基于DNN的锅炉配风优化

河北建投任丘热电有限责任公司 侯若盟 肖驰清 莫 佳

当前火电机组普遍存在煤质多变、负荷多变、环境多变和设备多变的现象，给深度节能研究带来新的挑战[1]。特别是在多变的边界条件下，如何采用恰当的配风方式，以保证高效燃烧，并降低氮氧化物的排放，减少空气污染[2]，是目前亟待解决的问题。

目前针对锅炉配风系统的研究主要基于数值模拟和现场调整试验为主。基于数值模拟的方法研究了二次风和燃尽风的配风比例对锅炉燃烧特性和NOx 排放的影响[3]。对一台660MW 机组的燃烧系统进行数值模拟试验[4]，评估不同SOFA 风配比对NOx 排放和飞灰含碳量的影响。对锅炉的燃烧过程进行数值模拟，分析炉内温度场分布、二次风及燃尽风的投运对NOx 生成的影响。通过现场调整二次风配风方式、OFA 风门开度、燃尽风率等因素，研究不同工况下炉膛出口NOx 浓度和锅炉热效率变化规律。通过不同神经网络模型建立了NOx 排放模型，均取得了较好的预测结果，以此调节配风。

当前针对锅炉低氮排放和燃烧优化的研究有很多，但锅炉高效燃烧和低氮排放一般来讲是矛盾的目标，因此需要采用一种算法来平衡两者。

目前，有研究者通过现场调整试验的方法来平衡两者，但机组在实际运行中受多变环境的影响较大，现场调整试验不能满足多变的环境。采用基于大数据最优目标值挖掘的数据建模技术，建立专用的算法库模型，往往更能反映机组真实运行的情况。

本文以某350MW 机组的配风系统为研究对象，采用深度神经网络（DNN）对配风系统进行建模，模型的建立综合考虑配风对煤粉燃尽以及NOx 排放的影响，结合粒子群算法（PSO）对配风系统各层风门开度进行优化，得到合理的配风方案。通过该模型预测的配风方案进行现场调整试验，NOx 排放显著降低，锅炉效率也有明显提升。

1 研究对象及原始数据

1.1 研究对象

本文针对任丘热电2×350MW 电站直流锅炉进行研究，该锅炉为螺旋炉膛、一次中间再热、平衡通风。燃用设计煤种时锅炉主要设计参数：过热蒸汽流量1103.2t/h、过热蒸汽压力25.4MPa、过热蒸汽温度571℃、再热蒸汽流量862t/h、再热蒸汽进口压力4.46MPa、出口压力4.28MPa、再热蒸汽进口温度322℃、出口温度569℃、给水温度281℃、锅炉效率92.3%、燃煤量120t/h、排烟温度123℃、过量空气系数1.23%.

1.2 原始数据

随着监控信息系统（SIS）在火电厂的广泛应用，机组的大量实际运行数据被储存到实时数据库中。在本试验中，将SIS 系统的机组运行参数全部同步到本地eDOS 时序数据库中，然后调用接口函数获取试验所需的历史参数和实时参数，这样可以根据试验要求对数据进行批量处理。

本文的数据是从电厂SIS 系统中选取机组运行一年的历史数据，数据起止时间2018年11月1日00:00至2019年11月1日00:00，采样周期为30s。该数据为机组运行的原始数据，对其进行数据清洗和数据预处理，剔除掉超温超限（主蒸汽温度超过615℃），超过环保指标：SO2小于35mg/Nm³、NOx 小于50mg/Nm³（脱硝后NOx 含量）、烟气含尘浓度小于10mg/Nm³，工况波动较大（主汽温波动超过10℃、主汽压波动超过1MPa、烟道出口氧量波动超过1.5%）的离群点，根据负荷、环境温度以及煤质信息划分工况后，筛选出稳定工况下的数据，数据样本约为15万余条。

2 DNN-PSO 建模及优化方法

2.1 DNN-PSO 模型优化流程

人工神经网络（Artificial Neural Network, ANN）是依据生物神经网络建立，其结构通常由输入层、隐含层、输出层组成，输入参数经过隐含层运算后得到模型的输出。而DNN 深度神经网络为具有多层隐含层的神经网络，随着隐含层数的增加，神经网络进行了多次非线性计算，对于高维度、大量数据的建模，模型表达效果更优。

粒子群算法（PSO）作为一种智能优化算法，在解决非线性、多目标等问题上有着良好的效果，在火电技术领域有着广泛应用。粒子群算法是通过适应度值来评价所求解的好坏，因此，其适应度值的选择决定了算法的搜索方向。

DNN-PSO 模型优化流程就是通过DNN 神经网络建立锅炉配风系统模型输入、输出之间的关系，优化锅炉配风系统运行参数时，将待优化参数分为运行可调节参数和不可调节参数，把可调节参数作为粒子群算法的优化变量进行调节，不可调节参数作为限制约束条件。以建立的DNN 深度神经网络模型作为适应度函数评价标准，采用粒子群算法对可调参数进行优化调整。

2.2 DNN 神经网络模型结构设计

针对锅炉配风系统的输入参数选取如下：机组负荷，描述机组运行情况；各层磨煤机给煤量，描述一次风沿炉膛高度方向对NOx 排放的影响；总风量、各层二次风门及燃尽风门开度，描述二次风及燃尽风对燃烧和NOx 排放的影响；二次风箱与炉膛压差，考察对二次风速的影响；燃烧器摆角，考察燃烧器连锁摆动的影响，共计35个参数。

本文中配风系统优化的目标是通过合理的配风方式使得机组在运行中同时兼顾高效燃烧和低氮排放两方面，即获得最佳经济效益与环保效益。输出参数用风粉综合优化值表示，计算公式如下：

式（1）中，Q4为固体不完全燃烧热损失，%；NOx 为SCR 反应器入口处NOx 浓度的平均值，Qfan,forcced为送风机电耗等效热损失，C1、C2为修正系数。风粉综合优化值公式的建立，综合考虑了配风与Q4、NOx 排放以及送风机电流之间的影响，以此进行建模，模型更能反映机组实际运行情况。

3 模型优化及试验结果讨论

3.1 DNN 深度神经网络模型参数的确定

本文在锅炉配风系统的建模试验中，针对DNN深度神经网络的参数选取，进行多次的试验，不断调整神经网络的结构，计算得到模型的误差，选出最小误差所对应的结构参数。通过选取某一工况下的5000组样本作为训练集进行训练，200组样本作为测试集进行误差预测，训练次数为3000次，保存每次训练的模型参数，进行具体的分析。

首先选取神经网络的隐含层数，DNN 深度神经网络的特点是隐含层数较多，选取常用的隐含层数3-4层作为试验。对于3层隐含层的神经网络，训练3000次后，输出参数的相对误差如表1所示。

表1 三层隐含层神经网络训练误差表

由表2可知，最小训练误差为0.673%，对应的的隐含层节点数是21，学习率是0.02。同理，对四层隐含层的神经网络模型进行同样的测试，训练3000次后，输出参数的相对误差如表2所示。

表2 四层隐含层神经网络训练误差表

测试结束后，得到更小的误差0.54%，选择最优的隐含层节点为20，最优的学习率为0.02。采用四层隐含层的神经网络模型的实际值与预测值基本吻合，其原因是针对同一组数据，使用相同的激活函数，神经网络在最小化损失函数的时候，权值和阈值更新幅度小，但四层神经网络对输入样本特征进行了多次计算，取得了更好的预测效果，说明模型具有较高的可靠性。

综上所述，本文对锅炉配风系统建模选取四层隐含层的神经网络，每层神经网络的节点数为20，学习率为0.02。

3.2 通过模型优化前后的结果讨论

本文基于电厂锅炉现场运行数据，选择机组在稳定工况下进行试验。将机组的实时数据传入DNN-PSO 模型进行寻优，根据模型的寻优指导值进行了优化调整试验，调整结束后稳定10分钟，选取风粉综合优化值、SCR 入口处NOx 排放浓度和锅炉效率进行优化前后对比分析。

其预测结果是适当增大燃尽风门开度，各层二次风门开度沿炉膛高度从上至下适当减少。由理论分析，增加燃尽风可以改善炉内上部气流的充满程度，使燃烧区域过量空气系数减小，有利于降低NOx 的排放，此外，燃尽风的增加，加速了焦炭的燃尽，避免炉膛出口烟温上升过高和飞灰含碳量的增加，有利于Q4的降低。模型预测结果与空气分级燃烧降低NOx 排放理论相符，

据此进行现场调整试验，经过优化调整后，锅炉的风粉综合优化目标值降低了0.21， NOx 排放浓度降低了48.45mg/Nm³，并且锅炉热效率提高了0.11%。优化结果与上述理论分析基本吻合，表明优化调整后既保证了锅炉效率，同时降低了氮氧化物排放，进一步证明了模型的可靠性。

4 结语

为了解决火电机组实际运行中多变边界的问题及氮氧化物排放与锅炉效率之间的矛盾，本文提出利用DNN 深度神经网络对锅炉配风系统进行建模，结合粒子群优化算法，对各层二次风门和燃尽风门开度进行优化，以此来指导配风。其结论如下：

通过数据预处理后筛选出稳定工况下的数据进行配风系统建模，神经网络模型的相对误差达到0.54 %，说明模型具有较高的可靠性；通过现场对锅炉进行调整试验，优化结果表明：风粉综合值降低了0.16，锅炉热效率提高了0.11%，NOx 排放量降低了48.45mg/Nm³，表明该寻优模型在机组实际运行过程中具有指导作用；SOFA 风对控制降低风粉综合值和NOx 排放有着明显的效果。