5 智能控制在锅炉燃烧优化中的应用X71589(清样，朱玉壁).DOCVIP

智能控制在锅炉燃烧优化中的应用 朱玉璧1　程相利2　陶新建3　李 琢2　王志军2 (1 安徽理工大学电气与信息工程学院　安徽省　淮南市　232001； 2 北京海德缘科技有限公司　北京市　海淀区　100020； 3 安徽淮南平圩发电有限责任公司　安徽省　淮南市　232089) 摘要：利用支撑向量机(SVM)建立电厂锅炉燃烧模型，使用非线性模型预测控制算法(MPC)闭环控制锅炉的燃烧过程，改善锅炉燃烧状况，达到提高锅炉燃烧效率、减少污染物排放的目的。支撑向量机用于模型回归具有泛化能力强，在线训练速度快等优点，使用支撑向量机作为预测控制算法中的内部模型在非线性系统控制中具有良好的性能。为求解这个模型预测控制算法中的非线性优化问题，提出了一种新的混合型优化算法，使用粒子群算法(PSO)进行全局搜索，使用拟牛顿法进行局部最优搜索，既实现了进化算法全局优化的特性，又保持了基于梯度的优化算法的快速收敛速度。 关键词：锅炉；燃烧；支撑向量机；模型预测控制；非线性优化 0　引言 在火力发电成本中，燃料费用一般占70%以上，煤炭价格的不断攀升和环保指标要求的日益严格，对火力发电厂节能减排提出了更高的要求。因此，通过不断优化机组运行参数，完善机组性能，对降低发电成本和减少污染物排放具有重要意义。 锅炉燃烧的优化调整是机组优化运行的重要组成部分，也是挖掘经济效益的难点。锅炉效率和NOx是两个首先考虑的优化控制目标，不少学者对NOx的排放特性和影响因素及其与锅炉效率的关系进行了深入分析研究[1-3]。锅炉燃烧状况除受到有关控制参数影响外，还受到机组负荷、煤质、环境温度和湿度等随机因素影响，是一个复杂的系统，难以用机理的数学模型来实现适应于多种工况的自动控制。 随着模型预测控制技术[4]、神经网络技术[5]、支撑向量机[6]、贝叶斯网络[7]等技术的逐步发展和在工业上的成功应用，可以在DCS的基础上，充分利用锅炉的运行资料，通过采用人工智能技术和先进控制算法，建立优化控制模型，实现锅炉燃烧的在线优化与自动控制，提高锅炉运行效率，降低NOx排放。 本文利用基于支撑向量机模型的多变量预测性控制技术和一种新的快速收敛算法，针对安徽淮南平圩发电公司2号600?MW机组，以120组专门设计的参数调整试验资料和部分历史站资料为样本，建立了以锅炉效率和NOx排放量为优化控制目标的模型，形成DCS基础之上的二级控制系统，并与DCS系统充分耦合，实现滚动优化和实时闭环控制，连续寻找锅炉燃烧的最优点，并据此同时调整多个相关参数，实现参数合理匹配，以达到锅炉运行最优的经济指标。 1　改进的回归支撑向量机模型预测控制算法 针对火力发电过程中燃烧这类复杂非线性的多输入多输出过程，出现了基于人工神经网络模型和模拟进化算法的优化控制技术[8-10]。这类算法存在两个问题：一是多层前馈网络训练收敛慢，训练算法不稳定，很难通过在线训练来纠正模型偏差，这些都会严重影响控制性能；二是没有高效率的优化算法。使用遗传算法等进化算法来解决这个非线性优化问题需要大量计算，几乎不可能对规模稍大的问题进行实时在线控制。 支撑向量机用于模型回归具有泛化能力好，训练速度快的特性，所以很适合作为预测控制算法的内部模型[11-13]。根据该特点，本文使用基于支撑向量机模型作为非线性预测控制的内部模型。模型预测控制的过程变量包括操作变量(MV)，扰动变量(DV)，受控变量(CV)。 假定对燃烧过程使用SVM模型建模为 　 (1) 式中：u为控制系统中的操作变量；y为控制系统中的受控变量；d为控制系统中的扰动变量；fi为每个控制变量的支撑向量机模型。 燃烧优化的经济目标函数为。 基于SVM模型的预测控制算法被归结为非线性优化问题： (2) 式中：yr为稳态优化器给出的优化工作点；qi为各个输出受控量的加权系数；ri为各个输入操作量的加权系数。 控制算法通过极小化经济目标函数(来获取yr，通过极小化非线性函数J来求解每步控制量u。这类非线性优化计算可以使用遗传算法等进化算法进行优化。但是遗传算法计算速度太慢。为了能够有效进行实时控制，本文提出一个混合型的优化算法。该优化算法以微粒群进化算法进行大范围的全局搜索，在局部使用拟牛顿算法进行局部搜索方向的计算。 粒子群算法是一种随机搜索的、并行的优化算法[14-15]。它的优点是收敛速度较快，算法容易并行化[16]。但是PSO算法往往不容易得到非常精确的结果。因此，PSO算法一般适用于高维的、存在多个局部极值点而并不需要得到很高精度解的优化问题[17]。 微粒群算法的形式化表述如下：在连续空间坐标系中，设微粒群体规模为M，其中每个微粒在D维空间中的坐标位置向量表示为，速度向量表示为，微粒个体最优位置记为，群体最优位置记为。不失一般性，以