（动力机械及工程专业论文）热工过程中的数据校正和多目标优化研究.pdf

摘要摘要题名：热工过程中的数据校正和多目标优化研究姓名：陈强导师：王培红( 教授)学校：东南大学正文：本文对热工过程中的数据校正( 数据协调和显著误差检测) 和多目标优化问题进行了研究，论文的主要内容为：1 研究和探讨了热工过程中的数据校正算法模型。建立了数据校正的基本理论模型，数据校正包括数据协调( 参数估计) 和显著误差检测，详细分析了基于矩阵投影的数据协调算法、基于数字滤波的数据协调算法，研究了基于测量残差的测量检验法、基于约束残差的节点检验法和整体检验法的显著误差检测与识别方法；研究了数据校正算法在电站系统性能在线计算中的应用，首次运用u m l建模技术建立了热工过程中基于热力特性的数据校正类层次体系结构，使算法具有极强的继承性和推广能力。“2 研究了多目标优化的算法模型。多目标优化问题的最优解与单目标优化问题的解有着本质上的不同，为正确求解多目标优化问题，建立了多目标优化问题的一般数学模型并对多目标优化问题的解的概念进行了定义。介绍了多目标优化问题的常规算法( 线性加权和法、理想点法、主要目标法、分层排序法和分组排序法) ，研究了标准遗传算法及其改进策略，详细分析了当今p a r e t o 概念意义下的多目标优化演化算法，提出了一种改进的p a r e t o 多目标遗传算法。3 研究了多目标优化算法在锅炉燃烧优化中的应用。介绍了锅炉n o x 生成机制、影响因素和控制方法，提出了一种改进的锅炉效率在线计算模型；在n o x 影响因素分析和锅炉燃烧特性实验的基础上，建立了电站锅炉污染物排放的b p 神经网络模型，并通过实验数据验证了网络模型，确认网络具有良好的泛化能力。并以此为基础，建立了电站锅炉n o x 排放与效率的响应特性的神经网络型与函数型混合模型，在特性模型的基础上构筑了锅炉高效低污染多目标优化的目标函数，确定了相关的决策变量和约束条件，并首次运用多目标演化算法对其进行了求解，得到了p a r e t o 前沿。对得到的p a r e t o 非劣解集进行了分析，分析结果与相关的定性分析结论相一致，为电站锅炉燃烧优化调整提供了依据和指导。关键词：数据协调显著误差检测多目标优化p a r e t o 演化算法n o x 锅炉效率神经网络a b s t r a c ta b s t r a c tt i t l e ：r e s e a r c ho nd a t ar e c t i f i c a t i o na n dm u l t i o b j e c t i v eo p t i m i z a t i o ni nt h e r m a lp r o c e s sn a m e ：c h e nq i a n gs u p e r v i s o r ：p r o f w a n gp e i h o n gs c h o o l ：s o u t h e a s tu n i v e r s i t yt e x t ：d a t ar e c t i f i c a t i o na n dm u l t i o b j e c t i v eo p t i m i z a t i o ni nt h e r m a lp r o c e s sa r es t u d i e di nt h et h e s i s t h em a i nc o n t e n t sa n da c h i e v e m e n t sc a r lb ed e s c r i b e da sf o l l o w ：1 d a t ar e c t i f i c a t i o na l g o r i t h mi nt h e r m a lp r o c e s si ss t u d i e di nt h et h e s i s t h ef u n d a m e n t a lt h e o r e t i c a lm o d e lo fd a t ar e c t i f i c a t i o ni sd e v e l o p e d d a t ar e c t i f i c a t i o ni sm a d eu po fd a t ar e c o n c i l i a t i o na n dg r o s se r r o rd e t e c t i o na n di d e n t i f i c a t i o n d a t ar e c o n c i l i a t i o na l g o r i t h mb a s e d0 1 1m a t r i xp r o j e c t i o na n dd i g i t a lf i l t e r i n gi sa n a l y z e di nd e t a i li nt h et h e s i s i no r d e rt od e t e c ta n di d e n t i f yt h eg r o s se r r o ri nt h em e a s u r ed a t a ，m e a s u r e m e n tt e s tb a s e d0 nm “t s n r e m e n tr e s i d u a l ，c o n s t r a i n tt e s ta n dg t o b a l r e s tb a s e do nc o n s t r z i n tr e s i d u a la l es t u d i e di nt h et h e s i s t h ea p p l i c a t i o no fd a t ar e c t i f i c a t i o na l g o r i t h mi n o n l i n ep e r f o r m a n c ec a l c u l a t i o ni np o w e rs t a t i o ni sb r i e f l yp r e s e n t e di nt h et h e s i s 2 m u l t i o b j e c t i v eo p t i m i z a t i o na l g o r i t h mi ss t u d i e di nt h et h e s i s m u l t i o b j e c t i v eo p t i m i z a t i o np m b l e m sa r ee s s e n t i a l l yd i f f e r e n tf r o ms i n g l eo b j e c t i v eo p t i m i z a t i o np r o b l e m s i no r d e rt os o l v em u l t i o b j e c t i v eo p t i m i z a t i o np r o b l e m s ，t h eg e n e r a lm a t h e m a t i cm o d e lo fm o p s ( m u l t i o b j e c t i v eo p t i m i z a t i o np r o b l e m s ) i sd e v e l o p e da n dt h e nt h ed e f i n i t i o no fs o l u t i o nt om o p si sm a d e ，t r a d i t i o n a la p p r o a c h e st os o l v em o p sa r ei n t r o d u c e d ，s u c ha sw e i g h t i n gm e t h o d g e n e t i ca l g o r i t h ma n di t si m p r o v e m e n ti ss t u d i e da n dm u l t i o b j e c t i v ee v o l u t i o n a r ya l g o r i t h m sa r ea n a l y z e di nd e t a i li nt h et h e s i s s u c ha sv e g a ，n s g a n s g a - i i ，n p g a ，s p e m s p e a 2 ，e t c 3 a p p l i c a t i o no fm u l t i - o b j e c t i v eo p t i m i z a t i o na l g o r i t h m si nb o i l e rc o m b u s t i o no p t i m i z a t i o ni ss t u d i e di nt h et h e s i s t h ec r e a t i o nm e c h a n i s m ，i n f l u e n t i a lf a c t o r sa n dc o n t r o la p p r o a c h e so fn o xe m i s s i o na r ea n a l y z e d ai m p r o v e ds i m p l i f i e do n l i n ec a l c u l a t i o nb o i l e re f f i c i e n c ym o d e li sd e v e l o p e da n dab pn e u r a ln e t w o r ki sb u i l tt of o r e c a s tt h ev o l u m e so fn o x ，c a r b o ni nf l ya s ha n do x y g e ni ns m o k eb a s e do nt h ea n a l y s i so fi n f l u e n t i a lf a c t o r so fn o xe m i s s i o na n db o i l e rc o m b u s t i o ne x p e r i m e n t t h et e s to fe x p e r i m e n t a ld a t ap m v e dt h a tt h eb pn e u r a ln e t w o r kh a dg o o dg e n e r a l i z a t i o n b a s e do nt h eb pn e u r a ln e t w o r ka n dt h ei m p r o v e db o i l e re f f i c i e n c ym o d e l ，t h en o xe m i s s i o na n de f f i c i e n c yr e s p o n s ec h a r a c t e r i s t i c sm o d e lo fc o a l f i r e db o i l e rw a sb u i l t b a s e do nt h i sr e s p o n s ec h a r a c t e r i s t i c sm o d e lt h eo p t i m i z a t i o nm o d ew i t ht w oo b j e c t i v e s ( b o i l e re f f i c i e n c y ，v o l u m e so f n o x ) w a sb u i l t t h ep a r e t of r o n tw a so b t a i n e du s i n gm u l t i o b j e c t i v ee v o l u t i o n a r ya l g o r i t h m sa n dt h e na n a l y s i sa n dd i s c u s s i o nw a sm a d eo nt h ep a r e t oo p t i m a ls e t sk e y w o r d s ：d a t ar e c o n c i l i a t i o n ，g r o s se r r o rd e t e c t i o n ，m u l t i o b j e c t i v eo p t i m i z a t i o n ，p a r e t o ，e v o l u t i o n a r ya l g o r i t h m ，n o x ，b o i l e re f f i c i e n c y ，n e u r a ln e t w o r ki j东南大学学位论文独创性声明本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得东南大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均己在论文中作了明确的说明并表示了谢意。研究生签名：埠日期：东南大学学位论文使用授权声明东南大学、中国科学技术信息研究所、国家图书馆有权保留本人所送交学位论文的复印件和电子文档，可以采用影印、缩印或其他复制手段保存论文。本人电子文档的内容和纸质论文的内容相一致。除在保密期内的保密论文外，允许论文被查阅和借阅，可以公布( 包括刊登) 论文的全部或部分内容。论文的公布( 包括刊登) 授权东南大学研究生院办理。研究生签名：! 墅乒导师签名：薹盎趁：1 1 珀期：! 芝堡型堑!掣第，章绪论第一童绪论1 1 论文选题的背景论文选题结合科研项目“太原一电厂管控一体化系统”( 该项目是2 0 0 2 年东南大学动力系与南京富岛信息工程有限公司合作开发了先期针对太一1 3 # 和1 4 # 机组的管控一体化系统( 简称p s h i c i s ) ) 和江苏省自然科学基金资助项目神经网络技术在燃烧过程优化中的应用基础研究( 编号为b k 2 0 0 1 0 0 5 ) 。随着电力行业的市场化改革，“厂网分开，竞价上网”的实施，电力市场逐步扩大，企业间的竞争日益激烈，成本控制也越来越受到重视，节能降耗工作成为电站或电力公司参与竞争的必由之路川。为此各电站或电力公司相继投运过程监控、性能监测、运行优化、设各故障诊断以及发电报价、决策支持等系统，并不同程度地取得了经济效益。事实上，这些系统的运行都要求准确的测量数据作为基础，然而实际测量中受到传感器、变送器等仪表精度、测量原理、测量方法和生产环境的影响，所测得的数据不可避免地会带有误差口j ；使得测量值不能精确地符台热工过程中一些内在的物理和热力学规律，造成测量数据的不平衡性”】。测量误差又分为随机误差和显著误差两大类，前者受随机因素的影响，通常服从于一定的统计规律；后者可能由于仪器仪表失灵、操作不稳定和设备泄漏等引起。另一方面，由于安装测试仪表和进行测试的代价昂贵、测量技术不可行、条件苛刻不允许采样或仪表因故不工作等原因，使得不可能采集到所有的测量值，造成生产过程测量数据的不完整性o j 。数据的不平衡性和不完整性，使得许多过程优化、仿真和控制无法发挥作用，甚至造成决策的偏差。目前已经建成和正在开发的企业综合自动化系统，都受到数据不完整性和不准确性的困扰，随着系统规模的不断扩大和复杂性的提高，这一问题将更加突出，因此，对于生产过程的测量值进行处理，以提高其精确性和完整性，这一环节是必不可少的。数据校正就是利用冗余信息，综合统计分析、过程机理模型和辨识技术、优化技术等，对实际测量数据进行处理，消除数据中包含的随机误差和显著误差，并设法估计出未测变量，从而提高测量数据的质量。数据校正的工作主要包括数据协调和显著误差检测，数据协调技术的主要目的是消除测量数据中随机误差，给出其协调值，并设法用已测数据对未测数据和未知参数予以估算；显著误差检测技术的主要目的是对测量数据中的显著误差进行检测和识别或估算其真实值。数据协调和显著误差检测问题起源于化工领域【4 j ，目前已取得了初步的应用，并产生了一些商业软件”1 ，如法国t e c h n i p s c g i 公司的d a t r e c ，美国s i m c s i 公司的d a t a c o n ，英国k b c 公司的d a t a f i n e 等；而在热工领域，有关方法的研究乃至工业中的应用在国内还很少见。因此，研究和探讨热工过程中的数据校正算法具有重要的工程意义。数据校正的实施，提高了数据的可靠性和准确性，为过程监控、性能监测、仿真和优化等提供了坚实的基础。热工过程中存在多种优化问题，这些优化问题往往涉及众多的热力对象和设备，常常具有多变量非线性多目标等特征，这些目标之间往往相互制约甚至相互矛盾。由于热工过程中机理的复杂性，难以得到解决多目标优化问题的一般机制和算法。为解决电站系统广泛存在的多目标优化问题，有必要研究多目标优化问题的算法和一般实现机制。目前，电站锅炉的运行面i 临降低运行成本与降低污染物排放的双重要求，高效低污染的燃烧优化问题日益引起关注”j ，而锅炉燃烧中n o x 生成的控制原则与提高锅炉燃烧效率的技术原则存在着相悖之处。运行中片面追求锅炉热效率最高，会使n o x 的排放量增加，造成环境污染的加重；而过分追求n o x 等污染物排放量的降低，也会使锅炉的各项熟损失增大，影响锅炉运行的经济性。提高锅炉运行的经济性，要从节煤、降低排污费用两方面综合考虑。因而如何优化运行参数，必须是在堡堕查兰墅主兰堡堡苎兼顾锅炉效率的前提下降低n o x 的排放。可见锅炉高效低污染燃烧优化问题是一个典型的多目标优化问题。1 2 数据协调和显著误差检测技术发展数据校正问题起源于6 0 年代，并最早在化工领域中展开研究，k u e h n 和d a v i d s o n 于1 9 6 1 年”l提出对测量的过程数据需要进行校正，揭开了过程控制中数据校正的序幕。r i p p s ( 1 9 6 5 年) 指出过失误差的存在会影响数据协调结果的正确性，此后显著误差检测成为数据校正的重要一部分”】。经过二十年左右的理论研究，n 8 0 年代这一技术已逐步应用到化工工业过程中，其应用领域包括( 1 ) 计划与统计管理：工厂的计划管理、统计报表和生产决策都要以生产装置的测量数据为依据，带有误差的测量数据会使管理人员无法掌握工厂的真实情况，使用数据校正技术可以为管理人员提供可靠的生产数据；( 2 ) 过程监测：使用数据校正技术在线分折过程数据，可以有效地跟踪设备和装置的运行状态，识别仪器出错和失灵的情况；( 3 ) 实时优化与控制：实时优化的任务是把针对连续生产过程的特点，把优化控制目标放在提高产品质量、节约能耗、降低成本等以适应市场需求增强市场竞争能力上，将数据校正技术与流程优化技术联台使用，可提供可靠的过程优化控制与操作方案。如果不经过数据校正处理，优化控制的作用就可能被测量误差所掩盖；( 4 ) 设备性能分析：数据校正软件可全程地追踪关键设备和装置的行为；( 5 ) 仪表配置与管理：数据校正技术中冗余分析可确定最佳测点的位置。因此，该技术作为设计工具，可协助仪表工程师设计出最经济、安全、可靠和有效的控制仪表系统，同时使用数据校正技术能使操作者密切地监督仪表的运行情况，在繁多的仪表中确定哪些需要重新标定或检修。目前，数据校正技术的商品化软件已经问世，其中较为著名的有法国t e c h n i p s c g i 公司的d a t r e c ，美国s i m c s i 公司的d a t a c o n ( 提供与d c s 系统的监控) ，英国k b c 公司的d a t a f i n e ( 提供与s q l 、o r a c ie 数据库软件的接口) 以及美国a b bs i m c o n 公司的r m b 等软件。近年来，基于小波分析的过程数据校正技术成为数据校正研究领域中个热点，小波分析【”属于时频分析的一种，它在时频两域都具有表征信号局部特征的能力，适合于分析具有多尺度性质的测量信号，采用小波变换，可以将具有多尺度特征的测量信号分解为一系列尺度处的尺度信号和细节信号。尺度信号是对原始信号的一种近似，代表原始信号的低频部分：细节信号表达了相邻两尺度信号之问的差异，代表原始信号的高频部分：采用小波变换可以将测量数据或信号中包含确定性特征和随机性特征分离开来，用少数相对较大的系数去捕获确定性特征，同时近似消去稳态自关联误差的相关性。基于小波分析的过程数据中随机误差的校正方法有多尺度消噪法”j 、多尺度限幅消噪法”】、平移不变校正法”、边界修正平移不变校正法【l ”、多尺度在线数据校正法”和多尺度主成分分析法【“1 等；使用小波分析的过程数据显著误差校正方法有鲁棒多尺度在线数据校正法”“、多尺度贝叶斯数据校正”和多尺度贝叶斯e i v 法”。目前，基于小波分析的校正技术只能用于校正来自线性稳态或动态过程系统的测量数据或信号，将其推广到非线性过程还需进一步的研究。另外，神经元网络方法作为过程建模、诊断及控制的有效手段，近年来在非线性数据校正领域中开始受到重视和研究”“，和传统方法相比，神经元网络法作为非参数模型估计方法，只要求利用历史数据进行训练，不需要掌握过程本身的精确机理模型，避免了过程模型误差可能带来的估计误差，此外，神经网络法突破了对约束条件的假设，不需要对测量数据中随机误差的分布做特殊要求，与迭代的非线性规划相比，神经元网络法计算迅速，适合在线运行。但使用神经网络法前，需要大量的处于相应操作区间的样本数据进行训练，因此样本数据的选择的质量将直接影响神经网络法的性能，而且当操作条件发生变化，必须进行新的网络训练过程。1 3 多目标优化问题的研究概况当系统只有一个目标函数的优化问题称之为单目标优化问题。但实际遇到的系统或系统工程中，要考虑的目标不止一个，而是二个、三个，甚至更多。如在生产管理和科研设计中，通常要求系统2第一草绪论的质量好、产量高、成本低、周期短等项指标。大多数实际的工程优化问题本身具有多目标的特性，因为它们通常有几个目标( 往往是相互冲突的) 必须同时得到满足，这类问题被称为多目标优化问题。多目标优化问题一直以来都是工程应_ h j 领域内的一个难题，导致多目标问题难以求解的主要原因是子目标往往相互联系、制约甚至相互冲突”。传统的多目标优化方法往往将其转化为各目标之加权和，然后采用单目标的优化技术。但是，这样做存在几大缺点”：a 不同性质的目标之阔单位不一致不易作比较：b 各目标加权值的分配带有较大的主观性：c 优化目标仅为各目标的加权和，优化过程中各目标的优化进展不可操作：d 各目标之间通过决策变量相互制约，往往存在相互矛盾的目标，致使加权目标函数的拓扑结构十分复杂。多目标优化问题不存在惟一的全局最优解，而是存在多个最优解的集合多目标问题最优解集中的元素就全体目标而言是不可比较的，一般称为p a r e t o 最优解集这一概念是v i l f r e d op a r e t o 于1 8 9 6 年在其“政治经济学教程”一书中提出的。最优解域中的点集是最优的，是指在一向量组里在不致于导致其它i i 标下降时，不能再进一步优化某一个目标。它是对于一些解不可能进一步优化某一个或几个目标而其他目标不至于劣化，因此也称为非劣最优解集p a r e t o 最优概念是建立在集合论基础上对多目标解的一种向量评估方式而传统的数学规划法与模拟退火算法是以单点搜索为特征的串行算法，不可能利用p a r e t o 最优概念对解进行评估因此p a r e t o 最优概念虽然提出来已百年有余，但却仍无传统算法意义上的相关算法i 1 基于种群操作的演化算法可以隐并行地搜索解空间的多个解，并能利用不同解之间的相似性来提高其并发求解问题效率，如果与p a r e t o 虽优概念相结合，有可能产生真正基p a r e t o 最优概念的多目标优化的演化算法，实现对非劣最优解集的搜索。早在1 9 6 7 年，r o s e n b e r g 口在其博士学位论文中曾提到可用遗传搜索算法来求解多目标的优化问题，但直至u 1 9 8 5 年才出现基于向量评估的遗传算法v e g a ( v e c t o re v a l u a t e dg e n e t i ca l g o r i t h m ) ”7 1 ，这是第一个多目标演化算法m o e a ( m u l t i o b j e c t i v ee v o l u t i o n a r ya l g o r i t h m ) ，但v e g a 仍然不是基p a r e t o 晟优概念的演化算法，v e g a 算法本质上仍然是加权和方法。自1 9 8 5 年演化算法首次应用于多目标优化以后，它在这一领域的优势逐渐被认可，多目标演化算法也开始被广泛地研究和应用于工程实践中。由于进化算法没有对目标函数先验认知的要求，而且可以对定义空间进行广泛的搜索，从而可以得出更令人满意的解。多目标演化算法已经成为多目标优化问题领域中最具鲁棒性的算法，也是应用得最多的一种算法。多目标进化算法在这十几年中得到了巨大的发展，1 9 9 0 年后相继提出了不同的多目标演化算法，m o g a ( m u l t i o b j e c t i v e g a ，1 9 9 3年) 2 ”、非劣性分层遗传算法n s g a ( n o n d o m i n a t e ds o r t i n gg a ，1 9 9 4 ：1 ) p 2 1 n s g a i i ( 2 0 0 2 年) ”、小组决胜遗传算法n p g a ( n i c h e dp a r e t og a ，1 9 9 4 年) 2 4 1 强度p a r e t o 多目标演化算法s p e a ( s t r e n g t hp a x e t oe v e l u t i o n a r ya 1 9 0 r i t h m ，1 9 9 8 ：匀e ) f 2 5 埘埘】，s p e a 2 ( 2 0 0 2 年) 1 2 8 】【2 卅【3 0 1 ，p a e s ( p a r e t oa r c h i v e de v o l u t i o ns t r a t e g y ，1 9 9 9 年) 3 1 1 ，p e s a ( p a r e t oe n v e l o p e b a s e ds e l e c t i o na l g o r i t h m ，2 0 0 0 年) t 3 z j p e s h - i i ( 2 0 0 1年) 【3 ，已成为基于p a r e t o 最优概念的多目标演化算法研究工作的奠基石。但是，多目标进化算法它本身还存在许多问题”。首先是它的基本理论的研究滞后于其应用研究 3 4 1 ，例如，直到目前仍无理论支持某一个m o e a 算法能够用数学方法充分证明其收敛于真正意义上的p a r e t o 解集。m o e a 研究最困难的问题可能属如何度量一个多目标进化解的质量好坏”“，目前为止实际只能使用直观测度。其次是算法并行化步伐比较缓慢。还有算子的选择、适应值赋值方法、选种配对机制、多目标演化种群动力学行为及其稳定性分析、种群更新终止条件以及实际多目标优化问题的演化求解等，这些问题都有待于进一步研究解决u “。1 4 论文的主要内容本文在化工领域中数据协调和显著误差检测的启发下，将数据校正技术引入热工过程，本文第二章对热工过程中的数据校正算法模型做了一些研究和探索性的工作；为解决锅炉高效低污染燃烧这一多目标优化问题，本文第三章系统性地研究了多目标优化算法，重点介绍了当今基于p e m e t o 概3东南大学碗士学位论文念的多目标演化算法，提出了一种改进的p a r e t o 多目标遗传算法；本文第四章分析了n o x 的生成机理、影响因素和控制方法，提出了一种基于a s m e 标准的适合在线计算的锅炉效率模型t 建立了电站锅炉污染物排放的神经网络预测模型，建立了锅炉n o x 排放与效率响应特性的神经网络型和函数型混合模型，并创新地运用多目标演化算法求解锅炉高效低污染燃烧优化问题。1 4 1 热工过程中的数据校正算法模型研究数据校正问题的基本理论模型是进行数据校正的基础和前提，本文介绍了基本概念、数据协调基本模型、显著误差检测与识别的基本概念，建立了数据校正的基本理论模型。研究了基于矩阵投影的数据协调算法、基于数字滤波的数据协调算法；研究了基于测量残差的测量检验法、基于约束残差的节点检验法和整体检验法的显著误差检测与识别方法；研究了数据校正算法在电站系统性能在线计算中的应用，首次运用u m l 建模技术建立了热工过程中基于热力特性的数据校正类层次体系结构，使算法具有极强的继承性和推广能力。1 4 2 多目标优化的算法模型研究热工过程中广泛存在多目标优化问题，在很多情况下，各个子目标有可能是相互冲突的，一个子目标的改善有可能会引起另一个子目标性能的降低，也就是说，要同时使这些子目标都一起达到最优值是不可能的，而只能是在它们中间进行协调和折中处理，使各个子目标函数尽可能地达到最优。多目标优化问题的最优解与单目标优化问题的解有着本质上的不同，为正确求解多目标优化问题，建立了多目标优化问题的一般数学模型并对多目标优化问题的解的概念进行了定义。研究了多目标优化问题的常规算法，包括线性加权和法、理想点法、主要目标法、分层排序法和分组排序法。研究了标准遗传算法及其改进策略，研究了当今基于p a r e t o 最优概念的多目标优化的演化算法，包括v e g a 算法，n s g a n s g a - i i 算法，n p g a 算法和s p e a s p e a 2 算法，在此基础上提出了一种改进的p a r e t o 多目标遗传算法。1 4 3 多目标优化算法在锅炉燃烧优化中的应用锅炉高效低污染燃烧优化问题是一个典型的多目标优化问题，为对此优化问题进行寻优，必须建立描述锅炉燃烧过程中污染物排放和锅炉燃烧效率的效率响应特性模型，用以构造优化问题的目标函数。本文分析了电站锅炉n o x 的生成机制、影响因素和控制方法，研究了a s m e 标准的锅炉效率计算模型，提出了一种基于a s m e 标准的适合在线计算的锅炉效率模型，并分析了影响锅炉运行经济性的因素。研究了b p 神经网络的分析与设计方法，建立了锅炉污染物排放的神经网络预测模型，改进了初始权值的形成方式，使网络模型具有良好的稳健性，并以此为基础建立了电站锅炉n o x 排放与效率的响应特性模型。在锅炉n o x 排放与效率的响应特性模型基础上，建立了锅炉燃烧优化问题的数学描述、确立了相关的决策变量和约束条件，并创新地运用多目标优化算法对其进行了求解，得到了p a r e t o 概念下的最优解集并对其作了分析，为锅炉燃烧优化调整提供了依据和指导。4第二章热工过程中的数据校正算法模型研究2 1 概述第二章热工过程中的数据校正算法模型研究随着计算机技术和控制技术的发展，电站自动化水平不断提高，各电站或电力公司相继投运过程监控、性能监测、运行优化、设备故障诊断以及发电报价、决策支持等系统，数据的采集量大大增加，测量数据作为对生产状况的直接反映得到了突出的重视，准确的测量数据将为监控、优化、计划调度及决策分析提供坚实的基础。通常在过程工艺、工程及自动控制的设计、研究和生产操作中，经常要分析来自单元设备、甚至复杂过程的一系列测量数据，以便掌握它们的运行特性、改善操作。有时用这些测量的数据确定数学模型的未知参数，用测量值作反馈控制，实现过程监控或摄优化控制。根据测量数据作出单元设备或全过程的物料平衡和热量平衡，为设计分析提供数据等等。所以，测量数据是许多技术工作的基础和出发点，它的可靠性和正确性直接影响上述工作的质量。一般情况下，热工过程数据( t h e r i n a lp r o c e s sd a t a ) ，又称工艺数据，指的是流量、温度和压力等等。由于测量中不可避免的误差，测量值不能精确地符合热工过程的一些内在物理和热力学规律，如物料平衡、热量平衡等等。这种现象称为测量数据的不平衡性。产生不平衡性的原因是测量数据有误差，它又可以分为随机误差和显著误差。前者受随机因素的影响而产生，服从一定的统计规律，任何测量数据都含有随机误差。后者主要由以下几种情况引发：仪表发生故障而无法正常工作：仪表偏差较大；过程模型不匹配：过程设各存在泄漏；过程偏离稳态”。另一方面，从热工装置采集到的测量数据是不完整的。例如由于安装测量仪表和进行测试的代价昂贵，测量技术不可行，条件苛刻不允许采样或仪表因故不工作等原因，使得不可能采集到所有测量值。数据的不平衡性和不完整性给过程分析和研究工作带来了许多困难，甚至失败。为此，需要对热工过程变量的测量值进行处理，以提高其准确性和平衡性。同时对没有测量的过程变量( 有时也称参数) ，设法用已测数据和一些物理或热学规律予以估算。数据经过这种去伪存真的加工处理后，有用的信息量就得到很大的增加。测量数据的显著误差检测和校正越来越引起重视，尤其在化工行业已取得了初步的应用，化工领域中数据协调和显著误差检测问题，从六十年代 4 1 开始得到广泛、深入的研究，在工业中得到了广泛的重视和应用口”，在理论上也取得了较大的进展。在国内，该领域的介绍与研究是八十年代中期t 3 9 柏1 以后的事情。而在热工领域，有关方法的研究乃至工程中的应用在国内还很少见，针对这种现状，本文将对热工过程中的数据校正技术进行研究和探讨。2 2 数据校正问题的基本模型2 2 1 基本概念数据具有冗余度( r e d u n d a n c y ) 是对测量数据进行校正的基础和前提，数据冗余是指为了准确地确定系统的状态，实际测量的数据比不存在测量误差时所需测量的数据多出一部分”j 。冗余包括时间冗余和空间冗余。时间冗余是指对同一个测量点进行多次测量产生的冗余，时间冗余度定义为测量次数减1 。空间冗余是指由于过程内部的连接( 表现为平衡方程) 导致数据的冗余，空间冗余度定义为独立的平衡方程数减去未测量变量和待估计的参数的个数。数据的冗余度愈高，计算得到的校正值精度也愈高。过程中涉及变量很多，根据数据被测量与否，可以分成已测变量和未测变量。已测变量中可以5銮堕查堂堕主堂垡笙苎根据平衡方程由其它已测变量计算出来的的称为冗余型( 或校正型) 己测变量，否则称为非冗余型( 或不可校正型) 己测变量；未测变量中可以根据平衡方程由已测变量唯一确定的称为可观测型( 或可估计型) 未测变量，否则称为不可观测型( 或不可估计型) 未测变量。总之，已测变量根据其冗余型分为可校正变量和不可校正变量；未测变量根据其能否被估算出来，分为可观测和不可观测未测变量。在进行数据校正的过程中，只有可校正型的己测变量和可估计型未测变量能够参与计算，不可校正型已测变量和不可估计型未测变量则不参与计算。如果作校正和估算运算前不把非校正型测量数据和不可观测的未测数据剔除，则会产生秩为零的矩阵求逆问题而使计算工作无法进行”1 。利用冗余对测量变量进行随机误差的剔除，使其满足基本的约束关系，该过程称为数据协调( d a t ar e c o n c i l i a t i o n ) ：对未测变量中可估计型未测变量进行估计的过程称为参数估计( p a r a m e t e re s t i m a t i o n ) 1 4 “。在数据校正技术中，参数估计般不作为一个独立的过程出现，通常将其纳入到数据协调中一并加以考虑。如果测量数据中包含显著误差，显著误差的存在将会“污染”数据协调所获得的已测变量的协调值和未测变量的估计值，显著误差会分摊到其它原本不含显著误差的测量变量上，导致变量的协调值和估计值完全不可信。因此，在进行测量变量的协调和未测变量的估计之前，必须及时准确地检测和识别出系统中存在的显著误差，以保证和提高协调值和估计值的可信度。这个过程称为显著误差的检测和识别( g r o s se r r o r d e t e c t i o na n di d e n t i f i c a t i o n ) 。更具体地说，检测就是确定一组测量数据中是否含有显著误差，识别就是在一组含有显著误差的测量数据中具体指出是哪个( 或哪些) 测量数据含有显著误差。本文中将数据协调( 参数估计) 和显著误差的检测和识别统一地称为数据校正( d a t ar e c t i t i c a t i o n ) 。2 2 2 数据协调基本模型从理论上讲，热工过程变量的测量值应该满足物料平衡、能量平衡或者其它一些热力学的和物理的基本规律，由于测量过程通常会受到多种不可预测因素的影响，致使测量数据包含误差，因而不能很好地满足这些要求。过程测量的基本模型可以表示为：x = x + e( 2 - i )其中x ( n x l ) 为过程变量测量值向量，x ( n 1 ) 为过程变量真实值向量，e ( n 1 ) 为测量误差。数据协调( 参数估计) 的目的是为了获得组既满足各种平衡关系又准确可靠的数据，其基本思想是：假定测量数据只含有服从正态分布的随机误差，在满足过程约束条件下，测量变量的校正值与测量值之差的加权平方和最小。其基本模型如下：r m i n ( x x ) 7 a 一1 ( 耍一x ) ( 2 2 )os t f ( x ，u ) = 0( 2 - 3 )式中x 为己测变量x 的校正值组成的向量；u 为未测变量的估计值组成的向量；q 为测量变量的方差一协方差矩阵；，是函数向量，表示热工过程物料平衡、能量平衡等熟学和物理规律，代表组过程约束方程式。实际上，数据协调问题就是求一组满足约束的最小二乘解问题。第二章热工过程巾的数据校正算法模型研究式中当过程处于稳态，约束为线性等式约束时，上述模型可以表示为f m i n ( x x ) 。a 1 ( x x ) l 4 x + b u + c = 0a ( s n ) 为己测变量的系数矩阵b ( s x m ) 为未测变量的系数矩阵c ( 5 1 ) 为约束常向量；s 为约束方程个数；n 为己测变量个数；m 为未测变量个数。运用拉格朗日( l a g r a n g e ) 乘子法，定义l a g r a n g e 函数为：l = ( 耍一x ) 7 q 一1 ( 文一x ) 一2 五r ( a x + b u + c )问题( 2 4 ) 、( 2 5 ) 转化为求解下列方程：旦3 x 呈= 2 q 一1 ( 耍一x ) 一2 a 7 a = 。堕：一2 b r 2 c = 0a u罟= 叔一+ c = 。可以求得在此线性等式约束条件f ，方程组的解为：r 文= ，一q a 7 ( a q a 7 ) a i x q a 7 ( a q a 7 ) 。( b u + c )【u = 【口7 ( a q a r ) 一- b 】一b 7 ( a q a r ) 一z ( 一a x c )当稳态和线性约束假设满足时，上述解是无偏最小方差估计”1 。当( 2 3 ) 式是x 和u 的非线性函数时，( 2 2 ) 属于非线性规划问题r f f - x + q ( - 豢) a = 。 c 7 枷t r ( x ，u ) = o式中( 2 4 )( 2 5 )( 2 6 )( 2 7 )其拉格朗日乘子法的解为( 2 8 )筹、著是函数向量f 的蝌删，脯五是s 阶l a g r a n g e 乘子向量；( 2 - 8 ) 式为一组非线性的方程组。一般采用数值迭代解法，常用的有n e w t o n r a p h s o n 法，j j ；1 n e w t o n法，m a d m n 的线性化法和k n e p p e r t 4 3 1 的常向法。当系统处于动态时，需引入过程的动态模型来作为其约束条件，此时数据协调模型为：东南大学硕士学位论文式中r m i n ( 耍一x ) 7 q 一1 ( 重一x ) 】ik 譬圳栅，础：。坚为协调值对时间的导数d e( 2 9 )( 2 1 0 )h ( x ，己，) 为函数向量。由于上述数据协调模型在进行数据协调时没有考虑显著误差的存在，因此在没有显著误差发生时，其协调结果对随机误差的消除效果较好，协调值能够逼近真实值。但如果某个测量值中存在显著误差，则该协调模型会将显著误差分散到各个测量值中去，而使得原本不存在显著误差的测量值也得到了较大的协调值，在这种情况下的协调结果与真实值必有较大出入。2 2 3 显著误差检测与识别当存在显著误差时，过程的测量模型可以表示为：r舅叉“+ 。b 1 1 )【p = w + g式中：w 为随机误差向量；g 为显著误差向量。显著误差又可以分成两类，一种是测量中的误差( 如仪表失灵、测量偏差等) ；另一种则为过程中的误差( 如过程泄漏等) 。一般说来，含有显著误差的数据在全部的测量数据中占有的比例很小，但其存在却会严重破坏测量数据的统计特性，危害非常大。因此，采用数据校正技术来提高数据质量的关键在于检测、识别和剔除( 补偿) 显著误差。检测显著误差的手段有多种：( 1 ) 从理论上分析所有可能导致显著误差的因素并进行处理。( 2 ) 借助于多种测量手段对同一过程变量进行测量，然后通过结果的比较来识别显著误差即硬件冗余法。( 3 ) 根据过程模型的经验知识或先验知识进行显著误差的检验。( 4 ) 根据测量数据的统计特性进行检验，即统计假设检验法。第一种方法仅从理论上作出分析，极有可能遗漏造成显著误差的一些潜在原因，而且不易于广泛使用；第二种方法对于少数重要的测量数据是可行的，然而对于许多过程数据进行逐一的测量比较则会造成大量财力、物力上的负担，因此也不适合推广使用；第三种方法要求掌握过程模型的经验知识或先验知识，一般而言这类知识比较难蛆获得：相比之下，统计检验的方法由于只针对数据本身、对现有硬件设备不作过多要求、便于在线运行、方法具有普遍性等特点而得到了广泛的研究与使用。这种方法所依据的基本原理就是利用误差的显著性进行统计假设检验。首先用某种方法建立原假设和备择假设。零假设h ：不存在显著误差各择假设hi ：存在一个或多个显著误差用数学形式表示为误差的均值是否为零：第二章热工过程中的数据校正算法模型研究h o ：e ( e ) = 0h ，：e ( e ) 0构造适当的具有已知分布的检验统计量，在一定的显著性水平下，根据统计量的值与对应的临界值的相对大小对零假设h o 做出肯定或否定的判断。为检测和识别显著误差，引入测量残差( m e a s u r er e s i d u a l ) 和约束残差( c o n s t