一种基于开环配煤优化模型的硫约束界动态调整方法与流程

1.本发明专利涉及火电厂配煤优化模型的设计方法，特别是涉及一种基于开环配煤优化模型的硫约束界动态调整新方法。


背景技术：

2.目前的火电企业配煤基本采用开环配煤，也就是炉前配煤。
3.开环配煤优化模型的硫约束界常依据负荷和给煤量理论计算给出，但混煤在锅炉燃烧过程存在很大的不确定性，使得锅炉出口的硫化物排放或高或低，影响环保性或经济性。在考虑锅炉燃烧不确定情况下，如何准确设计基于开环配煤优化模型的硫约束界是一科学问题。
4.模糊集合和模糊系统方法由于其可以很好的嵌入专家知识产生规则或以小样本数据挖掘规则而得到广泛应用，主要包括一型模糊和二型模糊两种形式。早年，一型模糊系统从建模、控制、数据提取规则、自适应机制以及稳定性等方面得到了全面发展。二型模糊系统是近十几年在南加州大学mendel教授推动下得到了快速发展，它的主要特点是处理不确定能力强。
5.中国发明专利202011285884.1涉及一种基于改进熵权法的配煤掺烧模糊综合评价方法，该方法也是针对电厂配煤掺烧的评价及优化方案，所用方法为一种改进的熵权法，但是其仍然是一种开环的配煤方法，并没有实现对开环配煤方案的动态调整，也没结合锅炉反馈形成闭环优化。
6.燃煤电厂等用煤企业实际急需获得一种技术效果优良的基于开环配煤优化模型的硫约束界动态调整新方法。


技术实现要素：

7.本发明所要解决的问题是：提供一种基于开环配煤优化模型的硫约束界动态调整方法；进而向技术效果更优的闭环配煤方向发展。
8.本发明具体涉及一种基于开环配煤优化模型的硫约束界动态调整方法。
9.本发明一种基于开环配煤优化模型的硫约束界动态调整方法，其特征在于：其兼顾了电厂环保性、经济性和实用性(考虑了锅炉燃烧不确定性对环保和经济性的影响)，其以满足锅炉燃烧要求的最小混煤成本为目标函数，用煤的热值、硫、水分和灰分为约束条件，进行基于开环配煤优化模型的硫约束界动态调整；
10.所建立的配煤优化模型及其约束条件如下：
11.[0012][0013]
式(1)及其约束条件中：minf(x)为混煤的最小成本；q、s、m、v分别为混煤的热值、硫分、水分和灰分；qi、si、mi、vi分别为第i个煤种的热值、硫分、水分和灰分；ci是第i个单煤的成本，即价格；xi是第i个单煤的混配比例；n是煤种的个数；n为参与配煤的磨煤机或煤仓个数；为第j个磨煤机进煤速率；bi为虚拟煤系数，当煤种为虚拟煤种时bi＝0，否则bi＝1；δs为硫约束界动态调整量。
[0014]
特别地，在公式(1)的约束条件中限制各煤种比例以便满足
[0015][0016]
在煤场实际应用时每个煤仓最多不超过两种煤，亦即为两种煤或单煤；
[0017]
如果不引入“虚拟煤种”，在满足式(2)的约束条件下、同时也要求满足式(1.2)的约束，此时优化模型的求解只能是两个不同煤种的混配，而丢弃了煤仓是单煤的那种情况；
[0018]
为此，引入“虚拟煤种”解决取煤时的比例限制和单种煤被丢弃的矛盾，首先在各个煤场分别引入一个“虚拟煤种”，然后将式(2)转化为式(1.3)和(1.4)，“虚拟煤种”的引入解决了企业配煤的实际问题，有效降低了配煤成本。
[0019]
与以往开环配煤优化模型不同的一个创新是：首次引入了“虚拟煤种”这一思想，并创新设计了带有“虚拟煤种”的约束条件，即式(1.1),(1.2)，(1.3)和(1.4)的独特设计。
[0020]
配煤优化模型中引入“虚拟煤种”这一创新思想，有效解决了取煤时的比例限制和单种煤被丢弃的矛盾。引入“虚拟煤种”，还重点解决了电厂等用煤大户在实际生产过程中堆取料机在取煤时小于0.3比例的煤通常无法精准取得的现实困境。引入“虚拟煤种”这一思想并将其进一步延伸应用很明显更符合电厂的实际需求。
[0021]
所述基于开环配煤优化模型的硫约束界动态调整方法还引入了硫约束界动态调整。
[0022]
本发明所述基于开环配煤优化模型的硫约束界动态调整方法，与以往的传统开环配煤优化模型相比，其独特设计在于对硫约束界增加了动态调整量，使配煤优化模型具有动态调整效果；
[0023]
由于式(1)的优化配煤模型本质上仍是开环的，且因为提前配煤并没考虑锅炉燃烧状况；
[0024]
所述基于开环配煤优化模型的硫约束界动态调整新方法通过对当前批次的锅炉燃烧出口的硫化物实时监测，实现对硫约束界的动态调整，其表示如下：
[0025]
sa＝s+δs
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0026]
式(3)中：sa为动态调整后混煤中硫的新约束界；s为传统开环配煤给出混煤硫的约束界；δs为动态调整补偿追加的硫约束界；
[0027]
建立δs动态调整补偿追加的硫约束界的步骤依次满足下述要求：
[0028]
前序
[0029]
步骤1：建立δs模糊模型的二型模糊规则库；
[0030]
步骤2：建立δs模糊模型的输出；
[0031]
步骤3：建立δs模糊模型的参数向量学习规则；
[0032]
步骤4：建立δs模糊模型的不确定覆盖域自适应调整策略。
[0033]
进一步优选要求保护的技术内容是：
[0034]
步骤1中，建立δs二型模糊模型的规则库满足下述要求：
[0035]
首先建立δs模糊模型的输入输出变量与模糊集：
[0036]
其基于小样本实验数据采用数据挖掘建立δs二型模糊模型的规则库；
[0037]
选取的输入变量x＝[x1,x2]
t
包括2个锅炉实时参数变量，其中：第一个输入变量为锅炉实时负荷，表示为x1＝l，单位为mw；第二个输入变量为检测的锅炉出口二氧化硫含量，表示为x2＝so2的检测量，单位为mg/nm3；系统输出变量选取为配煤混煤硫的动态偏差补偿，表示为y＝δs；
[0038]
对输入前提变量x＝[x1,x2]
t
各划分5个模糊集合，用表示，前提变量的模糊集合采用高斯函数；结论变量y＝δs也划分5个模糊集合，用表示，结论变量的模糊结合采用三角型函数；其中：前提变量对应的模糊集合为二型模糊集合，结论变量对应的模糊集合为一型模糊集合；
[0039]
然后，将支持度作为模糊空间的判别准则，针对现场采集的试验样本数据对(x
(p)
；y
(p)
)，p＝1,2,
…
,n,首先计算每条规则的支持度，其中，上不确定界的支持度为：
[0040][0041]
不确定覆盖域的下不确定界的支持度为：
[0042][0043]
式(4)和(5)中：为第p条记录前提变量xi对应的二型模糊集合的上隶属度；为第p条记录的结论变量y对应的一型模糊集合b(y)的隶属度；n表示采样数据对记录的总数，l0∈{1,
…
,5},li∈{1,,5}(i＝1,2)；
[0044]
通过下面的式(6)计算得到该条规则的加权平均支持度：
[0045][0046]
选取最大支持度的模糊规则子空间构成如下区间二型模糊逻辑系统
[0047][0048]
式(6)和(7)中：为二型模糊集合；为输出变量一型模糊集合；m为模糊规则数(j＝1,
…
m)；
[0049]
在基于采样数据对挖掘出模糊规则后，电厂专家依据多年锅炉运行知识对上面的模糊规则进行核对与局部微调，形成最终的二型模糊规则库。可以凭经验、知识进行调整；也可以配套案例库、专家系统等，使用配套的自动控制系统和程序进行程序自动处理。
[0050]
步骤2中建立δs模糊模型的输出满足下述要求：
[0051]
其基于km算法降型与反模糊化后建立了δs二型模糊模型的输出；
[0052]
对于式(7)的某条规则，计算输入向量x的激活区间:
[0053][0054]
对于某条规则，输出变量y的最大隶属度所对应的值为:
[0055][0056]
式中：是第j条规则在模糊隶属度函数取得最大值时所对应的点，也就是时所对应的点；
[0057]
在前件激活区间和后件的θj输出计算后，基于km算法的降型能够表示如下：
[0058][0059]
式中：[y
l
,yr]为用km算法得到的输出区间；
[0060]
加权平均反模糊化后，能够将上面的区间二型模糊系统写成下面基函数的形式：
[0061][0062]
式中：θ＝[θ1,
…
,θm]
t
为二型模糊系统的自适应参数向量；二型模糊系统的左右基函数分别为下述向量：
[0063][0064]
步骤3满足下述要求：
[0065]
其基于小样本采样数据采用梯度下降算法建立δs二型模糊模型的参数向量学习；
[0066]
设(x
(p)
；y
(p)
)输入输出采样数据对的个数为n，当前输入变量为x
p
,为二型模糊模型的预测输出，y
p
为目标真实输出，那么训练误差函数能够定义为：
[0067][0068]
采用梯度下降算法使上式目标误差函数最小化，从而对模糊模型的参数进行动态优化调整，提高模糊模型的建模精度；
[0069]
因此，根据梯度下降法，参数θj的更新规则推导如下:
[0070][0071]
式中：k为迭代次数；γ是正的学习率。
[0072]
步骤4满足下述要求：
[0073]
其基于设定理想补偿δs采用梯度下降算法自适应调整δs二型模糊模型的不确定覆盖域lmf：
[0074]
输入变量xi的不确定覆盖域的umf用如下高斯函数表示
[0075][0076]
式中：umf的参数a1，b，c指定后不再调整，而不确定覆盖域的lmf用如下高斯函数表示：
[0077][0078]
式中：lmf的参数b，c与umf相同，通过调整a2改变不确定覆盖域面积的大小；
[0079]
由于锅炉燃烧的不确定性，建立lmf的a2参数的自适应调整策略如下：其中实际检测的二氧化硫与期望的二氧化硫满足一定条件下，动态调整lmf的a2参数
[0080][0081][0082]
式(16)和(17)中：y(n)为模型输出；y
ideal
为实验二氧化硫期望值对应的y＝δs补偿量。
[0083]
上述过程的原理图见图1和图2。
[0084]
本发明其他相关内容补充说明如下：
[0085]
与现有技术相比，本发明所述基于开环配煤优化模型的硫约束界动态调整方法主要优点如下：
[0086]
1、考虑了锅炉实时燃烧问题，通过对锅炉燃烧状况的在线参数监测、建模和决策来滚动补偿下一轮开环优化配煤的硫约束上界，与传统的开环配煤方法相比，通过负偏置δs的补偿能够实现降低硫化物的排放；在保证硫化物远不超标前提下，通过适当的正偏置δs能提升配煤方案的经济性。
[0087]
2、采用了二型模糊方法来建立系统模型，与传统一型模糊方法相比，能够更好处理锅炉燃烧系统产生的不确定性，使得偏置δs计算更准确。
[0088]
3、在二型模糊系统的设计中，采用自适应机制改变模糊集的不确定覆盖域，与传统的固定不确定覆盖域方法相比，进一步提高了二型模糊系统动态建模的准确性。
[0089]
本发明的主要创新点有四个：
[0090]
1、在配煤优化模型中的约束条件部分，首次提出“虚拟煤种”的概念。其突出优点是：能更好解决煤场的堆取料机对比例吨数的限制与煤仓单煤种之间的约束冲突问题，节约了企业配煤成本。
[0091]
2、为了实现开环配煤的动态调整，首次提出了对开环优化模型的硫约束界进行动态调整方法，其主要目的是使开环配煤向闭环配煤方向发展，兼顾了配煤掺烧的经济性和环保性。
[0092]
3、针对开环配煤没考虑锅炉燃烧不确定的弊端，首次提出了采用二型模糊系统对配煤优化模型进行动态调整，结合数据挖掘和专家域知识构建模糊规则库，使得动态调整模型更准确。其主要目的是提高开环配煤优化模型的准确性，能考虑到锅炉燃烧不确定性的影响。
[0093]
4、在使用二型模糊系统进行动态配煤调整过程中，首次提出了自适应调整二型模糊系统的不确定覆盖域，解决了传统固定覆盖域二型模糊系统不具有自适应能力的问题，进一步提高二型模糊系统动态建模的准确性。
[0094]
现有技术中，电厂的开环配煤是在没有考虑锅炉燃烧状况下，输入各单煤的煤质参数、计划负荷及磨煤机参数等信息，依据优化模型制定混煤输出方案，供未来时段的锅炉
掺烧使用，是炉前配煤。
[0095]
本发明提出的可以应用于电厂的闭环配煤是在开环配煤的基础上，结合锅炉当前燃烧状况来指导未来时段的配煤。针对目前普遍应用的开环配煤没有考虑锅炉实时燃烧状况的弊端，本发明对锅炉燃烧状况的二氧化硫和实时负荷在线参数监测、模糊建模和自适应决策滚动补偿开环优化模型的硫约束上界，改变没有考虑锅炉燃烧状况的弊端，通过对硫约束上界施加负偏置降低锅炉出口硫化物排放、施加正偏置提升配煤经济性，使目前普遍应用的开环配煤向闭环配煤方向发展。本发明具有可预期的较大经济和社会环保价值。
[0096]
综上，本发明具有可预期的较为巨大的经济价值和社会价值。
附图说明
[0097]
图1为二型模糊建模对硫约束界的动态调整方法原理示意图；
[0098]
图2为自适应动态调整不确定覆盖域下界原理示意图；
[0099]
图3为基于开环配煤优化模型的硫约束界动态调整方法总体原理示意简图；
[0100]
图4为基于开环配煤优化模型的硫约束界动态调整方法总体原理示意简图；
[0101]
图5为实施例1中输入变量实时负荷的论域为[265,295]与相应的隶属度函数；
[0102]
图6为实施例1中输入变量二氧化硫的论域为[1700,1900]与相应的隶属度函数；
[0103]
图7为实施例1中输出变量δs的论域设为[0.7,0.9]与相应的隶属度函数；
[0104]
图8为两阶段单纯形法求解动态配煤优化模型流程简图之一；
[0105]
图9为两阶段单纯形法求解动态配煤优化模型流程简图之二。
具体实施方式
[0106]
实施例1一种基于开环配煤优化模型的硫约束界动态调整方法
[0107]
参照图3的流程，本实施例具体步骤如下所述：
[0108]
一、计算开环配煤s的含量值
[0109]
依据图4的软件自动计算发电的计划负荷；
[0110]
由磨煤机进煤速率和每台锅炉脱硫能力并结合表1计算出开环配煤s的值。如本例子某台锅炉对应的脱硫能力为1t/h,总煤量为125t/h，依据表1可计算出s＝0.8。
[0111]
表1开环配煤理论计算硫约束界的汇总表
[0112]
[0113][0114]
二、计算动态调整δs的值
[0115]
这部分是本发明专利的核心部分，具体过程如下：
[0116]
(1)建立δs模糊模型的输入输出变量与模糊集
[0117]
选取输入变量x＝[x1,x2]
t
包括2个锅炉实时参数变量，其中：第一个输入变量为锅炉实时负荷，表示为x1＝l，单位为mw；第二个输入变量为检测的锅炉出口二氧化硫含量，表示为x2＝so2的检测量，单位为mg/nm3；系统输出变量选取为配煤混煤硫的动态偏差补偿，表示为y＝δs。
[0118]
本例子的输入变量实时负荷和二氧化硫的论域分别设[265,295]和[1700,1900]，输出变量δs的论域设为[0.7,0.9]，相应的隶属度函数见图5、图6、图7。
[0119]
(2)建立δs模糊模型的二型模糊规则库
[0120]
将支持度作为模糊空间的判别准则，针对现场采集的试验样本数据对(x
(p)
；y
(p)
)，p＝1,2,
…
,n,首先计算每条规则的支持度，其中，上不确定界的支持度为：
[0121][0122]
不确定覆盖域的下不确定界的支持度为：
[0123][0124]
式(1)和(2)：为第p条记录前提变量xi对应的二型模糊集合的上隶属度；为第p条记录的结论变量y对应的一型模糊集合b(y)的隶属度；n表示采样数据对记录的总数，l0∈{1,
…
,5},li∈{1,
…
，5}，li∈{1，
…
,5}(i＝1,2)。
[0125]
通过下面的计算得到该条规则的加权平均支持度：
[0126]
[0127]
选取最大支持度的模糊规则子空间构成如下区间二型模糊逻辑系统
[0128][0129]
式(3)和(4)中：为二型模糊集合；为输出变量一型模糊集合；m为模糊规则数(j＝1,
…
m)。
[0130]
依据上面的计算，采用表2的样本数据可得到表3的模糊规则表。
[0131]
表2二型模糊系统的样本数据表
[0132]
输入/输出数据实时负荷二氧化硫补偿硫12651702+0.0522671726+0.0432691745+0.0342731764+0.02527917760.00628017980.0072831821-0.0282871845-0.0592921875-0.08102951897-0.10
[0133]
表3二型模糊系统滚动补偿硫的约束界的例子规则表
[0134][0135][0136]
表3中(归一化后表示：)nb为负大模糊集合；ns为负小模糊集合；ze为中间模糊集合；pb为正大模糊集合；ps为正小模糊集合；
[0137]
(3)建立δs模糊模型的输出
[0138]
对于式(4)的某条规则，计算输入向量x的激活区间:
[0139][0140]
对于某条规则，输出变量y的最大隶属度所对应的值为:
[0141][0142]
式中：是第j条规则在模糊隶属度函数取得最大值时所对应的点，也就是
[0143]
时所对应的点。
[0144]
在前件激活区间和后件的θj输出计算后，基于km算法的降型能够表示如下：
[0145][0146]
式中：[y
l
,yr]为用km算法得到的输出区间；
[0147]
加权平均反模糊化后，能够将上面的区间二型模糊系统写成下面基函数的形式：
[0148][0149]
式中：θ＝[θ1,
…
,θm]
t
为二型模糊系统的自适应参数向量；二型模糊系统的左右基函数分别为下述向量：
[0150][0151]
本例子参量θ的初始值为θ＝[0.70,0.75,0.80,0.85,0.90]
t
。
[0152]
(4)建立δs模糊模型的参数向量学习
[0153]
设(x
(p)
；y
(p)
)输入输出采样数据对的个数为n，当前输入变量为x
p
,为二型模糊模型的预测输出，y
p
为目标真实输出，那么训练误差函数能够定义为：
[0154][0155]
采用梯度下降算法使上式目标误差函数最小化，从而对模糊模型的参数进行动态优化调整，提高模糊模型的建模精度。
[0156]
因此根据梯度下降法，参数θj的更新规则推导如下:
[0157][0158]
式中：k为迭代次数；γ是正的学习率。
[0159]
本例子参量θ经上面的梯度下降法学习后改为θ＝[0.72,0.71,0.79,0.83,0.87]
t
。
[0160]
(5)建立δs模糊模型的不确定覆盖域自适应调整
[0161]
输入变量xi的不确定覆盖域的umf用如下高斯函数表示
[0162]
[0163]
式中：umf的参数a1，b，c指定后不再调整，而不确定覆盖域的lmf用如下高斯函数表示：
[0164][0165]
式中：lmf的参数b，c与umf相同，通过调整a2改变不确定覆盖域面积的大小。
[0166]
由于锅炉燃烧的不确定性，建立lmf的a2参数的自适应调整策略如下：其中实际检测的二氧化硫与期望的二氧化硫满足一定条件下，动态调整lmf的a2参数
[0167][0168][0169]
式(13)和(14)中：y(n)为模型输出；y
ideal
为实验二氧化硫期望值对应的y＝δs补偿量。
[0170]
本例子输入变量采用的隶属度函数为
[0171][0172]
x1隶属度函数的参数a1＝1,a2＝0.7,c＝1.5,b＝270,275,280,285,290。
[0173]
x2隶属度函数的参数为：
[0174]
a1＝1,a2＝0.7,c＝11,b＝1733.333,1766.667,1800,1833.333,1866.667。
[0175]
本例经三次动态补偿硫的约束界的结果见表4，在确定动态配煤优化模型后，采用两阶段单纯形法、按照图8和图9流程求解配煤输出方案。
[0176]
表4二型模糊系统滚动补偿硫的约束界的例子汇总表
[0177][0178]
实施例2
[0179]
一种基于开环配煤优化模型的硫约束界动态调整方法，其兼顾了电厂环保性、经济性和实用性(考虑了锅炉燃烧不确定性对环保和经济性的影响)，其以满足锅炉燃烧要求的最小混煤成本为目标函数，用煤的热值、硫、水分和灰分为约束条件，进行基于开环配煤优化模型的硫约束界动态调整；
[0180]
所建立的配煤优化模型及其约束条件如下：
[0181]
[0182][0183]
式(1)及其约束条件中：minf(x)为混煤的最小成本；q、s、m、v分别为混煤的热值、硫分、水分和灰分；qi、si、mi、vi分别为第i个煤种的热值、硫分、水分和灰分；ci是第i个单煤的成本，即价格；xi是第i个单煤的混配比例；n是煤种的个数；n为参与配煤的磨煤机或煤仓个数；为第j个磨煤机进煤速率；bi为虚拟煤系数，当煤种为虚拟煤种时bi＝0，否则bi＝1；δs为硫约束界动态调整量。
[0184]
特别地，在公式(1)的约束条件中限制各煤种比例以便满足
[0185][0186]
在煤场实际应用时每个煤仓最多不超过两种煤，亦即为两种煤或单煤；
[0187]
如果不引入“虚拟煤种”，在满足式(2)的约束条件下、同时也要求满足式(1.2)的约束，此时优化模型的求解只能是两个不同煤种的混配，而丢弃了煤仓是单煤的那种情况；
[0188]
为此，引入“虚拟煤种”解决取煤时的比例限制和单种煤被丢弃的矛盾，首先在各个煤场分别引入一个“虚拟煤种”，然后将式(2)转化为式(1.3)和(1.4)，“虚拟煤种”的引入解决了企业配煤的实际问题，有效降低了配煤成本。
[0189]
与以往开环配煤优化模型不同的一个创新是：首次引入了“虚拟煤种”这一思想，并创新设计了带有“虚拟煤种”的约束条件，即式(1.1),(1.2)，(1.3)和(1.4)的独特设计。
[0190]
配煤优化模型中引入“虚拟煤种”这一创新思想，有效解决了取煤时的比例限制和单种煤被丢弃的矛盾。引入“虚拟煤种”，还重点解决了电厂等用煤大户在实际生产过程中堆取料机在取煤时小于0.3比例的煤通常无法精准取得的现实困境。引入“虚拟煤种”这一思想并将其进一步延伸应用很明显更符合电厂的实际需求。
[0191]
所述基于开环配煤优化模型的硫约束界动态调整方法还引入了硫约束界动态调整。
[0192]
本实施例所述基于开环配煤优化模型的硫约束界动态调整方法，与以往的传统开环配煤优化模型相比，其独特设计在于对硫约束界增加了动态调整量，使配煤优化模型具有动态调整效果；
[0193]
由于式(1)的优化配煤模型本质上仍是开环的，且因为提前配煤并没考虑锅炉燃烧状况；
[0194]
所述基于开环配煤优化模型的硫约束界动态调整新方法通过对当前批次的锅炉燃烧出口的硫化物实时监测，实现对硫约束界的动态调整，其表示如下：
[0195]
sa＝s+δs
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0196]
式(3)中：sa为动态调整后混煤中硫的新约束界；s为传统开环配煤给出混煤硫的约束界；δs为动态调整补偿追加的硫约束界；
[0197]
建立δs动态调整补偿追加的硫约束界的步骤依次满足下述要求：
[0198]
前序
[0199]
步骤1：建立δs模糊模型的二型模糊规则库；
[0200]
步骤1中，建立δs二型模糊模型的规则库满足下述要求：
[0201]
首先建立δs模糊模型的输入输出变量与模糊集：
[0202]
其基于小样本实验数据采用数据挖掘建立δs二型模糊模型的规则库；
[0203]
选取的输入变量x＝[x1,x2]
t
包括2个锅炉实时参数变量，其中：第一个输入变量为锅炉实时负荷，表示为x1＝l，单位为mw；第二个输入变量为检测的锅炉出口二氧化硫含量，表示为x2＝so2的检测量，单位为mg/nm3；系统输出变量选取为配煤混煤硫的动态偏差补偿，表示为y＝δs；
[0204]
对输入前提变量x＝[x1,x2]
t
各划分5个模糊集合，用表示，前提变量的模糊集合采用高斯函数；结论变量y＝δs也划分5个模糊集合，用表示，结论变量的模糊结合采用三角型函数；其中：前提变量对应的模糊集合为二型模糊集合，结论变量对应的模糊集合为一型模糊集合；
[0205]
然后，将支持度作为模糊空间的判别准则，针对现场采集的试验样本数据对(x
(p)
；y
(p)
)，p＝1,2,
…
,n,首先计算每条规则的支持度，其中，上不确定界的支持度为：
[0206][0207]
不确定覆盖域的下不确定界的支持度为：
[0208][0209]
式(4)和(5)中：为第p条记录前提变量xi对应的二型模糊集合的
上隶属度；为第p条记录的结论变量y对应的一型模糊集合b(y)的隶属度；n表示采样数据对记录的总数，l0∈{1,
…
,5},li∈{1,
…
,5}(i＝1,2)；
[0210]
通过下面的式(6)计算得到该条规则的加权平均支持度：
[0211][0212]
选取最大支持度的模糊规则子空间构成如下区间二型模糊逻辑系统
[0213][0214]
式(6)和(7)中：为二型模糊集合；为输出变量一型模糊集合；m为模糊规则数(j＝1,
…
m)；
[0215]
在基于采样数据对挖掘出模糊规则后，电厂专家依据多年锅炉运行知识对上面的模糊规则进行核对与局部微调，形成最终的二型模糊规则库。可以凭经验知识进行调整，也可以配套样品库、专家系统等，使用配套的自动控制系统和程序进行程序自动处理。
[0216]
步骤2：建立δs模糊模型的输出；
[0217]
步骤2中建立δs模糊模型的输出满足下述要求：
[0218]
其基于km算法降型与反模糊化后建立了δs二型模糊模型的输出；
[0219]
对于式(7)的某条规则，计算输入向量x的激活区间:
[0220][0221]
对于某条规则，输出变量y的最大隶属度所对应的值为:
[0222][0223]
式中：是第j条规则在模糊隶属度函数取得最大值时所对应的点，也就是时所对应的点；
[0224]
在前件激活区间和后件的θj输出计算后，基于km算法的降型能够表示如下：
[0225][0226]
式中：[y
l
,yr]为用km算法得到的输出区间；
[0227]
加权平均反模糊化后，能够将上面的区间二型模糊系统写成下面基函数的形式：
[0228][0229]
式中：θ＝[θ1,
…
,θm]
t
为二型模糊系统的自适应参数向量；二型模糊系统的左右基函数分别为下述向量：
[0230][0231]
步骤3：建立δs模糊模型的参数向量学习规则；
[0232]
步骤3满足下述要求：
[0233]
其基于小样本采样数据采用梯度下降算法建立δs二型模糊模型的参数向量学习；
[0234]
设(x
(p)
；y
(p)
)输入输出采样数据对的个数为n，当前输入变量为x
p
,为二型模糊模型的预测输出，y
p
为目标真实输出，那么训练误差函数能够定义为：
[0235][0236]
采用梯度下降算法使上式目标误差函数最小化，从而对模糊模型的参数进行动态优化调整，提高模糊模型的建模精度；
[0237]
因此，根据梯度下降法，参数θj的更新规则推导如下:
[0238][0239]
式中：k为迭代次数；γ是正的学习率。
[0240]
步骤4：建立δs模糊模型的不确定覆盖域自适应调整策略。
[0241]
步骤4满足下述要求：
[0242]
其基于设定理想补偿δs采用梯度下降算法自适应调整δs二型模糊模型的不确定覆盖域lmf：
[0243]
输入变量xi的不确定覆盖域的umf用如下高斯函数表示
[0244]
[0245]
式中：umf的参数a1，b，c指定后不再调整，而不确定覆盖域的lmf用如下高斯函数表示：
[0246][0247]
式中：lmf的参数b，c与umf相同，通过调整a2改变不确定覆盖域面积的大小；
[0248]
由于锅炉燃烧的不确定性，建立lmf的a2参数的自适应调整策略如下：其中实际检测的二氧化硫与期望的二氧化硫满足一定条件下，动态调整lmf的a2参数
[0249][0250][0251]
式(16)和(17)中：y(n)为模型输出；y
ideal
为实验二氧化硫期望值对应的y＝δs补偿量。
[0252]
上述过程的原理图见图1和图2。
[0253]
本实施例其他相关内容补充说明如下：
[0254]
与现有技术相比，本实施例所述基于开环配煤优化模型的硫约束界动态调整方法主要优点如下：
[0255]
1、考虑了锅炉实时燃烧问题，通过对锅炉燃烧状况的在线参数监测、建模和决策来滚动补偿下一轮开环优化配煤的硫约束上界，与传统的开环配煤方法相比，通过负偏置δs的补偿能够实现降低硫化物的排放；在保证硫化物远不超标前提下，通过适当的正偏置δs能提升配煤方案的经济性。
[0256]
2、采用了二型模糊方法来建立系统模型，与传统一型模糊方法相比，能够更好处理锅炉燃烧系统产生的不确定性，使得偏置δs计算更准确。
[0257]
3、在二型模糊系统的设计中，采用自适应机制改变模糊集的不确定覆盖域，与传统的固定不确定覆盖域方法相比，进一步提高了二型模糊系统动态建模的准确性。
[0258]
本实施例的主要创新点有四个：
[0259]
1、在配煤优化模型中的约束条件部分，首次提出“虚拟煤种”的概念。其突出优点是：能更好解决煤场的堆取料机对比例吨数的限制与煤仓单煤种之间的约束冲突问题，节约了企业配煤成本。
[0260]
2、为了实现开环配煤的动态调整，首次提出了对开环优化模型的硫约束界进行动态调整方法，其主要目的是使开环配煤向闭环配煤方向发展，兼顾了配煤掺烧的经济性和环保性。
[0261]
3、针对开环配煤没考虑锅炉燃烧不确定的弊端，首次提出了采用二型模糊系统对配煤优化模型进行动态调整，结合数据挖掘和专家域知识构建模糊规则库，使得动态调整模型更准确。其主要目的是提高开环配煤优化模型的准确性，能考虑到锅炉燃烧不确定性的影响。
[0262]
4、在使用二型模糊系统进行动态配煤调整过程中，首次提出了自适应调整二型模糊系统的不确定覆盖域，解决了传统固定覆盖域二型模糊系统不具有自适应能力的问题，进一步提高二型模糊系统动态建模的准确性。
[0263]
现有技术中，电厂的开环配煤是在没有考虑锅炉燃烧状况下，输入各单煤的煤质参数、计划负荷及磨煤机参数等信息，依据优化模型制定混煤输出方案，供未来时段的锅炉掺烧使用，是炉前配煤。
[0264]
本实施例提出的可以应用于电厂的闭环配煤是在开环配煤的基础上，结合锅炉当前燃烧状况来指导未来时段的配煤。针对目前普遍应用的开环配煤没有考虑锅炉实时燃烧状况的弊端，本实施例对锅炉燃烧状况的二氧化硫和实时负荷在线参数监测、模糊建模和自适应决策滚动补偿开环优化模型的硫约束上界，改变没有考虑锅炉燃烧状况的弊端，通过对硫约束上界施加负偏置降低锅炉出口硫化物排放、施加正偏置提升配煤经济性，使目前普遍应用的开环配煤向闭环配煤方向发展。本实施例具有可预期的较大经济和社会环保价值。
[0265]
综上，本实施例具有可预期的较为巨大的经济价值和社会价值。

技术特征：
1.一种基于开环配煤优化模型的硫约束界动态调整方法，其特征在于：其以满足锅炉燃烧要求的最小混煤成本为目标函数，进行基于开环配煤优化模型的硫约束界动态调整；所建立的配煤优化模型及其约束条件如下：所建立的配煤优化模型及其约束条件如下：式(1)及其约束条件中：minf(x)为混煤的最小成本；q、s、m、v分别为混煤的热值、硫分、水分和灰分；q
i
、s
i
、m
i
、v
i
分别为第i个煤种的热值、硫分、水分和灰分；c
i
是第i个单煤的成本，即价格；x
i
是第i个单煤的混配比例；n是煤种的个数；n为参与配煤的磨煤机或煤仓个数；为第j个磨煤机进煤速率；b
i
为虚拟煤系数，当煤种为虚拟煤种时b
i
＝0，否则b
i
＝1；δs为硫约束界动态调整量。2.按照权利要求1所述基于开环配煤优化模型的硫约束界动态调整方法，其特征在于：所述基于开环配煤优化模型的硫约束界动态调整新方法通过对当前批次的锅炉燃烧出口的硫化物实时监测，实现对硫约束界的动态调整，其表示如下：s
a
＝s+δs
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)式(2)中：s
a
为动态调整后混煤中硫的新约束界；s为传统开环配煤给出混煤硫的约束界；δs为动态调整补偿追加的硫约束界；建立δs动态调整补偿追加的硫约束界的步骤依次满足下述要求：步骤1：建立δs模糊模型的二型模糊规则库；步骤2：建立δs模糊模型的输出；步骤3：建立δs模糊模型的参数向量学习；步骤4：建立δs模糊模型的不确定覆盖域自适应调整策略。
3.按照权利要求2所述基于开环配煤优化模型的硫约束界动态调整新方法，其特征在于：步骤1中，建立δs二型模糊模型的规则库满足下述要求：其基于小样本实验数据采用数据挖掘建立δs二型模糊模型的规则库；首先建立δs模糊模型的输入输出变量与模糊集：选取的输入变量x＝[x1,x2]
t
包括2个锅炉实时参数变量，其中：第一个输入变量为锅炉实时负荷，表示为x1＝l，单位为mw；第二个输入变量为检测的锅炉出口二氧化硫含量，表示为x2＝so2的检测量，单位为mg/nm3；系统输出变量选取为配煤混煤硫的动态偏差补偿，表示为y＝δs；对输入前提变量x＝[x1,x2]
t
各划分5个模糊集合，用表示，前提变量的模糊集合采用高斯函数；结论变量y＝δs也划分5个模糊集合，用表示，结论变量的模糊结合采用三角型函数；其中：前提变量对应的模糊集合为二型模糊集合，结论变量对应的模糊集合为一型模糊集合；然后，将支持度作为模糊空间的判别准则，针对现场采集的试验样本数据对(x
(p)
；y
(p)
)，p＝1,2,
…
,n,首先计算每条规则的支持度，其中，上不确定界的支持度为：不确定覆盖域的下不确定界的支持度为：式(3)和(4)中：为第p条记录前提变量x
i
对应的二型模糊集合的上隶属度；为第p条记录的结论变量y对应的一型模糊集合b(y)的隶属度；n表示采样数据对记录的总数，l0∈{1,
…
,5},l
i
∈{1,
…
,5}(i＝1,2)；通过下面的式(5)计算得到该条规则的加权平均支持度：选取最大支持度的模糊规则子空间构成如下区间二型模糊逻辑系统r
(j)
:式(5)和(6)中：为二型模糊集合；为输出变量一型模糊集合；m为模糊规则数(j＝1,
…
m)；在基于采样数据对挖掘出模糊规则后，形成最终的二型模糊规则库。
4.按照权利要求2或3所述基于开环配煤优化模型的硫约束界动态调整新方法，其特征在于：步骤2中建立δs模糊模型的输出满足下述要求：其基于km算法降型与反模糊化后建立了δs二型模糊模型的输出；对于式(6)的某条规则，计算输入向量x的激活区间:对于某条规则，输出变量y的最大隶属度所对应的值为:式中：是第j条规则在模糊隶属度函数取得最大值时所对应的点，也就是时所对应的点；在前件激活区间和后件的θ
j
输出计算后，基于km算法的降型能够表示如下：式中：[y
l
,y
r
]为用km算法得到的输出区间；加权平均反模糊化后，能够将上面的区间二型模糊系统写成下面基函数的形式：式中：θ＝[θ1,
…
,θ
m
]
t
为二型模糊系统的自适应参数向量；二型模糊系统的左右基函数分别为下述向量：5.按照权利要求2所述基于开环配煤优化模型的硫约束界动态调整新方法，其特征在于：步骤3满足下述要求：其基于小样本采样数据采用梯度下降算法建立δs二型模糊模型的参数向量学习；设(x
(p)
；y
(p)
)输入输出采样数据对的个数为n，当前输入变量为x
p
,为二型模糊模型的预测输出，y
p
为目标真实输出，那么训练误差函数能够定义为：
采用梯度下降算法使上式目标误差函数最小化，从而对模糊模型的参数进行动态优化调整，提高模糊模型的建模精度；因此，根据梯度下降法，参数θ
j
的更新规则推导如下:式中：k为迭代次数；γ是正的学习率。6.按照权利要求2所述基于开环配煤优化模型的硫约束界动态调整新方法，其特征在于：步骤4满足下述要求：其基于设定理想补偿δs采用梯度下降算法自适应调整δs二型模糊模型的不确定覆盖域lmf：输入变量x
i
的不确定覆盖域的umf用如下高斯函数表示式中：umf的参数a1，b，c指定后不再调整，而不确定覆盖域的lmf用如下高斯函数表示：式中：lmf的参数b，c与umf相同，通过调整a2改变不确定覆盖域面积的大小；由于锅炉燃烧的不确定性，建立lmf的a2参数的自适应调整策略如下：其中实际检测的二氧化硫与期望的二氧化硫满足一定条件下，动态调整lmf的a2参数参数式(15)和(16)中：y(n)为模型输出；y
ideal
为实验二氧化硫期望值对应的y＝δs补偿量。

技术总结
一种基于开环配煤优化模型的硫约束界动态调整方法，其以满足锅炉燃烧要求的最小混煤成本为目标函数，进行基于开环配煤优化模型的硫约束界动态调整；配煤优化模型是式(1)：在式(1)中：minf(x)为混煤的最小成本；C


技术研发人员：李前胜 解继刚 郭涛 王建 李杨 白云峰 艾方兴 曲辰 王志浩 王永富 姜彦辰 张庆冠 王翔 石洧杉 朱隆宇
受保护的技术使用者：华能国际电力股份有限公司大连电厂
技术研发日：2022.11.10
技术公布日：2023/8/16