CN115755624B 一种基于进化算法的燃煤锅炉多目标优化方法 （浙江大学）

algorithmforconstrainedmulti-文.一种基于进化算法的燃煤锅炉多目标优化本发明公开了一种基于进化算法的燃煤锅数建立梯度下降决策树模型来模拟锅炉燃烧过程，并在建立锅炉燃烧模型的基础上结合NSGA_聂算法对关键参数集合中的关键参数进行迭代在线调整操作变量以达到提高燃烧效率并减少2S1、采集燃煤锅炉运行过程中运行参数集合和S2、针对目标参数集合中的每一个目标参数;其中：优化目标是使得所有的锅炉燃烧效率指标和污染物排放量指标都达到尽可能小，yf(v,x),yf(v,x),…,y"(v,x)分别代表目标参数对应的梯度下降决策树模S101、根据预先设定的运行参数集合和目标参数集集和测试集中的每个样本均包含一个运行时刻的运行参数集S104、对训练集和测试集中样本的运行参数集合标，表示为目标参数集合，为需要进行优化的目标参数的总个数，3i=1,2,.…,N，j=1,2,…,m；其中锅炉燃烧效率指标采用与锅炉燃烧效率负相关的指标形S202、针对个目标参数，分别建立多输入单炉燃烧过程，每个梯度下降决策树模型的输入均为所述关键参数集合中的p十q个关键参S203、对测试集数据进行和训练集数据相同的S302、选择NSGA聂算法作为多目标优化时的遗传算法，先对遗传算法的参数进行设S303、在初始种群基础上，基于NSGA一聂算法对关叉和多项式变异产生子代Q，将P被Q合并为种群R进行快速非支配排序和拥挤距离计算，4S402、根据S401中选择的最优解对应的关键参数集5燃烧效率和减少污染物排放相关的多目标参数6训练集和测试集中的每个样本均包含一个运行时刻的运锅炉燃烧过程，每个梯度下降决策树模型的输入均为所述关键参数集合中的p+q个关键参7能小，YH(v,x),yf(v,x),…,y"(v,x)分别代表目标参数对应的梯度下降决策树序和拥挤距离计算，根据个体优劣程度从R中选择性能较优的种群规模大小的个体作为下[0030]S401、在S3中得到的帕累托最优解集中寻找是否存在所有目标函数都减小的情8训练集和测试集中的每个样本均包含一个运行时刻的运[t,为所有需要优化的锅炉燃烧效率指标和污染物排放量指标，表示为目标参数集合锅炉燃烧过程，每个梯度下降决策树模型的输入均为所述关键参数集合中的p+q个关键参9能小，H(v,x),y引(v,x),…,y"(v,x)分别代表目标参数对应的梯度下降决策树快速非支配排序和拥挤距离计算，根据个体优劣程度从R中选择性能较优的种群规模大小[0066]S401、在S3中得到的帕累托最优解集中寻找是否存在所有目标函数都减小的情[0072]参照图1，展示了本实施例中的基于进化算法的燃煤锅炉多目标优化方法的流程出为需要优化的性能指标即目标参数集合，表示为m为需要维得到作为输入的关键参数集合包含35个运行参数(包括19个不可调节的运行变量和16个立训练集的A空预器出口温度梯度下降决策树模型、B空预器出口温度梯度下降决策树模为测试集中整体2343个测试样本在A空预器出口温度梯度下降决策树模型上的验证测试结优解。最优解的选择过程可参照图5，其中优化程度最高的筛选标准可以按照如下准则执[0103]针对共300个测试样本进行优化结果统计：单个目标函数的平均优化率可达