基于智能算法的燃煤电站锅炉燃烧优化

余廷芳，　耿　平，　霍二光，　曹孟冰

(南昌大学 机电工程学院，南昌 330031)



基于智能算法的燃煤电站锅炉燃烧优化

余廷芳，耿平，霍二光，曹孟冰

(南昌大学 机电工程学院，南昌 330031)

基于Matlab人工智能工具包对某300 MW燃煤电站锅炉进行了燃烧优化混合建模：利用BP神经网络建立了锅炉燃烧特性的BP神经网络模型，用以预测锅炉热效率和NOx排放质量浓度.基于该模型，以锅炉热效率和NOx排放质量浓度为目标，结合Matlab遗传算法工具包对锅炉进行燃烧优化，并采用权重系数法将多目标优化问题转化为单目标优化问题.结果表明：锅炉热效率和NOx排放质量浓度校验样本的相对误差平均绝对值分别为0.142%和1.790%，该模型具有良好的准确性和泛化能力；权重系数法可根据实际情况，以锅炉热效率或NOx排放质量浓度为优化重点选取相应的权重系数，对燃烧优化具有一定的指导意义.

电站锅炉； 锅炉热效率； NOx排放； 遗传算法； 多目标优化

影响燃煤电站锅炉热效率和NOx排放的因素较复杂，对于既定锅炉，锅炉负荷、炉膛氧量、炉内配风方式和给煤机组合方式等因素都会影响锅炉热效率和NOx排放，并且这些影响因素相互耦合，呈现出复杂的非线性关系，使得锅炉燃烧数据的分析较困难.

目前，智能算法在燃煤电站锅炉热效率和NOx排放建模中被大力推广.尹凌霄等[1-5]基于智能算法，借助BP神经网络和支持向量机建立了NOx排放浓度和锅炉热效率的预测模型；谷丽景等[6-7]基于神经网络建立了锅炉燃烧的混合模型，实现了NOx排放量、飞灰含碳量及锅炉热效率等多种参数的软测量；吕玉坤等[8-11]借助遗传算法实现了对锅炉燃烧的优化.以上建模与优化的很多思想和方法都有各自的特色，值得借鉴.

笔者在前人研究的基础上，使用300 MW燃煤电站锅炉的运行数据，基于Matlab人工智能工具包，利用BP神经网络建立锅炉热效率和NOx排放质量浓度的锅炉燃烧特性BP神经网络模型.在此基础上，利用遗传算法(GA)建立锅炉燃烧的优化模型，通过权重系数法变换权重系数将锅炉热效率和NOx排放质量浓度多目标优化问题转化为单目标优化问题，从而实现锅炉热效率和NOx排放质量浓度多目标优化.

1　研究对象

某300 MW燃煤电站锅炉为东方锅炉股份有限公司制造的DG-1025/17.5-Ⅱ4型亚临界参数、四角切圆燃烧、自然循环汽包炉.锅炉采用单炉膛、露天布置、一次中间再热、平衡通风、固态排渣、全钢架、全悬吊结构，燃用烟煤，炉顶带金属防雨罩.燃烧器采用水平浓淡型直流型摆动煤粉燃烧器，浓淡两股风、粉气流从炉膛四角喷入，每角燃烧器共布置13层喷口，包括5层一次风口(A、B、C、D、E)和8层二次风口(包括一层燃尽风(OFA)喷口和7层二次风口(AA、AB、BC、CC、DD、DE、EE)).制粉系统采用中速磨煤机、冷一次风机、正压直吹式制粉系统，配备5台磨煤机(A、B、C、D、E).

2　BP神经网络模型

2.1建立BP神经网络模型

利用BP神经网络建立锅炉热效率和NOx排放质量浓度的锅炉燃烧特性BP神经网络模型，该模型有20维输入，其中包括发电机功率、炉膛氧量、一次风风速、二次风门开度和燃尽风门开度等参数，分别代表了锅炉负荷、过量空气系数、一二次风配比和燃尽风等因素对锅炉燃烧特性的影响，输出为锅炉热效率和NOx排放质量浓度.该模型示意图如图1所示.

本次建模所选工况均在额定负荷300 MW附近，锅炉燃烧特性的BP神经网络模型仅针对满负荷工况.试验精选100组锅炉运行数据，其中85组数据用来训练BP神经网络，15组数据用于校验.样本数据如表1所示，其中ρ为NOx排放质量浓度，η为锅炉热效率.在建立锅炉热效率和NOx排放质量浓度锅炉燃烧特性的BP神经网络模型时，网络的训练不能过于饱和，即网络训练误差不能过低，网络训练过饱和会降低网络的泛化性，应该将其训练误差控制在一个合理的区间之内.对于锅炉热效率，由于其本身的变化范围比较狭窄，故对其预测的训练误差应控制在0.5%范围内；而NOx排放质量浓度的变化范围较大，训练误差应控制在5%以内，在训练网络时要将训练误差与校验误差结合并进行对比，使锅炉燃烧特性的BP神经网络模型同时满足训练误差要求和网络泛化性要求.

图1　锅炉燃烧特性的BP神经网络模型

采用BP神经网络自带的feedforwardnet函数创建BP神经网络，采用3层网络，隐含层设为一层，采用trainlm函数作为网络的训练函数，传递函数和学习速率等采用feedforwardnet函数的默认设置，经过试验，当隐含层节点数为24时的训练效果最佳.

2.2BP神经网络模型的效果验证

为了直观地观察和对比，对BP神经网络模型的二维输出(即锅炉热效率和NOx排放质量浓度)分别进行整理，将锅炉热效率的85组训练样本和15组校验样本的训练效果和相对误差汇总，分别整理在同一个图中，并将NOx排放质量浓度训练效果和相对误差汇总和整理，结果见图2～图5.

图2给出了锅炉热效率的训练效果.图3为锅炉热效率样本的相对误差图.由图3可知，锅炉热效率训练样本的最大相对误差绝对值为0.176%，相对误差的平均绝对值为0.048%；校验样本的最大相对误差绝对值为0.314%，相对误差平均绝对值为0.142%，训练精度满足要求，具有较高的泛化性.

表1　试验样本数据

图2　锅炉热效率的训练效果

图3　锅炉热效率样本的相对误差

图4　NOx排放质量浓度的训练效果

图5　NOx排放质量浓度样本的相对误差

图4给出了NOx排放质量浓度的训练效果.图5为NOx排放质量浓度样本的相对误差图.由图5可知，NOx排放质量浓度训练样本的最大相对误差绝对值为3.312%，相对误差平均绝对值为0.469%；校验样本的最大相对误差绝对值为4%，相对误差平均绝对值为1.790%，训练和校验的精度都达到了要求.

3　基于遗传算法的锅炉燃烧优化模型

3.1燃烧优化模型的建立

基于前文已建立的锅炉热效率和NOx排放质量浓度锅炉燃烧特性的BP神经网络模型，建立基于遗传算法的锅炉燃烧优化模型，优化模型中的适应度函数采用BP神经网络模型来代替，用BP神经网络模型来评估优化效果，优化的目标为锅炉热效率和NOx排放质量浓度，本质上属于多目标优化的范畴.笔者对2个要优化的目标分别给定一个权重系数，并进行线性相加，将多目标优化问题转化为单目标优化问题，由于锅炉热效率和NOx排放质量浓度两者数量级不同，直接分配权重系数进行优化得不到理想的优化结果，所以要进行数据归一化处理，分别将两者的数据归一化到[0，1].

遗传算法的适应度函数可以表示为

(1)

式中：α、β为锅炉热效率和NOx排放质量浓度的权重系数，分别取0.3、0.7，0.4、0.6，0.5、0.5，0.6、0.4，0.7、0.3；最后一项加1是为了保证适应度值始终为正值.

种群个体全部采用二进制编码，总种群个体数设为50，每个变量的二进制位数为20，共计20维，交叉概率为0.7，变异概率为0.035，设置其最大迭代次数为60.为了保证优化结果的合理性，要将种群中每个个体的变量即锅炉燃烧参数约束到一定范围之内，约束范围根据电厂实际运行经验确定，即将每个变量的二进制编码所代表的十进制参数约束在一定范围内，这样能缩小寻优范围，提高优化结果的可行性，参数的约束范围见表2.

表2　参数约束范围

3.2优化结果

不同权重系数比例下锅炉热效率和NOx排放质量浓度的优化结果见图6～图10.为了更好地对比优化结果，表3列出了2组锅炉原始运行数据和5组不同权重系数比例下的优化结果，其中第1组和第2组数据为原始运行数据，第3组～第7组对应锅炉热效率与NOx排放质量浓度的权重系数比例分别为0.3∶0.7、0.4∶0.6、0.5∶0.5、0.6∶0.4、0.7∶0.3时的优化结果.

当α=0.3、β=0.7(见图6)，即锅炉热效率的权重系数比例为30%，NOx排放质量浓度的权重系数比例为70%时，更应关注的是NOx排放质量浓度，此时NOx排放质量浓度降低到316.77 mg/m3，比100组运行数据的NOx排放质量浓度平均值(440 mg/m3)降低了近28%，NOx排放质量浓度优化效果显著.同时，锅炉热效率提升到92.3%，比100组运行数据的锅炉热效率平均值(91.7%)提升了0.6%，其优化效果没有NOx排放质量浓度的优化效果明显.由表3可知，与原始运行数据相比，优化后的锅炉燃烧参数表现为各层给煤量更加均匀，配风形式为下部缺氧燃烧的方式，锅炉热效率和NOx排放质量浓度均有所改善.

当α=0.4、β=0.6(见图7)，即锅炉热效率的权重系数比例为40%，NOx排放质量浓度的权重系数比例为60%时，较为关注的是NOx排放质量浓度，NOx排放质量浓度由平均值降低到361.68 mg/m3，降低约18%，NOx排放质量浓度优化效果比较显著；此时，锅炉热效率由平均值提升到92.75%，提升了1.05%，其优化效果比α=0.3、β=0.7时的优化效果更明显.

当α=0.5、β=0.5(见图8)，即锅炉热效率与NOx排放质量浓度的权重系数比例相同时，两者的关注程度也相同，NOx排放质量浓度由平均值降低到379. 04 mg/m3，降低约14%；锅炉热效率由平均值提升到93.37%，提升了1.67%，相对锅炉热效率的现状来说，其优化效果显著，这个权重系数比例也是大部分电厂比较倾向的，在这个权重系数比例下可以进行更深层次的研究.

当α=0.6、β=0.4(见图9)，即锅炉热效率的权重系数比例为60%，NOx排放质量浓度的权重系数比例为40%时，比较关注的是锅炉热效率，希望进一步提升锅炉热效率，此时NOx排放质量浓度降低到423.94 mg/m3，较平均值降低了近4%，优化效果明显比之前的权重系数比例(70%,60%和50%)差了许多；锅炉热效率由平均值提升到93.71%，提升了2.01%，其优化效果显著，但这是以牺牲了一定的NOx排放质量浓度为前提的.

图6　α=0.3、β=0.7时的优化结果

图7　α=0.4、β=0.6时的优化结果

图8　α=0.5、β=0.5时的优化结果

图9　α=0.6、β=0.4时的优化结果

序号功率/MW各一次风风速/(m·s-1)各给煤机给煤量/(t·h-1)ABCDEABCDE1297.6730.4533.7930.7338.6934.3647.0024.1633.6527.1435.842305.0732.6035.3132.9642.9934.7449.0027.4939.4928.9727.513300.0026.6726.9326.6033.1630.2039.4936.6333.4330.8227.314300.0027.5127.4928.5732.2529.8838.1133.3930.6936.4228.875300.0027.9828.9227.2634.8731.9635.6732.8335.4230.6932.856300.0028.5729.3128.1233.1130.4134.3330.2234.5333.1934.247300.0028.1729.5129.1335.6631.9632.9630.0234.2033.2135.21序号氧质量分数/%各二次风门开度/%AAABBCCCDDDEEE燃尽风门开度/%ρ/(mg·m-3)η/%12.7370.6044.9944.1935.4634.8352.2546.3269.76489.8492.12923.1965.5549.8740.3339.6240.5156.9849.1670.46429.1990.96032.5934.0644.2058.5673.8445.2356.4351.4371.15316.7792.30042.7336.4546.0062.7970.8349.5453.9253.5161.56361.6892.75052.9545.5535.1863.2668.2846.0856.3851.0755.82379.0493.37063.2851.9761.8349.6363.0253.0746.1955.0150.24423.9493.71073.5449.1959.5755.4765.2165.1851.0056.2342.18477.5093.960

当α=0.7、β=0.3(见图10)，即锅炉热效率的权重系数比例为70%，NOx排放质量浓度的权重系数比例为30%时，更应关注的是锅炉热效率，这种方案大部分是将NOx排放质量浓度控制在某个限定值之内，寻求锅炉热效率最大化，此时NOx的排放质量浓度优化到477.50 mg/m3，NOx排放质量浓度没有得到有效的降低，而此时锅炉热效率却达到最高，由平均值提升到93.96%，提升了2.26%，达到本次优化锅炉热效率的最高值.从表3中第7组优化后的运行数据来看，氧质量分数提高了，二次风基本对应均等配风，对应的锅炉热效率提高，但NOx排放质量浓度明显升高，可见锅炉热效率的提高是以NOx排放质量浓度提高为代价的.这种方案的前提是NOx排放质量浓度在后续的脱氮工艺流程中会得到有效控制，从而达到国家规定排放标准.

图10　α=0.7、β=0.3时的优化结果

4　结　论

(1)锅炉热效率训练样本的相对误差平均绝对值为0.048%，校验样本的相对误差平均绝对值为0.142%，NOx排放质量浓度训练样本的相对误差平均绝对值为0.469%，校验样本的相对误差平均绝对值为1.790%，可以满足要求.

(2)当α=0.3、β=0.7时，NOx排放质量浓度降低了近28%，锅炉热效率提升了0.6%；当α=0.4、β=0.6时，NOx排放质量浓度降低约18%，锅炉热效率提升了1.05%；当α=0.5、β=0.5时，NOx排放质量浓度降低约14%，锅炉热效率提升了1.67%；当α=0.6、β=0.4时，NOx排放质量浓度降低了近4%，锅炉热效率提升了2.01%；当α=0.7、β=0.3时，NOx排放质量浓度没有得到有效降低，而锅炉热效率却提升了2.26%.

(3)优化后的一次风风速在保证煤粉输运的前提下较原始运行数据有所降低，各层给煤量基本均匀，燃烧器下部缺氧燃烧及提高燃尽风量有利于抑制NOx的生成，而适当提高氧质量分数及采用均等配风有利于提高锅炉热效率.

[1]尹凌霄，王明春，尚强．燃煤锅炉NOx排放浓度的智能预报[J]．热能动力工程，2014，29(3)：279-283,343．

YIN Lingxiao, WANG Mingchun, SHANG Qiang. Intelligent prediction of the NOxemissions concentration of a coal-fired boiler[J]. Journal of Engineering for Thermal Energy and Power, 2014, 29(3): 279-283,343.

[2]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.

[3]王春林，张乐．电站锅炉低NOx燃烧建模优化研究与应用[J]．热能动力工程，2013，28(4): 390-394,438．

WANG Chunlin, ZHANG Le. Optimization study and application of the modeling of the low NOxcombustion of a utility boiler[J]. Journal of Engineering for Thermal Energy and Power, 2013, 28(4): 390-394,438.

[4]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): 765-770,795.

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): 765-770,795.

[5]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): 928-933,940.

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): 928-933,940.

[6]谷丽景，李永华，李路．电站锅炉燃烧优化混合模型预测[J]．中国电机工程学报，2015，35(9)：2231-2237．

GU Lijing, LI Yonghua, LI Lu. Hybrid model prediction of utility boiler combustion optimization[J]. Proceedings of the CSEE, 2015, 35(9): 2231-2237.

[7]刘芳，张德珍，赵文杰．电站锅炉燃烧系统的神经网络建模[J]．电力科学与工程，2010，26(6): 33-37．

LIU Fang, ZHANG Dezhen, ZHAO Wenjie. Neural network modeling for combustion system of power plant boiler[J]. Electric Power Science and Engineering, 2010, 26(6): 33-37.

[8]吕玉坤，彭鑫，赵锴．电站锅炉热效率和NOx排放混合建模与优化[J]．中国电机工程学报，2011，31(26)：16-22．

LÜ Yukun, PENG Xin, ZHAO Kai. Hybrid modeling optimization of thermal efficiency and NOxemission of utility boiler[J]. Proceedings of the CSEE, 2011, 31(26): 16-22.

[9]王金龙，李恩家．600 MW燃煤电站锅炉效率和NOx排放浓度多目标优化[J]．电站系统工程，2015，31(3)：47-48．

WANG Jinlong, LI Enjia. Multi-objective optimization of 600 MW utility boiler efficiency and NOxemission [J]. Power System Engineering, 2015, 31(3): 47-48.

[10]吴锋，周昊，郑立刚，等．基于非支配排序遗传算法的锅炉燃烧多目标优化[J]. 中国电机工程学报，2009，29(29)：7-12．

WU Feng, ZHOU Hao, ZHENG Ligang,etal. Multi-objective optimization of coal-fired boiler combustion based on nondominated sorting genetic algorithm[J]. Proceedings of the CSEE, 2009, 29(29): 7-12.

[11]余廷芳，王林，彭春华．改进NSGA-Ⅱ算法在锅炉燃烧多目标优化中的应用[J]．计算机应用研究，2013，30(1)：179-182．

YU Tingfang, WANG Lin, PENG Chunhua. Improve non-dominated sorting genetic algorithm applied in multi-objective optimization of coal-fired boiler combustion[J]. Application Research of Computers, 2013, 30(1): 179-182.

Combustion Optimization of a Coal-fired Boiler Based on Intelligent Algorithm

YUTingfang,GENGPing,HUOErguang,CAOMengbing

(School of Mechanical and Electrical Engineering, Nanchang University, Nanchang 330031, China)

A hybrid model was set up using Matlab artificial intelligence toolkit to optimize the combustion in a 300 MW coal-fired boiler. The specific way is to establish a BP (back propagation) neural network model for boiler combustion properties to predict the thermal efficiency and NOxemission concentration of the boiler, and then to optimize the boiler combustion with Matlab artificial intelligence toolkit based on the model by taking the thermal efficiency and NOxemission concentration as the target variables, during which the multi-objective optimization problems were transformed into single-objective optimization problems by weight coefficient method. Results show that the average relative errors of boiler thermal efficiency and NOxemission are 0.142% and 1.790% respectively, indicating good accuracy and strong generalization ability of the model. By weight coefficient method, boiler thermal efficiency and NOxemission concentration can be chosen as the key optimization objectives by selecting corresponding weight coefficients, which therefore may serve as a reference for combustion optimization of similar coal-fired boilers.

utility boiler; boiler thermal efficiency; NOxemission; genetic algorithm; multi-objective optimization

2015-08-05

2015-09-29

国家自然科学基金资助项目(61262048)

余廷芳(1974-)，男，江西乐平人，副教授，博士，研究方向为锅炉燃烧优化及人工智能应用.

耿平(通信作者)，男，硕士研究生，电话(Tel.)：18270872013；E-mail：1398624822@qq.com.

1674-7607(2016)08-0594-06

TK227.1

A学科分类号：470.30