摘要：随着工业技术的不断发展，智能化与数字化的时代已经来临。BP神经网络与免疫遗传算法等生物进化数学已逐步应用于自动化控制系统中。针对多目标的燃煤火电机组，煤耗直接反应着燃烧水平。影响煤耗的因素包括锅炉、汽轮机和发电机等设备的结构以及各设备在运行中的实际操作因素等。其中主要的因素是锅炉的运行参数偏离了此时锅炉所需要的最佳运行工况，使得锅炉效率下降。燃烧优化技术即根据锅炉对应的燃烧煤种和运行负荷，通过调整锅炉燃料供给和调整锅炉炉膛内部的配风方式等手段，保证吹入炉膛的煤粉能够及时完成热量补给以及连续地燃烧，获得对应最佳燃烧工况下的燃烧方式，以提高锅炉效率，降低发电煤耗。研究锅炉的燃烧优化问题，通过动态建模及免疫算法择优分析燃烧，有着很大实际意义和工程应用价值。
关键词：免疫遗传算法；动态建模；BP神经网络；燃烧优化；最佳运行工况；
0前言
燃煤火电机组是中国电力供应体系的主体。我国的总装机容量位于世界前列，每年都有1/4的煤炭用于发电，然而相比于发达国家，我国的发电煤耗还比较高，因此在当前国家能源供应十分紧张的情况下，提高机组的锅炉燃烧水平具有十分重要的意义。锅炉燃烧存在一定的煤种适应范围，但是我国煤种复杂多变，加上设备改造、大范围的变负荷运行、设备老化等情况，使得现实中的机组长期没有在最优工况下运行。锅炉燃烧是一个复杂的能量转换过程，单纯地通过某一设备改造或者控制逻辑的优化并不能实现整个燃烧系统的优化，但随着大数据技术的广泛应用，数据被赋予了新的生命，通过对锅炉燃烧主要影响参数的建模，挖掘彼此之间的特性关系，分析并获取锅炉燃烧调整策略，可以在很大程度上指导运行人员操作，避免不必要的人为调整导致满足多项经济指标无法得到有效权衡。目前，锅炉燃烧优化可以分解为两个阶段，一是运行指导阶段，顾名思义，因为建立的模型需要样本数据去验证，去在线不断学习挖掘，获取并修正现有的参数模型，从而保证了算法的准确。二是前馈控制，有了第一阶段的模型积累，可以实现对主要控制系统的前馈控制，从而加强锅炉燃烧快速调整，同时保证相关技术指标控制在合理范围内。所以在信息技术高速发展的时代，挖掘数据内部的关联关系，通过新型的算法来搭建模型，并择优选择出最优的运行方式和参数配比，从而实现对锅炉燃烧生产过程的整体优化，在锅炉效率、厂用电率等一系列指标的约束条件下，通过燃烧调整技术都可以实现，所以该技术的未来前景很客观，并且仍有很大的挖掘空间，加速推进使火力发电行业迈向智能控制时代。
1GA与IGA
1.1 遗传算法
遗传算法（Genetic Algorithm，GA）也称进化算法，起源于20世纪60年代初期，主要由美国Michigan大学的John Holland教授提出。
遗传算法是受达尔文的进化论的启发，借鉴生物进化过程而提出的一种启发式搜索算法。从试图解释自然系统中生物的复杂适应过程入手，模拟生物进化的机制来构造人工系统的模型。算法提供了一种求解复杂系统优化问题的通用框架，它不依赖于问题的具体形式，对问题的种类有很强的鲁棒性，所以广泛应用于函数优化、组合优化、模式识别、图像处理、信号处理、神经网络、生产调度、自动控制、机器人控制、机器学习等众多学科领域。随后经过几十年的发展，取得了丰硕的应用成果和理论研究的进展，特别是近年来世界范围形成的进化计算热潮，计算智能已成为人工智能研究的一个重要方向，以及后来的人工生命研究兴起，使遗传算法受到广泛的关注。
1.2 免疫遗传算法
免疫遗传算法（Immune Genetic Algorithm，IGA）是基于免疫算法和遗传算法的优化算法，在免疫系统的抗体多样性性的维持机制中引入遗传算法，使IGA的性能比标准GA更进了一步。这样在工程优化设计中，既利用免疫算法可以有效地使用多种机制求解多目标函数最优解的复杂自适应特新型，又保留了遗传算法的搜索特性，克服遗传算法在局部搜索效率较差的缺点，又在很大程度上避免未成熟收敛，改善了算法的收敛性，尤其是在复杂约束领域内。对于工程优化设计中遇到的问题，不仅在局部层次提供了相当出色的自适应处理模型，而且在全局层次也具有许多有用的性能，是解决实际工程优化设计的一种智能算法。锅炉燃烧优化问题可以抽象为对一些目标函数的优化，而这种多目标的优化问题中目标函数实际上是多峰值函数，用已有的标准优化方法来求解这些多峰值函数优化问题不容易。免疫算法的抗体识别多样性机理有效地解决了这个问题。
免疫遗传算法就是基于免疫机制和遗传算法并将二者有机地融合起来的优化算法。从形式上看，免疫遗传算法就是在免疫算法抗体多样性的维持机制中加入了遗传算子，与遗传算法相比，增加了抗原识别、记忆功能和调节功能，却没有附加复杂的操作，没有降低遗传算法的鲁棒性，算法兼顾了搜索速度、全局搜索能力和局部搜索能力，在许多方面表现出超越遗传算法和免疫算法的有点。它改善了遗传算法收敛方向无规则性，克服了遗传算法在局部搜索效率较差的缺点，提高了对待问题寻优的速度，又在很大程度上避免了未成熟收敛，并且把目标函数和约束条件作为抗原，保证了所生成的抗体直接与问题的相关联程度；生成的抗体能有效地排除抗原，也就相当于求得了问题的最优解；对与抗原亲和力高的抗体进行记忆，能促进快速求解，即遇到同类抗原时可以快速生成与之对应的抗体。免疫算法的以上特点，为高效率地解决锅炉燃烧系统优化问题奠定了基础，使优化设计具有良好的优化搜索能力，并且可以有效地解决迭代搜索的局部收敛问题，具有强大的抗干扰能力，可用来解决大型和复杂的不同类型的优化问题。
2 BP神经网络锅炉燃烧系统动态建模
2.1 人工神经网络模型
在多种神经网络模型中，较为常见的是反向传播（Back Propagation，BP）神经网络，其网络模型结构如图2-1所示。网络由一个输入层、若干个隐含层和一个输出层组成，每一层均有一个或多个神经元节点，信息从输入曾一次经各隐含层向输出层传递，层间的连接关系强弱由连接权值来表征。通过样本集对网络的连接权进行调整，以使得网络实现给定的输入—输出映射关系。连接权的调整采用反向传播学习算法，即BP算法。BP算法采用梯度搜索技术，使网络的实际输出与期望输出的均方差达到一定的要求。
图2-1 BP神经网络梯度搜索技术原理图
BP网络的主要优点是：网络结构简单，算法易于编程实现；只要有足够的隐层和隐节点，BP网络可以逼近任意的非线性映射关系。BP网络的学习算法属于全局逼近的方法，因而具有较好的泛化能力。
2.2基于BP网络的燃烧优化模型
火力发电机组中最为复杂的就是锅炉燃烧系统，锅炉的燃烧过程是一个复杂的物理、化学过程，影响因素众多，且具有强耦合、非线性等特征，对于这些复杂的过程，难以用机理模型来描述。基于神经网络的模型属于黑盒模型，其模型输入—输出之间的非线性函数关系由神经网络实现。锅炉的神经网络模型的建立要综合考虑锅炉燃烧时候的多目标变量和多输出变量。以往常规的锅炉调节系统只能从风、水、煤这三个主要参数进行分模块优化，而神经网络燃烧建模则结合了多输入多输出的网络模型，以总风量、燃料量、二次风开度、燃尽风开度等作为输入，以飞灰含碳、排烟温度、氮氧化物排放量、锅炉效率等作为输出。神经网络训练的所有样本数据均可从DCS和SIS系统数据库中采集，并进行分析运算。
2.3基于免疫遗传算法的优化计算
基于免疫遗传算法的优化计算就是将免疫算法与遗传算法结合，它将待求解的优化设计问题作为抗原，将问题的解作为抗体。通过抗原和抗体的亲和力描述可行解与最优解的逼近程度。对外界抗原的侵入，系统自动产生响应的抗体。通过抗体之间的促进与抑制反应，实现系统对环境的自适应。抗体的浓度计算是系统保持种群多样性的基本手段之一。通过免疫遗传算法的自动择优选择，找到一个最适合的条件，这样就得到了调节的最佳工况。其主要步骤如下：
2.3.1接种疫苗
对于个体x来说，对它接种疫苗是指按照现有的给定条件来修改其某些基因位上的基因，使所得个体以较大的概率具有更高的适应度。具体实现要考虑以下两种特殊情况：
第一，若个体y的每一基因位上的信息都是错误的，即每一位码都与最佳个体不同，则对任一个体x，x转移到y的概率为0。
第二，若个体x的每一基因位都是正确的，即x已是最佳个体，则x以概率1转移为x。
假设种群，
对种群c接种疫苗是指在c中按比例
随机抽取
个个体而进行的操作。疫苗是从对问题的先验知识中提炼出来的，它所包含的信息量及其正确性对算法的性能起着重要的作用。
2.3.2免疫选择
该操作分两步完成。第一步是免疫检测，即对接种了疫苗的个体进行检测，若其适应度仍不如父代，说明在交叉、变异的过程中出现了严重的退火现象。此时该个体将被父代中所对应的个体所取代；如果子代适应度优于父代则进行第二步处理。第二步是退化选择，即在当前子代种群
中以概率P选择个体
进入新的父代种群。免疫遗传算法如下：
步骤一：随机产生初始父代种群
；
步骤二：根据先验知识抽取疫苗；
步骤三：若当前种群中包含了最佳个体，则结束算法；否则进行一下步骤；
步骤四：对当前第k代父代种群
进行交叉操作，得到种群
；
步骤五：对种群
进行变异操作，达到种群
；
步骤六：对种群
进行接种疫苗操作，得到种群
；
步骤七：对种群
进行免疫选择操作，得到新一代父代种群
，返回步骤3。
通过免疫流程将劣质工况及其对应参数进行淘汰，不断提高父代种群的可靠性和稳定性，最终得到一个最佳的进化免疫系统。将该免疫系统的个体x和种群设定为锅炉主控、汽机主控、燃料主控、给水主控、中间点温度修正、主汽压力设定、主/再热蒸汽温度控制、NOx控制等主要控制系统回路，就可以构建一个免疫遗传算法的动态模型。
2.4 PID参数自动寻优
动态模型建立以后要利用自动控制的PID调节特性进行自动寻优，PID调节性能的好坏关键是Kp，Ki，Kd参数的选择。传统PID调节器中的Kp，Ki，Kd的选择主要依靠大量的反复调试和经验，由于Kp，Ki，Kd对系统的影响是相互关联和互相影响的，且当对象的状态发生变化时传统PID调节器参数不能随之改变，使系统得不到理想的控制效果，而遗传算法是一种模拟自然选择和进化过程的寻优算法，能够随对象的变化而变化，从而使PID调节器参数随之而变，基于遗传算法的PID控制原理如图2-2所示。
图2-2 基于遗传算法的PID控制系统原理图
2.5 锅炉燃烧系统动态建模
2.5.1输入样本建立
根据试验确定影响锅炉效率的主要因素，在此基础上根据本厂锅炉燃烧系统的实际运行数据建立神经网络的输入参数集，并对各个工况下的数据进行锅炉效率计算，得到一组完整的样本数据输入到神经网络中进行训练。
2.5.2 BP神经网络的创建、训练和测试
利用MATLAB工具箱建立基于锅炉燃烧系统的三层BP神经网络模型。用庞大的数据去训练样本BP神经网络，得到最终的神经网络结构。再用测试样本进行锅炉效率的计算。
2.5.3动态模型优化与建立
免疫遗传算法待求解的锅炉燃烧优化设计问题作为抗原，将问题的解作为抗体（锅炉燃烧优化输入参数）。通过抗原和抗体的亲和力、自身抗体浓度以及遗传算法对抗体的复制、交叉和变异的计算以求得目标函数的最优解（多目标模型计算加权值，包括燃烧效率计算值等）。模型优化的步骤如下，其技术路线架构如图2-5所示：
步骤一：求解计算过程的初始化，设计免疫遗传计算的各项参数；
步骤二：识别抗原，即输入工程优化设计的目标函数和约束条件；
步骤三：产生初始抗体，在优化问题的设计约束控制下，随机产生n组初始设计向量，作为免疫系统的初始抗体种群n；
步骤四：适应度、亲和力和抗体浓度计算；
步骤五：产生与抗原亲和度高的抗体作为记忆细胞，加入记忆细胞池；
步骤六：通过复制、交叉与变异产生新一代抗体种群；
步骤七：判别终止条件，若满足，计算停止，否则继续步骤四至步骤七；
步骤八：取抗体种群中与抗原亲和力最大的抗体（控制器参数），作为优化设计的最优解；
步骤九：利用得到的最优解在线修正输入值的最佳配比，实现锅炉燃烧系统的最优控制。
3结束语
燃烧优化控制策略研究，主要基于免疫算法的BP神经网络锅炉燃烧动态建模。通过以总风量、燃料量等作为输入，以锅炉效率为输出，利用BP神经网络算法，建立锅炉燃烧的神经网络模型，应用在锅炉燃烧优化控制中。再基于免疫机制与遗传算法对锅炉燃烧进行优化控制。该算法能够避免优化解陷于局部最优，同时具有收敛速度快，求解效率高等特点，保障了燃烧优化控制系统的在线运行效率。采用BP神经网络算法建立的锅炉燃烧过程模型，把煤种成分作为其中一个主要输入参数进行训练，最终得到的神经网络模型对变煤种的燃烧过程具有自动调整的能力，再通过免疫遗传算法自动寻优的手段，克服煤种变化对燃烧过程的影响。根据BP神经网络模型，以锅炉燃烧效率最优为约束条件，采用免疫遗传优化算法进行最优解求解，可得到当前燃烧工况下最佳各参数设定值，开环指导运行人员，运行人员参照算法给出的各参数设定值调整锅炉燃烧，最终提高锅炉燃烧效率，达到锅炉燃烧优化的目的。
参考文献：
[1]黄新元.电站锅炉运行与燃烧调整[M].北京：中国电力出版社，2002.
[2]侯子良．中国火电厂自动化发展趋势及对策[J].中国电力．1999.32（10）.
[3]樊泉桂.火电厂锅炉设备分析[J].中国电力出版社.2001.
[4]李育贤.基于免疫遗传算法的PID控制器参数优化研究.2011.
[5]孙巧玲.基于遗传算法的燃煤电站锅炉整体燃烧优化方法研究.2004.
作者简介：
沈庆东、1987.10.11、男、大学本科、工程师、火电厂自动化控制方向
论文作者:沈庆东
论文发表刊物:《电力设备》2019年第16期
论文发表时间:2019/12/9
标签：算法论文; 锅炉论文; 神经网络论文; 免疫论文; 抗体论文; 种群论文; 模型论文; 《电力设备》2019年第16期论文;