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
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
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
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。