锅炉能效与NOx排放耦合性预测模型设计

张 健，顾晨恺，李瑞阳，金 晶

(上海理工大学 能源与动力工程学院，上海 200093)

0 引言

我国燃煤工业锅炉的设计效率一般为72%～84%，但实际热效率远低于这个值，造成了低效高污染的情况，能源浪费十分严重[1]。燃煤工业锅炉除了运行效率低外，还有烟气中的污染物排放问题。当前燃煤工业锅炉烟气处理技术对于二氧化硫排放已经得到很好的控制，但对于氮氧化物的生成控制技术还有待提高[2-3]。目前我国的绝大部分燃煤工业锅炉为达到大气污染物排放标准，一般采用低氧燃烧技术，从而牺牲部分锅炉热效率来满足NOx排放指标，因此锅炉热效率与NOx排放之间的耦合性对锅炉品质评价具有重要意义。

朱跃[4]通过某电厂600 MW燃煤锅炉进行燃烧调整试验研究，以排烟和固体未完全燃烧热损失为目标对象，利用改进的BP神经网络构建了燃煤成分、燃煤粒径、过量空气系数和排烟温度等各因素与目标对象的预测模型，但运行精度尚不能满足实时在线计算锅炉热效率的目的。李茹萍和王科[5-6]等在数值模拟方面对燃烧热效率和氮氧化物的预测进行了研究，但都存在计算过程费时、很难精准预测的问题。周昊和梁怀涛等[7-8]将人工神经网络引入NOx与热效率的预测和优化研究中。近年来对于锅炉热效率与NOx排放的预测模型也越来越多，其中包括长短时记忆(LSTM) 神经网络、广义回归神经网络、深度置信神经网络、卷积神经网络等[9-15]；杨青认为LSTM神经网络在预测变工况运行时具有较高的准确性；赵星宇[16]比较多种神经网络对燃煤锅炉NOx排放量的预测结果，认为广义回归神经网络预测效果最佳，并通过神经网络优化后能降低NOx排放量，为电厂运行提供指导。

本文将从锅炉热效率和NOx排放两方面入手，分析这两者的影响因素和相互关联性，并采用BP神经网络建立能效和NOx排放耦合性综合预测模型。

1 锅炉热效率与NOx排放的影响因素分析

1.1 锅炉热效率的影响因素

热效率是表明锅炉燃烧状况的重要经济性指标。它的计算分为正平衡法和反平衡法两种，反平衡法的优点在于可以得知各项热损失，从而可以分析出有哪些因素影响了锅炉热效率，进而找到提高效率的方法和措施[17]。根据能量平衡原理，炉膛输出热量包括有效利用热、排烟热损失、气体未完全燃烧热损失、固体未完全燃烧热损失、散热损失和灰渣物理热损失。

(1)排烟热损失

造成排烟热损失过大主要的因素是较高的排烟温度和烟气流量。排烟温度过高涉及的因素很多，如设计炉型的燃料性质与实际运行燃料的差异性以及运行控制参数，其包括过量空气系数、入炉冷空气温度、炉膛负压等[18]。

(2)气体未完全燃烧热损失

气体未完全燃烧热损失是指在燃烧过程中，部分残留在锅炉排烟中的CO、H2和CmHn等可燃气体未完全燃烧放热而造成的热损失，其主要与燃烧工况有关。

(3)固体未完全燃烧热损失

固体未完全燃烧热损失是由于未燃烬的固定碳随灰分排出炉外造成的损失，涉及到锅炉的燃烧设备优劣及燃烧技术选用，具体是与燃料性质、炉膛结构以及锅炉运行工况有关。

(4)散热损失

锅炉散热损失与锅炉的结构布置、墙体材料的选取、水冷壁的布置、管道的保温和锅炉的出力等都有很大关系。

(5)灰渣物理热损失

灰渣排出炉外带走的显热量称为灰渣物理热损失。影响灰渣物理热损失的主要因素有炉渣温度的高低以及燃料含灰量。当燃煤的折算灰分小于10%时，固态排渣煤粉炉可忽略炉渣的物理热损失；液态排渣炉，旋风炉可忽略飞灰的物理热损失。

1.2 锅炉NOx排放的影响因素

1.2.1 锅炉燃烧NOx生成机理

在煤燃烧过程中，NOx的生成量主要与配风方式、燃用煤种、过量空气系数炉膛内的停留时间等燃烧条件密切有关。NOx根据生成机理不同可分为以下三类：

(1)燃料型NOx

燃料型NOx是燃料中的氮在燃烧过程中生成的氮氧化物，大约占总排放量的60%～80%[19]。在燃烧过程中，燃料中的氮析出后在氧气充足的条件下氧化成NOx，在氧气不足的条件下生成N2。燃料型NOx的生成量与炉膛内氧含量有很大关系。

(2)热力型NOx

热力型NOx是由空气中的氮元素在高温条件下与氧气发生反应生成，约占NOx排放量的20%～30%。在炉膛温度高于1300℃时，热力型NOx开始大量生成。避开氧浓度和温度的双峰值是减少热力型NOx生成的有效途径之一。

(3)快速型NOx

快速型NOx是燃料中的碳氢离子团与氧气发生反应而产生，约占NOx总排放量的5%。它的生成速度与反应温度和过量空气系数有关。

1.2.2 影响NOx生成因素

(1)煤质特性

煤中挥发分含量对NOx生成量有很大影响，燃料型NOx的70%都是来源于挥发分中的N。燃料型NOx中的氮元素来源于煤，故煤中的氮元素越多，会导致NOx生成量增加。

(2)煤粉粒度

煤粉中煤粉的粒度对NOx生成量有很大影响，在富氧情况下煤粉越细，NOx排放浓度就会越小[20]。浙江大学郑立刚[21]研究了高温空气燃烧下，神华无烟煤不同粒径对NOx排放的影响，结果表明：随着煤粉细度的降低，初期NOx的排放浓度是降低的。

(3)炉内温度

炉内的温度水平对热力型NOx影响较大。李炎[22]总结了煤粉锅炉中三种类型NOx生成量与燃烧温度的关系。其中热力型NOx受温度影响较大，炉内温度达到1 300 ℃后会导致热力型NOx生成量成指数增加。

(4)过量空气系数

研究表明，过量空气系数是影响NOx生成和排放浓度的主要运行因素。总结前人研究不同氧量下的NOx排放特性发现：随着入炉空气量的增加，炉内燃烧区域供氧量也增加，为燃料氮转化为燃料氮氧化物提供了条件；另一方面，入炉氧量的增加及局部高温也导致热力型NOx迅速上升，因此，总的NOx生成量是随着过量空气系数的增大而增加的。

(5)配风方式

相关理论表明，燃烬风量、二次风量、一次风量对NOx生成都有一定程度的影响。很多学者[23-24]通过研究都验证了燃烬风量与NOx生成量是成反比；二次风量的大小影响着煤粉在炉内的停留时间，继而影响NOx的生成；一次风主要是为煤粉燃烧提供空气，通常，一次风速降低会使炉内温度降低，同时炉内以还原性气氛为主，抑制NOx的生成。

(6)锅炉负荷

锅炉负荷增加也利于炉内温度水平的升高，热力型NOx明显增加。浙江大学郑立刚[21]对氮氧化物排放量与锅炉运行参数进行交叉相关性分析，验证锅炉热负荷提高，炉膛温度会增加，从而增加热力型NOx的生成速度，因此提高锅炉热负荷会增加NOx的排放量，二者之间具有正相关系数。

1.3 锅炉热效率及NOx排放的耦合性

现有的燃煤工业锅炉采用低NOx燃烧技术，在锅炉实际运行中会发现降低NOx排放量与提高锅炉热效率是相互制约的，提高锅炉热效率会导致NOx排放量的增加；减少NOx排放量往往会降低锅炉热效率，所以二者之间寻找一种耦合尤为重要。

综上所述，有一些锅炉运行参数会对锅炉热效率和NOx排放同时造成影响，其中包括过量空气系数、煤质特性、锅炉负荷等，这些参数对锅炉热效率与NOx排放有关联性；目前我国锅炉运行对NOx排放与热效率之间的关联性考虑甚少，所以建立锅炉热效率和NOx排放耦合性综合预测模型对实际运行具有很强的指导意义。

2 预测模型的设计

目前，锅炉预测模型的建立主要运用支持向量机和神经网络，支持向量机主要用于解决小样本和高维识别问题，但对于大规模样本问题效果不好。鉴于锅炉运行系统是一个非常复杂的非线性耦合模型，本文选用神经网络对锅炉能效和NOx排放耦合建立预测模型。

2.1 锅炉指标的分析

如上所述，影响锅炉热效率和NOx排放量的因素有很多，可以将其分成两类：一类是不可调因素，主要包括炉膛尺寸、锅炉结构形式、燃烧方式以及燃用煤种；另一类是可调因素，主要包括过量空气系数、配风方式、锅炉负荷、炉膛温度等。很多参数通常通过现场测量获得，但有些运行参数很难把控，如对锅炉氮氧化物排放有很大的影响的炉膛温度，并且炉膛温度与煤质、锅炉配风是息息相关的，但炉膛温度受锅炉热负荷的影响较大。影响锅炉热效率和排放的因素很多，这些因素之间存在一定的关联性，这些因素对锅炉的影响程度不同，全部引入模型不仅会增加模型的复杂程度，还会延长模型的训练时间。因此，有必要对模型的输入量进行筛选，剔除对输出影响小又很难采集的变量。本文用平均影响值(MIV)法来筛选输入变量，为后面建立模型做好准备。

2.2 锅炉指标的选用

平均影响值法是通过计算输入变量对模型输出变量的影响大小来判断输入量的重要程度。将自变量的平均影响值根据大小进行排序，绝对值越大，说明对目标值的影响越大。

本文选用数据来源于江苏某电厂300 MW固态排渣炉，该炉采用单炉体双炉膛八角切圆燃烧方式，整炉配有4台DTM350/600钢球磨煤机。燃烧调整试验均在满负荷下进行，选定与锅炉热效率和NOx排放有关的参数如下：排烟温度、炉膛出口氧量、飞灰含碳量、燃煤收到基含碳量、燃煤收到基含氢量、燃煤收到基含氧量、燃煤收到基含氮量、燃煤收到基水分和灰分等26个参数。

为了避免样本数据的物理意义和单位的不统一对平均影响值造成影响，在建模之前要进行归一化处理，模型输出结果还要反归一化才能得到想要的参数。通过计算这26个参数对输出变量的平均影响值并进行比较，排烟温度、炉膛出口氧量、飞灰含碳量、收到基含碳量、收到基水分、收到基灰分、燃煤低位发热量、一次风速、一次风速、二次风速、二次风速、燃烬风挡板开度、磨煤机转速的平均影响值较大，这些参数对锅炉热效率影响值达到75.7%，对NOx排放的影响值为71.6%，故选用这13个参数作为锅炉热效率和NOx排放浓度预测模型的输入量，实践证明，选取的13个参数能有效的替代26个参数，有效的提高了网络的训练速度和预测精度，实现锅炉热效率和NOx排放的准确预测。

2.3 预测模型的建立

2.3.1 神经网络算法

人工神经网络(Artificial Neural Networks,ANN)是由大量节点构成的运算模型，由一组相互协调计算的神经元构成，通常有输入层、隐含层和输出层三层网络。本文选用BP神经网络建立锅炉热效率与NOx排放预测模型，BP神经网络也被称为误差反向传播神经网络，使用最速下降法，通过不断调整网络的权值和阈值来使网络误差平方和最小。经过大量的学习样本训练以后得到权矩阵与阈值，接下来可进行模型预测。图1为三层BP神经网络结构图，其中输入层、隐含层、输出层神经元的数目分别为i、j和k个，其中计算误差是关于权矩阵与阈值的函数，通过训练函数与学习函数调整权矩阵和阈值，使误差函数最小。

图1 三层BP神经网络结构图

神经网络的构建主要分为以下几步：训练样本归一化；选用合适的初始值；确定隐含层神经元的个数。隐含层神经元的数目是不确定的，通常参考公式(1)

(1)

式中k——隐含层节点数;

n——输入节点数;

m——输出节点数;

α——1～10之间的调节常数。

通过上式能不断调整k，以达到网络误差最小。

2.3.2 预测模型的网络设计

通过利用原始样本训练模型，得到26个参数的平均影响值，选用对热效率和NOx排放的影响值都较大的13个参数作为预测模型的输入变量，输出变量则为锅炉热效率和NOx排放量，物理模型如图2所示。

图2 锅炉能效与排放预测物理模型

根据公式(1)，已知输入量为13，输出量为2，能确定隐含层神经元的个数在区间[4,14]中。下一步设计一个隐含层神经元数目变动的BP网络，对比不同神经元数目下的误差，得出最合适的数目，得到结果如图3所示。

图3 网络误差随隐含层神经元变化趋势图

从图中可以看出，隐含层神经元的数目为10的BP神经网络对函数的逼近效果最好，网络性能最优。

2.4 神经网络的预测结果分析

本文所设计的BP网络在MATLAB R2014b环境中进行训练，共有104组数据，其中35组数据用于训练网络，并用其余69组用来检验预测网络的性能。在网络经历了7次迭代后收敛，网络达到最佳性能，锅炉热效率和NOx含量的网络输出值如图4所示。

图4 (a)、(b)分别为锅炉热效率、NOx含量的网络输出值

在图中，实线为样本的实际值，虚线为模型预测值。经过分析，网络预测样本的锅炉热效率与目标值的偏差为0.8%，NOx排放量与目标值的偏差为2.021%，由此可以证明经过训练后的BP神经网络具有很好的预测性能。在网络训练后能获得权值与阈值矩阵，能在一定程度上反应各参数与目标值的函数关系，运用控制变量法，改变某一参数的数值，能得到目标值随参数数值的变化趋势。

2.5 预测模型的应用

该模型建立锅炉热效率与NOx排放的耦合关系，有较好的预测能力，能够指导锅炉的运行。综合预测模型分析各项指标对锅炉热效率和NOx排放量的影响值，可以根据不同的需求来调整运行参数，以满足热效率的要求或者达到排放的标准。

3 结论

通过神经网络建立锅炉热效率与NOx排放耦合性的综合预测模型，结果显示，预测模型能很好地实现对目标值的预测。与单一的热效率和NOx含量预测模型相比，综合预测模型有以下优点：

(1)锅炉热效率与NOx排放量具有一定的耦合关系，在另一层面上，二者具有相互制约的关系，提高锅炉热效率会导致NOx的排放量增加，低NOx排放需要建立在燃烧效率损失上，热效率与NOx生成量的综合预测模型能指导生产实践，比单独预测更准确，更具有实用性。

(2)通过平均影响值法筛选出对目标值影响大的输入量，实现了对影响因数的精确定位，也降低了网络模型输入层的维度，提高了网络的训练速度和精度。

(3)网络训练后获得的权值与阈值矩阵，是在大量实验数据的基础上获得的，能在一定程度上反映各指标与目标值的变化趋势，能为后续的评价提供参考。