神经网络燃烧优化拄制系统在莱城发电厂的应用
神经网络在锅炉燃烧控制中的应用
Ａｐ ｉａ ｉ ｎ ｆｎ ｕｒ ｌｎｅ ｗｏ ｋ ｉ ｂｏ ｌｒ ｐｌ ｔｏ ｏ ｅ ａ ｔ ｒ ｎ ｉｅ ｃ
ｃ ｍ ｂｕ ｔｏ ｏ ｒ ｌ ｏ ｓ ｉ ｎ ｃ ｎｔ ｏ
ＪＡ Ｑｕｎ 。 ０ Ｊ－ｕ Ｚ Ａｏ Ｘ ｅｆｎ Ｉ ａ ＧＵ ｉ ｎ ， Ｈ ｕ ・ ｇ ｙ ｅ
图 １ 燃烧过程控 制系统 示意图
Ｏ 前 言
火 电厂大型单元机组是一 典型 的多变量输 入 、 出 、 输 多于 扰、 非线性和强耦合 的复杂 系统 ， 负荷和 主蒸汽压力 控制 相互 依赖 、 互制 约 ， 虑到锅 炉和汽 轮机联 合运行 的特 点 ， 须 相 考 必 使它们保持协调 的运行 方式 ， 机组尽 快适 应 电网 负荷变 化 使 的同时 ， 证 主蒸汽 压力不 超 出允许 范 围。由于机 组动 态 又保
ｅｌ ｎ ｓ ａ ｄ ｅｍｕ ａ ｉ ｎ．ａ ａｌｚ ｓ ｓ ｎ ｈ ｓ ｚ ｄ ｄ ｔ ｌｔ ｏ ｎ ｙ ｅ ｙ ｔ ｅ ｉ ｅ ａ ａ。
引 风
Ｋｅ ｒ ｓ：ｃ ｙＷＯ ｄ ｏｍｂ ｓｉｎ： ｅ ａ ｅｗｏｒｓ： ｉ ｌｔ ｎ ｕｔ ｏ ｎ ｕｒＩｎ ｔ ｋ ｓｍｕａｉ ｏ
（ ．Ｅ ｇｎｅｉｇＳｈ ｏ ｆ ｔｎ ｉｅｓｔ，Ｄ ｔｎ １ ｎ ｉｅｒ ｃ ｏ ｌ ｏ ｇＵｎｖ ｒｉ ｎ ｏ Ｄａ ｙ ａｏ ｇ
０７０ ３ ０ ３。Ｃｈ ｎａ； ． Ｔａ ｈ ｎ Ｍ ｉ ｅ ｏ ｎ ｍｅ ｏ ｐ， ｉ ２ ｓ ａ ｎ的安全 经济运行。燃烧控制 ） 系统必须使引风量与送风量相配合 ， 以维持一定的炉膛压力 。 上述三 项控制 任务 是密 切相关 的 ， 常用三个 子控 制 系 通
ＭＰ Ｄ Ｉ ＮＮ神 经 网络 控 制 方 案 基 础 上 ， 现 场 运 行 数 据 为 依 据 ， 不 同 以 在 负荷 下 用 了 ＭＡＴ ＡＢ软 件 对 锅 炉 燃 烧 系 统 进 行 仿 真 研 究 。 经 过 利 Ｌ 建 模 仿 真 得 出 的数 据 综 合 分 析 ， 果 表 明 ， ＰＤＮ 神 经 网络 在 锅 炉 结 Ｍ Ｉ Ｎ 燃 烧 系 统 应 用上 有 一 定 价 值 。 关 键 词 ： 烧 ； 经 网 络 ； 真 燃 神 仿
600MW机组锅炉智能燃烧优化控制系统开发和应用
600MW机组锅炉智能燃烧优化控制系统的开发和应用摘要：电站锅炉燃烧优化控制技术能在不进行锅炉设备改造的前提下，利用锅炉运行数据和集散控制系统(DCS)，通过一系列先进建模、优化和控制技术的应用，提高锅炉运行效率，降低NOx排放。
本文介绍了淮圩发电XX公司2号锅炉(600MWMW)智能燃烧优化控制系统的开发和应用情况，一年多的应用表明，针对我国电力市场的特点，研究、开发和应用符合我国电站锅炉实际运行情况的，具有自主知识产权的燃烧优化控制软件是实现燃煤电厂节能环保、安全经济运行的一个重要技术手段。
关键词：燃烧优化神经网络预测控制火电厂1 概述实现燃煤电厂的动态优化控制，有重大的现实意义，也是技术发展进步的必然结果。
发电厂在生产电力的同时，也消耗了大量宝贵的一次能源，排放了大量的污染物，因此，节能环保、安全经济运行是电力行业面临的永恒课题。
单机300MW与其以上的大容量机组正在逐步成为主力机组，通过近几年的改造和设备更新，完成了从传统的盘台操作、仪表监控至DCS的跨跃，基本上都实现了DCS控制，机组的自动化运行水平得到了很大提高，也看到了由此而带来的巨大效益。
技术在发展，社会在进步，在DCS控制的基础上，下一步的技术发展方向是什么呢?还会有哪些改善和提高呢?优化控制是技术发展方向之一。
淮圩发电XX公司与海德缘科技合作，共同开发了2号锅炉智能燃烧优化控制系统，该系统利用机组运行的历史数据和实验数据，建立动态优化控制模型，优化确定影响锅炉燃烧特性、NOx的参数设定值。
它不仅能够动态预测控制器的工作变化趋势，而且能够捕捉多个非线性变量之间的关系，同时调整相关参数，实现动态优化和精确控制，克服工况波动，保持持续、平稳燃烧，将燃烧状态始终控制在最佳点，提高锅炉热效率和运行自动化水平，降低NOx污染物排放，获得了好的经济效益和社会效益。
在所有优化控制回路投入的情况下，得到效果如下：Ø锅炉热效率提高值0.4%。
神经网络技术在火电厂的应用研究及前景
成， 每个神经元的输 出信号 通过其 他神经元又反馈到 自己。这个网络主 要 用于模拟神经网络的记忆机理 ， 完成制约优化和联想记忆等功能。
数化 ， 并可大大减少数据的录入量 ， 提高系统的运行效率 ， 增强 系统 的维 护性。系统界面采用 Ｗｅ ｂ浏览器界面 ， 界面美观 ， 友好 ， 面向企业普通人 员， 软件操作 简单 、 方便 ， 符合人们操作习惯 。系统按照 “ 面向角色” 进行 设计 ， 不同的用户具 有不 同的操作权 限。因此 ， 当不同的用 户登 录时 ， 系
维普资讯
科技情报开发与经济
文章编号：０ ５ ６ ３ （ ０ ６ ２ — ２ ５ ０ １０ — ０ ３ ２ ０ ）０ ０ ３ — ２
Ｓ Ｉ Ｅ ＨＩＦ Ｒ Ａ ＩＮＤ Ｖ Ｌ Ｐ Ｅ Ｔ＆Ｅ Ｏ Ｏ Ｙ Ｃ— Ｃ Ｏ Ｍ ＴＯ Ｅ Ｅ Ｏ Ｍ Ｎ Ｔ Ｎ Ｃ ＮＭ
比 ，用 Ｒ Ｆ神经 网络 建立双模 型结 构的时变非线性 系统 自校正模型 不 Ｂ
仅极 为 简便 、 学习复杂性 低 、 效率 高 ， 且具有更 高 的精度和 自适应 能 而
力， 因而在过程建模中得到了广泛 的应用 。
２ 人 工神 经 网络在 电厂 的应用 研究
２１ 在 电厂 热 工 过 程 控 制 中的 应 用 研 究 ．
就 其 发展 前 景 进 行 了展 望 。
Ｂ Ｐ网络是反向传播网络， 采用最小均方差学 习方式 。它可用于语 言 综合 、 识别和 自适应 控制等领域 。
Ｒ Ｆ Ｂ 神经 网络是 由 ｊ ｏｄ 和 Ｃ Ｄ ｒ ｎ ２ ｏ ｙ ａ ｅ 在 ０世纪 ８ 年 代末提 出 Ｍ ｋ ０ 的一种神经 网络 ， 它是具有单 隐层 的三层前 馈网络。由于它模拟了人脑
基于改进神经网络与遗传算法的燃煤锅炉优化方法
基于改进神经网络与遗传算法的燃煤锅炉优化方法燃煤锅炉是许多工业和居民用途中常见的供热设备之一。
然而，燃煤锅炉使用不当或者设计不合理可能导致低效率、高排放、能源浪费等问题。
为了提高燃煤锅炉的性能和效率，许多研究者利用改进神经网络与遗传算法的优化方法来优化燃煤锅炉的操作参数。
本文将介绍基于改进神经网络与遗传算法的燃煤锅炉优化方法。
一、燃煤锅炉的优化需求燃煤锅炉的优化旨在提高锅炉的能源利用率和环境性能。
燃煤锅炉在运行过程中需要调整的参数包括燃烧温度、煤粉粒度、过量空气系数等。
正确调整这些参数可以实现燃烧充分、热效率高以及低排放的目标。
但由于燃煤锅炉的复杂性，传统的试错法和经验法往往不够高效和准确。
因此，通过改进神经网络和遗传算法的优化方法来实现燃煤锅炉的优化成为一个重要的研究方向。
二、改进神经网络与遗传算法相结合的方法改进神经网络与遗传算法相结合的方法是一种基于人工智能的燃煤锅炉优化方法。
首先，我们需要建立一个适应性较强的神经网络模型，该模型可以准确地预测锅炉在不同运行参数下的能效和排放情况。
然后，我们使用遗传算法来搜索最佳的燃煤锅炉操作参数组合。
遗传算法是一种模拟自然选择和遗传机制的优化算法，可以通过自然选择和交叉变异的操作快速找到最优解。
三、改进神经网络的构建改进神经网络的构建是优化燃煤锅炉方法的重要一环。
传统的神经网络模型往往存在拟合能力不强、泛化能力差等问题。
为了克服这些问题，改进神经网络的构建考虑了以下几个因素：1. 神经网络的深度和宽度：通过增加神经网络的深度和宽度，可以增加模型的表达能力和学习能力，提高模型的预测准确度。
但是，过深或者过宽的神经网络可能导致过拟合问题，因此需要根据实际问题进行合理的选择。
2. 激活函数的选择：激活函数对神经网络的学习和拟合能力有着重要影响。
在构建改进神经网络时，可以尝试不同的激活函数，如ReLU、Sigmoid、Tanh等，选择最适合问题的激活函数。
3. 正则化和批量归一化：为了降低神经网络模型的过拟合风险，可以使用正则化方法（如L1、L2正则化）来限制模型的复杂度。
BP神经网络在双燃料发动机排放预测中的应用
BP神经网络在双燃料发动机排放预测中的应用李捷辉，周大伟，段畅（江苏大学汽车与交通工程学院，江苏镇江 212013）摘要：运用BP神经网络（Back Propagation Network）的自学习以及非线性逼近能力，对双燃料发动机排气中CO、HC、NOx和碳烟的浓度进行拟合和预测。
搭建神经网络模型，通过采集双燃料发动机排气浓度数据对神经网络模型进行训练和验证。
当BP神经网络训练过程中样本和模型计算值的线性相关系数R大于0.9，且用于验证的数据和模型运算值误差在可忽略范围内，则所建的神经网络模型能够有效预测双燃料发动机的排气浓度。
训练结果显示，CO、HC、NOx和碳烟浓度的模型计算值和实测值线性相关系数R都大于0.9，说明神经网络具有较强的拟合能力；验证结果显示，预测值和实测值的相对平均误差都小于10%，能够满足实际需求。
结果表明，运用神经网络模型能够有效预测双燃料发动机的排放。
关键词：神经网络；双燃料发动机；排放预测；相关性1 引言随着能源和环境问题日益严峻，液化天然气（LNG）作为石油的替代能源被广泛使用[1]，LNG具有以下几个优点：（1）甲烷含量高、热值高、氢碳比高等特性；（2）与其它化石燃料相比较，环境污染较小；（3）储量丰富且可减少对石油的依赖[2]。
鉴于LNG在车用发动机上使用的良好效果以及显著优点[3]，结合我国船运的现状，为减少船运对河道的污染，LNG也被应用于船用发动机上[4]。
在已开发双燃料船用发动机控制和监测软件[5-6]的基础上，运用BP神经网络较强的自学习和较好的预测功能特点[7]对双燃料发动机排气浓度进行预测。
通常，此类发动机的排气浓度检测耗时耗费，而运用BP神经网络预测可以大大减小试验测试负担和成本。
文献[8]已经在运用神经网络辅助分析CNG/柴油双燃料发动机性能和排放方面做出了相关研究。
在研究中，采集大量的双燃料发动机排气浓度数据，将所有数据分为两部分，其中70%用于神经网络模型训练，30%用于神经网络模型验证。
火电企业燃料智能化技术管理系统的构建
火电企业燃料智能化技术管理系统的构建随着电力需求的不断增长，火电企业的燃料管理变得越来越重要。
为了提高燃料利用率、降低排放、提高运营效率，火电企业需要构建一套燃料智能化技术管理系统。
本文将从系统架构、关键技术和应用效果三个方面对火电企业燃料智能化技术管理系统进行详细介绍。
一、系统架构火电企业燃料智能化技术管理系统的基本组成部分包括数据采集、数据存储、数据分析和决策支持。
数据采集通过传感器等设备实时获取燃料的温度、压力、含氧量等参数，并将数据传输到数据存储系统。
数据存储系统采用分布式数据库技术，将传感器采集到的数据按时序排列保存，并进行备份和容灾处理。
数据分析系统对存储的数据进行分析，包括数据清洗、数据挖掘、数据建模等过程，提取燃料质量、燃烧效率、排放浓度等关键指标。
决策支持系统根据数据分析结果，为企业提供实时的燃料管理决策，包括燃料配比、燃烧控制、设备调试等。
二、关键技术1. 数据采集技术：通过传感器等设备实时采集燃料的温度、压力、含氧量等参数。
传感器选择应考虑到稳定性、精度、可靠性等因素，并采用现场总线技术将传感器与数据采集设备进行连接，实现数据的实时传输。
2. 数据存储技术：采用分布式数据库技术，将采集到的数据按时序排列保存，并进行备份和容灾处理。
分布式数据库可以提高数据的处理速度和容量，保证数据的高可用性和可靠性。
3. 数据分析技术：数据分析是燃料智能化技术管理系统的核心技术。
数据分析包括数据清洗、数据挖掘和数据建模等过程。
数据清洗通过去除噪声、补充缺失数据等方法，提高数据的质量和可靠性。
数据挖掘通过聚类、分类、关联等算法，挖掘数据中隐藏的知识和规律。
数据建模通过建立数学模型，预测未来的燃料质量、燃烧效率等指标。
4. 决策支持技术：根据数据分析结果，为企业提供实时的燃料管理决策。
决策支持技术包括专家系统、模糊逻辑、神经网络等方法。
这些方法可以根据实时的数据和先验知识，对燃料的质量、燃烧效率等指标进行预测和优化，为企业提供决策建议。
基于PSO-Elman神经网络的燃煤机组受热面清洁状态预测
利用 PSO 优化网络的权值和阈值，将优化后的最优权值、阈值赋给 Elman 神经网络作为初始值进行网络训
练，建立基于 PSO-Elman 神经网络的受热面清洁状态预测模型。通过具体实例仿真证实了所提方法的有效
性，获得了较满意的预测精度，验证了该方法的有效性。
关 键 词 ： 智 能 发 电 ； 受 热 面 ； 清 洁 状 态 ； PSO-Elman； 预 测
48
第 5期
李强等：基于 PSO-Elman 神经网络的燃煤机组受热面清洁状态预测
是目前燃煤电站锅炉普遍存在的问题。现阶段节 能减排对吹灰优化提出了更高的要求，只有对未 来状态进行预测，并且提前准备，才能让燃煤电 站有着更好的经济收益。由于锅炉受热面灰污的 厚度难以直接测得，而且受工况影响波动较大， 通过历史数据预测未来受热面状态的方法，来解 决燃煤锅炉存在的问题，实现了从基于状态诊断 的传统方法向基于历史数据对未来热面清洁状 态预测的转变，为在合适的时间对受热面的灰污 进行有效的吹扫提供了技术基础，可以得到更好 的吹灰优化策略。
1 网络模型
1.1 Elman 神经网络 Elman 神经网络[10] 是在前馈式网络的隐含层
中增加一个反馈层，反馈层将上一时刻隐含层的 输出与当前时刻的网络输入一起作为隐含层输 入，因此网络对隐含层前一时刻的系统状态具有 记忆功能。Elman 神经网络一般分为 4 层：输入 层、隐层、承接层和输出层，其中输入层、隐含 层和输出层的连接类似于前馈网络。输入层的单 元仅起到信号传输作用，输出层单元起到加权作 用。隐层单元有线性和非线性两类激励函数，通 常激励函数取 Signmoid 非线性函数，而承接层则 用来记忆隐层单元前一时刻的输出值，可以认为是 一个有一步迟延的延时算子。隐层的输出通过承接 层的延迟与存储，自联到隐层的输入，这种自联方 式使其对历史数据具有敏感性，内部反馈网络的 加入增加了网络本身处理动态信息的能力，从而 达到动态建模的目的。其结构如图 1 所示。
人工智能技术在电站锅炉燃烧优化中的应用研究
人工智能技术在电站锅炉燃烧优化中的应用研究作者：王贵忠杨东胜来源：《中国科技博览》2014年第35期[摘要]从优化方法谈，我国人工智能控制算法真正在工业应用的成果不多，大都停留在研究、试验阶段。
将人工智能控制算法应用于电站锅炉燃烧优化，实现锅炉燃烧优化控制，在未来会有很大的发展，将为进一步提高电厂燃煤锅炉的热效率奠定良好的工作基础。
[关键词]人工智能技术；电站锅炉燃烧优化；技术应用中图分类号：TK227.1；TP18 文献标识码：A 文章编号：1009-914X（2014）35-0093-01当前，我国电力行业正在由计划经济体制逐步向市场经济体制过渡，发电企业一方面面临厂网分开、竞价上网的电力市场竞争，另一方面由于能源紧张导致煤价上涨，生产成本进一步加大。
因此发电企业迫切要求挖掘机组运行的潜力，提高机组运行效率，降低生产成本，提高企业竞争能力。
同时，随着国家对电站NOx排放的限制，如何有效降低NOx排放的技术也是电厂当前关注的热点。
锅炉是实现能源转化的主要设备之一，在能源工业中起着重要的作用。
电力、机械、冶金、化工、纺织、造纸、食品等行业及民用采暖都需要锅炉供给大量的蒸汽。
据不完全统计，能源浪费很严重，每年多燃用原煤600Ot，这其中一大部分是煤粉炉。
基于这种情况，世界各国的专家学者一直试图找到可行的方法来提高锅炉的热效率，保持其燃烧的经济性。
由于人工智能技术在电站锅炉燃烧优化中能够有效提高机组运行效率，降低发电成本，并能够降低锅炉NOx排放，因此受到发电企业的普遍关注。
电站锅炉燃烧是个复杂的物理化学过程，涉及到燃烧学、流体力学、热力学、传热传质学等学科领域。
电站锅炉燃烧产物（简称排放物）的生成机制很复杂，受多种因素的制约，诸如煤种、锅炉热负荷、风煤比、配风方式、炉膛温度以及其分布的均匀性等。
锅炉燃烧过程具有非线性、强耦合、大延迟、大热惯性和时变多变量的特征，是复杂的热力反应过程，其输入与输出参数间存在的强烈非线性关系。
《基于改进的K-means聚类算法的火电厂锅炉燃烧优化研究》范文
《基于改进的K-means聚类算法的火电厂锅炉燃烧优化研究》篇一一、引言随着环境保护意识的增强和能源需求的日益增长，火电厂的燃烧优化问题变得越来越重要。
火电厂锅炉燃烧优化是提高能源利用效率、减少污染物排放的关键环节。
传统的燃烧优化方法往往依赖于经验或简单的数学模型，难以准确反映复杂的燃烧过程。
近年来，数据挖掘和机器学习技术在火电厂燃烧优化中得到了广泛应用。
其中，K-means聚类算法作为一种常用的无监督学习方法，在锅炉燃烧优化中具有重要价值。
本文旨在研究基于改进的K-means聚类算法的火电厂锅炉燃烧优化，以期为实际生产提供理论支持和指导。
二、研究背景及意义传统的K-means聚类算法在处理大规模数据时存在一些问题，如计算量大、易受噪声干扰等。
针对这些问题，本文提出了一种改进的K-means聚类算法，并将其应用于火电厂锅炉燃烧优化中。
通过对锅炉燃烧过程中的数据进行聚类分析，可以找出燃烧过程中的规律和模式，为燃烧优化提供依据。
同时，改进的K-means 聚类算法能够更准确地识别数据间的关系，提高聚类结果的准确性，为燃烧优化提供更可靠的数据支持。
此外，本研究还具有重要实际应用价值，能够帮助火电厂实现能源利用效率的提高和污染物排放的减少，对于推动绿色能源发展具有重要意义。
三、改进的K-means聚类算法本文提出的改进K-means聚类算法主要包括以下几个方面：1. 初始化优化：在算法初始化阶段，采用基于密度的采样方法，以提高初始聚类中心的质量。
2. 距离计算优化：引入马氏距离度量，以更好地处理不同特征之间的相关性问题。
3. 聚类中心更新策略优化：采用基于局部密度的聚类中心选择策略，以避免陷入局部最优解。
4. 算法收敛性优化：引入迭代停止条件，当聚类结果不再发生显著变化时停止迭代，以提高算法效率。
四、火电厂锅炉燃烧优化研究1. 数据采集与预处理：从火电厂锅炉系统中采集燃烧过程中的相关数据，包括燃料类型、风量、烟气成分等。
《基于改进的K-means聚类算法的火电厂锅炉燃烧优化研究》范文
《基于改进的K-means聚类算法的火电厂锅炉燃烧优化研究》篇一一、引言随着能源需求的不断增长和环境保护意识的提高，火电厂的燃烧优化问题变得日益重要。
在火电厂中，锅炉的燃烧过程直接影响着电厂的效率、燃料消耗以及排放质量。
为了实现锅炉燃烧的优化，需要对燃烧过程进行精细控制，以达到高效、低耗、低排放的目标。
近年来，数据挖掘和机器学习技术在火电厂燃烧优化中得到了广泛应用。
其中，K-means聚类算法作为一种常用的无监督学习方法，在锅炉燃烧优化中发挥了重要作用。
本文提出了一种基于改进的K-means聚类算法的火电厂锅炉燃烧优化研究方法，以期提高火电厂的运行效率和减少排放。
二、火电厂锅炉燃烧问题分析火电厂锅炉燃烧过程中，存在许多影响燃烧效率、燃料消耗和排放质量的问题。
首先，燃料的质量和成分差异较大，导致燃烧过程不稳定。
其次，锅炉的运行参数众多，各参数之间的耦合关系复杂，难以实现精确控制。
此外，排放物的处理和回收利用也是一大挑战。
因此，需要对这些因素进行综合考虑，以实现锅炉燃烧的优化。
三、改进的K-means聚类算法针对火电厂锅炉燃烧的复杂性，本文提出了一种改进的K-means聚类算法。
该算法通过引入遗传算法和粒子群优化算法，对初始聚类中心进行优化选择，以提高聚类的准确性和效率。
同时，该算法还考虑了不同参数之间的耦合关系，通过多维度特征提取和降维技术，将高维数据转化为低维数据，以便更好地揭示数据之间的内在联系。
此外，该算法还具有自动识别异常数据和噪声数据的能力，以提高数据的可靠性。
四、火电厂锅炉燃烧优化研究在火电厂锅炉燃烧优化研究中，我们首先收集了大量的运行数据，包括燃料成分、燃烧参数、排放物等。
然后，利用改进的K-means聚类算法对数据进行聚类分析，找出不同工况下的燃烧特性。
通过对聚类结果的分析，我们可以找出影响燃烧效率的关键因素和参数范围。
在此基础上，我们进一步利用优化算法对锅炉的运行参数进行优化调整，以实现高效、低耗、低排放的目标。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
' ' '神经网络燃烧优化拄制系统在莱城发电厂的应用发表时间:2005-4-29 作者：王恒山宋兆龙王磊摘要：随着我国改革的深化，发电企业在几年内将通过"竞价上网"相继进入市场竞争行列，这就对机组运行的安全性、经济性，以及对柔性运行管理方式和决策支持等提出了新的更高的要求。
同时，随着相关学科如智能控制技术、新型传感测量技术、计算机及网络技术的发展，也加速了火电厂生产和管理工作与信息网络相结合的步伐;管控一体化的理念，促进了监控信息和管理信息的有机结合，也为火电机组的经济运行和决策支持提供了全新的信息化解决方案。
人工神经网络是智能化技术发展的一个重要方向，是基于数据对非线性系统进行建模及分析的工具。
用神经网络模拟实际的物理过程模型，具有识别、学习、逻辑思维和分析判断的能力。
基于人工神经网络基础和优化控制理论的锅炉燃烧优化系统，通过对锅炉运行历史数据和试验数据的分析判断，实现以热效率和氮氧化物、一氧化碳排放量及机组安全性为目标的优化燃烧，在不断变化的特定系统运行状况下找出最佳匹配的操作参数，选择最优化的系统运行万案，这己经成为未来发展的一个趋势。
开发锅炉燃烧优化控制系统的目的，是在原有燃烧优化系统软件的基础上，结合我国煤质及锅炉的特点，实现锅炉燃烧优化控制，提高锅炉热效率，减少点火的燃料损失，减少锅炉停炉次数，降低氮氧化物、一氧化碳等烟气中的污染物排放，同时提高企业的生产开发实力。
这一项目的实施必将促进国内电厂锅炉燃烧优化软件开发水平的总体提升，对推动民族软件产业的发展具有积极意义。
同时，由于有国际领先的技术水平和性能。
并有中国国情的价格，使得该产品的性能价格比十分优越。
该项目实施后，对增强企业国际竞争力必将起到十分重要的作用，必将形成显著的经济效益和社会环保效益。
下面结合在山东菜城电厂#1炉投运的首台"神经网络燃烧优化控制系统"进行简要的介绍。
一、系统实现的功能神经网络燃烧优化系统可实现以下功能:(1)该系统通过与DCS的有机结合，通过闭环控制的方式进行燃烧优化调整。
(2)该系统为多目标多变量优化系统，用户可以根据机组的实际情况选择优化回路，通过投切优化回路变换，实现系统灵活配置。
(3)该系统为开放式系统，用户可根据电厂实际情况加入优化对象，实现对后续对象的优化。
(4)该系统具有动态预测功能。
(5)提供离线仿真功能。
该系统可以用来查找模型的失谐和提供偏差扰动的纠正能力。
同时，神经网络燃烧优化系统可以采用动态反馈来升级模型，通过使用动态反馈，可以迅速地消除扰动偏差、模型的失谐以及传感器的噪声。
二、系统原理和结构1.系统原理该系统是一种基于人工种经网络、现代控制理论和非线性优化算法的多变量动态锅炉燃烧优化控制系统。
系统拥有很强的适用于复杂环境和多目标控制要求的能力，并具有以任意精度逼近任意非线性连续函数的特性(自组织、自学习、自适应)，适用于复杂的热工控制领域。
系统利用机组DCS本身具有的数据库的数据作为系统数据分析的基础，经过神经网络模型在线分析，迅速得出运行参数的最优修正值。
然后输出到DCS，对控制量进行修正。
首先，系统通过DCS获取锅炉运行历史数据以及通过附加的分步燃烧调整试验获取试验数据，然后对这些大量数据通过专用分析工具进行综合分析判断。
在此基础上。
形成系统机组燃烧优化模型，以表征锅炉运行参数的变化。
环境条件的改变及不可预测的扰动对机组热效率。
不完全燃烧热损失、主要辅机电耗和氮氧化物等的影响。
通过神经网络技术。
在模型基础上经过计算、预测过程，对特定目标进行优化，从而在不断变化的特定系统运行状况下找出最佳匹配的操作参数。
选择最优化的系统运行方案，以实时在线的方式直接将优化参数作为DCS控制系统的设定值，实现闭环控制，如图1所示。
2.系统的特点该系统作为一种高级优化控制系统"它依赖于机组现有DCS进行过程及协调控制，同时工作在独立的微机上。
不会对机组现有DCS的安全及联锁进行干预，不改变机组原有DCS的控制思想。
同时，它还有如下特点:(1)它是基于多变量(MV'S)的多目标(CV's)综合优化;(2)它是对机组进行实时在线优化，提供机组的优化预测功能;(3)实现闭环控制，真正与DCS融合;(4)优化的控制策略是基于整个机组大量试验的基础上，因此:①其优化步长适度，是安全的;②考虑了变量的延迟特性，是高效的。
(5)重要优化目标参量可以根据用户需要进行自由扩展，系统具有良好的开放性。
因此，该系统对运行人员来说，是一个高效实用的助手!神经网络燃烧优化技术应用方案示意图详见图2。
三、系统的核心技术该项目采用的关键技术包括:电站锅炉燃烧优化控制系统的人工神经网络模型。
传感器确认模型;神经网络训练模型;模糊权系数模型;模糊神经网络学习算法，数据挖掘技术、信息融合技术和几种技术有机的整合方法等。
1.高效、适应性强的人工神经网络技术神经网络模型如图3所示。
神经网络是由数据驱动的，这意味着它们必须输入大量系统过去的特性数据，进行分析，称为"培训"。
在"培训"期间，神经网络系统研究它收到的原始随机性的数据，重建它们的数学关系，将之转换为连续性的有数学规律性的形式，结果得到一个适合这些数据的模型(称为建模)。
即:神经网络系统依据被控系统的输入输出数据对，通过学习得到一个描述系统输入输出关系的非线性映射。
然后，神经网络系统还会自动对它本身的模型进行调整，也就是神经网络系统还有"推断"功能。
2.信号分析处理技术(1)数据挖掘技术在燃烧诊断与燃烧优化上的应用火电厂的DCS控制主要是依据一些经典规则和经验模型。
机组实际运行工况虽满足了发电负荷的需要，但常常既非最佳安全工况，更非最高效率工况。
经验模型往往是建工在机组运行所产生的经验数据基础上。
过去由于技术等方面的原因，无法对大量的历史运行数据进行全面的工体分析、综合，所以得到的经验模型往往不是很全面很科学，从而导致机组(尤其是锅炉及辅机)运行故障频繁，锅炉燃烧效率难以进一步提高。
另一方面。
发电机组运行时，每天都产生大量的实时数据,并被保存在实时数据库中。
这些实时数据从各个侧面反映了发电机组的运行状况，蕴含着大量的信息量。
但是并未得到深入有效的分析与使用。
除提供给DCS系统外，通常只是将这些数据采集到MlS网络上，用于记录发电机组的运行状态，并为一些简单的分析工具。
如报表等)提供数据。
数据挖掘技术是指从数据库中提取先前末知的、有用的、具有应用价值的信息，并将该信息运用于制定重要决策的过程。
该技术在为大型火电厂机组设备状态检修及锅炉燃烧诊断与优化、提高燃烧效率等决策支持方面，提供了有效的解决方法。
图4说明了数据挖掘技术在大型火电厂设备故障及优化燃烧应用中的位置。
数据采集系统将机组实时数据及各类特种传感控制装置的实时数据采集到MIS历史数据库中，以利于长期保存和再利用。
数据挖掘系统以历史数据库中的大量历史数据作为数据源，首先进行数据选择，即选择与燃烧及设备性能有关的数据记录;再经过数据筛选及模式集成，删去与目标无关的属性，挖掘与目标有关的属性，增加一些导出属性以简化处理;在此基础上再采用特定算法挖掘出数据模样，以找到数据中存在的可能的燃烧规律及设备性能变化规律;最后对数据模样进行评价，以指导燃烧调整及设备维护。
在数据挖掘过程中。
数据模样的挖掘是最为重要的。
在本系统中，主要采用基于关联规则的挖掘方法对同一时间的各类数据之间的联系进行分析，采用序列挖掘的方法对不同时间系列及不同工况下的同一类数据之间的关系进行分析。
找到不同负荷下的最佳效率运行工况点。
(2)研究信息融合技术在燃烧诊断与燃烧优化上的应用信息融合(DATA FUSION)技术是信息科学领域的一项高新技术。
是对多种多样信息的获取。
传输与处理的基本方法。
技术、手段，以及信息的表示、内在联系和运动规律进行研究的技术;在电站锅炉燃烧优化控制系统中，信息融合技术采用了模糊控制、智能控制等系统理论，将多组特种传感器信号的空间和时间信息进行有机融合，信息在不同的传感器之间相互验证。
将电站锅炉燃烧特性与运行控制知识作为先前经验的约束条件，被用来实施这种处理。
通过信息融合，对燃烧过程进行定性、定量的分析，诊断燃烧故障及隐患。
对燃烧状况的演变趋势给予判定，并进行优化燃烧控制或提供操作指导。
在锅炉燃烧优化控制系统中使用了多种信息融合算法，传感器的数量和种类极大地影响信息融合算法的性质和处理要求。
信息融合常常采用数据库管理系统，存储收集大量信息，数据库管理系统可在检索大量以前的信息中进行印证。
识别、分析和判断。
在燃烧优化控制系统中的信息融合，是对来自多个信息源的数据和信息的一种多级。
多方面处理，它涉及到对这些数据和信息的关联、相关和组合。
系统配置灵活，规模可大可小，可以进行统一规划，滚动开发。
四、经济性分析山东莱城发电厂#1机组神经网络燃烧优化控制系统通过连续闭环运行己经体现出良好的收益，最大收益就是锅炉燃烧效率的提升，同时对过热汽温。
再热汽温、飞灰含碳量和NOX排放也有较好的优化作用。
下面我们仅就锅炉效率的提升作一分析。
我们使用GBl0184反平衡方法计算锅炉燃烧效率，将燃烧优化系统正式投入闭环连续运行期间的锅炉效率和历史数据进行了对比。
图5是根据2003年2~3月期间历史数据计算出的锅炉效率分布图。
以机组负荷为横坐标，效率放纵坐标，下同)。
图6是根据燃烧优化系统投入一个月闭环运行期间的实时数据所计算出的锅炉效率分布图。
可以得出。
优化后效率比优化前效率平均可提升0.71%。