基于神经网络的锅炉优化燃烧技术

杨琼

(华电湖北发电有限公司，湖北 武汉 430071)

0 引言

在经济调度及节能减排的大环境下，新能源发电及核电的发展越来越成为电力发展的新趋势，而传统的火力发电企业的经济运行面临的压力越来越大，而锅炉效率对机组的供电煤耗影响很大［1］。提高锅炉效率虽然可以通过优化运行参数，采用新技术等改进［2］，然而从威等人认为“十二五”时期控制煤炭产量必然受到控制［3］，因而非坑口电站已经无法获得机组燃用的设计煤种，锅炉燃煤掺烧是火电企业的必然选择，如何让锅炉在掺配煤种的条件下，获得最优燃烧效率是一项有巨大经济效益的工作［4］，作为电力系统信息化的众多技术中，锅炉燃烧优化技术必将被采用。

当前火力发电机组已基本实现DCS系统控制，机组的可控性得到大大的提高。锅炉运行优化控制系统作为机组运行控制的优化决策层，而DCS作为机组运行控制的执行层，DCS能够很好地完成优化决策层下达的控制任务。目前很多在线分析仪表已经进入实用阶段［5］，如飞灰含碳测量，烟气连续NOx测量等，为锅炉运行性能指标的在线模型计算提供了精确的反馈量［6］。自动化领域的人工神经网络建模，多变量预测控制等的理论与实践进入了实用阶段，为锅炉运行优化提供了建模和控制手段［7-8］。

1 基于神经网络的锅炉优化燃烧技术

1.1 神经网络的技术介绍

人工神经网络 (Artificial Neural Networks，ANN)是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。人工神经网络的特点是具有自学习和自适应的能力，可以通过早前提供的一批具有对应关系的输入—输出数据，自学习而掌握两者之间潜在的规律，并根据这些规律，用新的输入数据来演绎输出结果，即通过对模型的“训练”获得推理数据［9］。

最初提出的神经网络称为MP模型。到80年代美国物理学家J.J.Hopfield提出了Hopfield神经网格模型［10］，引入了“计算能量”概念和提出了连续时间Hopfield神经网络模型，有力推动了神经网络的研究，随后又有学者提出了波耳兹曼模型，提出了并行分布处理的理论。美国、日本非常重视神经网络研究。目前，已有近40种神经网络模型［11］。

人工神经网络模型主要考虑网络连接的拓扑结构、神经元的特征、学习规则等。根据连接的拓扑结构，神经网络模型可以分为:

(1)前向网络。网络中各个神经元接受前一级的输入，并输出到下一级，网络中没有反馈，可以用一个有向无环路图表示。这种网络实现信号从输入空间到输出空间的变换，它的信息处理能力来自于简单非线性函数的多次复合;

(2)反馈网络。网络内神经元之间有反馈，可以用一个无向的完备图表示。这种神经网络的信息处理是状态的变换，可以用动力学系统理论处理。系统的稳定性与联想记忆功能有密切关系。Hopfield网络、波耳兹曼机均属于这种类型。

1.2 BP神经网络

BP神经网络是一种单向传播的多层前向网络，一般具有三层或三层以上的神经网络，具体包括输入层、中间层(隐层)和输出层。上层和下层之间实现全连接，每层的神经元之间没有任何连接。当一对学习样本的数据提供给网络后，神经元的激活值就从输入层经过中间层向输出层传播，在输出层的各神经元就获得了网络的输入响应值。随后按照减少目标输出与实际误差的方向，从输出层逐级经过各中间层一一修正各层连接权值，最后回到输入层，这种算法被称为“误差逆传播算法”，简称即是BP算法。随着这种误差逆向的传播修正的不断进行，网络对输入模式的响应正确率也不断上升［12］。

(1)BP神经网络的设计方式

MATLAB是数学编程的快捷工具，包含丰富的神经网络模型可供调用。通过调用MATLAB指令: net=newff(PR，［S1 S2 SN］，{TF1 TF2 TFN}，BTF，BLF，PF)创建BP神经网络模型。其中PR为输入量的取值范围;Si为第i层的神经元个数，共n层; TFi为第i层的传递函数;BTF为BP网络的训练函数;BLF为BP神经网络中权值和阈值学习函数;PF为性能函数。对于如何确定BP网络中隐含层的神经元个数，往往需要根据多次实验和设计者的经验来确定，因而不存在一个理想的解析式可以表示［13］。本研究中，笔者经过多次尝试，最后确定隐层神经元数为9，BP网络调用的各主要函数如下。

(2)BP神经网络的训练和仿真

BP网络生成和初始化后，可以对训练参数net.trainParam进行适当设置，再调用train函数来对网络进行训练。train函数的常用格式如下。

式中 Pn——输入样本矢量集;

Tn——对应的目标样本矢量集;

等号左、右两侧net——用于表示训练前、后的神经网络对象;

tr——存储训练过程中的步数信息和误差信息。

1.3 构建锅炉燃烧优化的神经网络

锅炉的燃烧是一个复杂的过程，影响锅炉NOx排放、飞灰含碳量的因素有很多，每一个影响因素都表现出明显的非线性特性。传统的计算方法难以准确描述这一潜在规律。人工神经网络模型是一种人工智能技术，具有拟合任意非线性函数的特性和拥有良好的泛化能力，具有对复杂问题的自适应和自学习能力，因而在非线性系统辨识方面得到了广泛的研究和应用。

由于BP神经网络能够自适应模拟的非线性输入输出，利用这一原理把衡量锅炉氮氧化物排放及燃烧效率的参数指标作为神经网络的输出，把参与锅炉燃烧的相关参数作为燃烧模型的输入参数指标，从而实现构建锅炉燃烧优化模型，并通过输入锅炉燃烧的历史运行数据和标准工况下的试验数据，对锅炉燃烧模型进行学习训练，达到锅炉燃烧在不同的干扰量下(如负荷，环境温度等)，以及锅炉的各种可调量如烟气含氧量［14］、一次风压、二次风压、不同的二次风门开度组合、给粉偏置等，和锅炉运行性能(NOx和效率)之间的非线性动态模型;通过BP神经网络模型的训练，获取锅炉的输入输出的燃烧特性，根据不同的输入参数，利用神经网络寻优锅炉在此条件下可以达到的最佳性能的各可调量，指导锅炉的燃烧的动态控制，使机组达到最佳运行状态。采用神经网络建立锅炉燃烧的模型如下。

2 模型设计

2.1 常规机组控制模型及优化设计

通常情况下的机组控制采用的模型如图1，通过热力试验及厂家说明书设定锅炉燃烧运行参数，经过各级相关的控制器对机组运行进行调节，然后采用性能计算得出相关的参数指标。在火电机组执行机构完成控制器下达的控制指令后，经过安全性闭环控制进行反馈，确保控制安全，而锅炉优化燃烧控制系统则是在传统的控制系统上增加机组性能寻优反馈环节，确保机组运行的经济性，如图1。

图1 机组优化运行原理图

燃烧优化控制系统的基础是DCS控制系统，在机组DCS系统控制基础之上，建立优化运行控制系统对锅炉进行寻优控制，其控制系统与原系统接口控制如图2所示，优化指令和其他通讯采用安全的通讯接口，保留异常情况下的运行人员人工干预接口，确保机组的安全稳定运行。

图2 锅炉优化燃烧实现方式

2.2 锅炉燃烧稳态性能的神经网络模型

本文根据锅炉稳态试验的一些数据，采用BP人工神经网络方法，构建锅炉效率和NOx排放预测模型。

(1)锅炉燃烧优化模型的参数

将锅炉燃烧系统视为黑箱，应用人工神经网络方法对锅炉燃烧系统进行建模，神经网络的输入参数选择影响锅炉燃烧的各因素，其输出参数选择排烟温度、飞灰含碳和NOx排放量。

通过对锅炉稳态试验数据和运行状况的分析发现，影响锅炉燃烧性能的主要因素为一次风压、二次风各层挡板开度等操作量、负荷及氧量等。由于我国电站锅炉现阶段燃煤相对紧缺，采用掺烧手段导致进入锅炉中的煤质变化很大，偏离设计值较多，这将会导致燃烧性能发生较大的变化;另外，电网调度不受电厂制约的因素，导致锅炉负荷经常出现较大变化，其燃烧性能也会随着锅炉负荷变化呈现出变化，因此将燃煤热值和机组负荷作为模型的干扰量加以考虑。

(2)锅炉燃烧系统神经网络模型

如图3所示，预测锅炉效率和NOx排放的人工神经网络模型按下图模式构建。输入参数选择一次风压、二次风挡板开度和环境温度、负荷、烟气含氧量、给煤机总转速等15个变量，输出参数选择锅炉效率和NOx排放，分别建立人工神经网络模型。

锅炉热效率按照锅炉的燃烧特性的机理分析，主要受飞灰含碳量和排烟温度两个变量影响，而这两个变量受锅炉的操作参数如一次风、二次风、环境温度和烟气含氧量等影响。根据NOx排放机理可知，锅炉NOx排放与炉膛燃烧温度有着较强的直接联系，而炉膛温度也受到操作量的直接影响。根据上述机理，构建的锅炉燃烧系统模型如下

图3 锅炉燃烧性能神经网络混合模型

式中 Mv——一次风压、二次风等操作量、烟气含氧量;

Dv——给煤总转速(表征燃煤热值)，环境温度和负荷等干扰量;

Tpy——排烟温度;

Tf——炉膛温度;

f1——排烟温度计算函数;

f2——锅炉炉膛温度计算函数;

f3——飞灰含碳计算函数;

f4——NOx排放计算函数;

f5——锅炉效率计算函数;

Cfh——飞灰含碳量;

NOx——NOx排放值;

η——效率。

基于试验数据，采用人工神经网络建立上述函数f1、f2、f3、f4，则可以建立如图3所示的锅炉燃烧神经网络混合模型。其中，ANN1拟合计算函数f1，是预测锅炉排烟温度的神经网络模型;ANN2拟合计算函数f2，是预测锅炉炉膛温度的神经网络模型; ANN3拟合计算函数f3，是预测飞灰含碳的神经网络模型;ANN4拟合计算函数f4，是预测NOx排放的神经网络模型;f5为锅炉效率计算函数。

飞灰含碳由于受到锅炉煤质和运行参数的影响非常大，常规的计算公式很难表达其相互关系，因此选取烟气含氧量、一次风压、二次风挡板开度和环境温度、负荷、给煤总转速等15个变量作为神经网络ANN3的输入，输出为锅炉飞灰含碳。

3 应用实例

选取某电厂型号为WGZ1004/18.34-1的锅炉，为四角切圆燃烧方式，中储式钢球磨制粉系统。根据神经网络建模原理对锅炉进行了正交试验和分组试验，并根据试验数据建立了锅炉燃烧的稳态模型。由于该机组采用掺烧模式，其燃用煤质变化较大，燃用煤种热值分布区域较宽。试验共获得227组有效试验数据，部分试验数据如表1所示。将试验数据综合进行建模，燃煤高位热值在14.72 MJ/ kg到23.15 MJ/kg范围内变化，使得模型充分包含了煤质变化后燃烧特性的变化信息。

随机选取了136组试验工况数据作为模型的训练样本，修正飞灰含碳模型的各层参数值，训练算法采用LM学习规则，训练结果如图4所示。

锅炉飞灰含碳测试集的预测结果如图5所示。对比测试集的试验数据与网络预测的输出参数得出，实测值和预测值之间的最大绝对误差为1.724，最大相对误差27.9%，说明训练得到的神经网络模型能够满足预测飞灰含碳量的值的要求，达到锅炉燃烧优化准确性和实时性的要求。

表1 锅炉热态试验工况表

图4 飞灰含碳训练集预测值与实际值的比较

图5 飞灰含碳测试集预测值与实际值的比较

图6 排烟温度训练集预测值与实际值的比较

图7 排烟温度测试集预测值与实际值的比较

同样，应用人工神经网络方法建立锅炉排烟温度的预测模型ANN1，进一步根据锅炉排烟温度、飞灰含碳量和燃煤的热值、灰分等即可计算得到锅炉热效率。

结合两个神经网络模型，得到锅炉效率在测试集上的平均相对误差为0.63%。

根据对稳态试验数据的分析和锅炉NOx生成的机理的分析，选取炉膛温度作为NOx排放模型的中间变量。由于炉膛温度是受操作量控制而需要预测的未知变量之一，所以预测NOx排放需首先预测炉膛温度，ANN2即为炉膛温度的预测模型。在NOx排放模型训练阶段，为提高模型预测精度，采用实际测量的炉膛温度作为NOx排放模型的输入，选取环境温度、负荷、给煤总转速，烟气含氧量、一次风压、二次风挡板开度、炉膛温度等作为神经网络ANN4的输入，烟气NOx排放作为输出参数;而在锅炉燃烧优化过程模型应用阶段则使用炉膛温度的预测值。

任意选取机组热态试验数据中的79组数据作为神经网络的训练集，用来进行网络的学习训练，其余作为测试集用来测试网络的泛化能力。神经网络训练采用LM算法，通过多次训练后发现，网络的隐层、输出层均采用sigmoid激励函数，隐层节点数为8时神经网络的泛化能力最强。图8为NOx模型训练集预测值与实际值的比较。

图8 NOx训练集预测值与实际值的比较

泛化能力是衡量人工神经网络模型的性能的主要指标，泛化能力表征网络通过训练能否找出蕴含在样本数据中输入与输出之间的本质联系。为了验证NOx排放模型的泛化能力，采用训练好的神经网络对未参加训练的54个工况进行测试，预测结果如图9所示。

图9 NOx测试集预测值与实际值的比较

由测试集数据分析得出:NOx排放的预测值和实际值之间的平均相对误差为5.7%，说明训练得到的神经网络模型能够满足预测NOx排放值的要求。

4 试验结果

锅炉负荷为100%负荷工况时，选择在锅炉燃烧优化装置投运前(即切除动态燃烧优化装置效率优化功能)，运用ASME PTC4.1的方法，采用低位发热量测试锅炉的热效率，作为工况1予以定义。定义工况2为在动态燃烧优化装置效率优化功能投运后的运行工况。

锅炉负荷为100%负荷工况时，在动态燃烧优化装置NOx优化功能投运前，测试空预器出口烟气中NOx排放量，并换算到O2=6%情况下的NOx值，定义为工况3。工况4则定义为在动态燃烧优化装置NOx优化功能投运后的工况。

4.1 锅炉效率的计算

在测试锅炉效率时，工况1和工况2采用煤质连续取样，样品按标准混合缩分后进行化验，锅炉热效率的计算结果见表2。

在300 MW情况下，工况1和工况2实测锅炉效率分别为88.68%和89.86%，修正后的锅炉效率分别为88.36%和89.52%。燃烧优化装置效率优化功能投运后，锅炉实测效率和修正效率分别提高了1.18和1.17个百分点，锅炉燃烧效率的优化作用非常显著。

表2 锅炉热效率计算

热损失及锅炉效率锅炉效率修正烟气温度 tG″/℃ 134.4 131.2未燃碳热损失 Luc/［%］ 2.71 1.84干烟气热损失 LG/［%］ 7.62 7.40其他热损失 Lmf/［%］ 0.09 0.9热损失总和 L/［%］ 11.32 10.14锅炉效率 η/［%］ 88.68 89.86空预器入口烟温 tG＇/℃ 379.01 378保证进风温度 tD/℃ 20 20修正后的排烟温度 tG/℃ 128.47 125.33低位发热量 LHV/kJ·kg-1 19854 19854修正后排烟温度对应水蒸气焓 h″c/kJ·kg-1 2717.83 2713.50保证进风温度对应饱和蒸汽焓 hRV＇/kJ·kg-12538.19 2538.19实际烧掉的碳 Cb＇/［%］ 0.5224 0.5276修正后干空气量 WA″c/kg·kg-1 10.59 10.45修正后干烟气量 WG″c/kg·kg-1 10.82 10.67修正后干烟气热损失 LG＇/［%］ 8.04 7.76修正后燃料水分热损失 Lmf＇/［%］ 0.08 0.07修正后氢生成的水的热损失 LH＇/［%］ 0.16 0.16修正后空气中的水分热损失 LmA＇/［%］ 0.19 0.18修正后热损失总和 L/［%］ 11.64 10.48修正后的锅炉效率 η＇/［%］88.36 89.52

4.2 锅炉NOx排放的计算

在工况3和工况4情况下，测试锅炉NOx排放量时，煤质采取连续取样，样品混合缩分后进行化验，锅炉的NOx排放量的计算结果及测试结果见表3。

在300 MW的负荷下，工况3和工况4测得的NOx分别为692.02 mg/m3和616.13 mg/m3，投运燃烧优化装置NOx优化功能后，锅炉的NOx降低了75.92 mg/m3，降幅为10.97%，锅炉NOx排放功能的优化作用比较显著。

5 结论

通过测试的锅炉效率可以得出如下结论，在300 MW情况下，燃烧优化装置投运前实测的锅炉效率为88.68%，修正后为88.36%，而投运后实测值为89.86%，修正后为89.52%。分别提高了1.18和1.17个百分点，锅炉效率优化的作用非常显著。同时根据测试锅炉NOx排放量的情况看，在300 MW的运行负荷下，锅炉燃烧优化装置NOx优化功能投运前测得的NOx为692.02 mg/m3，投运后为616.13 mg/m3，说明投运锅炉燃烧优化装置NOx优化功能后降低了 75.92 mg/m3，降低幅度达10.97%，锅炉NOx优化排放功能表现非常突出。由于采用该技术不需要对现有设备进行比较大的改动，改造成本很低，该技术性价比高值得在火电厂广泛推广。

［1］王强，夏成军，唐智文.分布式能源在数据中心应用的可行性探析［J］.电网与清洁能源，2013，29(9):87-92.

［2］陈禄，杜和冲，田桦.超临界机组锅炉试运期间的节能措施与技术［J］.节能技术，2011，29(6):544-547.

［3］丛威，孙清磊.“十二五”时期控制煤炭产量的必要性及对策［J］.节能技术，2011.29(3):281-284.

［4］时元田，亓磊，孙建军.提高锅炉效率的适应性改造［J］.中国设备工程，2006(1):31.

［5］周昊.大型电站锅炉氮氧化物控制和燃烧优化中若干关键性问题的研究［D］.杭州:浙江大学，2004.

［6］阎维平，梁秀俊，陈宝康，等.基于在线监测数据的电站锅炉效率实时计算方法的研究［J］.热能动力工程，2001 (3):189-191.

［7］张智焕，王树青，王让定.非线性多模型控制及仿真研究［J］.系统仿真学报，2003(7):919-921.

［8］卢勇.数据信息采掘与热工过程控制优化［D］.北京:清华大学，2003.

［9］韩力群.人工神经网络理论、设计及应用［M］.北京:化学工业出版社，2002.

［10］周昊，朱洪波，岑可法.基于人工神经网络和遗传算法的火电厂锅炉实时燃烧优化系统［J］.动力工程，2003 (5):2665-2669.

［11］Booth R C，Roland J W.Neural network-based combustion optimization reduces NOx emissions while improving performance.，Chicago，IL，USA，1998，Illinois Inst of Technology，1998:667-672.

［12］飞思科技产品研发中心.神经网络理论与MATLAB7实现［M］.北京:电子工业出版社，2005:101-105.

［13］WANG Fang CHENG Shui-yuan LI Ming-jun.Optimizing neural networks by genetic algorithms for predicting particulate matter concentration in summer in Beijing.《Journal of Chongqing University》［J］.2010(3):117-123.

［14］杨洪泽，王鹏，游本虎.锅炉烟气参数在负荷率及相关热损失计算中的应用［J］.节能技术，2012，30(2):182-185