基于智能算法的燃煤電站鍋爐燃燒優化

余廷芳，　耿　平，　霍二光，　曹孟冰

(南昌大學 機電工程學院，南昌 330031)

?

基于智能算法的燃煤電站鍋爐燃燒優化

余廷芳，耿平，霍二光，曹孟冰

(南昌大學 機電工程學院，南昌 330031)

基于Matlab人工智能工具包對某300 MW燃煤電站鍋爐進行了燃燒優化混合建模：利用BP神經網絡建立了鍋爐燃燒特性的BP神經網絡模型，用以預測鍋爐熱效率和NOx排放質量濃度.基于該模型，以鍋爐熱效率和NOx排放質量濃度為目標，結合Matlab遺傳算法工具包對鍋爐進行燃燒優化，并采用權重系數法將多目標優化問題轉化為單目標優化問題.結果表明：鍋爐熱效率和NOx排放質量濃度校驗樣本的相對誤差平均絕對值分別為0.142%和1.790%，該模型具有良好的準確性和泛化能力；權重系數法可根據實際情況，以鍋爐熱效率或NOx排放質量濃度為優化重點選取相應的權重系數，對燃燒優化具有一定的指導意義.

電站鍋爐； 鍋爐熱效率； NOx排放； 遺傳算法； 多目標優化

影響燃煤電站鍋爐熱效率和NOx排放的因素較復雜，對于既定鍋爐，鍋爐負荷、爐膛氧量、爐內配風方式和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，呈現出復雜的非線性關系，使得鍋爐燃燒數據的分析較困難.

目前，智能算法在燃煤電站鍋爐熱效率和NOx排放建模中被大力推廣.尹凌霄等[1-5]基于智能算法，借助BP神經網絡和支持向量機建立了NOx排放濃度和鍋爐熱效率的預測模型；谷麗景等[6-7]基于神經網絡建立了鍋爐燃燒的混合模型，實現了NOx排放量、飛灰含碳量及鍋爐熱效率等多種參數的軟測量；呂玉坤等[8-11]借助遺傳算法實現了對鍋爐燃燒的優化.以上建模與優化的很多思想和方法都有各自的特色，值得借鑒.

筆者在前人研究的基礎上，使用300 MW燃煤電站鍋爐的運行數據，基于Matlab人工智能工具包，利用BP神經網絡建立鍋爐熱效率和NOx排放質量濃度的鍋爐燃燒特性BP神經網絡模型.在此基礎上，利用遺傳算法(GA)建立鍋爐燃燒的優化模型，通過權重系數法變換權重系數將鍋爐熱效率和NOx排放質量濃度多目標優化問題轉化為單目標優化問題，從而實現鍋爐熱效率和NOx排放質量濃度多目標優化.

1　研究對象

某300 MW燃煤電站鍋爐為東方鍋爐股份有限公司制造的DG-1025/17.5-Ⅱ4型亞臨界參數、四角切圓燃燒、自然循環汽包爐.鍋爐采用單爐膛、露天布置、一次中間再熱、平衡通風、固態排渣、全鋼架、全懸吊結構，燃用煙煤，爐頂帶金屬防雨罩.燃燒器采用水平濃淡型直流型擺動煤粉燃燒器，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(A、B、C、D、E)和8層二次風口(包括一層燃盡風(OFA)噴口和7層二次風口(AA、AB、BC、CC、DD、DE、EE)).制粉系統采用中速磨煤機、冷一次風機、正壓直吹式制粉系統，配備5臺磨煤機(A、B、C、D、E).

2　BP神經網絡模型

2.1建立BP神經網絡模型

利用BP神經網絡建立鍋爐熱效率和NOx排放質量濃度的鍋爐燃燒特性BP神經網絡模型，該模型有20維輸入，其中包括發電機功率、爐膛氧量、一次風風速、二次風門開度和燃盡風門開度等參數，分別代表了鍋爐負荷、過量空氣系數、一二次風配比和燃盡風等因素對鍋爐燃燒特性的影響，輸出為鍋爐熱效率和NOx排放質量濃度.該模型示意圖如圖1所示.

本次建模所選工況均在額定負荷300 MW附近，鍋爐燃燒特性的BP神經網絡模型僅針對滿負荷工況.試驗精選100組鍋爐運行數據，其中85組數據用來訓練BP神經網絡，15組數據用于校驗.樣本數據如表1所示，其中ρ為NOx排放質量濃度，η為鍋爐熱效率.在建立鍋爐熱效率和NOx排放質量濃度鍋爐燃燒特性的BP神經網絡模型時，網絡的訓練不能過于飽和，即網絡訓練誤差不能過低，網絡訓練過飽和會降低網絡的泛化性，應該將其訓練誤差控制在一個合理的區間之內.對于鍋爐熱效率，由于其本身的變化范圍比較狹窄，故對其預測的訓練誤差應控制在0.5%范圍內；而NOx排放質量濃度的變化范圍較大，訓練誤差應控制在5%以內，在訓練網絡時要將訓練誤差與校驗誤差結合并進行對比，使鍋爐燃燒特性的BP神經網絡模型同時滿足訓練誤差要求和網絡泛化性要求.

圖1　鍋爐燃燒特性的BP神經網絡模型

采用BP神經網絡自帶的feedforwardnet函數創建BP神經網絡，采用3層網絡，隱含層設為一層，采用trainlm函數作為網絡的訓練函數，傳遞函數和學習速率等采用feedforwardnet函數的默認設置，經過試驗，當隱含層節點數為24時的訓練效果最佳.

2.2BP神經網絡模型的效果驗證

為了直觀地觀察和對比，對BP神經網絡模型的二維輸出(即鍋爐熱效率和NOx排放質量濃度)分別進行整理，將鍋爐熱效率的85組訓練樣本和15組校驗樣本的訓練效果和相對誤差匯總，分別整理在同一個圖中，并將NOx排放質量濃度訓練效果和相對誤差匯總和整理，結果見圖2～圖5.

圖2給出了鍋爐熱效率的訓練效果.圖3為鍋爐熱效率樣本的相對誤差圖.由圖3可知，鍋爐熱效率訓練樣本的最大相對誤差絕對值為0.176%，相對誤差的平均絕對值為0.048%；校驗樣本的最大相對誤差絕對值為0.314%，相對誤差平均絕對值為0.142%，訓練精度滿足要求，具有較高的泛化性.

表1　試驗樣本數據

圖2　鍋爐熱效率的訓練效果

圖3　鍋爐熱效率樣本的相對誤差

圖4　NOx排放質量濃度的訓練效果

圖5　NOx排放質量濃度樣本的相對誤差

圖4給出了NOx排放質量濃度的訓練效果.圖5為NOx排放質量濃度樣本的相對誤差圖.由圖5可知，NOx排放質量濃度訓練樣本的最大相對誤差絕對值為3.312%，相對誤差平均絕對值為0.469%；校驗樣本的最大相對誤差絕對值為4%，相對誤差平均絕對值為1.790%，訓練和校驗的精度都達到了要求.

3　基于遺傳算法的鍋爐燃燒優化模型

3.1燃燒優化模型的建立

基于前文已建立的鍋爐熱效率和NOx排放質量濃度鍋爐燃燒特性的BP神經網絡模型，建立基于遺傳算法的鍋爐燃燒優化模型，優化模型中的適應度函數采用BP神經網絡模型來代替，用BP神經網絡模型來評估優化效果，優化的目標為鍋爐熱效率和NOx排放質量濃度，本質上屬于多目標優化的范疇.筆者對2個要優化的目標分別給定一個權重系數，并進行線性相加，將多目標優化問題轉化為單目標優化問題，由于鍋爐熱效率和NOx排放質量濃度兩者數量級不同，直接分配權重系數進行優化得不到理想的優化結果，所以要進行數據歸一化處理，分別將兩者的數據歸一化到[0，1].

遺傳算法的適應度函數可以表示為

(1)

式中：α、β為鍋爐熱效率和NOx排放質量濃度的權重系數，分別取0.3、0.7，0.4、0.6，0.5、0.5，0.6、0.4，0.7、0.3；最后一項加1是為了保證適應度值始終為正值.

種群個體全部采用二進制編碼，總種群個體數設為50，每個變量的二進制位數為20，共計20維，交叉概率為0.7，變異概率為0.035，設置其最大迭代次數為60.為了保證優化結果的合理性，要將種群中每個個體的變量即鍋爐燃燒參數約束到一定范圍之內，約束范圍根據電廠實際運行經驗確定，即將每個變量的二進制編碼所代表的十進制參數約束在一定范圍內，這樣能縮小尋優范圍，提高優化結果的可行性，參數的約束范圍見表2.

表2　參數約束范圍

3.2優化結果

不同權重系數比例下鍋爐熱效率和NOx排放質量濃度的優化結果見圖6～圖10.為了更好地對比優化結果，表3列出了2組鍋爐原始運行數據和5組不同權重系數比例下的優化結果，其中第1組和第2組數據為原始運行數據，第3組～第7組對應鍋爐熱效率與NOx排放質量濃度的權重系數比例分別為0.3∶0.7、0.4∶0.6、0.5∶0.5、0.6∶0.4、0.7∶0.3時的優化結果.

當α=0.3、β=0.7(見圖6)，即鍋爐熱效率的權重系數比例為30%，NOx排放質量濃度的權重系數比例為70%時，更應關注的是NOx排放質量濃度，此時NOx排放質量濃度降低到316.77 mg/m3，比100組運行數據的NOx排放質量濃度平均值(440 mg/m3)降低了近28%，NOx排放質量濃度優化效果顯著.同時，鍋爐熱效率提升到92.3%，比100組運行數據的鍋爐熱效率平均值(91.7%)提升了0.6%，其優化效果沒有NOx排放質量濃度的優化效果明顯.由表3可知，與原始運行數據相比，優化后的鍋爐燃燒參數表現為各層給煤量更加均勻，配風形式為下部缺氧燃燒的方式，鍋爐熱效率和NOx排放質量濃度均有所改善.

當α=0.4、β=0.6(見圖7)，即鍋爐熱效率的權重系數比例為40%，NOx排放質量濃度的權重系數比例為60%時，較為關注的是NOx排放質量濃度，NOx排放質量濃度由平均值降低到361.68 mg/m3，降低約18%，NOx排放質量濃度優化效果比較顯著；此時，鍋爐熱效率由平均值提升到92.75%，提升了1.05%，其優化效果比α=0.3、β=0.7時的優化效果更明顯.

當α=0.5、β=0.5(見圖8)，即鍋爐熱效率與NOx排放質量濃度的權重系數比例相同時，兩者的關注程度也相同，NOx排放質量濃度由平均值降低到379. 04 mg/m3，降低約14%；鍋爐熱效率由平均值提升到93.37%，提升了1.67%，相對鍋爐熱效率的現狀來說，其優化效果顯著，這個權重系數比例也是大部分電廠比較傾向的，在這個權重系數比例下可以進行更深層次的研究.

當α=0.6、β=0.4(見圖9)，即鍋爐熱效率的權重系數比例為60%，NOx排放質量濃度的權重系數比例為40%時，比較關注的是鍋爐熱效率，希望進一步提升鍋爐熱效率，此時NOx排放質量濃度降低到423.94 mg/m3，較平均值降低了近4%，優化效果明顯比之前的權重系數比例(70%,60%和50%)差了許多；鍋爐熱效率由平均值提升到93.71%，提升了2.01%，其優化效果顯著，但這是以犧牲了一定的NOx排放質量濃度為前提的.

圖6　α=0.3、β=0.7時的優化結果

圖7　α=0.4、β=0.6時的優化結果

圖8　α=0.5、β=0.5時的優化結果

圖9　α=0.6、β=0.4時的優化結果

序號功率/MW各一次風風速/(m·s-1)各給煤機給煤量/(t·h-1)ABCDEABCDE1297.6730.4533.7930.7338.6934.3647.0024.1633.6527.1435.842305.0732.6035.3132.9642.9934.7449.0027.4939.4928.9727.513300.0026.6726.9326.6033.1630.2039.4936.6333.4330.8227.314300.0027.5127.4928.5732.2529.8838.1133.3930.6936.4228.875300.0027.9828.9227.2634.8731.9635.6732.8335.4230.6932.856300.0028.5729.3128.1233.1130.4134.3330.2234.5333.1934.247300.0028.1729.5129.1335.6631.9632.9630.0234.2033.2135.21序號氧質量分數/%各二次風門開度/%AAABBCCCDDDEEE燃盡風門開度/%ρ/(mg·m-3)η/%12.7370.6044.9944.1935.4634.8352.2546.3269.76489.8492.12923.1965.5549.8740.3339.6240.5156.9849.1670.46429.1990.96032.5934.0644.2058.5673.8445.2356.4351.4371.15316.7792.30042.7336.4546.0062.7970.8349.5453.9253.5161.56361.6892.75052.9545.5535.1863.2668.2846.0856.3851.0755.82379.0493.37063.2851.9761.8349.6363.0253.0746.1955.0150.24423.9493.71073.5449.1959.5755.4765.2165.1851.0056.2342.18477.5093.960

當α=0.7、β=0.3(見圖10)，即鍋爐熱效率的權重系數比例為70%，NOx排放質量濃度的權重系數比例為30%時，更應關注的是鍋爐熱效率，這種方案大部分是將NOx排放質量濃度控制在某個限定值之內，尋求鍋爐熱效率最大化，此時NOx的排放質量濃度優化到477.50 mg/m3，NOx排放質量濃度沒有得到有效的降低，而此時鍋爐熱效率卻達到最高，由平均值提升到93.96%，提升了2.26%，達到本次優化鍋爐熱效率的最高值.從表3中第7組優化后的運行數據來看，氧質量分數提高了，二次風基本對應均等配風，對應的鍋爐熱效率提高，但NOx排放質量濃度明顯升高，可見鍋爐熱效率的提高是以NOx排放質量濃度提高為代價的.這種方案的前提是NOx排放質量濃度在后續的脫氮工藝流程中會得到有效控制，從而達到國家規定排放標準.

圖10　α=0.7、β=0.3時的優化結果

4　結　論

(1)鍋爐熱效率訓練樣本的相對誤差平均絕對值為0.048%，校驗樣本的相對誤差平均絕對值為0.142%，NOx排放質量濃度訓練樣本的相對誤差平均絕對值為0.469%，校驗樣本的相對誤差平均絕對值為1.790%，可以滿足要求.

(2)當α=0.3、β=0.7時，NOx排放質量濃度降低了近28%，鍋爐熱效率提升了0.6%；當α=0.4、β=0.6時，NOx排放質量濃度降低約18%，鍋爐熱效率提升了1.05%；當α=0.5、β=0.5時，NOx排放質量濃度降低約14%，鍋爐熱效率提升了1.67%；當α=0.6、β=0.4時，NOx排放質量濃度降低了近4%，鍋爐熱效率提升了2.01%；當α=0.7、β=0.3時，NOx排放質量濃度沒有得到有效降低，而鍋爐熱效率卻提升了2.26%.

(3)優化后的一次風風速在保證煤粉輸運的前提下較原始運行數據有所降低，各層給煤量基本均勻，燃燒器下部缺氧燃燒及提高燃盡風量有利于抑制NOx的生成，而適當提高氧質量分數及采用均等配風有利于提高鍋爐熱效率.

[1]尹凌霄，王明春，尚強．燃煤鍋爐NOx排放濃度的智能預報[J]．熱能動力工程，2014，29(3)：279-283,343．

YIN Lingxiao, WANG Mingchun, SHANG Qiang. Intelligent prediction of the NOxemissions concentration of a coal-fired boiler[J]. Journal of Engineering for Thermal Energy and Power, 2014, 29(3): 279-283,343.

[2]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化[J]．中國電機工程學報，2010，30(17)：91-97．

GU Yanping, ZHAO Wenjie, WU Zhansong. Combustion optimization for utility boiler based on least square-support vector machine[J]. Proceedings of the CSEE, 2010, 30(17): 91-97.

[3]王春林，張樂．電站鍋爐低NOx燃燒建模優化研究與應用[J]．熱能動力工程，2013，28(4): 390-394,438．

WANG Chunlin, ZHANG Le. Optimization study and application of the modeling of the low NOxcombustion of a utility boiler[J]. Journal of Engineering for Thermal Energy and Power, 2013, 28(4): 390-394,438.

[4]牛玉廣,沙超,康俊杰. 基于數值模擬與試驗運行數據的電站鍋爐燃燒系統復合建模[J]. 動力工程學報, 2014, 34(10): 765-770,795.

NIU Yuguang, SHA Chao, KANG Junjie. Hybrid modeling of boiler combustion system based on numerical simulation and experimental data[J]. Journal of Chinese Society of Power Engineering, 2014, 34(10): 765-770,795.

[5]高芳,翟永杰,卓越,等. 基于共享最小二乘支持向量機模型的電站鍋爐燃燒系統的優化[J]. 動力工程學報, 2012, 32(12): 928-933,940.

GAO Fang, ZHAI Yongjie, ZHUO Yue,etal. Combustion optimization for utility boilers based on sharing LSSVM model[J]. Journal of Chinese Society of Power Engineering, 2012, 32(12): 928-933,940.

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

GU Lijing, LI Yonghua, LI Lu. Hybrid model prediction of utility boiler combustion optimization[J]. Proceedings of the CSEE, 2015, 35(9): 2231-2237.

[7]劉芳，張德珍，趙文杰．電站鍋爐燃燒系統的神經網絡建模[J]．電力科學與工程，2010，26(6): 33-37．

LIU Fang, ZHANG Dezhen, ZHAO Wenjie. Neural network modeling for combustion system of power plant boiler[J]. Electric Power Science and Engineering, 2010, 26(6): 33-37.

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

Lü Yukun, PENG Xin, ZHAO Kai. Hybrid modeling optimization of thermal efficiency and NOxemission of utility boiler[J]. Proceedings of the CSEE, 2011, 31(26): 16-22.

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

WANG Jinlong, LI Enjia. Multi-objective optimization of 600 MW utility boiler efficiency and NOxemission [J]. Power System Engineering, 2015, 31(3): 47-48.

[10]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化[J]. 中國電機工程學報，2009，29(29)：7-12．

WU Feng, ZHOU Hao, ZHENG Ligang,etal. Multi-objective optimization of coal-fired boiler combustion based on nondominated sorting genetic algorithm[J]. Proceedings of the CSEE, 2009, 29(29): 7-12.

[11]余廷芳，王林，彭春華．改進NSGA-Ⅱ算法在鍋爐燃燒多目標優化中的應用[J]．計算機應用研究，2013，30(1)：179-182．

YU Tingfang, WANG Lin, PENG Chunhua. Improve non-dominated sorting genetic algorithm applied in multi-objective optimization of coal-fired boiler combustion[J]. Application Research of Computers, 2013, 30(1): 179-182.

Combustion Optimization of a Coal-fired Boiler Based on Intelligent Algorithm

YUTingfang,GENGPing,HUOErguang,CAOMengbing

(School of Mechanical and Electrical Engineering, Nanchang University, Nanchang 330031, China)

A hybrid model was set up using Matlab artificial intelligence toolkit to optimize the combustion in a 300 MW coal-fired boiler. The specific way is to establish a BP (back propagation) neural network model for boiler combustion properties to predict the thermal efficiency and NOxemission concentration of the boiler, and then to optimize the boiler combustion with Matlab artificial intelligence toolkit based on the model by taking the thermal efficiency and NOxemission concentration as the target variables, during which the multi-objective optimization problems were transformed into single-objective optimization problems by weight coefficient method. Results show that the average relative errors of boiler thermal efficiency and NOxemission are 0.142% and 1.790% respectively, indicating good accuracy and strong generalization ability of the model. By weight coefficient method, boiler thermal efficiency and NOxemission concentration can be chosen as the key optimization objectives by selecting corresponding weight coefficients, which therefore may serve as a reference for combustion optimization of similar coal-fired boilers.

utility boiler; boiler thermal efficiency; NOxemission; genetic algorithm; multi-objective optimization

2015-08-05

2015-09-29

國家自然科學基金資助項目(61262048)

余廷芳(1974-)，男，江西樂平人，副教授，博士，研究方向為鍋爐燃燒優化及人工智能應用.

耿平(通信作者)，男，碩士研究生，電話(Tel.)：18270872013；E-mail：1398624822@qq.com.

1674-7607(2016)08-0594-06

TK227.1

A學科分類號：470.30