鍋爐燃燒系統穩態運行參數優化

2摘要建立了個鍋爐燃燒系統穩態參數優化模型。該模型利用神經網絡主要物理量之間的關系，在約束條件下反映鍋爐的運行條件，優化目標是追求能源消耗量最小。給出了優化模型的罰函數法求解算法，介紹了該模型的結果同底層自動控制系統進行連接的方式，并給出了個實際的應用例子。理論計算和實際使用明該模型有相當的精度，可以顯著提高系統的能源利用率。

　　氧含量控制回路設定值氧含量控制量引風擋板開度爐膛負壓控制回路設定值爐膛負壓控制量送風擋板開度主蒸汽壓力控制回路設定值主蒸汽壓力控制量給煤量燃燒系統底層控制回路鍋爐燃燒系統的運行狀態直是人們關心的有關能源利用和環境保護的問。由于鍋爐燃燒過程中各個物理量之間存在著強非線性關系，不易得到系統多的文獻對鍋爐燃燒系統的自動控制進行討論，討論的重點在兩個方面，其是追求運行的優化效果，許多自動控制的新理論都曾經在這個問上進行過嘗試3478；其是如何使得鍋爐自動控制系統能夠長時間穩定運由于鍋爐運行的絕大部分時間是處在穩定狀態，影響鍋爐燃燒系統節能效果的主要因素是它在穩定狀態的工作是否良好。如果鍋爐穩定在經濟燃燒的狀態，其經濟指標就能得到保證。因此鍋爐自動控制系統的任務就是要保證在各種擾動作用的情況下使系統調節在最優的狀態2.基于這個認識，本文將鍋爐燃燒控制系統設計為級控制系統，底層的控制系統回路保證各種主要指標穩定在設定值上，而設定值則由上級的優化系統進行計算設置。

　　鍋爐燃燒控制系統的底層控制回路的選擇有多種方式。通過分析，本文針對主蒸汽壓力氧含量爐膛負壓個主要參數實施自動控制，并著重解決控制系統設定值即鍋爐穩態運行參數的優化問。文中給出了鍋爐燃燒系統穩態接上頁通過采用擴散硅壓力傳感器，結合定的采樣裝置硬件及軟件處理，實現了密度的靜態測量，對糖溶液密度的實際測量證明此方法可行有效。它為密度測量提供了個新的方案。由于擴散硅壓力傳感器測量無可動部件，溫漂小，響應速度快，具有杠桿平衡式及矢量式等老式壓力傳感器無可比擬的優點。在此工作流動溶液動態特性，采用多傳感器的信息融合軟計算技術，實現擴散硅壓力式密度的動態測量是需進步研究的問。

　　運行參數的模型和模型求解算法，利用前饋神經網絡描述了鍋爐燃燒系統中的主要物理量之間的關系，這些關系作為優化模型的約束條件，使得模型能夠模擬鍋爐的運行，從而可以獲得較高精度的優化結果。整個系統的優化控制1.

　　1鍋爐燃燒系統穩態優化模型鍋爐燃燒系統的主要物理量是給煤量引風量送風量主蒸汽流量主蒸汽壓力煙氣氧含量以及爐膛負壓等。從燃燒系統看，給煤量引風量和送風量是鍋爐穩態優化，給出底層控制系統設定值。使用離線優化算法得到基本結果，然后結合經驗使用IFTHEN規則，進行在線設定。g 1王樹國。雙法蘭差變送器測量液體密度的設計要點。

　　煉油化工自動化，1992 2王家楨。傳感器與變送器。北京清華大學出版社，3何立民。單片機應用系統設計。北京北京航空航天大學出版社，1990 4李秉操。單片機接口技術及其在工業控制中的應用。陜西陜西電子出版社，19915華南理工大學。制糖工業分析。北京中國輕工業出出量，主蒸汽流量是系統要適應的變化量，無法預先確定。鍋爐燃燒系統穩態優化就是要確定合適的輸入量，使得鍋爐燃燒系統在提供足夠的主蒸汽流量并保持主蒸汽壓力恒定的條件下最經濟燃燒，即使得燃燒系統的能源消耗最小。

　　鍋爐穩態優化模型的形式化描述如下min！

　　該模型的具體求解算法如下求無約束極值問模型2的最優解；則取35+1=1035，令55+轉第步，否則停止迭代。

　　模型求解的結果，是在給定的主蒸汽流量下，使得鍋爐主蒸汽壓力穩定，同時使得鍋爐燃燒系統消耗最小的給煤量送風量引風量的值，即鍋爐燃燒系統穩態參數的優化值。

　　2神經網絡模型123分別為送風量引風量和給煤量的單位價格；123分別為送風量引風量和給煤量，是模型的決策變量；是蒸汽壓力，它是123和負荷的函數。函數2，3是個用56神經網絡，分別引風量的最小最大限制，分別送風量的最大最小限制模型1的約束條件由兩部分構成，其是關于決策變量給煤量引風量和送風量的范圍約束，即該約束在模型中的作用是模擬鍋爐系統運行。在主蒸汽流量定的情況下，選擇決策變量的取值時要保證鍋爐主蒸汽壓力在定范圍內。

　　模型1是個有約束的線性優化模型。為了求解，將其轉換為如下形式3，6=2，8分別是罰函數系數。

　　min的含義同模型1.

　　模型2是個無約束最小化問，它將模型1數系數3，的取值將隨著出現非可行解的次數增加。

　　在鍋爐燃燒系統穩態優化中要用蒸汽壓力恒定來鍋爐的運行狀態。而影響主蒸汽壓力的因素很多，在燃燒系統方面主要是給煤量送風量引風量。

　　在不同的負荷下即不同的主蒸汽流量，相同的燃燒系統輸入產生的主蒸汽壓力也是不同的，所以還要考慮主蒸汽流量的影響。

　　由于主蒸汽壓力和給煤量送風量引風量以及主蒸汽流量的關系是個非線性關系，本文采用個層56神經網絡來描述。具體的神經網絡模型是個410101的前饋神經網絡，第層是輸入層，第層是輸出層，第和第層是中間層。設第7層7接權系數為9，9，=入輸出變換關系為建立主蒸汽壓力同主蒸汽流量給煤量送風量引風量之間關系的模型就是要訓練這個層的56神經網絡，使得它的輸入輸出關系滿足實際的輸入輸出關系。本文采用的訓練方法為反向傳播5ack Pcopagation學習算法。米用BP神經網絡的原因是它具有較好的泛化功能。具體的學習算法如下設給定=組輸入輸出樣本為則取擬合誤差的代價函數為所謂神經網絡的學習就是調整它的權重，使得其代價函數最小基本的56算法可以成如下時間鍋爐實際運行耗煤按照優化參數計算耗煤節能率上述基本算法的缺點是收斂速度慢局部極小。

　　對此可采用變步長方法改進收斂速度慢的問。變步當連續兩次迭代的梯度方向相同時，明下降太慢，可增加學習率；如果學習率太大，連續兩次梯度方向相反，明修正過頭，則減少學習率。

　　3優化模型的應用及結論使用情況明這個神經網絡在建立主蒸汽壓力模型時可達到相當高的精度。2是實際測量值與模型估計值的殘差，可其誤差很小。統計檢驗明，估計值的均值與測量值的均值相等，誤差的方差為0.04.需要指出的是在進行神經網絡訓練時，要對訓練數據進行無因子化處理。本文使用的無因子化方法是最大值去除法。

　　化計算估計的耗煤量。可以看出計算結果有大約6+左右的節能率。實際運行中操作人員按照我們優化結果做指導，節能率大約在23+.

　　立了個描述氧含量與給煤量送風量引風量和主蒸汽流量之間關系的神經網絡模型的基礎上根據模型計算得到的。從該值的變化趨勢看，顯然同經驗研究的結論是符合的，即當負荷主蒸汽流量下降時，為保證鍋爐經濟燃燒，其煙氣氧含量要上升1.

　　可通過再建立個爐膛負壓與給煤量送風量引風量和主蒸汽流量之間關系的神經網絡模型，計算出最優的爐膛負壓，再加上上面提到的氧含量，就可以確定底層控制系統的給定值了。具體實現方法是將優化結果和運行中的些安全限幅要求結合起來，組成個IFTHEN規則庫，實時設定控制系統給定值。

　　個很有吸引力的思路是建立在線的神經網絡辨識器，通過實時的模型辨識優化，產生控制系統設定值，這是下步的研究方向。

　　在基于鍋爐正常工作數據建立系統模型的基礎上比較容易地獲得鍋爐穩態運行的優化值。而鍋爐燃燒系統穩態優化的結果又可以進步用作為人工或者自動控制的參考值。實踐明該模型的結果符合實際生產情況，取得了顯著的節能效果。