基于炉膛参数场测量和支持向量机的电站锅炉燃烧状况评价

刘　千，王东风，2，韩　璞，2

基于炉膛参数场测量和支持向量机的电站锅炉燃烧状况评价

刘千1，王东风1，2，韩璞1，2

（1.河北省发电过程仿真与优化控制工程技术研究中心（华北电力大学），河北保定071003；2.华北电力大学自动化系，河北保定071003）

电站锅炉燃烧的稳定性和经济性是锅炉燃烧状况评价的重要组成部分，及时准确地评价能指导燃烧优化运行。为此，该文提出一种基于炉膛参数场测量和支持向量机的电站锅炉燃烧状况评价方法，通过分析炉膛参数对锅炉燃烧稳定性和经济性的影响，建立电站锅炉燃烧的稳定性和经济性评判支持向量机模型，并根据炉膛参数测量数据对模型进行校验。以某680MW燃烧机组锅炉为例进行实测，结果表明：该方法能够对任意工况下的锅炉燃烧稳定性和经济性进行客观有效地评判，计算速度快，能够在线指导锅炉燃烧的优化运行。

电站锅炉；参数测量；燃烧评价；支持向量机

doi：10.11857/j.issn.1674-5124.2015.09.002

0　引言

近年来，我国经济的发展加快了对电力的需求，未来相当长的一段时间内燃煤发电仍将是我国最重要的发电方式［1］。但是，随着能源、环境问题的日益突出以及电力系统对发电品质的要求日益苛刻，迫使各发电企业积极采取有效措施来提高机组运行的稳定性和经济性，其稳定性和经济性也是电厂节能的重要因素，能够切实提高发电企业的经济效益［2］。因此，无论是对电力监管部门还是各发电集团来讲，拥有一套客观有效的火电机组锅炉燃烧状况评价方法具有重大的现实意义。

锅炉燃烧的稳定性和经济性是电站锅炉燃烧状态评价的重要组成部分，合理的评价结果能够指导机组优化运行。锅炉燃烧的稳定性是机组正常运行的前提和保障。锅炉燃烧是一个多变量、强耦合的非线性过程，煤粉燃烧过程中的不稳定将引起蒸汽参数波动，进而影响整个机组的发电品质。当炉膛温度过高或者火焰中心发生偏斜时，将引起水冷壁、炉膛出口受热面结渣，导致管壁超温，增加爆管的风险；炉内温度过低或炉膛一、二次风配合不当时，将影响煤粉的着火和正常燃烧，会造成炉膛灭火或者爆燃等事故的产生，严重影响机组运行的安全性。锅炉燃烧的经济性则主要是考虑降低污染物的排放以及提高锅炉的热效率，从而提高锅炉的环境效益，节省发电企业的环保投入。锅炉燃烧的稳定性与经济性相辅相成，通过评判锅炉燃烧状况，能为指导锅炉燃烧提供参考，减少氮氧化物的排放，提高锅炉效率，保证锅炉运行的稳定和经济。

目前，众多学者对电站锅炉燃烧的稳定性和经济性进行了广泛研究，燃烧稳定性的研究基本上是通过测量煤粉燃烧的火焰特征信号，如火焰亮度、光谱和强度等，对其进行频谱分析等数学处理，从而判断锅炉燃烧稳定性［3-4］；近年来，随着火焰图像监控系统的在电站锅炉上的广泛应用，结合神经网络、粗糙集等理论来完成对锅炉燃烧稳定性的判别［5-7］。对电站锅炉经济性的研究则拘泥在锅炉最优氧量值确定这一主要问题上，根据锅炉的配风方式以及锅炉运行历史数据建立锅炉燃烧的最优氧量模型，从而确定最佳氧量值［8］。笔者基于炉膛激光测量系统得到的炉膛参数场数据，通过构建二级模糊综合评判模型，对任意工况下的锅炉燃烧稳定性和经济性做出评判，效果明显［9］。

为此，本文直接基于得到的炉膛参数测量数据，利用支持向量机分别建立电站锅炉燃烧的稳定性和经济性评价模型，并结合文献［9］中的策略得到的评判结果对该模型进行训练，最后借助于该机组的历史运行工况数据，将本文所提出的评价策略与文献［9］的评价策略进行对比分析，验证本文评价策略的有效性。

1　炉膛参数场及其测量手段

1.1锅炉燃烧状况评价的关键参数

炉膛参数是反映锅炉燃烧组织是否合理的直接过程量，它是进行锅炉燃烧稳定性和经济性评判的数据支撑，通过对炉膛参数数据的分析和处理，能够评判出当前锅炉的燃烧状况，从而有效合理地指导锅炉燃烧，使锅炉在最佳工况负荷下运行。衡量电站锅炉燃烧稳定性和经济性的3个关键炉膛参数为炉膛温度、炉内O2浓度和炉内CO浓度。

炉膛温度是锅炉燃烧稳定性与经济性的最直接反应；炉内O2浓度对炉膛煤粉充分燃烧、提高锅炉运行经济性、控制锅炉氮氧化物排放以及防止高温腐蚀意义重大；炉内CO浓度与锅炉高温腐蚀关系密切，同时又能直观反映炉内煤粉是否处于缺氧燃烧状态，为锅炉配风提供指导。当炉膛温度低时，煤粉得不到充分燃烧，飞灰含碳量增加，导致锅炉效率下降，未燃尽的煤粉颗粒还会造成过热器、省煤器的磨损；当炉膛温度过高时，热力型NOx生成量急剧增加，氮氧化物排放增多，同时还会发生高温腐蚀现象。当炉内O2浓度过低时，此时煤粉处于缺氧状态，炉内形成还原性气氛，会加剧水冷壁结焦和管道高温腐蚀，同时煤粉燃烧不充分，不完全燃烧热损失增大，烟气飞灰含碳量高，导致锅炉效率降低；当炉内O2浓度过高时，会导致排烟热损失大，同样会造成锅炉效率下降，增加引风机电耗，降低了全厂的经济效益。当炉内CO浓度高时，煤粉处于缺氧燃烧状态，煤粉燃尽率低，烟气飞灰含碳量高，锅炉效率降低。在进行电站锅炉燃烧稳定性和经济性评判时，需要权衡3个关键炉膛参数之间的牵制与矛盾，进而提高锅炉效率，降低污染物排放，延长锅炉运行寿命。

1.2关键炉膛参数测量手段

关键炉膛参数的准确测量是准确评判锅炉燃烧稳定性和经济性的前提和保障，由于受炉膛参数测量手段的限制，炉膛温度精确测量技术和气体浓度测量技术缺乏，严重制约了对锅炉燃烧状态的有效评判［10-11］。而基于激光光谱的炉膛参数测量技术的出现解决了这一瓶颈，其核心是可调谐二极管激光吸收光谱技术（TDLAS），该技术通过扫描空间内气体吸收谱线的方式来实现对空间气体的在线测量，受气体环境影响小，具有高可靠性和反应速度快的特点，能够实现炉膛温度与气体浓度的同时测量［12］。

基于激光光谱的炉膛参数测量技术，其测量温度和气体浓度遵循Beer-Lambert定律：

式中：It——激光穿过被测气体后的强度；

I0——激光的基准强度；

P——气体总压力；

ω——待测气体组分浓度；

L——吸收路径长度；

Φ（ν）——线型函数，用于描述测试气体吸收谱线的形状，反映了光谱吸收率随波长改变而发生的相对变化；

S（T）——所用谱线在温度T时的谱线强度，与参考温度T0=296K时的谱线强度S（T0）存在相应的函数关系，S（T0）的大小可以通过HITRAN光谱数据库得到。

本文电站锅炉炉膛参数激光测量系统由12条光栅交错组成，安装在炉膛折焰角下方（约49.6m高度处），激光从发射器射出，在炉膛的另一端，接收器接收激光，称为一条测量路径，每条测量路径可以同时测量温度、O2浓度和CO浓度。在该测量系统中共有12条路径（东西向、南北向各6条，如图1所示，1S～12S为激光测量装置发射端，1R～12R为激光测量装置接收端），将炉膛处的水平断面划分为若干个测量区域，测量数据每分钟更新一次，每次测量能够得到12组数据。

图1　炉膛参数激光测量截面图

2　基于SVM的燃烧状况评价

2.1支持向量机回归算法

支持向量机（support vector machine，SVM）采用最优分类面的方法，将分类问题转化为一个凸二次规划问题，应用拉格朗日函数对其求解，得到全局最优点，解决了神经网络中的局部极小值问题。而且因其训练时间短、计算速度快、结果更具确定性，适合在线应用。目前在信号处理、系统辨识与建模、数据预测等领域得到了广泛应用［13-17］。

运用于回归问题时算法如下：

已知样本集合｛（xi，yi），…，（xl，yl），i=1，2，…，l｝，其中输入矢量xi∈Rn，输出yi∈R。要寻找一个函数f（x），使得对于任意的未知输入x可以用该函数计算得到对应的y值。

以非线性回归问题为例，支持向量机回归算法的目标函数表示为

其中非线性变换φ（·）将n维向量空间中的向量x映射到高维特征空间中，ω为权重向量，b为偏置项。假设所有训练样本都可以在精度ε下无误差地使用上述目标函数来拟合，则有：

上述回归问题转化为求解如下带约束优化问题。

约束条件为

式（4）中C为惩罚系数，i=1，2，…，l，它将在函数的平坦性和允许的经验误差间寻求一个平衡。考虑到允许拟合误差的情况，引入了松弛变量ξi和ξi*。

引入非负拉格朗日乘子αi，αi*，根据KKT（Karush-Kuhn-Tucker）条件，同时引入核函数，上述问题可转化为如下式所示的对偶问题：

约束条件为

利用二次规划方法求解该问题，得到回归函数为

式中K（x，xi）=φ（x）·φ（xi）为满足Mercer条件的核函数。可见，虽然φ（·）将样本数据非线性映射到高维的特征空间，但在回归函数中并不需要显式地计算该映射，而是用核函数替代，避免了高维特征空间可能引起的维数灾难问题。

2.2基于SVM的锅炉燃烧状态评价系统

本文所建立的基于炉膛参数场测量和SVM的电站锅炉燃烧状况评判系统如图2所示。在离线学习状态下，首先根据炉膛参数激光测量系统获得的关键炉膛参数数据，得到炉膛参数场重建二维图像，然后通过图像处理，利用文献［9］中的二级模糊综合评判方法得到不同运行工况下的锅炉燃烧稳定性和经济性评判结果，作为锅炉燃烧稳定性和经济性的SVM模型的训练样本。通过训练分别得到锅炉燃烧稳定性的SVM评判模型和锅炉燃烧经济性的SVM评判模型，在线应用时，将通过炉膛参数激光测量系统得到的实时运行工况的关键炉膛参数数据输入到先前训练好的2个支持向量机模型中，便可以得到当前运行工况的锅炉燃烧稳定性和经济性评判结果。

图2　基于炉膛参数场测量和SVM的燃烧状况评判系统

本文建立的电站锅炉燃烧稳定性和经济性的SVM模型（分别建立）如图3所示，具有12个输入量，分别对应炉膛参数激光测量系统获得的12条测量路径上的温度、炉内O2浓度、炉内CO浓度。一个输出量为锅炉燃烧稳定性评判值（或者是锅炉燃烧经济性评判值）。

在建立SVM模型的过程中，有两类参数将影响模型的性能，一类是SVM的参数C和ε，一类是与核函数有关的参数。本文选择径向基（RBF）核函数（见式（9））作为SVM模型的核函数。RBF核函数是一个普适的核函数，通过合理的参数选择，可用于任意分布的样本，因此在SVM的研究与应用中，它成为最常用的一个核函数。

式中：xi——RBF函数的中心，并且每个RBF函数中心

对应一个支持向量；

σ——函数的宽度参数。

图3　锅炉燃烧稳定性（经济性）支持向量机模型

3　实例分析

将本文方法用于国内某680MW燃煤机组的锅炉燃烧稳定性和经济性评判。该锅炉为超临界单次再热控制循环锅炉，采用四角切圆燃烧方式，配备6台磨煤机，对应6层煤粉燃烧器，每层4只喷嘴。炉膛参数激光测量装置是由美国佐炉科技公司与斯坦福大学高温气体动力学实验室联合开发的ZoloBOSS系统。首先根据文献［9］中的二级模糊综合评判方法对不同工况下的锅炉燃烧稳定性和经济性进行判断，将得到的评判结果连同此工况下12条测量路径上获得的数据对SVM模型进行训练，进而分别得到电站锅炉燃烧的稳定性和经济性2个SVM模型。在训练的过程中，确定C和σ的搜索区间分别为（200，500）和（0，0.02），设定ε=0.0001。采用遗传算法对C和σ进行优化，目标函数设定为求解样本均方误差的最小值，遗传算法的群体规模选为60，杂交概率为0.8，变异概率为0.2，进化代数上限为1000代。通过遗传算法得出的锅炉燃烧稳定性SVM模型最优参数为：C=251，σ=0.0113，迭代次数为362；锅炉燃烧经济性支持向量机模型最优参数为：C=229，σ=0.0107，迭代次数为421。根据得到的2个SVM评判模型对锅炉5个历史工况的燃烧状态进行评判，并与文献［9］中采用二级模糊综合评判策略所取得的评判结果进行对比分析。

由图4和图5可知，基于SVM的锅炉燃烧状况评判结果为：工况1的稳定性处于第II等级状态（I级状态最佳，V级状态最差），经济性处于第II等级状态；工况2稳定性处于第IV等级状态，经济性处于第IV等级状态；工况3稳定性处于第IV等级状态，经济性处于第V等级状态；工况4稳定性处于第II等级状态，经济性处于第II等级状态；工况5稳定性处于第III等级状态，经济性处于第II等级状态。与文献［9］中采用二级模糊综合评判方法获得的燃烧稳定性和经济性评判结果完全一致，基于SVM的电站锅炉燃烧稳定性评判最大误差为3.85%，燃烧经济性最大误差为5.17%；在配备Intel双核处理器E5400，内存2G的PC机上对历史运行工况进行评判对比，采用文献［9］中二级模糊综合评判策略获得工况评判结果的平均时间为11.8s，而本文基于炉膛参数场和SVM模型的评判策略获得工况评判结果的时间为0.01 s，大大提高了计算速度，更适于在线应用。

4　结束语

本文提出了一种基于炉膛参数场测量和SVM的电站锅炉燃烧稳定性和经济性评判方法。通过采用SVM建立锅炉燃烧状况评判模型并结合遗传算法对模型进行参数寻优，将炉膛参数激光测量系统获得的数据连同经由二级模糊综合评判策略获得的评判结果作为训练样本对模型进行训练和检验。实验结果表明，该方法能够对任意工况下的电站锅炉燃烧状态进行客观有效评判，计算速度快，更适于在线工作，可为在线调整锅炉燃烧提供参考。

图4　锅炉燃烧稳定性评判

图5　锅炉燃烧经济性评判

［1］蒋敏华，黄斌．燃煤发电技术发展展望［J］．中国电机工程学报，2012，32（29）：1-8．

［2］Zhou H，Zhao J P，Zheng L G，et al．Modeling NOxemissions from coal-fired utility boilers using support vector regression with ant colony optimization［J］．Engineering Applications of Artificial Intelligence，2012，25 （1）：147-158．

［3］蔡小舒，季琨，苏明旭，等．基于光谱分析的煤粉火焰复合判据和燃烧诊断研究［J］．中国电机工程学报，2004，24（1）：211-215．

［4］马骏，余岳峰，范浩杰．基于频谱分析和自组织神经网络的火焰燃烧诊断研究［J］．动力工程，2004，24（6）：852-856．

［5］刘禾．基于火焰图像和模糊神经网络的锅炉燃烧稳定性判别［J］．仪器仪表学报，2008，29（6）：1280-1284．

［6］谢刚，王理飞，谢克明．基于火焰图像特征和粗糙集理论的燃烧诊断系统［J］．测试技术学报，2006，20（3）：230-235．

［7］Bae H，Kim S，Wang B H，et al．Flame detection for the steam boiler using neural networks and image information in the Ulsan steam power generation plant［J］．IEEE Transactions on Industrial Electronics，2006，53（1）：338-348．

［8］刘吉臻，牛成林，李建强，等．锅炉经济性分析及最优氧量的确定［J］．动力工程，2009，29（3）：245-249．

［9］王东风，刘千，赵文杰，等．基于炉膛参数场测量的电站锅炉燃烧稳定性和经济性状态模糊综合评判［J］．动力工程学报，2015，35（6）：76-83．

［10］胡主宽．锅炉炉膛温度场测量技术研究现状与发展趋势探讨［J］．中国测试，2015，41（4）：5-9．

［11］王东风，刘千．电站锅炉炉膛温度测量技术发展［J］．中国测试，2014，40（3）：8-12．

［12］Li N，Weng C S．Gas concentration and temperature reconstruction by genetic simulated annealing algorithm based on multi-wavelengths diode laser absorption spectroscopy［J］．Acta Physica Sinica，2010，59（10）：6914-6920．

［13］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（20）：72-76．

［14］Gu Y P，Zhao W J，Wu Z S．Online adaptive least squares support vector machine and its application in utility boiler combustion optimization systems［J］．Journal of Process Control，2011，21（7）：1040-1048．

［15］赵四化，王琪．支持向量机在电机转子故障诊断识别中的应用［J］．中国测试，2009，35（3）：121-124．

［16］LüY，Liu J Z，Yang T T，et al．A novel least squares support vector machine ensemble model for NOxemission prediction of a coal-fired boiler［J］．Energy，2013 （55）：319-329．

［17］邱东，符营营，张楠，等．支持向量机脱磷效率与炉渣碱度测试模型研究［J］．中国测试，2014，40（1）：1-4．

Evaluation on combustion condition of power p lant boiler based on furnace parameters measurement and support vector machine

LIU Qian1，WANG Dongfeng1，2，HAN Pu1，2
（1.Hebei Engineering Research Center of Simulation&Optimized Control for Power Generation，North China Electric Power University，Baoding 071003，China；2.Department of Automation，North China Electric Power University，Baoding 071003，China）

The stability and economy of a power plant boiler combustion is important for boiler combustion evaluation.Timely and accurate evaluation can effectively guide the combustion optimization.An comprehensive evaluation strategy for the operating condition of boiler combustion，based on furnace parameters measurement and support vector machine，was proposed.Through analyzing the effects of furnace parameters on combustion stability and economy of a power plant boiler.A support vector machine model for the stability and economy of boiler combustion was developed and verified.Good predicting performance was achieved with the data from furnace parameters measurement.A 680MW coal-fired boiler is taken as an example.The results show that the evaluation of the stability and economy of boiler combustion can be effectively completed by the method proposed under different working conditions with a higher calculation speed，which can be used for guiding of boiler combustion optimization.

power plantboiler；parametersmeasurement；combustion evaluation；supportvectormachine

A

1674-5124（2015）09-0006-05

2015-03-02；

2015-04-13

中央高校基本科研业务费专项（2014MS139）

刘千（1985-），男，河南郸城县人，博士研究生，研究方向为电站锅炉燃烧优化控制。