基于聲波測溫和LSSVM_GA的電廠NOx排放建模與優化

馬　平，劉南南

（華北電力大學自動化系，河北 保定 071003）

基于聲波測溫和LSSVM_GA的電廠NOx排放建模與優化

馬平，劉南南

（華北電力大學自動化系，河北 保定 071003）

因傳統燃燒優化實驗控制電廠NOx排放的方法很難滿足復雜多變的燃燒工況，為更智能地對NOx排放進行監測和更方便地對其進行優化，對某電廠2#爐300MW工況下NOx排放優化實驗時的DCS內運行數據和聲波測溫系統內的溫度分布數據進行采集。利用最小二乘支持向量機，以爐膛溫度信息和其他影響NOx排放的主要因素為輸入，以NOx排放濃度為輸出建立NOx排放預測模型，在預測模型的基礎上利用遺傳算法對頂部4層分離燃盡風開度進行直接尋優，達到降低NOx排放的目的。結果表明：加入爐膛溫度信息后的NOx排放模型準確度更高，遺傳算法優化之后的NOx排放濃度顯著降低，優化后參數更符合工程實際。

聲波測溫；支持向量機；遺傳算法；NOx排放

0　引　言

電站鍋爐NOx的排放控制始終是環境保護的一個重要課題。鑒于NOx的生成機制非常復雜，有研究在均相模型中考慮了近200種基元反應[1]。

傳統的機理建模方法很難建立準確的數學模型。從宏觀方面講，鍋爐的運行方式與NOx的排放有著密切的關系，許多學者已經從鍋爐運行方式入手尋找NOx排放濃度的規律，并取得了一定成果。但是，受我國煤質變動比較大，不同運行參數的相互耦合作用的影響，通過燃燒調整實驗來尋找低NOx運行工況具有一定的局限性。

爐膛溫度是影響NOx排放的一個重要因素，由于測溫技術的限制，傳統的測溫方法很難長時間、實時地對爐膛內溫度進行測量，這就導致了NOx排放模型的建立不夠準確，也會對下一步的優化結果產生影響。隨著檢測技術的發展，產生了更多的爐膛內溫度實時信息獲取手段，從傳統的接觸式測溫：熱電偶測溫、黑體腔式輻射高溫計等，發展到非接觸式測溫：紅外發射-吸收CT法、基于圖像處理的溫度場測量、輻射測溫、光學測溫等[2]，現在應用較為廣泛的是聲學測溫，它是非接觸式測溫的一種。獲得爐膛溫度信息后利用智能算法更加準確地對NOx的排放進行監測和運行參數化，對電廠低排放運行具有重要參考價值。

1　聲波測溫系統簡介

某電廠2#爐在一次大修期間安裝了美國SEI的BOILERWATCH聲波測溫系統，該系統基本原理是根據聲波信號在介質中的傳播速度與介質溫度的關系，經過信號采集、模數數模轉換、去噪、濾波、數字圖像處理、加入相應算法，計算出爐膛截面溫度并通過TMS-2000以圖像形式表現出來，可以將測溫誤差降低到1.5%以下。系統的主要組成部分是繪圖軟件、過程控制單元和工業計算機。該測溫系統能夠在爐膛斷面產生24條聲波路徑產生24路氣體溫度平面分布（見圖1），通過TMS-2000繪圖軟件提供的友好人機界面，該繪圖軟件還同時提供了等溫圖、氣體溫度歷史數據等信息。過程控制單元（PCU）包括一個微計算機、內存和接口/控制電路，它是測溫系統與DCS進行通信的基礎。工控機用于顯示和儲存測量的溫度信息，并提供通信接口。

圖1　區域溫度分布

2　建模方法的選擇

因機理建模難度非常大，就算建立了模型，在工況比較復雜的條件下也不一定適用。因此，選擇一種“黑箱”建模方法，不需要去深入了解每一個化學反應，只需要從NOx生成類型和運行經驗入手結合宏觀運行參數，尋找一個合適的函數f（x）去映射NOx排放濃度。國內外學者已經將此類黑箱建模方法應用于鍋爐系統的建模，并取得了一定成果[3]。常用的黑箱建模方法有神經網絡和支持向量機，通過文獻[4]可以看出支持向量機是一種優于神經網絡的學習機，它以結構風險最小化取代神經網絡經驗風險最小化[5]，克服了神經網絡存在的諸多問題。綜上，選擇支持向量機（support vector machine，SVM）為本文建模方法。

2.1SVM回歸

支持向量機最初是用來解決分類問題，也可以將其應用于函數的擬合問題，當SVM用于函數擬合時，考慮用回歸函數：

對樣本集{（xi，yi）}，i=1，2，…，n，進行擬合，假設擬合精度為ε，與分類問題中的處理方法類似，為提高回歸函數泛化能力，應盡量使所有樣本落在準確度范圍以內（分類問題中是將樣本以最大間隔分開）。于是，回歸問題也可以轉化為求解二次規劃問題[6]：

式中ξi和表示當訓練樣本超過擬合準確度ε時引入的松弛因子。利用拉格朗日定理轉化為對偶問題后可以求得回歸函數：

式中拉格朗日乘子ai和對應的樣本就是支持向量。同樣，引入核函數代替內積運算后得回歸函數：

2.2最小二乘支持向量機（LSSVM）

最小二乘支持向量機與支持向量機的不同之處在于，它用訓練誤差的平方代替了SVM中的松弛變量ξi和將不等式約束變成了等式約束問題，避免了求解二次規劃問題[7]；因此，LSSVM學習速度快于SVM。而LSSVM的分類問題與回歸問題在一定條件下可以相互轉換[8]；因此，只對LSSVM的回歸問題加以討論。

對樣本集{（xi，yi）}，i=1，2，…，n，有回歸函數：

式中ψ（x）表示從輸入空間到特征空間的非線性映射。那么求回歸函數可轉化為求：

對式（6），利用拉格朗日定理和KKT條件處理后得線性方程組：

式中yn=（y1，y2，…，yn）T，an=（a1，a2，…，an）T。Qn=K（xi，xj）代表核函數，這里令Hn=Qn+C-1I，則可解方程組：

再引入核函數，將回歸函數化為

3　NOx排放的影響因素

對于NOx的生成機理與類型許多文獻已有了更詳盡的描述，這里不再復述。通過對NOx的3種類型（燃料型、熱力型和快速型[9]）的宏觀分析，將影響NOx排放的因素總結為5個方面：煤種特性（本次NOx排放優化實驗的煤質特性見表1），爐膛溫度，過量空氣系數（或風煤比），一、二次風，鍋爐負荷[10]。

表1　煤質特性

在已有研究中，幾乎沒有提到加入爐膛溫度建立NOx的排放預測模型，但是熱力型NOx的生成跟爐膛溫度關系很大，當爐膛溫度升高到某一值時，NOx的生成量急劇增加。與此同時，溫度的升高也會造成燃料型NOx的生成量增加。隨著檢測技術的發展，爐膛內的溫度檢測誤差已經相對較低，以聲波測溫為代表的非接觸式測溫方式已經被廣泛應用，從該系統內可以獲得實時的爐膛內溫度數據。本文在前人經驗的基礎上加入爐膛溫度信息進行了模型參數的修正，使模型精度更加準確。

4　NOx排放模型的建立與優化

4.1基于LSSVM的NOx排放模型

結合前面所講，輸入參數確定如下：鍋爐負荷、總風量、總煤量、一次風量、二次風量、分離燃盡風門開度（sofa4、sofa3、sofa2、sofa1）、爐膛內溫度、煤質（C、H、O、N等元素和低位發熱量）共16個變量。其中，爐膛內溫度取TMS08、TMS11、TMS14、TMS17的平均值，因為這4個區域接近火焰中心，溫度最高，對熱力型和燃料型NOx的生成影響最大。輸出參數為SCR脫硝系統入口兩側NOx排放濃度均值。模型如圖2所示。

圖2　NOx排放簡易模型

本次建模所選取的數據是某電廠2#爐300MW工況下NOx排放優化實驗過程實驗數據，整個實驗過程中只通過動作頂部4層分離燃盡風開度來對NOx排放進行調節，鍋爐實發功率、總風量、總煤量、煤質特性等盡量維持恒定，以排除個別變量的變化對NOx排放造成影響而導致實驗結果不準確。在建模之前要對數據進行預處理，預處理過程主要包括數據歸一化和濾波。因為輸入數據的單位不一樣，有些數據的范圍可能特別大，使收斂速度變慢，訓練時間變長，所以要進行歸一化處理。濾波的目的是為了將數據平滑化，減小噪聲的干擾。

模型的懲罰因子sig和核函數參數gama用交叉驗證法（cross validation）進行優化，其基本思想是把原始數據進行分組，一部分做為訓練集，另一部分做為驗證集。首先用訓練集對模型進行訓練，再利用驗證集來測試訓練得到的模型，以此來做為評價模型的性能指標。這種方法能夠避免過學習或者欠學習狀態的發生。最小二乘支持向量機類型為回歸型，核函數選擇徑向基核函數，輸入向量維數為16，輸出向量維數為1，組數均為100，具體的模型結構與參數如表2所示。模型訓練結果如圖3所示，模型測試結果如圖4所示。

表2　LSSVM模型結構

圖3　模型訓練集與預測集

圖4　模型測試集與預測集

圖3顯示模型訓練精度已經很高，模型訓練最大相對誤差e<0.003%；圖4所示模型測試選用了100組測試樣本進行模型測試，最大測試相對誤差e<0.78%,可見模型的泛化能力較強。圖5與表3所示為加入爐膛溫度前后模型測試相對誤差的變化情況。可以看出，當在模型輸入變量中加入爐膛溫度信息后，模型測試樣本的最大相對誤差和平均相對誤差都有所降低，模型精度提高。

圖5　加入爐膛溫度前后相對誤差比較

表3　加入爐膛溫度前后相對誤差變化情況

4.2GA優化策略

圖6　遺傳算法NOx排放優化流程

遺傳算法（genetic algorithm）就是將達爾文的生物進化論原理引入到需要優化的參數組成的編碼串聯而形成的群體中，最終選出輸入參數的最優組合使輸出達到需要的準確度范圍。遺傳算法對于所要求解問題本身的性質不可知，它的主要工作是對運算過程隨機產生的染色體（一組編碼串）進行適應度評價，選擇適應度大的染色體進行遺傳操作，適應度低的則被淘汰，經過一代遺傳產生新的種群。實質上算法過程是一個迭代過程，主要步驟包括種群個體編碼、群體初始化、選擇、交叉、變異和適應度函數判定[11]。

個體采用二進制編碼，二進制位數選擇20；種群規模100，為了減小變量的大范圍變化對模型預測精度造成的影響，在變量初始化時由運行工況附近的風門開度范圍來確定；個體選擇采用適應度比例法，即每個個體的選擇概率和其適應度成比例；應用單點交叉，交叉概率為0.8。選擇基本變異算子，變異概率設置為0.02；最大遺傳代數設置為100。

需要特別說明的一點是適應度函數的確定，即每一步優化都要經過前面所建立的LSSVM預測模型進行NOx排放的輸出判斷，常用的方法是把需要優化的目標函數映射成適應度函數，此處目標函數即為LSSVM模型的輸出值F（x）。由于在選擇操作時是根據適應度值來進行的，所以要求其值為非負。優化的目的是使F（x）在100次遺傳操作之后降到最低，不再繼續收斂。

爐膛頂部4層分離燃盡風（sofa4、sofa3、sofa2、sofa1）主要用來實現分層配風，降低NOx的排放和爐膛出口溫度偏差，因此將這4層風門開度作為尋優變量進行遺傳操作。遺傳算法優化NOx排放的大體流程如圖6所示，其中輸出結果是優化完成后的NOx排放濃度值和在此NOx排放濃度下的sofa風門開度值。為了對優化效果進行驗證，選擇某一NOx排放較高的工況進行優化，工況的不可調變量如表4所示，遺傳過程的最優解與均值的變化如圖7所示，表5是對分離燃盡風優化前后的數據對比。

圖7　種群最優解與均值的變化

表4　某工況下的不可調變量

如表5所示，在鍋爐負荷等因素不變的情況下，通過調節sofa風門開度實現了NOx排放濃度的降低，降低了近8%。優化模型建議開大sofa風門開度，尤其是最頂部sofa4和sofa3，這與降低主燃區氧含量，抑制NOx生成的分級配風原則[12]一致。

表5　優化前后的sofa風門開度與NOx濃度值

5　結束語

檢測技術的發展提供了更多更準確的爐膛內信息，這些信息也為鍋爐燃燒調整提供了重要的參考。由于NOx排放影響因素較復雜，各因素間也存在著耦合現象，爐膛內溫度信息的加入和LSSVM_GA算法的選擇，在模型準確度進一步提高的基礎上對NOx的抑制也起到了一定的作用，可對電廠的實際運行提供參考。

[1]魏輝.燃煤電站鍋爐低NOx燃燒優化運行策略的研究[D].上海：上海交通大學，2008.

[2]周獻.聲學法三維溫度場重建算法的研究[D].成都：西華大學，2013.

[3]周昊，朱洪波.大型四角切圓燃燒鍋爐NOx排放特性的神經網絡模型[J].中國電機工程學報，2002（1）：33-37.

[4]顧民.神經網絡-模糊系統-支持向量機內在聯系研究[D].成都：電子科技大學，2004.

[5]張學工.關于統計學習理論與支持向量機[J].自動化學報，2000，26（1）：32-41.

[6]NELLO C，JOHN S T.支持向量機導論[M].李國正，王猛，曾華軍，譯.北京：電子工業出版社，2005：76-88.

[7]SUYKENSJAK.Nonlinearmodelingandsupport vector machines[C]∥ Proceedings of IEEE on InstrumentationandMeasurementTechnologyConference.Budapest：IEEE，2001：287-294.

[8]姜靜清.最小二乘支持向量機算法及應用究[D].長春：吉林大學，2007.

[9]魏恩宗.燃煤鍋爐低NOx燃燒技術及其試驗研究[J].電站系統工程，2005，11（6）：363-365.

[10]韓建新.燃煤鍋爐NOx排放特性及燃燒優化[J].內蒙古科技與經濟，2009，11（6）：79-82.

[11]徐磊.基于遺傳算法的多目標優化問題的研究與應用[D].長沙：中南大學，2007.

[12]茍湘，周俊虎.低NOx改造方案中煤粉再燃風噴口位置的選擇[J].中國電機工程學報，2008，15（7）：1-6.

（編輯：莫婕）

Modeling and optimization for NOx emission of power stations based on acoustic temperature measurement and LSSVM_GA

MA Ping，LIU Nannan
（Department of Automation，North China Electric Power University，Baoding 071003，China）

Traditional methods to control NOx emissions through combustion optimization experiments can hardly meet complicated and changeable combustion conditions now.For more intelligently monitoring and better optimizing NOx emissions，data within DCS and temperature profile within the acoustic measurement system of furnace 2#in a power station under 300MW working condition are collected during the optimizing experiment of NOx emissions.That is，a least squares support vectormachineisusedtocreateapredictionmodelforNOxemissionbasedonfurnace temperature information and other factors that affect NOx emissions as input value and NOx emission concentrations as output value.Apart from the model，a genetic algorithm is applied to optimize the opening of over fire air of four-layer separation on top so as to reduce NOx emissions.TheresultsshowthattheNOxemissionmodelismoreaccuratewhenfurnace temperature information is added，and the NOx emission concentration is significantly reduced and the parameters are more suitable for engineering practice after the opening is optimized through the genetic algorithm.

acoustic temperature；support vector machine；genetic algorithm；NOx emission

A

1674-5124（2016）03-0118-05

10.11857/j.issn.1674-5124.2016.03.027

2015-07-23；

2015-08-12

馬平（1961-），女，湖南湘潭市人，教授，碩士生導師，研究方向為過程控制、火電廠單元機組控制和優化。