锅炉作为供热行业一种复杂的大型能源转换设备,在运行操作中常常缺乏合理的操作指导,能源转换效率较低,建立有效的锅炉优化操作模型对提高锅炉热效率具有指导意义。然而,锅炉燃烧过程复杂多变,难以利用传统的机理分析建立其精准模型;同时,锅炉负荷随着外界需求而变化,在不同的负荷下,锅炉的操作模式发生改变,燃烧过程表现出明显的多工况特性。因此,锅炉优化操作指导需具体工况具体分析。如何挖掘不同工况下高效状态的过程变量信息,保证锅炉运行在不同工况的高效状态,是实现锅炉优化运行的关键。随着信息技术在锅炉现场的普遍应用,大量现场数据被存储,基于数据驱动的机器学习算法被逐步应用到锅炉现场数据的分类、状态识别与优化建模中。本文提出了基于机器学习算法的供热锅炉多工况优化建模方法,实现锅炉多工况建模与多工况优化指导。其主要内容如下:1.锅炉运行工况的划分与识别。利用模糊C聚类(FCM)算法求取锅炉历史数据的最佳聚类数目C与聚类中心V,将锅炉运行过程划分为不同的运行工况;利用聚类结果建立基于PCA-RBF神经网络的锅炉工况识别模型,最终实现锅炉工况划分与识别。2.锅炉优化模型的建立与优化操作指导。筛选聚类后多个工况的高效数据分别建立KPCA模型,构成模型库。利用PCA-RBF工况识别模型识别锅炉当前的运行工况,选择当前工况所在的优化模型对锅炉运行状态进行在线监控。当锅炉运行状态与主元模型不符时,即判定锅炉处于低效率运行状态,通过利用T2和SPE统计量的贡献图法,找出导致效率低的锅炉操作变量,结合当前运行状态与工艺进行操作指导,保证锅炉运行在高效状态。将该方法应用于某高校40t/h热水炉进行验证,运行结果表明,系统能够有效的识别锅炉的运行状态,及时给出比较准确的操作指导信息,对锅炉运行水平的提高具有显著效果。