CFB 鍋爐燃燒系統(tǒng)預測模型及優(yōu)化

閆 睿 ，鄧雨生 ，梁樹雄 ，王世川 ，鄒斌斌 ，樓 波

（1.華南理工大學 電力學院，廣東 廣州 510641；2.中國石化集團茂名石油化工有限公司，廣東 茂名525000）

循環(huán)流化床鍋爐的燃燒效率以及NOx的排放和一次風量、二次風量、燃料量、煤料種類等[1]有關。 電廠面臨著提高發(fā)電效率以及降低廢氣排放的兩大任務。建立鍋爐燃燒預測模型，對不同工況下鍋爐燃燒效率以及NOx排放進行預測以及優(yōu)化調(diào)參， 用來指導鍋爐的經(jīng)濟運行成為當下研究的重點和熱點之一。近年來，計算機技術不斷發(fā)展，同時，人工智能算法也在工業(yè)中很多領域得到了發(fā)展， 這使得燃燒優(yōu)化運行變?yōu)榱丝尚小?/p>

很多學者對傳統(tǒng)燃煤鍋爐以及循環(huán)流化床鍋爐燃燒系統(tǒng)進行了建模， 并對不同鍋爐參數(shù)進行了預測。葉海文[2]、馬寶萍[3]、康之霞[4]等人對循環(huán)流化床鍋爐以人工智能算法為基礎進行建模， 成功預測了鍋爐床溫， 證明了人工智能算法技術可以在鍋爐燃燒系統(tǒng)中得到應用；吳恒運[5]、彭道剛[6]、曹慶才[7]等人以神經(jīng)網(wǎng)絡和其他人工智能算法為基礎對傳統(tǒng)煤粉鍋爐燃燒系統(tǒng)不同參數(shù)進行了建模并做出了優(yōu)化；李鵬輝[8]采用了基于BP 神經(jīng)網(wǎng)絡的方法對燃煤鍋爐的NOx排放進行了預測；王凱[9]、白建云[10]等人使用BP 神經(jīng)網(wǎng)絡方法對CFB 鍋爐NOx排放量進行了預測建模；李國強[11]、李少華[12]、王杰[13]、王耿杰[14]等人利用不同的人工智能算法對鍋爐燃燒系統(tǒng)進行了優(yōu)化控制。

盡管前人利用神經(jīng)網(wǎng)絡和其他算法對燃煤鍋爐效率和NOx排放進行了研究， 但是對循環(huán)流化床鍋爐效率和污染物的排放同時進行預測并優(yōu)化運行參數(shù)研究不多， 且本文中在優(yōu)化時的目標函數(shù)中用飛灰含碳量值代替了傳統(tǒng)的鍋爐效率，簡化了模型。本文中選取的12 個輸入?yún)?shù)均為某廠循環(huán)流化床鍋爐實際運行參數(shù)，預測輸出兩個，分別是飛灰含碳量和NOx排放量， 建立了GA-BP 鍋爐燃燒預測模型，在預測模型的基礎上， 使用遺傳算法對鍋爐參數(shù)進行了優(yōu)化，目的在于使鍋爐高效低污染運行。

1 研究對象

研究對象為美國福斯特·惠勒公司制造的緊湊型CFB 鍋爐，額定蒸發(fā)量410 t/h，型號為FW-410-12.5-530-CCFB，采用自然循環(huán)，單汽包、單爐膛、平衡通風、半露天的布置。 單爐膛整體為“褲腳”型，從下到上爐膛結(jié)構可依次分為密相區(qū)、 過渡區(qū)和稀相區(qū)。密相區(qū)下部水冷壁上，開有許多循環(huán)流化床鍋爐所需的特殊門孔，其中包括前墻4 個給煤口，4 個石灰石噴入口， 前后墻共計13 個一次風口和16 個二次風口，另一部風從底部布風板風帽進入；過渡區(qū)至稀相區(qū)爐膛內(nèi)部有七道防磨梁； 密相區(qū)鍋爐尾部出口位置靠近爐膛兩側(cè)墻，為矩形，兩個旋風分離器把爐膛出口與后墻回料口連接起來。 本循環(huán)流化床簡單物理結(jié)構模型如圖1 所示。

本研究樣本容量、 樣本工況的遍歷性直接決定模型的真實性和準確性， 故在收集樣本數(shù)據(jù)時選擇該電廠中額定負荷條件下450 組工況數(shù)據(jù)， 其中400 組工況為訓練集，50 組工況為測試集，以確保數(shù)據(jù)量豐富且能夠反映實際工況。

圖1 循環(huán)流化床鍋爐物理結(jié)構示意圖

2 CFB 鍋爐燃燒系統(tǒng)預測模型

2.1 飛灰含碳量以及NOx 排放的預測模型

影響鍋爐效率的因素很多， 但是較為重要的參數(shù)是飛灰含碳量， 可以用這個參數(shù)作為衡量鍋爐燃燒效率的一個重要指標，NOx是礦物燃料在空氣中高溫燃燒過程所產(chǎn)生的， 鍋爐燃燒過程中NOx的排放和煙氣含氧量、風量、給煤量等鍋爐運行的參數(shù)有關。 在鍋爐效率提高的同時，考慮降低NOx的排放，是循環(huán)流化床鍋爐燃燒的控制目標。

BP 神經(jīng)網(wǎng)絡是一種多層的前饋的神經(jīng)網(wǎng)絡，特點在于誤差能夠逆向傳播進行訓練， 具有很強的多維函數(shù)映射能力， 循環(huán)流化床鍋爐則具有多變量以及多耦合的特點，這一特點恰好能得到解決。本文燃燒預測模型中，輸入?yún)?shù)m 共計12 個，分別是主蒸汽壓力、給水溫度、主蒸汽溫度、一次風溫度、一次風風壓、二次風風壓、二次風溫度、一次風總量、二次風總量、省煤器出口煙溫、煤料量以及固定碳，輸出參數(shù)n=2 為飛灰含碳量和NOx排放， 燃燒系統(tǒng)神經(jīng)網(wǎng)絡模型如圖2 所示。

2.2 神經(jīng)網(wǎng)絡模型的遺傳算法優(yōu)化

雖然BP 神經(jīng)網(wǎng)絡在化工、能源等諸多領域應用廣泛， 但同時存在著學習速度慢以及容易陷入局部最優(yōu)的缺點， 神經(jīng)網(wǎng)絡中的隱含層的確定可以由經(jīng)驗公式作為參考（在本文中 m=12，n=2，a 可以取1~9 的常數(shù)）， 但是并不能作為絕對的依據(jù)， 模型預測準確和網(wǎng)格訓練成功依賴于整個網(wǎng)絡結(jié)構的確定、初始的閾值和權值。遺傳算法可以對上述問題解決， 遺傳算法是模擬自然界選擇的一種優(yōu)化算法， 神經(jīng)網(wǎng)絡的權值初始值和閾值初始值可以由遺傳算法進行優(yōu)化，模型預測也會較為精確。遺傳算法對神經(jīng)網(wǎng)絡權值和閾值的優(yōu)化如圖3 所示。

圖2 鍋爐燃燒系統(tǒng)神經(jīng)網(wǎng)絡模型示意圖

圖3 遺傳算法對神經(jīng)網(wǎng)絡的權值和閾值的優(yōu)化過程示意圖

2.3 GA-BP 神經(jīng)網(wǎng)絡模型仿真

在Matlab 軟件中進行模擬仿真之前要對輸入?yún)?shù)以及輸出參數(shù)進行歸一化處理， 使得所有參數(shù)的值都在[0，1]之間，原因在于這些參數(shù)在數(shù)量級上差異很大，歸一化處理后讀取數(shù)據(jù)進行仿真操作，遺傳算法優(yōu)化時選擇輪盤賭法以及最優(yōu)個體保留法，輸入節(jié)點至隱含節(jié)點選擇tansig 函數(shù)， 隱含節(jié)點至輸出節(jié)點選擇purelin 函數(shù)，此外訓練誤差為0.001，學習速率為0.1。通過上述經(jīng)驗公式不斷測試不同隱含節(jié)點下的誤差情況， 發(fā)現(xiàn)隱含層為22 時誤差最小，于是確定該BP 神經(jīng)網(wǎng)絡結(jié)構為12-22-2；遺傳算法優(yōu)化神經(jīng)網(wǎng)絡中，種群大小規(guī)模為100，最大遺傳代數(shù)為100，交叉概率為0.95，變異概率為0.1，適應度函數(shù)是誤差平方和的倒數(shù)，如圖4 所示。可以看出適應度值在不斷增加， 且在代數(shù)70 后趨于穩(wěn)定，即誤差平方和不斷減小，不斷趨于平穩(wěn)，同時說明遺傳算法的代數(shù)等設置合理。

圖4 適應度函數(shù)值和代數(shù)之間的關系圖

預測仿真結(jié)果如圖5、圖6 所示，仿真結(jié)果參數(shù)飛灰含碳量和NOx排放均進行了相對誤差對比和絕對誤差對比， 飛灰含碳量預測輸出和期望輸出最大絕對誤差為0.31%，相對誤差均在5%以內(nèi)，其中最大值為4.8%， 平均相對誤差3.3%；NOx排放量預測輸出和期望輸出絕對誤差最大值為3.2 mg/m3，相對誤差均在5%以內(nèi)，其中最大值為4.7%，平均相對誤差3.2%。 由此可見該GA-BP 網(wǎng)絡模型擬合度很好，能夠較準確地預測飛灰含碳量以及NOx排放量，為下一步鍋爐燃燒參數(shù)的優(yōu)化打下了基礎。

3 鍋爐燃燒參數(shù)優(yōu)化的實現(xiàn)

3.1 設計優(yōu)化函數(shù)

上述預測模型的建立為本節(jié)優(yōu)化打下了基礎，循環(huán)流化床鍋爐多目標優(yōu)化的目的是提高鍋爐燃燒效率和降低NOx排放， 考慮鍋爐熱效率的同時也要注重NOx的排放，本文采用公式（1）作為目標函數(shù)：

式中：D 為飛灰含碳量的歸一化值；CNOx為NOx的歸一化值，所取范圍均為[0，1]，二者都由上述GA-BP 神經(jīng)網(wǎng)絡燃燒預測模型得到；a、b 表示權重， 取決于燃燒優(yōu)化過程中對燃燒效率和低污染排放的關注度。

圖5 GA-BP 網(wǎng)絡飛灰含碳量仿真結(jié)果及其誤差圖

圖6 GA-BP 網(wǎng)絡NOx 排放量仿真結(jié)果及其誤差圖

由于影響循環(huán)流化床鍋爐效率的主要因素之一是飛灰含碳量， 選擇飛灰含碳量作為尋優(yōu)的評價參量代替了傳統(tǒng)的鍋爐效率，這一舉措可以簡化模型，優(yōu)化函數(shù)中的飛灰含碳量參數(shù)可以直接使用上述GA-BP 神經(jīng)網(wǎng)絡模型的輸出值，循環(huán)流化床鍋爐燃燒系統(tǒng)優(yōu)化如圖7 所示。

3.2 遺傳算法優(yōu)化

圖7 循環(huán)流化床鍋爐燃燒優(yōu)化示意圖

對于上述設計的優(yōu)化函數(shù)， 本文采用遺傳算法進行參數(shù)尋優(yōu)。 同時兼顧爐效和低污染，故式（1）中取權重a=b=0.5，設置整個種群規(guī)模數(shù)量100，最大進化代數(shù)為50，變異概率為0.1，交叉概率為0.4。 選擇GA-BP 神經(jīng)網(wǎng)絡中的9 個輸入?yún)?shù)作為燃燒優(yōu)化參量（由于試驗時以及鍋爐日常運行時均為額定負荷運行，故主蒸汽壓力、主蒸汽溫度、給水溫度不在優(yōu)化運行參數(shù)內(nèi)），優(yōu)化過程中的數(shù)據(jù)均為歸一化以后的數(shù)據(jù)，優(yōu)化結(jié)束后轉(zhuǎn)換為實際值，9 個輸入?yún)⒘康膬?yōu)化區(qū)域為該樣本之前的10 個樣本和未來5 個樣本所構成的集合。 圖8 為遺傳算法優(yōu)化循環(huán)流化床鍋爐運行參數(shù)示意圖。

選取50 組測試集樣本數(shù)據(jù)進行優(yōu)化，結(jié)果對比如圖9 所示。可以看出，雖然有部分的優(yōu)化結(jié)果并不完美（飛灰含碳量或NOx排放的優(yōu)化值大于實際輸出值），但是從整體上分析，循環(huán)流化床飛灰含碳量和NOx排放都得到了優(yōu)化， 可以通過調(diào)整系數(shù)a、b 來實現(xiàn)飛灰含碳量和NOx排放的不同權重。

4 工業(yè)試驗

圖8 遺傳算法優(yōu)化循環(huán)流化床鍋爐運行參數(shù)示意圖

為了能夠驗證優(yōu)化的結(jié)果， 選取一組高飛灰含碳量（8.79%）和高 NOx排放量（74.1 mg/m3）的優(yōu)化結(jié)果在本循環(huán)流化床鍋爐進行了工業(yè)試驗， 在額定負荷的條件下，運行參數(shù)為優(yōu)化后的輸入?yún)⒘浚玫斤w灰含碳量以及NOx排放量的數(shù)據(jù)。 通過表1 可以看出：一次風風溫、二次風風溫、總一次風、總二次風均有下降，其中總一次風下降比較明顯；一次風、二次風風壓有小幅上升?？傄淮物L風量下降后，會導致爐內(nèi)密相區(qū)溫度升高，間接造成燃燒效率提高；總二次風量下降，導致爐內(nèi)氧量減少，NOx生成量也減少。

圖9 飛灰含碳量以及NOx 排放原期望輸出與優(yōu)化輸出對比圖

表1 優(yōu)化前后結(jié)果以及和試驗值的對比

5 結(jié)論

（1）建立了以飛灰含碳量和NOx排放量為組合的CFB 鍋爐燃燒預測模型，以飛灰含碳量代替循環(huán)流化床鍋爐效率作為參數(shù)簡化了模型， 以飛灰含碳量和NOx排放量的線性組合為優(yōu)化目標。

（2）對該 410 t/h 循環(huán)流化床（CFB）鍋爐的燃燒系統(tǒng)進行了建模， 優(yōu)化后一組試驗運行結(jié)果飛灰含碳量從 8.79%降低至 7.98%，NOx排放量降低了15.4%，實現(xiàn)了高效低污染燃燒的目標。

（3）該優(yōu)化可以在保證鍋爐發(fā)熱量的基礎上，以飛灰含碳量和NOx排放量的線性組合為優(yōu)化目標，使用遺傳算法對所建立的循環(huán)流化床鍋爐燃燒模型輸入量中的可調(diào)變量在可變化的范圍內(nèi)進行尋優(yōu)，得到參數(shù)最終的組合， 使得最后優(yōu)化的目標函數(shù)值最小，即可以滿足鍋爐效率達到最大的同時，NOx的排放量最小， 可以在一定程度上指導該鍋爐的優(yōu)化運行，具有實際意義。