電站鍋爐煤耗與NOx排放混合建模與優(yōu)化

劉碩，齊詠生，王林，高學(xué)金 ，王普

(1. 內(nèi)蒙古工業(yè)大學(xué) 電力學(xué)院，呼和浩特 010080；

2. 北京工業(yè)大學(xué) 電控學(xué)院，北京 100124)

?

電站鍋爐煤耗與NOx排放混合建模與優(yōu)化

劉碩1，齊詠生1，王林1，高學(xué)金2，王普2

(1. 內(nèi)蒙古工業(yè)大學(xué) 電力學(xué)院，呼和浩特 010080；

2. 北京工業(yè)大學(xué) 電控學(xué)院，北京 100124)

摘要：降低電站鍋爐煤耗和污染物排放對于節(jié)約能源和保護環(huán)境具有重要意義。針對電站面臨的高煤耗、高污染現(xiàn)狀，提出了基于BP和ANFIS的電站鍋爐混合建模方法，并根據(jù)電站節(jié)能與環(huán)保相協(xié)調(diào)的要求，提出以煤耗和NOx排放為目標(biāo)的多目標(biāo)優(yōu)化問題?；诖四Ｐ秃蛢?yōu)化目標(biāo)，采用遺傳算法(GA)對試驗工況進行尋優(yōu)。應(yīng)用某電廠鍋爐實際運行數(shù)據(jù)進行了仿真試驗，結(jié)果表明： 通過優(yōu)化算法得到的最優(yōu)運行參數(shù),能同時滿足降低煤耗和降低污染物排放的要求,從而實現(xiàn)電站節(jié)能減排的優(yōu)化目標(biāo)。

關(guān)鍵詞：電站鍋爐自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)飛灰含碳質(zhì)量分?jǐn)?shù)煤耗氮氧化物

在當(dāng)今社會環(huán)境條件下，煤價不斷上漲，污染物排放限制越來越嚴(yán)格。為保證鍋爐整體運行效益，燃煤電站面臨降低煤耗與降低污染排放的兩大重任。低耗低污染的優(yōu)化運行問題成為當(dāng)今各電站關(guān)注的焦點。

BP網(wǎng)絡(luò)結(jié)構(gòu)簡單，算法易于實現(xiàn)，只要有足夠的隱層和訓(xùn)練樣本，可以逼近任意的非線性映射關(guān)系。BP網(wǎng)絡(luò)學(xué)習(xí)算法屬于全局逼近的方法，因而具有較好的泛化能力。國內(nèi)外一些學(xué)者利用BP網(wǎng)絡(luò)研究了電站鍋爐燃燒特性，并結(jié)合尋優(yōu)算法在燃燒優(yōu)化方面也進行了討論，通過調(diào)整鍋爐運行參數(shù)可有效提高鍋爐效率和降低污染物排放，從而提高鍋爐運行經(jīng)濟性[1-6]。鍋爐運行經(jīng)濟性直接關(guān)系著生產(chǎn)效益，然而對于評價鍋爐系統(tǒng)整體經(jīng)濟性，供電煤耗比鍋爐效率更直接、準(zhǔn)確，所以筆者提出以煤耗和ρNOx為目標(biāo)的鍋爐燃燒系統(tǒng)模型。其中，飛灰含碳量是重要的煤耗小指標(biāo)?？紤]到從鍋爐運行現(xiàn)場獲取的其他煤耗小指標(biāo)以及ρNOx和飛灰含碳量訓(xùn)練樣本數(shù)量，引入預(yù)測部分煤耗與NOx的BP模型和預(yù)測飛灰含碳量的ANFIS模型，再根據(jù)電力科學(xué)研究院對鍋爐參數(shù)變化引起供電煤耗變化的規(guī)定，得到基于BP和ANFIS的總煤耗模型。綜上，得出基于BP和ANFIS兼顧煤耗和ρNOx排放的鍋爐燃燒系統(tǒng)模型。ANFIS是具有學(xué)習(xí)能力的模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)，它結(jié)合了神經(jīng)網(wǎng)絡(luò)和模糊推理系統(tǒng)的優(yōu)點[7-8]，同時也減少了所需要的訓(xùn)練數(shù)據(jù)[9]。使用上述燃燒系統(tǒng)模型，結(jié)合遺傳算法對鍋爐運行參數(shù)進行尋優(yōu)，使煤耗和ρNOx排放同時降低。

1基于BP和ANFIS的電站鍋爐混合建模

1.1研究對象介紹

本文研究對象是某電廠1號600 MW鍋爐，鍋爐為亞臨界參數(shù)、控制循環(huán)、一次中間再熱、單爐膛平衡通風(fēng)、固態(tài)排渣方式、全鋼結(jié)構(gòu)的Π型汽包爐。

鍋爐系統(tǒng)采用四角切圓燃燒方式，直流燃燒器四角布置，原設(shè)計備有6層燃燒器，燃燒器頂部布置有燃盡風(fēng)(OFA)。

1.2鍋爐燃燒系統(tǒng)建模

針對難以用機理數(shù)學(xué)模型進行描述鍋爐燃燒系統(tǒng)的問題，引入基于人工智能技術(shù)的黑箱模型，如圖1所示。針對從現(xiàn)場獲取飛灰含碳量訓(xùn)練樣本數(shù)量相對少的情況，采用ANFIS建立其預(yù)測模型，而對于獲取訓(xùn)練樣本數(shù)量相對比較多的部分煤耗和ρNOx來說，采用具有非線性動力學(xué)特性及自學(xué)習(xí)特性的BP網(wǎng)絡(luò)進行建模。再根據(jù)電力科學(xué)研究院對鍋爐參數(shù)變化引起供電煤耗變化的規(guī)定，結(jié)合基于BP和ANFIS的部分煤耗模型與飛灰含碳量模型計算出鍋爐燃燒系統(tǒng)總煤耗模型。對總煤耗模型和ρNOx模型引入權(quán)重系數(shù)，得到鍋爐燃燒系統(tǒng)優(yōu)化模型。

圖1　算法原理流程示意

1.2.1模型輸入?yún)?shù)選擇

大量研究表明，鍋爐是個復(fù)雜系統(tǒng)，燃燒除受到相關(guān)控制參數(shù)影響外，還受到機組負(fù)荷、煤質(zhì)、環(huán)境溫度等隨機眾多因素影響。根據(jù)現(xiàn)有研究[10-13]，再結(jié)合運行現(xiàn)場取到的數(shù)據(jù)，筆者選擇6臺給煤機、總一次風(fēng)量、總二次風(fēng)量、SOFA7層1角燃盡風(fēng)、燃燒器主噴嘴擺動角度、有功功率、環(huán)境溫度、6層周界風(fēng)量、消旋二次風(fēng)、偏轉(zhuǎn)風(fēng)等32個參數(shù)作為BP模型輸入?yún)?shù)，部分煤耗和ρNOx作為BP模型輸出參數(shù)。然而，煤質(zhì)對燃燒排放飛灰含碳量有很大影響，所以本文除選擇BP網(wǎng)絡(luò)各個輸入?yún)?shù)，外加灰分、揮發(fā)分、低位發(fā)熱量3個參數(shù)代表煤質(zhì)對燃燒排放飛灰含碳量的影響?？傆?5個參數(shù)作為ANFIS模型的輸入?yún)?shù)，飛灰含碳量作為ANFIS模型的輸出參數(shù)。

1.2.2BP模型的建立

首先對本文所研究煤耗與負(fù)荷的相關(guān)性進行了分析。在數(shù)據(jù)采集時鍋爐負(fù)荷存在著波動，以鍋爐工作在600 MW負(fù)荷處采集到的100個樣本點為例進行分析，負(fù)荷和煤耗的變化分別如圖2和圖3所示。其橫坐標(biāo)為采樣點序列號，縱坐標(biāo)分別為鍋爐負(fù)荷和煤耗。

圖2　負(fù)荷變化(歸一化后)

圖3　煤耗變化(歸一化后)

從圖2可以看出，鍋爐負(fù)荷存在很大波動。從圖3可看出，煤耗和負(fù)荷的波動趨勢大致是一致的，通過R=Corrcoef(X, Y)計算得到相關(guān)系數(shù)為0.614 6，從而可知兩者存在很大的相關(guān)性。建模時通常需要選擇處于相對穩(wěn)定的樣本點，所以需要刪除部分負(fù)荷波動較大處對應(yīng)的樣本，才能得到用于建模的樣本點。

對ρNOx也進行同樣的分析，得到負(fù)荷和ρNOx也存在一定的相關(guān)性。因此，在建模時對負(fù)荷波動大的樣本點同樣進行剔除。

整理從電站鍋爐運行現(xiàn)場獲取的數(shù)據(jù)，共有28 598組樣本。對樣本中負(fù)荷、部分煤耗以及ρNOx不穩(wěn)定的樣本點進行剔除，得到5 559組建立部分煤耗模型的樣本，21 285組建立ρNOx模型的樣本。分別在各自穩(wěn)定樣本中隨機選取90%用來訓(xùn)練模型，剩下10%的非訓(xùn)練樣本用來測試模型的泛化能力。其中，訓(xùn)練煤耗模型過程中，其目標(biāo)煤耗根據(jù)電科院對鍋爐參數(shù)變化引起供電煤耗變化的規(guī)定計算獲得。

根據(jù)以上分析，本文采用32個輸入節(jié)點，1個輸出節(jié)點，8個隱層節(jié)點的2個BP網(wǎng)絡(luò)分別對部分煤耗和ρNOx進行建模。

圖4和圖5分別是部分煤耗和ρNOx的預(yù)測值與實測值對比圖。為了清楚地觀察預(yù)測效果，只列出部分測試樣本的對比效果。

圖4　煤耗預(yù)測值與實測值對比示意

圖5　ρNOx預(yù)測值與實測值對比示意

采用BP網(wǎng)絡(luò)進行建模仿真，結(jié)果見表1所列。

表1　BP網(wǎng)絡(luò)仿真結(jié)果

1.2.3ANFIS模型的建立

若考慮影響飛灰含碳量的全部35個影響參數(shù)，可能會引起網(wǎng)絡(luò)輸入的維數(shù)災(zāi)難。因此，筆者采用主成分分析法來減小ANFIS輸入維數(shù)，避免出現(xiàn)維數(shù)災(zāi)難。經(jīng)貢獻率分析，前兩個主元的累積貢獻率已經(jīng)達到94.88%，所以文中選擇前兩個主元，則飛灰含碳量的35個影響參數(shù)變?yōu)?個參數(shù)作為ANFIS的輸入，利用訓(xùn)練數(shù)據(jù)對網(wǎng)絡(luò)進行訓(xùn)練。

圖6是ANFIS模型輸出飛灰含碳質(zhì)量分?jǐn)?shù)與實測值對比圖。

圖6　ANFIS模型輸出飛灰含碳質(zhì)量分?jǐn)?shù)與實測值對比示意

從圖6可以看出： 訓(xùn)練值和實測值相當(dāng)接近，訓(xùn)練平均相對誤差為0.003 4。對于測試樣本預(yù)測值和實測值也很接近，預(yù)測值與實測值的對比見表2所列。

以上仿真結(jié)果顯示： 模型訓(xùn)練和預(yù)測誤差都在工程可接受范圍內(nèi)，符合實際要求，驗證了本文提出建模方法的有效性。

表2　飛灰含碳質(zhì)量分?jǐn)?shù)預(yù)測值與實測值對比

2基于遺傳算法(GA)電站鍋爐燃燒系統(tǒng)優(yōu)化

2.1優(yōu)化目標(biāo)的確定

當(dāng)今電站面臨節(jié)能減排的重任。污染物排放受到高度重視,排放超標(biāo)會處以罰款,從而影響企業(yè)效益。為提高電站的整體經(jīng)濟效益，本文通過優(yōu)化算法GA優(yōu)化鍋爐運行參數(shù),使煤耗和NOx同時降低。即

min

{Zmh，NOx}

(1)

s.t

Bmh=f1(Mv, Dv)

ωcfh=f2(Mv, Dv)

ρNOx=f3(Mv, Dv)

Zmh=f4(Bmh,ωcfh)

[Mv]min≤Mv≤[Mv]max

式中：Zmh——系統(tǒng)總煤耗；ρNOx——燃燒排放氮氧化物質(zhì)量濃度；Bmh——系統(tǒng)部分燃燒煤耗；ωcfh——飛灰含碳質(zhì)量分?jǐn)?shù)；Mv——一次風(fēng)量、二次風(fēng)量等可調(diào)參數(shù)組成的可調(diào)參向量；Dv——煤質(zhì)等不可調(diào)參數(shù)組成的不可調(diào)參向量；[Mv]min，[Mv]max——可調(diào)參數(shù)的約束范圍；f1——預(yù)測系統(tǒng)燃燒部分煤耗的BP模型；f2——預(yù)測飛灰含碳量的ANFIS模型；f3——預(yù)測系統(tǒng)燃燒排放NOxBP模型；f4——計算系統(tǒng)總煤耗的函數(shù)，此函數(shù)是電科院對鍋爐參數(shù)變化引起供電煤耗變化做出的規(guī)定。

對總煤耗和ρNOx引入權(quán)重系數(shù)，將本文的多目標(biāo)優(yōu)化問題轉(zhuǎn)換為單目標(biāo)優(yōu)化問題，即構(gòu)造出遺傳算法的適應(yīng)度函數(shù)，如下式：

P=α·Zmh+β·NOx

(2)

式中： α，β——權(quán)重系數(shù)，根據(jù)電站對煤耗和ρNOx的關(guān)注度在[0, 1]選取，且滿足α+β=1。

2.2優(yōu)化參數(shù)的選擇

對于鍋爐實際運行參數(shù)，分為不可調(diào)參數(shù)和可調(diào)參數(shù)，比如鍋爐的爐型、結(jié)構(gòu)等是不可人為隨意調(diào)整的，所以稱為不可調(diào)參數(shù)。而可調(diào)參數(shù)是操作人員在鍋爐運行時能在安全范圍內(nèi)對其進行控制和調(diào)整的參數(shù)。在電站鍋爐實際運行中，操作員調(diào)節(jié)最頻繁的參數(shù)主要是各種配風(fēng)方式，包括各二次風(fēng)、燃盡風(fēng)等，筆者根據(jù)獲取的現(xiàn)場運行數(shù)據(jù)，選擇部分可調(diào)參數(shù)(一次風(fēng)、二次風(fēng)、燃燒器擺角、7層燃盡風(fēng)以及6臺給煤機給煤等共計16個可調(diào)參數(shù))作為待優(yōu)化變量。為保證優(yōu)化結(jié)果與實際相符且考慮到習(xí)慣運行方式和所采集數(shù)據(jù)的統(tǒng)計，對各可調(diào)因素選擇范圍都有一定限制，其取值盡量保持在試驗樣本最大值與最小值之間，本文設(shè)定尋優(yōu)范圍： 一次風(fēng)量取值為300～600；二次風(fēng)量取值為700～1 100；燃燒器擺角取值為40～70；2，3，4層燃盡風(fēng)取值為40～80；1層及5，6，7層燃盡風(fēng)為0；各給煤機給煤量取值為20～70。對于不可調(diào)參數(shù)，則直接作為常量輸入。

2.3燃燒系統(tǒng)優(yōu)化

為降低煤耗和NOx排放，以保證電站鍋爐整體運行效益，本文對煤耗和ρNOx引入權(quán)重系數(shù)采用遺傳算法對運行參數(shù)進行尋優(yōu)，使煤耗和ρNOx同時降低。

選取所研究電站的某個實際運行工況。該工況下模型預(yù)測ρNOx為282.11mg/m3，煤耗為90.346 2g/kwh。在Matlab環(huán)境下使用遺傳算法對優(yōu)化參數(shù)進行尋優(yōu)。遺傳算法尋優(yōu)過程中選擇不同的交叉概率會得到不同的最佳適應(yīng)度值，文中分析了[0, 1]交叉概率變化對最佳適應(yīng)度值的影響，如圖7所示。

圖7　交叉概率變化對最佳適應(yīng)度值的影響

由圖7可知，選擇交叉概率為0.4時可獲得最小最佳適應(yīng)度值。經(jīng)多次試驗，遺傳算法其他參數(shù)選擇種群規(guī)模為40，變異概率為0.2，迭代次數(shù)為100次，可調(diào)參數(shù)為16個。

2.4優(yōu)化結(jié)果討論

在不同權(quán)重系數(shù)下對優(yōu)化工況進行尋優(yōu)，經(jīng)多次仿真試驗比較可知，選擇α=0.5，β=0.5優(yōu)化結(jié)果最佳。優(yōu)化過程中各代最佳適應(yīng)度值變化如圖8所示，第52代優(yōu)化結(jié)束獲得本文最佳適應(yīng)度值。

圖8　最佳適應(yīng)度值變化示意

為對優(yōu)化前后的運行參數(shù)進行比較，將優(yōu)化工況最佳煤耗和ρNOx的鍋爐運行參數(shù)列于表3中。

表3　優(yōu)化結(jié)果對比

由表3可看出，優(yōu)化前后煤耗和ρNOx都有所下降，煤耗降低了8.52%，ρNOx降低了3.64%。其降低主要原因是優(yōu)化后一、二次風(fēng)量都有所減少，燃盡風(fēng)量有所增加，這使鍋爐主燃區(qū)形成局部的低氧富燃料區(qū)，這樣就抑制了NOx生成，使ρNOx排放有所下降。此時，主燃區(qū)上方形成富氧燃燒區(qū)使煤粉得以燃盡，從而使煤耗降低，這與空氣分級燃燒優(yōu)化理論相一致。

由上分析可知，在一定工況下，通過調(diào)整鍋爐可調(diào)參數(shù)能同時降低煤耗和ρNOx排放，即通過文中混合建模和遺傳算法優(yōu)化相結(jié)合，可找到同時降低煤耗和ρNOx的最優(yōu)運行參數(shù)組合，為提高鍋爐整體經(jīng)濟效益提供指導(dǎo)。

3結(jié)束語

減排降耗是提高電站鍋爐整體運行效益的根

本，針對當(dāng)今電站面臨的高煤耗、高污染現(xiàn)狀，文中提出了基于BP和ANFIS的電站鍋爐燃燒系統(tǒng)混合模型，并以煤耗排放與ρNOx為優(yōu)化目標(biāo)實現(xiàn)了基于GA的多目標(biāo)優(yōu)化，得到低耗、低污染的優(yōu)化操作參數(shù)。使用某電站鍋爐實際運行數(shù)據(jù)進行了仿真，并將優(yōu)化結(jié)果用于電站實際運行指導(dǎo)。結(jié)果顯示，文中提出的建模方法是有效的，并且采用遺傳算法尋優(yōu)使煤耗和NOx排放都有所下降。其最優(yōu)操作參數(shù)可指導(dǎo)電站操作人員進行實際操作，從而提高電站鍋爐整體運行效益。

參考文獻：

[1]劉定平，陳敏生，陸繼東.電站鍋爐高效低污染燃燒優(yōu)化控制系統(tǒng)設(shè)計[J].電力自動化設(shè)備，2006，26(05)： 46-50.

[2]呂玉坤，彭鑫，趙鍇.電站鍋爐熱效率和NOx排放混合建模與優(yōu)化[J].中國電機工程學(xué)報，2011，31(22)： 16-23.

[3]OUAZZANE A K, CASTAGNER J L, JONES A R, et al. Design of an Optical Instrument to Measure the Carbon Content of Fly Ash[J]. Fuel, 2002, 1(15): 1907-1911．

[4]王培紅，李磊磊，陳強，等.電站鍋爐NOx排放與效率的響應(yīng)特性模型[J].動力工程，2004，24(02)： 254-260.

[5]劉長良，孫曉嬌，劉站營.支持向量機在鍋爐飛灰含碳量軟測量中的應(yīng)用[J].電力科學(xué)與工程，2010，26(01)： 39-45.

[6]周昊，朱洪波，曾庭華.基于人工神經(jīng)網(wǎng)絡(luò)大型電廠飛灰含碳量建模[J].中國電機工程學(xué)報，2002，22(06)： 96-100．

[7]牛培峰，張密哲，陳貴林，等.自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)控制在鍋爐過熱汽溫控制中的應(yīng)用[J].動力工程學(xué)報，2011，31(02)： 115-120.

[8]韓寶如，邢益良，劉瑤利.基于Takagi-Sugeno 型自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷[J].電子質(zhì)量，2013(03)： 31-36.

[9]LIN Bihua, HAN Pu, WANG Dongfeng, et al. Control of Boiler-Turbine Unit Based on Adaptive Neuro-Fuzzy Inference System[C]//IEEE International Conference on Systems, Man and Cybernetics, 2003.

[10]YIN Chungen, LUO Zhongyang, NI Mingjiang, et al. Predicting Coal Ash Fusion Temperature with a Back Propagation Neural Network Model[J]. Fuel, 1998(77): 1777-1782.

[11]ILAMATHI P, SELLADURAI V, BALAMURUGAN K. ANN-GA Approach for Predictive Modeling and Optimization of NOxEmission in a tangentially Fired Boiler [J]. Clean Techn Environ Policy, 2013(15): 125-131.

[12]ZHANG Yi, DING Yanjun, WU Zhansong, et al. Modeling and Coordinative Optimization of NOxEmission and Efficiency of Utility Boilers with Neural Network[J]. Korean J Chem Eng, 2007, 24(06): 1118-1123.

[13]劉芳，張德珍，趙文杰.電站鍋爐燃燒系統(tǒng)的神經(jīng)網(wǎng)絡(luò)建模[J].電力科學(xué)與工程，2010，26(06)： 33-38.

Hybrid Modeling and Optimization of Power Plant Boiler Coal Consumption and NOxEmission

Liu shuo1, Qi Yongsheng1, Wang Lin1, Gao Xuejin2, Wang Pu2

(1. College of Electric Power, Inner Mongolia University of Technology, Hohhot, 010080, China;2. Electronic control School, Beijing University of Technology College, Beijing, 100124, China)

Abstract:The reduction of pollutant emissions and coal consumption are significant for today’s power plants to protect environment and save energy. Concerning for today’s high pollution and high coal consumption status, hybrid modeling method for power plant boiler is proposed based on power station boiler of BP and ANFIS. According to requirements of environment coordinated with energy saving for power station, a multi-objective optimization problem is presented with coal consumption and NOx emissions as goals. Genetic algorithm (GA) is adopted to optimize test conditions based on this model and optimization goal. Simulation experiment is conducted with actual boiler operation data acquired from one power plant. The results show optimal operation parameters obtained by optimization algorithm can meet both requirements of reducing coal consumption and pollutant emissions. The optimization targets of energy conservation and emissions reduction for power plant are realized.

Key words:power plant boiler; adaptive network based fuzzy inference system; carbon mass fraction in fly ash; coal consumption; NOx

中圖分類號：TP273

文獻標(biāo)志碼：B

文章編號：1007-7324(2016)01-0030-05

作者簡介：劉碩(1989—)女，在讀碩士研究生，研究方向為電站鍋爐建模與優(yōu)化。

基金項目：國家自然科學(xué)基金項目(61364009，21466026)；內(nèi)蒙古自治區(qū)自然科學(xué)基金項目(2015MS0615)；內(nèi)蒙古自治區(qū)高?？茖W(xué)研究項目(NJZY13121)。

稿件收到日期： 2015-11-12。