CN116227350A - 锅炉多目标优化方法及装置 - Google Patents

锅炉多目标优化方法及装置 Download PDF

Info

Publication number
CN116227350A
CN116227350A CN202310207029.6A CN202310207029A CN116227350A CN 116227350 A CN116227350 A CN 116227350A CN 202310207029 A CN202310207029 A CN 202310207029A CN 116227350 A CN116227350 A CN 116227350A
Authority
CN
China
Prior art keywords
boiler
model
nox emission
emission characteristic
optimized
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310207029.6A
Other languages
English (en)
Inventor
王宏武
杨荣祖
张奔
穆祺伟
于龙文
王耀文
刘欢
王汀
谢天
翟鹏程
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Thermal Power Research Institute Co Ltd
Xian Xire Energy Saving Technology Co Ltd
Original Assignee
Xian Thermal Power Research Institute Co Ltd
Xian Xire Energy Saving Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xian Thermal Power Research Institute Co Ltd, Xian Xire Energy Saving Technology Co Ltd filed Critical Xian Thermal Power Research Institute Co Ltd
Priority to CN202310207029.6A priority Critical patent/CN116227350A/zh
Publication of CN116227350A publication Critical patent/CN116227350A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Feedback Control In General (AREA)

Abstract

本公开提出了一种锅炉多目标优化方法及装置，涉及深度学习技术领域，包括：获取基于支持向量回归机构建好的锅炉NOx排放特性模型和锅炉效率模型；确定目标函数；将运行参数输入至锅炉NOx排放特性模型和锅炉效率模型中进行参数配置，运行参数中包含有所述待优化变量；基于预先配置好参数的多目标遗传算法及目标函数，以对锅炉NOx排放特性模型和锅炉效率模型中的待优化变量进行优化，得到包含多个可行解的帕累托解集；从帕累托解集中获取目标可行解。由此，可以运用改进型NSGA‑II的多目标遗传算法进行锅炉效率和NOx排放双目标优化计算，通过算法得到的帕累托最优解集对锅炉运行参数进行优化指导，预测精度高、计算速度快、泛化能力和模型通用性强。

Description

锅炉多目标优化方法及装置
技术领域
本公开涉及深度学习技术领域，尤其涉及一种锅炉多目标优化方法及装置。
背景技术
电站锅炉燃烧数值建模优化的基础和关键是建立拥有良好预测性能的锅炉数值模型。早期以计算流体力学数学模型为主，但是计算繁杂且耗时长，计算精度不高，不能足以支持在线计算的需求。随着神经网络算法、支持向量机模型和遗传算法的出现，在线数值建模计算的理论工具得以充实，期利用电厂数据库数据进行非线性建模计算和优化计算，预测精度高、计算速度快、泛化能力和模型通用性强。
如何通过锅炉数值建模计算，使得优化得到的运行数据实现高锅炉效率和低NOx排放，是目前亟需解决的问题。
发明内容
本公开旨在至少在一定程度上解决相关技术中的技术问题之一。
本公开第一方面实施例提出了一种锅炉多目标优化方法，包括：
获取基于支持向量回归机构建好的锅炉NOx排放特性模型和锅炉效率模型；
确定与所述锅炉NOx排放特性模型和锅炉效率模型对应的目标函数，其中，所述目标函数中包含有待优化变量，及所述待优化变量对应的取值范围；
将当前锅炉工况对应的运行参数输入至所述锅炉NOx排放特性模型和锅炉效率模型中进行参数配置，所述运行参数中包含有所述待优化变量；
基于预先配置好参数的多目标遗传算法，以及所述目标函数，以对所述锅炉NOx排放特性模型和锅炉效率模型中的待优化变量进行优化，得到包含多个可行解的帕累托解集；
从所述包含多个可行解的帕累托解集中获取目标可行解。
本公开第二方面实施例提出了一种锅炉多目标优化装置，包括：
第一获取模块，用于获取基于支持向量回归机构建好的锅炉NOx排放特性模型和锅炉效率模型；
确定模块，用于确定与所述锅炉NOx排放特性模型和锅炉效率模型对应的目标函数，其中，所述目标函数中包含有待优化变量，及所述待优化变量对应的取值范围；
参数配置模块，用于将当前锅炉工况对应的运行参数输入至所述锅炉NOx排放特性模型和锅炉效率模型中进行参数配置，所述运行参数中包含有所述待优化变量；
优化模块，用于基于预先配置好参数的多目标遗传算法，以及所述目标函数，以对所述锅炉NOx排放特性模型和锅炉效率模型中的待优化变量进行优化，得到包含多个可行解的帕累托解集；
第二获取模块，用于从所述包含多个可行解的帕累托解集中获取目标可行解。
本公开第三方面实施例提出了一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如本公开第一方面实施例提出的锅炉多目标优化方法。
本公开第四方面实施例提出了一种非临时性计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现如本公开第一方面实施例提出的锅炉多目标优化方法。
本公开提供的锅炉多目标优化方法及装置，存在如下有益效果：
本公开实施例中，首先获取基于支持向量回归机构建好的锅炉NOx排放特性模型和锅炉效率模型，然后确定与锅炉NOx排放特性模型和锅炉效率模型对应的目标函数，其中，目标函数中包含有待优化变量，及待优化变量对应的取值范围，之后将当前锅炉工况对应的运行参数输入至所述锅炉NOx排放特性模型和锅炉效率模型中进行参数配置，运行参数中包含有所述待优化变量，然后基于预先配置好参数的多目标遗传算法，以及目标函数，以对锅炉NOx排放特性模型和锅炉效率模型中的待优化变量进行优化，得到包含多个可行解的帕累托解集，最后从包含多个可行解的帕累托解集中获取目标可行解。由此，可以运用改进型NSGA-II的多目标遗传算法进行锅炉效率和NOx排放双目标优化计算，通过算法得到的帕累托最优解集对锅炉运行参数进行优化指导，预测精度高、计算速度快、泛化能力和模型通用性强。
本公开附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。
附图说明
本公开上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本公开实施例所提供的一种锅炉多目标优化方法的流程示意图；
图2示出了帕累托解集中各个可行解对应的锅炉热效率和NOx生成量的示意图；
图3为本公开实施例所提供的一种锅炉多目标优化方法的流程示意图；
图4为本公开实施例所提供的一种锅炉多目标优化装置的结构框图；
图5示出了适于用来实现本公开实施方式的示例性计算机设备的框图。
具体实施方式
下面详细描述本公开的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本公开，而不能理解为对本公开的限制。
下面参考附图描述本公开实施例的锅炉多目标优化方法、装置、计算机设备和存储介质。
需要说明的是，本公开实施例中的锅炉多目标优化方法的执行主体为锅炉多目标优化装置，该装置可以由软件和/或硬件的方式实现，下面将以“多目标优化装置”作为执行主体对本公开实施例中提出的锅炉多目标优化方法进行说明，在此不进行限定。
图1为本公开实施例所提供的锅炉多目标优化方法的流程示意图。
如图1所示，该锅炉多目标优化方法可以包括以下步骤：
步骤101，获取基于支持向量回归机构建好的锅炉NOx排放特性模型和锅炉效率模型。
其中，支持向量回归机可以为SVR，英文全称为Support Vactor Regression，支持向量回归机是具有相关学***面。
支持向量机算法的目标是在n维空间中找到一个对数据点进行明确分类的超平面。超平面两侧最接近超平面的数据点称为支持向量。这些影响超平面的位置和方向，从而有助于构建SVM。
支持向量机(Support Vector Machine,SVM)是一类按监督学***面。
其中，锅炉NOx排放特性模型的输入变量选取：总燃料量、总风量、发电功率、6台给煤机给煤量、6层一次风量、6层二次风挡板开度、6层SOFA风挡板开度、尾部烟道烟气氧量、空预器出口烟气温度、收到基碳、氢、氧、氮、硫、灰分、水分、挥发分和低位发热量，一共38个输入变量，输出变量为SCR入口标准状态下的NOx排放。
其中，锅炉效率模型的输入变量选取：除了上述的38个变量外，增加飞灰含碳量和炉渣含碳量。一共40个输入变量，输出变量为锅炉效率。
进一步地，可以根据支持向量机回归算法，根据以上数据及模型结构，分别建立锅炉NOx模型和效率模型。
建立锅炉NOx排放特性模型和锅炉效率模型的函数模型为下式：
其中，
Figure BDA0004111337700000042
y[η]＝f[η](Xη)
式中，
Figure BDA0004111337700000043
为NOx排放，y[η]为锅炉效率，/>
Figure BDA0004111337700000044
为NOx排放所建立的SVM模型，f[η](Xη)为锅炉效率所建立的SVM模型，XN为NOx排放SVM模型的输入向量，Xη为效率SVM模型的输入向量。
需要说明的是，锅炉的燃烧优化是以建立好的能够比较准确预测锅炉燃烧性能指标的燃烧特性模型为基础的，采用基于支持向量回归机建立好的锅炉NOx排放特性模型和锅炉效率模型，可以以最低化NOx排放和最大化锅炉效率作为锅炉的燃烧多目标优化的两个目标函数，对锅炉可调运行参数进行优化。
可以理解的是，建立锅炉效率和NOx多变量锅炉效率的SVM模型，有效解决了有复杂非线性耦合关系的建模问题，仿真模型利用SVM模型的预测精度高，拟合程度大，泛化能力强，能够确地预测不同工况和煤种特性下的运行经济性。
步骤102，确定与锅炉NOx排放特性模型和锅炉效率模型对应的目标函数，其中，目标函数中包含有待优化变量，及待优化变量对应的取值范围。
需要说明的是，与锅炉NOx排放特性模型和锅炉效率模型对应的目标函数可以为：
Figure BDA0004111337700000045
Figure BDA0004111337700000046
max y[η]＝f[η](A,SOFA,SAi)
Figure BDA0004111337700000041
式中，
Figure BDA0004111337700000047
为NOx排放，y[η]为锅炉效率，f[NOx](A,SOFA,SAi)为锅炉NOx排放特性模型，f[η](A,SOFA,SAi)为锅炉效率模型，A,SOFA,SAi为锅炉NOx排放特性模型和锅炉效率模型的待优化变量。其中，i＝1,2,…,6。
其中，待优化变量中有锅炉总风量(A)、四个SOFA风挡板开度(SOFA)、6个二次风挡板开度(SA)共11个参数作为优化的目标变量。约束条件中，也即待优化变量对应的取值范围为：将锅炉总风量(A)的取值范围定为8B～11B，SOFA风挡板开度(SOFA)的取值范围定为0％～100％，各二次风挡板开度(SA)的取值范围定为0％～70％。
步骤103，将当前锅炉工况对应的运行参数输入至所述锅炉NOx排放特性模型和锅炉效率模型中进行参数配置，运行参数中包含有所述待优化变量。
其中，锅炉工况可以为锅炉负荷，比如526.2MW。需要说明的是，通常情况下，可以将待优化的工况的运行参数作为输入。
可以理解的是，待优化工况可以为NOx排放比较高，且锅炉效率比较低的工况。优化的重点是保持较低NOx排放水平的同时，尽可能地提高效率。
Figure BDA0004111337700000051
表一
如上表一所示，当前锅炉工况对应的锅炉负荷为526.2MW，其对应的NOx排放为587.8mg/Nm3，锅炉效率为90.6％，是一种需要优化的工况。
其中，当前锅炉工况对应的运行参数可以包含有锅炉总风量(A)、四个SOFA风挡板开度(SOFA)、6个二次风挡板开度(SA)共11个待优化变量，也可以包含有总燃料量、发电功率、6台给煤机给煤量、6层一次风量、尾部烟道烟气氧量、空预器出口烟气温度、收到基碳、氢、氧、氮、硫、灰分、水分、挥发分和低位发热量、SCR入口标准状态下的NOx排放、飞灰含碳量、炉渣含碳量、锅炉效率等输入和输出变量。
步骤104，基于预先配置好参数的多目标遗传算法，以及目标函数，以对锅炉NOx排放特性模型和锅炉效率模型中的待优化变量进行优化，得到包含多个可行解的帕累托解集。
其中，多目标遗传算法可以为NSGA-II多目标遗传算法，其中，所述NSGA-II多目标遗传算法的初始种群规模为200、自适应交叉概率的初始值为0.9、自适应变异概率的初始值为0.009、最优前端个体系数0.3，最大进化代数为2000。
需要说明的是，可以采用改进型NSGA-II多目标遗传算法，利用建立好的锅炉NOx排放特性模型和锅炉效率模型实施优化方案。需要说明的是，优化结果为含有多个可行解的帕累托(Pareto)解集，所得到的结果均是NOx排放较少，同时锅炉效率较高的可调参数集。
如下表二和表三所示，示出了一种优化前后各参数的对比：
Figure BDA0004111337700000052
Figure BDA0004111337700000061
表二
Figure BDA0004111337700000062
表三
可以看出，给出的优化建议中，通过适当地调整二次风、SOFA风挡板和燃烧总风量，可以实现高效率且低NOx排放的目标，特别是锅炉效率，由于优化后锅炉总风量有所上调，都高于优化前的值。可行解b的结果中锅炉效率提高了0.6％，而NOx排放仍保持原有较低的水平，因此该可行解中优化建议中的运行参数具有更强的指导意义。
经过优化后，所有可行解的锅炉效率都得到了一定的提高，都升至90.8％以上，而且锅炉效率和NOx排放之间近乎呈现出线性关系，NOx的生成量随着效率的提高而升高，使得NOx排放和效率同时得到改善，在保持NOx排放低于优化前的同时，效率最大提高到了91.3％。
步骤105，从包含多个可行解的帕累托解集中获取目标可行解。
其中，目标可行解可以为当前可以选用的目标运行参数。
可选的，可以首先确定帕累托解集中每个可行解对应的锅炉效率值和NOx排放量值，然后将锅炉效率值大于第一阈值，且NOx排放量值小于第二阈值的可行解作为目标可行解。
图2示出了帕累托解集中各个可行解对应的锅炉效率值(锅炉热效率)和NOx排放量值(NOx生成量)。
其中，第一阈值可以为锅炉效率值的阈值，比如91.3％。
其中，第二阈值可以为NOx排放量的阈值，比如523.7mg/Nm3。
本公开实施例中，首先获取基于支持向量回归机构建好的锅炉NOx排放特性模型和锅炉效率模型，然后确定与锅炉NOx排放特性模型和锅炉效率模型对应的目标函数，其中，目标函数中包含有待优化变量，及待优化变量对应的取值范围，之后将当前锅炉工况对应的运行参数输入至所述锅炉NOx排放特性模型和锅炉效率模型中进行参数配置，运行参数中包含有所述待优化变量，然后基于预先配置好参数的多目标遗传算法，以及目标函数，以对锅炉NOx排放特性模型和锅炉效率模型中的待优化变量进行优化，得到包含多个可行解的帕累托解集，最后从包含多个可行解的帕累托解集中获取目标可行解。由此，可以运用改进型NSGA-II的多目标遗传算法进行锅炉效率和NOx排放双目标优化计算，通过算法得到的帕累托最优解集对锅炉运行参数进行优化指导，预测精度高、计算速度快、泛化能力和模型通用性强。
图3为本公开实施例所提供的锅炉多目标优化方法的流程示意图。
如图3所示，该锅炉多目标优化方法可以包括以下步骤：
步骤201，从数据库中获取多组不同的锅炉负荷对应的锅炉运行数据作为样本集。
其中，数据库中可以包含有各种不同大小的锅炉负荷对应的锅炉运行数据，可以将其作为研究数据。
比如，锅炉负荷在500MW左右、650MW左右、800MW左右的锅炉运行数据，在此不做限定。作为一种示例，可以选择200组锅炉运行数据，包含多种不同负荷情况下的研究数据，比如总燃料量、总风量、发电功率、6台给煤机给煤量、6层一次风量、6层二次风挡板开度、6层SOFA风挡板开度、尾部烟道烟气氧量、空预器出口烟气温度、收到基碳、氢、氧、氮、硫、灰分、水分、挥发分和低位发热量、SCR入口标准状态下的NOx排放、飞灰含碳量、炉渣含碳量、锅炉效率等等，在此不做限定。
步骤202，将所述样本集分为训练样本集和测试样本集，并分别进行归一化处理。
举例来说，可以将样本集分为N组，其中，N可以为大于50的正整数。
在N组数据中取M组作为训练集样本，来训练学习并建立支持向量机模型，训练集样本的数量至少占总数据的80％以上，通过剩余的N-M组作为测试样本集来验证模型的好坏。若N为100，则可以在上述100组数据中取80组样本作为训练集样本来建立模型，其他20组数据作为测试集样本来验证所建模型的性能。
为消除各输入变量之间在数量级上的差别对建模的影响，对训练样本集和测试样本集数据统一进行归一化处理，公式如下式，归一化后均在-1到1之间。
Figure BDA0004111337700000071
步骤203，基于果蝇算法利用交叉验证法对核函数参数进行寻优，以得到最优参数组合。
进一步地，可以选取应用最广泛的径向基(RBF)核函数作为建立模型的核函数，具体表达式如下式。通过径向基(RBF)核函数的非线性映射可以有良好的非线性运算能力。径向基(RBF)核函数具有广泛的代表性和实用性。
Figure BDA0004111337700000072
然后，可以选择核函数参数的初始值及取值范围。
其中，核函数参数g、惩罚因子C和不敏感损失系数ε这三个参数利用果蝇优化算法对其进行寻优。果蝇优化算法的参数设置如下：果蝇种群规模为20，迭代次数为100，C的寻优范围为[0，100]，g的寻优范围为[0，50]，ε的寻优范围为[0，0.5]。
利用果蝇优化算法(FOV)，可以对模型中的三个重要参数进行寻优，同时得到最佳的(C，g，ε)组合。寻优建模过程中对训练集样本数据进行5折交叉验证方法来提高模型的泛化能力，味道浓度为下式的交叉验证均方误差(MSE)。
Figure BDA0004111337700000081
具体的，运用果蝇优化算法寻找最佳的(C，g，ε)组合，优化目标为使公式的训练集样本均方误差MSE达到最小。
通过确认训练集样本均方误差MSE是否达到最小，如果达到最小，则得到最佳的(C，g，ε)组合，如果未达到最小，则继续进行迭代计算直至最小。
作为一种示例，经FOA寻优计算后，得FOA-SVM的NOx排放模型中：C＝78.2371，g＝0.1288，ε＝0.0242；得FOA-SVM的锅炉效率模型中：C＝12.7708，g＝0.0177，ε＝0.0021。
步骤204，基于最优参数组合和径向基核函数，建立基于支持向量回归机构建的锅炉NOx排放特性模型和锅炉效率模型。
可选的，可以利用所得到最佳的(C，g，ε)组合建立基于果蝇优化算法对支持向量回归机前馈优化的锅炉NOx排放特性模型和锅炉效率模型。
步骤205，利用所述训练样本集和所述测试样本集分别对所述锅炉NOx排放特性模型和锅炉效率模型进行测试和验证，以得到训练好的所述锅炉NOx排放特性模型和锅炉效率模型。
举例来说，若训练样本集有M组，则可以将M组训练集样本中的38个输入变量和NOx排放代入NOx排放SVM模型来训练学习。将M组训练集样本中的输入变量和效率代入效率SVM模型来训练学习。
通过N-M组测试样本集来验证模型的好坏，将N-M组测试样本集中的输入变量代入NOx排放SVM模型，得到N-M组测试NOx排放值。
将N-M组测试样本集中的输入变量代入效率SVM模型，得到N-M组测试效率值，得到N-M组测试NOx排放值和N-M组测试效率值。将测试NOx排放值与测试样本集中的NOx排放值对比得到相对误差值。将测试效率排放值与测试样本集中的效率排放值对比得到相对误差值。以此来评判模型的预测精准程度。
步骤206，确定与锅炉NOx排放特性模型和锅炉效率模型对应的目标函数，其中，目标函数中包含有待优化变量，及所述待优化变量对应的取值范围。
步骤207，将当前锅炉工况对应的运行参数输入至锅炉NOx排放特性模型和锅炉效率模型中进行参数配置，所述运行参数中包含有所述待优化变量。
步骤208，基于预先配置好参数的多目标遗传算法，以及目标函数，以对锅炉NOx排放特性模型和锅炉效率模型中的待优化变量进行优化，得到包含多个可行解的帕累托解集。
步骤209，从包含多个可行解的帕累托解集中获取目标可行解。
需要说明的是，步骤206-209的具体实现方式可以参照上述实施例，在此不进行赘述。
本公开实施例中，首先从数据库中获取多组不同的锅炉负荷对应的锅炉运行数据作为样本集，然后将所述样本集分为训练样本集和测试样本集，并分别进行归一化处理，之后基于果蝇算法利用交叉验证法对核函数参数进行寻优，以得到最优参数组合，然后基于最优参数组合和径向基核函数，建立基于支持向量回归机构建的锅炉NOx排放特性模型和锅炉效率模型，最后利用所述训练样本集和所述测试样本集分别对所述锅炉NOx排放特性模型和锅炉效率模型进行测试和验证，以得到训练好的所述锅炉NOx排放特性模型和锅炉效率模型，然后确定与所述锅炉NOx排放特性模型和锅炉效率模型对应的目标函数，其中，所述目标函数中包含有待优化变量，及所述待优化变量对应的取值范围，之后将当前锅炉工况对应的运行参数输入至锅炉NOx排放特性模型和锅炉效率模型中进行参数配置，所述运行参数中包含有所述待优化变量，然后基于预先配置好参数的多目标遗传算法，以及目标函数，以对所述锅炉NOx排放特性模型和锅炉效率模型中的待优化变量进行优化，得到包含多个可行解的帕累托解集，最后从包含多个可行解的帕累托解集中获取目标可行解。由此，可以首先建立好单目标的锅炉NOx排放特性模型和锅炉效率模型，有效解决了复杂非线性耦合关系的建模问题，仿真模型利用SVM模型的预测精度高，拟合程度大，泛化能力强，能够确地预测不同工况和煤种特性下的运行经济性，建立基于果蝇优化算法对支持向量回归机前馈优化的NOx排放SVM模型和锅炉效率SVM模型，运用改进型NSGA-II的多目标遗传算法进行锅炉效率和NOx排放双目标优化计算，通过算法得到的帕累托最优解集对锅炉运行参数进行优化指导，以得到最优的运行数据。
为了实现上述实施例，本公开还提出一种锅炉多目标优化装置。
图4为本公开第四实施例所提供的锅炉多目标优化装置的结构框图。
如图4所示，该锅炉多目标优化装置400可以包括：
第一获取模块410，用于获取基于支持向量回归机构建好的锅炉NOx排放特性模型和锅炉效率模型；
确定模块420，用于确定与所述锅炉NOx排放特性模型和锅炉效率模型对应的目标函数，其中，所述目标函数中包含有待优化变量，及所述待优化变量对应的取值范围；
参数配置模块430，用于将当前锅炉工况对应的运行参数输入至所述锅炉NOx排放特性模型和锅炉效率模型中进行参数配置，所述运行参数中包含有所述待优化变量；
优化模块440，用于基于预先配置好参数的多目标遗传算法，以及所述目标函数，以对所述锅炉NOx排放特性模型和锅炉效率模型中的待优化变量进行优化，得到包含多个可行解的帕累托解集；
第二获取模块450，用于从所述包含多个可行解的帕累托解集中获取目标可行解。
可选的，所述待优化变量至少包含：
锅炉总风量、至少4个SOFA风挡板开度、至少6个二次风挡板开度；
所述锅炉总风量对应的取值范围为8B-11B、所述SOFA风挡板开度对应的取值范围为0-100％、所述二次风挡板开度的取值范围为0-70％。
可选的，所述第二获取模块，具体用于：
确定所述帕累托解集中每个可行解对应的锅炉效率值和NOx排放量值；
将所述锅炉效率值大于第一阈值，且所述NOx排放量值小于第二阈值的可行解作为目标可行解。
可选的，所述多目标遗传算法为NSGA-II多目标遗传算法，其中，所述NSGA-II多目标遗传算法的初始种群规模为200、自适应交叉概率的初始值为0.9、自适应变异概率的初始值为0.009、最优前端个体系数0.3，最大进化代数为2000。
可选的，所述第一获取模块，具体用于：
从数据库中获取多组不同的锅炉负荷对应的锅炉运行数据作为样本集；
将所述样本集分为训练样本集和测试样本集，并分别进行归一化处理；
基于果蝇算法利用交叉验证法对核函数参数进行寻优，以得到最优参数组合；
基于最优参数组合和径向基核函数，建立基于支持向量回归机构建的锅炉NOx排放特性模型和锅炉效率模型；
利用所述训练样本集和所述测试样本集分别对所述锅炉NOx排放特性模型和锅炉效率模型进行测试和验证，以得到训练好的所述锅炉NOx排放特性模型和锅炉效率模型。
本公开实施例中，首先获取基于支持向量回归机构建好的锅炉NOx排放特性模型和锅炉效率模型，然后确定与锅炉NOx排放特性模型和锅炉效率模型对应的目标函数，其中，目标函数中包含有待优化变量，及待优化变量对应的取值范围，之后将当前锅炉工况对应的运行参数输入至所述锅炉NOx排放特性模型和锅炉效率模型中进行参数配置，运行参数中包含有所述待优化变量，然后基于预先配置好参数的多目标遗传算法，以及目标函数，以对锅炉NOx排放特性模型和锅炉效率模型中的待优化变量进行优化，得到包含多个可行解的帕累托解集，最后从包含多个可行解的帕累托解集中获取目标可行解。由此，可以运用改进型NSGA-II的多目标遗传算法进行锅炉效率和NOx排放双目标优化计算，通过算法得到的帕累托最优解集对锅炉运行参数进行优化指导，预测精度高、计算速度快、泛化能力和模型通用性强。
为了实现上述实施例，本公开还提出一种计算机设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时，实现如本公开前述实施例提出的锅炉多目标优化方法。
为了实现上述实施例，本公开还提出一种非临时性计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时实现如本公开前述实施例提出的锅炉多目标优化方法。
图5示出了适于用来实现本公开实施方式的示例性计算机设备的框图。图5显示的计算机设备12仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图5所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，***存储器28，连接不同***组件(包括***存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，***总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture；以下简称：ISA)总线，微通道体系结构(Micro Channel Architecture；以下简称：MAC)总线，增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation；以下简称：VESA)局域总线以及***组件互连(Peripheral ComponentInterconnection；以下简称：PCI)总线。
计算机设备12典型地包括多种计算机***可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机***可读介质，例如随机存取存储器(Random Access Memory；以下简称：RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例，存储***34可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如：光盘只读存储器(Compact Disc Read OnlyMemory；以下简称：CD-ROM)、数字多功能只读光盘(Digital Video Disc Read OnlyMemory；以下简称：DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本公开各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作***、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本公开所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network；以下简称：LAN)，广域网(Wide Area Network；以下简称：WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
处理单元16通过运行存储在***存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现前述实施例中提及的方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本公开的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本公开的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本公开的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用，或结合这些指令执行***、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本公开各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本公开的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本公开的限制，本领域的普通技术人员在本公开的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种锅炉多目标优化方法，其特征在于，包括：
获取基于支持向量回归机构建好的锅炉NOx排放特性模型和锅炉效率模型；
确定与所述锅炉NOx排放特性模型和锅炉效率模型对应的目标函数，其中，所述目标函数中包含有待优化变量，及所述待优化变量对应的取值范围；
将当前锅炉工况对应的运行参数输入至所述锅炉NOx排放特性模型和锅炉效率模型中进行参数配置，所述运行参数中包含有所述待优化变量；
基于预先配置好参数的多目标遗传算法，以及所述目标函数，以对所述锅炉NOx排放特性模型和锅炉效率模型中的待优化变量进行优化，得到包含多个可行解的帕累托解集；
从所述包含多个可行解的帕累托解集中获取目标可行解。
2.根据权利要求1所述的方法，其特征在于，其中，
所述待优化变量至少包含：
锅炉总风量、至少4个SOFA风挡板开度、至少6个二次风挡板开度；
所述锅炉总风量对应的取值范围为8B-11B、所述SOFA风挡板开度对应的取值范围为0-100％、所述二次风挡板开度的取值范围为0-70％。
3.根据权利要求1所述的方法，其特征在于，所述从所述包含多个可行解的帕累托解集中获取目标可行解，包括：
确定所述帕累托解集中每个可行解对应的锅炉效率值和NOx排放量值；
将所述锅炉效率值大于第一阈值，且所述NOx排放量值小于第二阈值的可行解作为目标可行解。
4.根据权利要求1所述的方法，其特征在于，所述多目标遗传算法为NSGA-II多目标遗传算法，其中，所述NSGA-II多目标遗传算法的初始种群规模为200、自适应交叉概率的初始值为0.9、自适应变异概率的初始值为0.009、最优前端个体系数0.3，最大进化代数为2000。
5.根据权利要求1所述的方法，其特征在于，所述获取基于支持向量回归机构建好的锅炉NOx排放特性模型和锅炉效率模型，包括：
从数据库中获取多组不同的锅炉负荷对应的锅炉运行数据作为样本集；
将所述样本集分为训练样本集和测试样本集，并分别进行归一化处理；
基于果蝇算法利用交叉验证法对核函数参数进行寻优，以得到最优参数组合；
基于最优参数组合和径向基核函数，建立基于支持向量回归机构建的锅炉NOx排放特性模型和锅炉效率模型；
利用所述训练样本集和所述测试样本集分别对所述锅炉NOx排放特性模型和锅炉效率模型进行测试和验证，以得到训练好的所述锅炉NOx排放特性模型和锅炉效率模型。
6.一种锅炉多目标优化装置，其特征在于，包括：
第一获取模块，用于获取基于支持向量回归机构建好的锅炉NOx排放特性模型和锅炉效率模型；
确定模块，用于确定与所述锅炉NOx排放特性模型和锅炉效率模型对应的目标函数，其中，所述目标函数中包含有待优化变量，及所述待优化变量对应的取值范围；
参数配置模块，用于将当前锅炉工况对应的运行参数输入至所述锅炉NOx排放特性模型和锅炉效率模型中进行参数配置，所述运行参数中包含有所述待优化变量；
优化模块，用于基于预先配置好参数的多目标遗传算法，以及所述目标函数，以对所述锅炉NOx排放特性模型和锅炉效率模型中的待优化变量进行优化，得到包含多个可行解的帕累托解集；
第二获取模块，用于从所述包含多个可行解的帕累托解集中获取目标可行解。
7.根据权利要求6所述的装置，其特征在于，其中，
所述待优化变量至少包含：
锅炉总风量、至少4个SOFA风挡板开度、至少6个二次风挡板开度；
所述锅炉总风量对应的取值范围为8B-11B、所述SOFA风挡板开度对应的取值范围为0-100％、所述二次风挡板开度的取值范围为0-70％。
8.根据权利要求6所述的装置，其特征在于，所述第二获取模块，具体用于：
确定所述帕累托解集中每个可行解对应的锅炉效率值和NOx排放量值；
将所述锅炉效率值大于第一阈值，且所述NOx排放量值小于第二阈值的可行解作为目标可行解。
9.根据权利要求6所述的装置，其特征在于，所述多目标遗传算法为NSGA-II多目标遗传算法，其中，所述NSGA-II多目标遗传算法的初始种群规模为200、自适应交叉概率的初始值为0.9、自适应变异概率的初始值为0.009、最优前端个体系数0.3，最大进化代数为2000。
10.根据权利要求6所述的装置，其特征在于，所述第一获取模块，具体用于：
从数据库中获取多组不同的锅炉负荷对应的锅炉运行数据作为样本集；
将所述样本集分为训练样本集和测试样本集，并分别进行归一化处理；
基于果蝇算法利用交叉验证法对核函数参数进行寻优，以得到最优参数组合；
基于最优参数组合和径向基核函数，建立基于支持向量回归机构建的锅炉NOx排放特性模型和锅炉效率模型；
利用所述训练样本集和所述测试样本集分别对所述锅炉NOx排放特性模型和锅炉效率模型进行测试和验证，以得到训练好的所述锅炉NOx排放特性模型和锅炉效率模型。
CN202310207029.6A 2023-03-06 2023-03-06 锅炉多目标优化方法及装置 Pending CN116227350A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310207029.6A CN116227350A (zh) 2023-03-06 2023-03-06 锅炉多目标优化方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310207029.6A CN116227350A (zh) 2023-03-06 2023-03-06 锅炉多目标优化方法及装置

Publications (1)

Publication Number Publication Date
CN116227350A true CN116227350A (zh) 2023-06-06

Family

ID=86582138

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310207029.6A Pending CN116227350A (zh) 2023-03-06 2023-03-06 锅炉多目标优化方法及装置

Country Status (1)

Country Link
CN (1) CN116227350A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117852420A (zh) * 2024-03-07 2024-04-09 西安慧金科技有限公司 一种基于拓扑优化的还原蒸馏炉加固方法及***

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117852420A (zh) * 2024-03-07 2024-04-09 西安慧金科技有限公司 一种基于拓扑优化的还原蒸馏炉加固方法及***
CN117852420B (zh) * 2024-03-07 2024-05-28 西安慧金科技有限公司 一种基于拓扑优化的还原蒸馏炉加固方法及***

Similar Documents

Publication Publication Date Title
CN111754093B (zh) 一种基于煤质预测和pso-svm的飞灰含碳量预测方法
CN109508818B (zh) 一种基于LSSVM的在线NOx预测方法
CN111006240B (zh) 一种生物质锅炉炉膛温度和负荷预测方法
CN116227350A (zh) 锅炉多目标优化方法及装置
CN110399928A (zh) 固体氧化物燃料电池电压预测方法、终端设备及存储介质
CN112036100B (zh) 一种基于数值模拟利用回归算法预测炉膛氧气浓度的方法
CN114239400A (zh) 基于局部双加权概率隐变量回归模型的多工况过程自适应软测量建模方法
CN115759415A (zh) 基于lstm-svr的用电需求预测方法
Chi et al. A robust surrogate model of a solid oxide cell based on an adaptive polynomial approximation method
CN115358291A (zh) 一种变压器故障诊断方法、介质及***
Song et al. Importance weighted expectation-maximization for protein sequence design
CN112748665B (zh) 基于模糊卡尔曼滤波的氢燃料电池迭代控制方法及装置
CN107742000B (zh) 锅炉燃烧含氧量建模方法
Huang et al. Gaussian process regression with maximizing the composite conditional likelihood
CN116502566A (zh) 基于贝叶斯优化的燃气轮机燃烧室性能多目标优化方法
CN115495976A (zh) 基于局部知识融合的电站锅炉燃烧性能预测方法
CN111680720B (zh) 基于改进cs-svr模型的高炉铁水硅含量预测方法
CN116312869A (zh) 催化裂化再生烟气氮氧化物预测方法、装置及***
CN113742989A (zh) 燃烧优化控制方法、装置、存储介质及电子设备
CN114896860B (zh) 基于LightGBM和XGBoost组合模型的飞灰含碳量软测量方法
CN118031246B (zh) 一种工业锅炉的燃烧控制优化方法及装置
CN117725446B (zh) 基于ga-bp的sofc电堆性能衰减预测方法及***
Ilamathi et al. A novel approach for modelling of NOx emission reduction in a tangentially fired coal boiler
CN111860923A (zh) 基于多模型聚类集成的锅炉烟气NOx排放量预测算法
CN113570066B (zh) 数据处理方法、***、电子设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination