粒子群算法在电站锅炉燃烧优化中的应用.docVIP

粒子群算法在电站锅炉燃烧优化中的应用 　　(安徽建筑工业学院 电子与信息工程学院,安徽 合肥 230601) 　　摘要:针对锅炉燃烧系统具有多输入输出、非线性、强耦合、不确定时滞的特点,采用粒子群优化(PSO)算法寻找锅炉模型的最优输入变量组合,实现锅炉燃烧过程的优化。其应用使锅炉燃烧节省了成本,提高了经济运行效益。仿真结果表明,该算法是一种高效率的寻优方法。 　　关键词:优化算法;粒子群;随机;锅炉 　　中图分类号:TP301文献标识码:A文章编号:1009-3044(2009)28-8064-02 　　Application of Particle Swarm Optimization in Combustion Process of the Boiler in Power Plants 　　WANG Li-rong 　　(School of Electronics and Information Engineering, Anhui Institute of Architecture and Industry, Hefei 230022, China) 　　Abstract: For boiler combustion system with the characteristics of multi variable, nonlinear, strong coupling and uncertain time-delay, the particle swarm optimization algorithm is used for boiler model of optimal combination of input variables and realizes the optimization of boiler combustion process. Its application saves the cost of boiler combustion and improves the economic operation efficiency. The simulation results show the high efficiency of proposed optimal method. 　　Key words: optimization algorithm;particle swarm;random;boiler 　　“最优化”是工程应用领域经常提到的一个词,其目的是使目标达到最大值或最小值。最优化问题常可表示为实函数的全局寻优,即: 　　 f(x?~)≤f(x), x∈Rn s.t.g(x)(1) 　　其中x为n维定义空间Rn中的向量,或视为该空间的点,x*为搜寻空间的全局最优点,f(x)是目标函数,g(x)为约束条件集合[1]。 　　粒子群优化算法(particle swarm optimization)是由Kennedy和Eberhart在研究鸟类和鱼类的群体行为基础上于1995年提出的一种群智能算法[2],其思想来源于人工生命和演化计算理论,模仿鸟群吃行觅食行为,通过鸟集体协作使群体达到最优。PSO的原理和机制简单,仅仅通过更新速度和位置来不断进化到全局最优解,无需梯度信息,可调参数少,算法容易实现且运行效率高。 　　本文以锅炉燃烧为实例,通过采用粒子群算法寻找出最优的操作参数,实现锅炉燃烧优化。 　　1 粒子群算法原理 　　粒子群算法(PSO)初始化为一组随机粒子(随机解),然后通过迭代寻找最优解。粒子追随两个当前最优值来更新自己,一个是粒子迄今为止寻找到的最优值,叫做个体极值pbest;另外一个是整个粒子群迄今为止寻找到的最优值,叫做全局极值gbest,粒子更新自己的公式如下: 　　 Vi=w×Vi-1+c1×r1×(pi-xi)+c2×r2×(pg-xi) (2) 　　 Xi=xi-1+Vi (3) 　　其中:Vi为当前代的粒子移动速度;Vi-1为前一代的粒子移动速度;r1、r2为随机数,范围 之间;c1、c2为学习因子,一般取c1=c2=2;w为上一代的速度对当前代速度影响的权重,w的确定: 　　 W=wmax-(wmax-wmin) ×iter/itermax(4) 　　其中wmax、wmin分别为开始时和结束时的权重,一般取wmax=0.9,wmin=0.4;itermax为最大迭代次数,iter当前迭代次数。 　　在运动过程中,将对每个位置的适应度不断进行再评价。如果某个粒子的适应度优于gbestt,则该粒子所处位置成为群最优粒子位置gbestt,这样gbest将不断更新为群最优位置;而且在粒子群的运动过程中,每个粒子的自身适应度也可能出现更