基于量子遗传算法的锅炉燃烧多目标优化控制方法

技术领域

本发明涉及锅炉燃烧节能减排领域，具体涉及一种基于量子遗传算法的锅炉燃烧多目标优化控制方法。

背景技术

锅炉既是重要的能源转换设备，同时也是能源消耗大户和主要的大气污染源。造成我国严重大气污染的主要原因在于我国的锅炉主要以煤炭作为燃料，大气污染中70％的烟尘和二氧化碳排放量、90％的二氧化硫、67％的氮氧化物来自于燃煤。近年来我国出现的大范围、长时间雾霾天气便与锅炉的低效运行、低空排放密切相关。随着燃煤价格的上涨和污染排放的限制，使锅炉面临着提高锅炉效率与降低污染排放的双重要求，因此迫切需要更好的面向节能、降耗与降低污染的生产过程一体化的锅炉燃烧优化控制方法。

锅炉燃烧优化控制需要对锅炉燃烧过程进行分析，进而建立锅炉燃烧过程的相关模型。锅炉燃烧过程十分复杂，具有强耦合、大滞后，单变量控制效果差、非线性等特点，传统的机理模型实用价值极低。基于人工神经网络、长短时记忆网络、统计回归等算法的数值模型，对锅炉燃烧机理要求较低，不仅通用性好，而且调试、维护成本低，在锅炉燃烧系统建模中使用率逐渐提高。

为了降低污染物排放并节约电厂的运行成本，需要进行锅炉燃烧优化控制。然而，在优化过程中可能会影响锅炉的燃烧热效率。因此，需要进行锅炉燃烧优化控制研究，平衡好锅炉热效率和污染物排放之间的关系，以达到节能减排的目的。量子遗传算法将量子位、量子门等量子计算的概念引入传统的遗传算法中。基因由量子位表示，使得染色体可以表达尽可能多的信息。之后，通过量子门调整量子比特来进行染色体及种群的更新，进而寻找问题最优解。因此，量子遗传算法相比传统遗传算法具有更快的收敛速度和更好的全局最优搜索能力。

因此，锅炉燃烧多目标优化控制是通过长短时记忆网络建立锅炉燃烧的SO

中国专利CN105701347A公开了一种利用锅炉燃烧过程模型实现多目标优化的方法和装置，属于能源电力技术领域。该专利使用锅炉燃烧过程模型，但并未给出锅炉燃烧过程模型，所述的多目标优化目标函数仅包含NOx浓度和锅炉热效率，而锅炉燃烧排放的污染物主要有NOx和SO2，所述的粒子群优化算法在多目标优化中存在局部搜索能力差，容易陷入局部极值，搜索精度低等缺点。本专利采用长短时记忆网络给出了锅炉燃烧的SO2排放浓度模型、NOx排放浓度模型和热效率模型，建立的模型对锅炉燃烧机理要求较低，不仅通用性好，而且调试、维护成本低。采用的多目标优化目标函数包含NOx浓度、SO2排放浓度和锅炉热效率，能够更全面和准确的优化锅炉燃烧过程，降低污染物排放的同时提高锅炉的燃烧热效率。量子遗传算法通过量子门调整量子比特来进行染色体及种群的更新，进而寻找问题最优解，具有收敛速度快、搜索精度高和全局与局部最优搜索能力强等优点。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种基于量子遗传算法的锅炉燃烧多目标优化控制方法。本发明的技术方案如下：

一种基于量子遗传算法的锅炉燃烧多目标优化控制方法，其包括以下步骤：

步骤1、采用长短时记忆网络确定锅炉燃烧过程模型；

步骤2、以锅炉燃烧的SO2排放浓度、锅炉燃烧的NOx排放浓度和锅炉燃烧的热效率为目标函数，以基于模型中所含设备的约束、待优化变量的上下限和锅炉燃烧的热平衡作为约束条件进行优化设计；

步骤3、采用量子遗传算法对多目标问题进行求解；基于量子遗传算法求解出的最优的锅炉燃烧多目标优化控制方法。

进一步的，所述步骤1中，所述锅炉燃烧过程模型包含锅炉燃烧的SO2排放浓度模型、锅炉燃烧的NOx排放浓度模型、锅炉燃烧的热效率模型。

进一步的，所述步骤1中，还包括归一化的步骤，具体包括：

提取锅炉燃烧的运行数据，采用归一化方法对数据进行处理，归一化公式为：

式中x和

进一步的，所述步骤2、以锅炉燃烧的SO2排放浓度、锅炉燃烧的NOx排放浓度和锅炉燃烧的热效率为目标函数，具体包括：

选择可调参数x作为待优化变量，可调参数x为：

x＝[S

其中，S

以锅炉燃烧的SO

min f

其中，x为待优化变量；

以锅炉燃烧的NO

min f

其中，x为待优化变量；

以锅炉燃烧的热效率作为目标函数表示为在不考虑锅炉燃烧的SO

max f

其中，x为待优化变量；

以锅炉燃烧的SO

min f(x)＝m·ρ(SO

其中，x为待优化变量；m、n和p为加权系数。

进一步的，所述步骤2以基于模型中所含设备的约束、待优化变量的上下限和锅炉燃烧的热平衡作为约束的约束条件为：

锅炉燃烧的热平衡约束为：

Q

其中，Q

待优化变量的上下限为：

其中，a

进一步的，所述步骤3采用量子遗传算法对锅炉燃烧多目标优化控制方法问题进行求解，具体包括：

1)运用量子比特初始化父代染色体；

2)对染色体采用量子位的概率幅进行编码；

3)对初始化种群中的每一个个体进行测量；

4)对每个测量值进行适应度的评估，以适应度来选择最优个体，进行遗传变异；

5)使用量子旋转门进行下一代个体的更新；

6)进行迭代；

7)达到终止设定条件，输出最佳个体，得到最优解。

进一步的，所述量子比特指的是信息在传统计算中通过使用0和1的二进制数表示，叫做比特，而信息在量子计算中通过使用微观粒子存在的两种状态表示，叫做作量子比特，并且微观粒子存在的这两种状态可以组合成任意的量子比特。所述5)使用量子旋转门进行下一代个体的更新，具体包括：比较当前个体的适应度f(X)和最优个体的适应度f(Xbest)，若f(X)＜f(Xbest)，则让概率幅(α，β)向着Xbest的方向改变，若f(X)＞f(Xbest)，则相应调整染色体中对应位置的量子比特，让概率幅(α，β)向着X的方向改变。这里需要说明的是，f(X)与f(Xbest)之间的差值越大，则说明需要改变的量子旋转门的旋转角度幅度越大，反之，则改变的幅度越小。

一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如任一项所述基于量子遗传算法的锅炉燃烧多目标优化控制方法。

一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如任一项所述基于量子遗传算法的锅炉燃烧多目标优化控制方法。

一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如任一项所述基于量子遗传算法的锅炉燃烧多目标优化控制方法。

本发明的优点及有益效果如下：

本发明提出了基于量子遗传算法的锅炉燃烧多目标优化控制方法，通过长短时记忆网络建立了锅炉燃烧的SO2排放浓度模型、NOx排放浓度模型和热效率模型。采用长短时记忆网络的数值模型，对锅炉燃烧机理要求较低，不仅通用性好，而且调试、维护成本低。以最锅炉燃烧的SO2排放浓度、NOx排放浓度和热效率模型，建立了多目标优化函数及其约束条件，能够更全面和准确的优化锅炉燃烧过程。用量子遗传算法对建立的多目标优化函数进行求解，量子遗传算法通过量子门调整量子比特来进行染色体及种群的更新，进而寻找问题最优解，具有收敛速度快、搜索精度高和全局与局部最优搜索能力强等优点。最后，量子遗传算法的结果得到最优的锅炉燃烧多目标优化控制方法，从而最大限度地提高锅炉燃烧的热效率，最小化锅炉燃烧的SO

附图说明

图1是本发明提供优选实施例基于量子遗传算法的锅炉燃烧多目标优化控制方法流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。

本发明解决上述技术问题的技术方案是：

本发明方法整体框架流程图如图1所示，首先采用长短时记忆网络确定锅炉燃烧过程模型；锅炉燃烧过程模型中包含锅炉燃烧的SO2排放浓度模型、锅炉燃烧的NOx排放浓度模型、锅炉燃烧的热效率模型。

进一步的，锅炉燃烧过程模型包括锅炉燃烧的SO2排放浓度模型、NOx排放浓度模型和热效率模型。

进一步的，提取锅炉燃烧的运行数据，采用归一化方法对数据进行处理，归一化公式为：

式中x和

进一步的，采用长短时记忆网络建立锅炉燃烧的SO2排放浓度模型，锅炉燃烧的SO

其中，ρ(SO

进一步的，采用长短时记忆网络建立锅炉燃烧的NO

其中，ρ(N O

进一步的，采用长短时记忆网络建立锅炉燃烧的热效率模型，锅炉燃烧的热效率模型为：

其中，η

进一步的，选择可调参数x作为待优化变量，可调参数x为：

x＝[S

其中，S

进一步的，在不考虑锅炉燃烧的NO

所述的目标函数为：

min f

其中，x为待优化变量。

进一步的，在不考虑锅炉燃烧的SO

所述的目标函数为：

min f

其中，x为待优化变量。

进一步的，在不考虑锅炉燃烧的SO

所述的目标函数为：

max f

其中，x为待优化变量。

进一步的，在同时优化SO

所述的目标函数为：

min f(x)＝m·ρ(SO

其中，x为待优化变量；m、n和p为加权系数。

考虑锅炉燃烧的SO2排放浓度、锅炉燃烧的NOx排放浓度和锅炉燃烧的热效率，并建立目标函数。

对建立的模型以及建立的目标函数做出约束条件。

锅炉燃烧的热平衡约束为：

Q

其中，Q

待优化变量的上下限为：

其中，a

用量子遗传算法对建立的锅炉燃烧过程模型的四目标函数求最优解，步骤如下：

1)运用量子比特初始化父代染色体；

2)对染色体采用量子位的概率幅进行编码；

3)对初始化种群中的每一个个体进行测量；

4)对每个测量值进行适应度的评估，以适应度来选择最优个体，进行遗传变异；

5)使用量子旋转门进行下一代个体的更新；

6)进行迭代；

7)达到终止设定条件，输出最佳个体，得到最优解；

本发明利用量子遗传算法，通过满足最小化污染物排放浓度和最大化热效率来实现锅炉燃烧多目标优化控制，从而最大限度地提高锅炉燃烧的热效率，最小化锅炉燃烧的SO2排放浓度和NOx排放浓度，降低污染物排放的同时提高锅炉的燃烧热效率。使锅炉燃烧的整体性能达到最佳，达到节能减排的目的。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。