基于mfoa的锅炉热效率及nox排放建模与优化-宋清昆.pdf

《基于mfoa的锅炉热效率及nox排放建模与优化-宋清昆.pdf》由会员分享，可在线阅读，更多相关《基于mfoa的锅炉热效率及nox排放建模与优化-宋清昆.pdf（6页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、第35卷第1期 计算机仿真 2018年1月文章编号：10069348(2018)01009805基于MFOA的锅炉热效率及NOx排放建模与优化宋清昆。侯玉杰(哈尔滨理工大学自动化学院，黑龙江哈尔滨150080)摘要：为达到提高锅炉热效率同时减少NO。排放的目标，提出一种改进果蝇算法(MFOA)优化支持向量机(SVM)锅炉建模方法。针对果蝇(FOA)算法寻优精度低、收敛速度慢的问题，使用三维搜索及自适应变步长的策略改进果蝇算法，并完成对SVM中的惩罚因子c、核参数g和不敏感损失系数8，这三个参数寻优，使支持向量机对锅炉燃烧预测更加准确。根据不同时间段的样本数据来检验MFOASVM模型的预测能力，

2、仿真结果表明，改进的果蝇算法具有较强的参数寻优能力。另外以所建燃烧模型为基础，使用MFOA算法对锅炉进行单目标优和多目标优化，优化结果表明，所提出的燃烧优化方案可以有效提高锅炉效率和降低NO。排放量。关键词：热效率：改进果蝇算法；燃烧优化中圈分类号：TP273 文献标识码：BModeling Optimization for Boiler based on Modified Fruit fly AlgorithmSONG Qing-kun，HOU Yu-jie(College of Automation，Harbin University of Science and Technology，H

3、arbinHeilongjiang 150080，China)ABSTRACT：The research aims to achieve the goals of improving boiler efficiency and reducing NOx emissionsOnthe basis of modified fruit fly optimization algorithm which is used to search the parameter of support vector machine(SVM)，we established all emissions modelTo s

4、olve the problem that the FOA has lower prediction accuracy andthe slower convergence speed，we took the advantage of threedimensional optimization and adaptive variable step sizeto modify the fruit fly optimization in this paperWe used the method of three dimensional search and adaptive variable ste

5、p size to improve the algorithm，and the completion of the three parametel-s，the penalty factor in SVM C，thenuclear parameter g and the insensitive loss coefficientThe model Was established with the support vector machine(SVM)which made the boiler combustion model Was the bestDifferent sample data we

6、re used to validate MFOASVM modelThe results show that the modified fruit fly algorithm has strong ability of parameter optimizationIn ad-dition，the combustion model Was proposed as the foundationTo optimize boiler based on MFOA algorithm，we useda multiobjective optimization method which is based on

7、 single objective optimizationThe simulation results showthat the proposed combustion optimization scheme Can effectively improve the boiler efficiency and reduce NOx emissionsKEYWORDS：Thermal efficiency；Modified fruit fly optimization algorithm(MFOA)；Combustion optimizationl 引言锅炉运行过程极其复杂对于给定的电站锅炉，合

8、理配比运行参数成为控制锅炉效率和NO。排放的主要手段，然而各个参数之间存在着复杂的非线性关系，无形增加了锅炉燃烧建模难度，大量学者为解决这个问题进行了多方面的探索，如利用神经网络与遗传算法结合。建立锅炉燃烧模型。但是神经网络建模需要大量的样本数据，而且训练时间长，拟合能力差，不适合在线建模。目前取得较大成就的是利用基金项目：黑龙江省自然科学基金(F2016025)收稿日期：20161206修回日期：2017一叭一1898一支持向量机和遗传算法相结合(2。】，文献2中建立模型的预测能力相对较高，但对NO。排放预测相对误差达到513左右。为了获得更有效、更准确的燃烧模型，本文以果蝇算法和支持向量机

9、来综合建模。支持向量机(SVM)它的非线性处理能力，非常适合小样本的训练学习，高效的泛化能力保证了良好的拟合性及解的全局最优性4，其良好的特性在许多建模预测方面得到了应用，虽然已经实践用于锅炉的建模，但是都是利用群体智能算法对模型的惩罚因子c和核函数参数g进行寻优，而将不敏感损失系数e作为不变值，然后代入SVM模型【5。6】。另外原始的果蝇算法也存在寻优精度低、收敛速度慢等问题，综合以上因素，本文提出改进果蝇万方数据算法寻优支持向量机的三个参数的方法，建立锅炉热效率和N0。排放模型，并使用改进果蝇算法对燃烧过程进行优化。优化结果表明该方法对控制锅炉燃烧过程。提高热效率有较好的效果。2支持向量机

10、和改进的果蝇算法21支持向量机支持向量机是1995由Vapnik提出的一种新型机器学习理论7，在处理小样本、非线性和高维问题时展现出较好的优势。22改进果蝇算法由于FOA是在二维空间寻找全局最优解8。不可能精确寻找到三维空间中的最优解：另外经过多次实验发现果蝇飞行步长对收敛速度和寻优精度影响较大。因此，提出三维空间搜寻及自适应步长策略改进果蝇算法，利用改进的果蝇算法优化SVM回归模型的三个参数，最优参数C，g，即是味道浓度最大的果蝇位置，改进步骤如下：1)初始化FOA中的控制参数。设置种群规模m为30，迭代次数t为100，随机初始化果蝇位置(墨，y1，Z，)，区间设置为0，1。2)X、Y、Z均

11、为i行2列的矩阵变量，计算每一个果蝇飞行的距离公式fX(i，：)=Xl+k(置一五一。)Y(i，：)=Yt+k(ylLI) (1)、Z(i，：)=91+(Z。一zI1)式中：t为当前迭代的次数；k为步长膨胀系数，取k=17，因此果蝇飞行的距离既考虑前一代的果蝇位置，又考虑了迭代的进化。使飞行距离随着味道浓度的大小而进行自适应变化。计算果蝇种群与原点的距离D(i，：) D(i，：)：以币了F玎百可百研(2)计算味道浓度判定值s(i)，令变量S(i，1)，s(i，2)，S(i，3)表示参数C，g，占，为加快模型的计算速度，改变并各自判定值的系数。fs(i，：)=1D(i，lc：100S(i，1)1

12、9：s(i，2)：l20s(i，3(3)3)浓度判定函数，对样本数据进行5折交叉验证模型泛化能力，浓度判定函数如下：s胱fl(i)=)，。一八Xi)2 (4)一 2I 。 i=l式中：f为交叉验证中每个训练子集的粒子数以髫。)为实际值；Y预测值。4)对每只果蝇首次飞达位置计算浓度判定函数值，保留最大位置果蝇群体全部飞往该位置，进入迭代循环，一直寻找到最大浓度收敛的位置或者迭代次数达到最大(100)，则停止寻优并输出MFOASVM模型。3 锅炉燃烧的建模与分析31 模型结构与样本数据确立锅炉热效率和NO。排放的模型结构如图1。总发电功率(1)给煤量(5： 烟气含氯量(2)型捧烟温度(2炉膛温度(

13、2二次风挡板开度(5)总燃料量(I)总风量(1)省煤器温度(2) 飞灰含碳量空气预热器出口烟温(1)发电机组负荷(3) 炉渣含碳量煤质特性参数(9】图1 MFOASVM模型结构利用电站锅炉运行的控制参数及该电厂使用褐煤燃烧得到的9个元素分析数据，共34个参数得到NO。排放量模型。另外加入炉渣含碳量和飞灰含碳量共36个参数得到锅炉热效率模型。按照反平衡的方法求解热效率值如下叼=100一(q2+q3十q4+95+q6)() (5)式中：g：为排烟热损失，q，为可燃气体不完全燃烧热损失，q。为固体未完全燃烧热损失，q，为散热损失，q。为灰渣物理热损失。大庆某热电厂锅炉控制系统的每台机组配置了2台数据

14、服务器SCADA，该系统利用动态数据交换的方式把现场设备监控到的全部热态数据进行分析计算并生成眈ceZ文件旧。本文利用这种方式从生成的矾cef文件中随机抽取180组用来建模分析。部分数据见图2。由于核函数依赖输入参数向量的内积，为加快训练速度，通过归一化处理数据样本，如式(6) Xi=蔷茅2面而丁二忑可 7归一化后的属性氲。0，1，训练集和测试集使用相同的方式，然后可用下式重新换算回真实值并i=min(xf)+菇i(max(zi)一min(x) (7)一L、一i一1L。l一一一L=蕊n南啪脚啪m=_I晴蛸啊村IlU幅I树斟 带 n辩 nt硪 蝇 lt怕n n嗡 4搠 n目$ 执 ，t，瞄 n*

15、5 n2黼K盔瞄赫 m1t瑚t，嘲 n瑚* 掀 越I 5 5&m “咐l 4椭 0mq 巩 nt5t tI瞄 n搿 n蝴口 辩 SISt螂瞄 瑚 箍H懈3tI A珊 4蝴 4砷I 她飘M 媳 lar，m t，聃 nl嫩 nI峨 札 H15t t呐 n精 Ul瓣 毓 nt5t_t，咐I n舳 弧0u jH “St蜘 t啪 n舳ut?蛳 矾 nt* #”l n嘲*0l搿抛 一t一一上一 Jdtu堂嘎l“。!哪lISt瓤田呻祜-q4f m61 1】l 蕊l堪tS 琳n t1盟撤1钮i， n髑 ql鞭 弛l豫t5 m 地 值l巍A5 7q漕， nll“ Xtl勰t， m州 ，L蜘 m鼬A， 弧龇 螂

16、批黼t 5 7mm tmj 34ImA5 弭蛾 t嘲 机辩*5 以惴 垴 瓶峨置，nL日 7烈琳峨5 m嗍 王la Ilnt 5 lt梆I 吼 啦lH圈2数据样本32 实验分析实验采用改进的果蝇算法对SVM的参数C，g，占寻优，一99万方数据并代人模型对热效率和NO，排放进行预测。通过MFOA算法对C，g，占三个参数进行寻优，寻优目标为使训练集样本数据浓度判定函数Smell(i)达到最小。模型参数设置：果蝇种规模为30，迭代次数为100，步长设置为5，c的寻优范围为0，200，g的寻优范围为0，100，s的寻优范围为0，05。经MFOA寻优计算后得锅炉热效率模型中：C=523946g=0020

17、1，占=00017；NO。排放模型中：C=1244471，g：01425，s=00186。代入SVM中进行仿真，预测值和真实值的对比分别如图3、4所示，从图3和图4能够观察到改进的MFOASVM模型泛化能力很强，预测比较精确；训练集的数据都得到很好的学习，测试集的数据大多数样本点做到了较为准确的预测，个别样本点预测偏离较远，预测值与真实值基本接近。一真羹值1蝴lk琢翼-i。妒翌，：妻一2。a “：P !： l+i 。：； 。 。声铲 】 k _：#L。Pt 5+ +P 2 曾图3 MFOA算法锅炉率预测训练集测试集蠹 。二二一墅堕j ? fT怒l 女 j嘲击舞夕1城： ； ?t瓤挚y。罐1 粤

18、0 20 40 60 80 100 120 140 160 180输入样本点图4 MFOA算法NOJ排放预测4 锅炉热效率和NO。排放目标优化41 优化参数及约束条件锅炉实际运行中，很多参数不能人为调整，本文根据实际运行数据。选择可调参数，炉膛氧量，各一次风速、二次风速及给煤机转速作为待优化变量。另外对可调变量约束其在试验数据合理范围内波动，不可调参数，以常量作为输入。优化模型如图5所示。圈5 锅炉多目标优化42 锅炉热效率和，vD，排放目标优化在多目标优化过程中。为使两者的数量级处于同一水平，将o。的排放量和锅炉热效率厶分别归一化到(0，1)上。考虑到电站对优化目标的侧重点有所差异，分别对目

19、标函数中两项进行加权则目标函数为ma矿=口+b(1一k，) (8)其中以为锅炉热效率预测值厶。为锅炉o，预测值，口、b表示对效率和NO，排放的关注程度。利用前面建立的NO。排放量和锅炉热效率模型，分别对NO。排放量较低锅炉效率也较低且负荷在62035MW的时间段7、NO，排放量较高锅炉效率中等且负荷在83562肘形的时间段25、NO，排放量中等锅炉效率较高且负荷在79288MW的时间段63，对上述三种具有代表性的时间段对可调输入参数进行优化。MFOA算法参数设置：种群规模为50迭代次数为200。1)口=0，b=1，单纯优化NO，排放量选取试验时间段25进行燃烧优化，MFOA算法参数设为：种群5

20、0，迭代次数200。优化前后对比如表1、2，时间段25优化过程如图6所示，NO。排放量最终收敛于23254mgm3。表1单独优化NOx排放各参数比较一100一渤姗伽枷瑚善i瑚瑚m啪如一刍，。旦、辑枯。oz万方数据时间段25时间段63优化前 38I 56 405 301 491 1276 1396 398 504 453 321 604 79优化后407 71 435 349 514 1357 1452 357 481 431 304 531 62优化前 394 78 417 294 471 1404 1347 401 486 457 324 614 81优化后425 89 451 368 50

21、2 1458 1416 376 415 426 312 564 57表2单独优化NOx排放目标值比较2)a=1，b=O，单独优化热效率选取试验时间段63进行燃烧优化IVIFOA算法参数设为：种群50，迭代次数200。优化前后对比如表3、4，时间段7优化过程如图7所示，热效率逐渐增大最终收敛于9249。衰3单独优化热效辜各参数比较优化工况 优化变量给煤机转速 一次风量 二次风量A B C D E l 2 1 2 3 4 5日目时间段7时间段25时间段63优化前 396 61 416 289 450 1348 1415 416 515 469 330 632 86优化后430 94 425 298

22、 455 1462 1612 421 522 469 391 643 132优化前 381 56 405 301 491 1276 1396 398 504 453 321 604 79优化后425 87 418 328 502 1368 1504 421 521 471 381 651 121优化前 394 78 417 294 471 1404 1347 401 486 457 324 614 81优化后441 98 431 306 498 1492 1586 453 502 463 377 663 122表4单独优化热效率目标值比较3)多目标优化选取试验时间段63进行燃烧优化，I!I!I

23、FOA算法参数设为：种群50，迭代次数200。为验证权值比对NO。排放量和锅炉燃烧热效率的影响效果，分3次调整了权值a和b的比例：a：b=1：9，1：l，9：l，优化过程如图8，9，10，优化结果变化如表5所示。圈6单独优化NOx特性过程裹5多目标优化结果随权值比调整变化圈101-万方数据图7单独优化效率特性过程图8 a：b=1：9优化过程图9 fl：b=1：1优化过程43优化结果分析1)单独优化NO，排放：由表1和表2中三种具有代表性的工况的优化前后对比结果可以看出。对试验工况单独进行NO。排放浓度的燃烧优化后，NO，排放量都明显下降，但是效率也随之降低。优化后的各参量与优化前相比：给煤机转

24、速、一次风、氧量明显降低，而二次风量变化幅度不大。2)单独优化热效率：由表3和表4可知，高效率优化后。各时间段的锅炉热效率都得到了一定程度上的提升，而NO，排放并不全比优化前高。优化后的各参量与优化前相比：给煤量、二次风量、一次风量、增加幅度较大。而氧量增加幅度一】02一图10 a：b=9：1优化过程较大。这些参数的变化意味着通过调整风煤比以及燃料和空气的混合程度可以改善炉内的燃烧状况，实现炉内的高效燃烧。3)多目标优化：通过表5可以出，经过优化后，NO。排放量都有明显下降，燃烧热效率都有明显提高。但是随着a与b的比例关系，优化目标的侧重点有所改变，优化后NO，排放量和锅炉燃烧热效率都随之变化

25、。这充分证明了，调整a与b的比例可以达到满足电站实际运行要求的目的这种方法是非常有效的。5结论1)本文将大庆某热电厂的锅炉作为测试对象详细说明了改进果蝇算法与支持向量机原理，并详细阐述了改进果蝇算法的步骤：2)采用改进的果蝇算法寻优支持向量机的三个参数C，g，8，建立热效率和N0。排放模型，仿真显示，所建模型就有较强的拟合效果，泛化能力很强，为锅炉燃烧优化奠定了基础：3)锅炉效率和NO。排放在优化过程中一般是相互矛盾的，提高热效率的同时，N0。排放会增大，而降低排放的同时，牺牲效率，不同电厂可以根据实际要求情况，采用最佳的运行参数，从而使二者达到最佳的结合点。参考文献：1 吕玉坤，等燃煤锅炉效

26、率与NOx排放混合建模研究J电力科学与工程，20125：37412 王春林，等基于遗传算法和支持向量机的低NOx燃烧优化J中国电机工程学报，2007一ll：40一443 王广龙，吕猛，赵文杰基于遗传算法的电站锅炉NOx排放量LSSVM建模J自动化与仪器仪表，20162：7072(4 章云锋，景成，史元浩基于偏最d,-乘支持向量机的燃煤电站锅炉效率模型J化工自动化及仪表，2012一ll：143214365 陆宁，武本令，刘颖基于自适应粒子群优化的SVM模型在负荷预测中的应用J电力系统保护与控制。201l，15：4346。51 (下转第120页)万方数据图3 系统从100负荷稳定工况下降为75负荷

27、时不同方法的控制响应性图4 系统从鼬负荷稳定工况上升至75负荷不同方法进行火电厂大型机组锅炉膛主汽温度控制的响应性从上图的实验结果可以得出，利用所提方法进行火电厂大型机组锅炉膛温度控制具有较高的控制响应性，可以有效地满足火电厂大型机组锅炉膛温度控制系统对其控制精度的要求。仿真证明，所提方法控制量变化平稳，具有较高的工程实用价值。5结束语文章对火电厂大型机组锅炉膛温度在传统控制方法下无法有效控制的原因进行了阐述，并进行了仿真对比分析，结果表明。采用基于模糊自适应控制方法可以有效控制火电厂大型机组锅炉膛温度，调节时间快，在时间上满足了实时性的要求，从而使火电厂大型机组锅炉膛温度得到更好的控制。参考

28、文献：1 田芳。等电力系统仿真分析技术的发展趋势J中国电机工程学报，2014，34(13)：2151-21632李亚楼。等直流电网模型和仿真的发展与挑战J电力系统自动化，2014，38(4)：127-1353 刘一欣，等基于实时数字仿真的微电网数模混合仿真实验平台J电工技术学报，2014，29(2)：82924董得义，等胶层固化对反射镜面形影响的仿真与试验J光学精密工程，2014。22(10)：2698270r75黄彦浩，等电力大数据技术与电力系统仿真计算结合问题研究J中国电机工程学报，2015，35(1)：13226喻锋，等模块化多电平换流器快速电磁暂态仿真模型J电网技术，2015，39(1

29、)：2572637 刘涛，等适用于电力系统中长期动态仿真的风电机组有功控制模型J电网技术，2014，38(5)：121012158蒲天骄。等基于多代理系统的主动配电网自治协同控制及其仿真J中国电机工程学报，2015，35(8)：18641849蔡金萍，李莉基于改进PID算法的小区域温度控制模型仿真J计算机仿真，2015。32(6)：23724010陶西孟。罗亮，刘知贵基于分段PID的注塑机料筒温度控制算法研究与仿真J塑料，2015，44(3)：6870作者简介任云丽(1974一)，女(汉族)，山西文水人，讲师，硕士，研究方向：电站自动化控制：白建云(1962一)，女(汉族)，山西太谷人，教授，

30、硕士生导师，研究方向：大型发电机组智能控制与优化：印 江(1967一)，男(汉族)，重庆万州人，副教授，研究方向：电站自动化控制。(上接第102页)6789鞠鲁峰，等永磁球形电机的支持向量机模型的参数寻优J电工技术学报，20142901：8590Vladimir Vapnik，Cofinna CortesSupportVector NetworksJMachine Learning，1995，203PAN WenchaoA new Fruit ny Optimization Algorithm：TakingtIe Financial Distress Modelall ExampleJKnowlBasedsy吼，2012，26(7)：6974邵或大数据云存储中的并行优化处理方法仿真J计算机仿真20164：395398一120一制。作者简介宋清昆(1964一)，男(汉族)，黑龙江省密山市人。教授，硕士研究生导师，主要研究领域为模糊控制、神经网络、工业自动化控制等方面的教学与科研工作：侯玉杰(1990一)，男(汉族)，黑龙江省齐齐哈尔市人，硕士研究生，主要研究领域为复杂工业过程控p、越赠避州p、趟赠埘州“万方数据