基于試驗和BP神經網絡的CFB鍋爐脫硫效率研究

于偉鋒，陳鴻偉

(華北電力大學 能源動力與機械工程學院，河北 保定 071003)

0 引言

循環流化床鍋爐作為一種新型的清潔燃燒技術，其爐內脫硫非常復雜，運行中影響脫硫效率的因素很多，包括Ca/S摩爾比、床溫、脫硫劑的品質、煤質特性、一/二次風率等等，關于這些的研究已經很多[1～3]。但是這些試驗研究僅涉及Ca/S摩爾比、床溫等主要影響因素，關于脫硫劑粒徑、煙氣含氧量等次要影響因素的研究不多，且不是在工業生產的參數下，如文獻[4]試驗選擇的石灰石粒徑是2～8 mm之間;而且大部分研究多是在小型試驗臺上進行的，大型CFB鍋爐的爐內過程要復雜得多，影響脫硫的因素變得相對復雜，如爐膛沿高度方向的溫度分布等，對于這種影響因素多、內部機制復雜的問題，神經網絡是一個很好地工具。

本文在一臺以混矸煤為燃料的300 MW循環流化床鍋爐上，進行了工業熱態脫硫試驗，研究密相區床溫、Ca/S、一/二次風份額等主要因素對對脫硫效率的影響。但是這些都是原始數據經處理后平均值的反應，只能是各影響因素一個質的體現。所以本文在已有原始試驗數據的基礎上建立了BP神經網絡預測模型，對試驗鍋爐脫硫效率進行了有效預測。隨著國家污染物排放指標的提高，研究燃用混矸煤發電的CFB鍋爐的脫硫效率具有重要意義。

1 試驗簡介及結果分析

試驗用300 MW褲衩腿型CFB鍋爐采用單鍋筒自然循環、平衡通風、絕熱式旋風氣固分離器、循環流化床燃燒方式，旋風分離器下設有外置床。一次風分兩路進入爐底水冷風室，左右兩路二次風分別進入爐膛下部褲衩之間的夾弄及四周的二次風道，分上下兩層進入爐膛。燃煤經給煤機送至落煤管從4個回料腿進入爐膛，石灰石粉通過氣力輸送系統送入每個回料腿落煤管上設置的2個石灰石接口，同燃煤一同進入爐膛。該鍋爐的主要技術參數見表1。

表1 鍋爐主要技術參數Tab.1 Main technical parameters of the CFB boiler

試驗所用燃煤為洗中煤和煤矸石按6∶4比例混合后制得的混矸煤，表2為試驗所用燃煤的工業分析和石灰石粉粒徑分析，可見混矸煤的含硫量雖然不高，但由于其熱值也比較低，所以折算含硫量比較大，SO2排放濃度也比一般煤種要高。

試驗時維持負荷基本穩定，第一組控制鍋爐密相區溫度在885±10℃，一次風量占總風量的比例為45%±2%，二次風量占總風量的比例為40%+2%，通過改變石灰石給料量來改變Ca/S摩爾比，測試其對脫硫效率的影響。第二組控制石灰石給料量和一/二次風配比不變，通過調節位于外置床中過流量對床溫進行調節，從而測試床溫對脫硫效率的影響。第三組控制密相區溫度和石灰石給料量不變，保持一二次風總比例基本不變，調節一/二次風配比，測試其對脫硫效率的影響。每組試驗過程中，每5 min記錄一次數據，每1 h取一次煤樣和石灰石粉樣。

密相區溫度通過設置在爐膛四周的18個溫度測點時刻監測，爐膛頂部溫度由12個測點監控;煙氣取樣點位于引風機出口煙道;測量SO2濃度的儀器為日本HORIBA公司生產的，型號為ENDA-600ZG分析儀，標氣校準誤差≤1%;煤硫分分析儀選用的是長沙瑞祥科技有限公司生產的型號為WS-S200的WS自動測硫儀，測硫分辨率為0.001%。

表2 試驗用煤的工業分析Tab.2 Proximate analysis of coal used in experiment

1.1 Ca/S摩爾比對脫硫效率的影響

脫硫效率 ηSO2可定義為[5]:

式中:ηSO2為脫硫效率;CSO2為引風機后實際煙氣中SO2的排放濃度;為理論SO2原始排放濃度，其計算見式 (2):

式中:B為單位時間進爐燃料量;Sar為燃料的收到基含硫量;Vy為單位時間實際測量的煙氣排放量;α為排放的煙氣濕度。

Ca/S摩爾比為以煤中的全硫為計算基準的鈣硫摩爾比，按式 (3)計算:

式中:Sar為燃煤的收到基含硫量，%;α為單位時間進爐脫硫劑與燃料質量之比;KCaCO3為脫硫劑中CaCO3的份額，% 。

表2中前5組為只改變Ca/S摩爾比的試驗，其與脫硫效率的關系見圖1。可見，CFB鍋爐脫硫效率隨Ca/S摩爾比的增大而增大，并且在Ca/S摩爾比較低時 (小于2.72)，脫硫效率隨Ca/S摩爾比的增大而升高的比較快;這是因為石灰石中的CaCO3一旦被煅燒生成CaO后，與高溫煙氣接觸機會和接觸面積較大，CaO和SO2的接觸機會較多，SO2的擴散起主要作用;由于CaSO4體積大于CaCO3體積，從而使得CaO表面的細孔很容易被生成的 CaSO4覆蓋而阻塞，而內孔中心的CaO不能與SO2接觸而不被利用，因此應該加入較多的脫硫劑滿足脫硫的需要[6]。當Ca/S摩爾比達到一定高的值后 (約為2.72)，繼續增大Ca/S摩爾比，脫硫效率隨Ca/S摩爾比的提高而增加的幅度變緩。這是因為氣氛中的SO2已基本與CaO反應固化，煙氣中殘留的SO2氣體濃度很低，繼續增加Ca/S摩爾比，對提高固硫反應的作用不大[7]。

圖1 不同Ca/S摩爾比下的每組脫硫效率平均值Fig.1 Medial desulfurization efficiency in different Ca/S molar ratio

爐內脫硫效率不高的原因:(1)由表2可見，入爐石灰石粉粒徑小于0.1 mm的份額太大，使一部分脫硫劑未被充分利用而逃逸掉;(2)試驗用石灰石為礦山原礦石，純度和活性不高、雜質較多也可能造成脫硫效率偏低。

1.2 密相區床溫對脫硫效率的影響

表2中第2組和第6組為只改變密相區床溫的試驗，兩組中各調節一次溫度，共用4個不同溫度下的脫硫效率，見圖2。當Ca/S=2.25左右不變時，密相區床溫為860℃時，脫硫效率較高(67.4%)，隨著密相區床溫的升高，脫硫效率越來越低，且降低的幅度先快后慢，過900℃后，基本不在降低，當密相區溫度為910℃時，脫硫效率降到57.4%。

圖2 不同密相區溫度下的每組脫硫效率平均值Fig.2 Medial desulfurization efficiency in different bed temperature of dense phase zone

床溫是CFB鍋爐燃燒脫硫的重要影響因素[8，9]。高的床溫雖然會使脫硫反應的速率提高，但也會使脫硫劑燒結，導致CaO的表面孔隙過早堵塞，增加脫硫反應中氣體向顆粒內部的擴散阻力;但是床溫過低，脫硫劑煅燒生成的CaO孔隙數少、孔徑小、反應速度低等，脫硫效率也會變低，且影響鍋爐的燃燒效率[10]。理論上，循環流化床的最佳脫硫溫度在850～900℃之間[11]，但考慮到電站CFB鍋爐的溫度測點安裝方式和位置，熱電偶并未伸進爐膛，測到的溫度比爐膛中央實際溫度要低，因此監測到的最佳脫硫床溫應偏低。

1.3 一/二次風配比對脫硫效率的影響

表2中第2組和第7組為只改變一/二次風配比的試驗，第7組調節一次一/二風配比，共得出3個不同二次風比例下的脫硫效率，見圖3。二次風率在0.393～0.412之間時，脫硫效率隨二次風率的增大而提高，但提高的很緩慢;而當二次風率大于0.412后，脫硫效率則隨其增大而快速下降。可推斷，對于本試驗來說，存在一個最佳的二次風率，使其脫硫效率最大。

圖3 不同二次風比例下的每組脫硫效率平均值Fig.3 Medial desulfurization efficiency in different secondary air ratio

在一二次風總比例保持不變的情況下，隨著二次風比例的增加，二次風的穿透性和混合擾動能力得到增強，在一定程度上延長了石灰石顆粒在爐內的停留時間，強化了稀相區的燃燒和脫硫反應，進而提高了脫硫效率。但是，維持一二次風總量基本不變時，二次風比例的增加，相對應的一次風比例就減少，這會影響爐膛溫度的分布，當二次風比例超過最佳值時，將使到達爐膛中上部的物料和脫硫劑變少，更多的物料和脫硫劑會停留在爐床高溫區[12]，由1.2節可知，這不利于脫硫反應的進行，所以脫硫效率會隨之變低。

2 BP神經網絡模型與模型預測

2.1 BP神經網絡簡介

BP神經網絡是一種按誤差逆傳播算法訓練的多層前饋網絡，實現了一個從輸入到輸出的映射功能，學習和儲存大量的輸入-輸出模式映射關系，而無需實現揭示描述這種映射關系的數學方程，適合求解內部機制復雜的問題，是目前應用最廣泛的神經網絡模型之一[13]，在電廠脫硫系統中也有應用[14]。標準的BP神經網絡采用的算法是梯度下降學習算法，其權值的修正是沿著誤差性能函數梯度的反方向進行的，這種算法存在著一些不足:學習速率慢，不能保證收斂到最小點，網絡結構不易確定等[15]。針對這些不足，近幾年出現了幾種基于標準BP算法的改進算法，本文選取附加動量法、LM算法、學習率可變的算法等，分別對BP神經網絡進行學習，并對得到的3種BP神經網絡模型預測值與測試值進行比較，得到最優的預測模型。

2.2 BP模型建立及模擬結果分析

本文選取Ca/S摩爾比、6個密相區溫度平均值、4個爐膛頂部溫度平均值、一次風占總風比例、二風占總風量的比例、煙氣含氧量，試驗煤樣的含硫量、低位發熱量、揮發分含量、入爐石灰石粉粒徑大于2.5 mm、小于0.1 mm和位于兩者之間的份額等影響脫硫效率的20個主要因素，作為BP神經網絡模型的輸入，輸出為脫硫效率，在Matlab軟件的基礎上建立一個20個輸入、1個輸出的神經網絡模型。該模型在本試驗條件下，由試驗數據為依據，對燃用混矸煤的300 MW循環流化床鍋爐的脫硫效率進行預測。

在模擬過程中，以Ca/S摩爾比為依據，每個工況下選取10組作為訓練樣本，余下2組作為測試樣本，共100組訓練樣本，20組測試樣本。為了修正網絡誤差性能，加快訓練網絡的收斂性，在訓練之前對訓練樣本和測試樣本進行歸一化處理。

輸入層到隱含層傳遞函數的選取對網絡性能和訓練速度有著重要影響。采用S型激活函數可以去處理和逼近非線性的輸入/輸出關系，采用線性激活函數，則可使網絡輸出任何值[16]。本模型中輸入層到隱含層傳遞函數設置為雙曲正切S型函數“tansig”，隱含層到輸出層的傳遞函數設置為純線性函數“purelin”。

訓練時，附加動量法的學習率設置為0.01，動量因子設置為0.95;LM算法μ的初始值設為0.001、μ的減量因子設為0.1、μ的增量因子設為10、μ的最大值設為1.0e+10;學習率可變的算法的學習率設為0.01，學習率增量因子設為0.7，學習率減量因子設為1.05，動量因子設為0.95;最大訓練次數全部為10 000次，目標誤差為0.001。

隱含層的神經元數對網絡性能有較大影響，對于單隱含層的網絡，增加其隱含層神經元數可以提高網絡的訓練精度[16]。本文在一個只設置一個隱含層的神經網絡上進行模擬預測，為了確定最佳算法和神經網絡隱含層神經元個數，隱含層神經元數依次選為8，12，15，18，22，采用3種算法分別對其進行訓練，認為相對誤差較小且穩定的算法和網絡為最優。由表3可見，每一種算法，都存在一個隱含層神經元個數的區間，在此區間內，預測值的誤差相對較小。LM算法收斂最快，但誤差偏大;學習率可變的算法次之，但誤差低;附加動量法收斂最慢，但當其隱含層神經元數為15時模型預測值的相對誤差達到最小，網絡性能達到最優。

表3 不同神經網絡預測值的相對誤差Tab.3 Relative error of the BP neural network with different parameters %

用平均偏離度σ來評價模型預測值與試驗值的平均偏離情況，其定義如下[17]:

式中:ηSO2.m為預測值;ηSO2.c試驗值;N為樣本點數。

附加動量法隱含層神經元數為15的神經網絡預測結果如圖4和圖5，由圖可見，在本試驗條件下，BP神經網絡預測模型對脫硫效率的預測值與試驗值吻合較好。根據式 (4)得到的所有數據點的平均偏離度為3.76%，這表明總體偏離程度很小。在所有預測數據點中，第4，7，11和20點的預測值與試驗值偏差略大，差值分別為-0.032 7，-0.059 5， -0.059 9，0.065 7，最大偏差為第20點的0.065 7，但這個點的脫硫效率試驗值較高，而第11點的相對誤差最大為8.97%。可見預測模型所得結果能夠達到工業運行和工程設計允許范圍內，能夠很好地反應運行參數對脫硫效率的影響，對尋求CFB鍋爐脫硫最優參數具有一定意義。

圖4 試驗值與神經網絡預測值對比Fig.4 A comparison of the real value and the output of BP neural network

圖5 神經網絡預測相對誤差Fig.5 Relative forecasting error of BP neural network

3 結論

CFB鍋爐脫硫效率隨Ca/S摩爾比的增加而提高，并且在Ca/S摩爾比較大時脫硫效率的提高幅度變緩;隨密相區溫度的升高而降低，當Ca/S=2.25不變時，從860℃時的67.4%降到910℃時的57.4%，在密相區溫度較大時脫硫效率降低的幅度越來越小，在達到900℃以后，基本不在降低;隨二次風占總風比例的增加先緩慢增大，后迅速下降，存在一個最佳的二次風率。

通過對3種不同算法的BP神經網絡的預測結果比較發現，采用附加動量法時，在單隱含層、且神經元數為15的BP神經網絡的預測值誤差最小，網絡性能達到最優，其平均偏離度為3.76%，最大相對誤差為8.97%，這能比較準確地反映主要參數對脫硫效率的影響，對脫硫效率的提高具有指導意義。

[1]Boskovic S，Reddy B V，Basu P.Effect of operating parameters on sulphur capture in a pressurized circulating fluidized bed combustor[J].International Journal of Energy Research，2002，26(2):173-183.

[2]呂清剛，雍玉梅，那永潔，等.循環流化床鍋爐的SO2和NOx排放的試驗和數值計算[J].中國電機工程學報，2005，25(1):142-146.Lu Qinggang，Yong Yumei，Na Yongjie，et al.Influence of coal on SO2and NOxemissions of circulating fluidized bed combustion[J].Proceedings of the CSEE，2005，25(1):142-146.

[3]李永華，陳鴻偉，高建強，等.循環流化床鍋爐的燃燒脫硫試驗研究[J].動力工程，2008，28(6):935-939.Li Yonghua，Chen Hongwei，Gao Jianqiang，et al.Experimental study on combustion desulfurization of circulating fluidized bed boilers[J].Journal of Power Engineering，2008，28(6):935-939.

[4]趙鵬勃，王鵬利，王海濤，等.不同粒徑石灰石的脫硫效率試驗研究[J].內蒙古電力技術，2010，28(5):24-26.Zhao Pengbo，Wang Pengli，Wang Haitao，et al.Desulfurization efficiency test and study on different particle size[J].Inner Mongolia Electric Power，2010，28(5):24-26.

[5]吳劍恒.循環流化床鍋爐燃燒福建無煙煤爐內脫硫對污染物排放和電除塵效率的影響[J].鍋爐技術，2012，43(3):33-38.Wu Jianheng.Influence of combustion desulfurization on pollutant emissions and efficiency of electrostatic precipitator of circulating fluidized bed boiler for Fujian anthracite[J].Boiler Technology，2012，43(3):33-38.

[6]裴友民.循環流化床爐內脫硫影響因數及脫硫組合工藝[J].鍋爐制造，2012，234(4):38-40.Pei Youmin，Desulfurization factors and combined processes of CFB boiler[J].Boiler Manufacturing，2012，234(4):38-40.

[7]劉志遠.循環流化床鍋爐脫硫運行特性及工業性試驗研究[D].大連:大連理工大學，2006:51-52.

[8]Zhao Yi，Xu Peiyao，Sun Xiaojun，et al.Experimental and mechanism studies on simultaneous desulfurization and denitrification from flue gas using a flue gas circulating fluidized bed[J].Science in China Series B:Chemistry，2007，50(1):135:144.

[9]岑可法，倪明江，駱仲泱，等.循環流化床鍋爐理論設計與運行[M].北京:中國電力出版社，1998.

[10]李超，杜佳，呂晶.循環流化床鍋爐脫硫工藝參數優化研究[J].東北電力技術，2010，31(1):7-10.Li Chao，Du Jia，Lu Jing，et al.Parameter optimization of desulfurization process on CFB boilers[J].Northeast E-lectric Power Technology.2010，31(1):7-10.

[11]岑可法，姚強，駱仲泱，等.燃燒理論與污染控制[M].北京:機械工程出版社，2004.403-408.

[12]何宏舟，鄒崢，俞金樹，等.循環流化床鍋爐燃燒福建無煙煤爐內脫硫的工業試驗研究[J].中國電機工程學報，2010，30(35):7-12.He Hongzhou，Zou Zheng，Yu Jinshu，et al.An industrial experiment research on the desulfurization of circulating fluidized bed boiler burning Fujian anthracite[J].Proceedings of the CSEE，2010，30(35):7-12.

[13]陳鴻偉，楊新，申赫男，等.基于優化的BP神經網絡對提升管內循環流化床顆粒循環流率預測研究[J].華東電力，2012，40(8):1399-1403.Chen Hongwei，Yang Xin，Shen Henan，et al.Prediction of CFB particle circulation rate based on optimized BP neural network[J].East China Electric Power，2012，40(8):1399-1403.

[14]楊維波，王惠敏，梁偉平，等.基于神經網絡的火電廠脫硫系統設備狀態分析專家系統[J].電力科學與工程，2008，24(3):47-49.Yang Weibo，Wang Huimin，Liang Weiping，et al.State analysis expert system of smoke desulfurization equipment in power plant based on neural network[J].Electric Power Science and Engineering，2008，24(3):47-49.

[15]張良均，曹晶，蔣世忠.神經網絡使用教程[M].北京:機械工業出版社，2008.

[16]叢爽.面向MATLAB工具箱的神經網絡理論和應用[M].合肥:中國科學技術出版社，1998.45-73.

[17]陳鴻偉，劉煥志，李曉偉，等.雙循環流化床顆粒循環流率試驗與BP神經網絡預測[J].中國電機工程學報，2010，30(32):25-29.Chen Hongwei，Liu Huanzhi，Li Xiaowei，et al.Experimental research on solids circulation rate in a double fluidized bed and BP neural network prediction[J].Proceedings of the CSEE，2010，30(32):25-29.