基于自适应模糊推理辨识方法和果蝇优化算法的CFB锅炉燃烧优化

张文广，　孙亚洲，　刘吉臻，　高明明，　陈　峰

(1．华北电力大学 新能源电力系统国家重点实验室，北京 102206；

2．华北电力大学 控制与计算机工程学院，北京 102206；

3．北京国电智深控制技术有限公司，北京 102200)



基于自适应模糊推理辨识方法和果蝇优化算法的CFB锅炉燃烧优化

张文广1，孙亚洲2，刘吉臻1，高明明2，陈峰3

(1．华北电力大学 新能源电力系统国家重点实验室，北京 102206；

2．华北电力大学 控制与计算机工程学院，北京 102206；

3．北京国电智深控制技术有限公司，北京 102200)

摘要：为提高循环流化床(CFB)锅炉效率、降低污染物排放，利用国内某超临界CFB锅炉历史运行数据，基于自适应模糊推理辨识方法建立了锅炉效率、NOx和SO2排放特性的自适应模糊推理模型，提出了3种优化策略，使用果蝇优化算法对CFB锅炉运行工况的可调参数在一定范围内进行寻优，并进一步仿真验证了所提CFB锅炉燃烧优化方法的有效性.结果表明：该模型用时较短、误差较小，对CFB锅炉的节能减排有重要借鉴意义.

关键词：CFB锅炉效率； NOx； SO2； 自适应模糊推理辨识方法； 果蝇优化算法； 燃烧优化

燃煤发电成本中燃料成本一般要占70%以上，提高锅炉燃烧过程的运行水平对机组的节能降耗具有重要意义.2030年我国的供电煤耗目标为310 g/(kW·h)，而目前我国火电平均供电煤耗达到321 g/(kW·h)，距离目标还有一定差距.同时，大气污染中90%二氧化硫、67%氮氧化物均来源于燃煤.从2014年7月起现有火力发电机组正式实施排放新标准，要求二氧化硫和氮氧化物排放限值分别为200 mg/m3和100 mg/m3[1].在节能环保要求日益严格的情况下，燃煤机组的燃烧优化控制是一种快捷、简单、有效的节能降耗措施[2-3].

循环流化床(CFB)燃烧技术是一项洁净煤燃烧技术，具有燃烧效率较高、燃料适应性广、氮氧化物排放少、石灰石炉内脱硫成本低和负荷调节范围大等突出优点，在近几十年内得到重视并快速发展.然而由于CFB锅炉比普通煤粉炉有更多的变量参数，且各变量之间相互耦合严重，很难建立相应的机理分析模型[4-8].随着基于电站锅炉运行数据的统计分析和数据挖掘等技术日益得到重视，电站锅炉燃烧优化技术进入了新的发展时期.

锅炉燃烧优化模型是进行燃烧优化的关键所在，目前主要方法有人工神经网络和支持向量机等[9-12].笔者基于自适应模糊推理辨识方法建立相应CFB锅炉燃烧优化模型，并对该模型进行仿真验证.随后利用果蝇优化算法对锅炉效率以及NOx和SO2排放质量浓度进行多目标寻优，所提出的3种优化策略均能达到预定优化目标，对实际工程应用具有重要借鉴意义.

1自适应模糊推理辨识方法

1985年，Takagi和Sugeno提出了T-S模糊模型，该模型的模糊规则后件是前件各输入变量的线性组合，该模型在许多实际问题中得到了成功运用.其中较为成熟的方法有自适应神经模糊推理系统(ANFIS)方法和模糊聚类方法.然而随着输入维数的增加，ANFIS方法存在“规则爆炸”的问题，模糊聚类方法也难以避免不必要的模糊规则和计算量，这2种方法都具有很大的局限性.Mao等[13]提出基于树结构的自适应模糊推理辨识方法，其主要思想就是对输入空间进行自适应划分，这就意味着在线性逼近误差和输出数据密度大的地方子空间划分精细，而在线性逼近误差和输出数据密度小的地方子空间划分粗糙，其输入空间的划分情况以一棵二叉树来形象描述.

(1)

模糊规则中的线性参数ctl可以使用最小二乘法求解：

(2)

具体算法如下：

(1) 假设给出M组输入输出数据集合(xi，yi)，i=1,2，…,M，xi∈Rn，yi∈R，最大叶节点数为L.

(3) 划分该节点，计算划分后左右子节点上的隶属度函数，求出所有叶节点上的线性参数.

(4) 根据式(3)计算均方根误差，如果均方根误差小于划分前模型输出的均方根误差Rmse，则保存此次划分，否则此次划分无效，处理当前层的下一个节点.

(3)

2果蝇优化算法

目前，被应用于寻优的算法主要有遗传算法、蚁群算法、免疫算法和粒子群算法等，但都由于其各自的缺点：遗传算法容易出现早熟收敛，计算量大；蚁群算法过于复杂；免疫算法复杂、计算量大；粒子群算法容易陷入局部极点[14]，导致上述算法不易被广泛应用于解决实际问题.笔者所采用的果蝇优化算法简单、易于实现、全局寻优能力较强、寻优精度高，比较容易应用于解决实际问题中，步骤[15]简述如下：

(1) 初始化果蝇种群个数M、种群迭代次数N和随机初始果蝇群体的坐标位置xaxis和yaxis.

(2) 赋予果蝇个体利用嗅觉寻找食物的随机距离与方向：

(4)

其中，Ran为区间[-1,1]中的随机值.

(3) 计算果蝇个体到原点的距离Di和相应的味道浓度判定值Si：

(5)

(4) 将味道浓度判定值Si代入味道浓度判定函数，求出该果蝇个体位置的味道浓度值：

(6)

(5) 找出该果蝇群体中味道浓度最佳的果蝇：

(7)

(6) 保留最佳味道浓度值与X、Y坐标，并且

(8)

(7) 进行迭代寻优，重复执行步骤(2)~步骤(5)，判断味道浓度值是否优于前一次迭代.若是，则

执行步骤(6)；若否，继续循环直到满足最大迭代次数.

3CFB锅炉燃烧优化模型的建立

3.1样本采集及预处理

所用验证数据来自某超临界CFB锅炉的历史运行数据，如表1所示，其中VrA和VrB为一次风门左、右挡板开度，%；SEA和SEB为上二次风门左、右挡板开度，%；SEC和SED为下二次风门左、右挡板开度，%；φ(O2)为烟气含氧量，%；pE和pA为床压和一次风压，kPa；Q为燃料热值，MJ/kg；mca为加入石灰石量，kg；mc为加入燃料总量，kg；tB为炉膛温度，℃；tE为外置床温度，℃；tp为排烟温度，℃；tS为二次风温度，℃；ηB为锅炉效率，%；ρNOx和ρSO2分别为NOx和SO2排放质量浓度，mg/m3.由于样本集中输入参数的取值范围不同，参数大小不一，为使各参数所起作用大致相同，需要对输入数据进行归一化处理，即将样本数据归一化到[-1,1]内，归一化公式为

(9)

表1　国内某超临界CFB锅炉历史运行数据

3.2模型结构

所建立的自适应模糊推理模型结构如图1所示，输出变量分别为锅炉效率ηB(通过文献[16]中的正平衡方法计算得出)以及NOx和SO2排放质量浓度，通过对CFB锅炉燃烧系统的动态特性进行分析，选取相应的变量参数作为各模型的输入变量.

3.3建模结果

按照图1的模型结构，分别选取相应变量参数对锅炉效率ηB以及NOx和SO2排放质量浓度建立自适应模糊推理模型，选用200组工况数据进行建模，前190组数据作为训练样本，后10组数据作为预测样本.图2~图4为建模效果图.

图1　CFB锅炉燃烧优化模型结构

图2　CFB锅炉效率模型

图3　CFB锅炉NOx排放质量浓度模型

图4　CFB锅炉SO2排放质量浓度模型

由图2~图4可以看出，所建立的自适应模糊推理模型对工况数据有着较好的拟合与预测效果.为对比该模型的建模效果，分别建立NOx和SO2排放质量浓度的基于遗传算法的神经网络模型(GA-BPNN).表2给出了2种建模方法的数据对比.由表2可知，与GA-BPNN相比，自适应模糊推理辨识方法的建模时间很短(小于1 s)，且误差较小.

表2　2种建模方法的数据对比

3.4多目标寻优策略

电站锅炉燃烧优化的实质是在降低NOx和SO2排放质量浓度的基础上，尽可能提高锅炉效率ηB，因此这是一个多目标优化问题.由于3个优化目标之间是相互耦合甚至是矛盾的，提出了以下3种优化策略：(1)SO2和NOx排放质量浓度满足排放标准条件，锅炉效率ηB寻求最高；(2)锅炉效率ηB和SO2排放质量浓度满足约束条件，NOx排放质量浓度寻求最低；(3)锅炉效率ηB和NOx排放质量浓度满足约束条件，SO2排放质量浓度寻求最低.多目标寻优过程通过引入罚函数实现.

优化策略(1)的味道浓度判定函数为

(10)

优化策略(2)的味道浓度判定函数为

(11)

优化策略(3)的味道浓度判定函数为

(12)

3.5约束条件

在CFB锅炉燃烧优化中，最易控制的可调参数主要是一次风门和二次风门挡板开度.为保证锅炉燃烧安全性，在机组运行时各风门挡板开度都有一定的调节范围，根据CFB锅炉实时运行情况，确定各风门挡板开度的上下限(见表3).

表3　可调参数限值

3.6优化结果

选取45组工况数据，分别以式(10)、式(11)和式(12)作为寻优目标，在自适应模糊推理模型的基础上，采用果蝇优化算法对表3中的可调参数变量进行寻优，进而得到3种寻优策略下的优化结果，其中果蝇种群个数M=10，种群迭代次数N=50.图5为SO2和NOx排放质量浓度满足优化策略(1)的设定条件，锅炉效率ηB寻求最优的效果图.图6为锅炉效率ηB和SO2排放质量浓度满足优化策略(2)的设定条件，NOx排放质量浓度寻求最优的效果图.图7为锅炉效率ηB和NOx排放质量浓度满足优化策略(3)的设定条件，SO2排放质量浓度寻求最优的效果图.

(a) 锅炉效率优化

(b) NOx排放质量浓度优化

(c) SO2排放质量浓度优化

(a) 锅炉效率优化

(b) NOx排放质量浓度优化

(c) SO2排放质量浓度优化

(a) 锅炉效率优化

(b) NOx排放质量浓度优化

(c) SO2排放质量浓度优化

由图5~图7可以看出，每次寻优过程中都能保证锅炉效率ηB维持在设定值(89%)以上，且优化后得到提高，NOx和SO2排放质量浓度也能维持在设定的排放标准以下(低于2014年起实施的新标准)，且优化后有了较大幅度的降低.

表4给出了3种优化策略下的优化结果.通过对比优化前与优化后的平均值可以明显看出，优化后锅炉效率ηB有所提高，在3种不同优化策略下，均能实现其中两目标满足限定值，另一目标寻求最优的预定设想.

表4　不同优化策略下的优化结果

选取历史工况中锅炉效率ηB最低、NOx排放质量浓度最高、SO2排放质量浓度最高的3组最差工况，以式(10)、式(11)和式(12)作为多目标寻优函数，分别对表3中的可调参数进行寻优.表5给出了3种工况下的寻优结果.由表5可以看出，3种工况分别对锅炉效率ηB、NOx排放质量浓度、SO2排放质量浓度进行了最大限度的优化，且可调参数变化不大，使得风门挡板在较小范围内摆动，从而保证了风机动叶的安全稳定运行，实用性较强.

表5　最差工况下的优化结果

4结论

利用自适应模糊推理辨识方法，针对CFB锅炉效率以及NOx和SO2排放质量浓度建立了自适应模糊推理模型，该模型精度在误差允许范围内且建模时间较短.随后提出了3种优化策略，利用果蝇优化算法对锅炉效率以及NOx和SO2排放质量浓度进行多目标寻优.仿真结果表明，这3种优化策略均得到较好的优化结果，实现了提高CFB锅炉效率的同时降低污染物排放的优化目标，对实际工程应用具有重要借鉴意义.

参考文献：

[1]环境保护部. GB 13223—2011火电厂大气污染排放标准[S]. 北京：中国环境科学出版社，2011.

[2]TAN Peng, XIA Ji, ZHANG Cheng,etal. Modeling and optimization of NOxemission in a coal-fired power plant using advanced machine learning methods[C]//The 6th International Conference on Applied Energy. Taipei, China：Energy Procedia, 2014.

[3]高明明，刘吉臻，牛玉广，等. 基于EKF技术的CFB锅炉残碳量估计[J]. 热能动力工程，2013，28(5)：492-496.

GAO Mingming, LIU Jizhen, NIU Yuguang,etal. The estimation of carbon in CFB boiler basing on the EKF technology[J]. Journal of Engineering for Thermal Energy and Power, 2013, 28(5): 492-496.

[4]高芳，翟永杰，卓越，等. 基于共享最小二乘支持向量机模型的电站锅炉燃烧系统的优化[J]. 动力工程学报，2012，32(12)：928-933.

GAO Fang, ZHAI Yongjie, ZHUO Yue,etal. Combustion optimization for utility boilers based on sharing LSSVM model[J]. Journal of Chinese Society of Power Engineering, 2012, 32(12): 928-933.

[5]高明明，岳光溪，雷秀坚，等. 循环流化床锅炉石灰石控制研究[J]. 动力工程学报，2014，34(10)：759-764.

GAO Mingming, YUE Guangxi, LEI Xiujian,etal. Research on limestone control of circulation fluidized bed boiler[J]. Journal of Chinese Society of Power En-gineering, 2014, 34(10): 759-764.

[6]黄中，潘贵涛，张品高，等. 300 MW大型循环流化床锅炉运行分析与发展建议[J]. 锅炉技术，2014，45(6)：35-41.

HUANG Zhong, PAN Guitao, ZHANG Pingao,etal. Operation analysis and development suggestions of 300 MW CFB[J]. Boiler Technology, 2014, 45(6): 35-41.

[7]高明明，刘吉臻，牛玉广，等. 裤衩腿结构循环流化床锅炉热量与残碳量的研究[J]. 动力工程学报，2013，33(2)：93-99.

GAO Mingming, LIU Jizhen, NIU Yuguang,etal. Study on heat release and carbon residue of CFB boiler with breeches legs[J]. Journal of Chinese Society of Power Engineering, 2013, 33(2): 93-99.

[8]李鹏飞，赵明，赛俊聪，等. 300 MW循环流化床锅炉动态特性的试验研究[J]. 热能动力工程，2014，29(5)：526-531.

LI Pengfei, ZHAO Ming, SAI Juncong,etal. Experimental study on the dynamic characteristics of 300 MW CFB[J]. Journal of Engineering for Thermal Energy and Power, 2014, 29(5): 526-531.

[9]SAJAN K S, KUMAR V, TVAGI B. Genetic algorithm based support vector machine for on-line voltage stability monitoring[J]. Electrical Power and Energy Systems, 2015, 73: 200-208.

[10]牛玉广，沙超，康俊杰. 基于数值模拟与试验运行数据的电站锅炉燃烧系统复合建模[J]. 动力工程学报，2014，34(10)：765-770.

NIU Yuguang, SHA Chao, KANG Junjie. Hybrid modeling of boiler combustion system based on numerical simulation and experimental data[J]. Journal of Chinese Society of Power Engineering, 2014, 34(10): 765-770.

[11]顾燕萍，赵文杰，吴占松. 基于最小二乘支持向量机的电站锅炉燃烧优化[J]. 中国电机工程学报，2010，30(17)：91-97.

GU Yanping, ZHAO Wenjie, WU Zhansong. Combustion optimization for utility boiler based on least square-support vector machine[J]. Proceedings of the CSEE, 2010, 30(17): 91-97.

[12]高明明，刘吉臻，高明帅，等. 基于补偿模糊神经网络的灰循环系统控制研究[J]. 动力工程学报，2012，32(7)：532-537.

GAO Mingming, LIU Jizhen, GAO Mingshuai,etal. Control study for ash recycling systems based on compensatory fuzzy neural network[J]. Journal of Chinese Society of Power Engineering, 2012, 32(7): 532-537.

[13]MAO Jianqin, ZHANG Jiangang, YUE Yufang,etal. Adaptive-tree-structure based fuzzy inference system [J]. IEEE Transactions on Fuzzy Systems, 2005, 13(1): 1-12.

[14]吴小文，李擎. 果蝇算法和5种群智能算法的寻优性能研究[J]. 火力与指挥控制，2013，38(4)：17-20.

WU Xiaowen, LI Qing. Research of optimizing performance of fruit fly optimization algorithm and five kinds of intelligent algorithm[J]. Fire Control & Command Control, 2013, 38(4): 17-20.

[15]潘文超. 果蝇最佳化演算法—最新演化式计算技术[M]. 台湾：沧海书局，2011.

[16]宋波.循环流化床锅炉燃烧系统热效率优化控制研究[D]. 厦门：厦门大学，2008.

Combustion Optimization of CFB Boilers Based on Adaptive Fuzzy Inference Method and Fruit Fly Optimization Algorithm

ZHANGWenguang1,SUNYazhou2,LIUJizhen1,GAOMingming2,CHENFeng3

(1. State Key Laboratory for Alternate Electrical Power System with Renewable Energy Sources,North China Electric Power University, Beijing 102206, China; 2. School of Control and Computer Engineering, North China Electric Power University, Beijing 102206, China;3. Beijing Guodian Zhishen Control Technology Co., Ltd., Beijing 102200, China)

Abstract：To improve the combustion efficiency and reduce the pollutant emission of circulating fluidized bed (CFB) boilers, soft measurement models were firstly established for the boiler efficiency and the emission of NOx and SO2 based on adaptive fuzzy inference method using the historical data of a domestic supercritical CFB boiler. Then, three optimization strategies were proposed based on above measurement models to optimize the adjustable parameters of the CFB boiler in a certain range using fruit fly optimization algorithm (FOA). Finally, the effectiveness of the combustion optimization method was further verified by numerical simulation. Results show that the models proposed are fast in modeling and accurate in calculation, which may serve as a reference for energy conservation and pollution reduction of CFB boilers.

Key words：CFB boiler efficiency; NOx; SO2; adaptive fuzzy inference method; FOA; combustion optimization

文章编号：1674-7607(2016)02-0084-07

中图分类号：TK223

文献标志码：A学科分类号：470.10

作者简介：张文广(1975-)，男，山东海阳人，副教授，博士，研究方向为燃煤机组燃烧优化. 电话(Tel.)：010-61772843；E-mail：zwg@ncepu.edu.cn.

基金项目：国家重点基础研究发展计划(973计划)资助项目(2012CB215203)；中央高校基本科研业务费专项资金资助项目(2015MS33)

收稿日期：2015-03-26

修订日期：2015-05-20