本發(fā)明屬于工業(yè)鍋爐控制系統(tǒng)優(yōu)化領(lǐng)域，通過引入異構(gòu)集成的代理輔助多目標(biāo)進化算法，利用數(shù)據(jù)建模和優(yōu)化算法準(zhǔn)確優(yōu)化工業(yè)鍋爐系統(tǒng)運行設(shè)定值。該方法綜合應(yīng)用支持向量機(support?vector?machine，svm)和前饋神經(jīng)網(wǎng)絡(luò)(feedforwardneural?network，fnn)構(gòu)建異構(gòu)代理模型。通過優(yōu)化燃燒效率、減少氮氧化物(nox)排放濃度以及降低電力消耗量，在確保鍋爐燃燒效率的同時，實現(xiàn)排放控制和能耗節(jié)約。該技術(shù)提升了鍋爐系統(tǒng)的整體性能，為工業(yè)鍋爐的高效、環(huán)保運行提供了有效解決方案。

背景技術(shù)：

1、工業(yè)鍋爐是能源轉(zhuǎn)換和工業(yè)生產(chǎn)的重要設(shè)備，其運行過程中的燃燒效率、污染物排放以及電力消耗等因素對工業(yè)生產(chǎn)的可持續(xù)性和經(jīng)濟性有著重要影響。在實際應(yīng)用中，如何優(yōu)化鍋爐燃燒效率、減少nox等有害氣體排放濃度，并同時降低電力消耗，構(gòu)成了一個復(fù)雜且昂貴的多目標(biāo)優(yōu)化問題。

2、傳統(tǒng)的鍋爐控制策略大多依賴固定的經(jīng)驗參數(shù)或基于物理模型的控制方法，難以應(yīng)對實際運行中環(huán)境條件、燃料特性以及負荷變化的多樣化需求，這些需求對應(yīng)多個相互制約的目標(biāo)，這導(dǎo)致在追求某個目標(biāo)(如燃燒效率最大化)時，可能會引起其他目標(biāo)(如nox排放濃度最小化或能耗降低)的惡化。同時，現(xiàn)代nox檢測設(shè)備需要定期維護和校準(zhǔn)，且部分檢測過程涉及復(fù)雜的信號處理和分析，檢測難度與成本較高，另外，電力消耗量作為主要的系統(tǒng)運行的主要能耗來源，它們與燃燒效率及排放目標(biāo)之間呈現(xiàn)出復(fù)雜的非線性耦合關(guān)系，傳統(tǒng)方法很難兼顧這些目標(biāo)的平衡優(yōu)化。

3、在處理昂貴多目標(biāo)優(yōu)化問題時，研究人員提出了許多方法和技術(shù)。其中，代表性的方法包括多目標(biāo)遺傳算法(multi-objective?genetic?algorithm，moga)、多目標(biāo)粒子群優(yōu)化算法(multi-objective?particle?swarm?optimization，mopso)等。這些方法通過維護一個種群，采用進化策略不斷地生成和優(yōu)化個體，以逼近真實前沿解集。然而，由于昂貴多目標(biāo)優(yōu)化問題的計算成本高昂，傳統(tǒng)的優(yōu)化方法往往面臨著計算成本高昂的挑戰(zhàn)，往往難以在合理的時間內(nèi)找到最優(yōu)解，加之每次評估目標(biāo)函數(shù)都需要消耗大量的計算資源和時間，因此效率低下。因此，研究如何提高處理昂貴多目標(biāo)優(yōu)化問題的效率和可行性，具有重要的理論和實際意義。

4、發(fā)明人發(fā)現(xiàn)，現(xiàn)有的工業(yè)鍋爐控制策略普遍難以在提升燃燒效率、減少污染物排放和降低能耗等多目標(biāo)之間實現(xiàn)有效平衡?；谖锢砟Ｐ偷目刂品椒o法應(yīng)對實時工況變化，而基于機器學(xué)習(xí)的模型雖具備較好的預(yù)測能力，但在處理工業(yè)領(lǐng)域的高維多目標(biāo)優(yōu)化問題，以及在涉及到昂貴的物理檢測的工業(yè)場景時，存在計算復(fù)雜度高、實時性差的局限。因此，針對工業(yè)鍋爐的復(fù)雜多目標(biāo)優(yōu)化問題，迫切需要一種能夠兼顧各優(yōu)化目標(biāo)、具備高效性和靈活性的優(yōu)化方法。

技術(shù)實現(xiàn)思路

1、本發(fā)明為解決上述問題，提出一種基于代理輔助多目標(biāo)進化算法的工業(yè)鍋爐系統(tǒng)設(shè)定值優(yōu)化方法，本發(fā)明主要目的利用工業(yè)鍋爐系統(tǒng)運行數(shù)據(jù)構(gòu)建代理模型，對鍋爐運行參數(shù)(如燃料流量、氧氣濃度、空氣流量等)進行優(yōu)化。通過構(gòu)建集成支持向量機(supportvector?machine，svm)與前饋神經(jīng)網(wǎng)絡(luò)(feedforward?neural?network，fnn)的異構(gòu)代理模型，來取代傳統(tǒng)單一代理模型在預(yù)測精度與響應(yīng)速度方面的局限性，通過歷史數(shù)據(jù)和模型預(yù)測來減少實際檢測次數(shù)；在優(yōu)化過程中，融入自適應(yīng)采樣策略，根據(jù)工業(yè)鍋爐工況的實時變化，動態(tài)調(diào)整采樣數(shù)據(jù)，確保模型能夠快速響應(yīng)系統(tǒng)環(huán)境的波動，從而更加適應(yīng)復(fù)雜且多變的工業(yè)環(huán)境。

2、基于代理輔助多目標(biāo)進化算法的工業(yè)鍋爐系統(tǒng)設(shè)定值優(yōu)化方法在于，包括以下步驟：

3、步驟1：首先進行種群初始化與參數(shù)設(shè)定，通過工業(yè)鍋爐控制系統(tǒng)傳感器采集蒸汽溫度、鍋爐壓力、燃燒溫度、風(fēng)機空氣流量、nox濃度、電力消耗量等實時運行數(shù)據(jù)，構(gòu)建初始數(shù)據(jù)集并進行數(shù)據(jù)預(yù)處理操作。

4、步驟2：選取數(shù)據(jù)中影響nox濃度的相關(guān)參數(shù)項，構(gòu)建集成svm以及fnn的異構(gòu)代理模型以獲取nox濃度，進行模型訓(xùn)練與適應(yīng)度評估。

5、步驟3.針對工業(yè)鍋爐三個主要優(yōu)化目標(biāo)，即鍋爐燃燒效率、nox排放濃度和電力消耗量分別構(gòu)建目標(biāo)函數(shù)。

6、步驟4.建立評價算法收斂性與多樣性的雙檔案機制，使用進化算法對工業(yè)鍋爐的優(yōu)化問題尋優(yōu)并進行存檔更新，根據(jù)預(yù)測結(jié)果更新雙檔案中的解集，并根據(jù)優(yōu)化過程中的反饋繼續(xù)調(diào)整模型。

7、步驟5.算法在進化過程中利用自適應(yīng)采樣策略生成新解，結(jié)合雙檔案評估得到最終pareto解集，根據(jù)性能評價指標(biāo)對算法的優(yōu)化效果進行驗證。

8、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果為：

9、本發(fā)明針對工業(yè)鍋爐運行中的多目標(biāo)優(yōu)化問題，提出了一種基于異構(gòu)集成模型的優(yōu)化算法，以克服傳統(tǒng)單一代理模型在處理高維復(fù)雜工況時的局限性。svm擅長處理線性關(guān)系以及少量樣本數(shù)據(jù)時的高效泛化能力，尤其適合鍋爐系統(tǒng)中部分可線性分割的輸入數(shù)據(jù)，如風(fēng)機風(fēng)量與nox排放濃度的關(guān)系。而fnn模型則由于其強大的非線性擬合能力，更適用于描述燃燒溫度、鍋爐壓力與污染物排放濃度之間的復(fù)雜關(guān)聯(lián)。因此，通過融合svm的高泛化能力和fnn的非線性擬合能力，可以彌補單一模型在處理復(fù)雜工業(yè)數(shù)據(jù)中的不足實現(xiàn)對工業(yè)鍋爐運行數(shù)據(jù)的精準(zhǔn)建模，從而在優(yōu)化燃燒效率、降低nox排放濃度及電力消耗量等目標(biāo)上顯著提供有效決策。同時，針對算法設(shè)計了雙檔案管理機制，結(jié)合自適應(yīng)采樣標(biāo)準(zhǔn)與多樣性和收斂性指標(biāo)，以應(yīng)對工業(yè)鍋爐工況的多變性，優(yōu)化種尋優(yōu)過程，提升算法的優(yōu)化效率和收斂性。

10、通過異構(gòu)模型和信息共享機制，本發(fā)明適用于工業(yè)鍋爐燃燒控制、能耗優(yōu)化和排放管理等實際應(yīng)用，對工業(yè)領(lǐng)域的數(shù)據(jù)分析和優(yōu)化問題決策有一定的參考意義。

技術(shù)特征：

1.基于代理輔助多目標(biāo)進化算法的工業(yè)鍋爐系統(tǒng)設(shè)定值優(yōu)化方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的一種基于代理輔助多目標(biāo)進化算法的工業(yè)鍋爐系統(tǒng)運行設(shè)定值優(yōu)化方法，其特征是，步驟1通過工業(yè)鍋爐控制系統(tǒng)傳感器獲取運行數(shù)據(jù)，構(gòu)建初始數(shù)據(jù)集并進行數(shù)據(jù)預(yù)處理；通過計算特征的信息增益來選擇合適的特征數(shù)量，對應(yīng)算法初始化過程中的種群信息，首先計算給定數(shù)據(jù)集的信息熵，信息熵用entropy來表示，具體計算公式如下：

3.根據(jù)權(quán)利要求1所述的一種基于代理輔助多目標(biāo)進化算法的工業(yè)鍋爐系統(tǒng)運行設(shè)定值優(yōu)化方法，其特征是，步驟2構(gòu)建集成svm以及fnn的異構(gòu)代理模型來描述nox濃度與操作變量之間的關(guān)系；選取數(shù)據(jù)處理后的五個參數(shù)分別為：一次風(fēng)機風(fēng)量、二次風(fēng)機風(fēng)量、燃料供給量、燃料噴射速率與空氣閥門開度作為輸入特征進行svm模型構(gòu)建，訓(xùn)練過程中采用不敏感損失函數(shù)hinge?loss；

4.根據(jù)權(quán)利要求1所述的一種基于代理輔助多目標(biāo)進化算法的工業(yè)鍋爐系統(tǒng)運行設(shè)定值優(yōu)化方法，其特征是，步驟3根據(jù)工業(yè)鍋爐運行系統(tǒng)燃燒效率、nox排放濃度和電力消耗分別設(shè)計目標(biāo)函數(shù)；

5.根據(jù)權(quán)利要求1所述的一種基于代理輔助多目標(biāo)進化算法的工業(yè)鍋爐系統(tǒng)運行設(shè)定值優(yōu)化方法，其特征是，步驟4建立雙檔案評價機制，將處理后的數(shù)據(jù)置于初始的收斂性檔案ca存檔，并將其同時置于多樣性檔案da存檔；

6.根據(jù)權(quán)利要求1所述的一種基于代理輔助多目標(biāo)進化算法的工業(yè)鍋爐系統(tǒng)運行設(shè)定值優(yōu)化方法，其特征是，步驟5在算法中引入自適應(yīng)采樣策略，當(dāng)種群進化代數(shù)達到設(shè)定進化代數(shù)gmax＝5時，觸發(fā)自適應(yīng)采樣策略；自適應(yīng)采樣過程中按照通用設(shè)定標(biāo)準(zhǔn)，設(shè)定采樣比率為10％，即隨機從當(dāng)前種群中選擇10％的個體，采樣數(shù)量的計算公式為：

技術(shù)總結(jié)
本發(fā)明公開了基于代理輔助多目標(biāo)進化算法的工業(yè)鍋爐系統(tǒng)設(shè)定值優(yōu)化方法，旨在優(yōu)化工業(yè)鍋爐控制系統(tǒng)的運行效率，特別針對鍋爐燃燒效率、氮氧化物排放濃度和電力消耗的昂貴高維多目標(biāo)優(yōu)化問題。所述方法提出了一種對支持向量機(SVM)與前饋神經(jīng)網(wǎng)絡(luò)(FNN)異構(gòu)集成的代理輔助進化算法，結(jié)合工業(yè)鍋爐系統(tǒng)中的傳感器設(shè)備采集所得數(shù)據(jù)，構(gòu)建并訓(xùn)練代理模型用于氮氧化物排放濃度預(yù)測，對鍋爐控制系統(tǒng)設(shè)定值如蒸汽流量以及燃燒溫度等參數(shù)進行尋優(yōu)，通過設(shè)定雙檔案機制，評估算法進化過程中的收斂性和多樣性，并利用自適應(yīng)采樣策略調(diào)節(jié)優(yōu)化方案，以應(yīng)對復(fù)雜的工業(yè)環(huán)境變化。通過實驗驗證在工業(yè)鍋爐運行控制系統(tǒng)設(shè)定值優(yōu)化方面的良好性能。

技術(shù)研發(fā)人員：喬俊飛,李文璐,郭楠,賈雨心,孫躍揚
受保護的技術(shù)使用者：北京工業(yè)大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/9