背景技术：

随着发电机组在向大容量、高参数方向发展，锅炉的容量不断增加，炉膛温度呈上升趋势；另外，环保对nox排放的要求越来越严格，为了减少氮氧化物的排放，燃煤锅炉采用低氮燃烧方式，但是低氮燃烧方式导致主燃烧区域缺氧燃烧，使得水冷壁表面的还原性气氛增强，水冷壁高温腐蚀现象频繁出现。水冷壁的高温腐蚀与还原性气氛有着极密切的关系，co浓度大的地方腐蚀程度就高。co在锅炉水冷壁高温腐蚀作用有两方面：一方面作为监控锅炉水冷壁高温腐蚀的一个主要参数，并且反应腐蚀气体h2s的生成量；另一方面，直接参与对锅炉水冷壁的高温腐蚀。

研究表明，炉内燃烧配风控制是锅炉提升热效率*为有效的方式。传统电厂通过氧量控制锅炉，氧量不能真实反映风煤混合好坏，且其受漏风影响较大，难以*地反映锅炉的燃烧情况。

技术实现要素：

本发明就是针对现有技术的不足，提供了一种基于co在线检测的锅炉优化方法及系统。

为了实现上述目的，本申请提供了以下技术手段：

在一个体方面，提供了一种基于co在线检测的锅炉操作优化方法，其特征在于，包括以下步骤：

采集数据：采集锅炉主要运行数据与co在线检测数据按格式存入数据库；

数据预处理：

1)剔除锅炉系统运行数据中的异常数据；

2)进行锅炉稳态分析，剔除锅炉非稳态运行的异常数据；

3)运用相关系数法对各操作变量与锅炉效率进行相关性分析，并按相关性强弱进行排序，保留相关性强的主要操作变量；

数理模型建立：运用bp神经网络对锅炉稳态运行数据进行挖掘，分别建立co浓度与锅炉效率、co浓度与nox浓度之间的数理模型；

优化模型与计算：根据co浓度与锅炉效率及nox浓度之间的数理模型，建立锅炉系统优化模型；并将多目标优化问题转化为单目标优化问题，计算得到*co浓度；并运用关联规则算法进行实时优化计算，获取*的锅炉运行操作方案。

进一步地，锅炉稳态分析采用滑动窗口法，即从数据的开始时间位置往后取一段时间内的运行数据作为一个窗口，计算窗口内数据的波动情况，若“锅炉主蒸汽流量”波动较大，则认为窗口内数据处于非稳态，不保留数据；

否则数据处于稳态，保留数据；以此流程从开始时间点滑动到结束时间点，得到所有的锅炉稳态数据；计算公式如下：

式中：t表示开始时间；n表示滑动窗口的宽度；表示从t到t+n-1之间的均值；xt表示第t个工况的值；λ为主蒸汽流量波动范围。

更进一步地，相关性分析的具体过程如下：

相关系数的计算公式：

其中rxy表示样本相关系数，sxy表示样本协方差，sx表示x的样本标准差，sy表示y的样本标准差。下面分别是sxy协方差和sx和sy标准差的计算公式。由于是样本协方差和样本标准差，因此分母使用的是n-1。

sxy样本协方差计算公式：

sx样本标准差计算公式：

sy样本标准差计算公式：

再进一步地，co浓度与锅炉效率的数理模型的建立具体如下：

*步，网络初始化

给各连接权值分别赋一个区间(-1，1)内的随机数，设定误差函数e，给定计算精度值ε和*学次数m；

第二步，随机选取第k个输入样本及对应期望输出

x(k)＝(x1(k)，x2(k)，…xn(k))

do(k)＝(d1(k)，d2(k)，…dq(k))

第三步，计算隐含层各神经元的输入和输出，第j个神经元的输入值sj和输出值yj为：

其中，xi表示来自神经元i的输入；wji表示神经元i与第j个神经元的连接强度，即权值；yj为第j个神经元的输出；

第四步，利用网络期望输出和实际输出，计算误差函数对输出层的各神经元的偏导数δo(k)；

第五步，利用隐含层到输出层的连接权值、输出层的δo(k)和隐含层的输出计算误差函数对隐含层各神经元的偏导数δh(k)；

第六步，利用输出层各神经元的δo(k)和隐含层各神经元的输出来修正连接权值who(k)；

第七步，利用隐含层各神经元的δh(k)和输入层各神经元的输入修正连接权。

第八步，计算全局误差

第九步，判断网络误差是否满足要求，当误差达到预设精度或学次数大于设定的*次数，则结束算法；否则，选取下一个学样本及对应的期望输出，返回到第三步，进入下一轮学，从而得到co浓度与锅炉效率之间的数理模型。

进一步地，所述优化模型的

1)优化目标：在满足产汽量需求时，控制合适的co浓度，使锅炉的耗煤量*小，使nox浓度较低。

2)约束条件包括：

①煤质参数；

②锅炉运行负荷；

③锅炉设计参数；

④锅炉实际运行特性等；

3)优化变量包括：

①耗煤量；

②一次风率；

③二次风率；

④过量空气系数等。

再进一步地，所述优化模型的计算具体过程如下：

结合co与锅炉效率和nox浓度模型，分别赋予权重系数k1和k2，将多目标优化问题转化为单目标优化问题，计算得到*的co浓度；利用关联规则算法进行实时优化计算，获取*的锅炉运行操作方案，具体如下：

输入：

锅炉运行数据、煤质数据和计算所得的锅炉正平衡效率值，记为d(k)，k表示数据的维度；

*小支持度：min_sup；

*小置信度：min_conf。

输出：锅炉*运行方案，即置信度*的频繁k项集lkb。

方法：

首先，通过扫描数据库，确定每个项的计数，并收集满足*小支持度的项，找出频繁1项集的集合,该集合记为l1；然后，使用l1找出频繁2项集的集合l2，使用l2找出l3，如此下去，找到满足*小支持度和*小置信度的频繁k项集，选取置信度*的频繁k项集lk，即为*的锅炉运行方案；

使用lk-1找出lk，其中k≥2，主要包括连接步和剪枝步：

连接步：为找出lk，通过将lk-1与自身连接产生候选k项集的集合；该候选项集的集合记为ck；设l1和l2是lk-1中的项集；记号li[j]表示li的第j项，对于(k-1)项集li，使得li[1]＜li[2]＜…＜li[k-1]，执行连接lk-1？lk-1；如果(l1[1]＝l2[1])∧(l1[2]＝l2[2])∧…∧(l1[k-2]＝l2[k-2])∧(l1[k-1]＝l2[k-1])；连接l1和l2产生的结果项集是{l1[1]，l1[2]，…，l1[k-2]，l1[k-1]}；

剪枝步：ck是lk的集，也就是说，ck的成员可以是也可以不是频繁的，但所有的频繁k项集都包含在ck中；由于任何非频繁的(k-1)项集都不是频繁k项的子集，因此，如果一个候选k项集的(k-1)项子集不再lk-1中，则该候选也不可能是频繁的，从而可以从ck中删除。

在另一个体方面，本发明提供了一种基于co在线检测的锅炉操作优化系统，其特殊之处在于：包括数据采集模块、数据预处理模块、数理模型建立模块、优化模型与计算模块；

其中，

所述数据采集模块：采集锅炉主要运行数据与co在线检测数据按格式存入数据库；

所述数据预处理模块：

1)剔除锅炉系统运行数据中的异常数据；

2)进行锅炉稳态分析，剔除锅炉非稳态运行的异常数据；

3)运用相关系数法对各操作变量与锅炉效率进行相关性分析，并按相关性强弱进行排序，保留相关性强的主要操作变量；

所述数理模型建立模块：运用bp神经网络对锅炉稳态运行数据进行挖掘，分别建立co浓度与锅炉效率、co浓度与nox浓度之间的数理模型；

所述优化模型与计算模块：根据co浓度与锅炉效率及nox浓度之间的数理模型，建立锅炉系统优化模型；并将多目标优化问题转化为单目标优化问题，计算得到*co浓度；并运用关联规则算法进行实时优化计算，获取*的锅炉运行操作方案。

本发明的优点在于：

1)本发明将大数据技术、co在线检测技术与锅炉运行操作相结合，不需要实时煤质数据，就可实时进行优化计算，并给出*的锅炉运行方案。

2)本发明通过opc/data读取锅炉与在线co检测系统的实时运行数据，结合锅炉历史运行数据库，运用大数据技术，实现对锅炉系统的实时闭环优化。

3)本发明运用大数据技术与co在线检测技术，通过控制炉膛co浓度来控制锅炉的燃烧与nox浓度，使锅炉安全高效运行。

4)锅炉*运行状态点是在满足污染物排放要求的情况下锅炉效率*的运行状态点。传统锅炉优化算法一般只针对锅炉效率进行优化，没有考虑污染物排放，但锅炉效率*的状态点不一定是锅炉的*运行状态点，本发明运用的算法集成了滑动窗口稳态分析法、bp神经网络算法、关联规则算法及多目标优化算法，计算得到锅炉*运行状态点。

5)与其它算法相比，本发明运用的锅炉优化算法，实时挖掘出锅炉当前状态下的*运行方案，具有安全、可靠及可实现性。

6)本发明基于锅炉的运行数据与co在线检测数据，运用大数据技术进行优化计算，无需改造设备、优化效益高、安全稳定性好。

数大于设定的*次数，则结束算法。否则，选取下一个学样本及对应的期望输出，返回到第三步，进入下一轮学。从而得到co浓度与锅炉效率之间的数理模型。

4co浓度与nox浓度数理模型

同样的，根据锅炉稳态运行的历史数据，运用bp神经网络算法，得到co浓度与nox浓度之间的数理模型。

5锅炉系统优化模型

根据co浓度与锅炉效率及nox浓度之间的关系，把co浓度作为衡量锅炉效率与nox浓度的指标，建立锅炉系统优化模型。

1)优化目标：在满足产汽量需求时，控制合适的co浓度，使锅炉的耗煤量*小，使nox浓度较低。

2)约束条件：

①煤质参数；

②锅炉运行负荷；

③锅炉设计参数；

④锅炉实际运行特性等。

3)优化变量：

①耗煤量；

②一次风率；

③二次风率；

④过量空气系数等。

6优化计算

根据co浓度与锅炉效率、co浓度与nox浓度的模型，分别赋予权重系数k1和k2(k1和k2,之和为1，默认k1和k2均为0.5，可以根据企业的实际需求进行调整)，将多目标优化问题转化为单目标优化问题，得到锅炉各负荷所对应的锅炉*co浓度。然后根据当前锅炉的运行负荷及个符合所对应的锅炉*co浓度，在数据库中挖掘同状态(负荷波动小于5t/h)下的历史运行数据，运用关联规则算法进行实时优化计算，得到*co浓度对应的锅炉各运行参数，即*的锅炉运行操作方案。

技术特征：

1.一种基于co在线检测的锅炉优化方法，其特征在于，包括以下步骤：

采集数据：采集锅炉主要运行数据与co在线检测数据按格式存入数据库；

数据预处理：

1)剔除锅炉系统运行数据中的异常数据；

2)进行锅炉稳态分析，剔除锅炉非稳态运行的异常数据；

3)运用相关系数法对各操作变量与锅炉效率进行相关性分析，并按相关性强弱进行排序，保留相关性强的主要操作变量；

数理模型建立：运用bp神经网络对锅炉稳态运行数据进行挖掘，分别建立co浓度与锅炉效率、co浓度与nox浓度之间的数理模型；

优化模型与计算：根据co浓度与锅炉效率及nox浓度之间的数理模型，建立锅炉系统优化模型；并将多目标优化问题转化为单目标优化问题，计算得到*co浓度；并运用关联规则算法进行实时优化计算，获取*的锅炉运行操作方案。

2.根据权利要求1所述的基于co在线检测的锅炉优化方法，其特征在于：以“锅炉主蒸汽流量”为衡量锅炉运行状态的标准，锅炉稳态分析采用滑动窗口法，即从数据的开始时间位置往后取一段时间内的运行数据作为一个窗口，计算窗口内数据的波动情况，若“锅炉主蒸汽流量”波动较大，则认为窗口内数据处于非稳态，不保留数据；否则数据处于稳态，保留数据；

以此流程从开始时间点滑动到结束时间点，得到所有的锅炉稳态数据；计算公式如下：

式中：t表示开始时间；n表示滑动窗口的宽度；表示从t到t+n-1之间的均值；xt表示第t个工况的值；λ为主蒸汽流量波动范围。

技术结

本发明公开了一种基于CO在线检测的锅炉优化方法及系统，运用大数据及智能优化算法，建立了CO浓度与锅炉热效率之间的数理模型，通过控制炉膛内CO的浓度来控制锅炉效率，并运用关联规则、BP神经网络等算法进行优化计算，得到*的锅炉操作方案，从而实现锅炉的实时闭环优化。