一种锅炉燃烧系统多目标智能寻优控制方法与流程

本发明涉及燃烧智能控制，更具体地说是涉及一种锅炉燃烧系统多目标智能寻优控制方法。

背景技术：

1、随着新能源发电装机规模持续扩大，电网对火力发电机组的宽负荷深度调峰能力提出了更高要求，火电机组需长期在宽负荷区间内灵活运行，同时需满足燃烧效率、环保排放、运行安全、防结焦防超温等多维度的运行要求。锅炉燃烧过程是一个强耦合、强非线性、大滞后的复杂动态过程，尤其四角切圆燃烧锅炉，其配风、燃烧器调节、制粉系统运行参数之间存在极强的耦合关联，给燃烧过程的精准控制带来了极大挑战。

2、现有常规的锅炉燃烧控制多采用pid等传统闭环控制方法，面对宽负荷波动、入炉煤质频繁变化的复杂运行工况，无法兼顾低负荷稳燃、高燃烧效率、超低氮氧化物排放、防结焦防超温等多个存在强冲突特性的优化目标，易出现顾此失彼的控制失衡问题，难以实现多目标的协同优化。现有基于稳态机理模型的离线寻优方案，仅能适配固定工况与固定煤质的稳态运行场景，面对频繁变化的动态工况，自适应调整能力不足，无法满足锅炉燃烧自动化实时控制的精度与响应速度要求。而现有基于纯数据驱动的智能寻优方案，多为黑箱模型，物理可解释性差，未与锅炉炉膛安全监控体系形成深度联动，存在参数误调触发安全保护动作的风险，工程落地应用的可靠性不足；无法适配锅炉燃烧实时自动化控制的时序要求，难以在复杂工况下实现持续稳定的多目标优化控制。因此，为了克服这些局限，本发明提出了一种锅炉燃烧系统多目标智能寻优控制方法。

技术实现思路

1、针对现有技术存在的不足，本发明的目的在于提供一种锅炉燃烧系统多目标智能寻优控制方法，以解决锅炉燃烧系统在宽负荷深度调峰、入炉煤质频繁波动的复杂工况下，面临的多维度强冲突燃烧优化目标难以兼顾、寻优控制自适应能力不足、实时控制精度不达标、运行安全风险高的核心技术问题。

2、为实现上述目的，本发明提供了如下技术方案：

3、一种锅炉燃烧系统多目标智能寻优控制方法，包括：

4、采集锅炉燃烧系统的运行参数，并执行数据预处理；运行参数包括工况边界参数、可控变量参数、状态反馈参数、安全保护参数；基于经数据预处理后的工况边界参数，选取聚类特征量执行典型工况聚类，构建典型工况库，并为可控变量参数构建双层先验约束集；

5、基于经数据预处理后的运行参数，以工况边界参数与可控变量参数作为输入，以状态反馈参数的预测值作为输出，构建机理先验与数据驱动融合的锅炉燃烧系统多目标动态预测代理模型；

6、以状态反馈参数为优化载体，构建多目标优化目标函数，在双层先验约束集划分的寻优可行域中，根据数据预处理后的锅炉燃烧系统实时运行参数，匹配典型工况库，以多目标动态预测代理模型为寻优适应度函数，采用改进的非支配排序遗传算法进行多目标全局寻优求解，获取各可控变量参数的目标值；

7、基于各可控变量参数的目标值，生成标准化控制指令并下发执行，同步采集标准化控制指令执行后的实时运行数据，执行控制效果校验与寻优触发机制更新操作。

8、具体地，典型工况库存储有对应典型工况类别下的历史最优运行参数；

9、历史最优运行参数是指归属于对应典型工况类别、各可控变量参数符合其对应的双层先验约束集、经多目标优化目标函数计算得到的多目标综合评分最高的锅炉燃烧系统历史运行参数，包含对应典型工况类别下的工况边界参数、可控变量参数设定值、状态反馈参数实测值；

10、历史最优运行参数通过提取预设历史周期内的历史运行参数，并依次经典型工况匹配筛选、安全合规性校验、多目标综合评分排序处理后得到。

11、具体地，构建机理先验与数据驱动融合的锅炉燃烧系统多目标动态预测代理模型的步骤包括：

12、搭建燃烧机理骨架模型，用于明确可控变量参数、工况边界参数与作为优化目标的状态反馈参数之间的物理映射关系；

13、以经数据预处理后的运行参数为基础，提取所有样本的工况边界参数与可控变量参数，作为预测残差拟合修正的输入特征集；

14、基于输入特征集，结合燃烧机理骨架模型，计算得到每组输入特征对应的状态反馈参数的基础预测值，状态反馈参数包括燃烧效率、氮氧化物排放浓度、炉膛稳燃裕度、炉膛出口烟温偏差；

15、提取与输入特征同时序对应的状态反馈参数实测值，计算每组样本状态反馈参数基础预测值与对应实测值的预测残差值；

16、以每组样本的预测残差值作为残差拟合模型的输出标注集，与输入特征集一一对应，构建残差拟合的样本数据集；

17、按照锅炉燃烧系统的运行时序，将样本数据集划分为训练数据集、验证数据集与测试数据集；

18、采用双向长短期记忆神经网络对燃烧机理骨架模型的预测残差进行动态拟合，修正预测误差，形成锅炉燃烧系统多目标动态预测代理模型；

19、多目标动态预测代理模型的输出值，为燃烧机理骨架模型的基础预测值与双向长短期记忆神经网络输出的预测残差值之和。

20、具体地，获取各可控变量参数的目标值的步骤包括：

21、基于双层先验约束集，确定可控变量参数的寻优可行域，基于当前时刻数据预处理后的工况边界参数，与典型工况库进行匹配，确定对应的典型工况类型，并从对应典型工况库中提取存储的历史最优运行参数；

22、以历史最优运行参数中的可控变量参数为基准，采用拉丁超立方抽样方法生成多目标智能寻优控制的寻优初始种群；

23、以多目标动态预测代理模型为寻优适应度函数，将寻优初始种群个体的可控变量参数，与当前时刻经数据预处理后的工况边界参数组合后，输入多目标动态预测代理模型，计算得到每组寻优初始种群个体对应的多目标优化目标函数四个子目标函数的预测值；

24、以筛选后的有效寻优初始种群个体为迭代起点，采用改进的非支配排序遗传算法执行多目标迭代寻优，迭代更新种群；

25、计算每组当前代种群个体对应的多目标优化目标函数四个子目标函数的预测值，完成新一代当前代种群个体的适应度评价，并每完成一次迭代流程，实时校验迭代终止条件，若未满足迭代终止条件，则继续执行迭代流程；若满足迭代终止条件，则输出最终的全局帕累托最优解集；

26、基于当前匹配的目标典型工况，设置多目标优化目标函数四个子目标函数的工况权重系数；基于设置的工况权重系数，执行多目标综合评分计算，对全局帕累托最优解集中的所有个体进行综合评分排序，筛选可控变量参数最优解，进而获得各可控变量参数目标值。

27、具体地，采用改进的非支配排序遗传算法执行多目标迭代寻优，迭代更新种群的步骤包括：

28、以筛选后的有效寻优初始种群作为首次迭代的当前代种群，对当前代种群内的所有有效种群个体执行非支配排序，基于多目标优化目标函数的四个子目标函数的预测值，划分不同层级的非支配前沿；

29、从非支配前沿中筛选出精英种群个体，作为子代种群生成的父代基础；

30、基于典型工况库的工况聚类结果，匹配当前典型工况类型，采用改进的非支配排序遗传算法的自适应交叉变异算子，动态调整本次迭代的交叉概率与变异概率，对筛选出的精英种群个体执行交叉与变异操作，生成子代种群，并筛选有效子代种群个体；

31、提取典型工况库中典型工况类型对应的历史最优运行参数，将其中可控变量参数作为历史最优精英个体，保留至新一代种群，并合并当前代种群的精英种群个体与有效子代种群个体，形成新一代的当前代种群。

32、具体地，多目标优化目标函数的四个子目标函数，分别为最大化锅炉燃烧效率、最小化氮氧化物排放浓度、最大化炉膛稳燃裕度与最小化炉膛出口烟温偏差，通过将最大化类型的子目标函数取负，统一转换为最小化问题，形成标准化多目标优化目标函数。

33、具体地，双层先验约束集包括安全硬约束集与运行软约束集；

34、安全硬约束集为对应可控变量参数多目标智能寻优控制过程中不可突破的强制保护边界；

35、运行软约束集为多目标寻优过程中对应可控变量参数的调节区间，运行软约束集的约束范围包含于安全硬约束集的强制保护边界约束范围之内，用于限定多目标智能寻优控制过程的调节范围。

36、具体地，生成标准化控制指令并下发执行的步骤包括：

37、设定各可控变量参数差异化的平滑控制规则，用于预设各可控变量参数平滑调节的过渡周期、单周期调节步长、速率限值；

38、基于平滑控制规则，采用一阶惯性滤波与多周期阶梯式增量调节的方式，将可控变量参数目标值，转换为平滑控制序列；

39、基于双层先验约束集，对平滑控制序列进行校验，若校验通过，则将平滑控制序列转化为标准化控制指令，下发至对应执行机构，以对执行机构进行平滑调节；若校验不通过，则重新生成平滑控制序列。

40、具体地，执行控制效果校验与寻优触发机制更新操作的步骤包括：

41、待标准化控制指令执行完成后，当连续预设稳态判定采集周期数内，经数据预处理后的工况边界参数波动幅度均不超过预设稳态波动阈值时，判定锅炉燃烧系统进入稳态工况；

42、获取当前稳态工况下，经数据预处理后的工况边界参数、可控变量参数实际设定值、状态反馈参数实测值，作为控制效果校验的基准数据；

43、基于稳态工况下的基准数据，执行两层级控制效果校验，包括优化目标达标校验与模型预测精度校验；

44、结合两层级控制效果校验结果、工况边界参数波动状态与周期触发阈值，执行多目标智能寻优触发逻辑判定，自动触发新一轮多目标智能寻优控制。

45、具体地，优化目标达标校验是指对比当前稳态工况下的状态反馈参数实测值，与本次标准化平滑控制指令下发前同工况下的状态反馈参数基准值，判断多目标优化目标函数的各子目标是否达到预期优化效果；若各子目标均达到预期优化效果，则判定优化目标达标校验成功，否则判定优化目标达标校验失败；

46、模型预测精度校验是指将当前稳态工况下的工况边界参数与可控变量参数实际设定值，输入多目标动态预测代理模型，得到对应状态反馈参数的预测值，计算各状态反馈参数预测值与实测值的相对误差，判断平均相对误差是否大于预设模型偏差阈值；若是，则判定模型预测精度校验失败，否则判定模型预测精度校验成功。

47、本发明的有益效果：

48、本技术通过典型工况聚类构建覆盖锅炉全运行场景的典型工况库，同步为可控变量参数构建含安全硬约束与运行软约束的双层先验约束集，既为多目标寻优提供贴合锅炉实际运行特性的基准参考，又从数据源头锁定寻优可行域，大幅缩小无效寻优区间以提升寻优收敛速度，同时通过不可突破的安全硬约束从源头规避参数超调引发的燃烧失稳、设备损坏等安全风险；通过搭建燃烧机理骨架模型结合双向长短期记忆神经网络残差拟合修正，构建机理先验与数据驱动融合的多目标动态预测代理模型，既保留了燃烧过程的物理可解释性，解决纯数据黑箱模型泛化性差、落地可信度低的问题，又大幅提升了宽负荷波动、煤质频繁变化动态工况下的预测精度，为多目标寻优提供兼顾实时性与准确性的适应度函数；通过构建标准化多目标优化目标函数，结合工况匹配的改进非支配排序遗传算法执行全局寻优，有效破解锅炉燃烧多变量强耦合、多优化目标强冲突的求解难题，实现四大核心优化目标的协同兼顾，同时通过工况适配权重灵活匹配不同工况的优化优先级，解决常规控制方法顾此失彼的失衡问题；通过差异化平滑控制规则生成无阶跃突变的平滑控制序列保障调节平稳性，再通过两层级控制效果校验与多维度寻优触发机制形成完整闭环控制链路，可基于实时运行数据持续迭代优化，大幅提升复杂工况下的自适应能力与长期运行稳定性，实现锅炉燃烧系统全工况安全、高效、低氮的协同优化控制。