多变负荷下内嵌算法融合的多目标锅炉燃烧优化控制方法

1.本发明属于大气污染物治理技术领域，具体地说是涉及一种多变负荷下内嵌算法融合的多目标锅炉燃烧优化控制方法。

背景技术：

2.我国资源禀赋决定煤炭资源依然处于主体地位，能源消费结构仍将以煤炭资源消费为主。当前能源形势下，燃煤发电的总量持续上升，是供电的主力军。煤电领域实施超低排放以来，no
x
排放浓度要求控制在50mg/m3以下。因此，为了实现超低排放目标，国内燃煤电厂广泛开展了燃烧中及燃烧后no
x
减排技术改造。然而，在no
x
减排的同时保证锅炉热效率直接关系到火电企业的经济效益，并已成为燃煤电厂普遍面临的技术难题。
3.目前，国内外主要针对燃烧系统出口no
x
浓度及锅炉热效率预测、燃烧多目标优化技术、燃烧系统预测控制等方面开展大量研究，建立了白箱模型、灰箱模型、灰箱模型等锅炉污染物及热效率预测模型，相对而言，黑箱模型主要基于人工神经网络、统计回归等算法建模，对燃烧机理要求较低，在锅炉燃烧系统建模中使用率逐渐提高。随着数据处理技术的兴起，通过数据挖掘技术建立锅炉运行参数之间的联系、构建不同输出变量的燃烧特性模型、采用多目标优化算法对模型进行寻优、到最优的锅炉运行工况的研究日益增多。为了兼具经济性和环保性两个目标，人们将研究方向从单目标问题向多目标问题转变，基于数据算法技术对多目标进行同时寻优，以确定最优燃烧优化方法。模型预测与控制技术相结合，建立预测控制优化方法是当前煤电领域研究的热点，通过模型预测进一步优化控制方法的精准性，精细化调整运行参数，提高控制系统的稳定性、可靠性和经济性。
4.锅炉燃烧是一个极其复杂的物理化学过程，影响因素多，预测与调控要求高，如何实现多种扰动因素下运行参数稳定控制，建立精准预测模型和控制方法，是煤电领域研究的热点和难点。在火电减污降碳背景下，煤电机组负荷灵活多变，如何兼顾no
x
低浓度排放和锅炉热效率提升已成为当务之急。
5.中国专利cn 109670629 a公开了基于长短期记忆神经网络的燃煤锅炉热效率预测方法，该专利按时间维度收集相关历史数据，并检测灰渣含碳量作为样本的输出数据，利用长短期记忆神经网络进行训练，建立预测模型，得到锅炉预测热效率，该技术数据集数据获取实时性较差，时间维度以小时计，预测值的获取具有局限性。
6.中国专利cn 109992921 a公开了一种燃煤电厂锅炉热效率的在线软测量方法及系统，基于garson神经网络敏感度和皮尔逊相关系数选取影响锅炉热效率的重要特征参数，采用em-mlr最大化聚类—多元回归算法优化的rbf神经网络训练后得到锅炉热效率预测模型，同时提供了一种锅炉热效率在线软测量系统，实时监测锅炉热效率，该专利预先确定影响锅炉热效率的特征参量，从数据分析角度讲，引入了主观因素和偏差，导致特征参量选择的科学性较弱，对后续建模的准确性产生不利影响，影响预测结果的准确性。
7.中国专利cn 107726358 a公开了基于cfd数值模拟和智能建模的锅炉燃烧优化系统及方法，涉及工业锅炉燃烧优化系统，该发明采用bp神经网络训练建模，使用cfd数值模
拟技术提高智能建模的准确性，调用dcs控制系统实现闭环控制，实现燃烧热效率和no
x
排放的实时优化，由于锅炉燃烧过程影响因素多，建立的目标优化函数复杂，导致bp神经网络算法的技术缺点凸显，影响计算结果的准确性，虽然采用cfd数值模拟技术进行优化，但历史数据模拟计算并不能准确反映实时变化的锅炉燃烧工况，导致预测结果与实际情况产生偏差，影响结果预判的控制系统调整。

技术实现要素：

8.为了克服现有技术的缺点和不足，本发明提供了一种多变负荷下内嵌算法融合的多目标锅炉燃烧优化控制方法，在燃煤机组负荷多变的条件下，基于算法融合建立no
x
排放浓度与锅炉热效率预测模型，实现锅炉燃烧出口nox浓度以及热效率的精准预测，为高效低耗燃烧调节提供预报信息，为多目标燃烧优化控制提供更多选择性，实现多变负荷条件下锅炉高效低耗运行。
9.为实现上述目的，本发明所采取的技术方案为：
10.一种多变负荷下内嵌算法融合的多目标锅炉燃烧优化控制方法，所述算法融合为随机森林算法与遗传算法融合构建多目标锅炉燃烧优化控制方法；所述多目标锅炉燃烧优化控制包括锅炉、风烟系统、dcs控制系统、在线监测系统、算法融合软件和模型预测控制器硬件；在锅炉燃烧优化控制寻优过程中实现减污提效；
11.所述多目标锅炉燃烧优化指基于算法融合同时针对影响no
x
排放浓度和锅炉热效率的特征参数进行燃烧运行参数寻优；
12.所述多变负荷条件指燃煤锅炉在最低稳燃负荷和最大连续蒸发量负荷工况区间随发电负荷调整而实时变化的锅炉负荷或其他条件引起的锅炉负荷变化；
13.所述多目标锅炉燃烧优化控制方法，操作步骤如下：
14.(1)采集锅炉历史数据和实时数据，建立运行参数数据库；
15.(2)基于随机森林算法建立no
x
和锅炉热效率预测模型；
16.(3)确立预测模型评价指标；
17.(4)基于遗传算法建立优化目标和约束，对燃烧过程进行优化，在所有运行工况中寻优获得多目标锅炉燃烧优化控制的pareto前沿；
18.(5)基于算法融合的优化方法形成静态优化+动态控制的模型预测控制器；
19.(6)基于算法融合的锅炉燃烧优化控制方法根据锅炉运行情况实时调整运行参数，从而算法融合获得最优运行参数。
20.作为优选，所述随机森林算法根据spearman系数，合并或删除锅炉燃烧系统运行参数的多余特征，通过筛选变量数据提前预测no
x
排放趋势和锅炉热效率变化趋势；
21.所述spearman的随机森林算法建模流程包括：
22.(1)数据预处理；
23.(2)选取特征；
24.(3)根据spearman系数，合并或删除多余特征，减少建模时间；
25.(4)划分输入特征和预测输出值；所述输入特征包括锅炉负荷、给煤量、炉膛温度和总风量，所述输出值包括锅炉出口no
x
浓度和锅炉热效率；
26.(5)选取t时间段的输入特征代入随机森林模型，设置预测所需的时间步长m，获得
t+m时间段的预测值；
27.(6)将预测值与实际t+m时间段的测量值进行比较分析；
28.(7)模型预测效果评价；
29.所述遗传算法引入特征参数快速排序法，降低锅炉运行数据引起的计算复杂度，减少数据计算损耗的时间，解决了包括负荷、煤耗和风门开度在内的共享参数调控难题，保持了特征参数的多样性，同时将特征参数与更新的特征参数子代数据混合，最大程度优选预测模型的计算参数，实现锅炉燃烧优化精准调控。
30.作为优选，影响锅炉no
x
生成量的因素包括设计参数、运行参数和煤粉特性；所述设计因素包括燃烧方式和燃烧分布；所述运行参数包括机组负荷、过量空气系数、二次风配风方式和燃烬风风量；所述煤粉特性包括煤粉含氮量、挥发分含量和煤粉细度；
31.影响锅炉热效率的因素包括排烟热损失、化学热损失、机械热损失、散热损失和灰渣热损失，影响上述5种热损失的因素包括锅炉炉型、燃烧器、锅炉负荷、炉膛温度、磨煤机出力及配磨方式、一次风风速和二次风风速。
32.作为优选，步骤(1)中，所述数据预处理基于历史数据时间步长，从粗大值处理、吹扫过程处理和数据平滑处理三个方面进行数据异常点及平滑方向处理，提高数据的有效性；
33.步骤(2)中，所述特征包括锅炉负荷l、主汽压力p、主汽温度t、总风量q、一次风q1、二次风q2、燃烬风q3、给煤机风量qi、省煤器出口烟温t、烟气流量qf、给煤机给煤指令mi、各层燃烧器壁温ti、各燃烧器一次风速νi、nox浓度c和锅炉热效率η。
34.作为优选，所述spearman系数用于描述特征与响应变量之间的关系，波动范围-1～1，数值的绝对值越大，变量之间的相关性程度越大，正值表示正相关，负值表示负相关；建立特征数据集e＝{l，p，t，q，q1，q2，q3，qi，t，qf，mi，ti，νi，
……
，c，η}。
35.作为优选，no
x
浓度预测模型和锅炉热效率预测模型的输入特征通过spearman系数进行筛选，然后建立预测模型，计算公式如下：
36.f(c，η)＝f(l，p，t，q，q1，q2，q3，qi，t，qf，mi，ti，νi，
…
)
37.作为优选，所述nox浓度预测模型的预测效果评价指标为均方根误差(rmse)和决定系统(r2)，rmse反映了nox浓度预测值与真实值之间的偏差，rmse越小，模型预测效果越好；r2反映了nox浓度的变化能通过预测模型被选取的特征解释的比例，r2越接近于1，说明模型拟合效果越好；
38.所述rmse和r2通过历史数据集训练获得，no
x
浓度预测模型的rmse不高于8mg/m3，r2不低于85％，热效率预测模型的rmse不高于0.06％，r2不低于85％，满足预测效果评价要求，反馈至系统开展优化调整工作；反之调整随机森林算法设定参数重新迭代计算，直至预测效果评价要求。
39.作为优选，多变负荷条件下锅炉运行参数和煤粉特性实时变化，以不同时刻负荷对特征参数进行聚类分析，同时建立算法融合特征参数数据库，在预测模型运行过程中可实时调用数据库数据进行拟合计算，通过在线监测系统的实测数据验证预测模型的准确性和可靠性，然后将预测值作为优化控制的最终目标设定值基于nsga
‑ⅱ
开展多目标优化计算，筛选出一套最优运行参数，再反馈给mpc形成控制指令，控制指令反馈给dcs系统，采用自动或人工的方式进行锅炉运行参数优化调整，筛选出一套最优运行参数，再反馈给mpc形
成控制指令，控制指令反馈给dcs系统，采用自动的方式进行锅炉运行参数优化调整，实现多变负荷条件下no
x
浓度和锅炉热效率实时精准预测和调控。
40.作为优选，锅炉出口no
x
和锅炉热效率作为燃烧优化控制目标，以随机森林预测模型作为多目标优化算法的数据模型，设定燃烧优化控制的最终目标为在锅炉热效率和no
x
生成量达到最经济的前提下到影响热效率和no
x
生成的参数折中值的数据集，即pareto前沿，使用nsga
‑ⅱ
算法作为锅炉的多目标优化算法，建立优化目标和约束，对燃烧过程进行优化，然后在所有运行工况中寻优获得多目标锅炉燃烧优化控制的pareto前沿，在约束条件下优化得到可行域的pareto前沿，在pareto前沿中所有工况下的锅炉出口no
x
和锅炉热效率均优于原运行工况，形成指导锅炉运行调整的整套可调参数数据集，实现在提高锅炉热效率的同时降低no
x
的生成浓度。
41.作为优选，所述多目标锅炉燃烧优化控制方法基于随机森林算法建立锅炉no
x
预测模型和锅炉热效率预测模型，在锅炉no
x
预测模型和锅炉热效率预测模型的基础上采用遗传算法nsga
‑ⅱ
实现多目标锅炉燃烧优化模块和方法，然后基于算法融合的优化方法形成静态优化+动态控制的模型预测控制器，在多变负荷条件下实现对no
x
排放浓度、锅炉热效率的优化控制，最终达到多目标协同控制的目的；
42.所述基于算法融合的锅炉燃烧优化控制方法能够根据锅炉运行情况实时调整运行参数，有效降低炉膛出口no
x
浓度，减少no
x
排放和降低下游脱硝装置的运行压力，同时通过算法融合获得最优运行参数，能够有效提高锅炉热效率或降低煤耗、能耗，达到锅炉减污提效的目标。
43.相对于现有技术，本发明的有益效果在于：
44.1.基于随机森林算法与遗传算法研发算法融合技术，实现数据算法优势互补，使预测模型的精确度和稳定性更好，控制系统优化指令的可靠性更好；
45.2.基于算法融合技术实现多目标锅炉燃烧优化，在特征参数筛选、燃烧控制参数优选上实现数据处理节点的算法匹配度更优；
46.3.根据spearman随机森林算法建立了nox浓度和热效率的预测模型，同时获得了预测模型效果评价指标，确定满足评价要求的指标值分别为：no
x
浓度预测模型的rmse要求不高于8mg/m3，r2要求不低于85％，热效率预测模型的rmse要求不高于0.06％，r2要求不低于85％，从而实现了锅炉燃烧出口nox浓度以及热效率的精准预测，为高效低耗燃烧优化调节提供了预报信息；
47.4.以nsga
‑ⅱ
算法作为基础，结合nox浓度以及热效率的随机森林预测模型寻优多变负荷条件下的锅炉高效低耗运行工况及参数，形成可供选择的锅炉运行条件最优边界，为燃烧优化控制提供了更多的选择性；
48.5.采用算法融合的优化方法构建“静态优化+动态控制”的模型预测控制器，使计算模型与锅炉运行系统以控制器的方式有机衔接，突破了计算模型与系统控制之间的物理隔离，形成了算法融合驱动的智能化控制技术；
49.6.通过算法融合技术实现多变负荷条件下尤其是低负荷下锅炉燃烧出口nox浓度以及热效率的精准预测，指导锅炉高效低耗运行；
50.7.基于算法融合技术开展多目标锅炉燃烧优化控制调整，实现炉膛出口no
x
浓度降低15％以上，同时锅炉热效率提高近0.2％～0.6％。
附图说明
51.图1为锅炉燃烧特性建模流程示意图；
52.图2为主要锅炉变量之间的spearman系数热图(nox和热效率)实例；
53.图3为基于随机森林算法获得的预测模型效果评价指标实例；
54.图4为典型nsga-ii的计算流程示意图；
55.图5为模型预测控制器工作流程示意图。
56.图6为运行数据平滑处理前后对比实例。
57.图7为高负荷条件下的pareto前沿实例。
58.图8为不同负荷条件下基于pareto前沿的上下端点优化效果实例。
59.图9为不同负荷条件下优化多目标mpc与单目标mpc对比实例。
60.图10为不同负荷条件下燃烧优化控制效果对比实例。
具体实施方式
61.下面通过实施例，对本发明的技术方案作进一步具体的说明，这些实施例是对本发明的说明而作，不是对本发明的限制。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
62.实施例1
63.参照图1-9，一种多变负荷下内嵌算法融合的多目标锅炉燃烧优化控制方法，所述算法融合为随机森林算法与遗传算法融合构建多目标锅炉燃烧优化控制方法；所述多目标燃烧优化控制包括锅炉、风烟系统、dcs控制系统、在线监测系统、算法融合软件和模型预测控制器(model predictive control，mpc)硬件等；所述减污提效在锅炉燃烧优化控制寻优过程中实现。
64.所述多目标锅炉燃烧优化指基于算法融合同时针对影响no
x
排放浓度和锅炉热效率的特征参数进行燃烧运行参数寻优；
65.所述多变负荷条件指燃煤锅炉在最低稳燃负荷和最大连续蒸发量(bmcr)负荷工况区间随发电负荷调整而实时变化的锅炉负荷或其他条件引起的锅炉负荷变化；
66.所述随机森林算法根据spearman系数或合并或删除锅炉燃烧系统运行参数的多余特征，通过筛选变量数据提前预测no
x
排放趋势和锅炉热效率变化趋势；
67.所述遗传算法引入特征参数快速排序法，降低大量锅炉运行数据引起的计算复杂度，减少数据计算损耗的时间，解决了负荷、煤耗、风门开度等共享参数调控难题，保持了特征参数的多样性，同时将显著特征参数(负荷、炉膛温度、给煤量、总风量等)与更新的特征参数子代数据混合，最大程度优选预测模型的计算参数，实现锅炉燃烧优化精准调控。
68.所述锅炉no
x
生成量主要受设计参数、运行参数和煤粉特性的影响；所述设计参数主要包括燃烧方式(燃烧器型式和配风方式)和燃烧分布(煤粉燃烧过程中的空间分布情况)；所述运行因素主要包括机组负荷(最低稳燃负荷～满负荷工况)、过量空气系数(0.8～1.4)、二次风配风方式(倒塔配风、正塔配风、缩腰配风、鼓腰配风和均等配风)、燃烬风风量；所述煤粉特性主要指煤粉含氮量(无机氮和有机氮)、挥发分含量、煤粉细度等。
69.所述锅炉热效率主要受排烟热损失、化学热损失、机械热损失、散热损失和灰渣热损失影响，上述热损失主要受锅炉炉型、燃烧器、锅炉负荷、炉膛温度、磨煤机出力及配磨方
式、一次风风速、二次风风速等影响。
70.所述spearman的随机森林算法建模流程包括：(1)数据预处理；(2)选取特征；(3)根据spearman系数或合并或删除多余特征，减少建模时间；(4)划分输入特征(如锅炉负荷、给煤量、炉膛温度、总风量等)和预测输出值(锅炉出口no
x
浓度和锅炉热效率)；(5)选取t时间段的输入特征代入随机森林模型，设置预测所需的时间步长m，获得t+m时间段的预测值；(6)将预测值与实际t+m时间段的测量值进行比较分析；(7)模型预测效果评价及指标。
71.所述数据预处理基于历史数据时间步长(5s或10s)，从粗大值(随机性特异值，如炉膛温度波动异常数据)处理、吹扫过程(周期性波动值，如炉膛内周期性清灰导致风量波动)处理和数据平滑处理(背景噪声特异值，如在线监测参数等)等三个方面进行数据异常点及平滑方向处理，提高数据的有效性。
72.所述特征包括锅炉负荷l、主汽压力p、主汽温度t、总风量q、一次风q1、二次风q2、燃烬风q3、给煤机风量qi、省煤器出口烟温t、烟气流量qf、给煤机给煤指令mi、各层燃烧器壁温ti、各燃烧器一次风速νi、nox浓度c、锅炉热效率η等。
73.所述spearman系数用于描述特征与响应变量之间的关系，波动范围-1～1，数值的绝对值越大，变量之间的相关性程度越大，正值表示正相关，负值表示负相关；建立特征数据集e＝{l，p，t，q，q1，q2，q3，qi，t，qf，mi，ti，νi，
……
，c，η}。
74.所述no
x
浓度预测模型和锅炉热效率预测模型的主要输入特征通过spearman系数进行筛选，然后建立高精确度的预测模型，计算公式如下：
75.f(c，η)＝f(l，p，t，q，q1，q2，q3，qi，t，qf，mi，ti，νi，
…
)
76.所述nox浓度预测模型的预测效果评价指标为rmse和r2，rmse反映了nox浓度预测值与真实值之间的偏差，rmse越小，模型预测效果越好；r2反映了nox浓度的变化能通过预测模型被选取的特征解释的比例，r2越接近于1，说明模型拟合效果越好。
77.所述rmse和r2通过历史数据集训练获得，rmse要求不高于8mg/m3，r2要求不低于85％，热效率预测模型的rmse要求不高于0.06％，r2要求不低于85％，满足预测效果评价要求，反馈至系统开展优化调整工作；反之调整调整随机森林算法设定参数重新迭代计算，直至预测效果评价要求。
78.所述多变负荷条件下锅炉运行参数和煤粉特性实时变化，以不同时刻负荷对特征参数进行聚类分析，同时建立算法融合特征参数数据库，在预测模型运行过程中可实时调用数据库数据进行拟合计算，通过在线监测系统的实测数据验证预测模型的准确性和可靠性，然后将预测值作为优化控制的最终目标设定值基于nsga
‑ⅱ
开展多目标优化计算，筛选出一套最优运行参数，再反馈给mpc形成控制指令，控制指令反馈给dcs系统，采用自动的方式进行锅炉运行参数优化调整，筛选出一套最优运行参数，再反馈给mpc形成控制指令，控制指令反馈给dcs系统，采用自动的方式进行锅炉运行参数优化调整，实现多变负荷条件下no
x
浓度和锅炉热效率实时精准预测和调控。
79.所述锅炉出口no
x
和锅炉热效率作为燃烧优化控制目标，以随机森林预测模型作为多目标优化算法的数据模型，设定燃烧优化控制的最终目标为在锅炉热效率和no
x
生成量达到最经济的前提下到影响热效率和no
x
生成的参数折中值的数据集，即pareto前沿，使用nsga
‑ⅱ
算法作为锅炉的多目标优化算法，建立优化目标和约束，对燃烧过程进行优化，然后在所有运行工况中寻优获得多目标锅炉燃烧优化控制的pareto前沿，在约束条件
下优化得到可行域的pareto前沿，在pareto前沿中所有工况下的锅炉出口no
x
和锅炉热效率均优于原运行工况，形成指导锅炉运行调整的整套可调参数数据集，实现在提高锅炉热效率的同时降低no
x
的生成浓度。
80.所述多目标锅炉燃烧优化控制方法基于随机森林算法建立锅炉no
x
预测模型和锅炉热效率预测模型，在锅炉no
x
预测模型和锅炉热效率预测模型的基础上采用遗传算法(nsga
‑ⅱ
)实现多目标锅炉燃烧优化模块和方法，然后基于算法融合的优化方法形成“静态优化+动态控制”的模型预测控制器，在多变负荷条件下实现对no
x
排放浓度、锅炉热效率的优化控制，最终达到多目标协同控制的目的；
81.所述基于算法融合的锅炉燃烧优化控制方法能够根据锅炉运行情况实时调整运行参数，有效降低炉膛出口no
x
浓度，减少no
x
排放和降低下游脱硝装置的运行压力，同时通过算法融合获得最优运行参数，能够有效提高锅炉热效率或降低煤耗、能耗，达到锅炉减污提效的目标。
82.实施例2
83.参照图1～10，以某1000mw燃煤发电机组为例进行实施原理说明。该燃煤发电机组配备超临界本生直流锅炉，燃用烟煤，配备超低排放系统。锅炉主要设计参数如下表。
84.表1锅炉主要设计参数
85.86.[0087][0088]
基于上述锅炉设计参数及运行筛选与no
x
浓度、热效率相关的特征变量，以spearman系数表示，结果如表2所示。
[0089]
表2锅炉变量与no
x
、热效率的spearman系数
[0090][0091]
根据表2和图2的计算结果，最终选取锅炉负荷l、主汽压力p、主汽温度t、总风量q、一次风q1、二次风q2、燃烬风q3、给煤机风量qi、省煤器出口烟温t、烟气流量qf、给煤机给煤指令mi、各层燃烧器壁温ti、各燃烧器一次风速νi作为模型建立的主要输入变量，分别建立no
x
浓度c和热效率η的预测模型。将锅炉运行历史数据分为训练集和测试集两部分进行训练，并利用预测效果评价指标rmse和r2进行评价，计算得到no
x
预测模型的rmse和r2分别为5.47、0.935，模型计算耗时6.1min，计算得到锅炉热效率预测模型的rmse和r2分别为0.05％、0.875，模型计算耗时3.7min，满足预测效果评价指标要求。
[0092]
在上述随机森林算法基础上融合nsga-ii算法，形成算法融合开展多目标锅炉燃烧优化计算。以历史运行数据为基础数据集，选择负荷为500mw，600mw，700mw，800mw以及900mw的工况作为初始优化数据，建立出来的优化目标和约束为：
[0093]
min(c，η)＝f(l，p，t，q，q1，q2，q3，qi，t，qf，mi，ti，νi，
…
)
[0094]
＝(min f(c)，max f(η))
[0095]
s.t.25％≤mi≤85％，1≤i≤6
[0096]
700t/h≤q1≤2150t/h
[0097]
650t/h≤q2≤1250t/h
[0098]
以500mw、600mw、700mw、800mw、900mw负荷工况为例，基于pareto前沿中上端点和下端点对原工况进行优化，原工况参数如表3，优化效果如图8。在上端点中优化后no
x
浓度最高可以降低150.98mg/m3，在不同负荷的条件下平均降低no
x
浓度81.874mg/m3，优化的效果在1％～32％之间，同时热效率最高可以升高0.369％，平均上升0.199％。在下端点中，优化后nox浓度最高可以降低102.39mg/m3，在不同负荷的条件下平均降低nox浓度42.2mg/m3，优化的效果在12％～21％之间，同时热效率最高可以升高0.639％，平均上升0.414％。结果证明基于算法融合技术建立的锅炉高效低耗的优化模型对不同负荷条件下的工况具有较好的优化效果。通过调节或者改变给煤机的给煤方式并优化一次风以及二次风的给风量，使得nox浓度的降低效果可以达到1％～32％，同时可以平均提升0.3％的锅炉热效率。
[0099]
表3不同负荷下的优化前工况
[0100][0101]
根据上述算法融合的优化方法形成“静态优化+动态控制”的模型预测控制器，模型预测控制采用分段线性模型，与单模型mpc相比，采用多个分区间的模型辨识模型可以更好的去逼近对冲锅炉的非线性特性，进而提高控制器适应强非线性工况的能力。
[0102]
以400-500mw、600-800mw、800-1000mw负荷工况为例，针对不同负荷工况进行多目标模型预测控制，并进行效果验证，结果如表4。
[0103]
表4单目标与多目标控制nox浓度和热效率对比
[0104][0105]
锅炉运行控制结果表明，多目标mpc控制器可在准确跟踪负荷指令的同时，协同控制锅炉效率与no
x
出口浓度，可有效提高锅炉效率、降低no
x
排放，提高了系统整体的稳定性。通过多目标协同控制，在全负荷条件下的可平均有效提高热效率0.3％，降低no
x
约60mg/m3排放浓度。

技术特征：

1.一种多变负荷下内嵌算法融合的多目标锅炉燃烧优化控制方法，其特征在于：所述算法融合为随机森林算法与遗传算法融合构建多目标锅炉燃烧优化控制方法；所述多目标锅炉燃烧优化控制包括锅炉、风烟系统、dcs控制系统、在线监测系统、算法融合软件和模型预测控制器硬件；在锅炉燃烧优化控制寻优过程中实现减污提效；所述多目标锅炉燃烧优化指基于算法融合同时针对影响no
x
排放浓度和锅炉热效率的特征参数进行燃烧运行参数寻优；所述多变负荷条件指燃煤锅炉在最低稳燃负荷和最大连续蒸发量负荷工况区间随发电负荷调整而实时变化的锅炉负荷或其他条件引起的锅炉负荷变化；所述多目标锅炉燃烧优化控制方法，操作步骤如下：(1)采集锅炉历史数据和实时数据，建立运行参数数据库；(2)基于随机森林算法建立no
x
和锅炉热效率预测模型；(3)确立预测模型评价指标；(4)基于遗传算法建立优化目标和约束，对燃烧过程进行优化，在所有运行工况中寻优获得多目标锅炉燃烧优化控制的pareto前沿；(5)基于算法融合的优化方法形成静态优化+动态控制的模型预测控制器；(6)基于算法融合的锅炉燃烧优化控制方法根据锅炉运行情况实时调整运行参数，从而算法融合获得最优运行参数。2.根据权利要求1所述多变负荷下内嵌算法融合的多目标锅炉燃烧优化控制方法，其特征在于：所述随机森林算法根据spearman系数，合并或删除锅炉燃烧系统运行参数的多余特征，通过筛选变量数据提前预测no
x
排放趋势和锅炉热效率变化趋势；所述spearman的随机森林算法建模流程包括：(1)数据预处理；(2)选取特征；(3)根据spearman系数，合并或删除多余特征，减少建模时间；(4)划分输入特征和预测输出值；所述输入特征包括锅炉负荷、给煤量、炉膛温度和总风量，所述输出值包括锅炉出口no
x
浓度和锅炉热效率；(5)选取t时间段的输入特征代入随机森林模型，设置预测所需的时间步长m，获得t+m时间段的预测值；(6)将预测值与实际t+m时间段的测量值进行比较分析；(7)模型预测效果评价；所述遗传算法引入特征参数快速排序法，降低锅炉运行数据引起的计算复杂度，减少数据计算损耗的时间，解决了包括负荷、煤耗和风门开度在内的共享参数调控难题，保持了特征参数的多样性，同时将特征参数与更新的特征参数子代数据混合，最大程度优选预测模型的计算参数，实现锅炉燃烧优化精准调控。3.根据权利要求1所述多变负荷下内嵌算法融合的多目标锅炉燃烧优化控制方法，其特征在于：影响锅炉no
x
生成量的因素包括设计参数、运行参数和煤粉特性；所述设计因素包括燃烧方式和燃烧分布；所述运行参数包括机组负荷、过量空气系数、二次风配风方式和燃烬风风量；所述煤粉特性包括煤粉含氮量、挥发分含量和煤粉细度；影响锅炉热效率的因素包括排烟热损失、化学热损失、机械热损失、散热损失和灰渣热
损失，影响上述5种热损失的因素包括锅炉炉型、燃烧器、锅炉负荷、炉膛温度、磨煤机出力及配磨方式、一次风风速和二次风风速。4.根据权利要求2所述多变负荷下内嵌算法融合的多目标锅炉燃烧优化控制方法，其特征在于：步骤(1)中，所述数据预处理基于历史数据时间步长，从粗大值处理、吹扫过程处理和数据平滑处理三个方面进行数据异常点及平滑方向处理，提高数据的有效性；步骤(2)中，所述特征包括锅炉负荷l、主汽压力p、主汽温度t、总风量q、一次风q1、二次风q2、燃烬风q3、给煤机风量q
i
、省煤器出口烟温t、烟气流量q
f
、给煤机给煤指令m
i
、各层燃烧器壁温t
i
、各燃烧器一次风速ν
i
、nox浓度c和锅炉热效率η。5.根据权利要求4所述多变负荷下内嵌算法融合的多目标锅炉燃烧优化控制方法，其特征在于：所述spearman系数用于描述特征与响应变量之间的关系，波动范围-1～1，数值的绝对值越大，变量之间的相关性程度越大，正值表示正相关，负值表示负相关；建立特征数据集e＝{l，p，t，q，q1，q2，q3，q
i
，t，q
f
，m
i
，t
i
，ν
i
，
……
，c，η}。6.根据权利要求5所述多变负荷下内嵌算法融合的多目标锅炉燃烧优化控制方法，其特征在于：no
x
浓度预测模型和锅炉热效率预测模型的输入特征通过spearman系数进行筛选，然后建立预测模型，计算公式如下：f(c，η)＝f(l，p，t，q，q1，q2，q3，q
i
，t，q
f
，m
i
，t
i
，ν
i
，
…
)。7.根据权利要求6所述多变负荷下内嵌算法融合的多目标锅炉燃烧优化控制方法，其特征在于：所述nox浓度预测模型的预测效果评价指标为均方根误差rmse和决定系统r2，所述rmse和r2通过历史数据集训练获得，no
x
浓度预测模型的rmse不高于8mg/m3，r2不低于85％，热效率预测模型的rmse不高于0.06％，r2不低于85％，满足预测效果评价要求，反馈至系统开展优化调整工作；反之调整随机森林算法设定参数重新迭代计算，直至预测效果评价要求。8.根据权利要求3所述多变负荷下内嵌算法融合的多目标锅炉燃烧优化控制方法，其特征在于：多变负荷条件下锅炉运行参数和煤粉特性实时变化，以不同时刻负荷对特征参数进行聚类分析，同时建立算法融合特征参数数据库，在预测模型运行过程中可实时调用数据库数据进行拟合计算，通过在线监测系统的实测数据验证预测模型的准确性和可靠性，然后将预测值作为优化控制的最终目标设定值基于nsga
‑ⅱ
开展多目标优化计算，筛选出一套最优运行参数，再反馈给mpc形成控制指令，控制指令反馈给dcs系统，采用自动或人工的方式进行锅炉运行参数优化调整，筛选出一套最优运行参数，再反馈给mpc形成控制指令，控制指令反馈给dcs系统，采用自动的方式进行锅炉运行参数优化调整，实现多变负荷条件下no
x
浓度和锅炉热效率实时精准预测和调控。9.根据权利要求1多变负荷下内嵌算法融合的多目标锅炉燃烧优化控制方法，其特征在于：锅炉出口no
x
和锅炉热效率作为燃烧优化控制目标，以随机森林预测模型作为多目标优化算法的数据模型，设定燃烧优化控制的最终目标为在锅炉热效率和no
x
生成量达到最经济的前提下到影响热效率和no
x
生成的参数折中值的数据集，即pareto前沿，使用nsga
‑ⅱ
算法作为锅炉的多目标优化算法，建立优化目标和约束，对燃烧过程进行优化，然后在所有运行工况中寻优获得多目标锅炉燃烧优化控制的pareto前沿，在约束条件下优化得到可行域的pareto前沿，在pareto前沿中所有工况下的锅炉出口no
x
和锅炉热效率均优于原运行工况，形成指导锅炉运行调整的整套可调参数数据集，实现在提高锅炉热效率的
同时降低no
x
的生成浓度。10.根据权利要求1所述多变负荷下内嵌算法融合的多目标锅炉燃烧优化控制方法，其特征在于：所述多目标锅炉燃烧优化控制方法基于随机森林算法建立锅炉no
x
预测模型和锅炉热效率预测模型，在锅炉no
x
预测模型和锅炉热效率预测模型的基础上采用遗传算法nsga
‑ⅱ
实现多目标锅炉燃烧优化模块和方法，然后基于算法融合的优化方法形成静态优化+动态控制的模型预测控制器，在多变负荷条件下实现对no
x
排放浓度、锅炉热效率的优化控制，最终达到多目标协同控制的目的；所述基于算法融合的锅炉燃烧优化控制方法能够根据锅炉运行情况实时调整运行参数，有效降低炉膛出口no
x
浓度，减少no
x
排放和降低下游脱硝装置的运行压力，同时通过算法融合获得最优运行参数，能够有效提高锅炉热效率或降低煤耗、能耗，达到锅炉减污提效的目标。

技术总结

本发明涉及一种多变负荷下内嵌算法融合的多目标锅炉燃烧优化控制方法，所述算法融合为随机森林算法与遗传算法融合构建多目标锅炉燃烧优化控制方法；多目标锅炉燃烧优化控制包括锅炉、风烟系统、DCS控制系统、在线监测系统、算法融合软件和模型预测控制器硬件；在锅炉燃烧优化控制寻优过程中实现减污提效。本发明基于算法融合，实现数据算法优势互补，使预测模型的精确度和稳定性更好，控制系统优化指令的可靠性更好；本发明可以实现锅炉燃烧出口NOx浓度以及热效率的精准预测，为高效低耗燃烧优化调节提供了预报信息；基于算法融合开展多目标锅炉燃烧优化，实现炉膛出口NO