锅炉系统的最优化问题.docx

锅炉系统的最优化问题.docx

《锅炉系统的最优化问题.docx》由会员分享，可在线阅读，更多相关《锅炉系统的最优化问题.docx（15页珍藏版）》请在冰豆网上搜索。

锅炉系统的最优化问题

研究生课程（论文类）试卷

2014/2015学年第一学期

课程名称：

最优化方法

课程代码：

论文题目：

锅炉系统的最优化问题研究

学生姓名：

葛铭

专业﹑学号：

热能工程142360050

学院：

能源与动力学院

课程（论文）成绩：

课程（论文）评分依据（必填）：

任课教师签字：

日期：

年月日

课程（论文）题目：

锅炉系统的最优化问题研究

内容：

锅炉燃烧的最优化技术研究

AResearchonBoilerCombustion

OptimizationTechnology

葛铭

（上海理工大学能源与动力学院，上海200093）

[摘要]锅炉燃烧是一个复杂的物理化学变化过程，目前的技术还无法完全剖析整个燃烧机理。

神经网络作为常用的模型预测技术，通过大量的历史数据的训练，调整模型结构，使模型具备模拟锅炉燃烧过程的功能。

在此基础上，通过多目标最优化技术，调整锅炉操作变量，使锅炉运行在最优区间。

本文将对锅炉燃烧最优化系统的两项关键技术—模型预测技术和最优搜索技术进行研究。

关键词：

锅炉燃烧优化模型预测最优搜索遗传算法

[ABSTRACT]Boilercombustionisacomplexphysicalandchemicalprocess.Thecurrenttechnologycan’tfullyanalyzetheentirecombustionmechanism.Neuralnetworkasacommonmodelpredictionstechnology,bytrainingalargenumberofhistoricaldata,adjustingmodelstructural,enablethemodelthefunctionsimulationofboilercombustionprocess.Basedonthis,amulti-objectiveoptimizationtechniqueisadjustedtotheboileroperatingvariablesinordertomakesuretheboilerworkingduringthebestinterval.Thispaperwilldoresearchontwokeytechnologiesofboilercombustionoptimizationsystem—themodelpredictiontechnologyandtheoptimalsearchtechnology.

KeyWords:

BoilerCombustionOptimizationModelPredictionBest-FirstSearchGeneticAlgorithm

1、模型预测

1.1概述

锅炉燃烧优化系统以提高锅炉运行经济性、降低污染物排放为目的,寻求基于多目标的锅炉运行综合优化。

燃烧优化所关注的关键指标包括飞灰含碳量,排烟温度,过氧量,N0x排放量等。

根据相关规定的要求及标准，火电厂污染物的排放需要征收一定的费用,因此最终的优化目标归结到经济性。

要优化这些指标,主要的调节手段包括一次风风压、风量，二次风风压、风量,给煤量,燃烧器摆角等。

1.2现场情况说明

如果要为锅炉燃烧过程建立数学模型,首先需要确定一个具体的优化对象。

本文以浙江省萧山发电厂#1锅炉为例。

该炉为420T爪超高压自然循环汽包炉、单炉膛、一次中间再热“兀”型布置,燃烧器四角布置,采用切圆燃烧、平衡通风、固态排渣、回转式空气预热器,过热蒸汽温度调节采用两级给水喷水调温,再热蒸汽温度调节采用烟气挡板调温,喷水作为细调；配用2台DTM320/580钢球磨,采用中间储仓式热风送粉系统,燃烧器为直流式四角切向布置,从上到下布置喷口依次为三、二、_二、一、二、一、一、二,其中一、三次风喷口装设了锯齿钝体,其外缘布置了周界风。

为分析方便,将锅炉燃烧系统（见图1）分为风系统、燃料系统、烟气系统及蒸汽系统。

该台锅炉配有两台送风机、两台引风机提供送引风动力,送风机出来的风经空预器加热后形成的热风一部分用来输送煤粉形成一次风、一部分直接通过锅炉燃烧器喷嘴形成二次风、一部分通过制粉系统后进入炉膛三次风喷口形成三次风；正常运行中进入炉膛的燃料主要通过控制12台给粉机转速调节燃料量；空气及燃料在炉膛燃烧后形成的烟气经受热面后由引风机抽出经烟囱排入大气。

图1锅炉燃烧系统图

1.3锅炉燃烧过程模型预测

由于该机组建成时间较早,目前还未安装烟气排放连续测量装置,对于NOx排放无法有效测量,所以,只能以提高锅炉热耗为优化目标。

根据锅炉的反平衡计算公式,锅炉热效率η可由以下公式求得:

η=100-（q2+q3+q4+q5+q6）（%）（1-1）

式中,q2为排烟热损失,q3为可燃气体不完全燃烧热损失,q4为固体不完全燃烧损失,q5为锅炉散热损失,q6为其他热损失"

虽然公式1-1给出了锅炉热效率η的计算方法,但是,要准确计算η的值,也具有一定的困难。

在这种情况下,建立一个神经网络模型不失为一种可行的替代法。

根据该机组的实际情况,选取送风机勺管平均开度FD_Damp_Aver、二次风总风门平均开度SA_GD_Aver、上排二次风小风门平均开度SA_Up_Aver、中上排二次风小风门平均开度SA_Midup_Aver、中下排二次风小风门平均开度SA_MidDown_Aver、下排二次风小风门平均开度SA_Down_Aver、上排给粉机平均转速RF_Up_Aver、中排给粉机平均转速RF_Mid_Aver、下排给粉机平均转速RF_Down_Aver这9个可控参数和锅炉蒸发量MS_Flow、收到基灰分Coal_A、低位发热量Coal_Heat、环境温度Tam四个不可控参数,作为神经网络输入参数,以η为输出参数,建立一个13个输入参数和1个输出参数的BP神经网络模型。

η=f（X,U）（1-2）

式中,X,U为神经网络输入参数集,其中X为可控参数集,U为不可控参数集。

表1-1是该机组的现场历史数据集,这20个工况点分布于60～135MW。

用其中的第1-15个工况点数据进行神经网络训练。

BP神经网络模型采用3层网络结构,13个输入节点,15个中间节点,1个输出节点。

利用反向传播算法对神经网络进行训练,当误差的均方差小于0.00001时停止训练。

为了验证模型的正确性,用第11～20个工况点进行验证,验证结果如表1.从验证结果看,第11一15个工况点由于参加了训练,其计算结果比较好,相对误差较小,而第16～20工况点的结果稍差,误差普遍在1%左右。

由于在训练的时候,选取的工况点数量较少（只有15个）,所以验证数据的计算结果误差较大。

目前,我国大部分火电厂普遍采用先进的DCS控制系统,和实时数据库,可以保留很长时间的历史数据。

在这种条件下,可以选取大量的训练数据,使神经网络结构更趋优化,计算结果的误差可以进一步减少。

表1现场历史数据集

1.4小结

利用BP神经网络建立的锅炉燃烧优化预测模型,可以准确的预测锅炉热效率,从而建立了锅炉效率与送风机勺管平均开度FD_Damp_Aver、二次风总风门平均开度SA_GD_Aver、上排二次风小风门平均开度SA_Up_Aver、中上排二次风小风门平均开度SA_MidUp_Aver、中下排二次风小风门平均开度SA_MidDown_Aver、下排二次风小风门平均开度SA_Down_Aver、上排给粉机平均转速RF_Up_Aver、中排给粉机平均转RF_Mid_Aver、下排给粉机平均转速RF_Down_Aver、锅炉蒸发量MS_Flow、收到基灰分Coal_A、低位发热量Coal_Heat、环境温度Tam这12个参数之间的函数对应关系。

2、锅炉燃烧优化模型最优搜索技术

上文已经以锅炉热效率为目标,建立了锅炉燃烧优化模型。

接着将在此基础上,寻求一个合适的最优搜索技术,以实现锅炉热效率最优化目标。

2.1最优搜索技术综述

在工程技术、经济、科学和社会等许多领域,存在着大量的以各种形式出现的整体优化问题，物理上表示为费用、时间、风险的整体极小化,以及质量、利润和效率的整体极大化等。

因此,针对这些具体问题研究的需要,发展了一般性的优化求解策略。

图2搜索算法分类

整体优化问题的搜索求解技术主要包括基于微分的搜索技术、随机搜索技术、启发式随机搜索技术和枚举技术。

图3-1对有关具体优化搜索算法进行了大致分类。

目前,对于求解整体优化问题己经进行了大量理论研究,并提出了许多基于导数（gradierlt）的解析方法（caculus-based）和其他非解析的数值优化技术。

但是,在实际领域中存在着各种高度复杂的优化问题,其目标函数可能表现为非连续或非处处可微、非凸、多峰和带噪声等各种形式,这类复杂优化问题不适合用解析方法,同时用传统上的搜索技术求解也会遇到许多困难。

因此,多年来人们一直在努力寻找能够处理这类问题的新的、更稳健的优化技术。

传统的基于微分的方法,包括直接法（如爬山法）和间接法（如求导数方法）,对问题性质有较高的要求,或者是针对特定问题形式而设计的,一般统称为强方法（strongmethods）。

枚举方法是一种解空间的遍历搜索方法,包括动态规划法,隐枚举法,完成枚举法等,其特点是可以发现问题的全局最优解,但是计算效率太低（存在维数灾难）,不适用于大型优化问题求解。

随机搜索方法在问题空间中随机选择一定数量的点,然后从中选优,带有一定盲目性,对于复杂问题不能保证解的质量,而且其计算效率与枚举方法基本等价。

启发式随机搜索方法（randomheuristicsearch,RHS）是目前关于复杂优化问题求解的一类有效方法,不需要或者只需要很少的关于问题的先验信息。

其次,该类算法具有很强的鲁棒性,即能适应不同领域的优化问题求解,并在大多数情况下都能得到比较满意的解。

RHs一般统称为弱方法（weakmethods）。

遗传算法（GeneticAlgorithm,GA）就是一种典型的弱方法,与模拟退火、爬山算法等相比,具有独特的算法形式和运行机理,在复杂优化问题求解中有着比较显著的优势。

2.2遗传算法简介

遗传算法应用于优化问题求解,也是一个启发式随机搜索过程。

在该搜索过程中,GA不仅需要探索解空间上的全局最优解,而且应当充分利用已经获得的解空间信息,逼近当前局部最优解。

GA通过群体和遗传算子（选择、交叉、变异）可以实现扬弃性的探索,克服局部极值陷阱和模式欺骗,实现整个解空间范围内的搜索,提高全局寻优能力。

通过继承性的开发,维持群体的可进化性,同时克服早熟问题,实现领域搜索,提高逼近最优解的搜索能力。

遗传算法的内涵哲理乃是启迪于自然界生物从低级、简单到高级、复杂,乃至人类这样一个漫长而绝妙的进化过程,借鉴于达尔文的物竟天择、优胜劣汰、适者生存的自然选择和自然遗传的机理,其本质是一种求解问题的高效并行全局搜索方法。

它能在搜索过程中自动获取和积累有关搜索空间的知识,并自适应的控制搜索过程以求得最优解。

使用遗传算法求解科学研究和工程技术中各种组合搜索和优化计算问题的这一基本思想,早在70年代由美国Michigan大学的JohnH.Holland教授提出。

由于其主要特点是群体搜索策略和群体中个体之间的信息交换,搜索不依赖于梯度信息,所以它的应用范围非常广泛,尤其适用于处理传统搜索方法难以解决的复杂和非线性问题。

它在组合优化、机器学习、模式识别、自适应控制、规划设计、信息处理和人工生命等领域的应用中展示出优越性和魅力,从而也确定了它在21世纪的智能计算技术中的关键地位。

遗传算法是具有“生成十检测”（generate-and-test）的迭代过程的搜索算法。

标准遗传算法的基本处理流程图如图3所示。

由图3可见,遗传算法是一种群体型操作,该操作以群体中的所有个体为对象。

选择（selection）、交叉（crossover）和变异（mutation）是遗传算法的三个主要操作算子,它们构成了所谓的遗传操作（geneticoperation）,使遗传算法具有了其它传统方法所没有的特性。

遗传算法中包含了如下5个基本要素:

（1）参数编码；

（2）初始群体的设定；

（3）适应度函数的设计；

（4）遗传操作设计；

（5）控制参数设定（主要是指群体大小和使用遗传操作的概率等）。

这5个要素构成了遗传算法的核心内容。

图3遗传算法的基本流程

这里,我们以一个简单的函数极值求解为例,来概述遗传算法的基本概念和处理过程。

假定用遗传算法求ƒ（x）=x2函数的最大值,x∈[0,31]。

表3-1给出了用遗传算法求解此问题的计算过程和结果。

2.2.1编码

由于遗传算法不能直接处理解空间的解数据,因此我们必须通过编码将它们表示成遗传空间的基因型串结构数据。

表3-1中我们把变量X编码为5位长的二进制无符号整数表示。

比如X=13可表示为01101的形式。

2.2.2初始群体的生成

在表3-1中我们取群体大小为4,即群体由4个个体组成。

初始群体的每个个体都是通过随机方法产生的。

初始群体也称作为进化的初始代,即第一代（firstgeneration）。

2.2.3适应度（fitness）评估检测

这里,我们根据ƒ（x）=x2来评估群体中各个个体。

显然,为了利用ƒ（x）=x2这一适应度函数,要把基因型个体译码成表现型个体,即搜索空间的解,比如11000要译码为24。

2.2.4选择（seleetion）

选择和复制操作的目的是为了从当前群体中选出优良个体,使它们有机会作为父代为下一代繁殖子孙。

判断个体优良与否的标准就是各自的适应度值,即个体适应度越高,其被选择的机会就越多。

表3-1给出了相应的结果:

个体1和个体4各复制1份,个体2复制2份,个体3不复制而被淘汰。

这是我们所期待的结果,即最优秀的个体（个体2,适应度为576）获得最多的生存繁殖机会（2份复制）,最差的个体（个体3,适应度64）被淘汰。

2.2.5交叉操作（crossover）

简单的交叉（即一点交叉）可分两步进行:

首先对配对库中的个体进行随机配对;其次在配对个体中随机设定交叉处,配对个体彼此交换部分信息。

由表3-1可见,配对库中的个体2与个体1配对,交叉处为4,通过交叉得到两个新个体:

图4个体交叉配对图

比较新旧群体,不难发现新群体中个体适应度的平均值和最大值都有了明显提高,说明新群体中的个体（即解）的确是朝着我们期望的方向进化了。

2.2.6变异（mutation）

变异操作是按位进行的,即把某一位的内容进行变异。

对于二进制编码的个体来说,若某位原为0,则通过变异操作就变成了1,反之亦然。

变异操作也是随机进行的,一般而言,变异概率Pm都取得很小。

遗传算法导入变异的目的有两个:

一是使遗传算法具有局部的随机搜索能力,二是使遗传算法可维持群体多样性,防止出现未成熟收敛现象。

2.3遗传算法在锅炉燃烧优化中的应用

2.3.1锅炉燃烧优化模型

第二节为锅炉燃烧过程建立了一个预测模型,从而为燃烧效率η和其他9个可控变量、4个不可控变量之间建立函数对应关系η=ƒ（X,U）（2-2）。

式中,X为送风机勺管平均开度FD_Damp_Aver、二次风总风门平均开度SA_GD_Aver、上排二次风小风门平均开度SA_Up_Aver、中上排二次风小风门平均开度SA_MidUp_Aver、中下排二次风小风门平均开度SA_MidDown_Aver、下排二次风小风门平均开度SA_Down_Aver、上排给粉机平均转速RF_Up_Aver、中排给粉机平均转速RF_Mid_Aver、下排给粉机平均转速RF_Down_Aver,这9个可控参数的输入向量,U为锅炉蒸发量MS_Flow、收到基灰分Coal_A、低位发热量Coal_Heat、环境温度Tam这4个不可控参数的输入向量。

表2遗传算法求f（x）=x2极值的计算流程

燃烧优化的目标是寻找最大的η,对于可控参数,每个参数均有其上下限。

据此,锅炉燃烧优化模型描述如下:

（2-1）

2.3.2遗传算法的设计和应用

（1）遗传参数编码

在遗传算法中,编码方式决定了对问题的求解精度!

算法的困难程度和对所解问题的解释。

常用的编码方案有二进制编码、灰色编码、动态参数编码、多值编码、实值编码和区间编码等,这些编码各有优缺点,目前还缺乏一种理论来判断各种编码方法的好坏并指导对它们的设计。

由于遗传算法计算过程的鲁棒性,它对编码的要求并不苛刻。

然而,编码的策略或方法对于遗传算法,尤其是对交叉和变异算子的功能和设计有很大的影响,因此编码问题是遗传算法流程中第一个需要认真研究的问题。

二进制编码由于比较容易实现而被广泛采用,但其缺点是出现不连续问题即欧氏空间中邻近点的二进制编码在Hamming距离下并不邻近（即存在“海明悬崖”,Hammingcliffs）。

进入20世纪90年代以来,使用实数（浮点）编码GA的研究者迅速增加,同期出现了专门讨论实数编码的文章。

就GA界目前情况来看,研究者普遍倾向于在连续参数优化问题中使用实数编码。

实数编码是连续参数优化问题直接的自然描述,不存在编码和解码过程,提高了运算效率,并且消除了二进制编码中存在的“海明悬崖”,所以本文将采用实数编码的形式。

根据式2-1,可知算法有9个输入参数,在采用实数编码形式时,参数排列如下:

57.25,62.8,744.99,619.41,585.13,30.59,30.64,30.49,99.34

这一串数字表示:

送风机勺管平均开度FD_Damp_Aver=57.25；

二次风总风门平均开度SA_GD_Aver=62.8；

上排给粉机平均转速RF_Up_Aver=744.99；

中排给粉机平均转速RF_Mid_Aver=619.41；

下排给粉机平均转速RF_Down_Aver=585.13；

上排二次风小风门平均开度SA_Up_Aver=30.59；

中上排二次风小风门平均开度SA_MidUP_Aver=30.64；

中下排二次风小风门平均开度SA_MidDown_Aver=30.49；

下排二次风小风门平均开度SA_Down_Aver=99.34；

（2）初始群体的设定

遗传算法与传统随机搜索算法的最大区别之一,在于它的整个算法是在解的群体上进行的"正是这一特点使GA具有了搜索过程的并行性、全局性和鲁棒性,可见群体的设定对整个GA的运行性能有基础性的决定作用。

初始群体中的个体一般是随机产生的。

在不具有关于问题解空间的先验知识的情况下,很难判定最优解的数量及其在可行解空间中的分布状况。

因此我们往往希望在问题解空间均匀采样,随机生成一定数目的个体（一般为群体规模的2倍）,然后从中挑选较好的个体生成初始群体。

群体规模对遗传算法的性能影响很大,其规模越大,群体中个体的多样性越高,算法陷入局部解的危险就越小。

但是随着群体规模增大,计算量也显著增加。

若规模太小,使遗传算法的搜索空间受到限制,则可能产生未成熟收敛的现象。

一般情况下专家建议群体规模n=20～200。

（3）适应度函数的设计

本文研究的锅炉燃烧优化的目标是求取锅炉热效率η的最大值。

g（X）=f（X,U）（２－2）

式3－2中,g（X）即为本题所用遗传算法的适应度函数。

另外,本求解问题含有多个约束条件。

按理说,我们应该在进化过程中迭代一次就设法检测一下新个体是否违背约束。

如果没有违背,则作为有效个体,反之作为无效个体被除去。

但对于如本问题的强约束情况下,这种方法不适用,因为寻找一个有效个体的难度不亚于寻找最优个体。

惩罚函数法（penalty　method）是一种有效的处理约束的方法。

该方法的基本思想是设法对个体违背约束条件的情况给予惩罚,并将惩罚体现在适应度函数设计中。

这样,一个约束优化问题就转化为一个附带考虑代价（cost）或惩罚（penalty）的非约束优化问题。

本文所研究的锅炉燃烧优化问题如式3－1所示。

通过惩罚函数法,上述问题可转化为非约束问题:

最大化:

　　　　　　　　　　　　　（２－３）

其中,Φ为惩罚函数,r１罚因子。

理论上,当罚因子r的取值越大,表明对约束条件的满足程度越高,当r值接近无穷大时,非约束解可收敛到约束解。

在实际应用中,r值通常对各类约束分别取值,这样可使对约束违背的惩罚分量将是适当的。

惩罚函数法是处理约束优化的常用手段,但是在使用此方法时,罚因子的确定是一个难点,往往需要经过多次实验才能找到一个合适值。

本文在生成个体的时候,个体的每个基因都严格遵守各个基因参数的约束值,从而避免了违反约束的个体出现。

与罚函数法相比,不必再考虑如何确定罚因子值的难题。

（4）选择算子

选择是遗传算法中最主要的机制,也是影响遗传算法性能的最重要的因素。

简单遗传算法采用适应度比例方法（fitnessproportionalmodel）

设群体大小为n,其中个体i的适应度值为fi,则i被选择的概率Psi为:

（2-4）

显然,概率Psi反映了个体i的适应度在整个群体的个体适应度总和中所占的比例。

适应度越大,其被选择的概率就越高,反之亦然。

其算法描述如下:

这里,FSUM为群体中所有个体适应度和,Fi为第i个个体的适应度,random是在[0,1]区间内产生随机数的随机函数,wheel-pos相当于赌轮选择方式中赌轮环上的位置,Str-no是所选个体号。

理论上已经证明,不采用最优保留策略的简单遗传算法是不收敛的,而只有采用了这种策略后,遗传算法才是收敛的,所以在选择算子中需要增加最优保留策略,即把群体中适应度最高的个体不进行配对交叉而直接复制到下一代中,随机替代下一代中某个个体。

这种选择操作又称复制（copy）。

（5）交叉算子

交叉是遗传算法中模拟生物有性生殖的一种操作机制,其作用在于将原有的优良基因遗传给下一代个体,并生成包含更复杂基因结构的新个体。

交叉操作一般分为以下几个步骤:

1）从交配池中随机取出要交配的一对个体;

2）根据位串长度L,对要交配的一对个体,随机选取[1,L-1],中一个或多个整数k作为交叉位置;

3）根据交叉概率Pc（0

简单遗传算法一般采用单点交叉算子:

等概率的随机确定一个基因位置作为交叉点,再把一对母体两个个体从交叉点分成前后两个部分,交换两个个体的后

半部分得到两个新个体。

取第一个个体为交叉结果。

交叉范例一:

个体l:

57.25,62.8,744.99,1619.41,5s5.x3,30.59,30.64,30.49,99.34

个体2:

57.65,61.43,738.9,1614一5,585.27,30.59,30.64,30.49,99.35

新个体1:

57.25,62.8,74499,6一4.15,555.27,30.59,30.64,30.49,99.35

新个体2:

57.68,61.43,738.9,619.41,585.13,30,59,30.64,30.49,99.34

（6）变异算子

变异操作模拟自然界生物体进化中染色体上某位基因发生的突变现象,从而改变染色体的结构和物理性状。

对于采用二进制编码的遗传算法,变异算子按变异概率pm确定一个等位基因,由于每个等位基因的值只有{O,1}两种,所以,实施变异时,只要将O变成1,或者1变成O就可以了。

本配煤模型中,变异算子是按照变异概率pm,群体中的所有基因中随机挑选一个基因xi,假设xi∈