基于反向傳播-向量評價遺傳算法模型的燃煤電站鍋爐燃燒多目標優(yōu)化*

余廷芳 耿 平 曹孟冰 霍二光

(南昌大學機電工程學院，江西 南昌 330031)

影響電站鍋爐熱效率和NOx排放的因素復雜，對于既定鍋爐，鍋爐負荷、爐膛氧量、爐內(nèi)配風方式以及給煤機組合方式等因素都會影響鍋爐熱效率和NOx排放，并且這些影響因素相互耦合，呈現(xiàn)出復雜的非線性關系，造成燃煤鍋爐的燃燒數(shù)據(jù)分析困難。

當前，智能算法在電站鍋爐熱效率和NOx排放等方面的預測優(yōu)化建模中取得了一定成果。谷麗景等[1]和呂玉坤等[2]借助人工神經(jīng)網(wǎng)絡建立了鍋爐熱效率和NOx排放的混合預測模型；王偉等[3]借助自適應矯正加權最小二乘支持向量機(WLSSVM)實現(xiàn)了飛灰含碳量的軟測量；孫衛(wèi)紅等[4]借助于改進的粒子群優(yōu)化算法(POS)優(yōu)化參數(shù)的最小二乘支持向量機(LSSVM)建立NOx排放預測模型；何勇超[5]借助誤差反向傳播(BP)-遺傳算法(GA)神經(jīng)網(wǎng)絡建立了鍋爐燃燒預測模型；盧洪波等[6]、王金龍等[7]、吳鋒等[8]和顧燕萍等[9]借助支持向量機建立了鍋爐熱效率、NOx排放和飛灰含碳量預測模型，同時在此基礎上借助GA、粒子群算法、微分進化算法分別建立了鍋爐燃燒優(yōu)化模型，并進行了對比；張振星等[10]借助果蠅優(yōu)化算法建立了鍋爐高效率低NOx燃燒優(yōu)化模型。

上述研究工作雖然在燃煤鍋爐優(yōu)化中取得了一定效果，但均需要在燃燒特性預測建模及優(yōu)化算法上花費大量的編程精力，導致應用效果往往取決于研究者的建模和算法編程能力。專業(yè)的MATLAB智能工具箱在此方面存在巨大優(yōu)勢[11-13]。MATLAB智能工具箱主要包括神經(jīng)網(wǎng)絡、GA、控制系統(tǒng)、小波分析、信號處理等多種工具箱，這些工具箱是一系列函數(shù)的集合，使用工具箱解決問題時不需要編寫相應函數(shù)的具體程序，只需調(diào)用函數(shù)即可，并且大部分函數(shù)可根據(jù)所解決的具體問題而更改相應的參數(shù)設置，節(jié)省了編程時間，可以幫助專業(yè)研究人員從大量的智能建模算法中解放出來，將主要精力放在研究對象的專業(yè)領域，建立有針對性的鍋爐燃燒多目標優(yōu)化模型。本研究基于某300 MW電站鍋爐的運行數(shù)據(jù)，借助MATLAB智能工具箱，以BP神經(jīng)網(wǎng)絡分別建立鍋爐熱效率和NOx排放預測模型，在此基礎上以向量評價遺傳算法(VEGA)建立鍋爐燃燒的優(yōu)化模型，尋求鍋爐熱效率和NOx排放量的優(yōu)質(zhì)解集合，實現(xiàn)鍋爐熱效率和NOx排放多目標優(yōu)化。

1 研究對象介紹

300 MW電站鍋爐為亞臨界、四角切圓燃燒、自然循環(huán)汽包爐。鍋爐采用單爐膛型露天布置，燃用煙煤，一次中間再熱，平衡通風，固態(tài)排渣，全鋼架、全懸吊結(jié)構，爐頂帶金屬防雨罩。鍋爐燃燒器采用水平濃淡型直流擺動煤粉燃燒器，濃淡兩股風、粉氣流從爐膛四角噴入，每角燃燒器共布置13層噴口，包括5層一次風口、8層二次風口(包括1層消旋二次風(OFA)噴口)。采用中速磨煤機/冷一次風

機/正壓直吹式制粉系統(tǒng)，配5臺磨煤機與5臺給煤機。

2 BP神經(jīng)網(wǎng)絡預測模型

2.1 建立BP神經(jīng)網(wǎng)絡預測模型

從電站熱態(tài)試驗測試數(shù)據(jù)和運行數(shù)據(jù)庫中精選出100組數(shù)據(jù)作為本次試驗的樣本，每個樣本的數(shù)據(jù)是工況穩(wěn)定運行2 h以上的平均值，保證了樣本數(shù)據(jù)的可靠性與合理性。其中，80組作為BP神經(jīng)網(wǎng)絡的訓練樣本，20組作為校驗樣本。每組數(shù)據(jù)有22個維度，1～20維包括鍋爐負荷、爐膛氧量、一次風、二次風、燃盡風和給煤機給煤量等參數(shù)，21～22維為NOx排放量和鍋爐熱效率，部分數(shù)據(jù)見表1和表2。飛灰含碳量數(shù)據(jù)通過飛灰含碳量在線檢測系統(tǒng)(試驗期間經(jīng)過了標定)獲取，煤質(zhì)數(shù)據(jù)按照試驗要求采樣檢測，鍋爐熱效率通過離線計算獲得，其余均為在線采集的表盤數(shù)據(jù)。

由于VEGA優(yōu)化模型的需要，借助BP神經(jīng)網(wǎng)絡分別建立鍋爐熱效率和NOx排放預測模型，輸入每組數(shù)據(jù)的1～20維，它們分別代表了鍋爐負荷，一、二次風配比，過量空氣系數(shù)等因素對鍋爐燃燒的影響，以同樣的訓練數(shù)據(jù)分別訓練鍋爐效率和NOx排放預測模型，模型如圖1所示。

采用MATLAB神經(jīng)網(wǎng)絡工具箱自帶的feedforwardnet函數(shù)創(chuàng)建BP神經(jīng)網(wǎng)絡，采用3層網(wǎng)絡，隱含層設為1層，trainlm函數(shù)作為網(wǎng)絡的訓練函數(shù)，傳遞函數(shù)、學習速率等采用feedforwardnet函數(shù)的默認設置，經(jīng)過試驗，隱含層節(jié)點設置為23個時訓練效果最佳。

2.2 BP神經(jīng)網(wǎng)絡預測模型效果驗證

表1 試驗數(shù)據(jù)樣本的給煤量和一次風風速

注：1)1#、2#、3#、4#、5#分別為不同給煤機。

表2 試驗數(shù)據(jù)樣本的二次風開度、爐膛氧量、OFA開度、NOx排放量與鍋爐熱效率

注：1)AA、AB、BC、CC、DD、DE和EE分別為不同風口；2)以質(zhì)量分數(shù)計。

圖1 鍋爐燃燒系統(tǒng)BP神經(jīng)網(wǎng)絡預測模型Fig.1 BP neural network model of boiler combustion system

為了直觀地分析所建立的BP神經(jīng)網(wǎng)絡預測模型，分別繪制了鍋爐熱效率和NOx排放量的訓練效果圖和校驗圖(見圖2至圖5)。由于鍋爐熱效率的變化范圍狹窄，對其精確度要求較高，將其相對誤差控制在0.5%以內(nèi)；NOx排放量的變化范圍較大，對其精確度要求相對較低，故將其相對誤差控制在5%以內(nèi)。

鍋爐熱效率的訓練效果如圖2所示。圖2表征了鍋爐熱效率預測模型訓練過程預測值與實際值的重合度。該模型的訓練樣本相對誤差最大絕對值為0.300 0%，最小絕對值為0.000 2%，平均絕對值為0.050 0%，訓練準確度滿足要求。已經(jīng)訓練完成的鍋爐熱效率預測模型的校驗樣本相對誤差如圖3所示。圖3表征了該預測模型的泛化性及精確度。校驗樣本相對誤差最大絕對值為0.380 0%，最小絕對值為0.026 0%，平均絕對值為0.210 0%，表明鍋爐熱效率預測模型具有良好的泛化性和較高的精確度。

NOx排放量的訓練效果如圖4所示。圖4表征了NOx排放預測模型訓練過程預測值與實際值的重合度。該模型的訓練樣本相對誤差最大絕對值為3.680 0%，最小絕對值為0.007 0%，平均絕對值為1.330 0%，訓練準確度滿足本次試驗的要求。已經(jīng)訓練完成的NOx排放預測模型的校驗樣本相對誤差如圖5所示。圖5表征了該模型的泛化性和精確度，校驗樣本相對誤差最大絕對值為4.070 0%，最小絕對值為0.320 0%，平均絕對值為2.410 0%，表明NOx排放預測模型的泛化性和精確度符合要求。

3 基于BP-VEGA模型的鍋爐燃燒優(yōu)化模型

3.1 模型的建立

VEGA是SCHAFFER在研究多目標優(yōu)化問題時，在擴展簡單遺傳算法(SGA)的基礎上提出[14]。該算法的基本思想是：將總種群個體均分，均分的數(shù)量取決于待優(yōu)化目標函數(shù)的個數(shù)。本次建模有兩個目標函數(shù)，即鍋爐熱效率和NOx排放量，對于均分后的每個子種群，都有各自的目標函數(shù)，這些目標函數(shù)都是獨立且互不影響，在各自的子種群中進行選擇運算。選擇出適應度高的個體重新組成新的子種群，適應度函數(shù)來自前面所建立的鍋爐熱效率和NOx排放預測模型。將新生成的子種群重新合并成總種群，這個總種群再繼續(xù)進行交叉、變異，生成下一代新的總種群，如此往復循環(huán)，最終會求得鍋爐燃燒多目標問題的優(yōu)質(zhì)解集合，VEGA流程圖如圖6所示。

圖2 鍋爐熱效率的訓練效果Fig.2 The training result of the boiler thermal efficiency

圖3 鍋爐熱效率校驗樣本的相對誤差Fig.3 The relative error of the boiler thermal efficiency of calibration samples

圖4 NOx排放量的訓練效果Fig.4 The training result of NOx emissions

圖5 NOx排放量校驗樣本的相對誤差Fig.5 The relative error of NOx emissions of calibration samples

設置VEGA優(yōu)化模型的技術參數(shù)和SGA相同，種群個體全部采用二進制編碼，總種群個體數(shù)目設為100，根據(jù)待優(yōu)化目標函數(shù)將總?cè)后w分為兩個子群體，初始子群體各有50個個體，每個個體有20維變量，設每個變量的二進制位數(shù)為20，代溝為0.9，交叉概率為0.700，變異概率為0.035，設置其迭代次數(shù)為50。

為了提高優(yōu)化結(jié)果的合理性，將種群中每個個體的變量(即鍋爐燃燒參數(shù))約束到一定的范圍內(nèi)，約束范圍根據(jù)電站實際運行經(jīng)驗確定，將每個變量的二進制編碼所代表的十進制參數(shù)約束在一定范圍內(nèi)，這樣能夠縮小尋優(yōu)范圍，提高優(yōu)化結(jié)果的可行性，找到鍋爐優(yōu)化燃燒參數(shù)的最優(yōu)組合集，如一、二次配風方式，給煤機給煤量分配等鍋爐可調(diào)參數(shù)的最優(yōu)組合方式。

注：n為子種群總數(shù)；i為迭代次數(shù)。圖6 VEGA流程圖Fig.6 Flow chart of VEGA

3.2 模型優(yōu)化結(jié)果

選擇該燃煤鍋爐300、270 MW兩種運行負荷進行優(yōu)化，考慮到兩種負荷下某些鍋爐運行參數(shù)的約束范圍不同，故分為兩組分別進行優(yōu)化。兩種負荷下所得到的鍋爐熱效率和NOx排放量多目標優(yōu)化的優(yōu)質(zhì)解集合分別見圖7和圖8。50次迭代的結(jié)果，就是50組鍋爐熱效率優(yōu)質(zhì)解集合與50組NOx排放量優(yōu)質(zhì)解集合，可根據(jù)燃煤鍋爐的實際情況，以鍋爐熱效率或者NOx排放量為依據(jù)選取優(yōu)質(zhì)解所對應的鍋爐優(yōu)化參數(shù)組合。

圖7 300 MW負荷下鍋爐熱效率和NOx排放量的優(yōu)質(zhì)解集合Fig.7 The high-quality solution sets of boiler thermal efficiency and NOx emissions of 300 MW boiler

從圖7可以看出，優(yōu)化后的鍋爐熱效率優(yōu)質(zhì)解集合為92.93%～93.64%，與優(yōu)化前相比，鍋爐熱效率平均約提高1百分點。優(yōu)化后NOx排放量優(yōu)質(zhì)解集合為367～413 mg/m3，比優(yōu)化前的NOx排放量明顯減少。

圖8 270 MW負荷下鍋爐熱效率和NOx排放量的優(yōu)質(zhì)解集合Fig.8 The high-quality solution sets of boiler thermal efficiency and NOx emissions of 270 MW boiler

由圖8可以看出：270 MW負荷下鍋爐熱效率優(yōu)質(zhì)解集合為92.26%～93.56%，稍低于300 MW負荷下的鍋爐熱效率優(yōu)質(zhì)解集合；NOx排放量優(yōu)質(zhì)解集合為360～416 mg/m3，NOx排放量優(yōu)化效果更明顯。但是，在迭代20次后，270 MW負荷下鍋爐熱效率與NOx排放量的優(yōu)質(zhì)解變化趨于停滯，而300 MW負荷下鍋爐熱效率與NOx排放量的優(yōu)質(zhì)解在迭代近40次時才趨于停滯。因此，滿足鍋爐熱效率與NOx排放量的優(yōu)質(zhì)解集合的前提下，300 MW負荷下可選擇的鍋爐運行參數(shù)組合多于270 MW負荷。

4 結(jié) 論

(1) 借助BP神經(jīng)網(wǎng)絡分別建立鍋爐熱效率和NOx排放預測模型。鍋爐熱效率預測模型的訓練樣本相對誤差平均絕對值為0.050 0%，校驗樣本的相對誤差平均絕對值為0.210 0%；NOx排放預測模型的訓練樣本相對誤差平均絕對值為1.330 0%，校驗樣本的相對誤差平均絕對值為2.410 0%，預測模型均具有較高的準確度、精確度和泛化性。

(2) 基于已經(jīng)訓練完成的鍋爐熱效率和NOx排放預測模型，結(jié)合VEGA優(yōu)化模型對鍋爐負荷分別為300、270 MW時進行燃燒多目標優(yōu)化，分別得到了不同負荷下的鍋爐熱效率和NOx排放量優(yōu)質(zhì)解集合。300 MW負荷下鍋爐熱效率優(yōu)質(zhì)解集合為92.93%～93.64%，NOx排放量優(yōu)質(zhì)解集合為367～413 mg/m3；270 MW負荷鍋爐熱效率優(yōu)質(zhì)解集合為92.26%～93.56%，NOx排放量優(yōu)質(zhì)解集合為

360～416 mg/m3。可根據(jù)優(yōu)質(zhì)解所對應的鍋爐運行參數(shù)調(diào)整鍋爐燃燒的實際運行過程，用于實際電站鍋爐燃燒的多目標優(yōu)化。

[1] 谷麗景，李永華，李路．電站鍋爐燃燒優(yōu)化混合模型預測[J]．中國電機工程學報，2015，35(9)：2231-2237．

[2] 呂玉坤，彭鑫，趙鍇．電站鍋爐熱效率和NOx排放混合建模與優(yōu)化[J]．中國電機工程學報，2011，31(26)：16-22．

[3] 王偉，常浩，王寶玉．飛灰含碳量自適應校正WLSSVM軟測量模型[J]．熱力發(fā)電，2013，42(8)：75-80．

[4] 孫衛(wèi)紅，童曉，李強．改進PSO優(yōu)化參數(shù)的LSSVM燃煤鍋爐NOx排放預測[J]．數(shù)據(jù)采集與處理，2015，30(1)：231-238．

[5] 何勇超．采用燃燒系統(tǒng)模型預測鍋爐效率和NOx排放濃度[J]．熱力發(fā)電，2013，42(4)：65-69．

[6] 盧洪波，王金龍．300 MW燃煤電站鍋爐飛灰含碳量和NOx排放濃度多目標優(yōu)化[J]．黑龍江電力，2013，35(3)：192-195．

[7] 王金龍，李恩家．600 MW燃煤電站鍋爐效率和NOx排放濃度多目標優(yōu)化[J]．電站系統(tǒng)工程，2015，31(3)：47-48．

[8] 吳鋒，周昊，鄭立剛，等．基于非支配排序遺傳算法的鍋爐燃燒多目標優(yōu)化[J].中國電機工程學報，2009，29(29)：7-12．

[9] 顧燕萍，趙文杰，吳占松．基于最小二乘支持向量機的電站鍋爐燃燒優(yōu)化[J]．中國電機工程學報，2010，30(17)：91-97．

[10] 張振星，孫保民，信晶．基于果蠅優(yōu)化算法的鍋爐高效率低NOx燃燒建模[J]．熱力發(fā)電，2014，43(12)：19-30．

[11] 雷英杰，張善文．MATLAB遺傳算法工具箱及其應用[M]．西安：西安電子科技大學出版社，2014：61-92．

[12] 劉冰，郭海霞．MATLAB神經(jīng)網(wǎng)絡超級學習手冊[M]．北京：人民郵電出版社，2014：159-193．

[13] 欒穎．MATLAB R2013a基礎與可視化編程[M]．北京：清華大學出版社，2014：305-511．

[14] 王小平，曹立明．遺傳算法——理論、應用與軟件實現(xiàn)[M]．西安：西安交通大學出版社，2002：104-122．