梁中榮，藍(lán)茂蔚，鄭國，何榮強(qiáng)，屈可揚(yáng)，甘云華*

（1.湛江電力有限公司，廣東省 湛江市 524099；2.中國能源建設(shè)集團(tuán)廣東省電力設(shè)計(jì)研究院有限公司,廣東省 廣州市 510663；3.華南理工大學(xué)電力學(xué)院，廣東省 廣州市 510640）

0 引言

提高鍋爐效率、降低NOx排放是電站運(yùn)行的重要目標(biāo)，然而燃煤電站鍋爐效率和NOx排放特性十分復(fù)雜，受到煤種、鍋爐負(fù)荷、配風(fēng)方式等多種因素的影響，且各參數(shù)之間互相耦合，導(dǎo)致數(shù)據(jù)分析困難[1-3]。燃燒過程還伴隨著能量轉(zhuǎn)換、物理化學(xué)變化、強(qiáng)耦合和非線性等特性，是一個(gè)非常復(fù)雜的過程，從而難以用機(jī)理模型來正確描述。人工智能技術(shù)能夠有效保留參數(shù)之間復(fù)雜的非線性關(guān)系，因此在強(qiáng)耦合模型建模上引起了廣泛的關(guān)注，同時(shí)為鍋爐燃燒系統(tǒng)實(shí)現(xiàn)高效率、低NOx排放的多目標(biāo)優(yōu)化運(yùn)行提供了有效的解決方案[4-7]。

Tan等[8]利用極限學(xué)習(xí)機(jī)模型來對(duì)鍋爐運(yùn)行參數(shù)與NOx排放之間的相關(guān)性進(jìn)行建模，并對(duì)NOx排放進(jìn)行了優(yōu)化。Shin等[9]利用人工神經(jīng)網(wǎng)絡(luò)和遺傳算法建立了NOx還原系統(tǒng)模型。Tuttle等[10]采用在線神經(jīng)網(wǎng)絡(luò)進(jìn)行建模，利用粒子群優(yōu)化(particle swarm optimization，PSO)算法來減少燃煤電廠的排放。王培紅等[11]利用人工神經(jīng)網(wǎng)絡(luò)技術(shù)實(shí)現(xiàn)NOx與飛灰含碳等參量的軟測(cè)量，并利用加權(quán)因子將多目標(biāo)優(yōu)化問題轉(zhuǎn)化為單目標(biāo)問題，進(jìn)而實(shí)現(xiàn)鍋爐燃燒優(yōu)化。周昊等[12-13]利用神經(jīng)網(wǎng)絡(luò)模型對(duì)NOx排放建立模型，并用遺傳算法進(jìn)行尋優(yōu)。但人工神經(jīng)網(wǎng)絡(luò)模型存在著訓(xùn)練時(shí)間長、結(jié)果不確定、容易陷入局部極值和過學(xué)習(xí)等問題[14]。

支持向量機(jī)(support vector machine，SVM)根據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，能夠有效地抑制欠學(xué)習(xí)和過學(xué)習(xí)現(xiàn)象，泛化能力較強(qiáng)[15]。Zhou 等[16]利用SVM提出了新型在線煤識(shí)別系統(tǒng)，以實(shí)現(xiàn)可變?nèi)紵龡l件下的在線煤識(shí)別和電站的連續(xù)優(yōu)化。Ahmed 等[17]將實(shí)時(shí)更新的方法應(yīng)用于最小二乘支持向量機(jī)(least squares support vector machines，LSSVM)模型，構(gòu)建了用于預(yù)測(cè)NOx的實(shí)時(shí)預(yù)測(cè)版本，增強(qiáng)了LSSVM對(duì)長期預(yù)測(cè)的概括能力，具有較高的預(yù)測(cè)精度。趙國欽等[18]分別采用交叉驗(yàn)證算法、PSO 算法、遺傳算法優(yōu)化LSSVM 模型參數(shù)，建立煙氣含氧量預(yù)測(cè)模型。李揚(yáng)等[19]通過主元分析法提取主成分，有效避免了特征變量維度過大的問題，建立了PCA-PSO-LSSVM 鍋爐效率預(yù)測(cè)模型。孫黎霞等[20]建立冷熱電聯(lián)供型微電網(wǎng)的多目標(biāo)優(yōu)化模型，根據(jù)最大滿意度的原則將多目標(biāo)優(yōu)化模型轉(zhuǎn)化為單目標(biāo)優(yōu)化模型，利用改進(jìn)型遺傳算法優(yōu)化出力。呂玉坤等[21]用權(quán)重系數(shù)法將雙目標(biāo)問題轉(zhuǎn)化成了單目標(biāo)問題，使問題大為簡化，通過調(diào)整權(quán)重系數(shù)，得到不同側(cè)重的優(yōu)化結(jié)果。由上述研究可以發(fā)現(xiàn)，目前大多數(shù)研究側(cè)重于智能預(yù)測(cè)模型的建立，或是側(cè)重于采用傳統(tǒng)的線性加權(quán)法進(jìn)行多目標(biāo)優(yōu)化，優(yōu)化效率低，而且容易陷入局部最優(yōu)，不利于為電站鍋爐的實(shí)際運(yùn)行提供有力的指導(dǎo)。因此，針對(duì)鍋爐燃燒系統(tǒng)實(shí)現(xiàn)高效率、低NOx多目標(biāo)優(yōu)化的智能優(yōu)化算法值得進(jìn)行研究。

本文研究的鍋爐為某電站1 000 MW的超超臨界鍋爐，型號(hào)為DG3033/26.15-II1型，為東方鍋爐廠制造的超超臨界參數(shù)變壓直流爐，前后墻對(duì)沖燃燒，固態(tài)排渣，單爐膛，一次中間再熱，采用煙氣擋板調(diào)節(jié)再熱汽溫，平衡通風(fēng)，露天布置，全鋼構(gòu)架，全懸吊結(jié)構(gòu)，Π型鍋爐?；趫F(tuán)隊(duì)前期工作所建立的高精度、泛化性強(qiáng)的鍋爐燃燒系統(tǒng)模型[22]可知，所建立的模型可以準(zhǔn)確預(yù)測(cè)鍋爐效率與NOx濃度。因此，在高精度預(yù)測(cè)模型的基礎(chǔ)上，可以利用智能優(yōu)化算法實(shí)現(xiàn)鍋爐燃燒系統(tǒng)的多目標(biāo)優(yōu)化，為鍋爐運(yùn)行提供參考指導(dǎo)。與前期建模工作相結(jié)合，分別利用加權(quán)-粒子群算法和多目標(biāo)粒子群優(yōu)化(multi-objective particle swarm optimization，MOPSO)算法，針對(duì)鍋爐燃燒系統(tǒng)進(jìn)行高效率、低NOx排放的多目標(biāo)優(yōu)化，實(shí)現(xiàn)電站鍋爐燃燒系統(tǒng)從建模到優(yōu)化運(yùn)行的完整智能算法優(yōu)化過程。

1 多目標(biāo)燃燒優(yōu)化問題

鍋爐燃燒優(yōu)化的實(shí)質(zhì)是在降低NOx排放的同時(shí)，提高鍋爐燃燒效率，因此是一個(gè)多目標(biāo)的優(yōu)化問題。多目標(biāo)優(yōu)化函數(shù)之間并不是獨(dú)立存在的，它們往往是耦合在一起的互相競爭的目標(biāo)，一個(gè)子目標(biāo)的改善有可能引起另一個(gè)子目標(biāo)性能的降低，對(duì)其進(jìn)行優(yōu)化相當(dāng)困難。各目標(biāo)函數(shù)之間互相沖突，因此多目標(biāo)優(yōu)化問題不存在能夠滿足所有目標(biāo)函數(shù)同時(shí)最優(yōu)的唯一全局最優(yōu)解。但是，可以存在這樣的解：對(duì)一個(gè)或幾個(gè)目標(biāo)函數(shù)不可能進(jìn)一步優(yōu)化，而對(duì)其他目標(biāo)函數(shù)不至于劣化，這樣的解稱之為Pareto解[23]。

多目標(biāo)優(yōu)化算法歸結(jié)起來分為傳統(tǒng)優(yōu)化算法和智能優(yōu)化算法兩大類。傳統(tǒng)優(yōu)化方法包括加權(quán)法、約束法和線性規(guī)劃法等，本質(zhì)是將多目標(biāo)函數(shù)轉(zhuǎn)化為單目標(biāo)函數(shù)，通過采用單目標(biāo)優(yōu)化的方法達(dá)到對(duì)多目標(biāo)函數(shù)的求解。智能優(yōu)化算法包括多目標(biāo)遺傳算法、多目標(biāo)粒子群算法等。兩者的區(qū)別在于傳統(tǒng)優(yōu)化技術(shù)一般每次只能得到Pareto解集中的一個(gè)，而用智能算法來求解，可以得到更多的Pareto 解，這些解構(gòu)成了一個(gè)最優(yōu)解集，稱為Pareto最優(yōu)解。

本文鍋爐燃燒優(yōu)化的實(shí)質(zhì)就是通過對(duì)鍋爐燃燒系統(tǒng)的運(yùn)行參數(shù)進(jìn)行尋優(yōu)，改善燃燒工況，滿足鍋爐燃燒效率需求的同時(shí)降低NOx排放，是典型的多目標(biāo)問題。但是由于鍋爐燃燒系統(tǒng)復(fù)雜程度高，燃燒過程涉及多學(xué)科理論交叉，具有耦合性強(qiáng)、非線性相關(guān)等特點(diǎn)，難以用機(jī)理模型來正確描述。加上燃燒設(shè)備老化、調(diào)整周期長等因素，導(dǎo)致鍋爐在燃燒過程中達(dá)不到最優(yōu)運(yùn)行狀況，因此，基于機(jī)器學(xué)習(xí)的鍋爐燃燒優(yōu)化，本質(zhì)就是在建立的鍋爐燃燒系統(tǒng)預(yù)測(cè)模型基礎(chǔ)上，對(duì)影響鍋爐高效率運(yùn)行、低NOx排放的燃燒操作參數(shù)進(jìn)行尋優(yōu)，得到優(yōu)化工況，提高鍋爐效率同時(shí)滿足NOx排放目標(biāo)，保證機(jī)組的安全、環(huán)保和經(jīng)濟(jì)運(yùn)行，從而實(shí)現(xiàn)鍋爐系統(tǒng)的燃燒優(yōu)化。

2 多目標(biāo)優(yōu)化算法

2.1 加權(quán)因子優(yōu)化算法

加權(quán)法通過采用加權(quán)因子，將多目標(biāo)優(yōu)化問題轉(zhuǎn)化為單目標(biāo)問題。由模型建立過程可知，粒子群算法具有精度高、收斂快等優(yōu)點(diǎn)，因此通過加權(quán)法轉(zhuǎn)化的單目標(biāo)問題可使用標(biāo)準(zhǔn)粒子群算法進(jìn)行尋優(yōu)，組成加權(quán)-粒子群算法，通過改變操作變量使目標(biāo)函數(shù)達(dá)到最小，從而確定最優(yōu)的操作量。加權(quán)-粒子群算法的鍋爐燃燒優(yōu)化目標(biāo)函數(shù)可表示為

式中：ηc，opt，ηc分別為經(jīng)過歸一化處理的優(yōu)化工況的鍋爐效率和經(jīng)過歸一化處理的原始工況的鍋爐效率；ρc，opt(NOx)，ρc(NOx)分別為經(jīng)過歸一化處理的優(yōu)化工況的NOx排放量和經(jīng)過歸一化處理的原始工況的NOx排放量；a，b分別為鍋爐效率項(xiàng)和NOx排放量項(xiàng)的權(quán)重，且a+b=1，a，b的權(quán)重大小代表著對(duì)鍋爐效率和NOx排放濃度的關(guān)注程度，例如取a=0.8，b=0.2，表示尋優(yōu)結(jié)果更關(guān)注于效率因素；l和u分別為變量x的上下限約束。

設(shè)置粒子群算法的參數(shù)如下：初始種群規(guī)模為20，迭代次數(shù)為150，初始慣性權(quán)重ω=0.5，慣性權(quán)重衰減因子ωdamp=0.99，每次迭代結(jié)束后慣性權(quán)重衰減為ωn+1=ωn×ωdamp，加速常數(shù)c1=1，c2=2。由于每組優(yōu)化權(quán)重只能得到Pareto 解集中的一個(gè)，故針對(duì)不同的權(quán)重組合需要進(jìn)行多次的優(yōu)化。

2.2 多目標(biāo)粒子群算法

Coello 等[23]在標(biāo)準(zhǔn)PSO 算法的基礎(chǔ)上提出了MOPSO算法。

鍋爐燃燒系統(tǒng)多目標(biāo)優(yōu)化問題數(shù)學(xué)描述如下：

MOPSO的流程圖如圖1所示。

圖1 MOPSO算法流程圖Fig.1 Flowchart of MOPSO algorithm

算法步驟如下：

1）初始化參數(shù)。初始化粒子群的相關(guān)參數(shù)，種群大小N，最大迭代次數(shù)M，加速因子c1、c2，慣性權(quán)重ω，慣性權(quán)重衰減因子ωdamp，決策變量的維數(shù)D，變量初始速度以及速度更新范圍，初始位置以及位置更新范圍，外部非支配解檔案集的大小等。

2）確定個(gè)體最優(yōu)。與標(biāo)準(zhǔn)型PSO 算法相同，首先需要計(jì)算出每個(gè)粒子對(duì)應(yīng)的適應(yīng)度函數(shù)值。不同的是，多目標(biāo)粒子群算法通過粒子之間的支配關(guān)系，從粒子個(gè)體的歷史非支配解中隨機(jī)選出一個(gè)非支配解，作為粒子當(dāng)前的個(gè)體最優(yōu)解。

3）確定外部檔案及全局最優(yōu)。將粒子種群中所有個(gè)體的最優(yōu)非支配解存放在外部非支配解檔案rep中，以此組成非支配解集。從外部非支配解檔案中隨機(jī)選擇一個(gè)非支配解作為種群迭代的全局最優(yōu)。

4）粒子群位置和速度的更新。為滿足粒子在變化范圍內(nèi)，對(duì)更新后粒子群的位置和速度進(jìn)行了范圍限制，使之不超出決策空間。

5）外部檔案的更新。每一次迭代結(jié)束后粒子群都會(huì)產(chǎn)生新的非支配解，根據(jù)非支配關(guān)系，將外部非支配解檔案中的非支配解與新產(chǎn)生的非支配解進(jìn)行比較，從而選擇更加優(yōu)化的非支配解，對(duì)外部非支配解檔案進(jìn)行更新。

2.3 操作量變化范圍

在前期建模[21]過程中，由于在一段較長的時(shí)間內(nèi)電廠生產(chǎn)采用的是同種煤種，建?？紤]的因素主要為可調(diào)整運(yùn)行參數(shù)，煤質(zhì)參數(shù)不可調(diào)整，因此模型是針對(duì)某一特定煤種所建立，煤質(zhì)參數(shù)如表1所示。

表1 樣本煤質(zhì)參數(shù)Tab.1 Sample coal quality parameters

在燃燒模型的所有輸入中，機(jī)組運(yùn)行負(fù)荷由電網(wǎng)調(diào)度決定，煤質(zhì)特性取決于當(dāng)前鍋爐的燃煤，磨煤機(jī)出力和磨煤機(jī)入口風(fēng)量由運(yùn)行負(fù)荷決定，因此這些輸入變量不適合作為鍋爐運(yùn)行時(shí)調(diào)整燃燒的變量。

本文選擇可調(diào)整操作變量組成待優(yōu)化參數(shù)向量X，分別為運(yùn)行氧量、4 個(gè)燃盡風(fēng)風(fēng)門開度和8個(gè)外二次風(fēng)風(fēng)門開度，并為向量中的每個(gè)分量設(shè)定約束范圍，如表2所示。在142個(gè)訓(xùn)練樣本中隨機(jī)挑選一個(gè)樣本作為優(yōu)化工況，分別進(jìn)行加權(quán)-粒子群算法優(yōu)化和MOPSO算法優(yōu)化。

表2 操作量的變化范圍Tab.2 Variation range of operation volume

3 優(yōu)化結(jié)果分析

3.1 高負(fù)荷下多目標(biāo)優(yōu)化結(jié)果

在142 個(gè)樣本中，隨機(jī)選取一個(gè)在800～1 000 MW 的高負(fù)荷工況分別進(jìn)行加權(quán)-粒子群算法和多目標(biāo)粒子群算法優(yōu)化，優(yōu)化性能對(duì)比如表3和圖2所示。

表3 高負(fù)荷下2種算法優(yōu)化性能對(duì)比Tab.3 Comparison of optimization performance of two algorithms under high load conditions

圖2 高負(fù)荷工況下燃燒優(yōu)化結(jié)果Fig.2 Combustion optimization results under high load conditions

由圖2可知，當(dāng)a從0.1升至0.5時(shí)，目標(biāo)函數(shù)側(cè)重于降低NOx排放濃度，對(duì)比優(yōu)化前的樣本工況，優(yōu)化后的樣本工況均能有效降低NOx排放濃度，優(yōu)化效果明顯。同時(shí)，隨著a的增大，鍋爐效率提升幅度明顯，NOx排放濃度增幅較小。因此，想要提高鍋爐效率，不可避免地會(huì)導(dǎo)致NOx排放濃度有一定程度的增大。當(dāng)a從0.5 升至0.9時(shí)，鍋爐效率提升速度減緩，與此同時(shí)NOx排放濃度卻快速增大，并且重復(fù)進(jìn)行9 組權(quán)重組合優(yōu)化，總用時(shí)達(dá)到345.62 s。值得注意的是，優(yōu)化結(jié)果出現(xiàn)了惡化的情況，如a=0.1，b=0.9 的權(quán)重組合與a=0.2，b=0.8 的權(quán)重組合相比，鍋爐效率優(yōu)化結(jié)果區(qū)別不大，但NOx排放量優(yōu)化結(jié)果更大。這是由于每組權(quán)重組合的優(yōu)化是單獨(dú)分開的，重復(fù)循環(huán)，因此無法將各組之間的非支配解進(jìn)行非支配關(guān)系比較，同時(shí)當(dāng)優(yōu)化過程中找到相對(duì)于原始工況更優(yōu)的情況時(shí)，有可能陷于局部最優(yōu)。

MOPSO 算法所得優(yōu)化結(jié)果如表3 和圖2 所示，共37 個(gè)Pareto 解。MOPSO 算法所得優(yōu)化結(jié)果整體趨勢(shì)與不同權(quán)重組合下的加權(quán)-粒子群算法優(yōu)化結(jié)果趨勢(shì)大致相同，其中每一個(gè)Pareto 解相當(dāng)于一組權(quán)重組合下的加權(quán)-粒子群算法優(yōu)化結(jié)果。由于MOPSO算法設(shè)置了外部非支配解檔案，用于儲(chǔ)存優(yōu)化過程中的Pareto 解，因此本次MOPSO算法僅運(yùn)行一次，迭代次數(shù)為150次，得到37個(gè)優(yōu)化結(jié)果，優(yōu)化所用時(shí)長為58.99 s，相當(dāng)于實(shí)現(xiàn)了37 組權(quán)重組合的加權(quán)-粒子群算法優(yōu)化過程。相較于加權(quán)-粒子群算法運(yùn)行9組權(quán)重組合需要345.62 s，MOPSO 算法大大提高了優(yōu)化效率，并且可得更多的優(yōu)化結(jié)果供技術(shù)人員參考選擇。

3.2 中負(fù)荷下多目標(biāo)優(yōu)化結(jié)果

在142 個(gè)樣本中，隨機(jī)選取一個(gè)在600～800 MW范圍內(nèi)的中負(fù)荷工況分別進(jìn)行加權(quán)-粒子群算法和多目標(biāo)粒子群算法優(yōu)化，優(yōu)化性能對(duì)比如表4和圖3所示。

表4 中負(fù)荷下2種算法優(yōu)化性能對(duì)比Tab.4 Comparison of optimization performance of two algorithms under medium load conditions

圖3 中負(fù)荷工況下燃燒優(yōu)化結(jié)果Fig.3 Combustion optimization results under medium load conditions

由圖3可知，中負(fù)荷下多目標(biāo)優(yōu)化結(jié)果與高負(fù)荷下優(yōu)化結(jié)果類似。重復(fù)進(jìn)行9組權(quán)重組合優(yōu)化，總用時(shí)達(dá)到260.19 s。當(dāng)a＜0.5 時(shí)，權(quán)重偏向于抑制NOx排放，導(dǎo)致鍋爐效率低于優(yōu)化前的工況。值得注意的是，與高負(fù)荷工況的優(yōu)化情況類似，優(yōu)化結(jié)果出現(xiàn)了惡化的情況，如a=0.1，b=0.9與a=0.3，b=0.7的權(quán)重組合相比，NOx排放優(yōu)化效果更差。

MOPSO 算法所得優(yōu)化結(jié)果如表4 和圖3 所示，共30 個(gè)Pareto 解。與高負(fù)荷工況類似，相較于加權(quán)-粒子群算法，MOPSO 算法大大提高了優(yōu)化效率，并且可得更多的優(yōu)化結(jié)果供技術(shù)人員參考選擇。

3.3 低負(fù)荷下多目標(biāo)優(yōu)化結(jié)果

在142 個(gè)樣本中，隨機(jī)選取一個(gè)在450～600 MW范圍內(nèi)的低負(fù)荷工況分別進(jìn)行加權(quán)-粒子群算法和多目標(biāo)粒子群算法優(yōu)化，優(yōu)化性能對(duì)比如表5和圖4所示。

表5 低負(fù)荷下2種算法優(yōu)化性能對(duì)比Tab.5 Comparison of optimization performance of two algorithms under low load conditions

圖4 低負(fù)荷工況下燃燒優(yōu)化結(jié)果Fig.4 Combustion optimization results under low load conditions

由圖4可知，低負(fù)荷下多目標(biāo)優(yōu)化結(jié)果與高負(fù)荷下優(yōu)化結(jié)果類似。當(dāng)a從0.1升至0.5時(shí)，優(yōu)化效果明顯。當(dāng)a從0.5 升至0.9 時(shí)，鍋爐效率提升速度減緩。與高負(fù)荷工況的優(yōu)化情況類似，優(yōu)化結(jié)果也出現(xiàn)了惡化的情況。

MOPSO 算法所得優(yōu)化結(jié)果如表5 和圖4 所示，共68 個(gè)Pareto 解。MOPSO 算法所得優(yōu)化結(jié)果整體趨勢(shì)與不同權(quán)重組合下的加權(quán)-粒子群算法優(yōu)化結(jié)果趨勢(shì)大致相同，其中每一個(gè)Pareto 解相當(dāng)于一組權(quán)重組合下的加權(quán)-粒子群算法優(yōu)化結(jié)果，相較于加權(quán)-粒子群算法，MOPSO 算法大大提高了優(yōu)化效率。

以中負(fù)荷為代表，由于電站運(yùn)行時(shí)會(huì)綜合考慮鍋爐效率和NOx排放2 個(gè)目標(biāo)的優(yōu)化，因此分別選取加權(quán)-粒子群算法與MOPSO算法的綜合優(yōu)化結(jié)果進(jìn)行分析，如表6所示。由表6可知，優(yōu)化后的工況主要通過降低運(yùn)行氧量來降低煙氣量，使得排煙熱損失減少，從而提高鍋爐效率。同時(shí)增大燃盡風(fēng)風(fēng)門開度，會(huì)減少下層燃燒器的送風(fēng)量，下層燃燒區(qū)域處于貧氧燃燒狀態(tài)，燃燒區(qū)域的溫度水平會(huì)降低，抑制NOx排放，這與抑制煤粉爐NOx生成的分級(jí)燃燒原則[24]是一致的，說明了智能算法優(yōu)化電站鍋爐燃燒系統(tǒng)有效可行。

表6 中負(fù)荷下鍋爐燃燒綜合優(yōu)化前后參數(shù)對(duì)比Tab.6 Comparison of parameters before and after comprehensive optimization of boiler combustion under medium load conditions

4 結(jié)論

在前期工作中所建立的高精度預(yù)測(cè)模型的基礎(chǔ)上，在高中低3種負(fù)荷工況下，分別利用加權(quán)-粒子群算法和多目標(biāo)粒子群優(yōu)化算法，以高效率、低NOx排放為目的，對(duì)鍋爐燃燒系統(tǒng)進(jìn)行了燃燒優(yōu)化。主要結(jié)論如下：

1）加權(quán)-粒子群算法和MOPSO 算法優(yōu)化后操作參數(shù)相近，與燃燒特性分析和燃燒調(diào)整試驗(yàn)結(jié)果相近，均能實(shí)現(xiàn)鍋爐高效率、低NOx排放的燃燒優(yōu)化，說明智能算法優(yōu)化電站鍋爐燃燒系統(tǒng)有效可行。

2）加權(quán)-粒子群算法優(yōu)點(diǎn)在于能夠?qū)⒍嗄繕?biāo)問題轉(zhuǎn)換成單目標(biāo)問題，使用標(biāo)準(zhǔn)粒子群算法尋找單目標(biāo)適應(yīng)度最優(yōu)值，算法原理簡單。但在實(shí)際優(yōu)化過程中有一定缺點(diǎn)，對(duì)于各目標(biāo)加權(quán)因子的分配主觀性影響較大，而且優(yōu)化目標(biāo)為各目標(biāo)加權(quán)和，不同目標(biāo)的優(yōu)化進(jìn)展無法同時(shí)操作，無法將各組之間的非支配解進(jìn)行非支配關(guān)系比較。同時(shí)，當(dāng)權(quán)重組合進(jìn)行修改后，優(yōu)化算法需要重新設(shè)置，優(yōu)化時(shí)間過長，不利于電站鍋爐燃燒系統(tǒng)的實(shí)際運(yùn)行優(yōu)化操作。

3）多目標(biāo)粒子群優(yōu)化算法由于設(shè)置了外部非支配解檔案，用于儲(chǔ)存優(yōu)化過程中的Pareto 解，可以大大提高優(yōu)化速度，同時(shí)有效對(duì)比了不同的Pareto 解的非支配關(guān)系，優(yōu)化結(jié)果更多，可供工作人員按照實(shí)際運(yùn)行需求從中選擇適合運(yùn)行情況的滿意解。