大型火电厂锅炉燃烧系统建模及优化控制新方法的探讨

随着社会和经济的飞速发展，电力工业对自动控制系统的要求也越来越高。仅仅保障安全、稳定的生产已经不能满足各发电企业的需求。节能增效已成为我国电力企业改革的目标取向。然而，目前国内许多火电厂锅炉运行工况复杂多变，实际运行情况与最初设计工况存在很大差别，单纯依靠传统的操作规程和控制手段，无法满足现代化电厂对经济性管理的要求。 本文以火电厂锅炉燃烧过程为研究对象，针对当前火电厂锅炉燃烧控制系统的新要求，在研究RBF神经网络和优化理论的基础上，对RBF神经网络在电站锅炉燃烧系统建模与优化中的应用进行了研究。并以华能福州电厂1#机组1150t／h锅炉为对象，建立锅炉燃烧系统的稳态模型，在此模型的基础上通过SQP优化算法，求取最佳工况下的各过程变量的参考值，提供给下级DCS子系统，从而指导锅炉的燃烧控制。离线仿真表明，这种优化方法，行之有效，特别适用于非线性、强耦合、大延迟，并长期稳态运行的工业过程。 本文的主要研究内容和成果有如下几个方面： 1．阐述了大型火电厂单元机组生产的一般过程和控制要求，并对锅炉燃烧过程及其控制系统做了较为详细的介绍。 2．在研究RBF神经网络基本理论的基础上，对神经网络在非线性系统建模中的应用进行了可行性分析。神经网络的非线性建模方法，将对象视为一个“黑箱”。通过对输入输出数据的学习，建立网络模型来逼近对象的非线性特性，从而达到建模的目的。整个辨识过程既避免了复杂的机理推导，也避免了模型阶次和参数难以确定的问题，因而更适用于大工业过程的非线性建模。 3．对最优化的基本理论及其工程意义作了简要描述，重点介绍了SQP算法的计算原理，及其MATLAB实现步骤。 4．结合均匀设计和聚类思想提出的样本优选方法，在一定程度上解决了神经网络样本选择的问题。该优选算法能够从海量的过程数据中，挑选出满足样本优选原则的训练样本，使神经网络的泛化性能得到较大改善，便于实际应用。 5．根据现有控制经验，让锅炉先进入次优态运行，再进一步寻优，能有效避免最优化中的局部最小值问题。