基于人工智能技術的火電廠鍋爐燃燒優化軟件的實現

馬云鵬 劉詩琳 閆姍姍 王然 唐浩桁 王賀琦

摘?要：針對火電廠鍋爐燃燒優化和節能減排的問題，國內外學者多采用神經網絡和啟發式優化算法解決上述問題并取得良好效果。然而，對鍋爐的燃燒優化僅限于方法研究和對歷史數據的建模與優化，未真正應用于鍋爐燃燒工況的實時優化中。此外，環保部門對火電廠的污染性氣體的監測非常嚴格，節能減排成為火電廠的首要任務。因此，有必要設計一款實時監測和優化NOx排放的軟件。本文以樣本增量量子神經網絡和改進型人工蜂群算法為核心設計開發鍋爐智能燃燒優化軟件。通過在某火電廠330MW煤粉鍋爐上的測試，實驗結果表明：該軟件可使氮氧化合物排放濃度和鍋爐煤耗有效降低，其具有實用價值。

關鍵詞：建模;鍋爐燃燒優化;量子神經網絡;人工蜂群算法

1 緒論

20世紀70年代，火力發電站開始重視鍋爐燃燒優化問題，且側重于優化組織燃燒，以燃燒調整試驗為主[1]。隨著人工智能技術的快速發展，國內外研究學者試圖采用機器學習和數據挖掘等技術對火電廠鍋爐的燃燒過程進行建模，期望獲得各運行參數和燃燒特征參數之間的函數關系;基于建立的模型，應用智能優化算法尋找鍋爐的最佳運行參數，達到鍋爐節能減排的效果[2]。

針對鍋爐燃燒優化問題，文獻[3]設計了鍋爐的兩層燃燒優化控制模型，然后優化鍋爐的床溫和主蒸汽壓力，有效地提高了鍋爐效率。文獻[4]利用改進型最小資源分配神經網絡建立鍋爐熱效率和氮氧化合物排放濃度的綜合模型，采用實數編碼遺傳算法優化鍋爐燃燒參數，實現鍋爐節能減排的目標。文獻[5]基于鍋爐燃燒模型的非線性尋優和數據挖掘的優勢提出了離線非線性尋優所得最優知識庫，采用模糊關聯規則挖掘算法，建立了最優操作變量決策模型，實現了鍋爐高效、穩定的燃燒。文獻[6]應用量子遺傳算法尋找鍋爐的熱效率和NOx排放量模型的最佳參數，提高了模型的泛化能力;采用博弈差分算法優化鍋爐的燃燒參量，實現多目標控制。文獻[7]采用改進型教與學優化算法和極限學習機建立了鍋爐NOx排放濃度的精確模型，為實現鍋爐燃燒優化奠定基礎。

目前對鍋爐的燃燒優化僅限于方法研究和對歷史數據的建模與優化，未真正應用于鍋爐燃燒工況的實時優化中。因此，有必要設計一款實時監測和優化污染性氣體排放的軟件。筆者已在文獻[8]中應用樣本增量量子神經網絡（SIQNN）和改進型人工蜂群算法開發了鍋爐智能燃燒優化軟件，但未詳細說明設計的流程和思想。本文將詳細論述鍋爐燃燒優化軟件的設計與實現，包括界面設計、通信連接、數據處理、建模優化等，需要說明：該軟件的開發是在課題組成員的合作下完成的，可參考文獻[9]。通過在某火電廠330MW煤粉鍋爐上的測試，實驗結果表明：該軟件可使NOx排放濃度和鍋爐煤耗有效降低，其具有實用價值。

2 鍋爐燃燒優化軟件設計與實現

2.1 軟件界面設計

軟件界面的設計是可視化的基礎，本文采用MATLAB的GUI工具箱設計鍋爐燃燒優化軟件的界面，如圖1所示。由圖1可知，該軟件包括數據預采集、導入數據及建模、NOx排放濃度和鍋爐煤耗優化、實時顯示優化前后的數據和動態顯示優化曲線等功能。

2.2 變量替換

數據采集需要事先知道DCS中的參數標簽，但不同的鍋爐DCS系統中的參量標簽不同，為了使該軟件具有通用性特設置了變量替換功能，界面形式參考文獻[9]。現場操作人員可根據需要鍵入變量名的標簽，可實現填入的標簽替換數據調取程序中預設置的參數標簽。

2.3 變量選擇及偏差設置

在進行燃燒優化時，為了確保鍋爐安全穩定運行，操盤人員可根據鍋爐實際運行情況設置待優化參量的偏差。在進行氮氧化合物排放濃度和鍋爐煤耗優化之前，需要設置待優化參量的偏差值。界面形式參考文獻[9]。若優化某個參量，則點擊其前方的復選框，否則，其不被優化。額定負荷為機組最大發電量，應達到的煤耗率和NO值為預設置的目標值，若低于目標值，則不被優化。

2.4 預采數據

該燃燒優化軟件將采用OPC協議作為與DCS通信的橋梁，達到數據采集和數據回傳的目標。首先，將一臺安裝有OPC Server的操作員站作為服務端;然后，客戶端是裝有燃燒優化軟件的工控機;最后，配置DCOM和IP地址。通過上述操作，鍋爐燃燒優化軟件和DCS之間保持穩定通信，實現鍋爐運行數據的采集和回傳。

2.4.1 OPC相關技術介紹

OPC是一種基于OLE/COM機制的應用程序通信標準。OLE/COM屬于客戶/服務器模式，具有很多優點，包括語言無關性、代碼重用性、易于集成性等。OPC使得接口函數更規范，保證客戶以同一方式訪問任何形式的現場設備，保證了軟件的透明性，使得用戶完全脫離于低層的開發。OPC以某一標準解決不同設備之間數據交換的問題。為了保證該軟件與鍋爐之間的正常通信和滿足EDPF-NT/EDPF-NT+客戶對OPC數據服務的需求，編寫了EDPF-NT OPC接口程序。DCS作為OPC Server端，Matlab組件的OPC為客戶端。

OPC Server端運行在DCS的操作員站上，該軟件較簡單，無需考慮配置的要求，一般的PC機都能運行。接下來，進行PC機的OPC環境配置說明：

（1）OPC Client的用戶名和密碼與OPC Server的用戶名和密碼保持一致。

（2）OPC客戶端與服務器端的IP地址要保持在同一IP段內，且掩碼一致。

（3）OPC Server可對同一子網的所有電腦提供OPC數據服務，當客戶端與服務器端安裝在不同PC機上時，需要進行DCOM的配置。（可參考微軟關于DCOM的配置說明）。

（4）關閉防火墻。Windows系統自帶防火墻和其他類型的防火墻均需關閉。

（5）關閉共享。在“工具-〉文件夾選項”里，關掉“使用簡單文件共享”。

（6）完成配置后，重啟計算機。

2.4.2 數據調取與返回

OPC配置完成后，可以通過下邊的語句實現與DCS中的OPC服務器通信。

%%與OPC服務端相連%%

da=opcda（'192.168.1.225'，'OPC.GDZS.1'）;

connect（da）;

opcda（）的功能是創建一個OPC數據訪問客戶端對象，其中’192.168.1.225’表示服務端的IP地址，OPC.GDZS.1為OPC Server的ID號。connect（）函數的功能是連接OPC。

上述兩個函數完成了OPC通信，下邊的語句實現數據采集功能，其中n為調取的數據個數，’FH’表示機組負荷在DCS中的標簽，即通過識別標簽來調取機組負荷的數據。同理，調取其他數據時，需要知道其他數據對應的標簽。

grp=addgroup（da）;%添加組

%%把變量元素添加到組中，并創建向量

item1=additem（grp，'FH'）;%%機組負荷

item2=additem（grp，'First_wind_A'）;%%一次風A

………

item n=additem（grp，'NO_emission'）;%%氮氧化合物排放濃度

%% 讀取項目組中的內容

r1=read（item1）;

r2=read（item2）;

………

r n=read（item n）;

a1=r1.Value;

a2=r2.Value;

………

a n=r n.Value;

上述語句實現了數據調取功能，執行完上述語句后，將n個數據以向量的形式進行保存，直至達到預設的停止條件，最后保存m組數據，將其作為模型初始化數據。初始化NOx排放濃度和煤耗模型之后，根據上述采集數據語句采集鍋爐實時運行數據，然后基于初始化模型建立新數據的模型，最后對新數據中的可測量可調節參數進行優化，并將優化后的數據通過OPC回傳到DCS中。數據回傳可用下面的語句實現，其中After_optimized表示優化后的參數向量。

%%數據回傳

write（item1，After_optimized（1，1））;

write（item2，After_optimized（1，2））;

………

write（item n-1，After_optimized（1，n-1））;

2.5 導入數據及建模

導入數據及建模按鈕包含兩個功能：導入鍋爐運行數據和建立氮氧化合物排放濃度與鍋爐煤耗的模型。“數據導入”功能可以實現鍋爐運行數據的壞值處理。鍋爐機組在實時運行過程中，某些可調節參量可能受到干擾而失真或由于通信問題沒有采集到某個數據，這些數據將影響模型的精度，因此對問題數據進行處理。“數據建模”功能是對處理過的數據采用SIQNN算法建立NOx排放濃度和鍋爐煤耗的初始模型，并保存模型參數。

2.6 NOx和煤耗優化

NOx和煤耗優化是該軟件的核心功能。圖1中的優化運行按鈕包括兩個功能：實時建模和實時優化。“實時建模”功能是以初始化模型為基礎，應用SIQNN算法建立新采集樣本數據的氮氧化合物排放濃度和鍋爐煤耗的實時模型;然后，應用改進型人工蜂群算法調整鍋爐的可調節參量，確定待優化參量的最優解。優化后的參量偏差值回傳給鍋爐DCS系統，使得鍋爐以優化后的調整數據燃燒，達到節能減排的目標。

2.7 性能測試

該鍋爐燃燒優化軟件已應用于某熱電廠330MW煤粉鍋爐上，當鍋爐投自動時，該優化軟件將起作用。實驗結果表明在鍋爐負荷299MW時，優化后的鍋爐煤耗率下降了約2.2%，優化后的NOx排放濃度下降了約56mg/Nm3[8]，并且指出該軟件可以滿足機組大范圍變負荷深度調峰的要求，不同負荷下的NOx排放濃度和煤耗均有不同程度的降低。關于詳細的軟硬件配置和實驗測試過程參考文獻[8]。

3 結論

本文對文獻[8]中提到的鍋爐燃燒優化軟件進行詳細的設計與實現過程描述，主要介紹了界面設計、數據通信與采集、變量替換與選擇、數據建模與優化等功能。該軟件已應用于某火電廠的330MW煤粉鍋爐上，取得了一定的效果，為現場操盤人員提供依據。該軟件的成功設計與應用實現了理論與實踐之間的轉化。

參考文獻：

[1]周建新，樊征兵，司風琪.電站鍋爐燃燒優化技術研究發展綜述[J].鍋爐技術，2008，39（5）：33-36.

[2]馬云鵬.極端學習機和教與學優化算法改進及其在鍋爐燃燒優化中的應用研究[D].燕山大學，2018.

[3]童一飛，金曉明.基于廣義預測控制的循環流化床鍋爐燃燒過程多目標優化控制策略[J].中國電機工程學報，2010，30（11）：38-43.

[4]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（4）：46-50.

[5]顧燕萍，趙文杰，吳占松.采用最優MVs決策模型的電站鍋爐燃燒優化[J].中國電機工程學報，2012：39-44.

[6]趙敏華，胡毅，李金，等.使用博弈差分算法的電站鍋爐高效低污染燃燒均衡優化[J].化工學報，2017，68（6）：2455-2464.

[7]馬云鵬，牛培峰，陳科，等.基于混沌分組教與學優化算法鍋爐NOx模型優化研究[J].計量學報，2018，39（1）：125-129.

[8]牛培峰，馬云鵬，張欣欣，等.基于人工智能技術的火電廠燃煤鍋爐智能燃燒優化研究及應用[J].智能科學與技術學報，2019，1（2）：163-170.

[9]黃達.基于改進快速學習網的鍋爐燃燒優化研究與應用[D].燕山大學，2019.

項目資助：國家自然科學基金（61573306）;天津市自然科學基金（20JCQNJC00430）;大學生創新創業訓練項目（202110069003，202110069034，202010069066）

*通訊作者：馬云鵬（1989—?），男，漢族，河北滄州人，工學博士，講師，研究方向：機器學習、模式識別、復雜系統過程控制。