锅炉燃烧系统稳态运行参数优化

锅炉燃烧系统稳态运行参数优化

2摘要建立了个锅炉燃烧系统稳态参数优化模型。该模型利用神经网络主要物理量之间的关系，在约束条件下反映锅炉的运行条件，优化目标是追求能源消耗量最小。给出了优化模型的罚函数法求解算法，介绍了该模型的结果同底层自动控制系统进行连接的方式，并给出了个实际的应用例子。理论计算和实际使用明该模型有相当的精度，可以显著提高系统的能源利用率。

　　氧含量控制回路设定值氧含量控制量引风挡板开度炉膛负压控制回路设定值炉膛负压控制量送风挡板开度主蒸汽压力控制回路设定值主蒸汽压力控制量给煤量燃烧系统底层控制回路锅炉燃烧系统的运行状态直是人们关心的有关能源利用和环境保护的问。由于锅炉燃烧过程中各个物理量之间存在着强非线性关系，不易得到系统多的文献对锅炉燃烧系统的自动控制进行讨论，讨论的重点在两个方面，其是追求运行的优化效果，许多自动控制的新理论都曾经在这个问上进行过尝试3478；其是如何使得锅炉自动控制系统能够长时间稳定运由于锅炉运行的绝大部分时间是处在稳定状态，影响锅炉燃烧系统节能效果的主要因素是它在稳定状态的工作是否良好。如果锅炉稳定在经济燃烧的状态，其经济指标就能得到保证。因此锅炉自动控制系统的任务就是要保证在各种扰动作用的情况下使系统调节在最优的状态2.基于这个认识，本文将锅炉燃烧控制系统设计为级控制系统，底层的控制系统回路保证各种主要指标稳定在设定值上，而设定值则由上级的优化系统进行计算设置。

　　锅炉燃烧控制系统的底层控制回路的选择有多种方式。通过分析，本文针对主蒸汽压力氧含量炉膛负压个主要参数实施自动控制，并着重解决控制系统设定值即锅炉稳态运行参数的优化问。文中给出了锅炉燃烧系统稳态接上页通过采用扩散硅压力传感器，结合定的采样装置硬件及软件处理，实现了密度的静态测量，对糖溶液密度的实际测量证明此方法可行有效。它为密度测量提供了个新的方案。由于扩散硅压力传感器测量无可动部件，温漂小，响应速度快，具有杠杆平衡式及矢量式等老式压力传感器无可比拟的优点。在此工作流动溶液动态特性，采用多传感器的信息融合软计算技术，实现扩散硅压力式密度的动态测量是需进步研究的问。

　　运行参数的模型和模型求解算法，利用前馈神经网络描述了锅炉燃烧系统中的主要物理量之间的关系，这些关系作为优化模型的约束条件，使得模型能够模拟锅炉的运行，从而可以获得较高精度的优化结果。整个系统的优化控制1.

　　1锅炉燃烧系统稳态优化模型锅炉燃烧系统的主要物理量是给煤量引风量送风量主蒸汽流量主蒸汽压力烟气氧含量以及炉膛负压等。从燃烧系统看，给煤量引风量和送风量是锅炉稳态优化，给出底层控制系统设定值。使用离线优化算法得到基本结果，然后结合经验使用IFTHEN规则，进行在线设定。g 1王树国。双法兰差变送器测量液体密度的设计要点。

　　炼油化工自动化，1992 2王家桢。传感器与变送器。北京清华大学出版社，3何立民。单片机应用系统设计。北京北京航空航天大学出版社，1990 4李秉操。单片机接口技术及其在工业控制中的应用。陕西陕西电子出版社，19915华南理工大学。制糖工业分析。北京中国轻工业出出量，主蒸汽流量是系统要适应的变化量，无法预先确定。锅炉燃烧系统稳态优化就是要确定合适的输入量，使得锅炉燃烧系统在提供足够的主蒸汽流量并保持主蒸汽压力恒定的条件下最经济燃烧，即使得燃烧系统的能源消耗最小。

　　锅炉稳态优化模型的形式化描述如下min！

　　该模型的具体求解算法如下求无约束极值问模型2的最优解；则取35+1=1035，令55+转第步，否则停止迭代。

　　模型求解的结果，是在给定的主蒸汽流量下，使得锅炉主蒸汽压力稳定，同时使得锅炉燃烧系统消耗最小的给煤量送风量引风量的值，即锅炉燃烧系统稳态参数的优化值。

　　2神经网络模型123分别为送风量引风量和给煤量的单位价格；123分别为送风量引风量和给煤量，是模型的决策变量；是蒸汽压力，它是123和负荷的函数。函数2，3是个用56神经网络，分别引风量的最小最大限制，分别送风量的最大最小限制模型1的约束条件由两部分构成，其是关于决策变量给煤量引风量和送风量的范围约束，即该约束在模型中的作用是模拟锅炉系统运行。在主蒸汽流量定的情况下，选择决策变量的取值时要保证锅炉主蒸汽压力在定范围内。

　　模型1是个有约束的线性优化模型。为了求解，将其转换为如下形式3，6=2，8分别是罚函数系数。

　　min的含义同模型1.

　　模型2是个无约束最小化问，它将模型1数系数3，的取值将随着出现非可行解的次数增加。

　　在锅炉燃烧系统稳态优化中要用蒸汽压力恒定来锅炉的运行状态。而影响主蒸汽压力的因素很多，在燃烧系统方面主要是给煤量送风量引风量。

　　在不同的负荷下即不同的主蒸汽流量，相同的燃烧系统输入产生的主蒸汽压力也是不同的，所以还要考虑主蒸汽流量的影响。

　　由于主蒸汽压力和给煤量送风量引风量以及主蒸汽流量的关系是个非线性关系，本文采用个层56神经网络来描述。具体的神经网络模型是个410101的前馈神经网络，第层是输入层，第层是输出层，第和第层是中间层。设第7层7接权系数为9，9，=入输出变换关系为建立主蒸汽压力同主蒸汽流量给煤量送风量引风量之间关系的模型就是要训练这个层的56神经网络，使得它的输入输出关系满足实际的输入输出关系。本文采用的训练方法为反向传播5ack Pcopagation学习算法。米用BP神经网络的原因是它具有较好的泛化功能。具体的学习算法如下设给定=组输入输出样本为则取拟合误差的代价函数为所谓神经网络的学习就是调整它的权重，使得其代价函数最小基本的56算法可以成如下时间锅炉实际运行耗煤按照优化参数计算耗煤节能率上述基本算法的缺点是收敛速度慢局部极小。

　　对此可采用变步长方法改进收敛速度慢的问。变步当连续两次迭代的梯度方向相同时，明下降太慢，可增加学习率；如果学习率太大，连续两次梯度方向相反，明修正过头，则减少学习率。

　　3优化模型的应用及结论使用情况明这个神经网络在建立主蒸汽压力模型时可达到相当高的精度。2是实际测量值与模型估计值的残差，可其误差很小。统计检验明，估计值的均值与测量值的均值相等，误差的方差为0.04.需要指出的是在进行神经网络训练时，要对训练数据进行无因子化处理。本文使用的无因子化方法是最大值去除法。

　　化计算估计的耗煤量。可以看出计算结果有大约6+左右的节能率。实际运行中操作人员按照我们优化结果做指导，节能率大约在23+.

　　立了个描述氧含量与给煤量送风量引风量和主蒸汽流量之间关系的神经网络模型的基础上根据模型计算得到的。从该值的变化趋势看，显然同经验研究的结论是符合的，即当负荷主蒸汽流量下降时，为保证锅炉经济燃烧，其烟气氧含量要上升1.

　　可通过再建立个炉膛负压与给煤量送风量引风量和主蒸汽流量之间关系的神经网络模型，计算出最优的炉膛负压，再加上上面提到的氧含量，就可以确定底层控制系统的给定值了。具体实现方法是将优化结果和运行中的些安全限幅要求结合起来，组成个IFTHEN规则库，实时设定控制系统给定值。

　　个很有吸引力的思路是建立在线的神经网络辨识器，通过实时的模型辨识优化，产生控制系统设定值，这是下步的研究方向。

　　在基于锅炉正常工作数据建立系统模型的基础上比较容易地获得锅炉稳态运行的优化值。而锅炉燃烧系统稳态优化的结果又可以进步用作为人工或者自动控制的参考值。实践明该模型的结果符合实际生产情况，取得了显著的节能效果。