基于RBF神經網絡模型的電站鍋爐燃燒優化

2013-12-20 06:19:22鮑春來張競飛

發電設備 2013年2期

鮑春來，張競飛

（華北電力大學能源動力與機械工程學院，保定071003）

電站鍋爐是火力電站的主要設備，其運行的性能直接影響火電站的經濟指標和環保指標。筆者以火電廠鍋爐燃燒過程為研究對象，在引入人工神經網絡之RBF網絡的基礎上，建立了鍋爐的運行優化模型。建立的神經網絡模型以與電廠燃燒控制系統有密切聯系的機組負荷、一次風量、二次風量、燃盡風量等作為輸入變量，以二次風擋板開度等作為輸出變量，用電廠采集到的歷史數據樣本進行訓練，由此得到優化模型。

1 RBF神經網絡

RBF神經網絡是一種局部性神經網絡模型，其網絡模型見圖1。它的生物基礎是存在于大腦皮層和視覺皮層的局部調節與交叉重疊的接受域，因此這種采用局部接受域來實現函數映射的神經網絡結構和基于插值與近似理論的網絡結構被統一稱作徑向基函數神經網絡［1］。

圖1 RBF神經網絡結構圖

網絡學習的過程就是對各個參數調整、修正、完善的過程，本文采用的是一種最臨近聚類的算法，將存在于中心內一定范圍的點都匯聚到中心，并按均值修正中心的位置；同時為了避免初期訓練時中心點的頻移過大，所以采用了改進的“加權聚類法”來減小距離中心較遠點對中心的影響。

RBF神經網絡的訓練算法如下：

設有q組訓練樣本，輸入的X＝（x1，…，xn）是一個n維向量，T＝（t1，…，tn）是輸出的m 維向量，所以是一個n×m的網絡。該網絡初始的隱含層節點只有一個。（）作為樣本，C1＝（）是隱含層第一個節點中心，隱含層的輸入輸出之間權值大小w，w1j＝定義節點中心寬度、聚類距離、網絡最大的允許誤差和修正步長分別為σ，d，emax，μ。

取第p（2≤p≤n）組樣本，設此時的網絡中有h個隱含層節點，則進行圖2中流程的運算。若所有的樣本都己訓練完，則訓練運算結束；否則取下一組樣本，繼續進行上述過程的學習。

圖2 算法訓練過程圖

當樣本訓練完成后應該使用全部樣本再訓練一遍網絡，同時按全局最優修正權值，以最終確定網絡［2］。

2 影響鍋爐燃燒的因素

針對某電廠采用前后墻對沖燃燒的鍋爐，其燃燒效率和NOx的排放質量濃度與過量空氣系數、燃燒器的結構參數、燃盡風量、磨煤機投運組合方式及煤質變化有較大關系，其中NOx排放質量濃度主要受過量空氣系數、燃盡風量、磨煤機的投運組合方式和煤質變化的影響，而燃燒器結構的變化對其影響較小［3］。

具體分析如下：

（1）過量空氣系數增大時NOx的排放質量濃度隨之增加，過量空氣系數減小時鍋爐熱效率逐漸提高；但為了控制水冷壁的高溫腐蝕和爐膛結渣，鍋爐的過量空氣系數應在一個合理范圍內。

（2）燃盡風量增加時，爐膛內煙氣中的氧氣體積分數降低，CO的體積分數增加，這樣會明顯降低NOx的生成量。燃盡風率在剛開始增加時飛灰中碳的質量分數是有所降低的；但當燃盡風率增加到一定程度之后，爐膛出口飛灰中碳的質量分數隨燃盡風率的增大而升高，使鍋爐的不完全燃燒熱損失隨之增大。

（3）磨煤機的投運組合方式也就是燃燒器層投運方式，其組合方式的不同會導致主燃燒區和燃盡風（OFA）區域的距離發生改變，從而使NOx的排放質量濃度受到影響。如將最上面燃燒器停用時，則NOx的排放質量濃度最低；若將最下面的燃燒器停用時，則NOx的排放質量濃度最高。

（4）煤種影響，其NOx的排放質量濃度會隨著煤的含氮質量分數和揮發分質量分數的增加而降低。

（5）一次風量的增減對制粉系統的運行影響較大，小幅度增加一次風速即可能降低鍋爐效率，但對NOx的排放質量濃度影響不大。二次風門全開時鍋爐效率比二次風門全關時略高，但其NOx的排放質量濃度卻比全關時增加明顯。

3 燃燒優化模型的建立

3.1 確立燃燒優化目標函數

600MW機組燃煤鍋爐的優化目標函數為：

式中：A、B分別是影響NOx排放、鍋爐效率的參數集合；m（NOx）為 NOx的排放質量濃度；ηgl為鍋爐效率。

尋優的目標即為X越小越好，因此從運行歷史數據中找到多個能滿足尋優目標的參數集合，首先是找到影響NOx排放質量濃度和鍋爐效率的因素集。

鍋爐運行性能參數決定著燃燒狀況，當某一性能參數超出規定范圍時，需要通過相應的調整使性能參數回歸于規定范圍，因此需要找出使性能參數發生變化的可調量，以便當性能參數超出規定范圍時可迅速調節這些可調量。將調節系統看成一個子組，則對一個子組的可調量進行調整會引發那些狀態量和性能參數變化。找出調節量對應的性能參數的變化，就可對應地找出使某一性能參數變化的最直接調節量。

3.2 優化目標的確定

鍋爐燃燒過程中參變量的數量和種類都非常多，可以選擇的優化目標也很多。由于建立神經網絡的目的是用以進行優化指導，所以優化目標包括在模型輸出的參量之中；同時根據不同的需要，可以在輸出參量中靈活地選擇優化目標；對于多目標優化問題，還可將多個優化目標按照一定原則組合在一起。本文從經濟性和環保性角度出發，選取影響鍋爐熱效率與鍋爐NOx排放質量濃度組成優化目標。

當這兩個量同時作為優化目標的時候，同時實現優化有一定的難度，所以就必須將兩個優化目標能夠變成單目標的問題。最常用的合成方法就是通過加權平均、乘除法以及功效系數法等。考慮到本文優化對象的輸入與輸出都不是單個的量，而優化算法是針對單個目標的，所以采用線性加權合法來作為目標的統一方法：

式中：m為目標的個數，分別給各單一的目標函數分配上權系數λi，將其作為新的目標函數［4］。

3.3 輸入和輸出參數的確定

影響燃燒特性的主要因素大體可總結為：負荷、燃煤特性、二次風與燃盡風配風方式、過量空氣系數、一次風粉質量濃度沿高度方向的分布等。本文選擇較為重要的運行狀態參數作為燃燒優化的輸入量：（1）總風量與入爐總煤量代表負荷對燃燒效果的影響；（2）選擇5個給煤機開度及5臺磨煤機通風量作為輸入參數；（3）二次風前后墻各投放3層，共6層，取6個二次風門開度作為影響因素，用以描述二次風對燃燒優化狀態的影響；（4）取風箱與爐膛壓差作為一個輸入參數；（5）有2層燃盡風，取2層燃盡風開度值作為描述燃盡風影響的輸入參數；（6）空氣預熱器中空氣溫度值也是影響因素之一；（7）采用省煤器后的煙氣中氧氣的體積分數作為氧量對燃燒的影響因素；（8）煤種特性取電廠每天定時化驗的全水分、空干基水分、干燥基灰分、干燥無灰基揮發分和收到基低位熱值作為輸入參數。

將測試所得數據作為輸入參數值，將鍋爐效率和NOx排放質量濃度作為求取的輸出參數值。

3.4 鍋爐燃燒（高效低NOx）優化系統實現

鍋爐負荷和燃用煤種對某特定工況是不可調的，鍋爐運行人員可以根據優化目標的不同，調整各個可調參數的具體數值。由于在優化計算時存在約束條件（例如一、二次風壓），所以必須保證在鍋爐安全運行的范圍內進行調整，不可因優化目標而影響安全生產。

本文實例中需要優化的可調輸入參數為二次風擋板開度、燃盡風門開度和煙氣中氧氣體積分數；輸出參數為鍋爐熱效率、NOx排放質量濃度。神經網絡模型優化結構見圖3。

圖3 神經網絡模型優化圖

4 算例與求解

4.1 低NOx排放的優化

參照上文中描述的優化問題所采用的數學模型進行參數設置，從采集到的用于訓練的神經網絡的數據樣本中選擇出NOx排放質量濃度（m（NOx））最高、最嚴重的工況組進行優化計算，式（2）中取λ1＝1，λ2＝0，在負荷一定的情況下單純進行NOx優化實驗。將訓練好的神經網絡作為求取目標值的目標函數，通過優化算法獲得額定負荷下的NOx質量濃度最低時的二次風門和燃盡風門的開度值（只取其中的最優值，不采用次優解）。

通過多次的迭代求得各個優化參數最優值，輸入值見表1，輸出值見表2。