背景技術(shù)：

隨著發(fā)電機(jī)組在向大容量、高參數(shù)方向發(fā)展，鍋爐的容量不斷增加，爐膛溫度呈上升趨勢(shì)；另外，環(huán)保對(duì)nox排放的要求越來越嚴(yán)格，為了減少氮氧化物的排放，燃煤鍋爐采用低氮燃燒方式，但是低氮燃燒方式導(dǎo)致主燃燒區(qū)域缺氧燃燒，使得水冷壁表面的還原性氣氛增強(qiáng)，水冷壁高溫腐蝕現(xiàn)象頻繁出現(xiàn)。水冷壁的高溫腐蝕與還原性氣氛有著極密切的關(guān)系，co濃度大的地方腐蝕程度就高。co在鍋爐水冷壁高溫腐蝕作用有兩方面：一方面作為監(jiān)控鍋爐水冷壁高溫腐蝕的一個(gè)主要參數(shù)，并且反應(yīng)腐蝕氣體h2s的生成量；另一方面，直接參與對(duì)鍋爐水冷壁的高溫腐蝕。

研究表明，爐內(nèi)燃燒配風(fēng)控制是鍋爐提升熱效率*為有效的方式。傳統(tǒng)電廠通過氧量控制鍋爐，氧量不能真實(shí)反映風(fēng)煤混合好壞，且其受漏風(fēng)影響較大，難以*地反映鍋爐的燃燒情況。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明就是針對(duì)現(xiàn)有技術(shù)的不足，提供了一種基于co在線檢測(cè)的鍋爐優(yōu)化方法及系統(tǒng)。

為了實(shí)現(xiàn)上述目的，本申請(qǐng)?zhí)峁┝艘韵录夹g(shù)手段：

在一個(gè)體方面，提供了一種基于co在線檢測(cè)的鍋爐操作優(yōu)化方法，其特征在于，包括以下步驟：

采集數(shù)據(jù)：采集鍋爐主要運(yùn)行數(shù)據(jù)與co在線檢測(cè)數(shù)據(jù)按格式存入數(shù)據(jù)庫(kù)；

數(shù)據(jù)預(yù)處理：

1)剔除鍋爐系統(tǒng)運(yùn)行數(shù)據(jù)中的異常數(shù)據(jù)；

2)進(jìn)行鍋爐穩(wěn)態(tài)分析，剔除鍋爐非穩(wěn)態(tài)運(yùn)行的異常數(shù)據(jù)；

3)運(yùn)用相關(guān)系數(shù)法對(duì)各操作變量與鍋爐效率進(jìn)行相關(guān)性分析，并按相關(guān)性強(qiáng)弱進(jìn)行排序，保留相關(guān)性強(qiáng)的主要操作變量；

數(shù)理模型建立：運(yùn)用bp神經(jīng)網(wǎng)絡(luò)對(duì)鍋爐穩(wěn)態(tài)運(yùn)行數(shù)據(jù)進(jìn)行挖掘，分別建立co濃度與鍋爐效率、co濃度與nox濃度之間的數(shù)理模型；

優(yōu)化模型與計(jì)算：根據(jù)co濃度與鍋爐效率及nox濃度之間的數(shù)理模型，建立鍋爐系統(tǒng)優(yōu)化模型；并將多目標(biāo)優(yōu)化問題轉(zhuǎn)化為單目標(biāo)優(yōu)化問題，計(jì)算得到*co濃度；并運(yùn)用關(guān)聯(lián)規(guī)則算法進(jìn)行實(shí)時(shí)優(yōu)化計(jì)算，獲取*的鍋爐運(yùn)行操作方案。

進(jìn)一步地，鍋爐穩(wěn)態(tài)分析采用滑動(dòng)窗口法，即從數(shù)據(jù)的開始時(shí)間位置往后取一段時(shí)間內(nèi)的運(yùn)行數(shù)據(jù)作為一個(gè)窗口，計(jì)算窗口內(nèi)數(shù)據(jù)的波動(dòng)情況，若“鍋爐主蒸汽流量”波動(dòng)較大，則認(rèn)為窗口內(nèi)數(shù)據(jù)處于非穩(wěn)態(tài)，不保留數(shù)據(jù)；

否則數(shù)據(jù)處于穩(wěn)態(tài)，保留數(shù)據(jù)；以此流程從開始時(shí)間點(diǎn)滑動(dòng)到結(jié)束時(shí)間點(diǎn)，得到所有的鍋爐穩(wěn)態(tài)數(shù)據(jù)；計(jì)算公式如下：

式中：t表示開始時(shí)間；n表示滑動(dòng)窗口的寬度；表示從t到t+n-1之間的均值；xt表示第t個(gè)工況的值；λ為主蒸汽流量波動(dòng)范圍。

更進(jìn)一步地，相關(guān)性分析的具體過程如下：

相關(guān)系數(shù)的計(jì)算公式：

其中rxy表示樣本相關(guān)系數(shù)，sxy表示樣本協(xié)方差，sx表示x的樣本標(biāo)準(zhǔn)差，sy表示y的樣本標(biāo)準(zhǔn)差。下面分別是sxy協(xié)方差和sx和sy標(biāo)準(zhǔn)差的計(jì)算公式。由于是樣本協(xié)方差和樣本標(biāo)準(zhǔn)差，因此分母使用的是n-1。

sxy樣本協(xié)方差計(jì)算公式：

sx樣本標(biāo)準(zhǔn)差計(jì)算公式：

sy樣本標(biāo)準(zhǔn)差計(jì)算公式：

再進(jìn)一步地，co濃度與鍋爐效率的數(shù)理模型的建立具體如下：

*步，網(wǎng)絡(luò)初始化

給各連接權(quán)值分別賦一個(gè)區(qū)間(-1，1)內(nèi)的隨機(jī)數(shù)，設(shè)定誤差函數(shù)e，給定計(jì)算精度值ε和*學(xué)次數(shù)m；

第二步，隨機(jī)選取第k個(gè)輸入樣本及對(duì)應(yīng)期望輸出

x(k)＝(x1(k)，x2(k)，…xn(k))

do(k)＝(d1(k)，d2(k)，…dq(k))

第三步，計(jì)算隱含層各神經(jīng)元的輸入和輸出，第j個(gè)神經(jīng)元的輸入值sj和輸出值yj為：

其中，xi表示來自神經(jīng)元i的輸入；wji表示神經(jīng)元i與第j個(gè)神經(jīng)元的連接強(qiáng)度，即權(quán)值；yj為第j個(gè)神經(jīng)元的輸出；

第四步，利用網(wǎng)絡(luò)期望輸出和實(shí)際輸出，計(jì)算誤差函數(shù)對(duì)輸出層的各神經(jīng)元的偏導(dǎo)數(shù)δo(k)；

第五步，利用隱含層到輸出層的連接權(quán)值、輸出層的δo(k)和隱含層的輸出計(jì)算誤差函數(shù)對(duì)隱含層各神經(jīng)元的偏導(dǎo)數(shù)δh(k)；

第六步，利用輸出層各神經(jīng)元的δo(k)和隱含層各神經(jīng)元的輸出來修正連接權(quán)值who(k)；

第七步，利用隱含層各神經(jīng)元的δh(k)和輸入層各神經(jīng)元的輸入修正連接權(quán)。

第八步，計(jì)算全局誤差

第九步，判斷網(wǎng)絡(luò)誤差是否滿足要求，當(dāng)誤差達(dá)到預(yù)設(shè)精度或?qū)W次數(shù)大于設(shè)定的*次數(shù)，則結(jié)束算法；否則，選取下一個(gè)學(xué)樣本及對(duì)應(yīng)的期望輸出，返回到第三步，進(jìn)入下一輪學(xué)，從而得到co濃度與鍋爐效率之間的數(shù)理模型。

進(jìn)一步地，所述優(yōu)化模型的

1)優(yōu)化目標(biāo)：在滿足產(chǎn)汽量需求時(shí)，控制合適的co濃度，使鍋爐的耗煤量*小，使nox濃度較低。

2)約束條件包括：

①煤質(zhì)參數(shù)；

②鍋爐運(yùn)行負(fù)荷；

③鍋爐設(shè)計(jì)參數(shù)；

④鍋爐實(shí)際運(yùn)行特性等；

3)優(yōu)化變量包括：

①耗煤量；

②一次風(fēng)率；

③二次風(fēng)率；

④過量空氣系數(shù)等。

再進(jìn)一步地，所述優(yōu)化模型的計(jì)算具體過程如下：

結(jié)合co與鍋爐效率和nox濃度模型，分別賦予權(quán)重系數(shù)k1和k2，將多目標(biāo)優(yōu)化問題轉(zhuǎn)化為單目標(biāo)優(yōu)化問題，計(jì)算得到*的co濃度；利用關(guān)聯(lián)規(guī)則算法進(jìn)行實(shí)時(shí)優(yōu)化計(jì)算，獲取*的鍋爐運(yùn)行操作方案，具體如下：

輸入：

鍋爐運(yùn)行數(shù)據(jù)、煤質(zhì)數(shù)據(jù)和計(jì)算所得的鍋爐正平衡效率值，記為d(k)，k表示數(shù)據(jù)的維度；

*小支持度：min_sup；

*小置信度：min_conf。

輸出：鍋爐*運(yùn)行方案，即置信度*的頻繁k項(xiàng)集lkb。

方法：

首先，通過掃描數(shù)據(jù)庫(kù)，確定每個(gè)項(xiàng)的計(jì)數(shù)，并收集滿足*小支持度的項(xiàng)，找出頻繁1項(xiàng)集的集合,該集合記為l1；然后，使用l1找出頻繁2項(xiàng)集的集合l2，使用l2找出l3，如此下去，找到滿足*小支持度和*小置信度的頻繁k項(xiàng)集，選取置信度*的頻繁k項(xiàng)集lk，即為*的鍋爐運(yùn)行方案；

使用lk-1找出lk，其中k≥2，主要包括連接步和剪枝步：

連接步：為找出lk，通過將lk-1與自身連接產(chǎn)生候選k項(xiàng)集的集合；該候選項(xiàng)集的集合記為ck；設(shè)l1和l2是lk-1中的項(xiàng)集；記號(hào)li[j]表示li的第j項(xiàng)，對(duì)于(k-1)項(xiàng)集li，使得li[1]＜li[2]＜…＜li[k-1]，執(zhí)行連接lk-1？lk-1；如果(l1[1]＝l2[1])∧(l1[2]＝l2[2])∧…∧(l1[k-2]＝l2[k-2])∧(l1[k-1]＝l2[k-1])；連接l1和l2產(chǎn)生的結(jié)果項(xiàng)集是{l1[1]，l1[2]，…，l1[k-2]，l1[k-1]}；

剪枝步：ck是lk的集，也就是說，ck的成員可以是也可以不是頻繁的，但所有的頻繁k項(xiàng)集都包含在ck中；由于任何非頻繁的(k-1)項(xiàng)集都不是頻繁k項(xiàng)的子集，因此，如果一個(gè)候選k項(xiàng)集的(k-1)項(xiàng)子集不再lk-1中，則該候選也不可能是頻繁的，從而可以從ck中刪除。

在另一個(gè)體方面，本發(fā)明提供了一種基于co在線檢測(cè)的鍋爐操作優(yōu)化系統(tǒng)，其特殊之處在于：包括數(shù)據(jù)采集模塊、數(shù)據(jù)預(yù)處理模塊、數(shù)理模型建立模塊、優(yōu)化模型與計(jì)算模塊；

其中，

所述數(shù)據(jù)采集模塊：采集鍋爐主要運(yùn)行數(shù)據(jù)與co在線檢測(cè)數(shù)據(jù)按格式存入數(shù)據(jù)庫(kù)；

所述數(shù)據(jù)預(yù)處理模塊：

1)剔除鍋爐系統(tǒng)運(yùn)行數(shù)據(jù)中的異常數(shù)據(jù)；

2)進(jìn)行鍋爐穩(wěn)態(tài)分析，剔除鍋爐非穩(wěn)態(tài)運(yùn)行的異常數(shù)據(jù)；

3)運(yùn)用相關(guān)系數(shù)法對(duì)各操作變量與鍋爐效率進(jìn)行相關(guān)性分析，并按相關(guān)性強(qiáng)弱進(jìn)行排序，保留相關(guān)性強(qiáng)的主要操作變量；

所述數(shù)理模型建立模塊：運(yùn)用bp神經(jīng)網(wǎng)絡(luò)對(duì)鍋爐穩(wěn)態(tài)運(yùn)行數(shù)據(jù)進(jìn)行挖掘，分別建立co濃度與鍋爐效率、co濃度與nox濃度之間的數(shù)理模型；

所述優(yōu)化模型與計(jì)算模塊：根據(jù)co濃度與鍋爐效率及nox濃度之間的數(shù)理模型，建立鍋爐系統(tǒng)優(yōu)化模型；并將多目標(biāo)優(yōu)化問題轉(zhuǎn)化為單目標(biāo)優(yōu)化問題，計(jì)算得到*co濃度；并運(yùn)用關(guān)聯(lián)規(guī)則算法進(jìn)行實(shí)時(shí)優(yōu)化計(jì)算，獲取*的鍋爐運(yùn)行操作方案。

本發(fā)明的優(yōu)點(diǎn)在于：

1)本發(fā)明將大數(shù)據(jù)技術(shù)、co在線檢測(cè)技術(shù)與鍋爐運(yùn)行操作相結(jié)合，不需要實(shí)時(shí)煤質(zhì)數(shù)據(jù)，就可實(shí)時(shí)進(jìn)行優(yōu)化計(jì)算，并給出*的鍋爐運(yùn)行方案。

2)本發(fā)明通過opc/data讀取鍋爐與在線co檢測(cè)系統(tǒng)的實(shí)時(shí)運(yùn)行數(shù)據(jù)，結(jié)合鍋爐歷史運(yùn)行數(shù)據(jù)庫(kù)，運(yùn)用大數(shù)據(jù)技術(shù)，實(shí)現(xiàn)對(duì)鍋爐系統(tǒng)的實(shí)時(shí)閉環(huán)優(yōu)化。

3)本發(fā)明運(yùn)用大數(shù)據(jù)技術(shù)與co在線檢測(cè)技術(shù)，通過控制爐膛co濃度來控制鍋爐的燃燒與nox濃度，使鍋爐安全高效運(yùn)行。

4)鍋爐*運(yùn)行狀態(tài)點(diǎn)是在滿足污染物排放要求的情況下鍋爐效率*的運(yùn)行狀態(tài)點(diǎn)。傳統(tǒng)鍋爐優(yōu)化算法一般只針對(duì)鍋爐效率進(jìn)行優(yōu)化，沒有考慮污染物排放，但鍋爐效率*的狀態(tài)點(diǎn)不一定是鍋爐的*運(yùn)行狀態(tài)點(diǎn)，本發(fā)明運(yùn)用的算法集成了滑動(dòng)窗口穩(wěn)態(tài)分析法、bp神經(jīng)網(wǎng)絡(luò)算法、關(guān)聯(lián)規(guī)則算法及多目標(biāo)優(yōu)化算法，計(jì)算得到鍋爐*運(yùn)行狀態(tài)點(diǎn)。

5)與其它算法相比，本發(fā)明運(yùn)用的鍋爐優(yōu)化算法，實(shí)時(shí)挖掘出鍋爐當(dāng)前狀態(tài)下的*運(yùn)行方案，具有安全、可靠及可實(shí)現(xiàn)性。

6)本發(fā)明基于鍋爐的運(yùn)行數(shù)據(jù)與co在線檢測(cè)數(shù)據(jù)，運(yùn)用大數(shù)據(jù)技術(shù)進(jìn)行優(yōu)化計(jì)算，無需改造設(shè)備、優(yōu)化效益高、安全穩(wěn)定性好。

數(shù)大于設(shè)定的*次數(shù)，則結(jié)束算法。否則，選取下一個(gè)學(xué)樣本及對(duì)應(yīng)的期望輸出，返回到第三步，進(jìn)入下一輪學(xué)。從而得到co濃度與鍋爐效率之間的數(shù)理模型。

4co濃度與nox濃度數(shù)理模型

同樣的，根據(jù)鍋爐穩(wěn)態(tài)運(yùn)行的歷史數(shù)據(jù)，運(yùn)用bp神經(jīng)網(wǎng)絡(luò)算法，得到co濃度與nox濃度之間的數(shù)理模型。

5鍋爐系統(tǒng)優(yōu)化模型

根據(jù)co濃度與鍋爐效率及nox濃度之間的關(guān)系，把co濃度作為衡量鍋爐效率與nox濃度的指標(biāo)，建立鍋爐系統(tǒng)優(yōu)化模型。

1)優(yōu)化目標(biāo)：在滿足產(chǎn)汽量需求時(shí)，控制合適的co濃度，使鍋爐的耗煤量*小，使nox濃度較低。

2)約束條件：

①煤質(zhì)參數(shù)；

②鍋爐運(yùn)行負(fù)荷；

③鍋爐設(shè)計(jì)參數(shù)；

④鍋爐實(shí)際運(yùn)行特性等。

3)優(yōu)化變量：

①耗煤量；

②一次風(fēng)率；

③二次風(fēng)率；

④過量空氣系數(shù)等。

6優(yōu)化計(jì)算

根據(jù)co濃度與鍋爐效率、co濃度與nox濃度的模型，分別賦予權(quán)重系數(shù)k1和k2(k1和k2,之和為1，默認(rèn)k1和k2均為0.5，可以根據(jù)企業(yè)的實(shí)際需求進(jìn)行調(diào)整)，將多目標(biāo)優(yōu)化問題轉(zhuǎn)化為單目標(biāo)優(yōu)化問題，得到鍋爐各負(fù)荷所對(duì)應(yīng)的鍋爐*co濃度。然后根據(jù)當(dāng)前鍋爐的運(yùn)行負(fù)荷及個(gè)符合所對(duì)應(yīng)的鍋爐*co濃度，在數(shù)據(jù)庫(kù)中挖掘同狀態(tài)(負(fù)荷波動(dòng)小于5t/h)下的歷史運(yùn)行數(shù)據(jù)，運(yùn)用關(guān)聯(lián)規(guī)則算法進(jìn)行實(shí)時(shí)優(yōu)化計(jì)算，得到*co濃度對(duì)應(yīng)的鍋爐各運(yùn)行參數(shù)，即*的鍋爐運(yùn)行操作方案。

技術(shù)特征：

1.一種基于co在線檢測(cè)的鍋爐優(yōu)化方法，其特征在于，包括以下步驟：

采集數(shù)據(jù)：采集鍋爐主要運(yùn)行數(shù)據(jù)與co在線檢測(cè)數(shù)據(jù)按格式存入數(shù)據(jù)庫(kù)；

數(shù)據(jù)預(yù)處理：

1)剔除鍋爐系統(tǒng)運(yùn)行數(shù)據(jù)中的異常數(shù)據(jù)；

2)進(jìn)行鍋爐穩(wěn)態(tài)分析，剔除鍋爐非穩(wěn)態(tài)運(yùn)行的異常數(shù)據(jù)；

3)運(yùn)用相關(guān)系數(shù)法對(duì)各操作變量與鍋爐效率進(jìn)行相關(guān)性分析，并按相關(guān)性強(qiáng)弱進(jìn)行排序，保留相關(guān)性強(qiáng)的主要操作變量；

數(shù)理模型建立：運(yùn)用bp神經(jīng)網(wǎng)絡(luò)對(duì)鍋爐穩(wěn)態(tài)運(yùn)行數(shù)據(jù)進(jìn)行挖掘，分別建立co濃度與鍋爐效率、co濃度與nox濃度之間的數(shù)理模型；

優(yōu)化模型與計(jì)算：根據(jù)co濃度與鍋爐效率及nox濃度之間的數(shù)理模型，建立鍋爐系統(tǒng)優(yōu)化模型；并將多目標(biāo)優(yōu)化問題轉(zhuǎn)化為單目標(biāo)優(yōu)化問題，計(jì)算得到*co濃度；并運(yùn)用關(guān)聯(lián)規(guī)則算法進(jìn)行實(shí)時(shí)優(yōu)化計(jì)算，獲取*的鍋爐運(yùn)行操作方案。

2.根據(jù)權(quán)利要求1所述的基于co在線檢測(cè)的鍋爐優(yōu)化方法，其特征在于：以“鍋爐主蒸汽流量”為衡量鍋爐運(yùn)行狀態(tài)的標(biāo)準(zhǔn)，鍋爐穩(wěn)態(tài)分析采用滑動(dòng)窗口法，即從數(shù)據(jù)的開始時(shí)間位置往后取一段時(shí)間內(nèi)的運(yùn)行數(shù)據(jù)作為一個(gè)窗口，計(jì)算窗口內(nèi)數(shù)據(jù)的波動(dòng)情況，若“鍋爐主蒸汽流量”波動(dòng)較大，則認(rèn)為窗口內(nèi)數(shù)據(jù)處于非穩(wěn)態(tài)，不保留數(shù)據(jù)；否則數(shù)據(jù)處于穩(wěn)態(tài)，保留數(shù)據(jù)；

以此流程從開始時(shí)間點(diǎn)滑動(dòng)到結(jié)束時(shí)間點(diǎn)，得到所有的鍋爐穩(wěn)態(tài)數(shù)據(jù)；計(jì)算公式如下：

式中：t表示開始時(shí)間；n表示滑動(dòng)窗口的寬度；表示從t到t+n-1之間的均值；xt表示第t個(gè)工況的值；λ為主蒸汽流量波動(dòng)范圍。

技術(shù)結(jié)

本發(fā)明公開了一種基于CO在線檢測(cè)的鍋爐優(yōu)化方法及系統(tǒng)，運(yùn)用大數(shù)據(jù)及智能優(yōu)化算法，建立了CO濃度與鍋爐熱效率之間的數(shù)理模型，通過控制爐膛內(nèi)CO的濃度來控制鍋爐效率，并運(yùn)用關(guān)聯(lián)規(guī)則、BP神經(jīng)網(wǎng)絡(luò)等算法進(jìn)行優(yōu)化計(jì)算，得到*的鍋爐操作方案，從而實(shí)現(xiàn)鍋爐的實(shí)時(shí)閉環(huán)優(yōu)化。