基于GA和模糊關(guān)聯(lián)規(guī)則的鍋爐脫硝經(jīng)濟(jì)性優(yōu)化

崔　超，　劉吉臻，　楊婷婷

(華北電力大學(xué) 控制與計(jì)算機(jī)工程學(xué)院，北京 102206)

基于GA和模糊關(guān)聯(lián)規(guī)則的鍋爐脫硝經(jīng)濟(jì)性優(yōu)化

崔超，劉吉臻，楊婷婷

(華北電力大學(xué) 控制與計(jì)算機(jī)工程學(xué)院，北京 102206)

摘要：在某660 MW火電機(jī)組的廠級監(jiān)控信息系統(tǒng)(SIS)中選取歷史運(yùn)行數(shù)據(jù)，利用最小二乘支持向量機(jī)(LSSVM)方法建立脫硝經(jīng)濟(jì)性預(yù)測模型，并基于該模型采用遺傳算法進(jìn)行常運(yùn)行負(fù)荷點(diǎn)的離線尋優(yōu)以建立離線最優(yōu)專家數(shù)據(jù)庫(OOED).采用模糊關(guān)聯(lián)規(guī)則挖掘(FARM)算法從OOED中提取各調(diào)整變量的最優(yōu)設(shè)定值與機(jī)組負(fù)荷的關(guān)聯(lián)關(guān)系，實(shí)現(xiàn)電網(wǎng)負(fù)荷調(diào)度指令下各參數(shù)的在線優(yōu)化調(diào)整.結(jié)果表明：所提出的脫硝經(jīng)濟(jì)性優(yōu)化方法的優(yōu)化效果與遺傳算法尋優(yōu)結(jié)果接近，且優(yōu)化時(shí)間短，適合火電機(jī)組的在線優(yōu)化控制.

關(guān)鍵詞：燃煤鍋爐； 脫硝成本； 模糊關(guān)聯(lián)規(guī)則； 遺傳算法

隨著環(huán)保力度的加大，NOx排放控制已經(jīng)成為發(fā)電企業(yè)面臨的重要問題.為了達(dá)到排放要求，電廠廣泛采用低氮燃燒和選擇性催化還原(SCR)相結(jié)合的聯(lián)合煙氣脫硝技術(shù)[1].低氮燃燒通過對鍋爐燃燒器及其配風(fēng)方式進(jìn)行優(yōu)化調(diào)整，從源頭上降低NOx的生成，但是犧牲了鍋爐效率，會(huì)使供電煤耗率升高.SCR通過向煙氣中噴入還原劑NH3將NOx還原為N2和H2O，這種方法最有效，但成本高昂.因此，建立一套機(jī)組脫硝經(jīng)濟(jì)性優(yōu)化系統(tǒng)，指導(dǎo)運(yùn)行人員按照最經(jīng)濟(jì)的方式調(diào)整鍋爐運(yùn)行參數(shù)，在低氮燃燒和SCR脫硝上尋找費(fèi)用的最佳點(diǎn)，實(shí)現(xiàn)經(jīng)濟(jì)效益的最大化，對提升發(fā)電企業(yè)的競爭力有重要意義.

在脫硝優(yōu)化方面，最常用的方法是采用人工神經(jīng)網(wǎng)絡(luò)[2-4]、支持向量機(jī)[5-7]等智能優(yōu)化算法建立鍋爐的燃燒特性模型，然后基于此模型采用遺傳算法(GA)、粒子群算法等非線性尋優(yōu)方法得到燃燒系統(tǒng)各調(diào)整變量(Xav)的最優(yōu)設(shè)定值，為機(jī)組運(yùn)行提供參考.由于此類方法不需要對機(jī)組進(jìn)行硬件改造，只需在機(jī)組控制系統(tǒng)中更新控制算法，已成為許多學(xué)者的研究熱點(diǎn).目前，關(guān)于該類燃燒優(yōu)化技術(shù)的研究中，許昌等[8]基于電廠的歷史運(yùn)行數(shù)據(jù)，利用人工神經(jīng)網(wǎng)絡(luò)(ANN)算法建立了機(jī)組效率和NOx排放量的預(yù)測建模，并采用遺傳算法進(jìn)行了燃燒優(yōu)化.鄭立剛等[9]利用支持向量回歸方法建立了電站鍋爐的NOx排放特性模型，用蟻群算法對該模型進(jìn)行尋優(yōu)以降低電站NOx排放.然而這些研究大多只對機(jī)組的某幾個(gè)負(fù)荷點(diǎn)進(jìn)行了燃燒優(yōu)化，不能實(shí)現(xiàn)機(jī)組全負(fù)荷狀態(tài)下的運(yùn)行指導(dǎo)，也沒有從脫硝經(jīng)濟(jì)性的角度進(jìn)行分析.此外，雖然遺傳算法、粒子群算法等非線性尋優(yōu)方法能搜索到優(yōu)化范圍內(nèi)各Xav的全局最優(yōu)解，但在尋優(yōu)時(shí)需要進(jìn)行反復(fù)的迭代運(yùn)算，不僅搜索速度較慢，而且還會(huì)占用大量控制系統(tǒng)的處理器內(nèi)存，很難實(shí)現(xiàn)機(jī)組的在線優(yōu)化控制.

為了提高機(jī)組各運(yùn)行參數(shù)的尋優(yōu)速度，一種基于數(shù)據(jù)挖掘的優(yōu)化方案逐漸受到研究者的重視，該方法直接對機(jī)組的歷史運(yùn)行數(shù)據(jù)進(jìn)行挖掘，提取各Xav的最優(yōu)運(yùn)行值.李建強(qiáng)等[10]利用火電廠運(yùn)行數(shù)據(jù)的關(guān)聯(lián)特性，提出了一種基于模糊關(guān)聯(lián)規(guī)則挖掘(Fuzzy Association Rule Mining，F(xiàn)ARM)的電站運(yùn)行優(yōu)化目標(biāo)值確定方法.Kusiak等[11]利用數(shù)據(jù)挖掘技術(shù)從機(jī)組歷史運(yùn)行數(shù)據(jù)中提取各控制參數(shù)的最優(yōu)運(yùn)行值，提高鍋爐運(yùn)行效率.此類數(shù)據(jù)挖掘算法計(jì)算簡單，尋優(yōu)速度較快，可以滿足在線應(yīng)用的條件，但由于機(jī)組歷史運(yùn)行數(shù)據(jù)的多變性和不確定性，單獨(dú)使用該方法很難得到優(yōu)化問題的全局最優(yōu)解，只能得到相對較優(yōu)解.

因此，筆者在上述研究的基礎(chǔ)上提出了一種基于GA和FARM相結(jié)合的鍋爐脫硝經(jīng)濟(jì)性優(yōu)化系統(tǒng)，以實(shí)現(xiàn)機(jī)組低氮燃燒和SCR聯(lián)合脫硝成本的最小化.該優(yōu)化系統(tǒng)主要由離線和在線2部分構(gòu)成，離線部分包括脫硝經(jīng)濟(jì)性預(yù)測模型的建立、常運(yùn)行負(fù)荷點(diǎn)下的GA優(yōu)化、離線最優(yōu)專家數(shù)據(jù)庫(Offline Optimal Expert Database，OOED)的構(gòu)建3個(gè)過程.在線部分由關(guān)聯(lián)規(guī)則推理機(jī)模型構(gòu)成，主要實(shí)現(xiàn)機(jī)組脫硝經(jīng)濟(jì)性的在線優(yōu)化.

1原理與結(jié)構(gòu)

火電機(jī)組脫硝經(jīng)濟(jì)性優(yōu)化的目標(biāo)是確定各相關(guān)Xav的最優(yōu)設(shè)定值與機(jī)組負(fù)荷的關(guān)聯(lián)關(guān)系，當(dāng)機(jī)組接收到負(fù)荷調(diào)度指令時(shí)，燃燒控制系統(tǒng)自動(dòng)按照該關(guān)聯(lián)關(guān)系調(diào)整各Xav的值，使脫硝過程最經(jīng)濟(jì).筆者在機(jī)組脫硝經(jīng)濟(jì)性預(yù)測模型的基礎(chǔ)上，利用GA對常運(yùn)行負(fù)荷點(diǎn)下的Xav進(jìn)行離線優(yōu)化，將優(yōu)化結(jié)果作為各Xav的離線最優(yōu)值，并與對應(yīng)的歷史負(fù)荷數(shù)據(jù)組成OOED.當(dāng)機(jī)組接收到新的負(fù)荷調(diào)度指令時(shí)，利用在線FARM算法從OOED中提取該負(fù)荷下各Xav的在線最優(yōu)設(shè)定值，為運(yùn)行人員提供指導(dǎo).整個(gè)脫硝經(jīng)濟(jì)性優(yōu)化系統(tǒng)結(jié)構(gòu)見圖1.

圖1　脫硝經(jīng)濟(jì)性優(yōu)化系統(tǒng)的結(jié)構(gòu)

2離線最優(yōu)專家數(shù)據(jù)庫

2.1脫硝經(jīng)濟(jì)性預(yù)測模型

2.1.1輸出變量的構(gòu)建

模型的輸出變量是指聯(lián)合脫硝時(shí)產(chǎn)生的各項(xiàng)經(jīng)濟(jì)成本.霍秋寶等[12-13]給出了機(jī)組脫硝過程中涉及到的各項(xiàng)費(fèi)用，筆者僅選取以下通過優(yōu)化控制手段能明顯減小的費(fèi)用.

(1)鍋爐效率損失費(fèi).

機(jī)組采用低氮燃燒技術(shù)降低NOx時(shí)，在一定范圍內(nèi)鍋爐效率基本不變，但NOx低至一定值后，鍋爐效率會(huì)急劇下降：

(1)

式中：Δη為效率的降低量，%；ε為較小的常量，%；ρ1為SCR入口NOx質(zhì)量濃度，mg/m3；q、k為常數(shù)；ρlim為低氮燃燒NOx減排閾值，mg/m3，可通過熱工實(shí)驗(yàn)獲得.此時(shí)，增加的燃煤成本為

(2)

式中：Ff為燃料成本增加的費(fèi)用，元/h；Pm為標(biāo)準(zhǔn)燃煤價(jià)格，元/t；Q為機(jī)組負(fù)荷，MW；Δb為效率每降低1%時(shí)，供電煤耗b增加的百分比.

(2)還原劑消耗費(fèi).

機(jī)組進(jìn)行SCR脫硝時(shí)，還原劑液氨的消耗量與脫除的NOx的含量成正比，費(fèi)用計(jì)算如下：

(3)

式中：Fr為還原劑消耗費(fèi)，元/h；ρ2為SCR出口NOx質(zhì)量濃度，mg/m3；qV為煙氣體積流量，m3/h；a為還原劑與NOx的摩爾質(zhì)量比；Ph為還原劑的價(jià)格，元/t；MNH3為氨的相對分子質(zhì)量；ΨNH3為設(shè)備氨逃逸率，‰.

(3)脫硝電耗.

脫硝電耗是指煙道阻力造成的噴氨設(shè)備電耗增加的費(fèi)用，其僅取決于煙氣流量[13].煙氣流量是機(jī)組負(fù)荷的線性函數(shù)，因此脫硝電耗可表示為機(jī)組負(fù)荷與電耗系數(shù)的乘積：

(4)

式中：Fe為脫硝電耗，元/h；E為電耗系數(shù)，元/(MW·h)，可通過現(xiàn)場專項(xiàng)實(shí)驗(yàn)獲得.

(4)排污費(fèi).

排污費(fèi)是指火力發(fā)電廠向大氣中排放含有NOx的煙氣時(shí)，需要向環(huán)保部門繳納的費(fèi)用.我國排污費(fèi)按如下公式計(jì)算：

(5)

式中：Fp為排污費(fèi)，元/h；0.95為NOx污染當(dāng)量值，每一當(dāng)量收費(fèi)0.6元.

(5)聯(lián)合脫硝成本.

將上述各項(xiàng)費(fèi)用的和定義為聯(lián)合脫硝成本，并作為模型的輸出：

(6)

2.1.2輸入變量的構(gòu)建

模型輸入變量是指那些會(huì)影響機(jī)組脫硝成本的變量.為了降低模型的復(fù)雜度，提高預(yù)測精度，先用機(jī)理分析法確定影響脫硝成本的初始輸入變量，然后利用BP網(wǎng)絡(luò)篩選出的對輸出影響較大的變量作為模型輸入.BP變量選擇法通過計(jì)算輸入對輸出的影響力，當(dāng)某個(gè)輸入變量對輸出的影響力小于10%時(shí)，將其剔除，具體過程如文獻(xiàn)[14]所述.

2.1.3脫硝經(jīng)濟(jì)性預(yù)測模型

利用具有小樣本學(xué)習(xí)能力的最小二乘支持向量機(jī)(LSSVM)智能建模方法建立火電機(jī)組脫硝經(jīng)濟(jì)性預(yù)測模型.LSSVM使規(guī)劃問題轉(zhuǎn)化為解線性方程組，大大減少了計(jì)算量，在實(shí)際應(yīng)用中具有較高的收斂速度和預(yù)測精度[15].因此LSSVM方法可作為建立脫硝經(jīng)濟(jì)性預(yù)測模型的理想建模法.

2.2基于GA的離線優(yōu)化

機(jī)組脫硝經(jīng)濟(jì)性預(yù)測模型反映了各Xav、機(jī)組負(fù)荷Q與聯(lián)合脫硝成本之間的非線性關(guān)系：

(7)

式中：Xav為各調(diào)整變量組成的向量；f()為LSSVM方法建立的脫硝經(jīng)濟(jì)性預(yù)測模型.

利用式(7)表示的模型關(guān)系，采用GA對機(jī)組常運(yùn)行歷史負(fù)荷點(diǎn)下的Xav進(jìn)行離線尋優(yōu)，找到各負(fù)荷點(diǎn)下Xav的離線最優(yōu)值，構(gòu)建OOED.在GA尋優(yōu)時(shí)，采用實(shí)數(shù)編碼方法對Xav進(jìn)行編碼，直接使用各Xav的真實(shí)值進(jìn)行迭代運(yùn)算.根據(jù)GA的特性，其在尋優(yōu)結(jié)束后能找到各Xav在尋優(yōu)范圍內(nèi)的全局最優(yōu)解，雖然搜索速度慢，但OOED是通過離線方法構(gòu)建的，對數(shù)據(jù)的準(zhǔn)確度要求較高，構(gòu)建速度對其影響不大，因此GA可作為構(gòu)建OOED的理想尋優(yōu)算法.

3關(guān)聯(lián)規(guī)則推理機(jī)模型

3.1推理原理

關(guān)聯(lián)規(guī)則推理機(jī)模型利用OOED中機(jī)組負(fù)荷與各Xav的離線最優(yōu)值的關(guān)聯(lián)規(guī)則進(jìn)行推理，輸入為電網(wǎng)負(fù)荷調(diào)度指令，輸出為各Xav的在線最優(yōu)值.采用FARM算法從OOED中提取機(jī)組負(fù)荷與各Xav在線最優(yōu)值的關(guān)聯(lián)規(guī)則，該算法執(zhí)行效率高，適合在線應(yīng)用，詳細(xì)過程如下.

3.2模糊關(guān)聯(lián)規(guī)則

模糊關(guān)聯(lián)規(guī)則是形如Qf→Xavf的蘊(yùn)涵式，Qf和Xavf分別為OOEDf中機(jī)組負(fù)荷和各Xav的模糊值，OOEDf為數(shù)量型的OOED經(jīng)過模糊化后的模糊型離線最優(yōu)專家數(shù)據(jù)庫.采用IF-THEN的關(guān)聯(lián)規(guī)則語句，第i條規(guī)則如下：

在建立關(guān)聯(lián)規(guī)則推理機(jī)模型時(shí)，規(guī)則Qf→Xavf以最小支持度s和置信度c為初始選擇標(biāo)準(zhǔn)[16]，表達(dá)式如下：

(8)

式中：u(Qf∪Xavf)為該規(guī)則的隸屬度，等于前件參數(shù)Qf的隸屬度u(Qf)與后件參數(shù)Xavf的隸屬度u(Xavf)的乘積；m為該規(guī)則出現(xiàn)的次數(shù).

對于OOEDf中從Qf到Xavf的推理規(guī)則，在滿足最小支持度和置信度條件時(shí)，可能會(huì)出現(xiàn)相互矛盾的情況，即對于一個(gè)給定的Qf，可能有多條規(guī)則使其對應(yīng)不同的Xavf，造成決策失敗.因此，筆者引入興趣度的概念，在滿足最小支持度和置信度的規(guī)則中選取興趣度最大的規(guī)則作為最終的模糊關(guān)聯(lián)規(guī)則，興趣度數(shù)值越大，對規(guī)則的關(guān)注程度越高[10].規(guī)則Qf→Xavf的興趣度I定義如下：

(9)

在用FARM算法確定模糊關(guān)聯(lián)規(guī)則時(shí)，為了降低算法的復(fù)雜度，分別挖掘單個(gè)Xav的在線最優(yōu)值與機(jī)組負(fù)荷的關(guān)聯(lián)關(guān)系，然后進(jìn)行組合就能得到給定負(fù)荷下所有Xav的在線最優(yōu)值.模糊關(guān)聯(lián)規(guī)則的確定方法如下：(1)根據(jù)OOEDf中Qf與各Xavf離線最優(yōu)值的對應(yīng)關(guān)系，構(gòu)成初始規(guī)則庫RULE1；(2)統(tǒng)計(jì)RULE1中相同規(guī)則的條數(shù)，合并相同規(guī)則得到規(guī)則庫RULE2，利用式(8)計(jì)算規(guī)則庫RULE2中各條規(guī)則的最小支持度和置信度；(3)刪除規(guī)則庫RULE2中低于最小支持度和置信度的規(guī)則，得到規(guī)則庫RULE3；(4)檢查規(guī)則庫RULE3是否存在相互矛盾的規(guī)則，若存在，利用式(9)計(jì)算矛盾規(guī)則的興趣度，選取興趣度最大的規(guī)則組成規(guī)則庫RULE4.

經(jīng)過上述4步后，RULE4即為最終的模糊關(guān)聯(lián)規(guī)則庫，可用來進(jìn)行關(guān)聯(lián)規(guī)則推理.

3.3Xav的去模糊化

對于給定的機(jī)組負(fù)荷模糊值Qf，關(guān)聯(lián)規(guī)則推理機(jī)模型利用規(guī)則庫RULE4進(jìn)行推理，輸出各Xav的在線最優(yōu)模糊值，去模糊化就能得到實(shí)際的在線最優(yōu)值.此處采用重心法實(shí)現(xiàn)去模糊化：

(10)

式中：Xavopt為各調(diào)整變量的在線最優(yōu)值；j為Xav模糊化時(shí)模糊集合的個(gè)數(shù)；ui為推理得到的Xavf在對應(yīng)模糊集合下各模糊集合中心的隸屬度；vi為各模糊集合中心在論域中的取值.

4仿真實(shí)例

4.1機(jī)組介紹及數(shù)據(jù)準(zhǔn)備

針對某額定負(fù)荷為660 MW的電站直流固態(tài)排渣爐進(jìn)行仿真分析.該機(jī)組采用低氮燃燒和SCR相結(jié)合的煙氣脫硝技術(shù)，經(jīng)現(xiàn)場熱工試驗(yàn)與測量，SCR設(shè)備氨平均逃逸率為1.239×103‰，電耗系數(shù)為0.565元/(MW·h).假設(shè)煤粉細(xì)度不變，根據(jù)機(jī)理分析[17]，影響該機(jī)組聯(lián)合脫硝成本的鍋爐調(diào)整參數(shù)主要包括機(jī)組負(fù)荷x1、入爐煤量x2、6臺(tái)給煤機(jī)開度x3～x8、8層二次風(fēng)擋板開度x9～x16、6層一次風(fēng)擋板開度x17～x22、4個(gè)燃盡風(fēng)擋板開度x23～x26和省煤器出口氧量x27.另外，機(jī)組燃用煤種特性對NOx的生成也有重要影響，在建立機(jī)組脫硝經(jīng)濟(jì)性預(yù)測模型時(shí)應(yīng)考慮煤質(zhì)的影響.對于所研究的機(jī)組，建模時(shí)主要選取收到基水分w(Mad)、灰分w(Aar)、揮發(fā)分w(Var)、含碳量w(Car)、低位發(fā)熱量Qnet.ar5個(gè)參數(shù)作為反映煤種特性的初始輸入變量x28～x32，如表1所示.因此，模型初始輸入?yún)?shù)主要為上述32個(gè)變量.從該機(jī)組廠級監(jiān)控系統(tǒng)(SIS)中采集機(jī)組運(yùn)行一周時(shí)各變量的歷史運(yùn)行數(shù)據(jù)550組，機(jī)組負(fù)荷跨度為常運(yùn)行區(qū)段300～660 MW.為了保證建模的精度，先用K-means離群點(diǎn)剔除算法對數(shù)據(jù)進(jìn)行清洗[18]，從550組數(shù)據(jù)中選出462組，再用文獻(xiàn)[19]提出的穩(wěn)態(tài)數(shù)據(jù)判別法選出235組穩(wěn)態(tài)工況點(diǎn)的數(shù)據(jù)進(jìn)行仿真分析[19].

表1　鍋爐燃用煤種特性分析數(shù)據(jù)

4.2機(jī)組脫硝經(jīng)濟(jì)性預(yù)測模型

根據(jù)篩選出的235組數(shù)據(jù)，先利用式(6)計(jì)算對應(yīng)的聯(lián)合脫硝成本，再用BP網(wǎng)絡(luò)對初始輸入變量進(jìn)行選擇.變量選擇的目的是消除變量之間的相關(guān)性，降低模型的復(fù)雜度，筆者主要對相關(guān)性較強(qiáng)的鍋爐調(diào)整參數(shù)x1～x27進(jìn)行篩選.經(jīng)過9次篩選，從27個(gè)輸入變量中選取10個(gè)對脫硝成本影響較大的主導(dǎo)變量，分別為機(jī)組負(fù)荷x1、3臺(tái)給煤機(jī)開度x3～x5、1層二次風(fēng)擋板開度x16、3層一次風(fēng)擋板開度x17、x19、x20以及2個(gè)燃盡風(fēng)擋板開度x23、x25.以這10個(gè)鍋爐調(diào)整參數(shù)和反映煤種特性的5個(gè)參數(shù)為模型輸入變量，對應(yīng)的聯(lián)合脫硝成本為模型輸出變量，采用LSSVM方法建立該機(jī)組的脫硝經(jīng)濟(jì)性預(yù)測模型，預(yù)測效果見圖2.

由圖2可知，聯(lián)合脫硝成本的預(yù)測值與實(shí)際值大致分布在對角線附近，模型預(yù)測效果良好.采用文獻(xiàn)[20]中的均方根誤差(RMSE)與平均相對誤差(MRE)對該模型進(jìn)行評價(jià)，得出均方根誤差為3.138 2，平均相對誤差為1.2%，數(shù)值較小，說明模型預(yù)測能力較好，可以用來建立OOED.

圖2　聯(lián)合脫硝成本實(shí)際值與預(yù)測值的對比

4.3機(jī)組離線最優(yōu)專家數(shù)據(jù)庫

基于所建立的脫硝經(jīng)濟(jì)性預(yù)測模型，用GA對選取的235組工況進(jìn)行離線尋優(yōu)以建立OOED.由于本文的主要目的是實(shí)現(xiàn)鍋爐脫硝經(jīng)濟(jì)性在線優(yōu)化，給出各Xav的在線最優(yōu)值以指導(dǎo)運(yùn)行人員操作，因此本文優(yōu)化的只是變量選擇后的鍋爐調(diào)整參數(shù).機(jī)組脫硝優(yōu)化控制時(shí)，優(yōu)先調(diào)整這些變量的取值，其余變量進(jìn)行冗余調(diào)整.在每個(gè)歷史負(fù)荷點(diǎn)處尋優(yōu)時(shí)，由于機(jī)組負(fù)荷一定，機(jī)組的入爐煤量、給煤機(jī)的運(yùn)行狀態(tài)一定，機(jī)組負(fù)荷x1和3臺(tái)給煤機(jī)開度x3～x5取值不變，因此只需對剩余的6個(gè)Xav進(jìn)行尋優(yōu).為降低優(yōu)化后各Xav的取值對機(jī)組動(dòng)態(tài)特性的影響，在某個(gè)歷史負(fù)荷點(diǎn)處尋優(yōu)時(shí)，分別選取6個(gè)Xav在該歷史負(fù)荷點(diǎn)前后15個(gè)工況點(diǎn)的數(shù)據(jù)組成數(shù)據(jù)集D，將[Dmin,Dmax]作為各Xav的尋優(yōu)范圍.尋優(yōu)時(shí)，GA的參數(shù)設(shè)置為：種群數(shù)M=80，進(jìn)化終止代數(shù)T=200，交叉率Pc=0.6，變異率Pva=0.01，尋優(yōu)后的OOED如表2中數(shù)量型數(shù)值所示.

4.4基于FARM算法的脫硝經(jīng)濟(jì)性優(yōu)化

將OOED中的數(shù)據(jù)模糊化，模糊的論域?yàn)閇-2.5，2.5]，模糊集合的個(gè)數(shù)為5，對應(yīng)的語言變量依次表示NB(極低)、NS(低)、ZR(正常)、PS(高)和PB(極高)，選用的隸屬度函數(shù)如圖3所示，其中c1～c5表示OOED中各數(shù)據(jù)的模糊集合中心，為各變量進(jìn)行K-means聚類后的簇心[18].模糊化后的OOED如表2中模糊型數(shù)值所示.

圖3　模糊化隸屬度函數(shù)

給定最小支持度和置信度分別為0.4和0.75，利用3.2節(jié)中的FARM算法確定模糊關(guān)聯(lián)規(guī)則，最終的規(guī)則庫見表3.

表2　遺傳算法尋優(yōu)后的機(jī)組離線最優(yōu)專家數(shù)據(jù)庫

表3　模糊關(guān)聯(lián)規(guī)則

根據(jù)表3的模糊關(guān)聯(lián)規(guī)則，采用在線FARM算法對選取的235組數(shù)據(jù)進(jìn)行脫硝經(jīng)濟(jì)性優(yōu)化，提取各歷史負(fù)荷點(diǎn)下的10個(gè)主導(dǎo)變量的在線最優(yōu)值(見表4).將優(yōu)化后各Xav的值代入脫硝經(jīng)濟(jì)性預(yù)測模型，就能得出優(yōu)化后的聯(lián)合脫硝成本.將GA和FARM算法的優(yōu)化效果進(jìn)行對比，結(jié)果如表5和圖4所示.

由表5和圖4可知，F(xiàn)ARM算法與GA的優(yōu)化效果接近，都能在一定程度上降低機(jī)組的脫硝成本.雖然FARM算法優(yōu)化時(shí)脫硝成本降低的比例低于GA，但每次優(yōu)化時(shí)間僅為0.079 7 s，且CPU占用率較低，非常適合火電機(jī)組的在線優(yōu)化控制.

表4　關(guān)聯(lián)規(guī)則挖掘后機(jī)組各Xav的在線最優(yōu)值

表5　GA和FARM算法的優(yōu)化效果

此外，在建立模糊關(guān)聯(lián)推理機(jī)模型時(shí)，所花時(shí)間僅為0.562 s，當(dāng)機(jī)組特性發(fā)生變化時(shí)，可以快速更新模糊關(guān)聯(lián)規(guī)則庫，實(shí)現(xiàn)模糊關(guān)聯(lián)推理機(jī)模型的實(shí)時(shí)更新.同時(shí)，由于FARM算法優(yōu)化的負(fù)荷區(qū)段跨越了該機(jī)組常運(yùn)行負(fù)荷區(qū)間，優(yōu)化的結(jié)果具有較好的指導(dǎo)意義.

圖4　GA與FARM算法優(yōu)化效果的對比

5結(jié)論

(1)針對火電機(jī)組脫硝經(jīng)濟(jì)性優(yōu)化問題，提出了一種基于GA與模糊關(guān)聯(lián)規(guī)則挖掘相結(jié)合的脫硝經(jīng)濟(jì)性優(yōu)化方法，先用GA建立離線最優(yōu)專家數(shù)據(jù)庫，再對其中的數(shù)據(jù)進(jìn)行模糊關(guān)聯(lián)規(guī)則挖掘，建立關(guān)聯(lián)規(guī)則推理機(jī)模型，實(shí)現(xiàn)了火電機(jī)組脫硝經(jīng)濟(jì)性的在線優(yōu)化.

(2)通過仿真比較可知，采用所提出的模糊關(guān)聯(lián)規(guī)則推理機(jī)模型進(jìn)行脫硝經(jīng)濟(jì)性優(yōu)化后，優(yōu)化效果與GA優(yōu)化效果接近，且優(yōu)化時(shí)間更短，更新速度快，有助于將其廣泛應(yīng)用于實(shí)際生產(chǎn)過程中.

參考文獻(xiàn)：

[1]楊冬，徐鴻．SCR煙氣脫硝技術(shù)及其在燃煤電廠的應(yīng)用[J]．電力環(huán)境保護(hù)，2007，23(1)：49-51．

YANG Dong，XU Hong．Discussion on the application of the SCR technology in coal-fired power plants[J]．Electric Power Environmental Protection，2007，23(1)：49-51．

[2]ZHANG Yi， DING Yanjun， WU Zhansong，etal．Modeling and coordinative optimization of NOxemission and efficiency of utility boilers with neural network[J].Korean Journal of Chemical Engineering，2007，24(6)：1118-1123．

[3]夏季，陸攀，華志剛，等．電站鍋爐全局優(yōu)化智能配煤模型的建立及系統(tǒng)開發(fā)[J]．動(dòng)力工程學(xué)報(bào)，2010，30(7)：512-517．

XIA Ji，LU Pan，HUA Zhigang，etal．Model set-up and system development for intelligent coal blending based on integral optimization of utility boilers[J]．Journal of Chinese Society of Power Engineering，2010，30(7)：512-517．

[4]呂玉坤，彭鑫，趙鍇．電站鍋爐熱效率和NOx排放混合建模與優(yōu)化[J].中國電機(jī)工程學(xué)報(bào)，2011，31(26)：16-22．

Lü Yukun，PENG Xin，ZHAO Kai．Hybrid modeling optimization of thermal efficiency and NOxemission of utility boiler[J]．Proceedings of the CSEE，2011，31(26)：16-22．

[5]高芳，翟永杰，卓越，等．基于共享最小二乘支持向量機(jī)模型的電站鍋爐燃燒系統(tǒng)的優(yōu)化[J]．動(dòng)力工程學(xué)報(bào)，2012，32(12)：928-933．

GAO Fang，ZHAI Yongjie，ZHUO Yue，etal．Combustion optimization for utility boilers based on sharing LSSVM model[J]. Journal of Chinese Society of Power Engineering，2012，32(12)：928-933．

[6]牛培峰，肖興軍，李國強(qiáng)，等．基于萬有引力搜索算法的電廠鍋爐 NOx排放模型的參數(shù)優(yōu)化[J]．動(dòng)力工程學(xué)報(bào)，2013，33(2)：100-106．

NIU Peifeng，XIAO Xingjun，LI Guoqiang，etal．Parameter optimization for NOxemission model of power plant boilers based on gravitational search algorithm[J]. Journal of Chinese Society of Power Engineering，2013，33(2)：100-106．

[7]牛培峰，麻紅波，李國強(qiáng)，等．基于支持向量機(jī)和果蠅優(yōu)化算法的循環(huán)流化床鍋爐NOx排放特性研究[J]．動(dòng)力工程學(xué)報(bào)，2013，33(4)：267-271．

NIU Peifeng，MA Hongbo，LI Guoqiang，etal．Study on NOxemission from CFB boilers based on support vector machine and fruit fly optimization algorithm[J]．Journal of Chinese Society of Power Engineering，2013，33(4)：267-271．

[8]許昌，呂劍虹，鄭源，等．以效率和低NOx排放為目標(biāo)的鍋爐燃燒整體優(yōu)化[J]．中國電機(jī)工程學(xué)報(bào)，2006，26(4)：46-50．

XU Chang，Lü Jianhong，ZHENG Yuan，etal．A boiler combustion global optimization on efficiency and low NOxemissions object[J]．Proceedings of the CSEE，2006，26(4)：46-50．

[9]鄭立剛，周昊，王春林，等．變尺度混沌蟻群算法在NOx排放優(yōu)化中的應(yīng)用[J]．中國電機(jī)工程學(xué)報(bào)，2008，28(11)：18-23．

ZHENG Ligang，ZHOU Hao，WANG Chunlin，etal．Application of scaleable chaotic ant colony algorithm in NOxemissions optimization [J]．Proceedings of the CSEE，2008，28(11)：18-23．

[10]李建強(qiáng)，劉吉臻，張欒英，等．基于數(shù)據(jù)挖掘的電站運(yùn)行優(yōu)化應(yīng)用研究[J]．中國電機(jī)工程學(xué)報(bào)，2006，26(20)：118-123．

LI Jianqiang， LIU Jizhen， ZHANG Luanying，etal． The research and application of fuzzy association rule mining in power plant operation optimization[J]．Proceedings of the CSEE，2006，26(20)： 118-123．

[11]KUSIAK A，ZHE S．Combustion efficiency optimization and virtual testing：a data-mining approach[J]. IEEE Transactions on Industrial Informatics，2006，2(3)：176-184．

[12]霍秋寶，田亮，趙亮宇，等．火電機(jī)組不同脫硝方式下的運(yùn)行費(fèi)用分析[J]．華北電力大學(xué)學(xué)報(bào)(自然科學(xué)版)，2012，39(5)：87-92．

HUO Qiubao，TIAN Liang，ZHAO Liangyu，etal．Analysis of operation costs of thermal power units with different denitration methods[J]. Journal of North China Electric Power University(Natural Science Edition)，2012，39(5)：87-92．

[13]王春昌．脫硝設(shè)備入口NOx濃度經(jīng)濟(jì)值的控制[J]．中國電力，2013，46(1)：86-89．

WANG Chunchang．Study on control of economic NOxconcentration at SCR equipment inlet[J]．Electric Power，2013，46(1)：86-89．

[14]楊璐，高自友．用神經(jīng)網(wǎng)絡(luò)進(jìn)行變量選擇[J].北方交通大學(xué)學(xué)報(bào)，1999，23(3)：53-56．

YANG Lu，GAO Ziyou．Using neural network for variable selection[J]. Journal of Northern Jiaotong University，1999，23(3)：53-56．

[15]洪文鵬，劉廣林．基于最小二乘支持向量機(jī)的氨法煙氣脫硫裝置脫硫效率預(yù)測[J]．動(dòng)力工程學(xué)報(bào)，2011，31(11)：846-850．

HONG Wenpeng，LIU Guanglin．Efficiency prediction for an ammonia flue gas desulphurization system based on least squares-support vector machine[J]．Journal of Chinese Society of Power Engineering，2011，31(11)：846-850．

[16]顧燕萍，趙文杰，吳占松．基于最小二乘支持向量機(jī)的電站鍋爐燃燒優(yōu)化[J]．中國電機(jī)工程學(xué)報(bào)，2010，30(17)：91-97．

GU Yanping，ZHAO Wenjie，WU Zhansong． Combustion optimization for utility boiler based on least square-support vector machine [J]．Proceedings of the CSEE，2010，30(17)：91-97．

[17]鄒磊，梁紹華，岳峻峰，等．1 000 MW超超臨界塔式鍋爐NOx排放特性試驗(yàn)研究[J]．動(dòng)力工程學(xué)報(bào)，2014，34(3)：169-175．

ZOU Lei，LIANG Shaohua，YUE Junfeng，etal．Experimental study on NOxemission of a 1 000 MW ultra supercritical tower type boiler[J]．Journal of Chinese Society of Power Engineering，2014，34(3)：169-175．

[18]蘇巴提，張曉．基于改進(jìn)的K-means算法的異常檢測[J]．軟件導(dǎo)刊，2011，10(11)：76-78．

SU Bati，ZHANG Xiao．Anomaly detection based on the improved algorithm of K-means[J]．Software Guide，2011，10(11)：76-78．

[19]呂游，劉吉臻，趙文杰，等．基于分段曲線擬合的穩(wěn)態(tài)檢測方法[J]．儀器儀表學(xué)報(bào)，2012，33(1)：194-200．

Lü You，LIU Jizhen，ZHAO Wenjie，etal．Steady-state detecting method based on piecewise curve fitting[J]．Chinese Journal of Scientific Instrument，2012，33(1)：194-200．

[20]呂游，劉吉臻，楊婷婷，等．基于PLS特征提取和LS-SVM結(jié)合的NOx排放特性建模[J]．儀器儀表學(xué)報(bào)，2013，34(11)：2418-2424．

Lü You，LIU Jizhen，YANG Tingting，etal．NOxemission characteristic modeling based on feature extraction using PLS and LSSVM[J]．Chinese Journal of Scientific Instrument，2013，34(11)：2418-2424．

Economical Optimization of a Boiler Denitration System Based on GA and Fuzzy Association Rules

CUIChao,LIUJizhen,YANGTingting

(School of Control and Computer Engineering, North China Electric Power University, Beijing 102206, China)

Abstract：A prediction model of denitrification cost was established using least squares support vector machines (LSSVM) according to historical data taken from the supervisory information system of a 660 MW coal-fired boiler. Based on the model, an optimal expert database was built up for off-line optimization of the frequently-operating load points by genetic algorithm, from which the associations between unit load and adjustment variables were extracted using fuzzy association rule mining (FARM) algorithm, so as to achieve online adjustment and optimization of various parameters under power grid dispatching conditions. Results show that the algorithm proposed has a close optimization effect and a shorter simulation time on denitrification cost when compared with the genetic algorithm, which therefore is suitable for online optimization and control of thermal power units.

Key words：coal-fired boiler; denitrification cost; fuzzy association rule; genetic algorithm

收稿日期：2015-01-28

修訂日期：2015-06-26

基金項(xiàng)目：國家重點(diǎn)基礎(chǔ)研究發(fā)展計(jì)劃資助項(xiàng)目(973計(jì)劃)(2012CBC215203)

作者簡介：崔超(1990-)，男，云南曲靖人，碩士研究生，主要從事熱工系統(tǒng)建模與數(shù)據(jù)挖掘方面的研究.電話(Tel．)：17888839980；

文章編號(hào)：1674-7607(2016)04-0300-07中圖分類號(hào)：TK223

文獻(xiàn)標(biāo)志碼：A學(xué)科分類號(hào)：470.20

E-mail：ncepucc@gmail.com．