免疫多目標優(yōu)化算法及其在鍋爐燃燒優(yōu)化中的應用研究.pdf

1、電站鍋爐的高效運行與低污染排放是我國“節(jié)能減排”的重要內容，對鍋爐進行燃燒性能預測和優(yōu)化以達到節(jié)能減排的目標具有重要的現實意義和工程應用價值。本文研究的鍋爐燃燒優(yōu)化方法屬于基于人工智能的燃燒優(yōu)化的范疇，該方法根據現場采集的數據進行黑箱建模，并在鍋爐運行過程中，采用人工智能優(yōu)化算法確定最佳控制方案，通過控制的手段，實現鍋爐的高效率、低排放等多目標優(yōu)化運行。主要研究內容包括:
　　 1.多目標優(yōu)化算法的關鍵問題研究。提出了一種新的基

2、于免疫識別的非支配集求解方法(IRBA)，并對分群多目標優(yōu)化算法特有的記憶集處理方法進行了研究。IRBA每輪循環(huán)直接先找出若干個非支配解作為“自我”，然后采用多路比較的方法，通過“自我”去識別“非我”，刪除識別出的支配解，從而獲得候選解的非支配集。針對記憶集處理問題，提出了采用分群方法處理記憶集的思路，并在此基礎上進一步提出了有偏好的記憶集分群處理方法與帶參數選擇的記憶集分群處理方法。
　　 2.針對鍋爐效率與NOx排放穩(wěn)態(tài)建模

3、參數選擇與穩(wěn)態(tài)工況優(yōu)化問題，提出了一種新的基于免疫細胞亞群的多目標優(yōu)化算法(ICSMOA)。ICSMOA根據偏好將免疫細胞分為多個亞群，各亞群針對不同的偏好設置不同的比例，最優(yōu)解集亦分為多個亞群。處于偏好區(qū)域內的解保留較大比例，而處于偏好區(qū)域外的解則稀疏保留，這樣一方面方便決策者作出決策，另一方面在決策者偏好發(fā)生變化時，可以使算法做出快速反應。通過對經典多目標優(yōu)化問題的仿真計算驗證了算法的有效性。將ICSMOA應用于鍋爐效率與NOx排放

4、穩(wěn)態(tài)建模參數選擇與穩(wěn)態(tài)工況優(yōu)化中，仿真結果也表明了ICSMOA在鍋爐效率與NOx排放優(yōu)化中的適用性。
　　 3.針對鍋爐效率與NOx排放動態(tài)建模參數的尋優(yōu)問題，提出了一種新的免疫多目標自適應算法(AIMA)。AIMA可以根據運行結果自適應地調整模型參數值，以達到參數尋優(yōu)的目的。AIMA借鑒免疫細胞原理與克隆選擇原理，初始時細胞群體無劃分，在執(zhí)行過程中，根據記憶集中亞群的變化，自適應產生各種階次的細胞亞群。使用該算法進行參數搜索不

5、需要太多先驗知識，根據尋優(yōu)結果確定相關目標參數，從而可以減少主觀性。對兩個非線性系統的仿真實例驗證了算法確定參數的準確性。將該方法應用于鍋爐效率與NOx排放動態(tài)建模的參數尋優(yōu)中，仿真結果亦表明，尋優(yōu)獲得的參數是合理的，所建立的鍋爐效率與NOx排放動態(tài)模型是可以滿足控制需求的。
　　 4.針對多目標預測控制中的滾動優(yōu)化問題，提出了免疫混沌多目標蜂群算法(ICABCMOA)。蜂群算法每輪搜索都包含全局搜索、局部搜索與隨機搜索，因而其

6、搜索效率較高，適合于高維數據應用。免疫混沌多目標蜂群算法采用混沌來保持解的分布性，并用免疫疫苗與基因重組來加快收斂。對經典多目標優(yōu)化問題的仿真計算驗證了算法求解高維決策變量優(yōu)化問題的優(yōu)異性能。通過對算法解的產生方式、記憶集的處理方案進行適當改進，ICABCMOA被進一步應用于求解鍋爐燃燒優(yōu)化預測控制的滾動優(yōu)化問題，以NOx排放、鍋爐效率及控制量的變化量作為優(yōu)化目標，每步的控制量都是在綜合考慮了三個目標的Pareto優(yōu)解集中按照某種準則選