锅炉燃烧系统神经网络建模及多目标优化研究

摘要：

随着环境保护要求的日益严格和燃煤价格的不断上涨，在“厂网分开，竞价上网”的运行机制下，电站锅炉面临降低运行成本与降低污染物排放的双重要求，高效率、低污染的燃烧优化技术口益引起人们的关注。大量实践经验表明，通过燃烧调整可以获得较高的燃烧效率和降低NOx排放量，是一种经济而有效的办法。

锅炉燃烧调整的主要任务是根据不同的负荷和煤种，进行合理的配风、配煤。但是影响锅炉热效率与NOx排放的因素很多，如煤质特性、负荷、配风方式、燃烧器型式、护温、过剩空气系数、煤粉细度等，而燃烧调整试验一般只能做有限的几个工况点，因此锅炉实际运行工况一般与试验工况有较大差异。如果仍根据原有的优化运行规程进行燃烧调整必然会造成偏差，因此需要建立锅炉热效率和NOx排放优化模型，用于指导电站锅炉的经济运行。

一般而育，煤粉高效棋烧与NOx低排放是互为矛盾的，但理论上存在一个最佳点，而燃烧调整试验往往难以确定这个点，运行人员只能根据自己长期积累的经验进行调整.这就给燃烧调整操作带来很大随意性。很多燃烧优化方案仅仅只是针对燃烧效率或者NOx低排放中某一个或两者的其种加权和进行优化，两者不能兼顾且需要依赖试验人员根据经验来设定加权系数。本文采用多目标遗传算法对这一优化问题进行求解，优化结果可以同时兼顾锅炉高效率燃烧与NOx较低的排放水平，直观地反应燃烧效率和污染物排放量，实现最大的综合效益。

一、锅炉燃烧优化问题的神经网络模型

1.1 人工神经网络模型

在多种神经网络模型中，较为常用的是BP网络模型，其网络模刮结构见图1。网络由一个输入层、若干个隐含层和一个输出层组成，每一层均有一个或多个神经元节点，信息从输入层依次经各隐含层向输出层传递，层间的连接关系强弱由连接权值来表征。通过样本集对网络的连接权进行调整，以使得网络实现给定的输入一输出映射关系。连接权的调整采用反向传播学习算法，即BP算法。BP算法采用梯度搜索技术，使网络的实际输出与期望输出的均方差达到一定的要求。

BP网络的主要优点是：网络结构简单，算法易于编程实现;只要有足够的隐层和隐节点，BP网络可以逼近任意的非线性映射关系;BP网络的学习算法属于全局逼近的方法，因而具有较好的泛化能力。

1.2 基于BP网络的燃烧优化模型

锅炉的燃烧过程是一个复杂的物理、化学过程，影响因素众多，且具有强耦合、非线性等特征，对于这些复杂的过程，难以用机理模型来描述。基于神经网络的模型属于黑盒模型，其模型输入一输出之间的非线性函数关系由神经网络实现。

本文利用文献提供的性能试验结果建立锅炉的神经网络模型。模型以煤种特性、煤粉细度、磨煤机数量、排烟温度和炉膛出口氧体积分数为输入，以锅炉效率和NOx排放为输出，见图2。

神经网络训练的所有样本数据从电厂煤质分析和DCS系统中采集，具体数据见表1。

利用文献提供的燃烧特性数据，建立BP神经网络的响应模型。输入和输出层分别为11个输入节点和2个输出节点，共13组试验工况，其中前12组作为训练样本，第13组样本用来验证模型的准确性。神经网络的训练结果见图3, 训练样本和验证样本均匀分布在基准线附近，模型的估计值很好地逼近了非线性系统输出的实际值，较好地反映了锅炉燃烧特性。

二、电站锅炉多目标燃烧优化

近年来，进化计算已在多目标优化领域得到广泛的应用，并形成了多种多目标进化算法，如NSGA2(非劣排序遗传算法)、 SPEA2(强度Pareto遗传算法)等。多目标进化算法通过对整个种群进行选择、交叉和变异等遗传操作，使种群不断进化，可一次性获得大量的多目标优化间题的非劣解，本文以文献所提出的改进多目标算法为例进行分析。

2.1 锅炉燃烧优化的多目标模型

锅炉燃烧优化就是在降低NOx排放的同时提高热效率，这在本质上是一个多目标优化问题，其数学描述为：

其中yη和yNOx分别为锅炉热效率和NOx质量浓度;f1、f2表示由神经网络模型建好的非线性关系;x(i)为第i个优化变量，a(i)和b(i)是其取值范围。

根据运行中可控操作量的原则，本文选取模型输入中排烟温度、煤粉细度、炉膛出口φ(O2)为优化变量。考虑到操作习惯与安全性，本文根据文献中热力试验取排烟温度为150～186℃，煤粉细度为7.4%～16.8%，炉膛出口烟气杯φ(O2)为3.30%～5.10%。

2.2 仿真计算及优化结果分析

对已建立的神经网络模型，利用多目标遗传算法进行优化计算，分别以表1中锅炉热效率最高的第6组和NOx质量浓度最低的第9组运行工况进行优化研究。遗传算法的参数设置为：种群大小30，进化代数500，交叉概率0.9，变异概率0.1。计算所得到的Pareto前沿见图4。从图4可以看出，较低的锅炉NOx质量浓度和较高的热效率显然是相互矛盾的。

运行人员可以结合具体的需要选择优化后的参数来调整锅炉燃烧工况。这里分别从两组Pareto解集中选择与表1中第6组工况锅炉效率相当的参数，以及另一组与第9组工况NOx质量浓度相当的参数，以便于进行优化前后的对比。对应的具体参数见表2。

从表2可以看出，对于第6组参数，优化后的锅炉效率与优化前相当，但是NOx质量浓度由459.6mg/m3降低到了457.9mg/m3;对于第9组参数，优化后的NOx质量浓度与优化前相当，锅炉效率由优化前的90.15%略提高到了90.23%, 说明通过多目标优化计算，合理设置燃烧参数，可以在NOx质量浓度与锅炉效率之间找到较好的平衡点，从而达到对锅炉燃烧工况的改善。

三、结论

本文利用BP神经网络，结合具体的锅炉对象，建立了电站锅炉燃烧系统模型。神经网络训练结果表明：模型具有很高的精确度，可以反映锅炉的燃烧清况，用于锅炉效率和污染物排放预测。另外，在所得到的模型的基础上，针对锅炉效率与污染物排放这一多目标问题进行了优化，优化时将运行过程中可调的参数作为变量，相比以往根据经验设定各种参数值，优化后具有更高的燃烧效率和更低的污染物排放质量分数;并且一次优化可以得到多组运行参数，运行人员还可以根据不同的需要进行折中选择。