CN103064289B - 一种垃圾发电厂多目标运行优化及协调的控制方法及装置 - Google Patents

Abstract

本发明提供一种垃圾发电厂多目标运行优化及协调的控制方法及装置。该方法是从DCS系统下载运行参数；然后将根据阈值判断合理的数据传输到数据库；利用支持向量机和模糊神经网络针对电厂环保性、经济性、安全性分别建立三个模型，并且利用改进的强度PARETO遗传算法对多目标进行综合优化，得出当前工况下的最佳运行参数；工作人员根据最佳运行参数调整相应器件的运行。该装置包括数据采集模块、数据过滤模块、数据库模块、数据建模模块、优化模块、控制模块，还可包括预测模块、远程监视模块、监视器、报警模块、手动报警模块。本发明实现了实时预测、离线仿真、动态优化等多种功能，具有适应性强、自学习能力好、拟合精度高、优化效果显著等优点。

Description

一种垃圾发电厂多目标运行优化及协调的控制方法及装置

技术领域

本发明涉及热工领域发电厂运行优化及控制研究领域，尤其是一种垃圾发电厂多目标运行优化及协调的控制方法及装置。

背景技术

目前的发电站燃烧优化技术主要可以分为三类：第一类通过在线检测锅炉燃烧的重要参数，结合运行人员的经验调节锅炉燃烧参数，这类燃烧优化技术长期以来在国内占据着主导地位。第二类燃烧优化技术是在设备层面，通过对燃烧器、受热面等的改造实现锅炉的燃烧优化调整。第三类燃烧优化技术是在DCS的基础上，通过采用先进的控制逻辑、控制算法或人工智能技术实现锅炉的运行优化。

其中，第三类优化技术由于较少涉及硬件设备的改造，减少了投资成本；同时利用了先进的控制技术获得较好的优化效果。如燃煤电厂中常见的优化技术采用线性、非线性回归方法，预测烟气含氧量与锅炉效率的二次曲线函数关系，从而指导电站运行。相比于燃煤燃烧，垃圾燃烧是个复杂、多变的动态过程，经济性与安全性、环保性之间存在诸多耦合、竞争关系，传统方法在此多目标运行要求中难以获得优化结果，而且由于不具备学习能力，对于垃圾燃烧发电的动态变化过程适应性不够。

因此，如何针对国内垃圾燃烧的复杂工况，实现经济性与安全性、环保性之间多目标的运行优化和实施协调具有极大的现实应用价值。

发明内容

本发明的主要目的在于克服现有技术的缺点与不足，提供一种垃圾发电厂多目标运行优化及协调的控制方法，该方法利用支持向量机（SVM）技术、模糊神经网络技术等建立模型，利用改进的强度PARETO遗传算法实现多目标综合优化，不仅实现了针对垃圾发电厂经济性、安全性、环保性的多目标组合优化，而且具备自学习、自适应、动态优化、离线仿真、实时预测等多种功能。

本发明的另一目的在于提供一种用于实现上述垃圾发电厂多目标运行优化及协调的控制方法的控制装置。

本发明的目的通过以下的技术方案实现：一种垃圾发电厂多目标运行优化及协调的控制方法，包括以下步骤：

（1）从DCS系统（distributed control systems，分散控制系统）下载锅炉运行参数数据；

（2）根据阀值预判步骤（1）所述数据的合理性，如果异常则剔除该数据，否则把数据传输到数据库；

（3）采用支持向量机算法构造电厂环保性数学模型、经济性数学模型，采用模糊神经网络算法构造电厂安全性数学模型；从数据库中提取数据，得到训练样本及检验样本，将训练样本输入到支持向量机模型或模糊神经网络模型中进行训练，从而确定模型中各个参数的最优值或者模型中网络的权值，再利用检验样本检测模型的精度和有效性；

（4）将已经建立的模型数据经过改进的强度PARETO遗传算法对环保性数学模型、经济性数学模型、安全性数学模型三个模型的多目标进行实时组合优化，得出当前工况下的最佳运行参数；

（5）工作人员根据最佳运行参数调整相应器件的运行。

优选的，所述步骤（5）工作人员根据最佳运行参数调整相应器件的运行时，工作人员输入的参数先输入到步骤（3）所述的各个数学模型，对其对应的输出进行预测，如果输出值出现异常则报警，如果正常则输出到对应器件进行调整。采用这种方式，可以避免工作人员手动操作是否失误，提前判断操作是否恰当，再结合报警，极大地提高了电厂运行的安全性。

优选的，所述步骤（2）中，如果出现异常，则在剔除该数据的同时进行报警。由工作人员做进一步判别，防止电站运行事故发生。

优选的，所述步骤（3）中，所述支持向量机算法中采用的核函数为径向基核函数。

优选的，所述采用支持向量机算法构造电厂环保性数学模型时，影响目标函数值的因素为：一次风平均风速、二次风平均风速、燃尽风平均风速、炉膛出口烟气含氧量、各典型垃圾组分的元素分析、工业分析、垃圾混合物的组成比例、平均给料速度、锅炉负荷、总空气量，将以上因素作为模型的输入，从数据库中提取数据，得到训练样本及检验样本，并将训练样本输入到以上支持向量机模型中进行训练，从而确定模型中各个参数的最优值，再利用检验样本检测模型的精度和有效性。

优选的，所述采用支持向量机算法构造电厂经济性数学模型时，影响目标函数值的因素为：锅炉负荷、各一次风挡板开度、各二次风挡板开度、燃尽风挡板开度、总空气量、各典型垃圾组分的元素分析、工业分析、垃圾混合物的组成比例、平均给料速度、炉膛与风箱差压、燃烧器摆角作为模型的输入量，将以上因素作为模型的输入，从数据库中提取数据，得到训练样本及检验样本，并将训练样本输入到以上支持向量机模型中进行训练，从而确定模型中各个参数的最优值，再利用检验样本检测模型的精度和有效性。

优选的，所述步骤（3）中采用模糊神经网络算法构造电厂安全性数学模型时，采用的模糊神经网络包括输入层、模糊化层、模糊推理层、输出层四层，输入层包括主蒸汽流量、炉温、排烟温度、烟气含氧量、一次风量、二次风量、过热器入口烟温、主蒸汽压力，共八个节点，激励函数采用：

f(x)=x；

输出层节点数根据求解目标设定为三个，分别是轻微、中等、严重，并且根据针对锅炉结渣特性研究得到的经验值分别赋给三个指标以0.1、0.5、0.9的数值以相互区分，模糊推理层和输出层的激励函数均采用：

$f\left(x\right)=\frac{2}{1+e^{-x}}-1;$

模糊推理层的节点个数，依据如下经验公式得到：

$N_3=\sqrt{(N_1+N_4)}+a;$

其中N₁为输入层节点数，N₄为输出层节点数，a为[1，10]之间的数字；模糊化层的节点数为：

N₂=3N₁；

假设每组节点都是按照轻微、中等、严重的顺序出现在网络结构中，每组中三个节点的激励函数依次如下取得：

轻微节点采用Sigmoid函数的补函数：

$f\left(x\right)=1-\frac{1}{1+e^{-(w_{1}x+w_0)}};$

中等节点采用高斯函数：

$f\left(x\right)=e^{-(w_{1}x+w_0)};$

严重节点采用Sigmoid函数：

$f\left(x\right)=\frac{1}{1+e^{-(w_{1}x+w_0)}};$

其中的w₁、w₀为函数的相应的权值和阀值，计算方法如下为：依据八个输入节点与结渣的关系判别表作图，其中x₁、x₂为规则区间的下界和上界，x₃为两者的平均值；分别将和(x₁，0.95)代入轻微节点的激励函数，将和(x₂，1.0)代入中等节点的激励函数，将和(x₃,0.95)代入严重节点的激励函数，从而求得各个对应函数的w₁、w₀参数值。

现有技术无法针对多个目标函数进行有效的优化，而本发明在常规遗传算法中引入PARETO关系运算，于多个目标函数间取得恰当的权衡，从而以更小的代价获得更优于现有技术的结果。所述步骤（4）将已经建立的模型数据经过改进的强度PARETO遗传算法对多个模型的多目标进行实时组合优化的具体方法是：

首先定义如下多目标优化问题：

$\left\{\begin{array}{cc}\min & f\left(\stackrel{\→}{x}\right)=[f_1\left(\stackrel{\→}{x}\right),f_2\left(\stackrel{\→}{x}\right),...,f_n\left(\stackrel{\→}{x}\right)]\\ & s.t.g\left(\stackrel{\→}{x}\right)\≤0\\ & h\left(\stackrel{\→}{x}\right)=0\end{array}\right.;$

其中，表示m维决策空间中的一个决策变量，和分别为等式和不等式约束，为第k个目标函数。

解决以上多目标优化问题的步骤如下：

（1）参数设定。设定遗传代数G，种群大小N，交叉率P_c，变异率P_m，并且设立外部种群，给定外部种群大小

（2）初始化设定。随机产生初始种群P₀，同时构造出一个新的外部种群并设定当前进化代数t=0。

（3）适应度计算。赋给初始种群和外部种群中的每个变量i一个权值如下：

其中|·|表示集合的基数，+代表集合的并运算，＞代表满足帕累托关系。

如下，定义原始适应度函数：

$R\left(i\right)=\underset{j\∈P_t+\stackrel{\‾}{P_t},j>i}{\mathrm{\Σ}}S\left(j\right);$

为了提高精确度，引入密度函数：

$D\left(i\right)=\frac{1}{{\mathrm{\σ}}_i^k+2};$

其中表示计算第i个个体与其他所有个体的距离，并且将距离值升序排列后的第k个距离值。其中

于是得到最终的适应度函数：

F(i)=R(i)+D(i)；

依据以上定义的适应度函数计算P₀和的所有个体的适应度。

（4）环境选择。将P_t和中的所有非支配解拷贝到集合中。如果此时的集合尺寸超出了范围，就利用剪裁算子进行剪裁；如果此时的集合尺寸小于预设范围，就通过P_t和中的支配解补齐。具体方法如下进行：

将P_t和中的所有非支配解拷贝到集合中，即：

如果集合尺寸不足，则把余下的满足F(i)>1的支配解升序排列，将前个支配解拷入中。

如果集合尺寸超出范围，则对集合进行循环迭代，每次删除一个符合如下条件的个体：

即每次删除集合中到其他所有个体距离最小的那个个体，直到

（5）终止条件设定。如果下一代的集合中的个体不再发生变化，或者达到了认为设定的遗传代数限制G则终止算法。集合中的个体即为Pareto最优解集。

（6）交叉操作。采用二进制锦标赛算法选择个体，并且在个体间进行运用混沌序列进行交叉操作。具体如下：

a)从集合中随机挑选出个元素，并且取出其中适应度最大的元素放入交配池，并从中删除，直到取够个为止。

b)为保证优秀基因被下一代遗传，避免寻优抖振，本发明将交配池中的个体按照适应度大小排序，大对大，小对小依次配对。

c)为了使交叉点分布更加均匀，本发明采用了混沌logistic序列来确定交叉点位置。随机产生一个初值，并且代入如下混沌序列中迭代若干次：

x(n+1)=4x(n)(1-x(n))；

得到的值就是交叉点的位置。

d)交换配对个体中交叉点处的基因值，即完成了交叉操作。

(7)变异操作。为了避免算法早熟，本发明采用了改进的遗传操作。针对选中的个体进行多点基因突变。具体如下：

a)随机产生一个基因总数范围内的整数，表示第一个变异位置，并且作为初值代入如下混沌序列中迭代，从而得到各个变异点的位置。

x(n+1)=4x(n)(1-x(n))；

b)根据变异过程中，进化代数越多，变异程度越大，则多样性越好的原则，本发明采用了以下变异算子进行变异：

$x_k^m=\left\{\begin{array}{cc}{x}_k+\mathrm{\&Delta;}(t,b_k-x_k)& \mathrm{rnd}>0.5\\ x_k-\mathrm{\&Delta;}(t,b_k-x_k)& \mathrm{rnd}<0.5\end{array}\right.;$

其中Δ(t,y)=y*(1-r*(1-t/T)^β)，t为当前进化代数，T为总进化代数。β为变异因子，rnd为0-1的随机数。x_k、分别为变异前和变异后的基因值。

(8)设定t=t+1，并且返回到步骤（3）进行迭代计算。

以上算法终止后就完成了各个模型的参数寻优。

一种用于实现上述垃圾发电厂多目标运行优化及协调的控制方法的控制装置，包括：

数据采集模块，用于从DCS系统下载建模所需的运行参数，并将数据输入到数据过滤模块；

数据过滤模块，用于根据阀值预判输入数据合理性，如果异常则剔除该数据，否则把数据传输到数据库模块；

数据库模块，用于存储从数据过滤模块传输来的数据，还存储通过调研、实验得来的各种典型垃圾组分的物性数据以及常用型号的锅炉的结构参数；

数据建模模块，用于从数据库模块中提取数据，分别按照支持向量机算法、支持向量机算法、模糊神经网络算法构造电厂环保性数学模型、经济性数学模型、安全性数学模型；然后将已经建立的模型文件传输给优化模块、预测模块；

优化模块，用于启动改进的强度PARETO遗传算法对上述三个模型的多目标进行实时组合优化，得出当前工况下的最佳运行参数，并将结果传输给控制模块；

控制模块，用于将结果显示在监视器上，优化后的参数用图表、报表形式反馈给工作人员以作为参考建议，由工作人员进行手动操作；

其中，数据采集模块、数据过滤模块、数据库模块、数据建模模块、优化模块和控制模块依次相连。

优选的，所述控制装置还包括手动控制模块和预测模块，工作人员通过手动控制模块输入适当的参数，参数信息被传输到预测模块，预测模块与数据建模模块相连，数据建模模块中各个模型对手动输入参数的输出进行预测，如果出现异常，则报警；否则将数据传输到数据建模模块。

优选的，所述控制模块还与数据库模块相连，用于将工作人员的操作日志存储到数据库模块。以便于事故分析和责任划分。

优选的，所述控制装置还包括报警模块，数据过滤模块、预测模块分别和报警模块相连，用于在数据过滤模块中的输入数据异常时、预测模块中预测的输出值异常时进行报警。

更进一步的，所述报警模块具体包括：警示灯闪烁、鸣笛、消防联动、记录报警行为。

更进一步的，所述报警模块为手动报警模块。采用手动报警模块可以供给运行人员人为报警或者人为消除报警，提高了报警的灵活性和准确性。

优选的，所述控制装置还包括远程监测模块，与手动控制模块连接，用于通过远程的监视器在上级办公室或者其他特定监控室内显示当前电厂运行状况以及工作人员的操作行为。

本发明与现有技术相比，具有如下优点和有益效果：

1、本发明针对电厂运行的环保性、经济性、安全性建立了三个模型，并且进行综合优化，防止了单个大而全的复杂模型由于不相关因素相互影响带来的误差，提高了预测精确度。

2、本发明利用支持向量机（SVM）技术针对环污染物排放、烟气含氧量进行数学建模，泛化能力好、拟合精度高、推广能力强、预测精度高，并且不存在过学习和局部极小点问题，收敛速度快利于实时预测，具有自学习、自适应、动态调整等特点，明显优于传统的非线性回归以及人工神经网络技术建模。

3、本发明采用了模糊神经网络技术对炉膛结渣特性进行建模，很好的解决了结渣特性这种模糊数学量的预测问题，并且弥补了传统运行优化方法仅仅考虑经济性、环保性，而不关注安全性的缺点。

4、本发明利用了改进的强度PARETO遗传算法对污染物排放、烟气含氧量、炉膛结渣三个目标进行了多目标综合优化。解决了单目标优化所解决不了的耦合、竞争等问题，对于电厂优化运行提供了最佳指导。

5、本发明还包括了预测和报警功能，对于工作人员手动操作引起的工况变化进行预测，提前判断操作是否恰当，再结合自动报警和手动报警，极大的提高了电厂运行的安全性。

附图说明

图1是本发明装置的模块结构图。

图2是本发明数据建模模块中安全性模型的模糊神经网络结构图。

图3是本发明优化模块中多目标优化算法“改进的强度PARETO遗传算法”流程图。

图4是本发明所采用遗传算法的交叉算子流程图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例1

下面结合附图1对于本发明的具体实施方式做介绍：本发明各模块连接方法为：DCS系统与数据采集模块连接，数据采集模块与数据过滤模块连接，数据过滤模块与报警模块、数据库模块连接，数据库模块与数据建模模块、控制模块连接，数据建模模块与优化模块、预测模块连接，优化模块与控制模块连接，控制模块与监视器、手动控制模块、数据库模块连接，手动控制模块与远程监视模块、预测模块连接，预测模块与数据建模模块、报警模块连接，报警模块与手动报警模块连接。

该装置中各模块的工作过程如下：

数据采集模块从DCS系统下载锅炉运行参数数据并将数据输入到数据过滤模块；

数据过滤模块根据阀值预判输入数据合理性，如果异常则通知报警模块，并且阻止该数据进入数据库模块，否则把数据传输到数据库模块；

数据库模块，存储从数据过滤模块传输来的数据，还存储通过调研、实验得来的各种典型垃圾组分的物性数据以及常用型号的锅炉的结构参数；

数据建模模块从数据库模块中提取数据，分别按照支持向量机算法、支持向量机算法、模糊神经网络算法构造电厂环保性数学模型、经济性数学模型、安全性数学模型；然后将已经建立的模型文件传输给优化模块、预测模块；

优化模块接收到来自数据建模模块的模型数据后，启动改进的强度PARETO遗传算法对多个模型的多目标进行实时组合优化，得出当前工况下的最佳运行参数，并将结果传输给控制模块；

控制模块将结果显示在监视器上，优化后的参数用图表、报表等形式反馈给工作人员以作为参考建议，由工作人员进行手动操作；

工作人员通过手动控制模块输入适当的参数，参数信息将被传输到预测模块，应用各个模型对手动输入参数的输出进行预测，如果出现异常，就通知报警模块；

报警模块接到手动报警模块或者预测模块传来的启动信息后，进行警灯闪烁、鸣笛、消防联动、记录报警行为等一系列动作。

上述实施例所述装置采用以下的方法实现：一种垃圾发电厂多目标运行优化及协调的控制方法，包括以下步骤：

一、从DCS系统下载锅炉运行参数数据。

二、根据阀值预判步骤（1）所述数据的合理性，如果异常则剔除该数据，并同时进行报警；否则把数据传输到数据库。

三、采用支持向量机算法构造电厂环保性数学模型、经济性数学模型，采用模糊神经网络算法构造电厂安全性数学模型；从数据库中提取数据，得到训练样本及检验样本，将训练样本输入到支持向量机模型或模糊神经网络模型中进行训练，从而确定模型中各个参数的最优值或者模型中网络的权值，再利用检验样本检测模型的精度和有效性。

采用支持向量机算法构造电厂环保性、经济性数学模型的具体步骤是：

（3-1）采用最大最小归一化方法，将输入归一化到[-1，1]区域，其归一化公式采用：

$x_{\mathrm{std}}=\frac{x_{\mathrm{input}}-{\mathrm{range}}_{\min }}{{\mathrm{range}}_{\max }-{\mathrm{range}}_{\min }}\&times;2-1;$

其中range_min,range_max分别为输入向量X_input的最小值和最大值；

X_input为输入向量值，X_std为归一化后得到的输出向量值；

（3-2）根据影响目标函数值的因素的个数，设输入样本为n维向量，某区域中的k个向量如下表示：

(x₁,y₁)，...(x_k,y_k)∈R_n×R_n；

目标函数设定为：

f(x)=w·x+b；

假设所有训练数据都可在精度ε下无误差地用线性函数拟合，即：

$\left\{\begin{array}{c}{y}_{i-}w\&CenterDot;x_i-b\&le;\mathrm{\&epsiv;}\\ w\&CenterDot;x_i+b-y_i\&le;\mathrm{\&epsiv;}\end{array}\right.i=\mathrm{1,2},...,k;$

引入松弛因子ξ_i ^*和ξ_i，则公式变为：

$\left\{\begin{array}{c}{y}_i-w\&CenterDot;x_i-b\&le;\mathrm{\&epsiv;}+{\mathrm{\&xi;}}_i\\ w\&CenterDot;x_i+b-y_i\&le;\mathrm{\&epsiv;}+{{\mathrm{\&xi;}}_i}^{*}\\ {\mathrm{\&xi;}}_i\&GreaterEqual;0\\ {{\mathrm{\&xi;}}_i}^{*}\&GreaterEqual;0\end{array}\right.i=\mathrm{1,2},...,k;$

上述回归问题就转化为在相应约束条件下的最小化函数：

$\min R(w,\mathrm{\&xi;},{\mathrm{\&xi;}}^{*})=\frac{1}{2}{w}^{T}w+C\underset{i=1}{\overset{1}{\mathrm{\&Sigma;}}}({\mathrm{\&xi;}}_i+{{\mathrm{\&xi;}}_i}^{*});$

其相应的约束条件为：

其中为映射用的非线性函数，w为回归系数，b为偏置，常数C>O控制对超出误差ε的样本的惩罚程度；

引入拉格朗日函数，并将其转化为相应的对偶问题：

$L(w,b,\mathrm{\&xi;},{\mathrm{\&xi;}}^{*},\mathrm{\&alpha;},{\mathrm{\&alpha;}}^{*})=\frac{1}{2}\underset{i,j=1}{\overset{k}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_i+{{\mathrm{\&alpha;}}_i}^{*})({\mathrm{\&alpha;}}_j+{{\mathrm{\&alpha;}}_j}^{*})(x_i\&CenterDot;x_j)-\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_i+{{\mathrm{\&alpha;}}_i}^{*})\mathrm{\&epsiv;}+\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_i+{{\mathrm{\&alpha;}}_i}^{*})y_i;$

其约束条件为：

$s.t.\left\{\begin{array}{c}0\&le;{\mathrm{\&alpha;}}_i,{\mathrm{\&alpha;}}_i\&le;C,i=\mathrm{1,2},...,k\\ \underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_i-{{\mathrm{\&alpha;}}_i}^{*})=0\end{array}\right.;$

利用拉格朗日法，对各变量求导函数并令导函数值为0，从而解得：

于是函数模型表示为：

其中k(x_i,x_j)为符合Mercer条件的对称函数，称为核函数；

核函数确定后，建模需要确定两个相应的参数(C,g)，参数值由经验公式得到：

$C=\max \left(\right|\stackrel{\&OverBar;}{y}+3{\mathrm{\&sigma;}}_y|,|\stackrel{\&OverBar;}{y}-3{\mathrm{\&sigma;}}_y\left|\right);$

$\left\{\begin{array}{c}g~(0.1~0.5)\&times;\mathrm{range}\left(x\right)\\ g^d~(0.1~0.5)\end{array}\right.;$

其中σ_y是y的标准差，是y的平均值。

本实施例中采用的核函数为径向基核函数：

$k(x,y)=\exp \{-\frac{{\left|\right|x-y\left|\right|}^2}{2g^2}\}.$

所述采用支持向量机算法构造电厂环保性数学模型时，影响目标函数值的因素为：一次风平均风速、二次风平均风速、燃尽风平均风速、炉膛出口烟气含氧量、各典型垃圾组分的元素分析、工业分析、垃圾混合物的组成比例、平均给料速度、锅炉负荷、总空气量，将以上因素作为模型的输入。

所述采用支持向量机算法构造电厂经济性数学模型时，影响目标函数值的因素为：锅炉负荷、各一次风挡板开度、各二次风挡板开度、燃尽风挡板开度、总空气量、各典型垃圾组分的元素分析、工业分析、垃圾混合物的组成比例、平均给料速度、炉膛与风箱差压、燃烧器摆角作为模型的输入量，将以上因素作为模型的输入。

所述采用模糊神经网络算法构造电厂安全性数学模型的具体步骤如图2所示，包括以下步骤：

一般性神经网络算法对于输出节点取值为区间的问题无法处理，而将模糊数学与神经网络算法结合，对于锅炉结焦这种输出节点取值不为确定数字的问题具有很好的适应性。

首先利用如下公式将输入数据归一化到[-1，1]区间：

$P_n=2\&times;\left(\frac{p-p_{\min }}{p_{\max }-p_{\min }}\right)-1;$

其中P_n和P分别是归一化之后和归一化前的数据，P_min和P_max分别是归一化前数据的最小值和最大值；

采用的模糊神经网络包括输入层、模糊化层、模糊推理层、输出层四层，输入层包括主蒸汽流量、炉温、排烟温度、烟气含氧量、一次风量、二次风量、过热器入口烟温、主蒸汽压力，共八个节点，激励函数采用：

f(x)=x；

输出层节点数根据求解目标设定为三个，分别是轻微、中等、严重，并且根据针对锅炉结渣特性研究得到的经验值分别赋给三个指标以0.1、0.5、0.9的数值以相互区分，输出层激励函数采用：

$f\left(x\right)=\frac{2}{1-e^{-x}}-1;$

模糊推理层的节点个数，依据如下经验公式得到：

$N_3=\sqrt{(N_1+N_4)}+a;$

其中N₁为输入层节点数，N₄为输出层节点数，a为[1，10]之间的数字，例如可选用a=5；

模糊推理层的激励函数与输出层一致，本发明采用：

$f\left(x\right)=\frac{2}{1+e^{-x}}-1;$

模糊化层依据隶属度函数计算输入层的八个节点各自对应的隶属度，八个输入层节点中的每一个节点对应模糊化层的一组节点，每组由三个节点构成，因此模糊化层的节点数为：

N₂=3N₁；

假设每组节点都是按照轻微、中等、严重的顺序出现在网络结构中，每组中三个节点的激励函数依次如下取得：

轻微节点采用Sigmoid函数的补函数：

$f\left(x\right)=1-\frac{1}{1+e^{-(w_{1}x+w_0)}};$

中等节点采用高斯函数：

$f\left(x\right)=e^{-(w_{1}x+w_0)};$

严重节点采用Sigmoid函数：

$f\left(x\right)=\frac{1}{1+e^{-(w_{1}x+w_0)}};$

其中的w₁、w₀为函数的相应的权值和阀值，计算方法如下为：依据八个输入节点与结渣的关系判别表作图，其中x₁、x₂为规则区间的下界和上界，x₃为两者的平均值；分别将和(x₁，0.95)代入轻微节点的激励函数，将和(x₂，1.0)代入中等节点的激励函数，将和(x₃，0.95)代入严重节点的激励函数，从而求得各个对应函数的w₁、w₀参数值。

四、将已经建立的模型数据经过改进的强度PARETO遗传算法对环保性数学模型、经济性数学模型、安全性数学模型三个模型的多目标进行实时组合优化，得出当前工况下的最佳运行参数。具体方法如图3所示。

首先定义如下多目标优化问题：

$\left\{\begin{array}{cc}\min & f\left(\stackrel{\&RightArrow;}{x}\right)=[f_1\left(\stackrel{\&RightArrow;}{x}\right),f_2\left(\stackrel{\&RightArrow;}{x}\right),...,f_n\left(\stackrel{\&RightArrow;}{x}\right)]\\ & s.t.g\left(\stackrel{\&RightArrow;}{x}\right)\&le;0\\ & h\left(\stackrel{\&RightArrow;}{x}\right)=0\end{array}\right.;$

其中，表示m维决策空间中的一个决策变量，和分别为等式和不等式约束，为第k个目标函数。在多目标优化的问题中，由于目标之间往往相互竞争，相互冲突，所有的目标函数不可能同时达到最优化，因而结果需要的解集具有如下特点：无法在改进任何目标函数的同时不削弱至少一个其他的目标函数。这种解称之为非支配解或者帕雷托最优解。

解决以上多目标优化问题的步骤如下：

（1）参数设定。设定遗传代数G，种群大小N，交叉率P_c，变异率P_m，并且设立外部种群，给定外部种群大小

（2）初始化设定。随机产生初始种群P₀，同时构造出一个新的外部种群并设定当前进化代数t=0。

（3）适应度计算。赋给初始种群和外部种群中的每个变量i一个权值如下：

其中|·|表示集合的基数，+代表集合的并运算，＞代表满足帕累托关系。

如下，定义原始适应度函数：

$R\left(i\right)=\underset{j\&Element;P_t+\stackrel{\&OverBar;}{P_t},j>i}{\mathrm{\&Sigma;}}S\left(j\right);$

为了提高精确度，引入密度函数：

$D\left(i\right)=\frac{1}{{\mathrm{\&sigma;}}_i^k+2};$

其中表示计算第i个个体与其他所有个体的距离，并且将距离值升序排列后的第k个距离值。其中

于是得到最终的适应度函数：

F(i)=R(i)+D(i)；

依据以上定义的适应度函数计算P₀和的所有个体的适应度。

（4）环境选择。将P_t和中的所有非支配解拷贝到集合中。如果此时的集合尺寸超出了范围，就利用剪裁算子进行剪裁；如果此时的集合尺寸小于预设范围，就通过P_t和中的支配解补齐。具体方法如下进行：

将P_t和中的所有非支配解拷贝到集合中，即：

如果集合尺寸不足，则把余下的满足F(i)>1的支配解升序排列，将前个支配解拷入中。

如果集合尺寸超出范围，则对集合进行循环迭代，每次删除一个符合如下条件的个体：

即每次删除集合中到其他所有个体距离最小的那个个体，直到

（5）终止条件设定。如果下一代的集合中的个体不再发生变化，或者达到了认为设定的遗传代数限制G则终止算法。集合中的个体即为Pareto最优解集。

（6）交叉操作。采用二进制锦标赛算法选择个体，并且在个体间进行运用混沌序列进行交叉操作。算法如图4所示，具体如下：

a)从集合中随机挑选出个元素，并且取出其中适应度最大的元素放入交配池，并从中删除，直到取够个为止。

b)为保证优秀基因被下一代遗传，避免寻优抖振，本发明将交配池中的个体按照适应度大小排序，大对大，小对小依次配对。

c)为了使交叉点分布更加均匀，本发明采用了混沌logistic序列来确定交叉点位置。随机产生一个初值，并且代入如下混沌序列中迭代若干次：

x(n+1)=4x(n)(1-x(n))；

得到的值就是交叉点的位置。

d)交换配对个体中交叉点处的基因值，即完成了交叉操作。

(7)变异操作。为了避免算法早熟，本发明采用了改进的遗传操作。针对选中的个体进行多点基因突变。具体如下：

a)随机产生一个基因总数范围内的整数，表示第一个变异位置，并且作为初值代入如下混沌序列中迭代，从而得到各个变异点的位置。

x(n+1)=4x(n)(1-x(n))；

b)根据变异过程中，进化代数越多，变异程度越大，则多样性越好的原则，本发明采用了以下变异算子进行变异：

$x_k^m=\left\{\begin{array}{cc}{x}_k+\mathrm{\&Delta;}(t,b_k-x_k)& \mathrm{rnd}>0.5\\ x_k-\mathrm{\&Delta;}(t,b_k-x_k)& \mathrm{rnd}<0.5\end{array}\right.;$

其中Δ(t,y)=y*(1-r*(1-t/T)^β)，t为当前进化代数，T为总进化代数。β为变异因子，rnd为0-1的随机数。x_k、分别为变异前和变异后的基因值。

(8)设定t=t+1，并且返回到步骤（3）进行迭代计算。

以上算法终止后就完成了各个模型的参数寻优。

五、工作人员根据最佳运行参数调整相应器件的运行。所述步骤（5）工作人员根据最佳运行参数调整相应器件的运行时，工作人员输入的参数先输入到步骤（3）所述的各个数学模型，对其对应的输出进行预测，如果输出值出现异常则报警，如果正常则输出到对应器件进行调整。采用这种方式，可以避免工作人员手动操作是否失误，提前判断操作是否恰当，再结合报警，极大地提高了电厂运行的安全性。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (9)

1.一种垃圾发电厂多目标运行优化及协调的控制方法，其特征在于：包括以下步骤：

(1)从DCS系统下载锅炉运行参数数据；

(2)根据阀值预判步骤(1)所述数据的合理性，如果异常则剔除该数据，同时进行报警，否则把数据传输到数据库；

(3)采用支持向量机算法构造电厂环保性数学模型、经济性数学模型，采用模糊神经网络算法构造电厂安全性数学模型；从数据库中提取数据，得到训练样本及检验样本，将训练样本输入到支持向量机模型或模糊神经网络模型中进行训练，从而确定模型中各个参数的最优值或者模型中网络的权值，再利用检验样本检测模型的精度和有效性；

(4)将已经建立的模型数据经过改进的强度PARETO遗传算法对环保性数学模型、经济性数学模型、安全性数学模型三个模型的多目标进行实时组合优化，得出当前工况下的最佳运行参数；

(5)工作人员根据最佳运行参数调整相应器件的运行，工作人员输入的参数先输入到步骤(3)所述的各个数学模型，对其对应的输出进行预测，如果输出值出现异常则报警，如果正常则输出到对应器件进行调整。

2.根据权利要求1所述的垃圾发电厂多目标运行优化及协调的控制方法，其特征在于：所述步骤(3)中，所述支持向量机算法中采用的核函数为径向基核函数。

3.根据权利要求2所述的垃圾发电厂多目标运行优化及协调的控制方法，其特征在于：

所述采用支持向量机算法构造电厂环保性数学模型时，影响目标函数值的因素为：一次风平均风速、二次风平均风速、燃尽风平均风速、炉膛出口烟气含氧量、各典型垃圾组分的元素分析、工业分析、垃圾混合物的组成比例、平均给料速度、锅炉负荷、总空气量，将以上因素作为模型的输入，从数据库中提取数据，得到训练样本及检验样本，并将训练样本输入到以上支持向量机模型中进行训练，从而确定模型中各个参数的最优值，再利用检验样本检测模型的精度和有效性；

所述采用支持向量机算法构造电厂经济性数学模型时，影响目标函数值的因素为：锅炉负荷、各一次风挡板开度、各二次风挡板开度、燃尽风挡板开度、总空气量、各典型垃圾组分的元素分析、工业分析、垃圾混合物的组成比例、平均给料速度、炉膛与风箱差压、燃烧器摆角作为模型的输入量，将以上因素作为模型的输入，从数据库中提取数据，得到训练样本及检验样本，并将训练样本输入到以上支持向量机模型中进行训练，从而确定模型中各个参数的最优值，再利用检验样本检测模型的精度和有效性。

4.根据权利要求1所述的垃圾发电厂多目标运行优化及协调的控制方法，其特征在于：所述步骤(3)中采用模糊神经网络算法构造电厂安全性数学模型时，采用的模糊神经网络包括输入层、模糊化层、模糊推理层、输出层四层，输入层包括主蒸汽流量、炉温、排烟温度、烟气含氧量、一次风量、二次风量、过热器入口烟温、主蒸汽压力，共八个节点，激励函数采用：

f(x)＝x；

输出层节点数根据求解目标设定为三个，分别是轻微、中等、严重，并且根据针对锅炉结渣特性研究得到的经验值分别赋给三个指标以0.1、0.5、0.9的数值以相互区分，模糊推理层和输出层的激励函数均采用：

$f\left(x\right)=\frac{2}{1+e^{-x}}-1;$

模糊推理层的节点个数，依据如下经验公式得到：

$N_3=\sqrt{(N_1+N_4)}+a;$

其中N₁为输入层节点数，N₄为输出层节点数，a为[1，10]之间的数字；

模糊化层的节点数为：

N₂＝3N₁；

假设每组节点都是按照轻微、中等、严重的顺序出现在网络结构中，每组中三个节点的激励函数依次如下取得：

轻微节点采用Sigmoid函数的补函数：

$f\left(x\right)=1-\frac{1}{1+e^{-(w_{1}x+w_0)}};$

中等节点采用高斯函数：

$f\left(x\right)=e^{-(w_{1}x+w_0)};$

严重节点采用Sigmoid函数：

$f\left(x\right)=\frac{1}{1+e^{-(w_{1}x+w_0)}};$

其中的w₁、w₀为函数的相应的权值和阀值，计算方法如下为：依据八个输入节点与结渣的关系判别表作图，其中x₁、x₂为规则区间的下界和上界，x₃为两者的平均值；分别将和(x₁,0.95)代入轻微节点的激励函数，将和(x₂,1.0)代入中等节点的激励函数，将和(x₃,0.95)代入严重节点的激励函数，从而求得各个对应函数的w₁、w₀参数值。

5.根据权利要求1所述的垃圾发电厂多目标运行优化及协调的控制方法，其特征在于：所述步骤(4)采用改进了种群选择算法、交叉算子、变异算子的强度PARETO遗传算法进行多目标组合优化。

6.一种用于实现权利要求1-5任一项所述垃圾发电厂多目标运行优化及协调的控制方法的控制装置，其特征在于：包括：

数据采集模块，用于从DCS系统下载建模所需的运行参数，并将数据输入到数据过滤模块；

数据过滤模块，用于根据阀值预判输入数据合理性，如果异常则剔除该数据，否则把数据传输到数据库模块；

数据库模块，用于存储从数据过滤模块传输来的数据，还存储通过调研、实验得来的各种典型垃圾组分的物性数据以及常用型号的锅炉的结构参数；

数据建模模块，用于从数据库模块中提取数据，分别按照支持向量机算法、支持向量机算法、模糊神经网络算法构造电厂环保性数学模型、经济性数学模型、安全性数学模型；然后将已经建立的模型文件传输给优化模块、预测模块；

优化模块，用于启动改进的强度PARETO遗传算法对上述三个模型的多目标进行实时组合优化，得出当前工况下的最佳运行参数，并将结果传输给控制模块；

控制模块，用于将结果显示在监视器上，优化后的参数用图表、报表形式反馈给工作人员以作为参考建议，由工作人员进行手动操作；

其中，数据采集模块、数据过滤模块、数据库模块、数据建模模块、优化模块和控制模块依次相连。

7.根据权利要求6所述的垃圾发电厂多目标运行优化及协调的控制装置，其特征在于：

所述控制装置还包括手动控制模块和预测模块，工作人员通过手动控制模块输入适当的参数，参数信息被传输到预测模块，预测模块与数据建模模块相连，数据建模模块中各个模型对手动输入参数的输出进行预测，如果出现异常，则报警；否则将数据传输到数据建模模块；

所述控制装置还包括报警模块，数据过滤模块、预测模块分别和报警模块相连，用于在数据过滤模块中的输入数据异常时、预测模块中预测的输出值异常时进行报警。

8.根据权利要求7所述的垃圾发电厂多目标运行优化及协调的控制装置，其特征在于：所述报警模块为手动报警模块。

9.根据权利要求8所述的垃圾发电厂多目标运行优化及协调的控制装置，其特征在于：所述控制装置还包括远程监测模块，与手动控制模块连接，用于通过远程的监视器在上级办公室或者其他特定监控室内显示当前电厂运行状况以及工作人员的操作行为。