本发明涉及锅炉燃烧控制，具体为一种多变负荷下多目标锅炉燃烧优化控制方法。
背景技术：
1、多变负荷下的多目标锅炉燃烧是指在锅炉系统中，燃料燃烧过程需要适应多种负荷变化，并且需要同时优化多个性能指标，在面对不同负荷下的变化，锅炉系统需要保持稳定的工作状态，神经网络控制能够更好地适应负荷变化，提高系统的稳定性和鲁棒性，在实际运行中，除了要满足基本热量生产需求外，还需要同时考虑其他性能指标如nox、co等污染物排放、燃料灵活性等，神经网络控制能够实现多目标优化，实现这些性能指标之间的平衡，通过神经网络控制，可以更快速地调整锅炉燃烧要求，提高响应速度，减少负荷变化对整个系统的影响。
2、目前的市场对锅炉燃烧提出了高灵活性和超低负荷运行等更加苛刻的需求，锅炉燃烧过程具有多变量强耦合、非线性、时变及大迟延的特点，传统控制手段难以实现燃烧状态的精准调控，目前大型燃煤锅炉二次风等参数的调节大多依赖现场运行人员的经验，容易造成燃烧不稳、结焦以及偏烧超温等问题，影响机组的安全平稳运行。
技术实现思路
1、(一)解决的技术问题
2、针对现有技术的不足，本发明提供了一种多变负荷下多目标锅炉燃烧优化控制方法，具备通过数据采集模块采集锅炉燃烧过程中的温度数据rswd、压力数据rsyl、氧含量数据rshy以及燃烧效率数据rsxl，数据分析模块基于锅炉燃烧过程中产生的数值进行特性分析，计算锅炉燃烧效率glrs、排放浓度pfnd以及燃料消耗速率rlxh，并根据上述数据建立多目标优化模型，算法模型模块将建立好的多目标优化模型与粒子群算法结合，用于实现在多变负荷下的最佳燃烧控制，控制策略模块建立神经网络控制模型，通过将锅炉燃烧过程中的温度数据rswd、压力数据rsyl、氧含量数据rshy以及燃烧效率数据作为输入变量建立神经网络模型，实现对多变负荷下的燃烧过程进行自适应调节和优化，通过建立锅炉燃烧控制系统，自动对大型燃煤锅炉二次风等参数进行调节，提高了机组的安全平稳运行效率等优点，解决了上述问题。
3、(二)技术方案
4、为实现上述目的，本发明提供如下技术方案：一种多变负荷下多目标锅炉燃烧优化控制方法，具体包括以下步骤：
5、s1、通过数据采集模块采集锅炉燃烧过程中的温度数据rswd、压力数据rsyl、氧含量数据rshy以及燃烧效率数据rsxl，并将上述采集数据传输至数据分析模块；
6、s2、通过数据分析模块基于锅炉燃烧过程中产生的数值进行特性分析，计算锅炉燃烧效率glrs、排放浓度pfnd以及燃料消耗速率rlxh，并根据上述数据建立多目标优化模型；
7、s3、通过算法模型模块将建立好的多目标优化模型与粒子群算法结合，用于实现在多变负荷下的最佳燃烧控制；
8、s4、通过控制策略模块建立神经网络控制模型，通过将锅炉燃烧过程中的温度数据rswd、压力数据rsyl、氧含量数据rshy以及燃烧效率数据作为输入变量建立神经网络模型，实现对多变负荷下的燃烧过程进行自适应调节和优化。
9、优选的，所述数据采集模块将采集的温度数据编入数据集，该数据集合为{rswdn-9，rswdn-8，rswdn-7，...，rswdn}。
10、优选的，所述数据采集模块将采集的压力数据编入数据集，该数据集合为{rsyln-9，rsyln-8，rsyln-7，....，rsyln}。
11、优选的，所述数据采集模块将采集的氧含量数据编入数据集，该数据集合为{rshyn-9，rshyn-8，rshyn-7，...，rshyn}。
12、优选的，所述数据采集模块将采集的燃烧效率数据编入数据集，该数据集合为{rsxln-9，rsxln-8，rsxln-7，...，rsxln}。
13、优选的，所述数据分析模块基于锅炉燃烧过程中产生的数值进行特性分析，计算锅炉燃烧效率glrs，计算公式如下：
14、
15、公式中，glrs表示锅炉燃烧效率，glsr表示锅炉输出热量，rlrz表示燃料热值，pyss表示排烟损失热量，上述数值参数都通过系统自动获取。
16、优选的，所述数据分析模块基于锅炉燃烧过程中产生的数值进行特性分析，计算排放浓度pfnd，计算公式如下：
17、
18、公式中，pfnd表示排放浓度，pfzl表示排放物质量，qttj表示气体体积，qtls表示气体流速，上述数值通过系统自动测量得到。
19、优选的，所述数据分析模块基于锅炉燃烧过程中产生的数值进行特性分析，计算燃料消耗速率rlxh，计算公式如下：
20、
21、公式中，rlxh表示燃料消耗速率，lzxh表示燃料消耗量，该值通过燃料计量仪器获取，time表示燃料消耗的时间，该值通过系统时间戳获取。
22、优选的，所述算法模型模块运用的粒子群算法解释如下：
23、设群体里有n个粒子，每个粒子i的位置表示为{x_i＝x_i1,x_i2,x_i3,...,x_id}其中d表示问题的维度，速度记为{v_i＝v_i1,v_i2,v_i3,...,v_id}，每个粒子都有一个适应度值，表示该粒子的解的质量，粒子i在t时刻的适应度值记为f_i(t)，粒子的位置和速度更新规则如下：
24、更新速度：v_id(t+1)＝w*v_id(t)+c1*rand()*(p_id-x_id+c2*rand()*(p_gd-x_id))；
25、其中，w表示惯性权重，c1和c2是学习因子，rand()是在[0,1]之间均匀分布的随机数，p_id表示粒子i所在的最优位置，p_gd表示所有粒子中的全局最优位置；
26、更新位置：x_id(t+1)＝x_id(t)+v_id(t+1)
27、在更新后，计算粒子i的新适应度值f_i(t+1)，并更新个体最优值p_id和群体中的全局最优值p_gd。
28、优选的，所述控制策略模块建立神经网络控制模型，通过将锅炉燃烧过程中的温度数据rswd、压力数据rsyl、氧含量数据rshy以及燃烧效率数据作为输入变量建立神经网络模型，实现对多变负荷下的燃烧过程进行自适应调节和优化，该神经网络控制模型设计了一个神经网络控制器来控制一个具有输入m和输出n的动态系统，神经网络控制器的输出可以表示为：
29、
30、其中，m是神经网络控制器的输出，fθ是神经网络模型，θ是神经网络的参数,神经网络模型的输入包括系统的输出n，n的导数控制输入m、m的导数
31、与现有技术相比，本发明提供了一种多变负荷下多目标锅炉燃烧优化控制方法，具备以下有益效果：
32、本发明通过数据采集模块采集锅炉燃烧过程中的温度数据rswd、压力数据rsyl、氧含量数据rshy以及燃烧效率数据rsxl，数据分析模块基于锅炉燃烧过程中产生的数值进行特性分析，计算锅炉燃烧效率glrs、排放浓度pfnd以及燃料消耗速率rlxh，并根据上述数据建立多目标优化模型，算法模型模块将建立好的多目标优化模型与粒子群算法结合，用于实现在多变负荷下的最佳燃烧控制，控制策略模块建立神经网络控制模型，通过将锅炉燃烧过程中的温度数据rswd、压力数据rsyl、氧含量数据rshy以及燃烧效率数据作为输入变量建立神经网络模型，实现对多变负荷下的燃烧过程进行自适应调节和优化，通过建立锅炉燃烧控制系统，自动对大型燃煤锅炉二次风等参数进行调节，提高了机组的安全平稳运行效率。
1.一种多变负荷下多目标锅炉燃烧优化控制方法，其特征在于：具体包括以下步骤：
2.根据权利要求1所述的一种多变负荷下多目标锅炉燃烧优化控制方法，其特征在于：所述数据采集模块将采集的温度数据编入数据集，该数据集合为{rswdn-9，rswdn-8，rswdn-7，…，rswdn}。
3.根据权利要求2所述的一种多变负荷下多目标锅炉燃烧优化控制方法，其特征在于：所述数据采集模块将采集的压力数据编入数据集，该数据集合为{rsyln-9，rsyln-8，rsyln-7，...，rsyln}。
4.根据权利要求3所述的一种多变负荷下多目标锅炉燃烧优化控制方法，其特征在于：所述数据采集模块将采集的氧含量数据编入数据集，该数据集合为{rshyn-9，rshyn-8，rshyn-7，...，rshyn}。
5.根据权利要求4所述的一种多变负荷下多目标锅炉燃烧优化控制方法，其特征在于：所述数据采集模块将采集的燃烧效率数据编入数据集，该数据集合为{rsxln-9，rsxln-8，rsxln-7，…，rsxln}。
6.根据权利要求5所述的一种多变负荷下多目标锅炉燃烧优化控制方法，其特征在于：所述数据分析模块基于锅炉燃烧过程中产生的数值进行特性分析，计算锅炉燃烧效率glrs，计算公式如下：
7.根据权利要求6所述的一种多变负荷下多目标锅炉燃烧优化控制方法，其特征在于：所述数据分析模块基于锅炉燃烧过程中产生的数值进行特性分析，计算排放浓度pfnd，计算公式如下：
8.根据权利要求7所述的一种多变负荷下多目标锅炉燃烧优化控制方法，其特征在于：所述数据分析模块基于锅炉燃烧过程中产生的数值进行特性分析，计算燃料消耗速率rlxh，计算公式如下：
9.根据权利要求8所述的一种多变负荷下多目标锅炉燃烧优化控制方法，其特征在于：所述算法模型模块运用的粒子群算法解释如下：
10.根据权利要求9所述的一种多变负荷下多目标锅炉燃烧优化控制方法，其特征在于：所述控制策略模块建立神经网络控制模型，通过将锅炉燃烧过程中的温度数据rswd、压力数据rsyl、氧含量数据rshy以及燃烧效率数据作为输入变量建立神经网络模型，实现对多变负荷下的燃烧过程进行自适应调节和优化，该神经网络控制模型设计了一个神经网络控制器来控制一个具有输入m和输出n的动态系统，神经网络控制器的输出可以表示为：
