基于GA和模糊關聯規則的鍋爐脫硝經濟性優化

崔　超，　劉吉臻，　楊婷婷

(華北電力大學 控制與計算機工程學院，北京 102206)

基于GA和模糊關聯規則的鍋爐脫硝經濟性優化

崔超，劉吉臻，楊婷婷

(華北電力大學 控制與計算機工程學院，北京 102206)

摘要：在某660 MW火電機組的廠級監控信息系統(SIS)中選取歷史運行數據，利用最小二乘支持向量機(LSSVM)方法建立脫硝經濟性預測模型，并基于該模型采用遺傳算法進行常運行負荷點的離線尋優以建立離線最優專家數據庫(OOED).采用模糊關聯規則挖掘(FARM)算法從OOED中提取各調整變量的最優設定值與機組負荷的關聯關系，實現電網負荷調度指令下各參數的在線優化調整.結果表明：所提出的脫硝經濟性優化方法的優化效果與遺傳算法尋優結果接近，且優化時間短，適合火電機組的在線優化控制.

關鍵詞：燃煤鍋爐； 脫硝成本； 模糊關聯規則； 遺傳算法

隨著環保力度的加大，NOx排放控制已經成為發電企業面臨的重要問題.為了達到排放要求，電廠廣泛采用低氮燃燒和選擇性催化還原(SCR)相結合的聯合煙氣脫硝技術[1].低氮燃燒通過對鍋爐燃燒器及其配風方式進行優化調整，從源頭上降低NOx的生成，但是犧牲了鍋爐效率，會使供電煤耗率升高.SCR通過向煙氣中噴入還原劑NH3將NOx還原為N2和H2O，這種方法最有效，但成本高昂.因此，建立一套機組脫硝經濟性優化系統，指導運行人員按照最經濟的方式調整鍋爐運行參數，在低氮燃燒和SCR脫硝上尋找費用的最佳點，實現經濟效益的最大化，對提升發電企業的競爭力有重要意義.

在脫硝優化方面，最常用的方法是采用人工神經網絡[2-4]、支持向量機[5-7]等智能優化算法建立鍋爐的燃燒特性模型，然后基于此模型采用遺傳算法(GA)、粒子群算法等非線性尋優方法得到燃燒系統各調整變量(Xav)的最優設定值，為機組運行提供參考.由于此類方法不需要對機組進行硬件改造，只需在機組控制系統中更新控制算法，已成為許多學者的研究熱點.目前，關于該類燃燒優化技術的研究中，許昌等[8]基于電廠的歷史運行數據，利用人工神經網絡(ANN)算法建立了機組效率和NOx排放量的預測建模，并采用遺傳算法進行了燃燒優化.鄭立剛等[9]利用支持向量回歸方法建立了電站鍋爐的NOx排放特性模型，用蟻群算法對該模型進行尋優以降低電站NOx排放.然而這些研究大多只對機組的某幾個負荷點進行了燃燒優化，不能實現機組全負荷狀態下的運行指導，也沒有從脫硝經濟性的角度進行分析.此外，雖然遺傳算法、粒子群算法等非線性尋優方法能搜索到優化范圍內各Xav的全局最優解，但在尋優時需要進行反復的迭代運算，不僅搜索速度較慢，而且還會占用大量控制系統的處理器內存，很難實現機組的在線優化控制.

為了提高機組各運行參數的尋優速度，一種基于數據挖掘的優化方案逐漸受到研究者的重視，該方法直接對機組的歷史運行數據進行挖掘，提取各Xav的最優運行值.李建強等[10]利用火電廠運行數據的關聯特性，提出了一種基于模糊關聯規則挖掘(Fuzzy Association Rule Mining，FARM)的電站運行優化目標值確定方法.Kusiak等[11]利用數據挖掘技術從機組歷史運行數據中提取各控制參數的最優運行值，提高鍋爐運行效率.此類數據挖掘算法計算簡單，尋優速度較快，可以滿足在線應用的條件，但由于機組歷史運行數據的多變性和不確定性，單獨使用該方法很難得到優化問題的全局最優解，只能得到相對較優解.

因此，筆者在上述研究的基礎上提出了一種基于GA和FARM相結合的鍋爐脫硝經濟性優化系統，以實現機組低氮燃燒和SCR聯合脫硝成本的最小化.該優化系統主要由離線和在線2部分構成，離線部分包括脫硝經濟性預測模型的建立、常運行負荷點下的GA優化、離線最優專家數據庫(Offline Optimal Expert Database，OOED)的構建3個過程.在線部分由關聯規則推理機模型構成，主要實現機組脫硝經濟性的在線優化.

1原理與結構

火電機組脫硝經濟性優化的目標是確定各相關Xav的最優設定值與機組負荷的關聯關系，當機組接收到負荷調度指令時，燃燒控制系統自動按照該關聯關系調整各Xav的值，使脫硝過程最經濟.筆者在機組脫硝經濟性預測模型的基礎上，利用GA對常運行負荷點下的Xav進行離線優化，將優化結果作為各Xav的離線最優值，并與對應的歷史負荷數據組成OOED.當機組接收到新的負荷調度指令時，利用在線FARM算法從OOED中提取該負荷下各Xav的在線最優設定值，為運行人員提供指導.整個脫硝經濟性優化系統結構見圖1.

圖1　脫硝經濟性優化系統的結構

2離線最優專家數據庫

2.1脫硝經濟性預測模型

2.1.1輸出變量的構建

模型的輸出變量是指聯合脫硝時產生的各項經濟成本.霍秋寶等[12-13]給出了機組脫硝過程中涉及到的各項費用，筆者僅選取以下通過優化控制手段能明顯減小的費用.

(1)鍋爐效率損失費.

機組采用低氮燃燒技術降低NOx時，在一定范圍內鍋爐效率基本不變，但NOx低至一定值后，鍋爐效率會急劇下降：

(1)

式中：Δη為效率的降低量，%；ε為較小的常量，%；ρ1為SCR入口NOx質量濃度，mg/m3；q、k為常數；ρlim為低氮燃燒NOx減排閾值，mg/m3，可通過熱工實驗獲得.此時，增加的燃煤成本為

(2)

式中：Ff為燃料成本增加的費用，元/h；Pm為標準燃煤價格，元/t；Q為機組負荷，MW；Δb為效率每降低1%時，供電煤耗b增加的百分比.

(2)還原劑消耗費.

機組進行SCR脫硝時，還原劑液氨的消耗量與脫除的NOx的含量成正比，費用計算如下：

(3)

式中：Fr為還原劑消耗費，元/h；ρ2為SCR出口NOx質量濃度，mg/m3；qV為煙氣體積流量，m3/h；a為還原劑與NOx的摩爾質量比；Ph為還原劑的價格，元/t；MNH3為氨的相對分子質量；ΨNH3為設備氨逃逸率，‰.

(3)脫硝電耗.

脫硝電耗是指煙道阻力造成的噴氨設備電耗增加的費用，其僅取決于煙氣流量[13].煙氣流量是機組負荷的線性函數，因此脫硝電耗可表示為機組負荷與電耗系數的乘積：

(4)

式中：Fe為脫硝電耗，元/h；E為電耗系數，元/(MW·h)，可通過現場專項實驗獲得.

(4)排污費.

排污費是指火力發電廠向大氣中排放含有NOx的煙氣時，需要向環保部門繳納的費用.我國排污費按如下公式計算：

(5)

式中：Fp為排污費，元/h；0.95為NOx污染當量值，每一當量收費0.6元.

(5)聯合脫硝成本.

將上述各項費用的和定義為聯合脫硝成本，并作為模型的輸出：

(6)

2.1.2輸入變量的構建

模型輸入變量是指那些會影響機組脫硝成本的變量.為了降低模型的復雜度，提高預測精度，先用機理分析法確定影響脫硝成本的初始輸入變量，然后利用BP網絡篩選出的對輸出影響較大的變量作為模型輸入.BP變量選擇法通過計算輸入對輸出的影響力，當某個輸入變量對輸出的影響力小于10%時，將其剔除，具體過程如文獻[14]所述.

2.1.3脫硝經濟性預測模型

利用具有小樣本學習能力的最小二乘支持向量機(LSSVM)智能建模方法建立火電機組脫硝經濟性預測模型.LSSVM使規劃問題轉化為解線性方程組，大大減少了計算量，在實際應用中具有較高的收斂速度和預測精度[15].因此LSSVM方法可作為建立脫硝經濟性預測模型的理想建模法.

2.2基于GA的離線優化

機組脫硝經濟性預測模型反映了各Xav、機組負荷Q與聯合脫硝成本之間的非線性關系：

(7)

式中：Xav為各調整變量組成的向量；f()為LSSVM方法建立的脫硝經濟性預測模型.

利用式(7)表示的模型關系，采用GA對機組常運行歷史負荷點下的Xav進行離線尋優，找到各負荷點下Xav的離線最優值，構建OOED.在GA尋優時，采用實數編碼方法對Xav進行編碼，直接使用各Xav的真實值進行迭代運算.根據GA的特性，其在尋優結束后能找到各Xav在尋優范圍內的全局最優解，雖然搜索速度慢，但OOED是通過離線方法構建的，對數據的準確度要求較高，構建速度對其影響不大，因此GA可作為構建OOED的理想尋優算法.

3關聯規則推理機模型

3.1推理原理

關聯規則推理機模型利用OOED中機組負荷與各Xav的離線最優值的關聯規則進行推理，輸入為電網負荷調度指令，輸出為各Xav的在線最優值.采用FARM算法從OOED中提取機組負荷與各Xav在線最優值的關聯規則，該算法執行效率高，適合在線應用，詳細過程如下.

3.2模糊關聯規則

模糊關聯規則是形如Qf→Xavf的蘊涵式，Qf和Xavf分別為OOEDf中機組負荷和各Xav的模糊值，OOEDf為數量型的OOED經過模糊化后的模糊型離線最優專家數據庫.采用IF-THEN的關聯規則語句，第i條規則如下：

在建立關聯規則推理機模型時，規則Qf→Xavf以最小支持度s和置信度c為初始選擇標準[16]，表達式如下：

(8)

式中：u(Qf∪Xavf)為該規則的隸屬度，等于前件參數Qf的隸屬度u(Qf)與后件參數Xavf的隸屬度u(Xavf)的乘積；m為該規則出現的次數.

對于OOEDf中從Qf到Xavf的推理規則，在滿足最小支持度和置信度條件時，可能會出現相互矛盾的情況，即對于一個給定的Qf，可能有多條規則使其對應不同的Xavf，造成決策失敗.因此，筆者引入興趣度的概念，在滿足最小支持度和置信度的規則中選取興趣度最大的規則作為最終的模糊關聯規則，興趣度數值越大，對規則的關注程度越高[10].規則Qf→Xavf的興趣度I定義如下：

(9)

在用FARM算法確定模糊關聯規則時，為了降低算法的復雜度，分別挖掘單個Xav的在線最優值與機組負荷的關聯關系，然后進行組合就能得到給定負荷下所有Xav的在線最優值.模糊關聯規則的確定方法如下：(1)根據OOEDf中Qf與各Xavf離線最優值的對應關系，構成初始規則庫RULE1；(2)統計RULE1中相同規則的條數，合并相同規則得到規則庫RULE2，利用式(8)計算規則庫RULE2中各條規則的最小支持度和置信度；(3)刪除規則庫RULE2中低于最小支持度和置信度的規則，得到規則庫RULE3；(4)檢查規則庫RULE3是否存在相互矛盾的規則，若存在，利用式(9)計算矛盾規則的興趣度，選取興趣度最大的規則組成規則庫RULE4.

經過上述4步后，RULE4即為最終的模糊關聯規則庫，可用來進行關聯規則推理.

3.3Xav的去模糊化

對于給定的機組負荷模糊值Qf，關聯規則推理機模型利用規則庫RULE4進行推理，輸出各Xav的在線最優模糊值，去模糊化就能得到實際的在線最優值.此處采用重心法實現去模糊化：

(10)

式中：Xavopt為各調整變量的在線最優值；j為Xav模糊化時模糊集合的個數；ui為推理得到的Xavf在對應模糊集合下各模糊集合中心的隸屬度；vi為各模糊集合中心在論域中的取值.

4仿真實例

4.1機組介紹及數據準備

針對某額定負荷為660 MW的電站直流固態排渣爐進行仿真分析.該機組采用低氮燃燒和SCR相結合的煙氣脫硝技術，經現場熱工試驗與測量，SCR設備氨平均逃逸率為1.239×103‰，電耗系數為0.565元/(MW·h).假設煤粉細度不變，根據機理分析[17]，影響該機組聯合脫硝成本的鍋爐調整參數主要包括機組負荷x1、入爐煤量x2、6臺給煤機開度x3～x8、8層二次風擋板開度x9～x16、6層一次風擋板開度x17～x22、4個燃盡風擋板開度x23～x26和省煤器出口氧量x27.另外，機組燃用煤種特性對NOx的生成也有重要影響，在建立機組脫硝經濟性預測模型時應考慮煤質的影響.對于所研究的機組，建模時主要選取收到基水分w(Mad)、灰分w(Aar)、揮發分w(Var)、含碳量w(Car)、低位發熱量Qnet.ar5個參數作為反映煤種特性的初始輸入變量x28～x32，如表1所示.因此，模型初始輸入參數主要為上述32個變量.從該機組廠級監控系統(SIS)中采集機組運行一周時各變量的歷史運行數據550組，機組負荷跨度為常運行區段300～660 MW.為了保證建模的精度，先用K-means離群點剔除算法對數據進行清洗[18]，從550組數據中選出462組，再用文獻[19]提出的穩態數據判別法選出235組穩態工況點的數據進行仿真分析[19].

表1　鍋爐燃用煤種特性分析數據

4.2機組脫硝經濟性預測模型

根據篩選出的235組數據，先利用式(6)計算對應的聯合脫硝成本，再用BP網絡對初始輸入變量進行選擇.變量選擇的目的是消除變量之間的相關性，降低模型的復雜度，筆者主要對相關性較強的鍋爐調整參數x1～x27進行篩選.經過9次篩選，從27個輸入變量中選取10個對脫硝成本影響較大的主導變量，分別為機組負荷x1、3臺給煤機開度x3～x5、1層二次風擋板開度x16、3層一次風擋板開度x17、x19、x20以及2個燃盡風擋板開度x23、x25.以這10個鍋爐調整參數和反映煤種特性的5個參數為模型輸入變量，對應的聯合脫硝成本為模型輸出變量，采用LSSVM方法建立該機組的脫硝經濟性預測模型，預測效果見圖2.

由圖2可知，聯合脫硝成本的預測值與實際值大致分布在對角線附近，模型預測效果良好.采用文獻[20]中的均方根誤差(RMSE)與平均相對誤差(MRE)對該模型進行評價，得出均方根誤差為3.138 2，平均相對誤差為1.2%，數值較小，說明模型預測能力較好，可以用來建立OOED.

圖2　聯合脫硝成本實際值與預測值的對比

4.3機組離線最優專家數據庫

基于所建立的脫硝經濟性預測模型，用GA對選取的235組工況進行離線尋優以建立OOED.由于本文的主要目的是實現鍋爐脫硝經濟性在線優化，給出各Xav的在線最優值以指導運行人員操作，因此本文優化的只是變量選擇后的鍋爐調整參數.機組脫硝優化控制時，優先調整這些變量的取值，其余變量進行冗余調整.在每個歷史負荷點處尋優時，由于機組負荷一定，機組的入爐煤量、給煤機的運行狀態一定，機組負荷x1和3臺給煤機開度x3～x5取值不變，因此只需對剩余的6個Xav進行尋優.為降低優化后各Xav的取值對機組動態特性的影響，在某個歷史負荷點處尋優時，分別選取6個Xav在該歷史負荷點前后15個工況點的數據組成數據集D，將[Dmin,Dmax]作為各Xav的尋優范圍.尋優時，GA的參數設置為：種群數M=80，進化終止代數T=200，交叉率Pc=0.6，變異率Pva=0.01，尋優后的OOED如表2中數量型數值所示.

4.4基于FARM算法的脫硝經濟性優化

將OOED中的數據模糊化，模糊的論域為[-2.5，2.5]，模糊集合的個數為5，對應的語言變量依次表示NB(極低)、NS(低)、ZR(正常)、PS(高)和PB(極高)，選用的隸屬度函數如圖3所示，其中c1～c5表示OOED中各數據的模糊集合中心，為各變量進行K-means聚類后的簇心[18].模糊化后的OOED如表2中模糊型數值所示.

圖3　模糊化隸屬度函數

給定最小支持度和置信度分別為0.4和0.75，利用3.2節中的FARM算法確定模糊關聯規則，最終的規則庫見表3.

表2　遺傳算法尋優后的機組離線最優專家數據庫

表3　模糊關聯規則

根據表3的模糊關聯規則，采用在線FARM算法對選取的235組數據進行脫硝經濟性優化，提取各歷史負荷點下的10個主導變量的在線最優值(見表4).將優化后各Xav的值代入脫硝經濟性預測模型，就能得出優化后的聯合脫硝成本.將GA和FARM算法的優化效果進行對比，結果如表5和圖4所示.

由表5和圖4可知，FARM算法與GA的優化效果接近，都能在一定程度上降低機組的脫硝成本.雖然FARM算法優化時脫硝成本降低的比例低于GA，但每次優化時間僅為0.079 7 s，且CPU占用率較低，非常適合火電機組的在線優化控制.

表4　關聯規則挖掘后機組各Xav的在線最優值

表5　GA和FARM算法的優化效果

此外，在建立模糊關聯推理機模型時，所花時間僅為0.562 s，當機組特性發生變化時，可以快速更新模糊關聯規則庫，實現模糊關聯推理機模型的實時更新.同時，由于FARM算法優化的負荷區段跨越了該機組常運行負荷區間，優化的結果具有較好的指導意義.

圖4　GA與FARM算法優化效果的對比

5結論

(1)針對火電機組脫硝經濟性優化問題，提出了一種基于GA與模糊關聯規則挖掘相結合的脫硝經濟性優化方法，先用GA建立離線最優專家數據庫，再對其中的數據進行模糊關聯規則挖掘，建立關聯規則推理機模型，實現了火電機組脫硝經濟性的在線優化.

(2)通過仿真比較可知，采用所提出的模糊關聯規則推理機模型進行脫硝經濟性優化后，優化效果與GA優化效果接近，且優化時間更短，更新速度快，有助于將其廣泛應用于實際生產過程中.

參考文獻：

[1]楊冬，徐鴻．SCR煙氣脫硝技術及其在燃煤電廠的應用[J]．電力環境保護，2007，23(1)：49-51．

YANG Dong，XU Hong．Discussion on the application of the SCR technology in coal-fired power plants[J]．Electric Power Environmental Protection，2007，23(1)：49-51．

[2]ZHANG Yi， DING Yanjun， WU Zhansong，etal．Modeling and coordinative optimization of NOxemission and efficiency of utility boilers with neural network[J].Korean Journal of Chemical Engineering，2007，24(6)：1118-1123．

[3]夏季，陸攀，華志剛，等．電站鍋爐全局優化智能配煤模型的建立及系統開發[J]．動力工程學報，2010，30(7)：512-517．

XIA Ji，LU Pan，HUA Zhigang，etal．Model set-up and system development for intelligent coal blending based on integral optimization of utility boilers[J]．Journal of Chinese Society of Power Engineering，2010，30(7)：512-517．

[4]呂玉坤，彭鑫，趙鍇．電站鍋爐熱效率和NOx排放混合建模與優化[J].中國電機工程學報，2011，31(26)：16-22．

Lü Yukun，PENG Xin，ZHAO Kai．Hybrid modeling optimization of thermal efficiency and NOxemission of utility boiler[J]．Proceedings of the CSEE，2011，31(26)：16-22．

[5]高芳，翟永杰，卓越，等．基于共享最小二乘支持向量機模型的電站鍋爐燃燒系統的優化[J]．動力工程學報，2012，32(12)：928-933．

GAO Fang，ZHAI Yongjie，ZHUO Yue，etal．Combustion optimization for utility boilers based on sharing LSSVM model[J]. Journal of Chinese Society of Power Engineering，2012，32(12)：928-933．

[6]牛培峰，肖興軍，李國強，等．基于萬有引力搜索算法的電廠鍋爐 NOx排放模型的參數優化[J]．動力工程學報，2013，33(2)：100-106．

NIU Peifeng，XIAO Xingjun，LI Guoqiang，etal．Parameter optimization for NOxemission model of power plant boilers based on gravitational search algorithm[J]. Journal of Chinese Society of Power Engineering，2013，33(2)：100-106．

[7]牛培峰，麻紅波，李國強，等．基于支持向量機和果蠅優化算法的循環流化床鍋爐NOx排放特性研究[J]．動力工程學報，2013，33(4)：267-271．

NIU Peifeng，MA Hongbo，LI Guoqiang，etal．Study on NOxemission from CFB boilers based on support vector machine and fruit fly optimization algorithm[J]．Journal of Chinese Society of Power Engineering，2013，33(4)：267-271．

[8]許昌，呂劍虹，鄭源，等．以效率和低NOx排放為目標的鍋爐燃燒整體優化[J]．中國電機工程學報，2006，26(4)：46-50．

XU Chang，Lü Jianhong，ZHENG Yuan，etal．A boiler combustion global optimization on efficiency and low NOxemissions object[J]．Proceedings of the CSEE，2006，26(4)：46-50．

[9]鄭立剛，周昊，王春林，等．變尺度混沌蟻群算法在NOx排放優化中的應用[J]．中國電機工程學報，2008，28(11)：18-23．

ZHENG Ligang，ZHOU Hao，WANG Chunlin，etal．Application of scaleable chaotic ant colony algorithm in NOxemissions optimization [J]．Proceedings of the CSEE，2008，28(11)：18-23．

[10]李建強，劉吉臻，張欒英，等．基于數據挖掘的電站運行優化應用研究[J]．中國電機工程學報，2006，26(20)：118-123．

LI Jianqiang， LIU Jizhen， ZHANG Luanying，etal． The research and application of fuzzy association rule mining in power plant operation optimization[J]．Proceedings of the CSEE，2006，26(20)： 118-123．

[11]KUSIAK A，ZHE S．Combustion efficiency optimization and virtual testing：a data-mining approach[J]. IEEE Transactions on Industrial Informatics，2006，2(3)：176-184．

[12]霍秋寶，田亮，趙亮宇，等．火電機組不同脫硝方式下的運行費用分析[J]．華北電力大學學報(自然科學版)，2012，39(5)：87-92．

HUO Qiubao，TIAN Liang，ZHAO Liangyu，etal．Analysis of operation costs of thermal power units with different denitration methods[J]. Journal of North China Electric Power University(Natural Science Edition)，2012，39(5)：87-92．

[13]王春昌．脫硝設備入口NOx濃度經濟值的控制[J]．中國電力，2013，46(1)：86-89．

WANG Chunchang．Study on control of economic NOxconcentration at SCR equipment inlet[J]．Electric Power，2013，46(1)：86-89．

[14]楊璐，高自友．用神經網絡進行變量選擇[J].北方交通大學學報，1999，23(3)：53-56．

YANG Lu，GAO Ziyou．Using neural network for variable selection[J]. Journal of Northern Jiaotong University，1999，23(3)：53-56．

[15]洪文鵬，劉廣林．基于最小二乘支持向量機的氨法煙氣脫硫裝置脫硫效率預測[J]．動力工程學報，2011，31(11)：846-850．

HONG Wenpeng，LIU Guanglin．Efficiency prediction for an ammonia flue gas desulphurization system based on least squares-support vector machine[J]．Journal of Chinese Society of Power Engineering，2011，31(11)：846-850．

[16]顧燕萍，趙文杰，吳占松．基于最小二乘支持向量機的電站鍋爐燃燒優化[J]．中國電機工程學報，2010，30(17)：91-97．

GU Yanping，ZHAO Wenjie，WU Zhansong． Combustion optimization for utility boiler based on least square-support vector machine [J]．Proceedings of the CSEE，2010，30(17)：91-97．

[17]鄒磊，梁紹華，岳峻峰，等．1 000 MW超超臨界塔式鍋爐NOx排放特性試驗研究[J]．動力工程學報，2014，34(3)：169-175．

ZOU Lei，LIANG Shaohua，YUE Junfeng，etal．Experimental study on NOxemission of a 1 000 MW ultra supercritical tower type boiler[J]．Journal of Chinese Society of Power Engineering，2014，34(3)：169-175．

[18]蘇巴提，張曉．基于改進的K-means算法的異常檢測[J]．軟件導刊，2011，10(11)：76-78．

SU Bati，ZHANG Xiao．Anomaly detection based on the improved algorithm of K-means[J]．Software Guide，2011，10(11)：76-78．

[19]呂游，劉吉臻，趙文杰，等．基于分段曲線擬合的穩態檢測方法[J]．儀器儀表學報，2012，33(1)：194-200．

Lü You，LIU Jizhen，ZHAO Wenjie，etal．Steady-state detecting method based on piecewise curve fitting[J]．Chinese Journal of Scientific Instrument，2012，33(1)：194-200．

[20]呂游，劉吉臻，楊婷婷，等．基于PLS特征提取和LS-SVM結合的NOx排放特性建模[J]．儀器儀表學報，2013，34(11)：2418-2424．

Lü You，LIU Jizhen，YANG Tingting，etal．NOxemission characteristic modeling based on feature extraction using PLS and LSSVM[J]．Chinese Journal of Scientific Instrument，2013，34(11)：2418-2424．

Economical Optimization of a Boiler Denitration System Based on GA and Fuzzy Association Rules

CUIChao,LIUJizhen,YANGTingting

(School of Control and Computer Engineering, North China Electric Power University, Beijing 102206, China)

Abstract：A prediction model of denitrification cost was established using least squares support vector machines (LSSVM) according to historical data taken from the supervisory information system of a 660 MW coal-fired boiler. Based on the model, an optimal expert database was built up for off-line optimization of the frequently-operating load points by genetic algorithm, from which the associations between unit load and adjustment variables were extracted using fuzzy association rule mining (FARM) algorithm, so as to achieve online adjustment and optimization of various parameters under power grid dispatching conditions. Results show that the algorithm proposed has a close optimization effect and a shorter simulation time on denitrification cost when compared with the genetic algorithm, which therefore is suitable for online optimization and control of thermal power units.

Key words：coal-fired boiler; denitrification cost; fuzzy association rule; genetic algorithm

收稿日期：2015-01-28

修訂日期：2015-06-26

基金項目：國家重點基礎研究發展計劃資助項目(973計劃)(2012CBC215203)

作者簡介：崔超(1990-)，男，云南曲靖人，碩士研究生，主要從事熱工系統建模與數據挖掘方面的研究.電話(Tel．)：17888839980；

文章編號：1674-7607(2016)04-0300-07中圖分類號：TK223

文獻標志碼：A學科分類號：470.20

E-mail：ncepucc@gmail.com．