背景技術：

隨著發(fā)電機組在向大容量、高參數方向發(fā)展，鍋爐的容量不斷增加，爐膛溫度呈上升趨勢；另外，環(huán)保對nox排放的要求越來越嚴格，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，水冷壁高溫腐蝕現象頻繁出現。水冷壁的高溫腐蝕與還原性氣氛有著極密切的關系，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主要參數，并且反應腐蝕氣體h2s的生成量；另一方面，直接參與對鍋爐水冷壁的高溫腐蝕。

研究表明，爐內燃燒配風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，氧量不能真實反映風煤混合好壞，且其受漏風影響較大，難以*地反映鍋爐的燃燒情況。

技術實現要素：

本發(fā)明就是針對現有技術的不足，提供了一種基于co在線檢測的鍋爐優(yōu)化方法及系統(tǒng)。

為了實現上述目的，本申請?zhí)峁┝艘韵录夹g手段：

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

采集數據：采集鍋爐主要運行數據與co在線檢測數據按格式存入數據庫；

數據預處理：

1)剔除鍋爐系統(tǒng)運行數據中的異常數據；

2)進行鍋爐穩(wěn)態(tài)分析，剔除鍋爐非穩(wěn)態(tài)運行的異常數據；

3)運用相關系數法對各操作變量與鍋爐效率進行相關性分析，并按相關性強弱進行排序，保留相關性強的主要操作變量；

數理模型建立：運用bp神經網絡對鍋爐穩(wěn)態(tài)運行數據進行挖掘，分別建立co濃度與鍋爐效率、co濃度與nox濃度之間的數理模型；

優(yōu)化模型與計算：根據co濃度與鍋爐效率及nox濃度之間的數理模型，建立鍋爐系統(tǒng)優(yōu)化模型；并將多目標優(yōu)化問題轉化為單目標優(yōu)化問題，計算得到*co濃度；并運用關聯規(guī)則算法進行實時優(yōu)化計算，獲取*的鍋爐運行操作方案。

進一步地，鍋爐穩(wěn)態(tài)分析采用滑動窗口法，即從數據的開始時間位置往后取一段時間內的運行數據作為一個窗口，計算窗口內數據的波動情況，若“鍋爐主蒸汽流量”波動較大，則認為窗口內數據處于非穩(wěn)態(tài)，不保留數據；

否則數據處于穩(wěn)態(tài)，保留數據；以此流程從開始時間點滑動到結束時間點，得到所有的鍋爐穩(wěn)態(tài)數據；計算公式如下：

式中：t表示開始時間；n表示滑動窗口的寬度；表示從t到t+n-1之間的均值；xt表示第t個工況的值；λ為主蒸汽流量波動范圍。

更進一步地，相關性分析的具體過程如下：

相關系數的計算公式：

其中rxy表示樣本相關系數，sxy表示樣本協方差，sx表示x的樣本標準差，sy表示y的樣本標準差。下面分別是sxy協方差和sx和sy標準差的計算公式。由于是樣本協方差和樣本標準差，因此分母使用的是n-1。

sxy樣本協方差計算公式：

sx樣本標準差計算公式：

sy樣本標準差計算公式：

再進一步地，co濃度與鍋爐效率的數理模型的建立具體如下：

*步，網絡初始化

給各連接權值分別賦一個區(qū)間(-1，1)內的隨機數，設定誤差函數e，給定計算精度值ε和*學次數m；

第二步，隨機選取第k個輸入樣本及對應期望輸出

x(k)＝(x1(k)，x2(k)，…xn(k))

do(k)＝(d1(k)，d2(k)，…dq(k))

第三步，計算隱含層各神經元的輸入和輸出，第j個神經元的輸入值sj和輸出值yj為：

其中，xi表示來自神經元i的輸入；wji表示神經元i與第j個神經元的連接強度，即權值；yj為第j個神經元的輸出；

第四步，利用網絡期望輸出和實際輸出，計算誤差函數對輸出層的各神經元的偏導數δo(k)；

第五步，利用隱含層到輸出層的連接權值、輸出層的δo(k)和隱含層的輸出計算誤差函數對隱含層各神經元的偏導數δh(k)；

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

第七步，利用隱含層各神經元的δh(k)和輸入層各神經元的輸入修正連接權。

第八步，計算全局誤差

第九步，判斷網絡誤差是否滿足要求，當誤差達到預設精度或學次數大于設定的*次數，則結束算法；否則，選取下一個學樣本及對應的期望輸出，返回到第三步，進入下一輪學，從而得到co濃度與鍋爐效率之間的數理模型。

進一步地，所述優(yōu)化模型的

1)優(yōu)化目標：在滿足產汽量需求時，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煤質參數；

②鍋爐運行負荷；

③鍋爐設計參數；

④鍋爐實際運行特性等；

3)優(yōu)化變量包括：

①耗煤量；

②一次風率；

③二次風率；

④過量空氣系數等。

再進一步地，所述優(yōu)化模型的計算具體過程如下：

結合co與鍋爐效率和nox濃度模型，分別賦予權重系數k1和k2，將多目標優(yōu)化問題轉化為單目標優(yōu)化問題，計算得到*的co濃度；利用關聯規(guī)則算法進行實時優(yōu)化計算，獲取*的鍋爐運行操作方案，具體如下：

輸入：

鍋爐運行數據、煤質數據和計算所得的鍋爐正平衡效率值，記為d(k)，k表示數據的維度；

*小支持度：min_sup；

*小置信度：min_conf。

輸出：鍋爐*運行方案，即置信度*的頻繁k項集lkb。

方法：

首先，通過掃描數據庫，確定每個項的計數，并收集滿足*小支持度的項，找出頻繁1項集的集合,該集合記為l1；然后，使用l1找出頻繁2項集的集合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項集，選取置信度*的頻繁k項集lk，即為*的鍋爐運行方案；

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與自身連接產生候選k項集的集合；該候選項集的集合記為ck；設l1和l2是lk-1中的項集；記號li[j]表示li的第j項，對于(k-1)項集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產生的結果項集是{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項集都包含在ck中；由于任何非頻繁的(k-1)項集都不是頻繁k項的子集，因此，如果一個候選k項集的(k-1)項子集不再lk-1中，則該候選也不可能是頻繁的，從而可以從ck中刪除。

在另一個體方面，本發(fā)明提供了一種基于co在線檢測的鍋爐操作優(yōu)化系統(tǒng)，其特殊之處在于：包括數據采集模塊、數據預處理模塊、數理模型建立模塊、優(yōu)化模型與計算模塊；

其中，

所述數據采集模塊：采集鍋爐主要運行數據與co在線檢測數據按格式存入數據庫；

所述數據預處理模塊：

1)剔除鍋爐系統(tǒng)運行數據中的異常數據；

2)進行鍋爐穩(wěn)態(tài)分析，剔除鍋爐非穩(wěn)態(tài)運行的異常數據；

3)運用相關系數法對各操作變量與鍋爐效率進行相關性分析，并按相關性強弱進行排序，保留相關性強的主要操作變量；

所述數理模型建立模塊：運用bp神經網絡對鍋爐穩(wěn)態(tài)運行數據進行挖掘，分別建立co濃度與鍋爐效率、co濃度與nox濃度之間的數理模型；

所述優(yōu)化模型與計算模塊：根據co濃度與鍋爐效率及nox濃度之間的數理模型，建立鍋爐系統(tǒng)優(yōu)化模型；并將多目標優(yōu)化問題轉化為單目標優(yōu)化問題，計算得到*co濃度；并運用關聯規(guī)則算法進行實時優(yōu)化計算，獲取*的鍋爐運行操作方案。

本發(fā)明的優(yōu)點在于：

1)本發(fā)明將大數據技術、co在線檢測技術與鍋爐運行操作相結合，不需要實時煤質數據，就可實時進行優(yōu)化計算，并給出*的鍋爐運行方案。

2)本發(fā)明通過opc/data讀取鍋爐與在線co檢測系統(tǒng)的實時運行數據，結合鍋爐歷史運行數據庫，運用大數據技術，實現對鍋爐系統(tǒng)的實時閉環(huán)優(yōu)化。

3)本發(fā)明運用大數據技術與co在線檢測技術，通過控制爐膛co濃度來控制鍋爐的燃燒與nox濃度，使鍋爐安全高效運行。

4)鍋爐*運行狀態(tài)點是在滿足污染物排放要求的情況下鍋爐效率*的運行狀態(tài)點。傳統(tǒng)鍋爐優(yōu)化算法一般只針對鍋爐效率進行優(yōu)化，沒有考慮污染物排放，但鍋爐效率*的狀態(tài)點不一定是鍋爐的*運行狀態(tài)點，本發(fā)明運用的算法集成了滑動窗口穩(wěn)態(tài)分析法、bp神經網絡算法、關聯規(guī)則算法及多目標優(yōu)化算法，計算得到鍋爐*運行狀態(tài)點。

5)與其它算法相比，本發(fā)明運用的鍋爐優(yōu)化算法，實時挖掘出鍋爐當前狀態(tài)下的*運行方案，具有安全、可靠及可實現性。

6)本發(fā)明基于鍋爐的運行數據與co在線檢測數據，運用大數據技術進行優(yōu)化計算，無需改造設備、優(yōu)化效益高、安全穩(wěn)定性好。

數大于設定的*次數，則結束算法。否則，選取下一個學樣本及對應的期望輸出，返回到第三步，進入下一輪學。從而得到co濃度與鍋爐效率之間的數理模型。

4co濃度與nox濃度數理模型

同樣的，根據鍋爐穩(wěn)態(tài)運行的歷史數據，運用bp神經網絡算法，得到co濃度與nox濃度之間的數理模型。

5鍋爐系統(tǒng)優(yōu)化模型

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

1)優(yōu)化目標：在滿足產汽量需求時，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煤質參數；

②鍋爐運行負荷；

③鍋爐設計參數；

④鍋爐實際運行特性等。

3)優(yōu)化變量：

①耗煤量；

②一次風率；

③二次風率；

④過量空氣系數等。

6優(yōu)化計算

根據co濃度與鍋爐效率、co濃度與nox濃度的模型，分別賦予權重系數k1和k2(k1和k2,之和為1，默認k1和k2均為0.5，可以根據企業(yè)的實際需求進行調整)，將多目標優(yōu)化問題轉化為單目標優(yōu)化問題，得到鍋爐各負荷所對應的鍋爐*co濃度。然后根據當前鍋爐的運行負荷及個符合所對應的鍋爐*co濃度，在數據庫中挖掘同狀態(tài)(負荷波動小于5t/h)下的歷史運行數據，運用關聯規(guī)則算法進行實時優(yōu)化計算，得到*co濃度對應的鍋爐各運行參數，即*的鍋爐運行操作方案。

技術特征：

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

采集數據：采集鍋爐主要運行數據與co在線檢測數據按格式存入數據庫；

數據預處理：

1)剔除鍋爐系統(tǒng)運行數據中的異常數據；

2)進行鍋爐穩(wěn)態(tài)分析，剔除鍋爐非穩(wěn)態(tài)運行的異常數據；

3)運用相關系數法對各操作變量與鍋爐效率進行相關性分析，并按相關性強弱進行排序，保留相關性強的主要操作變量；

數理模型建立：運用bp神經網絡對鍋爐穩(wěn)態(tài)運行數據進行挖掘，分別建立co濃度與鍋爐效率、co濃度與nox濃度之間的數理模型；

優(yōu)化模型與計算：根據co濃度與鍋爐效率及nox濃度之間的數理模型，建立鍋爐系統(tǒng)優(yōu)化模型；并將多目標優(yōu)化問題轉化為單目標優(yōu)化問題，計算得到*co濃度；并運用關聯規(guī)則算法進行實時優(yōu)化計算，獲取*的鍋爐運行操作方案。

2.根據權利要求1所述的基于co在線檢測的鍋爐優(yōu)化方法，其特征在于：以“鍋爐主蒸汽流量”為衡量鍋爐運行狀態(tài)的標準，鍋爐穩(wěn)態(tài)分析采用滑動窗口法，即從數據的開始時間位置往后取一段時間內的運行數據作為一個窗口，計算窗口內數據的波動情況，若“鍋爐主蒸汽流量”波動較大，則認為窗口內數據處于非穩(wěn)態(tài)，不保留數據；否則數據處于穩(wěn)態(tài)，保留數據；

以此流程從開始時間點滑動到結束時間點，得到所有的鍋爐穩(wěn)態(tài)數據；計算公式如下：

式中：t表示開始時間；n表示滑動窗口的寬度；表示從t到t+n-1之間的均值；xt表示第t個工況的值；λ為主蒸汽流量波動范圍。

技術結

本發(fā)明公開了一種基于CO在線檢測的鍋爐優(yōu)化方法及系統(tǒng)，運用大數據及智能優(yōu)化算法，建立了CO濃度與鍋爐熱效率之間的數理模型，通過控制爐膛內CO的濃度來控制鍋爐效率，并運用關聯規(guī)則、BP神經網絡等算法進行優(yōu)化計算，得到*的鍋爐操作方案，從而實現鍋爐的實時閉環(huán)優(yōu)化。