智能燃烧优化系统的研究与应用分析

智能燃烧优化系统的研究与应用分析

火力发电厂的锅炉影响因素情况复杂，难实现普遍的优化控制。本文则对智能燃烧优化系统进行介绍，并对此系统的锅炉燃烧控制参数和对象进行优化应用，实现了智能燃烧优化系统在各运行条件下，锅炉的经济性运行，提高火力发电厂自动化水平。

标签：智能燃烧优化系统；锅炉；闭环控制；应用分析

我国目前大多数的锅炉燃烧优化系统都是利用“黑盒”的神经网络模型作为其核心的模型，监测数据作样本源，结合寻优与修正的技术，对模型进行修正，以实现锅炉效率的提高[1]。而由于我国原煤普遍存在煤质的变化大、并且配煤出现掺烧，磨煤机的运行方式各不相同等，往往无法实际操作过程难满足不同工况的模型修正要求[2]。本文提及的智能燃烧优化系统，是在充分对锅炉燃烧利用调整的原理和结合实际工作经验，建立起的神经网络模型，在线的燃烧优化控制的范围包括氧量的给定、各二次风门的打开度、燃烬风门的打开度等，实现对炉侧全闭环的控制[3]。并且在出现特殊的情况时，切换人工手动干预，系统仍可对其他剩余的控制回路优化。

1 智能燃烧优化系统原理

智能的燃烧优化系统的核心是由神经网络的模块结合粒子群算法优化模块所组成的。一方面，由于智能的燃烧优化系统受限通信速率，因此其需尽可能地对通信点数进行降低，以提高系统的运算以及控制指令的周期。而另一方面，由于锅炉制粉系统的配置为静态分离器，其已通过系统前期的燃烧调整试验，并且获得最佳分离器的挡板打开度，锅炉制粉系统的各粉管风速等数据已试验调平，在其运行过程原则上不予进行调整，因此锅炉制粉系统的相关控制不参与到智能优化中。

就地的测量信号通过直接或者间接的方式，实现实时的有效性的验证以及数据优选，并送入到智能的燃烧优化系统中。优选数据作为神经网络模板训练模本，以给予人工神经网络进行训练学习，其他的参数作神经网络的输入信号，供神经网络模型进行锅炉燃烧效率及排放预测。目标系统行多负荷、多磨煤机拼组、各煤种的配煤掺烧燃烧调整的试验，原有的锅炉系统仅可二次风门打开度进行就地调整、旋流分离器的调试及优化等。基于燃烧调整的试验结果，结合经验作为基础，再结合锅炉的设备及原煤燃烧特性，进行专属的神经网络初模建设，建设结果应用于锅炉燃烧性能的模拟。

另外，粒子群算法优化模块则生成、输出燃烧系统的控制指令，该优化模块为多目标的优化方式，通过一定数量粒子，生成若干各控制指令向量，并且利用粒子群算法，调用神经网络的模型对粒子进行计算，从而寻找最合理控制指令，并生成输出，送入智能燃烧优化系统进行锅炉的燃烧控制。

2粒子群算法的运用

锅炉的燃烧优化控制指令的生成，是基于粒子群算法优化控制指令，采用经训练的人工神经网络，应用于寻优空间内进行智能搜索，并对对应的最优经济控制指令进行组合。粒子群算法是一种生物智能的搜索算法，算法源于对鸟群、鱼群等的集體性种群进行模仿，在未知的区域进行探索及觅食。种群中的单个体成为一个单独粒子，其所在位置描述为n 维向量，包含1个目标问题的n个候选解，单粒子不断依照自搜索经历结合种群其他粒子搜索经历对位置进行更新，并不断靠近最终优化目标。粒子移动过程曾经到达的最佳位置，称为单个体的最优位置。整个种群会对单个体搜素到的最优位置进行记录。另外，每个粒子根据其当前的运动惯性、结合其个体的最优位置与整体的最优位置，对下个时刻搜索方向及其行进速度进行修改。锅炉的燃烧优化控制指令即是通过n个经训练的人工神经网络的最优位置搜索生成。基于粒子群优化算法，粒子群中的每个粒子空间坐标即代表单组的控制指令组合，经训练的燃烧神经网络会转为单粒子适应度的输出，粒子群优化算法即可以根据单粒子适应度的分布情况，智能搜寻最优空间坐标，也即最优控制指令的向量，并且实现优化控制的参数组合输出。

对于粒子群优化算法来说，合理给定寻优解的空间，是提高寻优的效率及成功率的关键。燃烧的优化控制系统，可在前期燃烧的调整试验中，获得静态优化曲线，两侧选取最合理的优化浮动空间，以供智能算法寻优。一方面，通过采用试验，获取优化曲线，保证寻优的结果不会往不安全或者相对不稳定区域进行偏离；另一方面，实际的最优控制目标向量也不会与试验取得的优化结果产生太大偏离。因此，燃烧的优化控制系统的寻优空间设置，可使其寻优的粒子接近于最优目标，使得寻优效率大幅提升。由于系统的燃烧特性精确评估通常需实验测点足够精确且需对过程投入煤质的元素进行分析，因此对锅炉的燃烧优化试验结果作为样本源，是智能的人工神经网络形成的初始依据。运行过程中，燃烧的优化控制系统不断根据预设样本采集的系统模块，采集能符合条件的实测数据向量，并作为其学习样本存储，当样本更新到一定程度，自学习模块即可自动开启，对用于控制神经网络进行更新。

3 结论

智能的燃烧优化系统通过采用智能人工神经网络结合多目标粒子群优化算法，并且基于燃烧的优化试验以及实时的测量数据结合，对神经网络进行建模，利用试验结果所确定的优化基准，采取粒子群优化算法，在其给定优化范围实现优化控制，从而实现锅炉燃烧效率的提升与降低排放。实现锅炉的经济性运行，提高火力发电厂自动化水平。

参考文献：

[1]陈彦桥，刘建民，曾德良，等.火电机组燃烧优化的研究现状及展望[J].华东电力，2010，38（10）：1599-1603.

[2]孙杰.智能控制在锅炉燃烧优化中的应用[J].建筑工程技术与设计，2017

（20）：3867-3867.

[3]高岩，位耀光，李华德，等.智能优化算法的研究及其在锅炉燃烧中的应用[J].微计算机信息，2007，23（4）：298-299