PDF《基于极值搜索控制的电站锅炉在线燃烧优化》

收稿日期: 2008- 05- 25;

修订日期:2009- 03-

31 基金项目: 教育部科学技术研究重点基金资助项目(108060) 作者简介: 李益国( 1973- ) , 男, 山西绛县人, 东南大学博士, 副教授.

文章编号: 1001- 2060( 2009) 04- 0466-

04 基于极值搜索控制的电站锅炉在线燃烧优化 李益国, 沈炯(东南大学 能源与环境学院, 江苏 南京 210096) 摘要: 提出一种基于极值搜索控制的电站锅炉在线燃烧优 化方法.首先分析了极值搜索控制的基本原理, 指出其实质 是通过调制和解调过程, 在滤波器的共同作用下对性能指标 相对设定值变化的导数进行估计, 然后利用梯度法获得局部 最优解;

给出了基于极值搜索控制的燃烧优化控制系统的基 本结构及参数设置方法.通过某送风控制系统的仿真结果 表明, 该燃烧优化策略不但能够成功地驱动系统达到最佳含 氧量目标值, 实现燃烧优化;

同时作为一种闭环、 在线优化方 式, 它对负荷变化、 漏风等干扰因素具有更好的适应能力. 关键词: 电站锅炉;

燃烧优化;

极值搜索控制;

风煤比控制 中图分类号:TK223;

TP272 文献标识码:A 引言目前, 风煤比调节仍然普遍采用比值控制加氧 量反馈校正的控制思想, 而氧量设定值往往简单地 根据厂商提供的负荷与氧量关系曲线进行设置.实 际上, 锅炉热效率同时受煤质、 漏风等多种因素的影 响, 其关于风煤比的极值点也在不断漂移和变化, 因 此实际应用中必须不断寻找最佳风煤比工作点. 文献[ 1] 提出一种风煤比模糊自寻优控制方案, 但其本质上属于一种逐步试凑的方法, 缺乏理论分 析, 难以保证整个系统的稳定性.文献[ 2~ 6] 利用 人工智能方法解决燃烧优化问题, 取得了很好效果, 但其优化结果在与现有控制系统的结合上存在一定 困难. 本文提出一种基于极值搜索控制的燃烧优化方 法.极值搜索控制是针对设定值无法事先确定, 控 制目标需要选择合适的设定值, 从而使某个性能指 标取得极值, 这类特殊的控制问题而提出的一种控 制方法.由于受煤质变化等因素的影响, 最佳氧量 设定值是未知和不断变化的, 而最佳的氧量设定值 对应着最高的锅炉燃烧效率.从这个角度看, 氧量 设定值的寻优问题是典型的极值搜索控制问题. 极值搜索控制最早可以追溯到

1957 年Mo rosanov 提出的 极值调整 [ 7] .直到

2000 年Miroslav Krstic 针对一类通用非线性动态系统, 利用平均方法 和奇摄动分析方法给出了其严格的稳定性证明 [ 8] , 从而为极值搜索控制的应用奠定了坚实的基础.

1 极值搜索控制原理 极值搜索控制的基本思想是, 首先进行一个调 制过程, 在待寻优的目标值上叠加一个幅值较小的、 变化较慢的周期激励信号, 使得被控对象输出或某 个性能指标发生变化;

再通过高通滤波器和解调过 程不断对性能指标相对目标值变化的导数进行估 计;

最后利用梯度法获得局部最优解. 极值搜索控制结构如图

1 所示.图中, a 和w 分别为施加的周期激励信号的幅值和频率;

k 为自 适应增益;

h 为高通滤波器截止频率. 图1极值搜索控制结构图 为简单起见, 以对象( 图1虚线部分) 为非线性 静态函数 y= g ( ) 为例说明极值搜索控制的基本 原理.不失一般性, 我们假定 g ( ) 存在极小值, 则k>

0.若存在极大值, 则k<

0.设估计误差: = * - ^ ( 1) 式中: * ! 未知的最优目标值;

^ ! 对它的估计值. 第24 卷第

4 期2009 年7月热能动力工程JOURNAL OF ENGINEERING FOR THERMAL ENERGY AND POWER Vol. 24, No.

4 July. ,

2009 把y= g ( )在*处二阶泰勒展开, 得: g ( ) ? g * + g#

2 ( - * )

2 ( 2) 由图

1 知, = ^ + asin t, 代入式( 2) , 并根据式 ( 1) 整理, 得: y ? g* + a2 g#

4 + g#

2 2 - ag# sin t+ a2 g#

4 cos2 t ( 3) 忽略二次项得: y ? g * + a

2 g#

4 - ag# sin t+ a

2 g#

4 cos2 t ( 4) 经高通滤波器作用后去掉直流分量: s s+ h [ y] ? - ag# sin t+ a

2 g#

4 cos2 t ( 5) 由图

1 知: = sin t s s+ h [ y] ? - ag# sin

2 t+ ( a2 g#/ 4)cos2 tsin t ( 6) 所以: ?- ag#

2 + ag#

2 cos2 t+ a

2 g#

4 cos2 tsin t (7) 由式(1)知, ? = - ^ ? , 则: ? k s - ag#

2 + ag#

2 cos2 t+ a

2 g#

4 cos2 tsin t ( 8) 忽略高频项( 被积分环节衰减) 得: ^ ? ?- kag#

2 (9) 由于 a>

0, 假定 g ( ) 存在极小值, k>

0, g#>

0, 所以, lim t % &

( t) ? lim t % &

e - kag#

2 t = 0, 即lim t % &

^ ( t) ? * .

2 基于极值搜索控制的锅炉在线燃烧优化 2.

1 系统结构 目前, 风煤比调节仍然普遍采用比值控制加氧 量反馈校正的控制结构.本研究工作是在此基础上 设计图2 的基于极值搜索控制的燃烧优化系统. 图2 基于极值搜索控制的锅炉在线燃烧优化结构图 图2中, J 为用于衡量系统经济性的性能指标, 本处采用锅炉燃烧效率. 由于锅炉燃烧效率无法直接测量, 为此一种方 法是采用文献[ 2~ 6] 提出的神经网络或支持向量机 等软测量模型;

另外也可以利用简化的效率计算模 型或近似的热效率计算方法 [ 9~ 10] , 根据运行中实际 测得的数据在线进行锅炉效率计算, 并同时采用离 散极值搜索控制算法来在线计算效率[ 11~ 12] . 需要指出的是: ( 1) 利用上述方法进行燃烧优化时, 并不要求 获得准确的锅炉燃烧效率值, 只要选择一种综合参 数能够正确反映不同烟气含氧量时燃烧效率的变化 趋势即可. ( 2) 文献[ 2~ 6] 提出的软测量模型都是静态模 型, 即只能反映稳态工况下氧量与燃烧效率的关系. 这就要求一方面施加在系统上的周期激励信号的幅 值和频率, 要在保证不被噪声淹没的条件下尽量小;

另一方面要求原过程参数控制回路整定的比较快, 使系统迅速到达稳定状态. 当然也可以研究建立燃烧效率动态软测量模 型, 但显然其建模、 计算和分析都要复杂的多.而其 中一种更好的方法是, 一方面采用离散极值搜索控 制算法, 另外除了对激励信号和原控制回路整定的 要求以外, 在极值搜索控制回路中采用比原过程参 数控制回路大的采样和控制周期, 这样既有利于利 用较为简单的静态软测量模型, 同时也符合极值搜 索控制多时间尺度控制的思想 [ 8] . 2.

2 参数设置 对于基本的极值搜索控制共有

4 个参数需要设 置,即a、、k和h.目前仍缺乏系统的设置方法, 以下给出本系统的参数设置步骤和一些定性的设置 原则. 2.

2 1 设置 a 和 对燃烧优化而言, 根据 2. 1, 为了对燃烧过程造 成的干扰尽量小, 使过程参数调节过程尽快进入稳 定状态, 同时避免控制量反复波动, a 和 应设置得 比较小. 2. 2.

2 根据 a 设置k 由式( 9) 可知, 估计误差 指数收敛到零, 其收 敛速度与 kag#/

2 成正比.由于 a 设置比较小, 因此 为保证较快的收敛速度, | k| 应取较大的值. 2. 2.

3 根据 设置h h 应在 附近选择.h 主要影响寻优过程的响 应速度.h 越小响应越快, 但同时控制量的变化也 ?

467 ? 第4期李益国, 等: 基于极值搜索控制的电站锅炉在线燃烧优化 比较剧烈, 甚至造成系统失稳.h 设置时应折衷考 虑这两个因素.

3 仿真研究 3.

1 仿真过程及参数设置 电站锅炉燃烧调整中, 由于给煤量由负荷决定, 因此只能通过调节送风量来调节风煤比.以某送风 控制系统为例进行仿真研究[ 13] , 其结构如图

3 所示. 图3中, G ( s) 为送风机调门开度(% )到烟气含 氧量(% )的传递函数, G ( s) = 1.

8 30s+

1 ;

仿真中假定 负荷不变, 因此不考虑给煤量前馈回路.另外, 由于 内回路通常整定为一快速随动环节, 为此以单回路 为例进行仿真.经整定控制器取 C( s)= 5(1+

1 7s );

采用文献[ 6] 中基于神经网络的软测量模型衡量系 统性能.该模型以给煤量 ! b 和烟气含氧量为输入, 以最大的两项热损失, 即排烟热损失 q2 和固体不完 全燃烧热损失 q4 之和, 以及 NOx 排放为输出.优 化的目标是使两个输出的加权平均值最小, 以兼顾 燃烧效率和排放. 图3仿真结构图 与图

1 相比, 图3还增加了一个低通滤波器环 节l/ ( s+ l) , 可以起到补偿系统动态性能和加快收 敛速度的作用.仿真中取 a = 0. 05, = 0. 1, h =

0 5, l= 5, k= 20, ? 1= 0. 4, ? 2= 0. 6. 3.

2 仿真结果及分析 仿真结果如图

4 所示.图4( a) 、 ( b) 、 ( c) 分别为 氧量设定值、 性能指标 J?( 归一化值) 和控制量变化 量( 送风机调门开度变化量) 随时间的变化曲线. 由图

4 可以看出, 通过极值搜索控制, 氧量设定 值由最初的4. 38% 能较快地调整并稳定到 3. 18% , 对应的性能指标也同时取得极小值, 控制作用的变 化也比较平稳.上述优化结果与文献[ 6] 采用免疫 算法优化获得的结果基本相同, 这是由优化问题本 身所决定的, 但也表明本文方法具有良好的局部优 化能力. 因此, 基于极值搜索控制的燃烧优化不但能够 成功地找到最佳含氧量目标值, 同时可以驱动系统 达到该目标值.由于其本质是一种闭环、 在线优化, 因此对负荷变化、 漏风等干扰因素具有更好的适应 能力.如果考虑煤种变化的影响, 只需对上述算法 的软测量模型部分进行修改, 如把煤种也作为一个 输入来构建软测量模型和组织训练样本. 图4仿真结果

4 结论风煤比调节是实现电站锅炉燃烧优化的主要手 段.本文基于极值搜索控制和锅炉效率软测量模型 提出一种锅炉在线燃烧优化控制策略, 并对优化控 制系统的结构和参数设置方法进行了详细讨论.通 过对某送风控制系统的仿真结果表明, 基于极值搜 索控制的燃烧优化不但能够成功地找到最佳含氧量 目标值, 同时可以驱动系统达到该目标值.作为一 种闭环、 在线优化方式, 它对负荷变化、 漏风等干扰 因素具有更好的适应能力.然而, 如何选择更为合 理的激励信号等许多问题仍需进一步深入研究. 参考文献: [ 1] 王岩, 强文义 最 佳风煤 比控制 技术的 研究 [ J] 控制与 决策, 2001,16(4) : 494-

496 [ 2] BOOTH R C,ROLAND W B. Neural network- based combustion opti mization reduces NOx emission while improving perfermance (IEEE Industry Applications Dynamic Modeling Control Applications Industry ?

468 ? 热能动力工程2009 年Workshop[C] Vancouver B C: IEEE Press, 1998: 1- 6. [ 3] 王春林, 周昊基于遗 传算法和 支持向量 机的低 NOx 燃烧 优化[ J] 中国电机工程学报,2007, 27( 11) : 40-

44 [ 4] 王培红, 李磊磊 人工智能技术在电站锅炉燃烧优化 中的应用 研究[ J] 中国电机工程学报,2004, 24( 4) : 184-

188 [ 5] 许昌, 吕剑虹 以效率 和低 NOx ........