一种燃烧器内部燃气流量控制优化方法与流程

本发明涉及燃烧器内部燃气流量控制领域，具体涉及一种燃烧器内部燃气流量控制优化方法。

背景技术：

1、在阳极炭块的焙烧过程中，燃烧器内燃气流量的优化控制不仅是确保焙烧质量的关键因素，也是提高能效、降低生产成本的重要手段；由于不同型号的阳极炭块在结构、材料特性和尺寸等方面存在差异，因此它们对焙烧温度的要求各不相同；若温度控制不精确，可能导致炭块性能下降或能耗增加；因此，精确控制燃气流量成为实现目标温度调节的核心手段；通过优化燃气流量，既可以确保炭块在焙烧过程中达到最佳的温度曲线，同时也可以避免能源浪费，达到高效生产的目的。

2、在当前的燃烧器流量控制过程中，主要采用的是pid控制方法；pid控制器（比例-积分-微分控制）是工业过程控制中最常见的技术之一，通过对比例、积分和微分三个参数的调整，pid控制器能够精确调节燃气流量，从而维持火道内的目标温度；虽然pid控制方法在燃烧器流量控制中应用广泛，并且具有较高的稳定性和可靠性，但是，pid控制器的性能高度依赖于kp、ki、kd参数的设置；不同的工况和系统响应需要不同的参数值，手动调节这些参数往往需要大量的经验和实验，有时调节不当会导致系统不稳定或响应过慢。

3、伞蜥优化算法（flo）是2024年新提出的一种群体智能优化算法，该算法通过模仿伞蜥的捕猎行为和进食后的撤退行为，将算法分为探索和开发两个阶段，通过个体之间的协作和信息共享来寻求问题的最优解；使用伞蜥优化算法来优化pid控制器参数，可以显著提升燃烧器流量控制的性能，尤其是在应对复杂和多变的外部环境时；虽然伞蜥优化算法能够很好地平衡全局探索和局部开发以及在算法初始阶段具有较强的全局搜索能力，但是，在面对高维问题时，flo可能会表现出不稳定性，并且flo的局部搜索能力较差，在接近最优解时，flo的精细搜索能力可能不足，导致最终解的精度不高。

技术实现思路

1、本发明的目的在于：针对现有技术的不足，本发明提出了一种燃烧器内部燃气流量控制优化方法，通过改进伞蜥优化算法（iflo）优化pid控制器参数，实现对燃烧器内部燃气流量的精准控制，进而确保阳极炭块在焙烧的过程中，温度控制更加的精准和可靠。

2、为了实现上述目的，本发明采用了如下技术方案：一种燃烧器内部燃气流量控制优化方法，包括：改进伞蜥优化算法（iflo）与位置式pid控制算法，具体步骤为：

3、步骤1、根据不同型号阳极炭块的焙烧温度要求，建立燃烧器流量控制系统模型，所述模型包括数学模型和仿真模型。

4、步骤2、通过改进个体运动参数i和引入“模拟退火”策略对伞蜥优化算法进行改进，所述改进点为：

5、s21、在伞蜥优化算法处于探索阶段时，引入自适应因子改进个体运动参数，提高算法的自适应性；

6、s22、在伞蜥优化算法处于开发阶段时，引入“模拟退火”策略，改进算法开发阶段的位置更新公式，提高算法的局部搜索能力。

7、步骤3、选择合适的目标函数，通过iflo算法优化pid控制器参数，算法迭代寻优，通过模拟伞蜥的自然行为，在搜索空间中搜寻最佳pid控制参数，并得到最优pid控制方法，即iflo-pid控制方法。

8、步骤4、通过iflo-pid控制方法对燃烧器内部燃气流量进行精确控制，根据实时反馈的火道区域的温度值，计算目标温度与实际温度之间的偏差值e(t)并输入到iflo-pid控制器中，得到控制量，即燃烧器内部燃气流量，实现对燃气流量的闭环iflo-pid控制。

9、进一步地，所述燃烧器流量控制的数学模型，包括：首先，根据不同型号阳极炭块的焙烧温度要求，建立温度需求模型；其次，燃烧器内燃气流量的大小直接影响火道温度，因此，需要建立燃气流量与加热温度之间的数学模型。

10、进一步地，所述温度需求模型描述在燃烧器的反应过程中，温度需求曲线包括：升温阶段，恒温阶段，降温阶段三个阶段的，温度需求曲线为：

11、（1）；

12、式（1）中，为t时刻的燃烧器温度，为初始温度，为目标温度，和分别为升温和降温速率，t为燃烧器运行的时间。

13、进一步地，燃气流量会直接影响燃烧炉内的温度变化，因此，建立燃气流量与加热温度之间的数学模型为：

14、（2）；

15、式（2）中，为t时刻的燃烧器温度，为t时刻的燃气流量，为环境温度，为燃气流量与温度的函数，为环境温度和时间对炉内温度的影响，其他参数意义同上。

16、进一步地，通过pid控制器对燃气流量进行调节，以满足温度需求。控制器根据目标温度与实际温度的误差值，动态调整燃气流量，位置式pid控制器模型为：

17、（3）；

18、式（3）中，为t时刻的燃气流量，e(t)为目标温度与实际温度的误差值，，kp、ki、kd为pid控制器的比例、积分和微分系数，其他参数意义同上。

19、进一步地，为实现对燃烧器内部燃气流量的最优控制，需要选择合适的目标函数，综合考虑燃烧器的温度需求和燃气流量控制反应速度，所选择目标函数为：

20、（4）；

21、式（4）中，t为系统运行时间，为燃烧器的目标温度，为t时刻的燃烧器实际温度， 为调整非线性权重敏感度的参数，其他参数意义同上。

22、进一步地，改进伞蜥优化算法，更深入地，在伞蜥优化算法的探索阶段位置更新数学模型中引入自适应因子改进个体运动参数，提高算法的自适应性，改进后的数学模型为：

23、（5）；

24、式（5）中，i=1，…，npop，npop为种群数量，是一个随迭代次数k变化的函数，代表了当前个体位置和最佳个体位置之间的吸引力，为最佳个体位置，为当前迭代个体位置，代表了个体位置更新的随机强度，为取值在（0,1]之间的随机数，的数学模型为：

25、（6）；

26、式（6）中，为初始运动参数强度值，通过在数学模型中引入正弦函数，给自适应因子加入周期性的波动，增强算法的随机性，为波动幅度，为算法迭代次数，maxiter为算法最终迭代次数，为当前个体位置适应度与最佳个体位置适应度之间的差值，为最佳个体位置的适应度，保证了算法初期具备较强的探索能力，同时避免局部最优，并且在后期通过减少随机性和增加开发性来保证算法收敛。

27、进一步地，改进伞蜥优化算法，更深入地，引入“模拟退火”策略，改进伞蜥优化算法开发阶段的位置更新数学模型，提高算法的局部搜索能力，改进后的开发阶段位置更新数学模型为：

28、（7）；

29、式（7）中，为开发阶段采用模拟退火策略更新后的个体位置，为当前迭代个体位置，ub和lb为算法搜索空间的上下界，即纬度值为dim的行向量，用于控制模拟退火部分的强度，为种群中随机选择的个体，为为当前个体位置适应度与最佳个体位置适应度之间的差值，为随迭代次数降低的退火温度，为取值在（0,1]之间的随机数，其他参数意义同上，的数学模型为：

30、（8）；

31、式（8）中，为模拟退火的初始温度值，为温度降低的幅度，其他参数意义同上。

32、进一步地，当小于0时，算法无条件采用模拟退火策略更新开发阶段个体位置，否则，根据接受概率 p的大小，决定是否采用模拟退火策略更新个体位置，随着迭代次数的增加，p的值逐渐减小，p的数学模型为：

33、（9）；

34、式（9）中，各参数意义同上，选择是否采用模拟退火的数学模型为：

35、（10）；

36、式（10）中，为开发阶段更新后的个体位置，的意义同上，为采用开发阶段原位置更新数学模型的个体位置，为取值在（0,1]之间的随机数，其他参数意义同上，通过引入模拟退火的接受机制，增强了伞蜥算法在开发阶段的跳出局部最优的能力，同时确保算法整体优化的稳健性，有效提高了算法的收敛速度和最终解的质量。

37、进一步地，在步骤4中，pid控制器的系数分别为比例系数 kp、积分系数 ki和微分系数 kd，将 kp、ki、kd 编码为伞蜥优化算法的搜索空间维度dim，更深入地，用于优化燃烧器内部燃气流量的pid控制参数 kp、ki、kd 被编码为 npop 个三维向量的纬度值，这些三维向量构成了一个上下界为 [ub,lb] 的搜索空间，每个三维向量与个体位置建立三维映射，通过更新个体位置来更新 kp、ki、kd 参数值。

38、进一步地，所述步骤3中通过迭代寻优，模拟伞蜥的自然行为，在搜索空间中搜寻最佳pid控制参数，并得到最优pid控制方法，具体步骤为：

39、s31、初始化改进伞蜥算法（iflo）的种群数量npop，最终迭代次数maxiter，搜索空间的上下界ub和lb，搜索空间的维度dim;

40、s32、通过伪随机数法生成种群个体的初始位置，计算并保存各个体的初始位置的适应度，伪随机法的数学模型为：

41、（11）；

42、式（11）中，i=1，…，npop，为通过伪随机数生成的个体初始位置，r为取值在（0,1]之间的随机数，其他参数意义同上；

43、s33、算法进入探索阶段，模拟伞蜥的捕猎行为对种群个体进行位置更新，首先给每个个体确定一个猎物候选集，猎物候选集中的所有猎物的位置的适应度都小于该个体位置的适应度，其次，算法在模拟伞蜥狩猎行为的位置更新数学模型为：

44、（12）；

45、式（12）中，为模拟伞蜥狩猎行为更新后的个体位置，为当前迭代中的个体位置，为从的候选猎物集中随机选择的一个猎物位置，为引入自适应因子改进后的个体运动参数，的数学模型同上，为取值在（0,1]之间的随机数；

46、s34、计算更新后个体位置的适应度，通过贪婪选择判断更新后的个体位置的适应度是否小于个体原位置的适应度，贪婪选择的数学模型为：

47、（13）；

48、式（13）中，为算法探索阶段的个体更新后位置，为位置的适应度，为位置的适应度，其他参数意义同上；

49、s35、算法进入开发阶段，模拟伞蜥进食后的撤退行为对种群个体进行位置更新，算法在模拟伞蜥进食后的撤退行为的原位置更新数学模型为：

50、（14）；

51、式（14）中，为模拟伞蜥进食后撤退行为更新的个体位置，如式（10）所述，通过根据接受概率 p的大小，决定是否采用模拟退火策略更新个体位置，当采用模拟退火策略更新个体位置时，算法在开发阶段的位置更新公式如式（7）所述，当不采用模拟退火策略更新个体位置时，算法在开发阶段的位置更新公式如式（14）所述；

52、s36、计算更新后个体位置的适应度，通过贪婪选择判断更新后的个体位置的适应度是否小于个体原位置，贪婪选择的数学模型同上；

53、s37、保存当前迭代中得到的最佳个体位置和最佳适应度，并与上次迭代中的最佳个体的适应度进行比较，选择更小适应度的个体作为最终最佳个体，该个体的适应度为最终最佳适应度；

54、s38、判断当前迭代次数是否大于最终迭代次数，若是，则输出最佳个体位置，并将个体位置的纬度值解码成kp、ki、kd参数，若否，则返回步骤s33继续寻优。

55、本发明的有益效果为：

56、本发明中提出了一种燃烧器内部燃气流量控制优化方法，通过改进伞蜥优化算法（iflo）优化pid控制器参数；首先，通过引入自适应因子改进个体运动参数，增强了算法的适应性，其次，通过引入“模拟退火”策略，改进算法在开发阶段的位置更新公式，提高算法的局部搜索能力；进一步地，提升pid控制器的精度和应对复杂、多变的外部环境时的稳定性、进而实现对燃烧器燃气流量的精准控制，降低了燃烧器的能源消耗，更重要的是确保了阳极炭块焙烧过程中的温度控制更加精准和可靠。

技术特征：

1.一种燃烧器内部燃气流量控制优化方法，包括：改进伞蜥优化算法（iflo）与位置式pid控制算法，具体步骤为：

2.根据权利要求1所述的一种燃烧器内部燃气流量控制优化方法，其特征在于，综合考虑燃烧器的温度需求和燃气流量控制反应速度、超调量，以及动态响应时间，所选择目标函数为：

3.根据权利要求2所述的一种燃烧器内部燃气流量控制优化方法，其特征在于，所述改进伞蜥优化算法，包括在伞蜥优化算法的探索阶段位置更新数学模型中引入自适应因子改进个体运动参数，提高算法的自适应性，改进后的数学模型为：

4.根据权利要求3所述的一种燃烧器内部燃气流量控制优化方法，其特征在于，所述引入“模拟退火”策略，改进伞蜥优化算法开发阶段的位置更新数学模型，改进后的开发阶段位置更新数学模型为：

5.根据权利要求1-4任意一项所述的一种燃烧器内部燃气流量控制优化方法，其特征在于，所述步骤4中，pid控制器的系数分别为比例系数 kp、积分系数 ki和微分系数 kd，将kp、ki、kd 编码为伞蜥优化算法的搜索空间维度dim，更深入地，用于优化燃烧器内部燃气流量的pid控制参数 kp、ki、kd 被编码为 npop 个三维向量的纬度值，这些三维向量构成了一个上下界为 [ub,lb] 的搜索空间，每个三维向量与个体位置建立三维映射，通过更新个体位置来更新 kp、ki、kd 参数值。

6.根据权利要求5所述的一种燃烧器内部燃气流量控制优化方法，其特征在于，所述步骤3中通过迭代寻优，模拟伞蜥的自然行为，在搜索空间中搜寻最佳pid控制参数，并得到最优pid控制方法，具体步骤为：

技术总结
本发明公开了一种燃烧器内部燃气流量控制优化方法，涉及控制优化领域，包括：步骤1、根据不同型号阳极炭块的焙烧温度要求，建立燃烧器内部燃气流量控制系统模型；步骤2、通过改进个体运动参数I和引入“模拟退火”策略对伞蜥优化算法进行改进；步骤3、选择合适的目标函数，通过IFLO算法优化PID控制器参数，模拟伞蜥的自然行为，在搜索空间中搜寻最佳PID控制参数，并得到最优PID控制方法，即IFLO‑PID控制方法；步骤4、通过IFLO‑PID控制方法对燃烧器内部燃气流量进行精确控制，根据实时反馈的火道区域的温度值，通过IFLO‑PID控制器，实现对燃气流量的闭环控制。

技术研发人员：赵传超,马保玉,韩子雷,董宜庆,孙久琳
受保护的技术使用者：济南龙山炭素有限公司
技术研发日：
技术公布日：2024/12/5