贝叶斯神经网络和遗传算法结合在锅炉燃烧优化上的应用

徐荣田

(神华国能宁夏煤电有限公司， 银川 750409)



贝叶斯神经网络和遗传算法结合在锅炉燃烧优化上的应用

徐荣田

(神华国能宁夏煤电有限公司， 银川 750409)

摘要：为了实现既提高锅炉热效率又降低污染物排放的目的，应用贝叶斯神经网络对锅炉燃烧系统进行建模，再用遗传算法进行多目标优化。通过锅炉热态实验数据进行仿真，结果表明该方法可以很好地预测锅炉的热效率和氮氧化物质量浓度，并实现有效的多目标寻优，为电站的经济环保运行提供理论指导。

关键词：锅炉； 燃烧优化； 贝叶斯正则化； 神经网络； 遗传算法； 多目标优化

为了提高燃煤电站的经济效益并满足节能环保的需要，电站锅炉燃烧系统的优化是非常重要的一个环节，锅炉热效率和排烟中NOx质量浓度ρ(NOx)是衡量锅炉燃烧系统的两个重要指标。有研究表明，提高锅炉热效率与降低ρ(NOx)是相互矛盾的两个过程[1-2]；同时，电站锅炉燃烧系统又是一个非常复杂的系统，锅炉燃烧状态不仅受一些可调参数的影响，还与煤种、机组负荷和湿度等因素有关[3]。采用人工智能方法可以较好地模拟锅炉燃烧系统的多影响因素与锅炉热效率和ρ(NOx)之间的关系。

目前对于锅炉燃烧优化问题已有很多研究方法，如神经网络、遗传算法等，笔者综合集成BP神经网络、贝叶斯正则化法和遗传算法[4-7]这三种方法，提出一种新方法——贝叶斯正则化BP神经网络与遗传算法结合的方法，该方法能够更好地对锅炉燃烧系统进行优化。贝叶斯正则化BP神经网络是对传统BP神经网络的改进，可以提高神经网络的泛化能力，为后续优化打好基础。锅炉燃烧优化的目标是通过调整工况参数，使锅炉热效率提高并且降低ρ(NOx)，这是一个多目标优化问题，采用权重系数变换法可以将多目标优化问题转化成单目标优化问题[8-9]。

1理论基础

1.1 建立贝叶斯神经网络

根据需要优化的目标，即提高燃烧效率和降低ρ(NOx)，确定神经网络的输出变量为热效率和ρ(NOx)；由影响输出变量的因素确定网络的输入变量，进而确定神经网络的输入层、输出层神经元的数目；还需要确定隐层神经元的数目，一般需要通过多次仿真实验才能确定，设定隐层神经元个数的一个取值范围，通过编程可以找到其最佳取值。

对建好的贝叶斯神经网络进行训练和测试，将测试工况划分为训练集和测试集两部分。用训练集对建好的神经网络模型进行学习，训练完之后用测试集进行测试，提高测试结果可以检测该神经网络的泛化能力，泛化能力好的神经网络说明其预测更加准确，便于后续与遗传算法结合进行优化。

1.2 应用遗传算法

遗传算法首先随机生成介于约束量上下限之间的种群，将数值归一化处理后作为贝叶斯神经网络输入值，得出该输入下的预测值，按目标函数对种群进行适应度评估，适应度高的种群保留进入下一代的概率大，选择优化的个体以一定的概率通过交叉、变异产生新的个体再遗传到下一代。

2锅炉燃烧系统优化

2.1 锅炉燃烧系统的建模与仿真

利用文献[10]提供的燃烧特性试验数据，建立锅炉燃烧的神经网络模型，燃烧特性试验包含了12组实验工况，随机选取第3个工况作为测试集，其他工况作为训练集。影响锅炉热效率和ρ(NOx)的因素有29个，于是建立BP神经网络模型时选用29个输入节点，2个输出节点，输出量为锅炉热效率和ρ(NOx)。仿真实验在Matlab7.11下进行，通过大量仿真模拟发现，当隐层神经元数取32时误差最小，于是确定该贝叶斯神经网络的结构为29-32-2。贝叶斯正则化可以应用神经网络工具箱中的trainbr函数来实现，部分Matlab程序代码如下：

net=newff(inputn,outputn,32,

{'tansig','purelin'},'trainbr').

训练结束后，对训练过的和未训练过的工况分别进行预测，预测结果见表1、表2。可以看出ρ(NOx)最大相对误差为第3个工况时的2.451 4%，其他相对工况误差都小于1%。由此可知，网络具有很好的泛化能力，可以作为进行锅炉热效率和ρ(NOx)预测的模型。

表1　锅炉热效率的预测结果　%

表2　ρ(NOx)的预测结果

2.2 锅炉燃烧系统的多目标优化

采用遗传算法对锅炉可调参数进行寻优，遗传算法计算过程中采用的计算参数为:种群规模为50，交换概率为0.8，突变概率为0.15。适应度函数为：

f=aρ(NOx)-bη

(1)

式中：ρ(NOx)为氮氧化物质量浓度；η为锅炉热效率；a取0.1；b取0.6。部分Matlab程序代码如下：

[x, val]=ga(@funh,29, [],[],[],[],

t1,t2,[], options).

以工况1的优化为例，可调变量为六层二次风门开度(AA层、AB层、BC层、CD层、DE层、EF层)、二层燃尽风门开度(OAF层、OFB层)、排烟含氧体积分数。结合样本数据，并考虑到操作惯例和安全性，分别取二次风门开度的变化范围为50%～100%，燃尽风开度OAF、OFB变化范围为40%～100%，含氧体积分数的范围是2.0%～3.5%，这些可调范围构成了自变量的定义域。通过对可调参数的优化配置可使ρ(NOx)由原来的746 mg/m3下降到604.31 mg/m3，下降幅度达19.03%，而热效率提升了0.28%。优化后的风门开度见表3。

表3　遗传算法对工况1的优化结果

从表3可以看出：该方法既能提高锅炉热效率又能使ρ(NOx)下降，从理论上达到了提高效率降低污染物排放的目的。

3结语

通过利用贝叶斯正则化方法对BP神经网络进行改进，提高了BP神经网络的泛化能力。这样建立的模型更能反映锅炉燃烧的实际情况，再利用遗传算法对工况进行参数优化，可以实现提高锅炉热效率，大幅降低ρ(NOx)，达到节能减排的目的，可为电站锅炉高效低排放运行提供理论指导。

参考文献：

[1] 王培红，李磊磊，陈强，等．电站锅炉NOx排放与效率的响应特性模型[J]．动力工程，2004，24(2):254-258.

[2] 许昌，吕剑虹，郑源，等．以效率和低NOx排放为目标的锅炉燃烧整体优化[J]．中国电机工程学报，2006，26(4):46-50.

[3] Xu M, Azevedo J L T，Carvalho M G. Modelling of the combustion process and NOxemission in a utility boiler[J].Fuel,2000(79):1611-1619.

[4] 蔡煜东，姚林生．径流长期预报的人工神经网络方法[J]. 水科学进展，1995，6(1)：61-65.

[5] 董长虹．Matlab神经网络与应用[M]．2版. 北京:国防工业出版社，2007:72-103．

[6] 刘学伟，贺昌政．基于贝叶斯正则化BP神经网络的上市公司信用评价研究[J]. 软科学，2005，19(5)：9-10．

[7] 王丽蓉. 遗传算法在电站锅炉燃烧过程建模与优化中的应用与研究[D]. 北京:华北电力大学，2006:22-39.

[8] Chu J Z, Shieh S S. Constrained optimization of combustion in a simulated coal-fired boiler using artificial neural network model and information analysis[J].Fuel，2003(82):693-703.

[9] 雷英杰，张善文，李续武，等. 遗传算法工具箱及应用[M]. 西安:西安电子科技大学出版社，2005：20-25.

[10] 周昊.大型电站锅炉氮氧化物控制和燃烧优化中若干关键性问题的研究[D]. 北京:华北电力大学，2004:84-218.

Combined Application of Bayesian Neural Network and Genetic Algorithm in Boiler Combustion Optimization

Xu Rongtian

(Shenhua Guoneng Ningxia Coal and Power Co., Ltd., Yinchuan 750409, China)

Abstract：To improve the boiler thermal efficiency and reduce the pollutant emission, a model of boiler combustion system was established using Bayesian neural network, to which multi-objective optimization was carried out by genetic algorithm. Simulation results with field test data of a boiler show that the method could well predict both the thermal efficiency of boiler and the mass concentration of nitrogen oxides, achieving multi-objective optimization purposes, which therefore may serve as a reference for boiler operation in an economic and environmental-friendly way.

Keywords：boiler; combustion optimization; Bayesian regularization; neural network; genetic algorithm; multi-objective optimization

中图分类号：TK16; TP183

文献标志码：A

文章编号：1671-086X(2016)02-0085-03

作者简介：徐荣田(1983—)，男，工程师，主要从事火力发电厂技术管理工作。E-mail: 17001513@shenhua.cc

收稿日期：2015-09-07