文献综述（或调研报告）：
目前，中国的发电仍以火电为主。火力发电占中国总发电量的大部分。每年消耗的煤炭量占该国总能源消耗的一半。然而，煤的燃烧会产生大量的二氧化碳和其他有害气体，给环境带来严重的污染。锅炉燃烧系统作为火电厂最重要的生产设备之一，其经济高效地运行，可以大大节省燃煤，实现火电厂的节能减排。锅炉燃烧控制系统主要包括三个子系统：送风控制系统，引风控制系统和燃料控制系统，控制品质都直接关系到整个机组的安全和经济运行[1]。送风控制系统主要用于将粉煤运输到锅炉中并为锅炉燃烧提供氧气；引风系统主要用于确保炉子负压；燃烧控制系统主要用于根据锅炉指令改变进入炉膛的燃油量[2]。其中，送风控制系统用来满足锅炉主控制器发出的风量请求，并维持燃烧稳定以及保证合适的风煤配比，使锅炉燃烧系统达到最高热效率[3]。在最佳空燃比状态下，进入炉内的煤粉可以充分燃烧，减少了CO等有毒气体的排放，降低了生产中的热量散失，对节能减排具有重要意义。
对于大型燃煤锅炉，燃烧空气分配是运行控制的主要方面，这主要由送风系统控制，如图1所示：
不同的锅炉设备和煤质具有最佳的空气分配模式。空气分配方式会直接影响锅炉机组运行的经济性[4-5]。文献[4]通过对风量测量装置的改造，使得风量参数更加精确，投入风量自动控制试运行后，证实了风量自动控制的可行性，同时有助于提高机组在不同负荷段燃烧的经济性，对锅炉稳定运行以及节能减排也起到一定作用。文献[5]以实验数据为基础采用基于超前调节的送分自动控制策略，解决了650MW机组送风自动无法投入难题，提高了机组对负荷变动响应速率，能够较好地与燃料调节相适应，减少了负荷变动期间氧量和炉膛压力的波动，有利于炉膛稳定燃烧，同时送风自动方式运行，有效的控制锅炉氧量，降低锅炉NOx的生成量，环保效益显著。如果风量太小或燃料分配不当，炉子的火焰中心会降低，不利于燃料在炉膛内完全燃烧，甚至影响燃烧稳定，影响锅炉效率；如果风量太大，会导致炉膛的火焰中心向上移动，减少粉煤在炉膛燃烧区域的停留时间，导致减温水量增加和机械不完全燃烧损失，锅炉排烟损失过大，不利于节能减排，同时NOx生成量增加，增加脱硝成本[4]。因此，不合理的空气分配会影响锅炉的热效率，机组的循环效率和机组运行的经济性。因而，有必要要求锅炉单元具有合理而准确的风量控制系统。只有这样，才能深入，准确地控制锅炉燃烧，保证机组运行的安全性，稳定性和经济性。
为了能够良好控制送风系统，我们需要对送风系统建立准确的模型并对现有控制方式进行改进。基于现阶段大数据的平台，拟采用数据驱动的方式对对象进行建模，并采用自抗扰控制技术对送风系统的控制进行优化。
在工业过程中，从测量设备、数据传输和数据管理等方面经常发生数据污染，导致信息收集的准确性和完整性不够[6]。同样在实际电厂中，送风系统的数据量巨大且复杂，存在大量的干扰和噪声，因此有必要对现有数据进行深度挖掘，发现能够较好辨识的数据[7]。现阶段在工业过程中的数据挖掘技术一般都有：随机森林算法[8]和奇异值分解（Singual Value Decomposition，SVD）[9]等。随机森林算法是一种基于决策树的集成学习算法,具有很高的预测准确率,对异常值和噪声具有很好的容忍度,随机森林算法简单、易于实现、计算开销小,在很多现实任务中展现出强大的性能。Li等人[10]把随机森林算法应用到了推荐系统中,提出了一种基于改进随机森林算法的多维上下文感知推荐方法,实验结果表明该方法可以降低平均绝对误差和均方根误差。奇异值分解是线性代数中一种矩阵分解，在信号处理、统计学、机器学习等领域有重要应用。文献[11]提出基于SVD对相干光时域反射计的降噪的方法，SVD通过对信号构建Hankel矩阵进行奇异值分解，分析时域和频域中噪声的分布，选取合适奇异值阈值处理方法，对信号矩阵进行重构，从而实现对信号的消噪。在挖掘出有效数据之后，需要对送风系统进行建模。传统的建模方式包括最小二乘法[12,14]、逻辑回归(Logistic Regression)[13]。最小二乘法[12]是机器学习中的常用算法，其实现简单，计算简单，但不能拟合非线性数据。文献[14]采用最小二乘法对汽包压力模型辨识，最小二乘法因其鲁棒性强、收敛速度快，仿真曲线拟合较好，但是缺乏非线性特性且辨识模型阶次不易确定，模型阶次很难选取。逻辑回归[13]作为一种广义线性模型,常用最大似然法进行模型估计,适用于样本量大,数据分布平衡的情况。作为是机器学习当中常见的分类算法之一,逻辑回归常用于解决二类分类问题，不能很好地处理大量多类特征或变量，容易欠拟合，一般准确度角低，对于非线性特征需要进行转换。由上述文献可以发现，传统的建模方法主要针对线性问题，或者将非线性问题线性化。为了能够更加充分的对非线性模型进行辨，本文拟采用BP（Back Propagation）神经网络对送风系统进行辨识[15-20]。BP神经网络是一种按误差反向传播 (简称误差反传) 训练的多层前馈网络,是神经网络的分支，能够实现n维到m维的非线性映射[15,16]。它的基本思想是梯度下降法, 利用梯度搜索技术,通过给定目标的期望输出和实际输出值的误差函数反向传播, 不断修正神经网络隐含层和输出层的权值和阈值, 使得误差逐渐减小, 使网络输出值不断接近期望输出值[17,18]。BP网络的主要优点是：网络结构简单，算法易于编程实现；只要有足够的隐含层和隐节点，BP网络可以逼近任意的非线性映射关系；BP网络的学习算法属于全局逼近的方法因而具有较好的泛化能力[19]。文献[20]利用BP神经网络建立电站锅炉燃烧系统模型，神经网络训练结果表明：模型具有很高的精确度，可以反映锅炉的燃烧情况，用于锅炉效率和污染物排放预测。
对送风系统建立了准确的模型之后，考虑控制系统的优化。电厂传统的控制方式为PID控制，其原理是基于误差来生成消除误差的控制策略：用误差的过去、现在和变化趋势的加权和控制策略。PID在实际中大量应用，其优点是靠控制目标与实际行为之间的误差来确定消除此误差，但不易满足高性能要求，主要有四个缺点：①误差的取法；②由误差e提取de/dt的办法；③“加权和”的策略不一定最好；④积分反馈有许多副作用[21]。考虑到传统PID对扰动和负荷变化的控制效果不好，本文拟采用自抗扰控制器(ADRC)[21-24]对控制器进行优化。自抗扰控制器（Active Disturbance Rejection Control，ADRC）保留了比例积分微分（PID）强大的控制质量：偏差驱动，同时包含并充分发挥采用非线性反馈的能力[22]。自抗扰控制器在实际热工现场之中广泛应用，根据不同对象的特性确定具体的控制方案，再进行跟踪、抗扰、鲁棒性能测试验证控制效果。文献[23]应用于多变量球磨机制粉系统的仿真结果表明，采用ADRC技术能更准确地找到参数最优配置，使自抗扰控制器的性能更大程度地发挥出来。文献[24]应用于超临界机组的过热气温控制系统的经过参数优化整定的ADRC控制器的阶跃性能指标、扰动实验和模型变化优于PI控制器，验证算法优化的自抗扰控制器能够很好的控制过热气温控制系统，同时也证实了自抗扰控制在大型超临界机组具有一定的研究价值和应用前景。
综上所述，本文拟采用先进数据处理对现场数据进行预处理，然后采用易于处理复杂非线性系统的BP神经网络建立模型，最后采用自抗扰控制器优化控制方法，仿真运行送风系统动态模型，验证算法优化后的控制性能。
参考文献：
[1]张玉铎, 王满稼 热工自动控制系统[M] 北京:水利电力出版社, 1985
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
