鍋爐燃燒系統(tǒng)神經(jīng)網(wǎng)絡(luò)建模及多目標(biāo)優(yōu)化研究

摘要：

隨著環(huán)境保護(hù)要求的日益嚴(yán)格和燃煤價(jià)格的不斷上漲，在“廠網(wǎng)分開，競(jìng)價(jià)上網(wǎng)”的運(yùn)行機(jī)制下，電站鍋爐面臨降低運(yùn)行成本與降低污染物排放的雙重要求，高效率、低污染的燃燒優(yōu)化技術(shù)口益引起人們的關(guān)注。大量實(shí)踐經(jīng)驗(yàn)表明，通過燃燒調(diào)整可以獲得較高的燃燒效率和降低NOx排放量，是一種經(jīng)濟(jì)而有效的辦法。

鍋爐燃燒調(diào)整的主要任務(wù)是根據(jù)不同的負(fù)荷和煤種，進(jìn)行合理的配風(fēng)、配煤。但是影響鍋爐熱效率與NOx排放的因素很多，如煤質(zhì)特性、負(fù)荷、配風(fēng)方式、燃燒器型式、護(hù)溫、過剩空氣系數(shù)、煤粉細(xì)度等，而燃燒調(diào)整試驗(yàn)一般只能做有限的幾個(gè)工況點(diǎn)，因此鍋爐實(shí)際運(yùn)行工況一般與試驗(yàn)工況有較大差異。如果仍根據(jù)原有的優(yōu)化運(yùn)行規(guī)程進(jìn)行燃燒調(diào)整必然會(huì)造成偏差，因此需要建立鍋爐熱效率和NOx排放優(yōu)化模型，用于指導(dǎo)電站鍋爐的經(jīng)濟(jì)運(yùn)行。

一般而育，煤粉高效棋燒與NOx低排放是互為矛盾的，但理論上存在一個(gè)最佳點(diǎn)，而燃燒調(diào)整試驗(yàn)往往難以確定這個(gè)點(diǎn)，運(yùn)行人員只能根據(jù)自己長(zhǎng)期積累的經(jīng)驗(yàn)進(jìn)行調(diào)整.這就給燃燒調(diào)整操作帶來很大隨意性。很多燃燒優(yōu)化方案僅僅只是針對(duì)燃燒效率或者NOx低排放中某一個(gè)或兩者的其種加權(quán)和進(jìn)行優(yōu)化，兩者不能兼顧且需要依賴試驗(yàn)人員根據(jù)經(jīng)驗(yàn)來設(shè)定加權(quán)系數(shù)。本文采用多目標(biāo)遺傳算法對(duì)這一優(yōu)化問題進(jìn)行求解，優(yōu)化結(jié)果可以同時(shí)兼顧鍋爐高效率燃燒與NOx較低的排放水平，直觀地反應(yīng)燃燒效率和污染物排放量，實(shí)現(xiàn)最大的綜合效益。

一、鍋爐燃燒優(yōu)化問題的神經(jīng)網(wǎng)絡(luò)模型

1.1 人工神經(jīng)網(wǎng)絡(luò)模型

在多種神經(jīng)網(wǎng)絡(luò)模型中，較為常用的是BP網(wǎng)絡(luò)模型，其網(wǎng)絡(luò)模刮結(jié)構(gòu)見圖1。網(wǎng)絡(luò)由一個(gè)輸入層、若干個(gè)隱含層和一個(gè)輸出層組成，每一層均有一個(gè)或多個(gè)神經(jīng)元節(jié)點(diǎn)，信息從輸入層依次經(jīng)各隱含層向輸出層傳遞，層間的連接關(guān)系強(qiáng)弱由連接權(quán)值來表征。通過樣本集對(duì)網(wǎng)絡(luò)的連接權(quán)進(jìn)行調(diào)整，以使得網(wǎng)絡(luò)實(shí)現(xiàn)給定的輸入一輸出映射關(guān)系。連接權(quán)的調(diào)整采用反向傳播學(xué)習(xí)算法，即BP算法。BP算法采用梯度搜索技術(shù)，使網(wǎng)絡(luò)的實(shí)際輸出與期望輸出的均方差達(dá)到一定的要求。

BP網(wǎng)絡(luò)的主要優(yōu)點(diǎn)是：網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單，算法易于編程實(shí)現(xiàn);只要有足夠的隱層和隱節(jié)點(diǎn)，BP網(wǎng)絡(luò)可以逼近任意的非線性映射關(guān)系;BP網(wǎng)絡(luò)的學(xué)習(xí)算法屬于全局逼近的方法，因而具有較好的泛化能力。

1.2 基于BP網(wǎng)絡(luò)的燃燒優(yōu)化模型

鍋爐的燃燒過程是一個(gè)復(fù)雜的物理、化學(xué)過程，影響因素眾多，且具有強(qiáng)耦合、非線性等特征，對(duì)于這些復(fù)雜的過程，難以用機(jī)理模型來描述?；谏窠?jīng)網(wǎng)絡(luò)的模型屬于黑盒模型，其模型輸入一輸出之間的非線性函數(shù)關(guān)系由神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)。

本文利用文獻(xiàn)提供的性能試驗(yàn)結(jié)果建立鍋爐的神經(jīng)網(wǎng)絡(luò)模型。模型以煤種特性、煤粉細(xì)度、磨煤機(jī)數(shù)量、排煙溫度和爐膛出口氧體積分?jǐn)?shù)為輸入，以鍋爐效率和NOx排放為輸出，見圖2。

神經(jīng)網(wǎng)絡(luò)訓(xùn)練的所有樣本數(shù)據(jù)從電廠煤質(zhì)分析和DCS系統(tǒng)中采集，具體數(shù)據(jù)見表1。

利用文獻(xiàn)提供的燃燒特性數(shù)據(jù)，建立BP神經(jīng)網(wǎng)絡(luò)的響應(yīng)模型。輸入和輸出層分別為11個(gè)輸入節(jié)點(diǎn)和2個(gè)輸出節(jié)點(diǎn)，共13組試驗(yàn)工況，其中前12組作為訓(xùn)練樣本，第13組樣本用來驗(yàn)證模型的準(zhǔn)確性。神經(jīng)網(wǎng)絡(luò)的訓(xùn)練結(jié)果見圖3, 訓(xùn)練樣本和驗(yàn)證樣本均勻分布在基準(zhǔn)線附近，模型的估計(jì)值很好地逼近了非線性系統(tǒng)輸出的實(shí)際值，較好地反映了鍋爐燃燒特性。

二、電站鍋爐多目標(biāo)燃燒優(yōu)化

近年來，進(jìn)化計(jì)算已在多目標(biāo)優(yōu)化領(lǐng)域得到廣泛的應(yīng)用，并形成了多種多目標(biāo)進(jìn)化算法，如NSGA2(非劣排序遺傳算法)、 SPEA2(強(qiáng)度Pareto遺傳算法)等。多目標(biāo)進(jìn)化算法通過對(duì)整個(gè)種群進(jìn)行選擇、交叉和變異等遺傳操作，使種群不斷進(jìn)化，可一次性獲得大量的多目標(biāo)優(yōu)化間題的非劣解，本文以文獻(xiàn)所提出的改進(jìn)多目標(biāo)算法為例進(jìn)行分析。

2.1 鍋爐燃燒優(yōu)化的多目標(biāo)模型

鍋爐燃燒優(yōu)化就是在降低NOx排放的同時(shí)提高熱效率，這在本質(zhì)上是一個(gè)多目標(biāo)優(yōu)化問題，其數(shù)學(xué)描述為：

其中yη和yNOx分別為鍋爐熱效率和NOx質(zhì)量濃度;f1、f2表示由神經(jīng)網(wǎng)絡(luò)模型建好的非線性關(guān)系;x(i)為第i個(gè)優(yōu)化變量，a(i)和b(i)是其取值范圍。

根據(jù)運(yùn)行中可控操作量的原則，本文選取模型輸入中排煙溫度、煤粉細(xì)度、爐膛出口φ(O2)為優(yōu)化變量?？紤]到操作習(xí)慣與安全性，本文根據(jù)文獻(xiàn)中熱力試驗(yàn)取排煙溫度為150～186℃，煤粉細(xì)度為7.4%～16.8%，爐膛出口煙氣杯φ(O2)為3.30%～5.10%。

2.2 仿真計(jì)算及優(yōu)化結(jié)果分析

對(duì)已建立的神經(jīng)網(wǎng)絡(luò)模型，利用多目標(biāo)遺傳算法進(jìn)行優(yōu)化計(jì)算，分別以表1中鍋爐熱效率最高的第6組和NOx質(zhì)量濃度最低的第9組運(yùn)行工況進(jìn)行優(yōu)化研究。遺傳算法的參數(shù)設(shè)置為：種群大小30，進(jìn)化代數(shù)500，交叉概率0.9，變異概率0.1。計(jì)算所得到的Pareto前沿見圖4。從圖4可以看出，較低的鍋爐NOx質(zhì)量濃度和較高的熱效率顯然是相互矛盾的。

運(yùn)行人員可以結(jié)合具體的需要選擇優(yōu)化后的參數(shù)來調(diào)整鍋爐燃燒工況。這里分別從兩組Pareto解集中選擇與表1中第6組工況鍋爐效率相當(dāng)?shù)膮?shù)，以及另一組與第9組工況NOx質(zhì)量濃度相當(dāng)?shù)膮?shù)，以便于進(jìn)行優(yōu)化前后的對(duì)比。對(duì)應(yīng)的具體參數(shù)見表2。

從表2可以看出，對(duì)于第6組參數(shù)，優(yōu)化后的鍋爐效率與優(yōu)化前相當(dāng)，但是NOx質(zhì)量濃度由459.6mg/m3降低到了457.9mg/m3;對(duì)于第9組參數(shù)，優(yōu)化后的NOx質(zhì)量濃度與優(yōu)化前相當(dāng)，鍋爐效率由優(yōu)化前的90.15%略提高到了90.23%, 說明通過多目標(biāo)優(yōu)化計(jì)算，合理設(shè)置燃燒參數(shù)，可以在NOx質(zhì)量濃度與鍋爐效率之間找到較好的平衡點(diǎn)，從而達(dá)到對(duì)鍋爐燃燒工況的改善。

三、結(jié)論

本文利用BP神經(jīng)網(wǎng)絡(luò)，結(jié)合具體的鍋爐對(duì)象，建立了電站鍋爐燃燒系統(tǒng)模型。神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果表明：模型具有很高的精確度，可以反映鍋爐的燃燒清況，用于鍋爐效率和污染物排放預(yù)測(cè)。另外，在所得到的模型的基礎(chǔ)上，針對(duì)鍋爐效率與污染物排放這一多目標(biāo)問題進(jìn)行了優(yōu)化，優(yōu)化時(shí)將運(yùn)行過程中可調(diào)的參數(shù)作為變量，相比以往根據(jù)經(jīng)驗(yàn)設(shè)定各種參數(shù)值，優(yōu)化后具有更高的燃燒效率和更低的污染物排放質(zhì)量分?jǐn)?shù);并且一次優(yōu)化可以得到多組運(yùn)行參數(shù)，運(yùn)行人員還可以根據(jù)不同的需要進(jìn)行折中選擇。