸入輸出間非線性映射關系的第一神經網絡,即鍋爐燃燒系統數學模型;
S120,依據該數學模型,采用優化算法,求解流化床鍋爐系統可調輸入變量優化解;
S130,將最優的可調輸入變量作為底層控制的輸入,計算對應的偏差和偏差變化率的趨勢,通過建立第二神經網絡(DMC控制器)訓練獲得對過程變量控制輸出。
其中,S110和S120屬于上層建模與優化過程,S130屬于底層控制過程。
本實施例流化床鍋爐燃燒性能實時優化控制方法分兩部分,底層控制層和上層建模與優化層,底層控制保證給定優化曲線的可靠實施;上層建模與優化為優化層,獲取鍋爐燃燒的優化設定值。底層控制層通過計算設定值和被控變量之間的偏差和偏差變化率,訓練神經網絡構建DMC控制器,來實現對被控變量的控制輸出,這就使控制器可以觀察到過程的動態特性,可實現對鍋爐的大滯后、強非線性、時變等特點的比較精確控制,能夠保證優化策略的實施;上層建模與優化層采用神經網絡建立流化床鍋爐可調輸入變量和輸出變量之間的非線性映射關系,即建立流化床鍋爐的數學模型,據此,應用諸如遺傳算法、網絡爬山搜索算法、蟻群算法和粒子群優化算法實現目標函數下的可調輸入變量在線尋優。從不同的角度,提高鍋爐效率,降低供電煤耗,預防或治理結焦結渣、降低NOx排放,提高鍋爐運行的安全性、可靠性、和經濟性。
參照圖2,圖2為本發明流化床鍋爐燃燒性能實時優化控制方法實施例的步驟流程圖,包括如下步驟:
S210,基于鍋爐燃燒的歷史數據和基礎實驗數據,建立用于匹配現有流化床鍋爐系統輸入輸出間的非線性映射關系的第一神經網絡;
S220,依據該第一神經網絡,采用遺傳算法,確定流化床鍋爐系統可調輸入變量的最優解;
S230,所述遺傳算法在確定流化床鍋爐系統最優的可調輸入變量時,是否 無解或有多個解?若是,則繼續通過網格爬山法的在線尋優機制,進行可調輸入變量優化解的確定;
S240,將所述最優可調輸入變量作為底層控制的輸入,計算對應的偏差和偏差變化率的趨勢,通過建立第二神經網絡訓練獲得對過程變量控制輸出。
S250,將鍋爐燃燒的歷史數據定期融入新發生數據,定期更新所述第一神經網絡,獲取優化的數學模型,然后返回執行S220。
該實施例流中的流化床鍋爐燃燒性能實時優化控制方法,也包括底層控制層和上層建模與優化層,底層控制保證給定優化曲線的可靠實施;上層建模與優化為優化層,獲取鍋爐燃燒的優化設定值。底層控制層通過計算設定值和被控變量之間的偏差和偏差變化率,訓練神經網絡構建DMC控制器,來實現對被控變量的控制輸出,這就使控制器可以觀察到過程的動態特性,可實現對鍋爐的大滯后、強非線性、時變等特點的比較精確控制,能夠保證優化策略的實施;上層建模與優化層采用神經網絡建立流化床鍋爐可調輸入變量和輸出變量之間的非線性映射關系,即建立流化床鍋爐的數學模型,之后,采用遺傳算法和網絡爬山搜索算法實現在給定目標函數下的可調輸入變量在線尋優。從而可以對流化床鍋爐運行進行優化控制,協調鍋爐各運行參數間的關系,進一步提高系統的安全性、經濟性與可靠性,全面改善鍋爐綜合性能。
圖2所示的實施例相對于圖1所示的實施例具有如下優點:
第一、基于第一神經網絡反向求解最優設定值,采用了遺傳算法(GA)和網格爬山搜索算法實現在線尋優,具體步驟:基于流化床鍋爐的數學模型,尋找合適的鍋爐燃燒系統可調輸入變量最優解,使得燃燒過程煤耗最小,同時NOx排放滿足上限要求。首先依據遺傳算法(GA)求取有約束條件下的全局優解,保證可調輸入解全部滿足其最大最小限制,保證鍋爐運行安全性邊界。其次,當出現無解或多個解的時候,通過網格爬山搜索算法分步求解優化方向的輸入解,保證小幅度調節下的燃燒過程穩定。網格爬山搜索算法具有的優點:1)在限定了搜索時間的情況下,爬山法比其他算法具有更小的計算量,能夠產生 比較好的結果,因此具有比較好的實時性。尤其適合鍋爐運行時的實時在線優化。2)可回溯性比較好:在算法中斷時,也可返回一個有效解,能夠保障系統運行的安全性。搜索進入危險運行區域或氮氧化物排量上限時,算法能夠提前自動停止,這樣,實現了多約束條件下的鍋爐效率優化。3)爬山法的隨機性:隨機選取下一結點,在那個結點,檢測目標函數改善的次數,然后決定是否真正移至該結點。
第二、在流化床鍋爐燃燒過程受到煤質、環境溫度、鍋爐設備大修等工況變化的影響時,將歷史數據中合理融入新發生數據,定期更新原有的燃燒系統模型,以適應隨時可能發生的工況變化。按照時間由近及遠變化的情況,賦予數據一定的遺忘因子,距離當前時刻越遠的數據的遺忘程度越高。這樣,可保證在線更新后的網絡能夠“及時地”適應變化后的外部工況,實現模型的更新。
需要說明的是,圖2所示出的實施例僅僅是本發明的一個優選方案,在依據該第一神經網絡求解流化床鍋爐系統最優的可調輸入變量過程中,可以采用遺傳算法和網格爬山法進行確定最優可調輸入變量,也可以采用其他的算法,本發明對此并不做限定。只要是通過底層控制與上層控制相結合,并且,底層控制采用計算對應的偏差和偏差變化率的趨勢,通過建立第二神經網絡訓練獲得對過程變量控制輸出的方式提高鍋爐運行的安全性、可靠性和經濟性,都在本發明的保護范圍之內。
下面,對圖2所示出的實施例作進一步地說明。
參照圖3,圖3為本實施例流化床鍋爐燃燒性能實時優化控制方法的總體工作原理圖。其中,內環為閉環控制系統,其最優運行參數設定值由設計的熱力試驗給出初始設定值,并通過外環在線優化算法進行一定的修正。之所以需要修正是因為,隨著鍋爐運行內、外部環境的改變(如煤質、煤粉細度、鍋爐負荷變化、設備大修等),鍋爐控制系統的這組初始給定值往往很難適應變化后的系統模型,系統無法按設計指標運行的情況非常普遍,直接后果為鍋爐效率下降、污染物排放超標。因此,僅僅保證鍋爐運行的閉環安全性能是不夠的, 必須在系統外環配置鍋爐性能在線優化系統,使鍋爐控制系統的給定值通過優化算法不斷的被修正,以保證始終能夠自適應跟蹤系統變化。
優化算法是以建立鍋爐數學模型為基礎的,利用其可調參數(輸入)和反映參數(狀態量)的數學映射關系,動態調整鍋爐閉環運行參數給定值,在安全性容許的前提下,深度挖掘鍋爐系統的運行能力和運行空間,在NOx排放量不超標的前提下,實現鍋爐燃燒效率的最優化運行。
邏輯上來說,本實施例流化床鍋爐燃燒性能實時優化控制方法可劃分為2個層次,3個部分,具體包括:上層建模與優化層和底層控制層,底層為基于DMC(Data Model Control,數據模型控制)的實時控制器部分,上層為基于BP神經網絡建立流化床鍋爐可調輸入與輸出非線性關系的數學模型部分和基于遺傳算法與網格爬山法相結合的在線優化部分。每一部分的思路和目的如下:1)底層控制層:DMC控制器
如圖4所示,單回路DMC控制器的核心是一個多層感知器人工神經網絡。神經網絡包含一個輸入層,一個有2N(N為自然數)個神經元的隱含層和一個單個神經元的輸出層,該DMC控制器可以很方便的擴展為多入多出系統。
如圖所示,控制器輸入e(k)=r(k)-y(k),其中,r(k)為被控量設定值,本例中由上層優化層輸出,y(k)為被控量測量值;e(k),e(k-1),…,e(k-N)分別為采樣時刻k,k-1,…,k-N的設定值與測量值偏差,△e(k)=[e(k)-e(k-1)]/T為采樣時刻k的偏差變化率(T為采樣周期)。
pj(n)=Σi=1NWij(n)ei(n);ei(n)=[e(k)Δe(k)e(k-1)...e(k-N)]]]>


v(n)=Kc[o(n)+e(n)]
其中,n代表第n次迭代,v(n)是DMC控制器的輸出,Kc(Kc>0)是DMC控制器的增益,其值由具體的控制對象數量級和執行機構的量程決定。為核 函數,對于核函數的選取,有多種選擇如,高斯函數、三角核函數、雙指數核函數等,本申請采用高斯核函數RBF函數。Wij和hj是神經網絡權值,權值的學習算法按下式計算:
ΔWij(n)=η·Kc·e(n)qj(n)(1-qj(n))(ei(n))Σk=1Nhk(n)]]>
Δhj(n)=η·Kc·e(n)·qj(n)
其中,η為學習因子(0≤η≤1)。本實施例中,被控量為流化床鍋爐燃燒過程中難于控制的關鍵變量,因此,采用DMC控制器實現有效控制。
神經網絡可根據需要更新其權值來改變動態模塊的行為。網絡學習的算法是以偏差最小為目標,這與反饋控制的目標相一致。網絡的訓練即DMC控制器的訓練采用篩選的歷史數據和前期優化試驗數據。當過程動態特性發生變化的時候,權值的自適應能力幫助控制器減小偏差。基于神經網絡的DMC控制器通過歷史數據的訓練獲得,因此能記憶一部分歷史數據,為了解過程動態特性提供有價值的信息。相比之下,數字式PID控制器只保留當前和之前的兩個采樣數據。在這一點上,PID控制器幾乎沒有任何記憶能力,而DMC擁有一個記憶控制器所必需的記憶能力。
2)基于BP神經網絡的流化床鍋爐輸入輸出數學模型
參照圖5所示,第一神經網絡采用BP神經網絡。 
流化床鍋爐優化控制算法的應用效果在很大程度上依賴于鍋爐數學模型的精度,而如何通過最優實驗設計和歷史數據庫,獲得建模所需的輸入、輸出數據,并在實驗數據的基礎上建立能夠反映真實情況的流化床鍋爐數學模型,是鍋爐性能優化控制系統設計首先需要解決的問題。
首先,利用偏最小二乘(partial least squares,PLS)非線性回歸方法篩選與輸出變量相關性最大的可調輸入變量集合,簡化模型的復雜性;可調輸入變量和輸出變量之間的非線性映射關系通過BP(Back Propagation)神經網絡來建模,以此來解決多變量非線性擬合問題。鍋爐專家在對系統深刻理解的基礎上,建立各運行數據信息與鍋爐的經濟、安全和可靠等性能指標之間的量化關系。利用 統計學多變量非線性回歸和神經網絡技術,可建立輸入變量與鍋爐性能指標之間數學關系模型。然后利用該模型進行預測及反向求解,求出對應期望鍋爐煤耗小指標η和NOx排放水平下的各輸入變量的設定值,從而對流化床鍋爐運行實行優化指導,協調系統各運行參數間的關系,達到全面改善鍋爐綜合性能指標的目的。如圖5所示為基于BP神經網絡建立流化床鍋爐穩態模型結構示意圖。
結構上看,BP神經網絡屬于多層前向神經網絡。它是一種三層前向網絡,輸入層由信號源接點組成;第二層為隱含層,隱單元的個數由所描述的問題而定,隱單元的變換函數Φ是對中心點徑向對稱且衰減的非負非線性函數;第三層為輸出層,它對輸入模式做出響應。本發明構造三層BP神經網絡,以鍋爐可調輸入量(如負荷、煤質、一次風量、二次風量、煤量、氧量等)為神經網絡輸入,以NOx、排煙溫度、飛灰含碳量等為輸出訓練神經網絡,對神經網絡輸出進行二次計算獲得預測的鍋爐煤耗,并與NOx排放共同構成優化目標函數。3)基于遺傳算法與網格爬山法相結合的在線優化。
遺傳算法(Genetic Algorithm,GA)是一類借鑒生物界的進化規律(適者生存,優勝劣汰遺傳機制)演化而來的隨機化搜索方法。它模擬“適者生存,優勝劣汰”的進化機制的概率搜索算法。該算法以適應度函數為依據,通過對種群個體進行遺傳操作完成結構重組迭代,可以實現一種全局優化概率搜索的算法過程。由于它在計算精度的要求方面,具有基因算法與其他優化算法相比較,具有計算時間少,魯棒性高以及收斂速度快等優點,因此,遺傳算法已被廣泛應用最優控制領域。
在工程實際中,從全局優化的觀點出發,全面考慮和協調多目標間的關系,借助數學和優化計算方法,在次要目標滿足安全性和環保要求的前提下,追求主要目標(鍋爐效率)達到最優,如下式所示:
maxNOx<NOxmaxη]]>
其中,η為鍋爐供電煤耗;NOxmax為氮氧化物排量控制的上限。
在流化床鍋爐數學模型建立之后,尋優過程綜合采用遺傳算法和網格爬山搜索算法實現。問題定義成:在現有的訓練完成的BP網絡鍋爐燃燒模型之下,尋找鍋爐燃燒系統可調輸入最優解,使得燃燒過程效率最大,同時滿足NOx排放上限要求。遺傳算法可求取有約束條件下的全局優解,保證可調輸入解全部滿足其最大最小限制,保證鍋爐運行安全性。
遺傳算法具體實施步驟:遺傳算法以適應度函數為依據,通過對種群個體反復地選擇、復制、交叉、變異等迭代過程,最終搜索到評價函數的最優解。經過上述操作后得到下一代的解,并逐步淘汰適應度函數值低的解,增加適應度函數值高的解,這樣經過N代后就會進化優選出適應度函數取值最大的解。遺傳算法的流程框圖6所示。本實施例構造鍋爐實際煤耗和BP神經網絡輸出預測煤耗間的最小均方誤差(Minimum Square Error,MSE)為代價函數,以BP神經網絡建立的數學模型為前向通道,在NOx排放約束和各可調輸入量程范圍約束下,采用遺傳算法的迭代更新來搜索合適的可調輸入量,為現場的燃燒優化操作提供最優設定值。
采用上述的遺傳算法求解,如果出現無解或者多個解的情況,再通過網格爬山搜索算法分步求解優化方向的輸入解,保證小幅度調節下的燃燒過程穩定。爬山法的好處:1、在限定了搜索時間的情況下,爬山法比其他算法具有更小的計算量,能夠產生比較好的結果,因此具有比較好的實時性。尤其適合鍋爐運行時的實時在線優化。2、可回溯性比較好:在算法中斷時,也可返回一個有效解,能夠保障系統運行的安全性。搜索進入危險運行區域或氮氧化物排量上限時,算法能夠提前自動停止,這樣,實現了多約束條件下的鍋爐效率優化。3、爬山法的隨機:隨機選取下一結點,在那個結點,檢測目標函數改善的次數,然后決定是否真正移至該結點。
網格爬山法具體實施步驟:網格爬山法采用迭代計算,首先隨機地選擇一個可行解作為當前解p(該解也被稱為網格爬山法的起點),然后再起領域內選擇另一個可行解p′,如果滿足適應度函數fitness(p′)>fitness(p)(可以是鍋爐 效率或NOx濃度),則用p′取代p作為當前解,否則在領域內另選新的p′與當前解作比較。按照上述規則不斷迭代,直到在當前解的領域內不能找到適應度更大的解,即將當前解pbest作為最優解輸出。選取網格爬山法下一個可行解p′的具體策略為:
在N維解空間,當前解p存在2N個相互正交的搜索方向,以p為中心的超球面上均勻選取2N個點構成一個網格,網格結點的表達式為
pnodes=p+r·column{[IN×N-IN×N]}
r為超球面半徑,column{·}為取矩陣的列。計算所有結點的適應度 并將其與當前解的適應度fitness(p)相比較,比較的結果可分為兩種情況:
情況1:有L個結點的適應度大于當前解p′的適應度 fitness(pnodesi)>fitness(p),i=1,2,...,L,L&GreaterEqual;1,]]>如果把極值看做一個“山峰”的話,這種情況意味著當前解位于“山坡”上,根據平行四邊形法則,p的梯度方向可以等價為grads=α/|α|,其中,α=Σi=1L(fitness(pnodesi)-fitness(pbest))&CenterDot;(pnodesi-pbest).]]>另p=p+r·grad,r保持不變,然后重新建立網格,繼續到下一步迭代。
情況2:所有結點的適應度都小于或等于的適應度,即L=0,這意味著當前解位于某個山峰附近,而且當前解與山峰的距離不大于。若r>rmin,令r=α×r,p不變,重新建立網格;否則結束程序,并將當前p作為最優解pbest輸出。這里,α是網格半徑收縮率,rmin是設定的搜索精度。
對于高維非線性函數而言,其梯度計算的結果往往非常復雜,網格爬山法用網格結點的適應度代替梯度計算,降低了運算量,而與普通爬山法相比較,網格爬山法保證了每次迭代當前解p總是以最快方向逼近極值點,以此搜索效率更高。
4)第一神經網絡鍋爐模型的自適應更新
鍋爐燃燒過程經常受到煤質、環境溫度、鍋爐設備大修等工況變化的影響。在這些擾動作用之下,鍋爐穩態模型的輸入、輸出的數量關系也隨之發生變化。原優化系統設計如果不能適應這種工況的變化,則存在著失效的風險。即,原工況下可達到的優化狀態,在新工況下退變為次優或不優的運行狀態。因此,必須要在歷史數據中合理融入新發生數據,定期更新原有的系統穩態模型,以適應隨時可能發生的工況變化。模型的更新過程依賴于訓練模型所用的輸入輸出數據,當鍋爐外部工況或內部結構參數發生變化時,必須融入當前或最近發生的數據已更新訓練數據集合。按照時間由近及遠變化的情況,賦予數據一定的遺忘因子,距離當前時刻越遠的數據的遺忘程度越高,當前數據則“無遺忘”地融入訓練數據集。這樣,可保證在線更新后的網絡能夠“及時地”適應變化后的外部工況,實現模型自適應。具體過程可以參照圖7所示。
參照圖8,圖8為鍋爐性能優化的整體設計流程圖。在具體實施時,可以按照如下方式進行設計:
1、對鍋爐運行參數和現狀進行調研與分析,根據調研分析結果制定具體優化試驗設計和調試方案,確定優化目標、優化范圍和邊界參數;根據所擬定的方案安排試驗設計、確定性能優化基礎數據采集清單;工作組成員根據試驗設計,采集不同負荷工況下的基礎歷史數據。
2、待基礎數據采集工作完成后,利用多變量非線性相關分析(偏最小二乘PLS方法)進行數據篩選,選擇同輸出變量和優化目標量因果相關度高的輸入數據,確定合理的、精簡化的輸入變量集合。采用多種濾波算法對輸入輸出數據進行預處理,去除其中的噪聲成分和數據壞值。
3、根據處理后建模數據,建立第一個神經網絡實現對流化床鍋爐燃燒系統的數學模型,使其可以匹配和反映現有流化床鍋爐系統輸入輸出間的非線性映射關系。
4、采用基于遺傳算法和網格爬山法的在線尋優機制,針對煤質、飛灰含碳量難以在線實時測量且經常發生變化所導致離線優化結果失效的問題,提出 基于遺傳算法和網格爬山搜索算法的在線搜索,實現給定值的在線尋優;合理遺忘部分歷史數據不斷更新第一神經網絡,從而適應煤質變化、模型變化對優化結果的影響,實現模型的自適應更新。
5、針對鍋爐的一些控制回路具有大滯后、多變量耦合、強非線性、時變等特點,傳統PID無法實現可靠控制的問題,采用基于數據模型的控制器(DMC)代替傳統PID控制回路,可保證上層優化策略的有效實施。DMC控制器通過連續的前N個采樣值(初始值來自于之前的優化燃燒實驗,獲得最佳控制初始值),計算相應采樣值與給定值的偏差和偏差變化率,通過建立第二個神經網絡的訓練來實現對過程變量的最優控制,為鍋爐的優化策略提供保證。
本發明具有如下優勢:
分兩層控制,底層控制,保證給定優化曲線的可靠實施;上層優化控制,獲取鍋爐燃燒的優化設定值。
1、底層控制層采用本發明提出的數據模型(DMC)控制算法,克服傳統PID控制效果不佳,無法有效保證優化策略的實施問題。該控制算法計算設定值和過程變量之間的偏差和偏差變化率趨勢,并通過建立神經網絡訓練來實現對過程變量的控制輸出,這就使控制器可以觀察到過程的動態特性。可實現對鍋爐的大滯后、強非線性、時變等特點的比較精確控制,可保證優化策略的實施。
2、上層建模與優化層分為兩個部分:(1)基于歷史數據建立離線過程模型。首先,利用偏最小二乘(PLS)非線性回歸方法篩選過程輸入變量集合,簡化模型的復雜性,之后,采用神經網絡建立流化床鍋爐可調輸入變量和輸出變量之間的非線性映射關系,即建立流化床鍋爐的數學模型。(2)基于過程模型及當前的運行工況條件,在線求解鍋爐的最優可調輸入量即最優的設定值,作為底層控制層的輸入。
3、基于模型反向求解最優設定值,采用遺傳算法(GA)和網格爬山搜索算法實現在線尋優,具體步驟:基于流化床鍋爐的數學模型,搜索鍋爐燃燒系統可調輸入變量最優解,使得燃燒過程煤耗最小,同時NOx排放滿足上限要求。 首先依據遺傳算法(GA)求取有約束條件下的全局優解,保證可調輸入解全部滿足其最大最小限制,保證鍋爐運行安全性邊界。其次,當出現無解或多個解的時候,通過自適應網格爬山法分步求解優化方向的輸入解,保證小幅度調節下的燃燒過程穩定。網格爬山法具有優點:1)在限定了搜索時間的情況下,爬山法比其他算法具有更小的計算量,能夠產生比較好的結果,因此具有比較好的實時性。尤其適合鍋爐運行時的實時在線優化。2)可回溯性比較好:在算法中斷時,也可返回一個有效解,能夠保障系統運行的安全性。搜索進入危險運行區域或氮氧化物排量上限時,算法能夠提前自動停止,這樣,實現了多約束條件下的鍋爐效率優化。3)隨機爬山法,隨機選取下一結點,在那個結點,檢測目標函數改善的次數,然后決定是否真正移至該結點。
4、流化床鍋爐燃燒系統模型的定期更新。在流化床鍋爐燃燒過程受到煤質、環境溫度、鍋爐設備大修等工況變化的影響時,在歷史數據中合理融入新發生數據,定期更新原有的燃燒系統模型,以適應隨時可能發生的工況變化。按照時間由近及遠變化的情況,賦予數據一定的遺忘因子,距離當前時刻越遠的數據的遺忘程度越高。這樣,可保證在線更新后的網絡能夠“及時地”適應變化后的外部工況,實現控制器更新。
此外,流化床鍋爐性能優化控制系統可在原有鍋爐控制系統的基礎上增加上層優化控制,它僅對原控制系統的運行提出建議,不改變鍋爐現有的硬件系統。需要增加DMC控制回路的,可在原PID控制回路上并聯DMC控制器,通過選擇開關來進行切換。因此,該系統可以保證流化床鍋爐運行的安全性和穩定性,鍋爐性能優化具有全面協調的功能,可以直接給出優化運行方案或直接參與運行優化控制,彌補了原有控制系統的不足。
另一方面,本發明還公開了一種流化床鍋爐燃燒性能實時優化控制系統的優選實施例,參照圖9所示。
本實施例流化床鍋爐燃燒性能實時優化控制系統包括:歷史與實驗數據獲取與篩選模塊10、上層建模與優化模塊20、底層控制模塊30和數學模型更新 模塊40。其中,歷史與實驗數據獲取與篩選模塊10用于建模數據篩選與預處理,建模數據來源于前期優化試驗數據與歷史運行數據;上層建模與優化模塊20用于基于鍋爐燃燒的歷史和優化實驗數據,建立用于匹配現有流化床鍋爐系統輸入輸出間非線性映射關系的第一神經網絡;依據該第一神經網絡,求解流化床鍋爐系統可調輸入變量的最優解;底層控制模塊30用于將最優可調輸入變量作為底層控制器的設定值,計算相應采樣值與給定值的偏差和偏差變化率,通過建立第二神經網絡訓練獲得對過程變量控制輸出;數學模型更新模塊40用于篩選鍋爐燃燒的最新運行數據定期融入建模數據中,定期更新所述第一神經網絡,獲取優化的數學模型。
以某電廠使用的東方鍋爐廠生產的DG440/13.7-II2型循環流化床鍋爐為例,該機組鍋爐為雙支腿結構CFB鍋爐,主流化風(一次風)分兩路經過左右兩側的風道燃燒器熱風調整門,進入左右兩側的兩個燃燒室。
1、歷史與實驗數據獲取與篩選模塊10:將CFB鍋爐燃燒系統的EDNA數據庫中所記錄的大量歷史數據進行篩選,通過非線性相關分析,獲得影響鍋爐供電煤耗和NOx的相關程度最高的100個變量,然后將其分為3組:1組為輸入可調變量(或稱可調變量,能夠在安全限范圍內獨立調節),包括一次流化風量、二次熱風量、返料風量等總風量及各風量擋板開度、給煤機瞬時給煤量、一、二次風比率、二次風配比、床壓、機組負荷、煤質化驗指標等。2組為狀態變量(能夠反映燃燒優劣的中間變量,受輸入變量影響顯著,同時可以直接顯式決定優化目標量),包括飛灰含碳量、排煙溫度、床料溫度、過量空氣系數(氧量)、流化風速、風室壓力、入爐煤粒度、過熱器減溫水量、再熱器減溫水量、送風機電流、引風機電流等。3組為輸出變量(又稱優化目標量),包括供電煤耗(g/kWh)和NOx(mg/m3)。其中,供電煤耗可由各狀態變量通過美國電科院“關于鍋爐參數變化對供電煤耗影響表”確定權值,加權求和得到。這樣,優化問題即可定義成在NOx排放濃度的環保要求限定下,尋求供電煤耗為最小值時,所對應的輸入變量最優取值,即目標函數為
此外,為保證建模神經網絡訓練時能夠收斂,且能夠快速收斂,對需要優化控制的流化床鍋爐系統進行前期鍋爐優化調整試驗。優化調整試驗在鍋爐試驗負荷工況下,在現有煤質及設備情況下進行各參數的優化測試試驗。具體來說,在試驗方案確定的運行負荷工況下,通過有組織、有目的地逐個調整改變影響鍋爐運行工況的輸入可調變量,測試、分析和評價該項參數對鍋爐燃燒工況安全、經濟性的影響,獲取優化范圍和邊界條件。手動、開環的尋找和確定最佳的燃燒工況和相關參數,實現對鍋爐燃燒工況優化。最后,記錄該數據作為建模用的關鍵數據。
歷史與實驗數據獲取與篩選模塊10,具有與EDNA、OPC、openplant、pi等實時數據庫進行數據交互的軟件接口,可實現不同采樣頻率下讀取影響鍋爐燃燒狀況的各種變量值(包括所有的輸入變量、狀態變量、輸出變量),并存入MySQL數據庫中。模塊10可直接調用偏最小二乘回歸分析(PLS)、相關分析、低通濾波器等算法模塊,用于獲取數據的分析和預處理。
2、上層建模與優化模塊20:模塊20包括3個單元,神經網絡建立CFB鍋爐數學模型單元201,遺傳算法尋優單元202,網格爬山搜索算法尋優單元203。
數學模型單元201用于依據基礎數據,采用BP神經網絡建立CFB鍋爐可調輸入變量和輸出變量之間的非線性映射關系,非線性映射關系作為CFB鍋爐燃燒的數學模型。采用三層結構BP神經網絡,輸入層為可調輸入變量,共選擇31個節點;隱含層節點數按1.5倍的輸入節點數進行選擇,共選擇45個節點;輸出層為輸出變量(目標變量)共2個節點,即供電煤耗和NOx排放量,其中神經網絡訓練過程中,供電煤耗是由狀態變量根據美國電科院“關于CFB鍋爐參數變化對供電煤耗影響表”確定權值,加權求和得到。
按照以上所構造的網絡結構,可以訓練該網絡使其匹配31維輸入數據xp(p=1,2,…,31)到2維輸出數據dq(q=1,2)之間的映射關系。學習權值wki(k=1,2…,31;i=1,2…,45),wij(i=1,2…,45;j=1,2)。權值的學習可以用最小二乘法 (Least Mean Square,LMS)方法,LMS算法需要注意的兩點是:第一,LMS算法輸入為BP網絡隱層的輸出;第二,BP網絡輸出層的神經元只是對隱層神經元的輸出加權求和。權值的學習采用最速梯度下降法進行反傳修正。
遺傳算法尋優單元202和網格爬山搜索算法尋優單元203用于依據該CFB數學模型,獲取對應期望煤耗與NOx排放水平下鍋爐燃燒系統可調變量的最優解。其中,遺傳算法尋優單元202為第一尋優單元。遺傳算法是模擬自然界生物遺傳過程中繁殖、交配、變異、進化等現象,以適應度函數為依據,通過對種群個體反復地選擇、復制、交叉、變異等迭代過程,并最終搜索到評價函數的最優解。
將已建立的神經網絡CFB數學模型作為被控對象,利用遺傳算法進行優化問題求解。新的優化問題構造為:尋求在安全范圍內合適的可調輸入取值,使進一步將可調輸入變量進行二進制編碼,進行如下的尋優步驟:
a)確定優化變量和約束條件:將η參數范圍歸一化到0~1,將NOx參數范圍歸一化到0~1。
b)染色體的編碼與解碼:使用10位二進制串表示群體中的個體,由均勻分布的隨機數產生初始群體中的個體的基因。
c)個體適應度的評價準則:鑒于供電煤耗1/η和氮氧化物濃度NOx是衡量鍋爐燃燒系統性能優劣的主要方面,因此,本專利選擇一個約束條件下的單一目標作為評價函數maxNOx<NOxmaxη.]]>
d)設計遺傳算子:選擇算法采用“輪盤賭算法”選擇染色體來產生下一代;交叉運算運用單點交叉算子將兩個父代個體的部分結構加以替換重組而生成新個體;變異運算使用基本位變異算子(即,對群體中的個體串的某些基因位置作變動)。
e)確定遺傳算法的運行參數:群體大小為80,迭代次數為100,交叉概率為0.9,變異概率為0.05。
經過上述操作后得到下一代的解,并逐步淘汰適應度函數值低的解,增加適應度函數值高的解,這樣經過N代后就會進化優選出適應度函數取值最大的解,即可獲得在較低供電煤耗水平下的最優可調輸入取值。
進一步,網格爬山搜索算法尋優203單元為第二尋優單元:第二尋優單元用于遺傳算法在確定鍋爐燃燒系統可調輸入組合及最優解時,若無解或有多個解,則繼續通過自適應多維搜索算法確定輸入組合中各變量具體取值。將輸入變量對輸出變量影響較大的部分變量組成搜索空間。采用上文所介紹的網格爬山搜索算法(前面已詳細介紹,這里不再贅述),嘗試使得目標性能改善的搜索方向,探索在新的目標性能的條件下存在的可行解。
3、底層控制模塊30:常規的PID控制對于多變量耦合、非線性、時變系統的控制對象難以得到較為理想的控制效果。循環流化床的一些關鍵控制回路(如床壓控制)均是典型的非線性、耦合、時變控制系統,由于常規的PID調節無法得到較好的控制效果,影響優化策略的有效實施。因此,為了得到滿意的控制效果,本申請提出在關鍵回路中開發DMC控制器并接在常規PID控制器旁邊,可構成相互切換的雙路控制系統,這樣也避免破壞原有控制系統。下面以CFB的床壓控制為例說明底層控制模塊的實施步驟。
在CFB鍋爐運行過程中如果兩側的床壓出現較大的偏差時,會導致床壓較小一側爐內的床料在短時間內聚集在對側燃燒室,而另外一側的爐膛會出現床料吹空的風險,從而導致出現翻床現象。如調整不及時,會導致床料出現大面積結焦。所以,床壓的穩定,對循環流化床安全運行具有重大的意義。采用常規PID調節對床壓進行控制,兩側床壓只可以維持在有限的范圍之內,但是如果工況變化比較劇烈或外部擾動因素強烈PID調節器對床壓的控制就顯得力不從心了。因此,本發明在常規的PID控制回路上并接了DMC控制器,二者組成可切換的復合控制系統。如圖10所示,為流化床鍋爐燃燒性能實時優化控制系統的工作原理框圖。
圖10中,床壓設定值來自于上層建模與優化模塊的優化結果輸出,底層 控制模塊30包含兩個單元,DMC控制器訓練數據獲取301單元和第二神經網絡建立DMC控制器302單元。301單元數據獲取采用前期控制試驗,即將選擇開關打到PID控制回路,在不同的給定值下,通過人工調整PID參數使系統到達某種穩態,從而獲得過程試驗數據(給定值變化范圍內,大于5組設定值控制試驗)。301單元建立基于徑向基(RBF)神經網絡的DMC控制器,RBF網絡函數的輸入為連續n個時刻的床壓給定值與測量值偏差與偏差變化率,這里n取3則神經網絡共有6個輸入分別為k時刻、k-1時刻、k-2時刻的偏差與偏差變化率,輸出為一個控制量給執行機構。對于核函數的選取,有多種選擇(如,高斯函數、三角核函數、雙指數核函數等)。本申請采用高斯核函數。RBF網絡的隱含層到輸出層實現基函數到輸出的線性映射,即對應于第k個輸出節點的輸出為隱含層各節點輸出的線性加權和。按照以上所構造的網絡結構,可以訓練該網絡使其匹配N維輸入數據xp(p=1,2,…,6)到K維輸出數據dq(q=1)之間的映射關系。典型情況下,徑向基網絡隱層神經元數量I應小于等于輸入向量數量P。I<P時,則需要對基函數中心進行聚類(自組織學習方法),使用K-均值聚類算法來發現I個徑向基函數中心位置。。中心一旦確定就固定了,接著要確定基函數的寬度。當RBF選用高斯函數,通常寬度可取, (i=1,2,…,I)。其中,dmax為所選取中心之間的最大距離。也可通過尋優方式來尋找合適的基函數寬度,即,合適的基函數寬度應該使得輸出誤差和最小。
學習權值wki(k=1,2…,K i=1,2,…,P。)權值的學習仍采用最小二乘法(Least Mean Square,LMS)方法,LMS算法需要注意的兩點是:第一,LMS算法輸入為RBF網絡隱層的輸出;第二,RBF網絡輸出層的神經元只是對隱層神經元的輸出加權求和。權值的學習采用梯度下降迭代的LMS方法。
可以看出,本申請提出基于數據模型(DMC)的控制算法,該方法與PID反饋控制器相似,根據設定值和過程變量之間的偏差和偏差變化率決定如何最好 的控制過程,但與傳統PID控制器不同的是,它通過前N個采樣值來分析偏差和偏差變化率來實現控制,這就使控制器可以觀察到過程的動態特性。因此,DMC是基于大量歷史數據趨勢指導控制,可實現對鍋爐的大滯后、強非線性、時變等特點的比較精確的控制,能夠保證優化策略的實施。
4、數學模型更新模塊40,將鍋爐燃燒的最新運行數據定期融入建模數據中,定期更新用以訓練的BP神經網絡,獲取優化的數學模型。鍋爐燃燒的數學模型會隨著外部條件的改變(如,煤質、環境溫度、設備大修等)而改變。為適應這種改變,其燃燒系統的數學模型應該能夠不斷地在線更新。將鍋爐燃燒的新近運行數據定期融入建模數據的方式為,按照時間由近及遠變化,賦予數據指定的遺忘因子β,β取值為0~1,距離當前時刻越遠的數據的遺忘程度越高,當前數據則遺忘程度為0。按照遺忘因子的倒數1/β,確定引入訓練數據集的概率大小,越近的數據被當做訓練用數據的可能性越高,越以前發生的數據被當做訓練用數據的可能性越低。設定模型更頻率,按照以上原則重新篩選建模數據庫,定期模型更新。其中,離線訓練并更新燃燒系統數學模型的頻率要根據實際機組的運行情況決定。
本發明流化床鍋爐燃燒性能實時優化控制系統與流化床鍋爐燃燒性能實時優化控制方法原理相同,相關之處已經在上面做了詳細的說明,在此不再贅述。
顯然,本領域的技術人員可以對本發明進行各種改動和變型而不脫離本發明的精神和范圍。這樣,倘若本發明的這些修改和變型屬于本發明權利要求及其等同技術的范圍之內,則本發明也意圖包含這些改動和變型在內。

關 鍵 詞:
循環 流化床 鍋爐 燃燒 性能 實時 優化 控制 方法 系統
  專利查詢網所有資源均是用戶自行上傳分享,僅供網友學習交流,未經上傳用戶書面授權,請勿作他用。
關于本文
本文標題:循環流化床鍋爐燃燒性能實時優化控制方法及系統.pdf
鏈接地址:http://www.rgyfuv.icu/p-6353642.html
關于我們 - 網站聲明 - 網站地圖 - 資源地圖 - 友情鏈接 - 網站客服客服 - 聯系我們

[email protected] 2017-2018 zhuanlichaxun.net網站版權所有
經營許可證編號:粵ICP備17046363號-1 
 


收起
展開
山东11选5中奖结果走势图