基于深度學(xué)習技術(shù)的鍋爐建模與燃燒優(yōu)化.pdf

1、煤炭是我國能源結(jié)構(gòu)中的重要組成部分，電力是推動國家經(jīng)濟發(fā)展的重大動力，火力發(fā)電站是我國電力生產(chǎn)行業(yè)組成的主體。但是從能源方面來看，煤炭是寶貴的不可再生資源，在日益減少；從環(huán)境方面來說，環(huán)境污染狀況日趨嚴峻，社會各界廣泛關(guān)注，政府提倡節(jié)能減排，開始加大對火力發(fā)電廠的監(jiān)管力度；在市場方面，電廠發(fā)電政策實行并網(wǎng)運行，各大發(fā)電廠都面臨著提高經(jīng)濟效益的激烈競爭。所以在保證燃煤鍋爐安全穩(wěn)定運行的前提下，如何降低排放、降低發(fā)電煤耗、提高鍋爐效率成為普

2、遍關(guān)注的問題。
　　用傳統(tǒng)的模型辨識方法建立的燃燒系統(tǒng)模型，通常多是依靠現(xiàn)場熱態(tài)實驗獲取的數(shù)據(jù)，而且需要劃分機組工況，建立不同工況下的物理模型。這樣的多個模型不利于進行狀態(tài)切換，而且隨著時間的推移機組的物理特性也在緩慢的改變，需要進行模型更新。
　　目前，數(shù)據(jù)驅(qū)動的機器學(xué)習鍋爐燃燒系統(tǒng)建模方法，雖然方法種類很多，但是普遍存在以下缺陷使得實用性受到嚴重影響：首先絕大部分實驗數(shù)據(jù)集過小，算法遇到嚴重的過擬合問題；其次，模型大多是

3、單時間步輸入對應(yīng)單時間步的輸出，模型不能表達系統(tǒng)的時滯特性；最后，建模所選取的輸入和輸出變量太少，甚至許多是單變量輸出、單變量優(yōu)化模型，與火電機組真實運行情況相去甚遠，無法解決多變量耦合的難題。
　　本文針對燃燒優(yōu)化的需要和現(xiàn)有建模方法的不足，使用某火力發(fā)電廠一個月內(nèi)每15分鐘采樣一次的DCS歷史運行數(shù)據(jù)，展開了了基于時間序列的燃燒系統(tǒng)深度學(xué)習建模、啟發(fā)式自適應(yīng)動態(tài)規(guī)劃燃燒優(yōu)化方法的研究，主要研究成果如下：
　　1.提出了一

4、種基于深度LSTM網(wǎng)絡(luò)的21控制變量/6狀態(tài)量的燃燒系統(tǒng)在線預(yù)測模型。在深入分析了火力發(fā)電廠燃燒系統(tǒng)工作原理的基礎(chǔ)上、針對參數(shù)特點和變量之間的依賴關(guān)系，確定了用于預(yù)測模型和燃燒優(yōu)化的輸入、輸出參數(shù)。將近年來在時間序列領(lǐng)域表現(xiàn)出色的深度LSTM技術(shù)引入燃煤鍋預(yù)測建模領(lǐng)域，以充分利用其強大的歷史信息記憶功能。
　　2.建立了兩種對照組預(yù)測模型：基于傳統(tǒng)帶外部輸入的非線性自回歸的全連接神經(jīng)網(wǎng)絡(luò)模型（MLP-NARX)。討論了輸入和輸出是

5、否耦合的兩種情況，進行了燃燒系統(tǒng)預(yù)測建模的仿真和詳細的模型效果對比與分析。實驗表明，深度LSTM模型收斂速度更快，需要迭代次數(shù)更少，預(yù)測誤差平均比對照組模型下降2?4倍。
　　3.建立了一種基于啟發(fā)式動態(tài)規(guī)劃（H D P)算法和LSTM預(yù)測模型的LSTM-HDP火電優(yōu)化模型。將LSTM預(yù)測模型作為基礎(chǔ)，設(shè)計相適應(yīng)的評價網(wǎng)絡(luò)與執(zhí)行網(wǎng)絡(luò)，應(yīng)用啟發(fā)式動態(tài)規(guī)劃算法，通過調(diào)整21個輸入變變量中的19個可控變量，保證主蒸汽壓力在安全范圍內(nèi)和鍋

6、爐效率基本不變的前提下，同時對其他5個輸出變量進行優(yōu)化。
　　4.建立了兩種對照組優(yōu)化模型：使用解耦NARX預(yù)測模型和HDP優(yōu)化算法的解耦NARX-HDP優(yōu)化模型，以及使用LSTM預(yù)測模型和梯度下降（GD)優(yōu)化算法的LSTM-GD模型。實驗表明，LSTM-HDP模型在主蒸汽壓力在安全范圍內(nèi)和鍋爐效率僅下降了0.2個百分點的條件下，使主蒸汽溫度穩(wěn)定在567℃、熱耗率下降3%、單位發(fā)電煤耗下降2.93%、煙氣排放下降6.73%。并且與