本项目实施期间，项目组按照国家基金管理规定及时提交项目进展报告，汇报项目研究进展情况。 在燃煤电站锅炉燃烧特性模型开发、多目标优化算法、数学建模与模拟、理论研究等方面取得预期成果，基本完成了项目计划任务书中的内容:本项目在燃煤锅炉燃烧效率及NOx排放特性预测模型的建立中，尝试比较了基于分别采用BP神经网络方法、径向基（RBF）神经网络方法、Elman神经网络方法和支持向量机（SVM）的预测模型，其中BP神经网络模型及支持向量机（SVM）的预测模型效果较为稳定，锅炉热效率的训练的最大相对误差小于0.176%，NOx排放量的训练的最大相对误差小于3.312%。在前面的锅炉燃烧特性预测模型基础上，结合不同的多目标优化算法上，建立了基于权重分配的GA多目标优化模型，基于改进的NSGA-II算法的锅炉燃烧多目标优化模型，基于BP-VEGA模型的燃煤电站锅炉燃烧多目标优化模型，基于分解的多目标进化算法（MOEA/D）燃煤电站锅炉多目标优化模型。针对NSGA-II在燃煤锅炉燃烧多目标优化问题应用中Pareto解集分布不理想、易早熟收敛的问题，在拥挤算子及交叉算子上进行了相应改进，优化结果表明，改进NSGA-II方法与BP神经网络模型结合可以对锅炉燃烧实现有效的多目标寻优、得到理想的Pareto解集，是对锅炉燃烧进行多目标优化的有效工具，同改进前的NSGA-II优化结果比较，其Pareto优化结果集分布更好、解的质量更优。通过计算机在线指导锅炉配风、配煤等燃烧运行调整，达到提高锅炉运行效率的同时减小NOx排放的目的。 2100433B

燃煤电站锅炉经济运行及污染排放控制是火电企业的两大主题，燃煤电站锅炉经济高效运行是企业效益的要求，而污染排放控制是社会效益的要求，两者有统一的一面又有矛盾的一面，如何达到燃煤电站锅炉经济运行与排放污染的综合优化是火电企业目前面临的一大难题。.本研究项目拟在燃煤电站锅炉现场冷热态试验数据与历史运行数据库数据的基础上，结合及锅炉自身结构及燃烧机理，引入人工智能神经网络方法建立电站燃煤锅炉的热效率及污染物排放的灰箱模型，进而建立燃煤电站经济运行与污染排放的综合多目标优化模型，利用进化多目标算法对燃煤电站锅炉进行多目标整体优化，并对优化算法应用于锅炉燃烧多目标优化中存在的问题进行针对性的改进，为燃煤电站锅炉经济运行与污染排放综合决策提供参考依据，达到火电企业既节能又减排的综合优化目的。本项目将在神经网络建模、进化多目标优化算法等人工智能方法应用于燃煤电站锅炉进行系统的研究。

燃煤锅炉燃烧优化技术是提高锅炉燃烧效率、降低NOx排放量的有效手段，是一种多目标非线性复杂优化问题。目前研究学者常采用遗传算法求解此类燃烧优化问题。但遗传算法易陷入局部最优解，导致所建模型精度降低，影响燃烧优化效果。与遗传算法相比，DNA遗传算法可以显著提高算法搜索成功率和搜索精度。但是现有的DNA遗传算法针对多目标处理机制的研究成果较少，处理多目标问题时存在局限性。为了提高燃煤锅炉系统模型的准确性，达到锅炉燃烧效率和NOx排放量的优化目标，本项目针对DNA遗传算法的编码方法、遗传算子、多目标处理机制进行研究，提出多目标DNA遗传算法，借助算法的全局搜索性能和有效的多目标处理机制，与建模工具结合建立燃煤锅炉系统非线性混合模型，并基于所建模型，利用多目标DNA遗传算法对锅炉的运行参数进行优化。通过本项目的研究，可以有效提高电力企业的经济效益和运行水平，减少污染物排放，具有理论意义和应用价值。

燃煤锅炉是燃煤发电企业最重要的设备之一，它的燃烧优化对于我国电力行业具有重要意义。通过燃烧优化技术提高燃煤锅炉燃烧效率，可以降低煤耗率，从而降低生产成本，提升发电企业竞争力。同时，通过燃烧优化技术可以降低NOx排放量，保护环境。因此，燃煤锅炉燃烧优化控制的研究，可以有效提高电力企业的经济效益和运行水平，减少污染物排放。解决燃煤锅炉燃烧优化问题关键在于所建燃烧过程模型的准确性，而由于燃烧过程的复杂性，难以根据燃烧过程的物理化学机理，建立准确的过程数学模型。本项目采用人工神经网络来建立燃煤锅炉燃烧过程模型。由于建立的神经网络模型中含有大量的未知参数，如网络模型结构和网络参数等，因此，燃煤锅炉的燃烧优化过程建模问题可以认为是一个多目标非线性复杂优化问题，具有大量局部最优解，因此可以采用多目标优化方法来解决。DNA遗传算法是一种将生物DNA分子的生物特性及相应的分子操作引入遗传算法中，建立新的个体编码方式，并在此基础上开发新的操作算子，与传统遗传算法相比，具有更好的全局搜索能力。 本项目在三年的研究过程中，致力于多目标DNA遗传算法的研究，主要包括以下内容：一、个体编码方式。该部分研究内容主要包括普通优化问题的个体编码方式及基于网络模型的个体编码方式这两部分的研究内容。二、操作算子。该部分研究内容主要包括交叉算子、变异算子、普通选择算子和适用于多目标问题的选择算子。三、仿真测试。该部分研究内容主要包括选择具有代表性的测试函数，对提出的各种算子的性能进行测试，并做出相应的改进。四、基于神经网络的建模。该部分研究内容为将多目标DNA遗传算法与人工神经网络结合，建立各种复杂过程的人工神经网络模型，并对所建立的网络模型进行测试比较。五、基于神经网络模型的预测控制优化 该部分研究内容为利用基于多目标DNA遗传算法的人工神经网络对复杂过程建模，并在所建模型的基础上，利用预测控制方法，对过程进行控制，达到期望的控制目标。

《电站锅炉燃煤结渣预测模型及诊断软件的研究》以电站锅炉燃煤结渣为主题，主要研究电站锅炉的结渣机理及结渣过程。从煤质的单项指标入手，建立煤种在电站锅炉结渣的静态预测模型，分析锅炉运行过程中的动态结渣判断方法，讨论运行锅炉防止结渣的措施，建立锅炉动态结渣预测模型。锅炉吹灰是防止结渣的重要手段，《电站锅炉燃煤结渣预测模型及诊断软件的研究》推导并建立了受热面最佳吹灰周期模型。

《电站锅炉燃煤结渣预测模型及诊断软件的研究》还研究了利用多种因素建立锅炉结渣的综合预测模型。根据模糊数学理论，建立了几个综合预测模型：单一煤种的结渣预测模型CSMI，该模型可为现场购煤提供参考；混煤结渣判断模型CBM2，该模型可为现场配煤、锅炉混煤优化燃烧提供依据；运行锅炉结渣判断模型BMM3，利用该模型可为现场优化运行提供帮助。随后利用编程工具将各种模型用计算机来实现，为生产现场提供燃煤锅炉预测软件。最后，《电站锅炉燃煤结渣预测模型及诊断软件的研究》还对锅炉结渣的研究方向进行了展望。

《电站锅炉燃煤结渣预测模型及诊断软件的研究》可以供动力类科技工作者参考，尤其是供电厂运行人员参考借鉴，也可作为大中专院校能源类专业学生的参考用书。