基于遺傳算法的熱電廠機組煤耗曲線拟合方法
熱電廠的煤耗曲線能夠反映出機關的煤耗與負荷之間的函數關系，目前，擷取煤耗曲線通常采用最小二乘法，但這些曲線是靜态的，長時間保持不變，與機關的實際運作情況不相符。此外，煤耗具有典型的非線性和時變特性，有時最小二乘法無法解決非線性複雜問題。
針對這些問題，提出了一種基于遺傳算法的熱電廠機組煤耗曲線拟合方法。采用殘差分析方法進行資料檢測；采用二次函數作為目标函數；設定合适的參數，如初始種群大小、交叉率和變異率；拟合機組的實際煤耗曲線，并将提出的方法與最小二乘法進行比較，結果表明前者的拟合效果優于後者。
所有測試的機關資料都來自DCS控制系統的底層，由于這些資料受機關的運作模式和環境條件的影響，DCS中收集到的資料存在誤差和噪聲。如果直接使用DCS中的資料進行模組化，将對煤耗曲線造成很大的幹擾。如果直接使用DCS中的資料進行模組化，将對煤耗曲線造成很大的幹擾，同時，在機關運作存在波動的情況下研究煤耗是沒有意義的。是以，在進行模組化之前需要對原始資料進行處理。
資料處理完成後，可以分别運用最小二乘法和本文所使用方法擷取煤耗曲線。圖一是用最小二乘法得到的。
用最小二乘法的弊端有：
靜态曲線：最小二乘法擷取的煤耗曲線是靜态的，不考慮機關的實際運作情況和動态變化。然而，煤耗受到多種因素的影響，如負荷變化、環境條件、燃料特性等。靜态曲線無法準确反映這些動态變化，導緻與實際情況不比對。
非線性問題：煤耗具有典型的非線性特性，最小二乘法适用于線性回歸問題，但對于非線性問題，最小二乘法的拟合效果可能較差。煤耗曲線的非線性特征可能導緻最小二乘法無法準确拟合真實資料。
資料誤差和噪聲：從DCS控制系統擷取的資料可能存在誤差和噪聲，這些因素會對最小二乘法的拟合結果産生幹擾。不準确的資料會導緻拟合曲線與實際情況偏離，影響模組化的準确性。
對異常值敏感：最小二乘法對異常值敏感，如果資料中存在異常值，會對拟合結果産生較大影響。在煤耗曲線模組化中，異常值可能來自于測量誤差或其他因素，對于這些異常值，最小二乘法的拟合效果可能不理想。圖二、圖三是基于遺傳算法得到的曲線。
從圖中可以看出，用遺傳算法的優勢有：
處理非線性問題：遺傳算法适用于解決非線性問題。煤耗曲線往往具有非線性特性，遺傳算法能夠通過優化搜尋過程，尋找最佳的參數組合，以更好地拟合非線性曲線，提高模組化的準确性。
自适應性和适應性：遺傳算法具有自适應性和适應性，可以根據問題的複雜性和要求自動調整搜尋政策和參數設定。對于煤耗曲線模組化而言，遺傳算法能夠适應不同的煤耗變化模式和工況條件，提供更靈活的模組化能力。
全局搜尋能力：遺傳算法采用種群搜尋政策，能夠在搜尋空間中進行全局搜尋，避免陷入局部最優解。這對于煤耗曲線模組化非常重要，因為煤耗受到多種因素的影響，全局搜尋能力可以更好地捕捉曲線的整體趨勢和變化規律。
處理噪聲和不确定性：煤耗資料可能存在噪聲和不确定性，遺傳算法能夠通過多次疊代和種群多樣性來降低噪聲的影響，提高模組化的穩定性和魯棒性。
可解釋性和可視化：遺傳算法生成的模型具有可解釋性，能夠提供參數的實體意義和對煤耗曲線的解釋能力。此外，遺傳算法還可以通過可視化方法展示拟合效果和曲線特征，幫助使用者更好地了解和分析煤耗資料。
綜上所述，使用遺傳算法擷取煤耗曲線的優勢包括處理非線性問題、自适應性和适應性、全局搜尋能力、處理噪聲和不确定性以及可解釋性和可視化能力。這些優勢使遺傳算法成為一種有效的方法來獲得準确、适應性強的煤耗曲線模型。
然而，遺傳算法也存在一些缺點，如早熟收斂、非定向遺傳操作以及每次搜尋結果不固定等問題。這些問題在下一步的改進中有望得到解決。
