基于多模式机器学习与案例推理的电站锅炉燃烧系统优化.pdfVIP

摘要

为了实现碳中和，我国能源结构正发生着变革，风电、光电等清洁能源的比例逐年

上涨，火力发电的份额持续下调。然而，这些新能源受自然环境影响，发电量随机性较

大，无法满足电网实时调度要求。因此，未来火电机组将在电网中承担更重的调峰任

务，这就使得电站锅炉不得不在工况频繁切换、负荷大范围变化的环境下运行，从而导

致锅炉历史运行数据更加混杂、不同运行模式下的数据分布更加多变。同时，锅炉燃烧

系统是一个典型的强耦合、非线性、大延时特点的多变量控制系统，传统的调控方法很

难在实际工程中起到很好的效果。因此，本文基于某电站锅炉海量历史运行数据，围绕

数据的多重处理流程、多运行模式下的模型构建方法、基于案例库的快速优化方法等

方面展开研究，得到了满足现场需求的燃烧系统在线优化方法，主要研究内容如下：

（1）为了从海量、混杂的锅炉运行大数据中提取高质量的建模样本，本文提出了

一种新型的强鲁棒性数据过滤器，该过滤器由稳态识别算法和离群点识别算法组成。

稳态识别任务上，本文结合Kernel-PCA算法和滑动窗口法，提出了一种多元稳态识别

算法；该算法首先基于Kernel-PCA算法计算出可以表征锅炉燃烧状态的稳定指标向量，

再采用滑动窗口法达到识别稳态数据的目的。离群点识别任务上，本文基于变分模态

分解算法并结合四分位距法，提出了一种用于识别时序离群点的算法；该算法首先基

于变分模态分解算法得到数据流的整体趋势，再通过四分位距法达到识别时序离群点

的目的。最后，本文在锅炉燃烧系统连续一天的数据上分别测试了本文提出的稳态识

别算法和离群点识别算法，结果显示：两种算法都能较为准确地识别出稳态数据和异

常数据，进而达到过滤混杂数据，获取高质量建模样本的目的。

（2）为了更好描述电站锅炉在频繁调峰、工况多变的新环境下的运行特性，本文

提出了一种耦合机组先验知识的多模式数据驱动建模方法。该方法首先通过将宽负荷

范围的数据样本分离为不同模式下的数据样本，将模型的学习重点转向特定模式下的

电站锅炉运行特性，进而显著提高模型的预测性能。与全局模型相比，本文提出的建模

2

方法在R、RMSE和MAE指标上表现优异（锅炉热效率模型：0.991、0.036%、0.024%；

33

NOx生成浓度模型：0.971、3.737mg/m、2.854mg/m）。此外，本文尝试将目前已研究

的单调先验知识纳入模型，显著增强了模型的泛化能力；并且，相关实验表明：相较于

纯粹的数据驱动建模，融合单调性的模型更好地捕捉了锅炉燃烧系统的单调趋势。

（3）为了满足锅炉燃烧系统在实际运行中的快速调节锅炉的需要，本文提出了一

种基于案例推理、数据驱动模型和多目标优化算法的新型燃烧系统在线优化方法，该

方法由离线优化和在线优化组成。该方法首先基于高质量稳态样本集进行数据挖掘并

建立了工况案例库；然后再基于NSGA-II算法开发了燃烧优化案例库；最后基于案例

库采用案例推理方法达到快速调节锅炉的目的。该方法将离线优化与在线查询相结合，

能够高效地完成燃烧系统在线优化任务（基本能在1s内给出优化操作）。此外，考虑到

实际燃烧过程中存在的一系列问题，本文还提出了一种燃烧系统自适应更新策略，用

于更新案例库。最后，经过一系列的实验分析，本文将提出的燃烧系统在线优化方法应

用于实际燃烧过程，并成功证明了该方法的实用性。

关键词：电站锅炉；燃烧系统；多模式建模；融合单调性；案例推理；在线优化

Abstract

Toachievecarbonneutrality,Chinasenergystructureisundergoingatransformation,

withtheproportionofcleanenergysuchaswindandsolarpowerincreasingyearbyyear,

whiletheshareofthermalpowergenerationcontinuestodecrease.However,thesenewenergy

sourcesaresubjecttonaturalenvironmentalinfluences,result