大型燃煤鍋爐氮氧化物排放預測模型

凡榮榮 楊巨生 謝克昌

（1.太原理工大學電氣與動力學院，太原 030024；2.太原理工國內大學生命與技術山西省教育部重點實驗室 太原 030024）

由于煤的成本較低且儲藏豐富，目前以及以后很長時期內，煤在我國能源結構中仍占主導地位。燃煤電廠是煤炭的主要用戶，大量的煤炭燃燒，隨之而來的是嚴重的環(huán)境污染問題。氮氧化物就是煤燃燒過程中產生的主要污染源之一，它對酸雨和光化學煙霧的形成，地球臭氧層的破壞都有直接關系。所以非常有必要根據燃煤特性及各種操作參數準確預報鍋爐在不同工況下的氮氧化物排放特性，這也為燃煤電站鍋爐通過燃燒調整降低氮氧化物排放提供有效手段。

近年來，BP神經網絡模型在非線性系統建模和控制方面得到廣泛應用，這種模型也應用到燃煤電站鍋爐氮氧化物排放預測控制。但是 BP神經網絡是基于梯度下降的方法，比較容易陷入局部最小值而無法得到最好的權值分布，最終影響網絡的泛化能力。而且在訓練過程中，有關參數（如學習速率）的選取也沒有理論指導，完全憑借經驗來確定，一旦取之不當，就會引起網絡振蕩而不能收斂，即使收斂也會因為收斂速度慢而導致訓練時間長。AdaBoost算法能夠提高任意給定弱預測器的預測精度，在許多機器學習的問題中都得到了成功的應用。為了提高BP神經網絡的預測精度，克服BP神經網絡權值初始化的局限性和訓練樣本的主觀因素，本文將AdaBoost算法與BP神經網絡相結合，構建了BP-adaboost算法來預測電廠氮氧化物排放量。

本文利用BP-adaboost算法，以某電廠600MW機組鍋爐為例建立了氮氧化物排放特性預測模型。結果表明，與單純的 BP網絡所建模型相比，所建模型能夠更加準確地預測不同運行工況下的氮氧化物排放量。

1 研究對象

某電廠4#爐為600MW四角煤粉燃燒鍋爐，該爐為亞臨界控制固態(tài)排渣爐，爐膛尺寸為19558mm×16432mm。采用正壓直吹式制粉系統，配5臺中速磨煤機，爐膛四角布置燃燒器，燃燒器為一二次風間隔布置，滿負荷下投入 5層一次風，6層二次風。

本文從電廠DCS系統中每隔15S下載一組鍋爐運行參數。鍋爐運行參數包括鍋爐負荷，一次風風量，二次風開度，燃盡風開度，給煤機開度，二次風箱與爐膛之間差壓，省煤器之后氧量，飛灰含碳量，氮氧化物排放量，排煙溫度，飛回含碳量。一共下載 1200組數據來研究鍋爐運行參數對氮氧化物排放的影響。在此次研究中，煤質保持不變，運行工況的范圍如表1所示，燃用煤種特性示于表2。

表1 鍋爐運行工況

表2 試驗煤種

2 BP-adaboost算法建立氮氧化物排放模型

2.1 BP-adaboost算法

Adaboost算法是一種迭代算法。目前，對Adaboost算法的研究及應用大多集中于分類問題，同時近年也出現了一些在預測問題上的應用。Adaboost算法能夠提高任意給定弱預測器預測精度，因此，本文針對 BP神經網絡自身的局限性和訓練樣本選擇的主觀因素，為提高其預測精度，將Adaboost算法與BP神經網絡相結合，建立了BP-adaboost神經網絡預測模型。

該模型采用 BP神經網絡作為弱預測器，根據每次訓練樣本預測的優(yōu)劣，減少或增加其對應的權重，并使用改變權重后的樣本重新對弱預測器進行訓練，得出一系列弱預測器與其權重；最后將這些弱預測器的訓練結果進行集成，得到最終的輸出。

BP-adaboost算法具體實現過程如下：

首先對樣本進行歸一化處理，從樣本中隨機選擇m組訓練數據，初始化測試數據的分布權值Dt（i）=1/m,根據樣本輸入輸出維數確定神經網絡結構，初始BP神經網絡權值和閾值。

其次，對所有的t=1,2,…,T（共T次循環(huán)，即有T個弱預測器）：

1）用訓練數據訓練BP神經網絡并且預測訓練數據輸出，得到預測序列個 g(t)的預測誤差和式中 g(t)為預測結果；y為預期結果。

2）根據預測序列g(t)的預測誤差et計算序列的權重

3）根據序列權重 at調整下一輪訓練樣本權重，調整公式為Dt+1=Dt×1.1。

最后，利用最大加權投票原則融合各基本預測器f(gt,at)，得到最后的預測結果

2.2 建立模型

根據上述步驟，利用BP-adaboost算法建立氮氧化物排放預測模型，模型的輸入條件如下：氧量，5個一次風量，6個二次風量，5個給煤機給煤量，1個燃盡風量，1個二次風箱與爐膛之間差壓，另外，煤種特性取收到基水分 Mad、灰分Aar、揮發(fā)分 Var、含碳量 Car、低位發(fā)熱量 Qnet,ar共 25個輸入參數。輸出參數為氮氧化物的排放量。算法流程如圖1所示。

圖1 BP-adaboost的算法流程

在電廠DCS分散控制系統采集的1200組數據中，960組作為訓練數據，240組作為測試數據。根據數據維數采用的 BP神經網絡結構為25-20-1，共訓練生成10個弱預測器。經過預測后輸出氮氧化物的預測值，根據預測結果調整測試樣本權重值，把預測誤差超過 1.0的樣本作為應該加強學習的樣本。得出一系列弱預測器及其權值。最后利用10組弱預測器組成強預測器預測氮氧化物的輸出。預測結果如圖2所示。

圖2 預測結果

圖2為BP-adaboost算法對測試樣本訓練后預測值與期望值的誤差。“o”代表弱預測器即 BP神經網絡對測試樣本訓練后的誤差，“+”代表強預測器對測試樣本訓練后的誤差。從圖2中可以看出氮氧化物排放特性的 BP-adaboost模型的預測準確率遠遠高于BP預測模型。BP-adaboost預測值的絕對誤差大部分集中在15mg/N3左右，99%樣本的相對誤差控制在 3%以內。可見，BP-adaboost算法網絡模型繼承了傳統的BP神經網絡的優(yōu)點，具有很強的自學習、自組織能力，建立起輸入與輸出之間的復雜的非線性對應關系。而且網絡中得大量參數均由學習所得，避免了人為因素的影響。同時當傳統的 BP神經網絡在訓練數據量較大、輸入參數過多，模型的泛化能力降低，對于非訓練樣本不能精確預測的情況，BP-adaboost算法可以通過融合多個弱預測器的信息，更加充分利用給定的鍋爐運行參數，提高模型的繁華能力，對氮氧化物排放量的預測有更高的準確度，得到的預測結果更加客觀，更加合理。表明了BP-adaboost預測模型的可行性及結果的有效性和準確性，并且說明BP-adaboost算法可以應用于大型燃煤電廠氮氧化物的排放預測。

3 結論

針對 BP 神經網絡預測存在局部極小缺陷和收斂速度慢的問題，提出了一種基于 BP-adaboost神經網絡的預測模型。將其應用于燃煤鍋爐氮氧化物的預測，并與 BP 模型進行了比較。仿真結果表明，BP-adaboost 模型具有良好的收斂性，預測結果令人滿意，有較高的精度和良好的實用性，可以為燃煤鍋爐氮氧化物排放量的預測提供依據。

[1]周昊,朱洪波,岑可法.基于人工神經網絡和遺傳算法的火電廠鍋爐實時燃燒優(yōu)化系統[J].動力工程,2003,34(5);49-51.

[2]王春林,周昊.基于遺傳算法和支持向量機的低 NOx燃燒優(yōu)化[J].中國電機工程學報, 2007,11:40-44.

[3]吳仕勇. 基于數值計算方法的 BP神經網絡及遺傳算法的優(yōu)化研究[J].計算機技術理論,2009,12:2966-2967,3025.

[4]侯林波.基于遺傳神經網絡算法的基坑工程優(yōu)化反饋分析[D].大連:大連海事大學,2009.

[5]周昊.大型電站鍋爐氮氧化物控制和燃燒優(yōu)化中若干關鍵性問題的研究[D].杭州:浙江大學,2004.

[6]葉銀蘭.基于boosting RBF神經網絡的人體行為識別[J].計算機工程與應用,2008:44(3),188-191.

[7]葛啟發(fā)，馮夏.基于Adaboost組合學習方法的巖爆分類預測研究[J].巖土力學,2008,29(4):943-948.

[8]LI K, THOMPSON S. Modeling and predicition of NOx emission in a coal-fired power generation plant[J].Control Engineering Practice, 2004(12):707-723.

[9]KALOGIROR S A. Artificial intelligence for the modeling and control of combustion processes:a review[J]. Progress in Energy and Combustion Science,2003.

[10]ZHOU H, ZHENG L G, CEN K F. Computationl intelligence approach for NOx emissions minimization in a coal-fired utility boiler[J].Engrgy Conversion and Management.2010

[11]ZHENG L G, ZHOU H, CEN K F, WANG C L. A comparatiove study of optimization algorithms for low NOx combustion modification at a coal-fired utility boiler[J].Sciencedirect.2009.