基于MAPSO-LSSVM的锅炉燃烧系统建模与多目标优化.pdf

摘要

利用燃烧优化技术提高锅炉燃烧经济性、降低污染物排放，对于实现“双碳”目标

具有重要意义。人工智能算法在电站锅炉燃烧优化的应用，能够有效保留参数之间的复

杂非线性关系，实现高精度、强泛化的建模预测，同时智能优化算法能够为锅炉燃烧系

统实现高效率、低污染物排放运行提供有效的解决方案。

本文以某电站负荷为1000MW的超超临界锅炉作为研究对象，研究了最小二乘支

持向量机(LSSVM)在电站锅炉的应用状况，着眼于粒子群优化算法(PSO)的改进。首先，

针对影响锅炉效率和NOx排放的不同因素，开展了锅炉燃烧调整试验，并得到调整试验

样本数据。其次，以燃烧调整试验数据为样本工况，通过结合蚁群算法(ACO)和PSO算

法，提出了一种改进型的蚂蚁-粒子群算法(MAPSO)对LSSVM模型参数进行优化，建立

了锅炉燃烧系统的MAPSO-LSSVM预测模型。最后，在所建立的MAPSO-LSSVM模型

的基础上，分别利用加权-粒子群算法和多目标粒子群算法对燃烧运行参数进行优化，得

到Pareto最优解集，为电站运行提供参考建议。

结果表明，本文提出的MAPSO算法通过与ACO算法移动规则的结合改进PSO算

法，增加了PSO算法的小步长局部搜索过程，有效地克服了PSO算法对LSSVM模型

参数进行优化时容易陷于局部最优解的缺点。MAPSO算法不仅保留了PSO算法的全局

寻优性能，并增强了局部寻优性能，在建立锅炉燃烧系统模型过程中能有效避免陷入局

部极小值，寻找到全局最优解。所建立的MAPSO-LSSVM模型与标准PSO-LSSVM模

型相比，具有更快的收敛速度，更高的预测精度，更强的拟合能力和泛化能力。

在MAPSO-LSSVM的基础上，分别采用加权-粒子群算法和多目标粒子群算法优化

锅炉的可调整运行参数，以实现锅炉高效率低NOx排放。分析表明，两种优化算法所得

的运行参数相近，趋势与燃烧特性分析和燃烧调整试验结果相符合，说明智能算法优化

电站锅炉燃烧系统有效可行。但是加权-粒子群优化算法主观依赖性严重，难以选取合适

的权重值，优化时间长且结果少；而MOPSO算法优化时间远远小于加权-粒子群算法优

化时间，并且优化结果更多，优化效率更高，更有利于指导锅炉的实际运行。

关键词：电站锅炉；燃烧调整试验；最小二乘支持向量机；改进型粒子群算法；多目标

优化

I

Abstract

Usingcombustionoptimizationtechnologytoimproveboilercombustionefficiencyand

reducepollutantemissionsisofgreatsignificanceforachievingthecarbonpeakingandcarbon

neutralitygoals.Theapplicationofartificialintelligencealgorithmsinpowerplantboiler

combustionoptimizationcaneffectivelypreservethecomplexnonlinearrelationshipbetween

parameters,whichisconducivetotherealizationofmodelpredictionwithhighprecisionand

stronggeneralization.Atthesametime,theintelligentoptimizationalgorithmcanprovidean

effectivesolutionfortheboilercombustionsystemtoachievehighefficiencyandlowpollutant

emission.

Takingtheultra-supercriticalboilerwithaloadof1000MWinapowerstationasthe

researchobject,