基于LIBSVM和智能算法的电站锅炉排烟温度优化

卢洪波，王金龙

(东北电力大学能源与动力工程学院，吉林吉林 132012)

目前，电站锅炉排烟温度的影响因素很多，预测和控制比较困难[1-3]，实际运行时依据经验和有限的调试结果难以将燃烧工况调整到最佳状态。而利用支持向量机对锅炉燃烧特性和对求解灰熔点问题进行建模对锅炉实际运行具有一定的指导意义。沈利等人利用遗传算法实现运行工况寻优从而获得锅炉燃烧优化的调整方式[4-8]，王春林等人利用遗传算法对支持向量机模型的参数进行了优化，获得了最优的模型参数，优化后的支持向量机模型实现了对单煤和混煤灰熔点较精确的预测[9-10]。蔡杰进和王春林等人应用支持向量机算法建立了燃煤电站锅炉飞灰含碳量特性的模型，并利用锅炉实际运行的数据对模型进行了校验，上述方法分析结果表明支持向量机比其他建模方法泛化能力强、计算速度快、预测精度高[11-12]。因此，本文运用改进的支持向量机算法，建立了某1 000 MW电站燃煤锅炉排烟温度与运行参数之间关系的模型，利用电厂实际运行数据训练和验证模型，并运用智能算法对模型优化，得出相应的参数调整策略，对指导电站锅炉运行有一定的参考价值。

1 超临界锅炉排烟温度的支持向量机模型

超临界锅炉排烟温度的支持向量机模型如图1所示，模型输入参数为给水流量、主蒸汽温度、给煤量、炉膛总风量等，这些参数反映了锅炉工况。给水温度对排烟温度的影响很大，给水温度降低，在省煤器处会增大省煤器的传热温压，增加省煤器的吸热量，降低排烟温度;给水温度增高，省煤器处的传热温压降低，吸热量减少，排烟温度升高。过热器一、二级减温水量不直接影响锅炉的排烟温度，但是，在现场调节中，减温水量的增大说明过热器中工质的吸热量大，烟气换热能力增强，从而在一定程度上降低了排烟温度。空预器漏风率对排烟温度的影响很大，空预器热端漏风会造成排烟温度升高，严重影响机组的安全运行。空预器的换热能力强，热风温度高，改善了炉膛内的燃烧状况，使飞灰含碳量、排烟温度降低，同时二次风量、各磨的一次风量的配比和炉膛风箱压力，对组织炉膛的空气动力场和燃烧热流密度在炉膛中的分配起到重要作用。考虑到电厂用煤在一段时间内不会改变，所以不将煤质因素考虑在内。

图1 排烟温度的支持向量机模型图

综合上述分析，将以上因素作为模型的输入参数，以排烟温度为输出参数建立模型:

由于核函数的选择对支持向量机回归分析具有一定的影响，因此本文选择高斯函数f(x)=ae-(x-b)2/c2作为核函数。分别取前40组数据作为训练样本，后33组数据作为验证样本，对支持向量机模型进行训练和验证，采用高斯函数进行回归分析，并应用选择好的参数对工况1进行预测。模型的不敏感损失函数参数e取为10-3，设定当训练误差ε＜10-5时停止训练，拉格朗日乘子上界C取为100，宽度d取为3。经训练和验证后，训练样本的均方误差为1.16%，验证样本的均方误差为1.33%。训练样本排烟温度计算值与实际值的比较如图2所示。

从图2可以看出，排烟温度的计算输出与实际输出非常接近，说明该模型能够正确的反映出输入量与输出量之间的非线性关系，能够应用于实际的工程预测。验证样本的最大相对误差为1.75%，平均相对误差为1.375%，满足工程实际要求。

图3为验证样本的相对误差曲线图，红色线为现场的实际运行数据，蓝色线为模型的计算数据。

从图3可以看出，除个别点误差相对大一点外，其他各个工况的模型计算数据与现场的实际运行数据非常稳合，说明该模型能够模拟锅炉内复杂的燃烧过程。

2 基于人工智能算法的排烟温度优化

应用支持向量机建模的目的是为了对系统进行优化，即以排烟温度为目标，在保证锅炉出力和安全运行的前提下调整燃烧工况的可调参数，使排烟温度达到最优值，定义优化目标为

式中f表示由已训练好的支持向量机所建立的映射关系。f可以表述为

式中:f为排烟温度;Xi为支持向量机输入层第i个变量;Xl为支持向量机训练样本;Ei为第i个输入变量的取值范围;δ为核参数;i=1，2，3……19，a、b分别为支持向量机的拉格朗日乘子和偏差量[7]。

针对排烟温度较高工况1进行优化，样本归一时有最大值和最小值，寻优范围就在最大值和最小值的基础上分别加减10%。为了保证负荷稳定，给水温度不宜过低，故在优化时限定给水温度的取值范围为257～296℃。另外，排烟温度过低会加重尾部烟道的低温腐蚀，排烟温度的取值范围应大于120℃。

利用人工智能算法进行排烟温度优化，初始化种群规模为20，最大进化代数为50，优化函数选择径向基函数f(x)=ae-(x-b)2/c2，寻优流程如图4所示。

图4 智能算法寻优流程图

经过计算，优化排烟温度至124.85℃，该工况下的运行参数调整情况如表1所示。从表1可以看出，对于此优化工况，运用遗传算法优化后的排烟温度为129.29℃，比原始值降低了8.31℃，而运用粒子群算法和微分进化算法优化后的排烟温度值为124.85℃，比原始值降低了12.75℃，后两种方法比遗传算法优化效果更好。运用相应的参数调整策略，能够提高底层燃烧器所对应的A磨的一次风量，降低顶层燃烧器所对应的C磨和D磨的一次风量，使整个火焰中心下移、炉膛内的辐射换热增加、炉膛出口烟气温度减小，最后达到降低排烟温度的结果。在此基础上，降低烟气含氧量、给水温度、二次风量，也能降低排烟温度。

表1 优化后的参数调整情况表

图5是3种优化方法对排烟温度的寻优过程图。从图5可以看出，遗传算法的寻优过程曲线比较平缓，达到最大进化代数时的寻优结果为129.29℃，寻优过程耗时比较长，优化结果不理想，不适合在线优化。然而，粒子群算法和微分进化算法的寻优过程曲线前期下降非常明显，在进化代数达到19代左右即寻得最优排烟温度，速度非常快，非常适合在线进行优化。相比于粒子群算法，微分进化算法的优化效果更好，寻优曲线趋于稳定的过程更快。

图5 GA、PSO、DE算法的寻优过程图

3 结论

1)运用改进的支持向量机算法建立了某1 000 MW电站燃煤锅炉排烟温度与运行参数之间关系的模型，训练样本的均方误差为1.16%，验证样本的均方误差为1.33%，误差表明模型能够将电站锅炉排烟温度与运行参数之间的复杂关系、系统内的相互耦合关系准确表达出来，可以应用于排烟温度的预测。

2)采用智能算法对模型进行优化，得出参数调整策略:提高底层燃烧器所对应的A磨煤机的一次风量，降低顶层燃烧器所对应的C、D磨煤机的一次风量，可以使整个火焰中心下移，使炉膛内的辐射换热增加，炉膛出口烟气温度减小，最后达到降低排烟温度的结果。

3)比较微分进化算法、粒子群算法和遗传算法，微分进化算法的优化效果最好，趋于稳定的过程最快，是3种算法中最优的。粒子群算法虽然最终优化结果与微分进化算法相同，但所需时间比较长，遗传算法无论从最终结果还是优化所需时间都是最差的;如果用于在线优化，微分进化算法是不错的选择。

[1]沈利，杨建国，赵虹.基于燃煤特性的电站锅炉排烟温度预测模型研究[J].热力发电，2011，40(7):19-23.

[2]Hoi Ming Chi，Okan K.Ersoya，Herbert Moskowitz，et al.Modeling and optimizing a vendor managed replenishment system using machine learning and genetic algorithms[J].European Journal of Operational Research，2007，18(5):174-193.

[3]佐双吉.回转式空气预热器漏风改造[J].热力发电，2007，12(4):44-48.

[4]费洪晓，黄勤径，戴戈，等.基于SVM与遗传算法的燃煤锅炉燃烧多目标优化系统[J].计算机应用研究，2008，25(3):811-813.

[5]Kalogirou S A.Artificial intelligence for the modeling and control of combustion processes:a review[J].Progress in Energy and Combustion Science，2003，29(6):515-566.

[6]刘定平，蔡泓铭，叶向荣.基于LSSVM-MODE的锅炉效率与NOx排放优化研究[J].热力发电，2010，39(7):23-26.

[7]刘定平，肖蔚然.应用最小二乘支持向量机和混合遗传算法的制粉系统优化控制[J].动力工程，2007，27(5):728-731.

[8]魏辉，陆方，罗永浩，等.燃煤锅炉高效、低NOX运行策略的研究[J].动力工程，2008，28(3):361-366.

[9]王春林，周昊，李国能，等.基于支持向量机与遗传算法的灰熔点预测[J].中国电机工程学报，2007，27(8):11-15.

[10]赵显桥，吴胜杰，何国亮，等.支持向量机灰熔点预测模型研究[J].热能动力工程，2011，26(4):436-439.

[11]蔡杰进，马晓茜.基于SVM的燃煤电站锅炉飞灰含碳量预测[J].燃烧科学与技术，2006，12(4):312-317.

[12]王春林，周昊，周樟华，等.基于支持向量机的大型电厂锅炉飞灰含碳量建模[J].中国电机工程学报，2005，25(24):72-76.