超超临界锅炉燃烧系统动态建模方法研究文献综述

文献综述（或调研报告）：

锅炉燃烧优化技术以现有设备为基础，通过对配风和配煤方式进行优化，可以有效提高机组的运行效率并减少污染物排放，近年来受到广泛关注。从技术角度来看，锅炉燃烧优化技术可以分为四类：第一类：燃烧设备层面，直接通过对燃烧设备的优化设计与锅炉改造来实现燃烧优化；第二类：利用现有设备进行锅炉燃烧调整试验，根据试验数据确定锅炉最佳运行方案；第三类：现场在线检测技术，通过对能够反映锅炉燃烧情况的重要参数进行测量，指导现场操作人员对锅炉燃烧进行调节；第四类：在DCS层面，通过对现场数据分析处理，建立相关模型并结合先进控制算法，实现锅炉的燃烧优化。随着智能算法理论的逐步完善及在工业上的成功推广，基于人工智能的锅炉燃烧优化技术具有良好的应用前景。其不需要对锅炉燃烧设备进行任何改造，具有风险小，投资少等优点，在国内外催生出一系列相关的燃烧优化系统产品。

锅炉燃烧系统情况复杂，受多种内外因素影响，具有多变量、强耦合的特点。因此，建立锅炉燃烧系统的数学模型，从而获得各层风门开度、给煤量偏置等操作变量与锅炉效率和NOx排放等优化目标值之间的数学关系，是进一步实现燃烧优化的基础。传统的机理建模难以描述火电机组燃烧过程的准确机理，且过程计算量大，不适合现场实际应用；而电厂SIS、DCS系统的应用普及与人工智能理论的逐步完善，推动了人工智能建模方法的研究与应用。赵俊^[1]在应用正交方法分析影响锅炉效率主要因素的基础上，结合燃烧特性试验分析BP神经网络的建模特点并建立相应的神经网络模型，同时运用遗传算法进行了优化。许昌^[2]从提高网络的泛化能力着手,对最小资源分配网络（MRAN）算法的隐节点删减策略进行改进,加入惩罚策略和合并策略,并将改进的MRAN算法应用于电站锅炉NOx排放与效率的实时建模。胡怀中^[3]则提出了一种基于卷积神经网络(CNN)的新型建模方法，为了加强输入样本数据的空间特征,利用主成分分析法(PCA)对数据进行重构，在此基础上,采用LeNet-5结构的CNN构建了锅炉燃烧效率模型并进行了仿真实验。

支持向量机（SVM）是90年代中期发展起来的基于统计学习理论的一种机器学习方法，通过寻求结构化风险最小来提高学习机泛化能力，实现经验风险和置信范围的最小化，从而达到在统计样本量较少的情况下，亦能获得良好统计规律的目的。与人工神经网络相比，支持向量机能够很好地克服前者训练结果存在随机性、过学习和训练时间长等问题，越来越广泛地被用于时间序列建模与预测、非线性过程建模等方面的研究。董成键^[4]利用支持向量回归机进行数据驱动建立燃烧模型，并比较了分别采用单纯径向基核函数和混合核函数时的支持向量回归建模效果，同时通过小范围增量分析研究部分因素对燃烧模型输出的影响，进一步对模型进行了验证。顾燕萍^[5]基于最小二乘支持向量机建立了电站锅炉燃烧模型,实现了飞灰含碳量、排烟温度、NOx排放量等参数的软测量和锅炉效率的预测，并与BP神经网络模型的性能进行了对比。同时，针对支持向量机算法存在的不足，也进行了一系列研究与优化。乔侨^[6]利用剪枝算法对最小二乘支持向量机建模进行稀疏化处理，实现在满足一定的精度要求下适当降低锅炉燃烧模型的复杂度。王定成^[7]在传统支持向量回归的基础上进行改进, 提出多输出IFLS-SVR模型，采用直觉模糊算法将实际数据转化为模糊数据, 将二次规划优化问题转化为求解一系列线性方程组，提高了算法的训练效率, 减少了训练时间, 获得了更精确的解。

在线支持向量回归^[8](Online-SVR)是在传统支持向量回归（SVR）基础上的在线形式，该算法在保留了SVR优点的同时，又具有在线学习能力，训练过程充分利用了历史训练结果，并能够根据新增样本对模型不断进行修正更新，以适应不断变化的实际过程。考虑到锅炉实际运行长期处于动态过程之中，工况变化较快，稳态建模条件难以满足，利用在线自适应支持向量机建立燃烧系统动态模型的研究是必要的。阎威武^[9]提出了一种基于滚动时间窗的最小二乘支持向量机回归估计方法，通过构造滚动时间窗,利用滚动时间窗内的数据优化建模，模型随着时间窗的滚动进行在线更新,并对滚动时间窗内的数据分配不同的权值以充分利用数据的信息。沈奇^[10]提出了一种改进的在线自适应最小二乘支持向量机动态建模算法。该算法第一步进行离线的支持向量筛选，不仅减少了建模所需样本数，也确保了支持向量的稀疏性；同时采用替换、新增、删除三种支持向量的在线更新策略，使得算法能够更好地适应对象特性的变化，模型具备更高的精度和预测能力。张嘉^[11]针对初始建模样本选择对模型泛化能力有严重影响的问题，提出一种自适应在线支持向量回归（Online-SVR）算法，基于样本间的相似度，实现有选择地添加和删除训练样本，通过对新加入样本的不断学习，在已获得的离线模型基础上提高模型跟踪过程特性变化的能力，获得更高的预测精度。牛博通^[12]建立了基于运行数据的样本自适应改进的增量式PMI-LS-SVM煤质发热量和飞灰含碳量预测模型，采用增量式的方法，利用对增量样本进行自适应处理，实现了实时和准确的煤质发热量和飞灰含碳量在线预测。

锅炉运行产生的工业大数据维度高、数量大，包含工业过程中的各类变化，且工业数据之间有着强关联性，这种关联并非仅为数据上的关联，而且还是物理对象和过程等之间的关联。因此，通过分析筛选，选择合适的输入输出变量，对提高模型的效率和精度意义重大。刘吉臻^[13]针对热工过程变量之间的强相关和耦合性，利用偏最小二乘方法对多工况实炉热态测试数据进行重要变量信息提取和变量选择，把最优的变量子集作为最小二乘支持向量机的输入，变量选择后建模可以降低模型的复杂度，提高模型的泛化能力。马斌^[14]则对锅炉燃烧系统进行分层建模，即对锅炉多个燃烧层安装红外测温系统，基于所获取的炉膛层温和其他相关运行参数，对整个数据空间进行划分，然后在每个子空间内对NOx排放量和排烟温度相关的因素进行主成分分析，结合NOx生成机理与排烟温度影响，并根据各影响因素与NOx排放量和排烟温度的相关性大小，分别选取各模型的输入变量完成模型，较准确的反应和描述了锅炉的燃烧过程。

目前，针对锅炉燃烧系统建模的研究仍面临一些问题：建模主要集中在稳态模型的建立，考虑动态建模和具备自适应更新能力的模型比较少；动态模型阶次值的搜索选择与寻优方法；通过输入在线降维改进模型性能，提高处理效率；核参数的确定和在线调整方法；考虑煤质变化对输出特性的影响，传统分析技术耗时过长，而在线分析技术投资和维护成本昂贵，如何实现煤质变化的模型适应与优化等。对上述问题，有必要进行进一步研究与改进，从而更好地实现燃烧优化，并在最终的工程实际应用中取得成功。

参考文献

[1]赵俊.基于遗传算法的锅炉燃烧优化设计与实现[D]:[硕士学位论文].苏州:苏州大学,2009.

[2]许昌,吕剑虹,郑源.基于IMRAN的电站锅炉效率与NO_x排放模型[J].锅炉技术,2009,40(03):5-9 41.