1.一种融合邻域粗糙集机器学习的循环流化床锅炉燃烧优化方法,其特征在于,将机组设备的运行状态作为边界条件,改善数据挖掘的结果的复现性,确保寻优结果与机组设备的运行状态相同,对机组变工况运行调节过程实现高效精细化的调节,使燃烧优化目标得到进一步提高,具体包括以下步骤:步骤1.确定燃烧的优化目标J:选择氮氧化物气体排放浓度与提高锅炉热效率作为燃烧优化目标J,优化目标J如下公式:其中,fgl表示锅炉热效率, 表示氮氧化物气体排放浓度;
步骤2.在线计算锅炉热效率:读取循环流化床锅炉入炉煤工业分析项目化验数据与计算锅炉热效率需要的机组DCS系统测量数据,由入炉煤工业分析项目数据依据煤中各元素收到基平衡关系、氮元素成分与挥发分函数关系、燃料发热量与燃料元素成分函数关系及高、低位发热量函数关系计算入炉煤元素分析项目数据,计算锅炉热损失及锅炉热效率;
步骤3.融合邻域粗糙集的锅炉热效率与氮氧化物排放浓度数据建模:选取与循环流化床锅炉燃烧调节直接相关的参数变量作为邻域粗糙集信息系统中的条件属性,分别构建决策属性为锅炉热效率与氮氧化物排放浓度的信息系统Ⅰ、信息系统Ⅱ;设置用于控制属性约简结果的关键参数λ,由设置好的邻域粗糙集算法分别对信息系统Ⅰ和信息系统Ⅱ进行属性约简,分别得到各自的属性约简结果;将属性约简结果的并集作为锅炉热效率与氮氧化物排放浓度的BP神经网络模型的输入变量分别建立锅炉热效率的数据模型和氮氧化物排放浓度的数据模型;
步骤4.由多目标优化算法确定机组运行优化操作变量集合:确定锅炉热效率与氮氧化物排放浓度的BP神经网络模型输入变量中操作变量的集合,利用NSGA‑II算法实现对操作变量可调范围内的全局寻优,寻优后得到帕累托前沿面,选择前沿面上突出位置数据点作为寻优的结果。
2.根据权利要求1所述的融合邻域粗糙集机器学习的循环流化床锅炉燃烧优化方法,其特征在于,所述机组DCS系统测量数据包括:机组给煤量、冷渣器进口渣温、冷渣器出口渣温、冷渣器冷却水流量、冷却水入口温度、冷却水出口温度、脱硫岛入口二氧化硫浓度、烟气含氧量、排烟温度与环境温度。
3.根据权利要求1所述的融合邻域粗糙集机器学习的循环流化床锅炉燃烧优化方法,其特征在于,所述工业分析项目包括:收到基全水分,空气干燥基水分,干燥无灰基挥发分,收到基灰分,收到基低位发热量,收到基高位发热量与收到基全硫分;元素分析项目包括:收到基氢,收到基碳,收到基氧和收到基氮,各元素收到基平衡表达式如下:
Car+Har+Oar+Nar+Sar+Aar+Mar=100
其中,Car表示入炉煤收到基碳元素含量,%;Har表示入炉煤收到基氢元素含量,%;Oar表示入炉煤收到基氧元素含量,%;Nar表示入炉煤收到基氮元素含量,%;Sar表示入炉煤收到基硫元素含量,%;Aar表示入炉煤收到基灰分含量,%;Mar表示入炉煤收到基水分含量,%。
4.根据权利要求3所述的融合邻域粗糙集机器学习的循环流化床锅炉燃烧优化方法,其特征在于,氮元素成分与挥发分函数表达式如下:Ndaf=0.016Vdaf+0.9;
燃料发热量与燃料元素成分函数表达式如下:
Qnet,ar=339Car+1028Har‑109(Oar‑Sar)‑25Mar;
高、低位发热量函数表达式如下:
Qnet,ar=Qgr,ar‑25.12(9Har+Mar);
干燥无灰基氮元素含量通过以下表达式转为收到基氮元素含量。
其中,Vdaf表示干燥无灰基挥发分含量,%;Ndaf表示干燥无灰基氮元素含量,%;Qnet,ar表示入炉煤低位发热量,kJ/kg;Qgr,ar表示入炉煤高位发热量,kJ/kg。