论文部分内容阅读
电站锅炉的高效运行与低污染排放是我国“节能减排”的重要内容，对锅炉进行燃烧性能预测和优化以达到节能减排的目标具有重要的现实意义和工程应用价值。本文研究的锅炉燃烧优化方法属于基于人工智能的燃烧优化的范畴，该方法根据现场采集的数据进行黑箱建模，并在锅炉运行过程中，采用人工智能优化算法确定最佳控制方案，通过控制的手段，实现锅炉的高效率、低排放等多目标优化运行。主要研究内容包括:
1.多目标优化算法的关键问题研究。提出了一种新的基于免疫识别的非支配集求解方法(IRBA)，并对分群多目标优化算法特有的记忆集处理方法进行了研究。IRBA每轮循环直接先找出若干个非支配解作为“自我”，然后采用多路比较的方法，通过“自我”去识别“非我”，删除识别出的支配解，从而获得候选解的非支配集。针对记忆集处理问题，提出了采用分群方法处理记忆集的思路，并在此基础上进一步提出了有偏好的记忆集分群处理方法与带参数选择的记忆集分群处理方法。
2.针对锅炉效率与NOx排放稳态建模参数选择与稳态工况优化问题，提出了一种新的基于免疫细胞亚群的多目标优化算法(ICSMOA)。ICSMOA根据偏好将免疫细胞分为多个亚群，各亚群针对不同的偏好设置不同的比例，最优解集亦分为多个亚群。处于偏好区域内的解保留较大比例，而处于偏好区域外的解则稀疏保留，这样一方面方便决策者作出决策，另一方面在决策者偏好发生变化时，可以使算法做出快速反应。通过对经典多目标优化问题的仿真计算验证了算法的有效性。将ICSMOA应用于锅炉效率与NOx排放稳态建模参数选择与稳态工况优化中，仿真结果也表明了ICSMOA在锅炉效率与NOx排放优化中的适用性。
3.针对锅炉效率与NOx排放动态建模参数的寻优问题，提出了一种新的免疫多目标自适应算法(AIMA)。AIMA可以根据运行结果自适应地调整模型参数值，以达到参数寻优的目的。AIMA借鉴免疫细胞原理与克隆选择原理，初始时细胞群体无划分，在执行过程中，根据记忆集中亚群的变化，自适应产生各种阶次的细胞亚群。使用该算法进行参数搜索不需要太多先验知识，根据寻优结果确定相关目标参数，从而可以减少主观性。对两个非线性系统的仿真实例验证了算法确定参数的准确性。将该方法应用于锅炉效率与NOx排放动态建模的参数寻优中，仿真结果亦表明，寻优获得的参数是合理的，所建立的锅炉效率与NOx排放动态模型是可以满足控制需求的。
4.针对多目标预测控制中的滚动优化问题，提出了免疫混沌多目标蜂群算法(ICABCMOA)。蜂群算法每轮搜索都包含全局搜索、局部搜索与随机搜索，因而其搜索效率较高，适合于高维数据应用。免疫混沌多目标蜂群算法采用混沌来保持解的分布性，并用免疫疫苗与基因重组来加快收敛。对经典多目标优化问题的仿真计算验证了算法求解高维决策变量优化问题的优异性能。通过对算法解的产生方式、记忆集的处理方案进行适当改进，ICABCMOA被进一步应用于求解锅炉燃烧优化预测控制的滚动优化问题，以NOx排放、锅炉效率及控制量的变化量作为优化目标，每步的控制量都是在综合考虑了三个目标的Pareto优解集中按照某种准则选取的，可以实现三个目标之间的合理折衷。