CFB鍋爐燃燒優化技術的研究

程換新，孟祥勇

(青島科技大學 自動化與電子工程學院，山東 青島 266061)

CFB鍋爐燃燒優化技術的研究

程換新，孟祥勇

(青島科技大學 自動化與電子工程學院，山東 青島 266061)

分析了影響CFB鍋爐燃燒效率的各種因素，分別建立了以模型輸出為鍋爐燃燒效率及NOx排放量的BP神經網絡預測模型，并采用了遺傳算法實現對模型參數進行全局優化。通過調整燃燒工況參數使鍋爐燃燒效率和NOx排放最優,利用鍋爐真實運行數據對神經網絡經行訓練。通過Matlab仿真，結果表明： 該模型和算法對鍋爐燃燒的優化是有效的。

CFB鍋爐系統 燃燒優化 預測模型 仿真

針對電廠鍋爐降低成本和降低污染物排放的雙重要求，電廠節能減排已經成為發展趨勢。對生產裝置的改造與采用高效低污染燃燒技術成為達到環保要求的必經之路。某電廠鍋爐燃燒效率優化改造過程中，將1號爐實驗數據作為樣本，采用Matlab分別建立鍋爐燃燒效率和NOx排放的反向神經傳播網絡(BPNN)預測模型，不斷訓練該神經網絡模型以提高精度。應用遺傳算法進行最佳風煤比設定值的計算，對目標模型不斷優化，使得鍋爐燃燒效率和NOx排放量達到最優。該次優化以模型和通用燃燒優化控制技術(BCS)為理論基礎，通過改變鍋爐控制系統的參數實現燃燒中的風煤比優化。

1 CFB鍋爐概述

原煤經制粉系統磨粉送入粉倉，煤粉經給粉機、排粉機入爐膛與從空氣預熱器進入的空氣充分燃燒，加熱水冷壁內的水；生成的煙氣經過熱器、省煤器、空氣預熱器換熱后，進入電除塵經除塵處理后排出。汽機內的給水經省煤器吸收煙氣熱量后，送進水冷壁吸收煤粉燃燒的熱量蒸發，在汽包內經過汽水分離后得到飽和蒸汽。飽和蒸汽經過熱器吸收煙氣熱量，變為過熱蒸汽，送入汽輪機[1]。CFB鍋爐由給水系統、蒸汽系統、制粉系統、空氣系統、燃燒系統5部分組成。CFB鍋爐工藝流程如圖1所示[2]。

2 CFB鍋爐燃燒模型的建立

2.1 CFB鍋爐燃燒效率簡化模型

鍋爐燃燒效率是指鍋爐的有效利用熱量占輸入熱量的百分比。CFB鍋爐燃燒過程中，通過測量有效利用熱量和輸入熱量求得鍋爐效率的方法叫正平衡法。運用正平衡法求得CFB鍋爐燃燒效率的過程如下：

Qc=Q1+Q2+Q3+Q4+Q5

式中：Qc——燃煤及燃料的熱值，kJ/kg；Q1——轉變為蒸汽的熱值，kJ/kg；Q2——鍋爐排煙熱損失的熱值，kJ/kg；Q3——化學不完全燃燒損失的熱值，kJ/kg；Q4——機械不完全燃燒熱損失的熱值，kJ/kg；Q5——鍋爐散熱損失的熱值，kJ/kg。

圖1 CFB鍋爐工藝流程示意

為減少不確定因素的影響并準確地計算燃燒效率，鍋爐排煙熱損失率的計算如下式：

(1)

氣體未燃盡熱損失率的計算如下式：

(tpy-tR)×100%

(2)

式中：cp——可燃氣體的平均比熱；k3,k4——燃料特性系數。

固體未燃盡熱損失率的計算如下式：

(3)

式中：Cfh——飛灰可燃物含量；Cls——爐渣可燃物含量；CAy——干燥后灰分含量。

鍋爐散熱損失率如下式：

lun=0.5%

(4)

熱損失率總和計算如下式：

l=lG+lm+luc+lun

(5)

則鍋爐燃燒效率的計算如下式：

η=100%-l

(6)

該模型簡化了計算絕對溫度和干煙氣量的過程，可只測排煙溫度、冷空氣溫度、排煙氧含量、飛灰可燃物、煤的發熱量等影響因素，提高了相關計算效率。

2.2 鍋爐的BP神經網絡模型

2.2.1 BP神經網絡結構

BP神經網絡由輸入層、隱含層、輸出層組成。BP神經網絡有輸入節點M個、隱層節點K個、輸出節點N個，其結構如圖2所示。

圖2 BP神經網絡結構示意

2.2.2 BP神經網絡模型的建立

實現燃燒優化的過程就是實現運行參數優化的過程。根據NOx的排放原理，鍋爐燃燒的可調節參數會影響到爐膛的溫度，而爐膛溫度對鍋爐NOx排放影響很大。

根據鍋爐燃燒熱態試驗得到的數據結合BP神經網絡算法，建立鍋爐的燃燒特性預測模型。通過調節風煤比控制鍋爐的運行效率和NOx的排放，建立了多輸入單輸出的軟測量模型,如圖3所示。

圖3 鍋爐的BP神經網絡模型示意

注：Load——機組負荷；Q——燃料熱值；V——燃料充分揮發度；p——一次風壓；Sa，Sb，Sc——3層二次風的擋板開度；φO2——煙氣中氧體積分數；ωC——飛灰含碳質量分數；tpy——排煙溫度；t——爐膛溫度；t2——爐內平均溫度；ρNOx——氮氧化物排放量

構建爐熱態試驗工況數據表，選取80組作為訓練樣本，20組作為測試樣本，試驗數據歸一化處理后的試驗數據X為

(7)

2.3 基于BP神經網絡模型預測

2.3.1 鍋爐燃燒效率的模型預測

鍋爐熱態試驗數據見表1所列。

表1 鍋爐熱態實驗數據

鍋爐飛灰含碳量和排煙溫度作為鍋爐燃燒優化的模型輸出量，而風壓、運行負荷、燃煤熱值作為BP神經網絡BPNN_1和BPNN_2的輸入。

BP神經網絡模型的隱含層中神經元為6個，通過運用LM算法調整步長和權值并選用Sigmoid函數作為激勵函數[3]。在Matlab中仿真確定動量因子為0.874，學習速率為0.232，當訓練次數大于6 000次或者系統的誤差小于設定值時訓練結束并輸出訓練后的權值和閾值[4-5]。飛灰含碳量的預測模型如圖4所示，排煙溫度的預測模型如圖5所示。

由圖4可知，模型預測值和實際測量值間的最大絕對誤差是3.90×10-4，最大相對誤差是0.76%。由此判斷預測模型能夠預測飛灰含碳量值，可以準確、實時地反映鍋爐燃燒特性。

由圖5可知，模型預測值和實際值間的最大絕對誤差是3.98×10-3，最大相對誤差是2.76%，故參變量排煙溫度能夠滿足預測鍋爐燃燒效率的要求。鍋爐燃燒效率的預測模型如圖6所示。

圖4 飛灰含碳量的預測模型示意

圖5 排煙溫度的預測模型示意

圖6 鍋爐燃燒效率的預測模型示意

排煙溫度、飛灰含碳量和煤質、熱值等參數會對鍋爐的燃燒效率產生較大影響，使得鍋爐燃燒效率的預測存在一定的偏差，為提高精度和準確率，采取了去除偏差較大和偏差較小的點即選取中間變量的方式，得出平均絕對誤差為0.037%。

2.3.2 鍋爐NOx排放的預測模型

若要預測NOx的排放量必先對爐膛溫度進行預測。用BPNN_3表示爐膛溫度的神經網絡預測模型如圖7所示，NOx排放預測模型如圖8所示。

圖7 爐膛溫度的預測模型示意

由圖7可知： 模型預測值和實測值間的最大絕對誤差是35.87℃，最大相對誤差是2.92%。爐膛溫度測量偏差較大，故采用其估算平均值。

由圖8可知： 模型預測值和實測值間的最大絕對誤差是5.33 mg/m3，最大相對誤差0.026 8%。

圖8 NOx排放預測模型示意

3 實現鍋爐燃燒優化的遺傳算法

3.1 遺傳算法的優化機理

遺傳算法有4個運算參數需要提前設定： 種群規模、進化代數、交叉概率和變異概率。GA通過選擇、交叉和變異操作實現群體的并行優化。基本遺傳算法的主要運算過程如圖9所示[6]。

圖9 遺傳算法流程示意

3.2 遺傳算法在鍋爐燃燒優化中的實現

實現優化可以通過調節風煤比、改變擋板開度等途徑。鍋爐燃燒效率和NOx排放量是相互矛盾的2個變量[7]，優化方法可尋找鍋爐燃燒效率約束下NOx排放的極小值或NOx排放約束下鍋爐燃燒效率的極大值。

在Matlab仿真中，遺傳算法的優化程序設定鍋爐燃燒效率ηmin=92%， NOx的排放量滿足ρ(NOx)max≤450 mg/m3。兼顧實現鍋爐燃燒效率[8]約束下NOx排放量優化的遺傳算法要使NOx排放量越低越好。同理，NOx排放量約束下燃燒效率優化的遺傳算法要使鍋爐的燃燒效率高而NOx排放量低。優化結果見表2所列。

表2 優化結果

由表2可得： 無論在何種約束條件下，都能實現鍋爐的燃燒效率及NOx排放量的最優化。故該次對CFB鍋爐燃燒技術的優化研究達到了目的，對于指導鍋爐燃燒有一定的意義。

4 結束語

本文通過對鍋爐工藝流程的分析及燃燒效率的計算，得出了影響燃燒效率的主要因素[9-10]。運用BP神經網絡預測模型對燃燒過程進行優化并用遺傳算法將優化的目標分別設定為在燃燒效率約束條件下的NOx的最低排放以及NOx約束條件下鍋爐燃燒的最大效率。在Matlab中驗證了算法的有效性，模型的精確度、誤差，從而實現了理論上的鍋爐優化。

[1] 劉明遠.烏石化自備電廠安全策略研究[D].上海： 華東理工大學,2011.

[2] 張德豐.Matlab神經網絡應用設計[M].北京： 機械工業出版社,2009.

[3] 程換新,伊飛.面向輕汽油醚化的BP神經網絡的模型預測控制[J].石油化工自動化,2012,48(06)： 40-41.

[4] 董長紅.Matlab神經網絡與應用[M].北京： 國防工業出版社,2007.

[5] 羅國權.125 MW鍋爐燃燒優化試驗及仿真研究[D].湖北： 華中科技大學,2007.

[6] 聶瓊.淺談遺傳算法與人工神經網絡的結合[J].輕紡工業與技術,2012，41(06)： 35-37.

[7] 應劍,徐旭,王興龍.電站鍋爐燃燒優化技術的發展與應用[J].能源工程，2006(02)： 55-58.

[8] 許昌，呂劍虹，鄭源，等.以效率和低NOx排放為目標的鍋爐燃燒整體優化[J].中國電機工程學報，2006，26(04)： 46-50.

[9] 李國強.新型人工智能技術研究及其在鍋爐燃燒優化中的應用[D].北京： 燕山大學，2013.

[10] 王成威.基于PLC和OPC的鍋爐燃燒系統先進控制系統的研發[D].山東： 山東大學，2012.

[11] 余淑榮，張曉東，吳明亮，等.PLC在水煤漿鍋爐燃燒控制中的應用.化工自動化及儀表,2015,42(01): 86-89.

Study on Optimization Technology of CFB Boiler Combustion Cheng Huanxin, Meng Xiangyong

(College of Automation & Electronic Engineering, Qingdao University of

Science & Technology, Qingdao, 266061, China)

s： Various factors affecting the CFB boiler combustion efficiency are analyzed. The BP neural network prediction model is established, which is based on the model output for the boiler combustion efficiency and NOxemissions amount respectively.The genetic algorithm is used to optimize the parameters of the model. The boiler efficiency and NOxemission are optimized by adjusting combustion parameters. Neural network can be trained, which is based on real operation data of boiler.The result with Matlab simulation shows the proposed model and algorithm are effective for optimization of boiler combustion.

CFB boiler; combustion optimization; prediction model; simulation

程換新(1966—)，男，山東青島人，教授,1995年畢業于浙江大學自動化專業，現就職于青島科技大學，主要從事控制理論與應用研究，任碩士生導師。

TP273

B

1007-7324(2017)04-0028-05

稿件收到日期： 2017-03-10，修改稿收到日期： 2017-06-28。