本發(fā)明屬于火電技術(shù)領(lǐng)域，尤其涉及一種吸收塔脫硫過程多目標協(xié)同智能優(yōu)化控制方法。

背景技術(shù)：

近年來，我國的火電裝機容量持續(xù)攀升，發(fā)電市場的競爭局面日趨嚴峻。另一方面，煤價成本飛升和國內(nèi)各種環(huán)保規(guī)范更嚴格的約束，在未來一段時間內(nèi)，發(fā)電企業(yè)如何提高燃燒效率，減少污染物排放，降低發(fā)電成本將成為其重點考慮的問題之一。

為了實現(xiàn)出口so2濃度達標，并降低脫硫設(shè)備能耗，需要一種吸收塔脫硫過程智能優(yōu)化控制方法。

技術(shù)實現(xiàn)要素：

為解決上述技術(shù)問題，本發(fā)明的目的是提供一種吸收塔脫硫過程多目標協(xié)同智能優(yōu)化控制方法，有效地選取吸收塔石灰石漿液供給量、循環(huán)泵運行組合方式這兩個優(yōu)化目標，同時實現(xiàn)出口so2濃度達標，并降低脫硫設(shè)備的能耗。

本發(fā)明提供了一種吸收塔脫硫過程多目標協(xié)同智能優(yōu)化控制方法，包括：

步驟1，基于粒子群優(yōu)化算法的多目標優(yōu)化控制，將吸收塔石灰石漿液供給量、循環(huán)泵運行組合方式作為優(yōu)化目標進行遍歷迭代尋優(yōu)，并在遍歷迭代尋優(yōu)過程中基于吸收塔過程模型獲取出口so2濃度和脫硫設(shè)備能耗的概率分布；

步驟2，根據(jù)優(yōu)化的目標函數(shù)評判優(yōu)化目標的優(yōu)劣；其中，優(yōu)化的目標函數(shù)是在實現(xiàn)出口so2濃度達標，并降低脫硫設(shè)備能耗之間尋求最優(yōu)。

進一步地，步驟1具體包括：

將變化的脫硫變量輸入多目標優(yōu)化模型，并隨機生成多個多維度粒子；其中，每個粒子對應(yīng)于當前工況下的一組石灰石漿液供給量、循環(huán)泵運行組合方式的值；其中，脫硫變量包括機組的計劃發(fā)電量和預(yù)測入口so2濃度；

對所有粒子進行遍歷迭代尋優(yōu)的過程中，將每個粒子輸入離線學習得到的吸收塔脫硫過程模型，通過貝葉斯推理，得到的脫硫運行狀態(tài)，進而得到出口so2濃度和脫硫設(shè)備能耗的概率分布。

進一步地，對所有粒子進行遍歷迭代尋優(yōu)包括：

在每一次迭代后，每個粒子自動根據(jù)自己的歷史最優(yōu)值和全局的最優(yōu)值更新自己的參數(shù)；

經(jīng)歷了所有迭代后，所有粒子收斂至最優(yōu)的位置。

進一步地，粒子群優(yōu)化算法的過程包括：

1)設(shè)置n個粒子的初始值，每個粒子xi代表優(yōu)化問題的一個潛在解，i∈[1,n]；其中，對于最小值優(yōu)化問題，每個粒子的適應(yīng)值fitnessi，每個粒子的最優(yōu)位置和整個種群的最優(yōu)位置gbest都設(shè)為無窮大；

2)在迭代次數(shù)t達到設(shè)置的最大迭代數(shù)tmax之前，或者，未滿足終止條件的情況下，在每次迭代中重復(fù)以下步驟：

(a)計算每個粒子的適應(yīng)值，fitnessi＝f(xi)；

(b)更新每個粒子迄今為止搜索到的最優(yōu)位置

(c)更新整個粒子群迄今為止搜索到的最優(yōu)位置

(d)根據(jù)下式移動粒子，

xi,t+1＝xi,t+ui,t+1,

其中，式中ui,t+1定義為

其中，ui,t代表第i個粒子在時間段t的飛行速度，ui,t+1代表第i個粒子在下個時間段t+1的飛行速度，ω是小于1的常數(shù)，用來反饋粒子在時間段t的飛行速度對下個時間段t+1的飛行速度的影響；xi,t代表第i個粒子當前的位置；學習因子c1和c2是確定飛行速度影響的權(quán)重值；r1和r2是介于[0,1]之間的隨機常數(shù)；

(e)t＝t+1；

3)迭代結(jié)束，得出滿足多維目標函數(shù)f(x)的最優(yōu)解x。

進一步地，吸收塔過程模型的建立過程包括：

基于貝葉斯網(wǎng)絡(luò)確定吸收塔脫硫過程模型結(jié)構(gòu)，包括將負荷、入口so2濃度、入口溫度、入口o2濃度、ph值作為非可調(diào)控輸入變量，將吸收塔石灰石漿液供給量和循環(huán)泵運行組合作為可調(diào)控輸入變量，將出口so2濃度作為輸出變量；

基于確定的吸收塔脫硫過程模型結(jié)構(gòu)確定脫硫過程模型參數(shù)，包括根據(jù)吸收塔的脫硫歷史運行數(shù)據(jù)和相關(guān)試驗數(shù)據(jù)，通過各脫硫運行變量之間依賴關(guān)系的強弱的概率分將先驗信息與樣本知識相結(jié)合，自動進行離線學習模型參數(shù)；

根據(jù)確定的吸收塔脫硫過程模型結(jié)構(gòu)及參數(shù)，建立基于貝葉斯網(wǎng)絡(luò)的吸收塔脫硫過程模型。

進一步地，吸收塔過程模型的建立過程還包括：將吸收塔脫硫過程模型作為優(yōu)化控制中的目標函數(shù)，通過貝葉斯推理由每組候選脫硫控制量推導出相應(yīng)的吸收塔運行狀態(tài)，用以選出經(jīng)濟性最優(yōu)的脫硫控制量。

進一步地，貝葉斯推理使用變量消除法，通過聯(lián)合概率分布相加除去無關(guān)變量得到任一變量的條件概率。

進一步地，貝葉斯推理包括從觀察的脫硫控制量預(yù)測受其影響而得到的出口so2濃度。

進一步地，貝葉斯推理還包括從觀察的出口so2濃度推斷出導致其發(fā)生的脫硫控制量變化。

進一步地，吸收塔過程模型的建立過程還包括通過計算均方根誤差率選擇最優(yōu)的吸收塔脫硫過程模型結(jié)構(gòu)來描述吸收塔的脫硫過程。

借由上述方案，通過吸收塔脫硫過程多目標協(xié)同智能優(yōu)化控制方法，可以有效地選取吸收塔石灰石漿液供給量、循環(huán)泵運行組合方式這兩個優(yōu)化目標，同時實現(xiàn)了出口so2濃度達標，并降低了脫硫設(shè)備的能耗。

上述說明僅是本發(fā)明技術(shù)方案的概述，為了能夠更清楚了解本發(fā)明的技術(shù)手段，并可依照說明書的內(nèi)容予以實施，以下以本發(fā)明的較佳實施例并配合附圖詳細說明如后。

附圖說明

圖1是本發(fā)明吸收塔脫硫過程多目標協(xié)同智能優(yōu)化控制方法的流程圖；

圖2是本發(fā)明粒子群優(yōu)化算法的流程圖。

具體實施方式

下面結(jié)合附圖和實施例，對本發(fā)明的具體實施方式作進一步詳細描述。以下實施例用于說明本發(fā)明，但不用來限制本發(fā)明的范圍。

參圖1所示，本實施例提供了一種吸收塔脫硫過程多目標協(xié)同智能優(yōu)化控制方法，包括：

步驟s1，基于粒子群優(yōu)化算法的多目標優(yōu)化控制，將吸收塔石灰石漿液供給量、循環(huán)泵運行組合方式作為優(yōu)化目標進行遍歷迭代尋優(yōu)，并在遍歷迭代尋優(yōu)過程中基于吸收塔過程模型獲取出口so2濃度和脫硫設(shè)備能耗的概率分布；

步驟s2，根據(jù)優(yōu)化的目標函數(shù)評判優(yōu)化目標的優(yōu)劣；其中，優(yōu)化的目標函數(shù)是在實現(xiàn)出口so2濃度達標，并降低脫硫設(shè)備能耗之間尋求最優(yōu)。

在本實施例中，步驟s1具體包括：

將變化的脫硫變量輸入多目標優(yōu)化模型，并隨機生成多個多維度粒子；其中，每個粒子對應(yīng)于當前工況下的一組石灰石漿液供給量、循環(huán)泵運行組合方式的值；其中，脫硫變量包括機組的計劃發(fā)電量和預(yù)測入口so2濃度；

對所有粒子進行遍歷迭代尋優(yōu)的過程中，將每個粒子輸入離線學習得到的吸收塔脫硫過程模型，通過貝葉斯推理，得到的脫硫運行狀態(tài)，進而得到出口so2濃度和脫硫設(shè)備能耗的概率分布。

在本實施例中，對所有粒子進行遍歷迭代尋優(yōu)包括：在每一次迭代后，每個粒子自動根據(jù)自己的歷史最優(yōu)值和全局的最優(yōu)值更新自己的參數(shù)；經(jīng)歷了所有迭代后，所有粒子收斂至最優(yōu)的位置。

在本實施例中，吸收塔過程模型的建立過程包括：

基于貝葉斯網(wǎng)絡(luò)確定吸收塔脫硫過程模型結(jié)構(gòu)，包括將負荷、入口so2濃度、入口溫度、入口o2濃度、ph值作為非可調(diào)控輸入變量，將吸收塔石灰石漿液供給量和循環(huán)泵運行組合作為可調(diào)控輸入變量，將出口so2濃度作為輸出變量；

基于確定的吸收塔脫硫過程模型結(jié)構(gòu)確定脫硫過程模型參數(shù)，包括根據(jù)吸收塔的脫硫歷史運行數(shù)據(jù)和相關(guān)試驗數(shù)據(jù)，通過各脫硫運行變量之間依賴關(guān)系的強弱的概率分將先驗信息與樣本知識相結(jié)合，自動進行離線學習模型參數(shù)；

根據(jù)確定的吸收塔脫硫過程模型結(jié)構(gòu)及參數(shù)，建立基于貝葉斯網(wǎng)絡(luò)的吸收塔脫硫過程模型。

在本實施例中，吸收塔過程模型的建立過程還包括：將吸收塔脫硫過程模型作為優(yōu)化控制中的目標函數(shù)，通過貝葉斯推理由每組候選脫硫控制量推導出相應(yīng)的吸收塔運行狀態(tài)，用以選出經(jīng)濟性最優(yōu)的脫硫控制量。

在本實施例中，貝葉斯推理使用變量消除法，通過聯(lián)合概率分布相加除去無關(guān)變量得到任一變量的條件概率。

在本實施例中，貝葉斯推理包括從觀察的脫硫控制量預(yù)測受其影響而得到的出口so2濃度。

在本實施例中，貝葉斯推理還包括從觀察的出口so2濃度推斷出導致其發(fā)生的脫硫控制量變化。

在本實施例中，吸收塔過程模型的建立過程還包括通過計算均方根誤差率選擇最優(yōu)的吸收塔脫硫過程模型結(jié)構(gòu)來描述吸收塔的脫硫過程。

本實施例提供的吸收塔過程多目標協(xié)同智能優(yōu)化控制方法，使用基于粒子群優(yōu)化算法的多目標優(yōu)化控制，可以有效地選取吸收塔石灰石漿液供給量、循環(huán)泵運行組合方式這兩個優(yōu)化目標，同時實現(xiàn)出口so2濃度達標，并降低脫硫設(shè)備的能耗。具體包括：

(一)在線進行自適應(yīng)多目標優(yōu)化控制。

該優(yōu)化控制方法使用基于粒子群優(yōu)化算法的多目標優(yōu)化(multi-objectiveoptimization)控制。粒子群優(yōu)化(particleswarmoptimization,簡稱pso)與其他進化算法一樣，也是基于“種群”和“進化”的概念，通過個體間的協(xié)作與競爭，實現(xiàn)復(fù)雜空間最優(yōu)解的搜索；同時粒子群優(yōu)化算法又不像其他進化算法那樣對個體進行交叉、變異、選擇等進化算子操作，而是將群體(swarm)中的個體看作是d維搜索空間中沒有質(zhì)量和體積的粒子(particle)，每個粒子以一定的速度在搜索空間中運動，并向自身歷史最優(yōu)位置和整體最優(yōu)位置聚集，實現(xiàn)對候選解的進化。粒子群優(yōu)化算法具有很好的生物社會背景而易理解，流程簡單易實現(xiàn)，算法參數(shù)簡單，對非線性、多峰問題具有較強的全局搜索能力。

將粒子優(yōu)化算法應(yīng)用于吸收塔脫硫過程優(yōu)化控制，每個優(yōu)化問題的潛在解都可以想象成d維搜索空間中的一個粒子，所有的粒子都有一個被目標函數(shù)(fitnessfunction)決定的適應(yīng)度值(fitnessvalue)，這些粒子在搜索空間中以一定的速度飛行，其速度的大小和方向根據(jù)粒子本身的飛行經(jīng)驗和整個種群的飛行經(jīng)驗進行動態(tài)調(diào)整。隨即，所有粒子會追隨當前的最優(yōu)粒子在解空間內(nèi)搜索。

假設(shè)在一個尋找最小值問題中，需要找到最優(yōu)解x使得多維目標函數(shù)f(x)滿足下式，

x＝argminf(x)(1)

在一個d維的目標搜索空間中，有n個粒子組成一個群體，其中第i個粒子表示為一個d維的向量即第i個粒子在d維德搜索空間中的位置是換言之，每個粒子的位置就是優(yōu)化問題的一個潛在的解。將代入目標函數(shù)(fitnessfunction)就可以計算出其適應(yīng)值，根據(jù)適應(yīng)值得大小來衡量的優(yōu)劣。設(shè)每個粒子的適應(yīng)值為fitnessi(i∈[1,n])。第i個粒子的飛行速度也是一個d維的向量，記為記第i個粒子迄今為止搜索到的最優(yōu)位置為整個粒子群迄今為止搜索到的最優(yōu)位置為gbest＝(g1,g2,...,gd)。每個粒子的運行模式不僅取決于自身的飛行經(jīng)驗(即pbest)，還會受到整個種群的飛行經(jīng)驗的影響(即gbest)。因此，粒子群優(yōu)化算法可以保證最終結(jié)果是全局最優(yōu)值，而不是困在了局部最優(yōu)值。如圖2所示，粒子群優(yōu)化算法的過程如下：

1)設(shè)置n個粒子的初始值，每個粒子xi代表優(yōu)化問題的一個潛在解，i∈[1,n]。對于最小值優(yōu)化問題，每個粒子的適應(yīng)值fitnessi，每個粒子的最優(yōu)位置和整個種群的最優(yōu)位置gbest都設(shè)為無窮大。

2)在迭代次數(shù)t達到設(shè)置的最大迭代數(shù)tmax之前，或者，未滿足某種終止條件的情況下，在每次迭代中重復(fù)以下步驟：

(a)計算每個粒子的適應(yīng)值，fitnessi＝f(xi)；

(b)更新每個粒子迄今為止搜索到的最優(yōu)位置

(c)更新整個粒子群迄今為止搜索到的最優(yōu)位置

(d)根據(jù)下式移動粒子，

xi,t+1＝xi,t+ui,t+1,(2)

其中，式中ui,t+1定義為

其中，ui,t代表第i個粒子在時間段t的飛行速度，ui,t+1代表第i個粒子在下個時間段t+1的飛行速度，ω是小于1的常數(shù)，用來反饋粒子在時間段t的飛行速度對下個時間段t+1的飛行速度的影響。xi,t代表第i個粒子當前的位置。學習因子c1和c2是這些變量對確定飛行速度影響的權(quán)重值。r1和r2是介于[0,1]之間的隨機常數(shù)，對算法加入隨機因素。

(e)t＝t+1。

3)迭代結(jié)束，可以得出滿足多維目標函數(shù)f(x)的最優(yōu)解x。

本方案使用基于粒子群優(yōu)化算法的多目標優(yōu)化控制，當脫硫塔的運行工況發(fā)生改變時，將變化的脫硫變量(一般為機組的計劃發(fā)電量和預(yù)測入口so2濃度等)作為多輸入進入多目標優(yōu)化模塊，系統(tǒng)會隨機生成多個多維度粒子，每一個粒子代表了一種問題的解決方案，即對應(yīng)于當前工況下的一組石灰石漿液供給量、循環(huán)泵運行組合方式的值。對所有粒子進行遍歷迭代尋優(yōu)的過程中，將每個粒子輸入離線學習得到的吸收塔的脫硫過程模型，通過貝葉斯推理，從觀察的脫硫控制量預(yù)測受其影響而得到的脫硫運行狀態(tài)，即可以得到出口so2濃度和脫硫設(shè)備能耗的概率分布，然后根據(jù)優(yōu)化的目標函數(shù)(fitnessfunction)來評判該粒子的優(yōu)劣。

在每一次迭代后，每個粒子都會自動根據(jù)自己的歷史最優(yōu)值和全局(整個粒子群)的最優(yōu)值來更新自己的參數(shù)。經(jīng)歷了所有迭代后，所有粒子都會收斂至最優(yōu)的位置。針對該項目，優(yōu)化的目標函數(shù)是在實現(xiàn)出口so2濃度達標，并降低脫硫設(shè)備的能耗之間尋求最優(yōu)，即盡可能達到標準且平穩(wěn)的出口so2濃度和最低設(shè)備能耗。

(二)本發(fā)明的技術(shù)效果包括：

1)可以快速地收斂到解決問題的最優(yōu)值。粒子群優(yōu)化算法的最大特點之一是可以實現(xiàn)系統(tǒng)在線進行尋優(yōu)，能使脫硫的優(yōu)化調(diào)整系統(tǒng)對負荷頻繁調(diào)整、燃煤品質(zhì)變化劇烈等現(xiàn)狀進行快速反應(yīng)。

2)粒子群優(yōu)化算法對每個粒子的更新不僅是基于自己的歷史最優(yōu)值，而且還基于整個粒子群的歷史最優(yōu)值，這樣避免了最終結(jié)果是局部最優(yōu)值而不是全局最優(yōu)值。

3)粒子群優(yōu)化算法與貝葉斯網(wǎng)絡(luò)建模算法具有良好的兼容性，不會因模型的結(jié)構(gòu)、維度變化，而引起優(yōu)化控制算法的重建。

4)粒子群優(yōu)化算法可以實現(xiàn)多目標優(yōu)化控制，在控制范圍內(nèi)同時實現(xiàn)出口so2濃度達標，并降低脫硫設(shè)備的能耗。

5)粒子群優(yōu)化算法可以根據(jù)項目需要，隨時調(diào)整輸入?yún)?shù)的上、下限限值，從而確保在調(diào)整各主要控制量后，優(yōu)化過程在安全范圍內(nèi)運行實現(xiàn)。

6)粒子群優(yōu)化算法的尋優(yōu)范圍取決于搜索空間的設(shè)置，因此該算法具備在運行歷史數(shù)據(jù)范圍之外尋找最優(yōu)運行方式的能力。

7)粒子群優(yōu)化算法可以通過改變目標函數(shù)而靈活擴展其優(yōu)化目標，并具備根據(jù)模型-優(yōu)化目標和歷史數(shù)據(jù)，重構(gòu)優(yōu)化系統(tǒng)的能力。

8)流程簡單，工程上易實現(xiàn)。

以上所述僅是本發(fā)明的優(yōu)選實施方式，并不用于限制本發(fā)明，應(yīng)當指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明技術(shù)原理的前提下，還可以做出若干改進和變型，這些改進和變型也應(yīng)視為本發(fā)明的保護范圍。