[发明专利]一种混合智能锅炉综合燃烧优化方法

权利要求书

1.一种混合智能锅炉综合燃烧优化方法，其特征在于：该方法的步骤包括：

步骤(1)基于锅炉燃烧专业知识与实验研究，构造与锅炉燃烧热效率正相关的指标其中ΔT＝T₁-T₂，T₁为炉膛表征温度，T₂为尾部烟道表征温度；为每吨燃煤产生烟气量系数，Q为单位时间燃煤量；

步骤(2)针对磨煤机采用智能建模方法建模，采用支持向量机算法建模，模型输出量为磨煤电耗指标μ，输入量为磨煤机运行参数：煤粉细度，风粉浓度，一次风速，料位，筒体转速，一次风温；这些运行参数数值均从DCS系统获得；用于建模样本的输入参数及指标μ的输出参数表示为其中x_i表示第i组作为输入数据的磨煤机运行参数向量，y_i表示第i组作为输出参数表征指标μ，N为样本数量，以实际运行数据为基础，建立磨煤机运行参数与指标μ间的模型；

以下建模数学过程为成熟通用的支持向量机理论建模过程，其数学推导可见于一般的支持向量机理论书籍，在此仅作简要叙述；

支持向量机核函数选为径向基函数：

σ为径向基函数的宽度，该表示形式为标准形式；φ(x)为映射函数，设所求的目标函数为：f(x_i)＝w·φ(x_i)+b，f(x_i)为模型输出的锅炉燃烧状态的特征指标预测值，w为权重系数向量，b为截距；引入松弛因子ξ^*_i≥0和ξ_i≥0和允许拟合误差ε，并设样本点中有k个点的误差超出允许拟合误差ε，0≤k＜N，模型可以通过在约束：

条件下，最小化：

获得，其中常数C>0为惩罚系数；该最小化问题为一个凸二次规划问题，引入拉格朗日函数：

其中：α_i,γ_i,为拉格朗日乘数；

在鞍点处，函数L是关于w,b,ξ_i,ξ_i^*的极小点，也是α_i,，γ_i,极大点，最小化问题转化为求其对偶问题的最大化问题；

拉格朗日函数L在鞍点处是关于w,b,ξ_i,ξ_i^*极小点，得：

可得拉格朗日函数的对偶函数：

此时，

按照库恩-塔克条件定理，在鞍点有下式成立：

由上式可见，α_i·α_i^*＝0,α_i和α_i^*都不会同时为非零，可得：

从上式可求出b，获得模型；

模型中惩罚因子C和径向基核函数参数σ的数值的确定，采用优化算法寻优获得；

步骤(3)，建立指标η与锅炉运行参数间的模型；所述的锅炉运行参数包括各层的一次风速、煤粉细度、风分浓度、一次风温、各层的二次风速、炉膛出口烟气含氧量及燃尽风速；其中，一次风速、煤粉细度、风分浓度一次风温与上一步骤中磨煤机运行参数中的一次风速、煤粉细度、风分浓度一次风温为相同参数；具体建模方法与步骤(2)中建模方法一样；

步骤(4).利用粒子群优化算法结合所建模型，针对指标η和μ进行锅炉运行参数与磨煤机配置的综合优化，具体步骤如下：

a.定义粒子群位置向量x的各维分量分别为锅炉运行参数与磨煤机运行参数，相同部分只取一个参数；

b.设定粒子群的搜索目标和迭代次数，搜索目标为指标：(η-μ)，迭代次数据具体的锅炉实时优化的需求确定，范围为：10到10000次；

c.根据实际锅炉及磨煤机的设计和运行要求设定各运行参数的寻优范围，相同参数寻优范围相同，并初始化位置向量x，然后根据上一步设定的搜索目标及所建磨煤机运行电耗指标μ模型的预测和锅炉运行热效率指标η模型的预测，用粒子群算法进行迭代计算，搜索粒子群在参数向量空间内的最优位置；

d.当粒子群算法完成迭代次数或找到设定要求的最优时，停止计算获得相应最优的位置向量，即获得最优的锅炉运行参数组合及最优的磨煤机运行参数操作组合。

2.根据权利要求1所述的一种混合智能锅炉综合燃烧优化方法，其特征在于：C和σ的寻优方法包括以下步骤：

a、设定遗传算法的初始向量v的各维分量分别为C和σ，及C和σ的寻优区间；

b、设定遗传算法搜索目标、交叉概率设为0.25、变异概率0.25、选择概率设为0.25和迭代次数为100-10000次，搜索目标为最小化预测建模和检验数据的标准差；

c、当遗传算法完成迭代，即获得最优的C和σ参数值。