基于神經網絡與遺傳算法的鍋爐系統的優化

鞠云鵬，常德功

（青島科技大學 機電工程學院，青島 266061）

循環流化床鍋爐[1-2]是應用清潔煤燃燒技術的成果，它是利用脫硫劑（石灰石）使煤在流化床上燃燒時脫硫。鍋爐燃燒過程是一個復雜的物理、化學過程，牽涉到的輸入和輸出變量達160多個[3-4]。依靠專業技術人員的經驗和傳統熱力學的計算分析方法，僅能解決單個輸入變量和輸出目標值的問題。隨著計算機技術和應用數學方法進入工業領域，使得解決多變量之間關系的難題變得容易了許多。但是，鍋爐運行的多目標參數間存在著諸多矛盾，譬如，燃燒效率與氮氧化物的排放之間的矛盾、低氧燃燒與還原性氣體的腐蝕之間的矛盾等等。這些問題就需要用系統的觀念去全面考慮和協調多目標之間的關系。借助先進的數學和計算機手段，利用人工智能神經網絡[5-7]可以解決多變量非線性關系的問題。在對系統深刻理解的基礎上，可以把各種數據信息與鍋爐的經濟、安全和可靠等性能指標之間的關系量化，利用統計學非線性回歸和人工智能神經網絡技術將鍋爐的運行參數與性能指標之間的關系用數學模型的方式表達出來[6-7]。

遺傳算法[8-11]是一種隨機搜索算法，并且是一種模仿生物進化過程的進化算法。這種算法具有較強的適應性，除了需要知道適應度函數之外，幾乎不需要其他的先驗知識。另外，它不受搜索空間的限制性假設的約束，不要求連續性，能以很大的概率從高維問題中找到最優解，并且能夠搜索到滿足不同需求條件下的最佳運行參數組合（借助優化運算）。本文首先通過鍋爐廠參數的歷史數據建立BP神經網絡并進行訓練，然后通過遺傳算法建立各參數的優化組合，通過訓練好的網絡預測出優化效率，并將優化效率對應的風煤比數據作為反饋信號引入鍋爐性能優化系統中，以達到提高鍋爐效率的目的。

1 預測優化原理

1.1 預測模型的建立

本設計建立三層BP神經網絡，為方便模型的建立，引入以下符號：

Xk=，（k=1，2，3，…，n）為輸入向量形式，其中：n為輸入層神經元個數。Yk=為期望輸出向量形式，其中，q為輸出層神經元個數。為隱含層輸入向量，為隱含層輸出向量，其中，p為隱含層神經元個數。Lk=為輸出層輸入向量，Ck=為輸出層實際輸出向量。 w=｛wij｝，（i=1，2，3，…，n， j=1，2，3，…，p）為隱含層與輸入層間的權值。 V=｛vij｝，（t=1，2，3，…，q， j=1，2，3，…，p）為輸出層與隱含層間的權值。 θ=｛θj｝，（ j=1，2，3，…，p）為隱含層神經元閾值，γ＝｛γt｝，（t=1，2，3，…，q）為輸出層神經元閾值。

首先將［-1 1］之間的隨機數賦給權值v，w以及閾值 γ，θ，將一組（Xk，Yk）提供給網絡，作為學習模式對，k=1，2，3，…，m（m 為學習組數）。

根據式（1）和式（2）計算隱含層神經元的輸出值和輸入值為

根據式（3）和式（4）計算輸出層神經元的輸出值和輸入值為

根據式（5）和式（6）分別計算出輸出層和隱含層神經元的校正誤差和為

以 α 為學習速率，0＜α＜1，根據式（7）和式（8）來修正輸出層至隱含層間的連接權值v以及輸出層神經元的閾值γ為

以 β 為學習速率，0＜ β＜1，根據式（9）和式（10）來修正隱含層至輸入層間的連接權值w以及隱含層神經元的閾值θ為

隨機選取下一組訓練數據，并提供給上述算法，直至將所有訓練數據訓練完畢。判斷全局誤差E是否滿足所要求精度，即E≤ε。如果滿足，則停止計算，否則更新訓練組數，繼續計算。計算完畢后，新的網絡模型可用于鍋爐效率值的預測。

1.2 優化算法流程

本文通過遺傳算法來搜索鍋爐效率期望值所對應的風煤比值關系，并將優化后的風煤比作為反饋信號引入鍋爐系統中，以提高鍋爐效率。優化算法流程如下：

1）鍋爐參數編碼

將個體用 （ai1，ai2，ai3，ai4，ai5，ai6，ai7，ai8，ai9，ai10，ai11）來編碼，個體中的基因分別代表鍋爐效率、入爐煤量、二次風流量、上一次風流量、下一次風流量、主蒸汽流量、氧量計、主蒸汽壓力、爐膛密上溫度、給水溫度、主蒸汽溫度。根據表1可得到各參數的取值范圍，將個體基因 ai1，ai2，…，ai11分別賦予取值范圍內的隨機數值。

2）適應度函數

本研究中的適應度函數采用BP神經網絡預測模型，輸出層處理單元的輸入加權和如式（3）所示，輸出層神經元的轉移函數采用Sigmoid函數，數學表達式為

3）選擇操作

采用輪盤賭選擇算法和適應度函數來進行選擇操作，將適應度值高的個體進行復制得到下一代。

4）交叉操作

在所復制的個體中采用隨機方法進行交叉操作，交叉操作函數如下：

其中：p1，p2 為父代個體；c1，c2 為子代個體；bounds為取值范圍；Ops為可選項。

5）變異操作

變異操作中變異點的選取采用隨機與近似的方法，變異操作函數如下：

其中：parent為父代個體；bounds為取值范圍；Ops為可選項。

遺傳算法優化的具體運算流程如圖1所示。

2 鍋爐效率的優化

2.1 優化方案的選取

鍋爐系統的候選優化方案有3種。

圖1 遺傳算法優化流程Fig.1 Genetic algorithm optimization flowchart

1）簡化方案：不安裝任何測點、運行優化軟件的服務器系統和工作站、現場做鍋爐運行優化試驗并提供優化運行指導曲線。

2）在線開環指導優化方案：優化方案是基于Matlab 6.5工具箱函數自行開發的一套優化程序。首先，運用Matlab VC++2005編譯器將函數打包成com組件，即dll文件，然后，運用C#（可視化開發工具）調用程序并開發界面。

3）在線閉環控制優化方案（根據中國的煤質、設備等狀況暫不推薦使用此方案）。

本論文所采用的是在線開環指導鍋爐運行優化方案。鍋爐運行優化系統在線開環指導優化運行，需要與DCS系統接口進行數據交換和發布優化運行提示和控制指令。鍋爐運行優化系統與電廠現有的DCS數據庫交換數據，只需要根據具體DCS系統的通訊方式和I/O接口規定，以DCS-數據庫系統－鍋爐運行優化系統方式建立通信。開環系統只需從DCS系統采集數據，優化結果不進入DCS系統。

2.2 BP神經網絡的訓練

本研究中所采用的網絡結構為3層，根據kol mogorov定理[12]可確定隱含層神經元的個數n，n=2m+1，其中，m為輸入量個數。鍋爐優化系統從鍋爐廠現有的DCS數據庫中提取150組所需運行參數，主要運行參數如表1所示。基于表1鍋爐系統運行數據（前75組），通過BP神經網絡可建立鍋爐參數與效率間的函數模型。

表1 鍋爐系統主要運行參數Tab.1 Boiler system operating parameter

2.3 鍋爐參數的優化

將鍋爐輸入參數（入爐煤量、二次風流量、上一次風流量、下一次風流量、主蒸汽流量、氧量計、主蒸汽壓力、爐膛密上溫度、給水溫度、主蒸汽溫度）以及輸出參數（鍋爐效率）進行浮點數編碼，并根據表1數據確定各參數的范圍，進行種群的初始化。初始化的種群經過選擇、交叉、變異以及適應度函數的計算，最終得到期望效率值。將期望效率值所對應的風煤比引入鍋爐系統即可達到優化鍋爐效率的目的。根據開環指導優化方案，在取數時間長度為10 min，優化頻率為650 s，鍋爐效率設定值為98%的情況下所得到的鍋爐優化參數如表2所示。

表2 鍋爐優化參數Tab.2 Boiler optimization parameters

3 結果與分析

基于表1鍋爐系統運行數據（前75組），通過BP神經網絡建立鍋爐參數與效率間的函數模型。并以表1中后75組數據作為校驗數據，以驗證網絡預測的精度。為更好地了解BP神經網絡的預測精度，針對窯爐運行數據建立了4個網絡預測模型。同時，為更好地了解遺傳算法與神經網絡相結合的優越性，針對窯爐運行數據建立了6組差值（鍋爐效率優化前后的差值）。圖2是網絡預測值與校驗數據的比較。圖3是采用遺傳算法優化后的鍋爐效率輸出值與初始數據（未經優化前的數據）的差值。

圖2 鍋爐效率的實際數據與神經網絡預測模型輸出的比較Fig.2 Comparison of actual data with the output of the neural network prediction model

圖3 鍋爐效率優化值與初始值的差值Fig.3 Difference between optimal values and the initial values

由圖2可知，4組曲線是BP神經網絡預測值與校驗數據的比較，與此同時，所用預測模型是從多個所建模型中隨機抽取的，因此預測值能較好地體現網絡的預測能力。4個BP神經網絡預測模型中，鍋爐實際效率曲線與神經網絡建模后的輸出效率曲線的差值較小，二者曲線近乎重合，這說明：BP神經網絡所預測的效率值與原始效率的擬合程度較高，BP神經網絡具有較高的預測精度，可用于鍋爐系統效率預測優化中。

由圖3可知，6組曲線是采用遺傳算法優化后的鍋爐效率輸出值與初始數據 （未經優化前的數據）的差值，采用優化方法以后計算出的鍋爐效率與原始效率差值幾乎全部大于零，最大差值已接近3.5%，根據現場采集數據和綜合分析，鍋爐性能優化系統投入使用后，預期可以達到降低供電煤耗2 g/（kWh）左右；降低氮氧化物排放量 150 mg/m3。根據目前已經取得的優化業績，鍋爐年節約煤耗（按2 g/（kWh）計算）：（2×10-6） t/（kWh）×300 MW×6000 h×700元/t=252萬元；按目前平均煤價700元/t計算，通過鍋爐性能優化節煤年直接經濟效益至少在252萬元人民幣以上。參照1004 t蒸發量鍋爐參數測算：總排煙量1.3×106m3/h；按照年運行6000 h，以降低100 mg/m3估算（實際優化值需根據現場情況確定）。按照2004年7月1日執行的《排污費征收標準管理辦法》，NOx排放按實際排放污染當量收費，每污染當量NOx收費0.6元（每污染當量為0.95 kg）。則年NOx排放節約費用為

1.3×106m3/h×100×10-6kg/m3×6000 h×0.6 元/0.95 kg＝49.26 萬元

年總節約費用為

252萬元＋49.26萬元＝301.26萬元以上。

4 結語

鍋爐優化系統從鍋爐廠現有的DCS數據庫中提取所需的運行參數。通過人工智能神經網絡建立各參數之間的模型，利用遺傳算法得到各參數的優化組合，為鍋爐系統的優化提供保障。通過優化驗證曲線可以看出，采用BP神經網絡能夠相對準確的預測出鍋爐效率，同時遺傳算法能夠較好地優化參數，使鍋爐效率提高0.5%～3%。此優化算法也可推廣應用到玻璃窯爐廠配料系統中。與此同時，本文的優化也存在不完善的地方，比如，優化方案所選擇的是在線開環指導方式，這主要是由中國的煤質、設備等狀況所決定的。進一步完善優化方法，提高鍋爐效率是下一步需要做的工作。

[1]Zhang Nan，Lu Bona，Wang Wei，et al.3D CFD simulation of hydrodynamics of a 150 MWe circulating fluidized bed boiler[J].Chemical Engineering Journal，2010，162（2）：821-828.

[2]張瑞卿，楊海瑞，呂俊復.應用于循環流化床鍋爐氣固流動和燃燒的 CPFD 數值模擬[J].中國電機工程學報，2013，33（23）：75-83.

[3]蘇建民.燃燒劣質無煙煤300 MW循環流化床鍋爐節能減排特性的研究[J].動力工程學報，2010，30（9）：663-667.

[4]張愷，曹長青，趙亞南.氣液固循環流化床預分布器附近流體動力學的數值研究[J].青島科技大學學報：自然科學版，2010，31（1）：51-54.

[5]趙彤，曹世偉，趙品.基于神經網絡MIMO非仿射系統自適應控制[J].青島科技大學學報：自然科學版，2010，31（3）：317-320.

[6]劉瑞葉，黃磊.基于動態神經網絡的風電場輸出功率預測[J].電力系統自動化，2012，36（11）：19-22.

[7]Wang C，Wang M，Liu T F，et al.Learning from ISS-modular adaptive NN control of nonlinear strict-feedback systems[J].IEEE Transactions on Neural Networks and Learning Systems，2012，23（10）：1539-1550.

[8]劉軍，張利建，薛明.基于遺傳算法的仿人智能控制[J].青島科技大學學報：自然科學版，2007，28（2）：162-165.

[9]王東風，任燕燕，劉長良.基于量子遺傳算法的循環流化床鍋爐模型辨識[J].動力工程學報，2013，33（10）：782-788.

[10]金弟，劉杰，楊博.局部搜索與遺傳算法結合的大規模復雜網絡社區探測[J].自動化學報，2011，37（7）：873-882.

[11]梁亞瀾，聶長海.覆蓋表生成的遺傳算法配置參數優化[J].計算機學報，2012，35（7）：1522-1538.

[12]于彬.基于小波分析的BP神經網絡膜蛋白跨膜螺旋區段預測[J].青島科技大學學報：自然科學版，2010，31（6）：583-586.