锅炉燃烧控制系统建模与仿真

　　随着工业的快速发展和科技水平的显著提高，更多的现代工厂中都使用建模与控制策略方法来辅助工作，并起到了较好的效果，通过此方法能够更好的对系统在运行过程中出现的动态变化与静态特征进行描述和分析[1-2]。在该领域中，通过数学的建模方法能够很好的对系统运行时的输入、输出与变量等进行仿真模拟，将真实系统转变为数学模型[3]。由于我国的煤炭资源较为丰富，火力发电在我国整个电力系统中占据着绝对地位，煤电厂的数量众多，然而考虑到资源与环境因素，火力发电的发展需要在热效率和排放控制方面进行改进，否则无限制的消耗资源与排放污染气体会对生存环境造成巨大的危害[4]。

　　西方发达国家在早年间就注意到火力发电的热效率与排放问题中存在的矛盾，为了达到最优的平衡，学者们通过建模对控制策略进行研究，主要针对排放检测及燃烧过程的优化这两个方面进行分析和研究以求增强控制效果。针对火电厂锅炉燃烧系统的动态与静态特点，在优化控制策略和实施测算方法这些领域都有所建树，科研成果丰硕，同时也反映出我国在该方面进行的研究较少，成果乏善可陈[5]。

　　火电厂锅炉燃烧系统结构比较复杂，运行过程也比较复杂且不稳定，表现出显著的非线性特点，同时标量指标比较多，因此，传统的建模方法往往不能很好的运用到该系统中[6]。

　　针对该领域中关于数学建模方法的研究大多都集中在理论研究层次，综述类文献为绝大多数，很少有文献就锅炉的技术细节做出深入研究和分析。同时，还有很多文献资料提供了非线性建模方法的尝试结果，然而针对该系统的动态特征进行的研究和分析的文献较少，同时动态特征又是该系统的最显著特征，其运行过程中所有参数指标均在不断的变化中，所以仅仅采用非线性建模方法对其进行仿真模拟不能很好的展示出其本身特点，进而仿真结果不可信。因此本研究重在开发出一种能够展现出电厂锅炉燃烧系统动态性特点的数学模型，可有效实现电厂关于煤耗与氮氧化物两者的优化，实现本课题的研究目标。

　　当前，为保证我国社会主义现代化建设的顺利进行，火电厂的发展要建立在经济利益和环境保护的双重效益基础上，因此必须在传统火电厂的控制系统中增加监督控制系统[7]，即既实现火电厂的经济效益同时又可保证满足环保要求。因此，本研究的目的在于通过增强火电厂的煤炭利用水平提高企业效益，并且可减少NOx的排放水平，肩负起社会的环保责任。

　　关于火电厂锅炉燃烧控制系统的研究，近年来主要包括以下几个主要方面，基于燃烧调整实验的研究、基于在线检测的研究以及在设备层面、运行优化、建模和优化控制等方面的相关研究[8]。

　　火电厂锅炉燃烧过程自动调节主要是三个目的，分别是保证燃烧的经济性、稳定炉膛负压以及维持蒸汽压力恒定，当然，其最终的目标当然就是节能减排，提高企业经济效益和社会效益。现阶段针对火电厂锅炉燃烧过程自动调节的这三个任务分别是由三个回路来进行控制的，即送风回路、主汽压回路和引风回路，送风回路、主汽压回路和引风回路之间具有很强的耦合性，如果不能很好的解耦，火电厂锅炉燃烧过程自动调节就是难以完成的任务，也就不可能取得很好的经济效益。为了让机器获得学习和分类能力，人工神经元网络需要大量数据的训练，对于神经元网络的训练算法现阶段已经有很多，比如传统的BP（反向传播）训练算法，针对各种不同的实际情况，还有遗传算法、人工鱼群算法、粒子群算法等等被相继提出。神经元网络多变量控制模型具有非线性映射特性，在进行网络训练时，它只需要根据目标函数的要求，完成系统从输入到输出的映射，这种方式既可以进行控制、也可以进行解耦，只要按照学习算法完成权值的逐层调整，解耦和控制是可以同时完成的。

　　对于燃烧效率的控制，一般有多个指标可以进行考核，在这些指标当中，给煤量与送风量是提高燃烧效率的重要指标，也较为容易进行调节和管理，借助调整这两个指标的比例能够有效提升热效率，以实现热损失的降低和盈利性的提高，通常用来评估火电厂热效率的指标为排放的烟气中含氧量与风煤比，只有结合这两者来共同进行评估才能够更有效的评估出火电厂的热效率，评估结果才更加准确，其中当排放烟气含氧量为5%，风煤比介于1.02-1.10时能够达到热效率的极大值。在整个系统中炉膛负压也是评估热效率的重要指标之一，炉膛负压不仅影响了系统的热效率同时还关系到工作车间内的员工及设备的安全性，如果该指标值低于标准值，会出现向外喷火的现象，相反则有大量热量随着烟气的排放而流失，造成巨大的浪费。控制该指标值可通过引风量与送风量的比值进行控制，有效的控制可保证系统处于稳定高效的运行中，为系统的安全与经济提供强有力的保障。同时，在系统工作时，系统内众多设备都处于负荷状态下，这与蒸汽压力有关也是不可忽视的环节，蒸汽量有消耗也有生产，负荷设备在消耗，锅炉在生产，这中间不能出现偏差，一旦出现偏差就会影响到整个系统的正常运行。有效控制蒸汽压力的措施通常通过控制给煤量来实现，针对单一锅炉的燃烧系统来说控制蒸汽压力较为容易，然而大多数燃烧系统中锅炉的数量较多，这就给分配蒸汽负荷带来了一定的难度，需要通过更多的工作共同配合来实现。

　　燃烧调整试验的目的在于有效提高锅炉的热效率和系统的稳定运行。

　　现代化的燃烧优化技术可通过在线调整相关指标参数来进行，当前有调整参数的在线监测技术呈现多样化的特点，包括有在线监测炉膛火焰、排放物及风煤比等指标。

　　在线监测炉膛火焰的技术应用较为广泛，其主要负责监督整个炉膛的安全性，适用的技术主要是火焰图像处理技术，火焰可完整反映炉膛燃烧状况，一般需要经过摄像、预处理、分析等环节，它属于炉膛安全监视系统的一部分，可有效控制火焰状况，保证不会出现危险状况。

　　在线监测燃烧排放物技术主要用于提高系统热效率，增强系统的优化控制，保障系统在高热效率的标准下运转，其中监测的指标主要有浓度、含碳量及烟气组分等。

　　由于火力发电的设备相对较大使用寿命也较长，因此其更新换代频率较低，使用周期长，这也导致了我国在此方面的落后局面，众多研究都是针对燃烧器的优化来进行[9]。优化改进后系统的优越性主要体现在低负荷稳燃能力的提升，通过系统的优化和该能力的提升可有效降低排放物中NOx的含量，促进了火电厂的环保事业进展。

　　在众多控制优化技术中，运用于运行优化方面的PID控制器（比例-积分-微分控制器）使用最早、范围最广，应用最为成熟。在燃烧系统的闭环系统中通过增加PID控制器能够有效的检测系统传递函数的优良性并对其改正和动态跟踪，以提升准确性。随后发展起来的神经元网络也引入了PID控制，两者相互结合可更有效的解决系统中非线性变化的指标和参数，能在很大程度上增强对系统的控制水平。总而言之，当前在控制算法与人工智能技术方面已经有众多研究成果将其应用到该系统的优化控制过程中，并且有所建树[10]。西方先进国家在此方面研究较早，成果较多，并且自动化程度高，主要在商用价值方面体现出来[11-12]。

　　在该方面的研究，我国也有众多学者和公司进行了相关工作。通过对人工神经网络技术的运用，北京艾普瑞公司研究的优化改良系统能够更好的在线监测炉腔出口烟温，通过青岛火电厂对该系统的应用结果可知其控制效果显著。针对风煤在线监测方面，西安热工研究所进行了深入开发，经过研究将其应用到闭环控制系统中，试验结果表明可有效增强对风粉的控制与系统热效率的提高[13]。关于我国目前针对锅炉燃烧方面进行的研究都整理在《电站锅炉运行与燃烧调整》这本资料中[14]，关于我国目前针对优化控制技术方面进行的研究都整理在《大型电站锅炉安全及优化运行技术》这本资料中[15]，还有学着编制了相关软件，如李宁设计和实现的锅炉燃烧控制优化软件，该软件应用于1025t/h锅炉燃烧控制系统中，取得了不错的使用效果[16]。

　　对于锅炉燃烧系统建模和优化控制，可以说是通过大量历史经验数据来驱动的，这方面的文献资料较少，研究不够深入：

　　在该方面的研究工作缺乏理论与实践的结合，仅停留在理论研究方面。类似于牛拥军、武宝会等关于工程实践经验总结的相关文献虽然数量较多，然而文献中记录却不够细致，内容比较粗，与理论相结合的研究非常的少[17,18]。

　　郝庆福在研究中做了一些理论性的探讨，但还是针对闭环优化系统，对开环优化系统没有深入研究，也没有付诸于实践，对具体的实践过程并未涉及[19]。熊建国的研究正好与其相反，他在研究中主要强调了实践应用过程，没有进行相关理论叙述[20]。

　　同时，在该方面的研究中还表现出缺乏对系统动态特征的描述文献。虽然已有很多研究都在该系统的控制管理方面引入了数学建模方法，但是却没有考虑系统最显著的动态性特征，因此，研究成果的可信度并不高，最终优化效果也难以令人满意。

　　王春林在研究中采用支持向量机建模方法来对系统进行仿真模拟，并对多种算法进行了比较研究，但是却没有用燃烧系统的运行过程模拟来验证方法的有效性，只停留在算法仿真模拟层面[21]。

　　刘芳对神经网络和遗传算法应用于锅炉燃烧优化进行了深入研究[22]、王培红等对进化算法应用于锅炉燃烧优化进行了比较研究[23]、方红提出了一种改进的遗传算法应用于锅炉燃烧优化[24]，还对在线燃烧优化的模型进行了深入探讨，[25]，但这些研究都未能很好的掌握锅炉燃烧中存在的动态特征，采用的数学建模方法大多为反向传播算法、遗传算法等。

　　针对研究现状和缺陷，本研究为能更好的模拟系统的动态性特征，特采用数据驱动的系统优化方法，基于传统神经网络建模方法，提出动态与稳态相结合的混合模型，可同时兼顾系统的热效率与NOx排放量两个指标，能有效提高系统的控制能力，实现热效率提升与污染物排放控制的双重目标，有利于企业和社会的共同发展，实现经济与环保的双赢。

　　（1）本研究基于华电某300MW机组锅炉系统的现状展开针对性研究，通过对锅炉参数与燃烧器布置等指标逐步按照既定环节来进行稳态建模，这些环节主要包括数据采集、数据预处理和和指标的优化和筛选，稳态建模方法采用神经网络来进行研究。通过对煤耗与NOx排放量这两个指标综合性分析来对不同神经元网络建模训练算法做出评估，并找到最优算法。

　　（2）针对系统的非线性动态特征，特在模型中采用数据驱动原理来进行仿真模拟，该建模方法基于离散状态，本研究在建模过程中采用稳态与动态相结合的创新方法，然后针对提出过程定义、辨识方法与增益计算方法。

　　（3）本文所采用的基础数学模型为前向神经网络算法，由于锅炉燃烧系统的数据具有显著动态性特征，所以，针对此状况本研究采用了混合模型来进行仿真模拟，混合模型是基于前向神经网络与一阶自回归两种模型基础上改进而来，可更好的对系统数据的动态特征进行描述，同时也给出了训练算法的推导过程与结果。

　　（4）通过遗传算法来对整个模拟过程进行寻优处理，然后分析出模型基于两个典型负荷情况下的模拟结果，并对其做出结果分析和对比。

　　针对系统的非线性动态特征，本研究特在模型中采用数据驱动原理来进行仿真模拟，对如何增强对系统的优化控制流程做出了叙述，并给出神经网络稳态建模的具体方法，找到能够对煤耗与NOx排放量这两个指标进行综合性优化的方法。针对系统具有的显著非线性动态特征，特在模型中采用数据驱动原理，通过混合模型来进行仿真模拟，混合模型是基于前向神经网络与一阶自回归两种模型基础上改进而来，可更好的对系统数据的动态特征进行描述，同时也给出了训练算法的推导过程与结果。最后通过遗传算法来对整个模拟过程进行寻优处理，然后分析出模型基于两个典型负荷情况下的模拟结果，并对其做出结果分析和对比

　　第一章是绪论部分，提出研究背景及意义，确定本文研究重点并对课题研究内容及文章结构进行叙述。

　　第二章为理论方法叙述，针对本文研究过程中使用的神经网络静态建模方法与非线性动态系统分段建模方法进行了理论叙述，主要包括有研究对象及优化控制这几方面。本研究中用于评估模型的指标为火电厂煤耗与NOx排放量，在评估的过程中结合燃烧机组的负荷情况做出相关性分析。之后对不同训练算法的优缺点进行了对比和分析。最终确定本文所采用的建模方法为稳态与动态相结合的建模方法，同时在建模时利用分段思想来完善模型，采用此方法可更好的对燃烧系统进行仿真模拟。

　　第三章为混合模型的建立，混合模型是稳态和动态过程相结合的模型，更能反映锅炉燃烧系统的实际工况。在研究过程中，先对混合模型的特征和构建方式进行了叙述，并给出相对用的训练算法。然后在模型中加入对NOx排放量指标，以完成最终模型的构建。通过模型校验结果可知，混合模型对系统的模拟效果更好，结果可信度更好。

　　第四章为火电厂锅炉燃烧系统的优化方法和设计流程。由于系统中煤耗指标具有稳态特征，所以能够通过单一神经网络模型对其进行仿真模拟，而NOx则具有动态特征，应当采用混合模型来进行仿真模拟。对混合模型的结果校验采用遗传算法对300MW负荷处的模拟结果进行验证。针对性地对两个评估指标权重相等情况下模型运行结果进行分析，然后采用经济与环保的最优方式来做出模型验证。验证结果显示，使用混合模型对NOx的仿真结果可信度更高，并且找到其可调变量。在本章节结尾处，通过相对增益分析法对NOx排放量做出了分析和研究，精确分析出影响比重最大的NOx排放量可调变量，为实践中的改进与优化过程提出了参考性建议。

　　第五章是对本文研究工作的总结，找出本文研究的不足之处并以此为切入点对未来的研究工作加以展望。

　　本章为理论方法叙述，针对本文研究过程中使用的神经网络静态建模方法与非线性动态系统分段建模方法进行了理论叙述，主要包括有研究对象及优化控制这几方面。本研究中用于评估模型的指标为火电厂煤耗与NOx排放量，在评估的过程中结合燃烧机组的负荷情况做出相关性分析。之后对不同训练算法的优缺点进行了对比和分析。最终确定本文所采用的建模方法为稳态与动态相结合的建模方法，同时在建模时利用分段思想来完善模型，采用此方法可更好的对燃烧系统进行仿真模拟。

　　2.1火电厂锅炉燃烧系统神经网络静态建模

　　本节首先对研究对象进行选定，然后采集数据并对数据进行处理，接着选取评价指标并讨论锅炉燃烧系统机组负荷情况和氮氧化物排放量、单位相对煤耗之间所存在的相关性，在此基础上建立神经网络模型。最终选取的评价指标分别是氮氧化物排放量和单位相对煤耗。

　　2.1.1研究对象的选定

　　本文选取了某发电厂300MW机组作为研究对象，某发电厂300MW机组的气包炉采用单炉膛式，此种气包炉有以下两个主要特性：三分仓、直吹式制粉，主要参数有：过热器蒸发量、过热器出口蒸汽压力和温度、再热器进口蒸汽压力和蒸汽蒸发量、再热器出口蒸汽压力和温度、省煤器入口给水温度，还有就是耗煤量等等。

　　某发电厂300MW机组燃烧器按照四角方式安排，燃烧过程中采用切圆方式，对喷嘴设置成等间距，喷嘴可以来回摆动，这样不仅方便调节炉膛出口烟温，还能再热蒸汽温度，使燃烧均匀，这样氮氧化物的排放量就不会很高，能够产生一定的环保效益。如图2-1所示为某发电厂300MW机组炉膛燃烧器配置。

　　对于燃烧效率的控制，一般有多个指标可以进行考核，在这些指标当中，给煤量与送风量是提高燃烧效率的重要指标，也较为容易进行调节和管理，借助调整这两个指标的比例能够有效提升热效率，以实现热损失的降低和盈利性的提高，通常用来评估火电厂热效率的指标为排放的烟气中含氧量与风煤比，只有结合这两者来共同进行评估才能够更有效的评估出火电厂的热效率，评估结果才更加准确，其中当排放烟气含氧量为5%，风煤比介于1.02-1.10时能够达到热效率的极大值。在整个系统中炉膛负压也是评估热效率的重要指标之一，炉膛负压不仅影响了系统的热效率同时还关系到工作车间内的员工及设备的安全性，如果该指标值低于标准值，会出现向外喷火的现象，相反则有大量热量随着烟气的排放而流失，造成巨大的浪费。控制该指标值可通过引风量与送风量的比值进行控制，有效的控制可保证系统处于稳定高效的运行中，为系统的安全与经济提供强有力的保障。同时，在系统工作时，系统内众多设备都处于负荷状态下，这与蒸汽压力有关也是不可忽视的环节，蒸汽量有消耗也有生产，负荷设备在消耗，锅炉在生产，这中间不能出现偏差，一旦出现偏差就会影响到整个系统的正常运行。有效控制蒸汽压力的措施通常通过控制给煤量来实现，针对单一锅炉的燃烧系统来说控制蒸汽压力较为容易，然而大多数燃烧系统中锅炉的数量较多，这就给分配蒸汽负荷带来了一定的难度，需要通过更多的工作共同配合来实现。

　　部分原始数据集如表2-1所示：

　　2.1.2数据采集和预处理

　　对于锅炉燃烧效率的影响因素，可以将其分为三类，分别称作是反应参数（CV）、可调参数（MV）和扰动变量（DV）。

　　在这些参数类别里面，MV是可调节的参数，它可以通过控制系统调节也可以进行手动调节；DV是种变量，控制系统和认为都没有办法对其进行调节，这是客观因素造成的，像材质因素所形成的变量、工况环境因素等，这类变量会对系统的运行产生扰动，而且并无规律；CV是变量，它是最终输出的变量，输出变量由MV和DV所控制的，人为只能间接去控制。

　　锅炉燃烧系统的优化调节原理实际并不复杂，首先要把DV全部确定下来，然后通过调节MV期望获得最优的CV。原理简单，但实际进行控制时却并不容易，参数多且有关联性，输出的结果往往存在一定的矛盾，只能要求取得最佳的平衡。在整个锅炉燃烧的过程中，有很多参数可能影响燃烧效率和氮氧化物排放量，这些是通过实验才能确定的影响参数，本文收集了如下的参数数据：进风量、给煤量、机组负荷、二次风及燃尽风挡板的开度值、差压、炉膛的温度、出口烟气的温度、减温水流量等。

　　数据需要进行预处理从而归一化，差压、炉膛的温度、出口烟气的温度等等通过求平均值即可，减温水流量数据一般通过求和来完成。

　　在不同负荷处的工况显然是不同的，为了获得更多数据本文采集300MW、240MW和180MW负荷处的工况数据。本次文章最后选出的CV和MV如下：

　　可调参数MV总共是15个，各层风门开一共九个，给煤机煤量一共四个，另外两个是差压和机组氧量。

　　一共有九个反应参数，分别是汽压，单位是兆帕，汽温，单位是摄氏度，总喷水量，单位是小时每吨，蒸汽温度，单位是摄氏度，再喷水量，单位是小时每吨，飞灰的含碳量，单位是百分数，烟气的含量，单位是百分数，氮氧化合物的排放量，单位是兆克每立方米，空预器的出口温度，单位是摄氏度。这些数据是本文建立模型的基础。

　　2.1.3评价指标选取

　　在目前的情况下，我国火力发电厂在追求经济收益的同时不能忽视对环境造成的影响，因此必须将把监督控制等相关系统安装到发电厂的原有控制系统上，即火电厂的燃烧体系必须要满足环保要求。本文所建立的体系主要是为了研究在满足各项环保要求的前提下尽可能的提高锅炉的发热效率，这两者具有着一定的矛盾性而且由于参数之间的相互关联常常无法获得最优的平衡，也就是为火力发电厂获取适当的经济收益，同时较少氮氧化合物等污染物的排放。所以，本文在评估环保水平时参考火力发电厂氮氧化合物的排放量，在评估经济效益时参考锅炉的发热效率。

　　评价指标有两个，这就属于多目标问题了，解决多目标问题，不能分开来独立去考虑，必须把各个目标关联起来，建立一个科学的函数关系，每一个目标的加权系数需要预先设定，这样就能够把多目标问题转化为单目标问题，就像2-1所表示的：

　　f=w1·Effi+w2·NOx(2-1)

　　在上式中，锅炉的发热效率表示为Effi，氮氧化合物的排放含量表示为NOx，这分别是评估火力发电厂环境水平以及经济水平的两个重要因素，加权系数分别为w1以及w2，最后的目标表示为f。

　　将式2-1抽象化可以获得式2-2，这就是通用的最终形式的目标函数：

　　f=coeffi1*Var2+coeffi2*Var2(2-2)

　　在2-2这个式子中，最终的结果仍然为f，加权系数是coeffi1以及coeffi2。锅炉的发热效率表示为Var1，氮氧化合物的排放含量表示为Var2，数值之间的极差表示为Span，是用归一化来进行处理的。有很多种办法来计算锅炉的发热效率，锅炉能够有效利用的热量除以输入锅炉的热量即为锅炉的发热效率。但是这个数值很难得到，对锅炉可以列热平衡方程，去除损失的热量之后就可以得到锅炉的发热效率，但是在计算热量消耗的时候同样不简单。

　　可以通过相关公式来对那些锅炉加热效率没有办法直接获得的数值进行替代计算，比如针对本文的研究，煤耗率就可用于替代计算相对的锅炉加热效率值。

　　2.1.4分析机组负荷与评价指标相关性

　　机组承受的负荷不是固定不变的，图2-2表示的就是机组在负荷300MW的情况下发生的波动情况，取样点的排列是横坐标，机组所承受的负荷为纵坐标。从图中可以总结出，在20至30取样点之间和在65取样点周围机组承受的负荷均发生了变化。

　　图2-2负荷300MW条件下的波动情况

　　只有通过实验才能验证机组的负荷变化是否能对单位的耗煤量产生作用，图2-3表示的是通过归一化方法处理后的单位相对耗煤量与机组的负荷进行对比后的结果。

　　根据图2-3可以总结出，单位相对耗煤量与机组的负荷的变化方向是相同的，在计算单位相对耗煤量与机组的负荷之间的相关性时用R=corrcoef(X,Y)来计算，相关的系数数值大于0.8，表明两者之间存在相关关系。

　　对氮氧化物的排放浓度与机组的负荷进行归一化处理后进行比较，结果如图2-4，从图2-4中可以总结出，氮氧化物的排放浓度与机组的负荷进行归一化处理后的变化方向是相似的，在计算氮氧化合物的排放浓度与机组的负荷之间的相关性时运用corrcoef(X,Y)这一方法，计算后的结果大约为-0.6，表明二者之间存在相关性关系。

　　相对比较稳定的数据能够反映锅炉在稳态下的运行状况，应该将其保留，而波动较大的数据可能是由于测量或是其他不可测因素造成的，它并不能代表锅炉在稳态下的运行状况，应该删除。

　　2.1.5评估指标的神经网络模型

　　在优化控制的程序和研究对象确定后，本文将评估锅炉燃烧体系的两个指标选择为氮氧化合物的排放浓度以及相对的耗煤量，并且将锅炉燃烧体系的负荷与这两个指标是否具有相关性进行了分析，在此基础上本文建立火电厂的锅炉燃烧体系的神经网络模型。

　　在人工智能研究领域中，人们在开发机器人的时候尽可能的使机器人能够具备人类具有的学习能力以及人类的思考模式，在1943年首次提出了人工神经网络的数学模型，在1969年时众多科学家尚没有发现人类的神经网络的活动规律，对人工制造神经网络又造成了巨大的阻碍。直到1982年，Hopfield神经网络数学模型被J.J.Hopfield建立，这个模型具有较强的学习能力并有一定的联想记忆功能，原先对人工神经网络进行研究的障碍出现了一个缺口，Hopfield神经网络数学模型很快被广为接受然后专家学者开始将关注点锁定在对人工神经网络进行训练的学习算法上，1986年，BP（反向传播）的计算方法被Rumelhart所发现，这种计算方法在现在仍然被广泛运用，现实表明，这种计算方法是非常有效的，然后，越来越多的人工神经网络的训练算法和相关理论被提出，比如：SVM算法、最大互信息理论、自组织理论等，这些计算方法都是利用人工神经网络的自学习的能力和映射的特点来处理问题[32]。

　　神经网络模型有多种形式，最为常见的是黑箱模式，本文亦采用此种方法，锅炉的燃烧体系是一种非线性的体系，在这个体系中，输入变量有很多，输出变量也常常不止一个，但是这个系统并不简单，没有办法进行线性建模，非线性体系可以用神经网络模型来表示，所以锅炉燃烧控制系统在进行拟合时神经网络模型是个很好的选择。火电厂的锅炉燃烧体系固定不变的模型就是要表示输入与输出两者之间存在的关系，然后经计算来得到最优解[33]。因为不稳定的特性不可以通过神经网络来表达，所以如何表达动态的特性的会在后文中进行说明。

　　如图2-5，这是本文所建立的单输出的神经网络，我们其实也可以建立包括锅炉的热效率与NOx排放量这两个元素的神经网络结构模型，其实与普通两个输出的结构模型比起来，在本质上并没有多大的区别。

　　在应用神经网络模型之前，需要把所有输入变量进行归一化处理，使所有数据都在[-1,1]区间之内[34]，本文采取的评价指标是氮氧化物的排放量与相对的煤耗。

　　在整个实验过程中，有的数据自始至终都没有发生变化，这样对结果也就不会产生影响，这些数据可以全部弃用，剩下11个可调参数，主要是风门的开度大小、压差、给煤量和机组耗氧量等。

　　一共有九个反应参数，分别是汽压，单位是兆帕，汽温，单位是摄氏度，总喷水量，单位是小时每吨，蒸汽温度，单位是摄氏度，再喷水量，单位是小时每吨，飞灰的含碳量，单位是百分数，烟气的含量，单位是百分数，氮氧化合物的排放量，单位是兆克每立方米，空预器的出口温度，单位是摄氏度。

　　锅炉的燃烧系统控制原理简单，但实际控制起来却并不容易，各个输入变量存在一定的耦合性，会产生交叉影响，属于非线性控制系统，系统复杂度很高，神经网络的结构模型描述的是非线性的控制系统，系统是静态的结构模型并非是动态的结构模型，所以说动态特性模拟相对不足，就像如果存在负荷变动的情况的时候，神经网络结构模型无法针对这种情况建立模型，也就是说，单一神经网络模型模拟火电厂锅炉燃烧系统是不足的，火电厂锅炉燃烧系统的很多动态结构特性并没有被考虑进去，火电厂锅炉燃烧系统的动态特性一般发生在两个稳态过程的转换中，属于一种过渡的过程，动态过程是线性的，稳态过程是非线性的，如果能够分段建立模型是一个很好的选择，但是在分段建立模型之前首先需要辨识什么时候属于稳态过程，什么时候属于动态过程，为了更容易辨识，需要对过程进行增益。

　　在火电厂的锅炉系统的建模过程中我们得到了许多成果，但是国内外专家并没有深入研究锅炉的燃烧系统方面的动态结构与特性，而锅炉系统的实际操作情况是处在不断地变化之中的，如果不考虑这个因素，即使我们建立了非线性的模型，我们依旧很难取得预期效果。通过本文的相关研究希望可以补充这一方面的研究不足，使所建立模型的拟合度更高一步，既实现火电厂的经济效益同时又可保证满足环保要求。通过增强火电厂的煤炭利用水平提高企业效益，并且可减少NOx的排放水平，肩负起社会的环保责任，能够保护环境，有利于我国生态环境的建设。

　　2.2.1稳态与动态的过程

　　对火电厂锅炉燃烧系统采集的数据一般有两种，一种是闭环条件下采集到的数据，一种是开环条件下采集到的数据，闭环条件下采集到的数据是历史上的运行数据，较为容易取得一定的映射关系，我们可以使用神经网络结构模型来计算。开环条件下采集到的数据是机组的测试数据，这些数据一般可以通过阶跃测试获得。在分段建立模型之前首先需要辨识什么时候属于稳态过程，什么时候属于动态过程，这是本节讨论的重点。

　　火电厂锅炉燃烧系统的动态特性一般发生在两个稳态过程的转换中，属于一种过渡的过程，动态过程是线性的，稳态过程是非线性的，如果在系统运行时，系统的输入数据和输出数据都没有发生改变，系统的差分项为零，这个时候系统一般处在稳态运行中。与此相反，如果系统运行时系统的输入数据和输出数据都发生改变，系统的差分项不为零，说明系统并不处于稳态运行过程中，而是动态变化的，一般来说是正在发生状态的转移，此时采集到的数据就可以反映系统的动态特性，一般来说，系统的动态过程与稳态过程是不会重合的，是可以通过开环数据辨识得到的。

　　2.2.2非线性的动态模型描述

　　采用神经网络模型描述非线性的动态系统之中的静态部分是最为合适的，动态部分可以线性化，可以建立状态空间方程，也可以建立微分方程，如图2-6所示就是非线性的动态系统中动态与稳态的相关组成。

　　火电厂的锅炉优化系统的模型能够在锅炉平稳运行过程中采集几乎全部的稳态数据，并通过逐级实验采集相关的动态数据，可以根据这个识别系统的稳态特征和动态特征。神经网络结构模型与动态线性结构模型的相互结合可以近似的描述实际运行系统。

　　静态与动态非线性的模型相互结合的状态方程可以按照2-3所示计算得出：

　　W(t)=Gu(u(t))

　　X(t)=Ax(t)+Bw(t)(2-3)

　　y(t)=Cx(t)

　　2.2.3增益的匹配及线性的动态系统

　　对动态过程，只能采用通用的逼近器去模拟，本节将对此进行详细讨论，对于多输入单输出的结构模型，如图2-4所示：

　　yk=yinit+δyk-i+δuk-I(2-4)

　　动态系统具有动态的特性，比如低阶、大惯量等，这也是线性系统的重要标志，这种特性人工神经网络是无法模拟的，可以使用式2-4来模拟，但必须有个先决条件，就是通过动态系统的动态特性可以识别出某一个过程是稳态过程还是静态过程，增益匹配是识别此过程的重要方法。

　　Y=P{U,Y)可以用于表示稳态过程，y(t)=p(u(t),y(t))可以用于表示动态过程，式2-5，2-6就是针对于稳态过程和动态过程的增益：

　　K=(2-5)

　　K=(2-6)

　　本节后续的部分把动态增益与静态收益进行相关的匹配。

　　2.2.4非线性稳态模型的辨识和增益计算

　　锅炉的燃烧体系是一种非线性的体系，在这个体系中，输入变量有很多，输出变量也常常不止一个，这个系统没有办法进行线性建模，非线性体系可以用神经网络模型来表示，所以锅炉燃烧控制系统在进行拟合时神经网络模型是个很好的选择。火电厂的锅炉燃烧体系固定不变的模型就是要表示输入与输出两者之间存在的关系，然后经计算来得到最优解。本文所建立的单输出的神经网络，我们其实也可以建立包括锅炉的热效率与NOx排放量这两个元素的神经网络结构模型，其实与普通两个输出的结构模型比起来，在本质上并没有多大的区别。对于稳态增益求解方法，方式有多种，很多算法都可以利用，比如BP算法还有粒子群算法等，也可以采用偏微分方程来求解，如式2-7所示：

　　=lim(2-7)

　　在多变量输入的神经网络中，各个变量之间常常会产生相互影响，也就是耦合，变量之间的影响有大有小，其程度就可以用增益来表示，平均的增益能够用2-8求出：

　　Tsenij=/Npats(2-8)

　　在式2-8中，最后得到的结果就是平均增益，Npats是多变量神经网络系统中变量的个数。

　　平均增益的绝对值可以用式2-9求解：

　　Tsenstj={│}/Npats(2-9)

　　式2-10可以用于表示最大增益：

　　PkSensij=max(│)，K∈1，2，…，Npats(2-10)

　　2.2.5线性动态模型的辨识和增益计算

　　在对线性系统进行辨识时，可用式2-11作为传递函数：

　　Yt=(p,θ)uti+H(pθ)et(2-11)

　　在式2-11中：

　　Gi(p,θ)=q-ki

　　H(p,θ)=

　　et是均值噪声。θ是模型参数。

　　通用模型如式2-12所示：

　　Y(t)=G(q,θ)u(t)+H(q,θ)e(t)(2-12)

　　在2-22中，e(t)实际是白噪声。ARX模型因为自由度不足，所以无法完美的描述模型的误差，ARMAX模型由于使用了白噪声就能够弥补这个不足。

　　如2-13所示，此为最大似然估计：

　　=argminL(θ)

　　θ∈RN(2-13)

　　求解动态系统的增益一般采用阶跃响应的方法。如式214所示：

　　Kd==(2-14)

　　在式2-14中，Kd即为动态系统增益，可以计算增益匹配来完成动态过程的识别。

　　2.3火电厂锅炉燃烧系统混合模型的建立

　　本节中符号表示的含义：

　　Wi,j是权重，i是本层的第1个神经元，j是下一层第j个神经元。Vi是经过加权求和后的输入；Xi则是经过传递函数后的输出。

　　Vi的计算如式2-15，2-16所示：

　　v(2)==+bias2(2-38)

　　==+bias1i(2-39)

　　输出值计算如式2-17，2-18：

　　=fi()=f1(+bias1i)(2-17)

　　y==f2(v(2))=f2(+bias2)(2-18)

　　混合模型如式2-19所示：

　　yt=FNN(ut)+dt

　　dt=adt-1(2-19)

　　这个式子体现了建模思想中的过程开发模型。公式中，每个字含义如下：FNN.表示稳态函数且属于非线性，对于dt=adt-1这个公式表示着自回归建模模型且属于一阶，这就是混合模型，该模型可以详细的去展示系统中的不断变化特性。这个模型并没有考虑噪声，严谨性不够，而噪声是实际存在的，式2-20是考虑了噪声的混合模型：

　　yt+1=+dt+vt

　　dt=adt-1+wt

　　=FNN(ut)(2-20)

　　在这个公式中，稳定状态测量的值是在t+1时刻进行测量的，用yt+1表示出测量值，对于本章所建立的模型来说，他的稳定状态测量值就是氮氧化物进行排放的排放量。ut是输入向量，它保持不变，对于函数来说，扰动量属于一阶非线性自回归模型且用dt来表示。a则是系统反馈量，是干扰量的反馈系数。稳定状态映射用FNN()来表示，相对于系统来说，是输入量与排放量的非线性关系。测量噪声在公式中用Vt来表示，过程噪声用wt来表矩阵示，他们二者皆属于高斯分布，并且都是矩阵中的方差矩阵。在本章节中所建立的过程开发模型因为可以在一定程度上反映模型动态系统的特性所以又被称为动态模型。

　　在本章中是关于火电厂锅炉系统的过程开发建模，第一，要对其建立静态模型，然后开始进行分段建立模型的分析与研究。最后成功的建立一个过程开发模型，我们选取一个电厂的300MW机组为我们的研究对象。它采用了多种布置结构，将燃烧器成四角分布，在进行工作时进行圆形切割，同时可以调节喷嘴之间的距离，进而达到燃烧率高，氮氧化物的排放量处于一个低水准。但是锅炉的燃烧效率并不是处于一个稳定的状态，它受三种变量的影响，分别称作是反应参数（CV）、可调参数（MV）和扰动变量（DV）。在这些参数类别里面，MV是可调节的参数，它可以通过控制系统调节也可以进行手动调节；DV是种变量，控制系统和认为都没有办法对其进行调节，这是客观因素造成的，像材质因素所形成的变量、工况环境因素等，这类变量会对系统的运行产生扰动，而且并无规律；CV是变量，它是最终输出的变量，输出变量由MV和DV所控制的，人为只能间接去控制。锅炉燃烧系统的优化调节原理实际并不复杂，首先要把DV全部确定下来，然后通过调节MV期望获得最优的CV。原理简单，但实际进行控制时却并不容易，参数多且有关联性，输出的结果往往存在一定的矛盾，只能要求取得最佳的平衡。在整个锅炉燃烧的过程中，有很多参数可能影响燃烧效率和氮氧化物排放量，这些是通过实验才能确定的影响参数，本文收集了如下的参数数据：进风量、给煤量、机组负荷、二次风及燃尽风挡板的开度值、差压、炉膛的温度、出口烟气的温度、减温水流量等。

　　在本章节所建立的神经网络模型采用多变量进行输入，以单个入口输出。在全部数据中，没有处于变化的数据省略。我们可以调整的参数还有11个，反应参变量共有九个。对于机器来说，他的负荷量不是稳定不变的，也是处于不断波动的状态，经过统一化处理后使煤的消耗量和相关的氮氧化物的排放量变化特别接近，所以选取数据时，应该用稳定的数据，将不稳定的数据删除，进而来建立模型。在本章节中所建立的模型是以黑箱为基础的神经网络模型。在本系统中，所采用的模型，是存在多种的复杂的非线性系统。相比较而言，用神经网络对其进行控制是一个很好的选择，由于他是一个静止状态的模型，虽然可以用来表述非线性系统，但是缺少动态系统特性的特征描述。所以要对火电电热厂进行动态模型建设，来对其进行研究。最后在本章的结尾建立一个火电锅炉热电厂系统的过程开发模型。