CFB 锅炉燃烧系统预测模型及优化

闫 睿 ，邓雨生 ，梁树雄 ，王世川 ，邹斌斌 ，楼 波

（1.华南理工大学 电力学院，广东 广州 510641；2.中国石化集团茂名石油化工有限公司，广东 茂名525000）

循环流化床锅炉的燃烧效率以及NOx的排放和一次风量、二次风量、燃料量、煤料种类等[1]有关。 电厂面临着提高发电效率以及降低废气排放的两大任务。建立锅炉燃烧预测模型，对不同工况下锅炉燃烧效率以及NOx排放进行预测以及优化调参， 用来指导锅炉的经济运行成为当下研究的重点和热点之一。近年来，计算机技术不断发展，同时，人工智能算法也在工业中很多领域得到了发展， 这使得燃烧优化运行变为了可行。

很多学者对传统燃煤锅炉以及循环流化床锅炉燃烧系统进行了建模， 并对不同锅炉参数进行了预测。叶海文[2]、马宝萍[3]、康之霞[4]等人对循环流化床锅炉以人工智能算法为基础进行建模， 成功预测了锅炉床温， 证明了人工智能算法技术可以在锅炉燃烧系统中得到应用；吴恒运[5]、彭道刚[6]、曹庆才[7]等人以神经网络和其他人工智能算法为基础对传统煤粉锅炉燃烧系统不同参数进行了建模并做出了优化；李鹏辉[8]采用了基于BP 神经网络的方法对燃煤锅炉的NOx排放进行了预测；王凯[9]、白建云[10]等人使用BP 神经网络方法对CFB 锅炉NOx排放量进行了预测建模；李国强[11]、李少华[12]、王杰[13]、王耿杰[14]等人利用不同的人工智能算法对锅炉燃烧系统进行了优化控制。

尽管前人利用神经网络和其他算法对燃煤锅炉效率和NOx排放进行了研究， 但是对循环流化床锅炉效率和污染物的排放同时进行预测并优化运行参数研究不多， 且本文中在优化时的目标函数中用飞灰含碳量值代替了传统的锅炉效率，简化了模型。本文中选取的12 个输入参数均为某厂循环流化床锅炉实际运行参数，预测输出两个，分别是飞灰含碳量和NOx排放量， 建立了GA-BP 锅炉燃烧预测模型，在预测模型的基础上， 使用遗传算法对锅炉参数进行了优化，目的在于使锅炉高效低污染运行。

1 研究对象

研究对象为美国福斯特·惠勒公司制造的紧凑型CFB 锅炉，额定蒸发量410 t/h，型号为FW-410-12.5-530-CCFB，采用自然循环，单汽包、单炉膛、平衡通风、半露天的布置。 单炉膛整体为“裤脚”型，从下到上炉膛结构可依次分为密相区、 过渡区和稀相区。密相区下部水冷壁上，开有许多循环流化床锅炉所需的特殊门孔，其中包括前墙4 个给煤口，4 个石灰石喷入口， 前后墙共计13 个一次风口和16 个二次风口，另一部风从底部布风板风帽进入；过渡区至稀相区炉膛内部有七道防磨梁； 密相区锅炉尾部出口位置靠近炉膛两侧墙，为矩形，两个旋风分离器把炉膛出口与后墙回料口连接起来。 本循环流化床简单物理结构模型如图1 所示。

本研究样本容量、 样本工况的遍历性直接决定模型的真实性和准确性， 故在收集样本数据时选择该电厂中额定负荷条件下450 组工况数据， 其中400 组工况为训练集，50 组工况为测试集，以确保数据量丰富且能够反映实际工况。

图1 循环流化床锅炉物理结构示意图

2 CFB 锅炉燃烧系统预测模型

2.1 飞灰含碳量以及NOx 排放的预测模型

影响锅炉效率的因素很多， 但是较为重要的参数是飞灰含碳量， 可以用这个参数作为衡量锅炉燃烧效率的一个重要指标，NOx是矿物燃料在空气中高温燃烧过程所产生的， 锅炉燃烧过程中NOx的排放和烟气含氧量、风量、给煤量等锅炉运行的参数有关。 在锅炉效率提高的同时，考虑降低NOx的排放，是循环流化床锅炉燃烧的控制目标。

BP 神经网络是一种多层的前馈的神经网络，特点在于误差能够逆向传播进行训练， 具有很强的多维函数映射能力， 循环流化床锅炉则具有多变量以及多耦合的特点，这一特点恰好能得到解决。本文燃烧预测模型中，输入参数m 共计12 个，分别是主蒸汽压力、给水温度、主蒸汽温度、一次风温度、一次风风压、二次风风压、二次风温度、一次风总量、二次风总量、省煤器出口烟温、煤料量以及固定碳，输出参数n=2 为飞灰含碳量和NOx排放， 燃烧系统神经网络模型如图2 所示。

2.2 神经网络模型的遗传算法优化

虽然BP 神经网络在化工、能源等诸多领域应用广泛， 但同时存在着学习速度慢以及容易陷入局部最优的缺点， 神经网络中的隐含层的确定可以由经验公式作为参考（在本文中 m=12，n=2，a 可以取1~9 的常数）， 但是并不能作为绝对的依据， 模型预测准确和网格训练成功依赖于整个网络结构的确定、初始的阈值和权值。遗传算法可以对上述问题解决， 遗传算法是模拟自然界选择的一种优化算法， 神经网络的权值初始值和阈值初始值可以由遗传算法进行优化，模型预测也会较为精确。遗传算法对神经网络权值和阈值的优化如图3 所示。

图2 锅炉燃烧系统神经网络模型示意图

图3 遗传算法对神经网络的权值和阈值的优化过程示意图

2.3 GA-BP 神经网络模型仿真

在Matlab 软件中进行模拟仿真之前要对输入参数以及输出参数进行归一化处理， 使得所有参数的值都在[0，1]之间，原因在于这些参数在数量级上差异很大，归一化处理后读取数据进行仿真操作，遗传算法优化时选择轮盘赌法以及最优个体保留法，输入节点至隐含节点选择tansig 函数， 隐含节点至输出节点选择purelin 函数，此外训练误差为0.001，学习速率为0.1。通过上述经验公式不断测试不同隐含节点下的误差情况， 发现隐含层为22 时误差最小，于是确定该BP 神经网络结构为12-22-2；遗传算法优化神经网络中，种群大小规模为100，最大遗传代数为100，交叉概率为0.95，变异概率为0.1，适应度函数是误差平方和的倒数，如图4 所示。可以看出适应度值在不断增加， 且在代数70 后趋于稳定，即误差平方和不断减小，不断趋于平稳，同时说明遗传算法的代数等设置合理。

图4 适应度函数值和代数之间的关系图

预测仿真结果如图5、图6 所示，仿真结果参数飞灰含碳量和NOx排放均进行了相对误差对比和绝对误差对比， 飞灰含碳量预测输出和期望输出最大绝对误差为0.31%，相对误差均在5%以内，其中最大值为4.8%， 平均相对误差3.3%；NOx排放量预测输出和期望输出绝对误差最大值为3.2 mg/m3，相对误差均在5%以内，其中最大值为4.7%，平均相对误差3.2%。 由此可见该GA-BP 网络模型拟合度很好，能够较准确地预测飞灰含碳量以及NOx排放量，为下一步锅炉燃烧参数的优化打下了基础。

3 锅炉燃烧参数优化的实现

3.1 设计优化函数

上述预测模型的建立为本节优化打下了基础，循环流化床锅炉多目标优化的目的是提高锅炉燃烧效率和降低NOx排放， 考虑锅炉热效率的同时也要注重NOx的排放，本文采用公式（1）作为目标函数：

式中：D 为飞灰含碳量的归一化值；CNOx为NOx的归一化值，所取范围均为[0，1]，二者都由上述GA-BP 神经网络燃烧预测模型得到；a、b 表示权重， 取决于燃烧优化过程中对燃烧效率和低污染排放的关注度。

图5 GA-BP 网络飞灰含碳量仿真结果及其误差图

图6 GA-BP 网络NOx 排放量仿真结果及其误差图

由于影响循环流化床锅炉效率的主要因素之一是飞灰含碳量， 选择飞灰含碳量作为寻优的评价参量代替了传统的锅炉效率，这一举措可以简化模型，优化函数中的飞灰含碳量参数可以直接使用上述GA-BP 神经网络模型的输出值，循环流化床锅炉燃烧系统优化如图7 所示。

3.2 遗传算法优化

图7 循环流化床锅炉燃烧优化示意图

对于上述设计的优化函数， 本文采用遗传算法进行参数寻优。 同时兼顾炉效和低污染，故式（1）中取权重a=b=0.5，设置整个种群规模数量100，最大进化代数为50，变异概率为0.1，交叉概率为0.4。 选择GA-BP 神经网络中的9 个输入参数作为燃烧优化参量（由于试验时以及锅炉日常运行时均为额定负荷运行，故主蒸汽压力、主蒸汽温度、给水温度不在优化运行参数内），优化过程中的数据均为归一化以后的数据，优化结束后转换为实际值，9 个输入参量的优化区域为该样本之前的10 个样本和未来5 个样本所构成的集合。 图8 为遗传算法优化循环流化床锅炉运行参数示意图。

选取50 组测试集样本数据进行优化，结果对比如图9 所示。可以看出，虽然有部分的优化结果并不完美（飞灰含碳量或NOx排放的优化值大于实际输出值），但是从整体上分析，循环流化床飞灰含碳量和NOx排放都得到了优化， 可以通过调整系数a、b 来实现飞灰含碳量和NOx排放的不同权重。

4 工业试验

图8 遗传算法优化循环流化床锅炉运行参数示意图

为了能够验证优化的结果， 选取一组高飞灰含碳量（8.79%）和高 NOx排放量（74.1 mg/m3）的优化结果在本循环流化床锅炉进行了工业试验， 在额定负荷的条件下，运行参数为优化后的输入参量，得到飞灰含碳量以及NOx排放量的数据。 通过表1 可以看出：一次风风温、二次风风温、总一次风、总二次风均有下降，其中总一次风下降比较明显；一次风、二次风风压有小幅上升。总一次风风量下降后，会导致炉内密相区温度升高，间接造成燃烧效率提高；总二次风量下降，导致炉内氧量减少，NOx生成量也减少。

图9 飞灰含碳量以及NOx 排放原期望输出与优化输出对比图

表1 优化前后结果以及和试验值的对比

5 结论

（1）建立了以飞灰含碳量和NOx排放量为组合的CFB 锅炉燃烧预测模型，以飞灰含碳量代替循环流化床锅炉效率作为参数简化了模型， 以飞灰含碳量和NOx排放量的线性组合为优化目标。

（2）对该 410 t/h 循环流化床（CFB）锅炉的燃烧系统进行了建模， 优化后一组试验运行结果飞灰含碳量从 8.79%降低至 7.98%，NOx排放量降低了15.4%，实现了高效低污染燃烧的目标。

（3）该优化可以在保证锅炉发热量的基础上，以飞灰含碳量和NOx排放量的线性组合为优化目标，使用遗传算法对所建立的循环流化床锅炉燃烧模型输入量中的可调变量在可变化的范围内进行寻优，得到参数最终的组合， 使得最后优化的目标函数值最小，即可以满足锅炉效率达到最大的同时，NOx的排放量最小， 可以在一定程度上指导该锅炉的优化运行，具有实际意义。