电站锅炉煤耗与NOx排放混合建模与优化

刘硕，齐咏生，王林，高学金 ，王普

(1. 内蒙古工业大学 电力学院，呼和浩特 010080；

2. 北京工业大学 电控学院，北京 100124)



电站锅炉煤耗与NOx排放混合建模与优化

刘硕1，齐咏生1，王林1，高学金2，王普2

(1. 内蒙古工业大学 电力学院，呼和浩特 010080；

2. 北京工业大学 电控学院，北京 100124)

摘要：降低电站锅炉煤耗和污染物排放对于节约能源和保护环境具有重要意义。针对电站面临的高煤耗、高污染现状，提出了基于BP和ANFIS的电站锅炉混合建模方法，并根据电站节能与环保相协调的要求，提出以煤耗和NOx排放为目标的多目标优化问题。基于此模型和优化目标，采用遗传算法(GA)对试验工况进行寻优。应用某电厂锅炉实际运行数据进行了仿真试验，结果表明： 通过优化算法得到的最优运行参数,能同时满足降低煤耗和降低污染物排放的要求,从而实现电站节能减排的优化目标。

关键词：电站锅炉自适应模糊神经网络飞灰含碳质量分数煤耗氮氧化物

在当今社会环境条件下，煤价不断上涨，污染物排放限制越来越严格。为保证锅炉整体运行效益，燃煤电站面临降低煤耗与降低污染排放的两大重任。低耗低污染的优化运行问题成为当今各电站关注的焦点。

BP网络结构简单，算法易于实现，只要有足够的隐层和训练样本，可以逼近任意的非线性映射关系。BP网络学习算法属于全局逼近的方法，因而具有较好的泛化能力。国内外一些学者利用BP网络研究了电站锅炉燃烧特性，并结合寻优算法在燃烧优化方面也进行了讨论，通过调整锅炉运行参数可有效提高锅炉效率和降低污染物排放，从而提高锅炉运行经济性[1-6]。锅炉运行经济性直接关系着生产效益，然而对于评价锅炉系统整体经济性，供电煤耗比锅炉效率更直接、准确，所以笔者提出以煤耗和ρNOx为目标的锅炉燃烧系统模型。其中，飞灰含碳量是重要的煤耗小指标。考虑到从锅炉运行现场获取的其他煤耗小指标以及ρNOx和飞灰含碳量训练样本数量，引入预测部分煤耗与NOx的BP模型和预测飞灰含碳量的ANFIS模型，再根据电力科学研究院对锅炉参数变化引起供电煤耗变化的规定，得到基于BP和ANFIS的总煤耗模型。综上，得出基于BP和ANFIS兼顾煤耗和ρNOx排放的锅炉燃烧系统模型。ANFIS是具有学习能力的模糊神经网络系统，它结合了神经网络和模糊推理系统的优点[7-8]，同时也减少了所需要的训练数据[9]。使用上述燃烧系统模型，结合遗传算法对锅炉运行参数进行寻优，使煤耗和ρNOx排放同时降低。

1基于BP和ANFIS的电站锅炉混合建模

1.1研究对象介绍

本文研究对象是某电厂1号600 MW锅炉，锅炉为亚临界参数、控制循环、一次中间再热、单炉膛平衡通风、固态排渣方式、全钢结构的Π型汽包炉。

锅炉系统采用四角切圆燃烧方式，直流燃烧器四角布置，原设计备有6层燃烧器，燃烧器顶部布置有燃尽风(OFA)。

1.2锅炉燃烧系统建模

针对难以用机理数学模型进行描述锅炉燃烧系统的问题，引入基于人工智能技术的黑箱模型，如图1所示。针对从现场获取飞灰含碳量训练样本数量相对少的情况，采用ANFIS建立其预测模型，而对于获取训练样本数量相对比较多的部分煤耗和ρNOx来说，采用具有非线性动力学特性及自学习特性的BP网络进行建模。再根据电力科学研究院对锅炉参数变化引起供电煤耗变化的规定，结合基于BP和ANFIS的部分煤耗模型与飞灰含碳量模型计算出锅炉燃烧系统总煤耗模型。对总煤耗模型和ρNOx模型引入权重系数，得到锅炉燃烧系统优化模型。

图1　算法原理流程示意

1.2.1模型输入参数选择

大量研究表明，锅炉是个复杂系统，燃烧除受到相关控制参数影响外，还受到机组负荷、煤质、环境温度等随机众多因素影响。根据现有研究[10-13]，再结合运行现场取到的数据，笔者选择6台给煤机、总一次风量、总二次风量、SOFA7层1角燃尽风、燃烧器主喷嘴摆动角度、有功功率、环境温度、6层周界风量、消旋二次风、偏转风等32个参数作为BP模型输入参数，部分煤耗和ρNOx作为BP模型输出参数。然而，煤质对燃烧排放飞灰含碳量有很大影响，所以本文除选择BP网络各个输入参数，外加灰分、挥发分、低位发热量3个参数代表煤质对燃烧排放飞灰含碳量的影响。总计35个参数作为ANFIS模型的输入参数，飞灰含碳量作为ANFIS模型的输出参数。

1.2.2BP模型的建立

首先对本文所研究煤耗与负荷的相关性进行了分析。在数据采集时锅炉负荷存在着波动，以锅炉工作在600 MW负荷处采集到的100个样本点为例进行分析，负荷和煤耗的变化分别如图2和图3所示。其横坐标为采样点序列号，纵坐标分别为锅炉负荷和煤耗。

图2　负荷变化(归一化后)

图3　煤耗变化(归一化后)

从图2可以看出，锅炉负荷存在很大波动。从图3可看出，煤耗和负荷的波动趋势大致是一致的，通过R=Corrcoef(X, Y)计算得到相关系数为0.614 6，从而可知两者存在很大的相关性。建模时通常需要选择处于相对稳定的样本点，所以需要删除部分负荷波动较大处对应的样本，才能得到用于建模的样本点。

对ρNOx也进行同样的分析，得到负荷和ρNOx也存在一定的相关性。因此，在建模时对负荷波动大的样本点同样进行剔除。

整理从电站锅炉运行现场获取的数据，共有28 598组样本。对样本中负荷、部分煤耗以及ρNOx不稳定的样本点进行剔除，得到5 559组建立部分煤耗模型的样本，21 285组建立ρNOx模型的样本。分别在各自稳定样本中随机选取90%用来训练模型，剩下10%的非训练样本用来测试模型的泛化能力。其中，训练煤耗模型过程中，其目标煤耗根据电科院对锅炉参数变化引起供电煤耗变化的规定计算获得。

根据以上分析，本文采用32个输入节点，1个输出节点，8个隐层节点的2个BP网络分别对部分煤耗和ρNOx进行建模。

图4和图5分别是部分煤耗和ρNOx的预测值与实测值对比图。为了清楚地观察预测效果，只列出部分测试样本的对比效果。

图4　煤耗预测值与实测值对比示意

图5　ρNOx预测值与实测值对比示意

采用BP网络进行建模仿真，结果见表1所列。

表1　BP网络仿真结果

1.2.3ANFIS模型的建立

若考虑影响飞灰含碳量的全部35个影响参数，可能会引起网络输入的维数灾难。因此，笔者采用主成分分析法来减小ANFIS输入维数，避免出现维数灾难。经贡献率分析，前两个主元的累积贡献率已经达到94.88%，所以文中选择前两个主元，则飞灰含碳量的35个影响参数变为2个参数作为ANFIS的输入，利用训练数据对网络进行训练。

图6是ANFIS模型输出飞灰含碳质量分数与实测值对比图。

图6　ANFIS模型输出飞灰含碳质量分数与实测值对比示意

从图6可以看出： 训练值和实测值相当接近，训练平均相对误差为0.003 4。对于测试样本预测值和实测值也很接近，预测值与实测值的对比见表2所列。

以上仿真结果显示： 模型训练和预测误差都在工程可接受范围内，符合实际要求，验证了本文提出建模方法的有效性。

表2　飞灰含碳质量分数预测值与实测值对比

2基于遗传算法(GA)电站锅炉燃烧系统优化

2.1优化目标的确定

当今电站面临节能减排的重任。污染物排放受到高度重视,排放超标会处以罚款,从而影响企业效益。为提高电站的整体经济效益，本文通过优化算法GA优化锅炉运行参数,使煤耗和NOx同时降低。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——系统总煤耗；ρNOx——燃烧排放氮氧化物质量浓度；Bmh——系统部分燃烧煤耗；ωcfh——飞灰含碳质量分数；Mv——一次风量、二次风量等可调参数组成的可调参向量；Dv——煤质等不可调参数组成的不可调参向量；[Mv]min，[Mv]max——可调参数的约束范围；f1——预测系统燃烧部分煤耗的BP模型；f2——预测飞灰含碳量的ANFIS模型；f3——预测系统燃烧排放NOxBP模型；f4——计算系统总煤耗的函数，此函数是电科院对锅炉参数变化引起供电煤耗变化做出的规定。

对总煤耗和ρNOx引入权重系数，将本文的多目标优化问题转换为单目标优化问题，即构造出遗传算法的适应度函数，如下式：

P=α·Zmh+β·NOx

(2)

式中： α，β——权重系数，根据电站对煤耗和ρNOx的关注度在[0, 1]选取，且满足α+β=1。

2.2优化参数的选择

对于锅炉实际运行参数，分为不可调参数和可调参数，比如锅炉的炉型、结构等是不可人为随意调整的，所以称为不可调参数。而可调参数是操作人员在锅炉运行时能在安全范围内对其进行控制和调整的参数。在电站锅炉实际运行中，操作员调节最频繁的参数主要是各种配风方式，包括各二次风、燃尽风等，笔者根据获取的现场运行数据，选择部分可调参数(一次风、二次风、燃烧器摆角、7层燃尽风以及6台给煤机给煤等共计16个可调参数)作为待优化变量。为保证优化结果与实际相符且考虑到习惯运行方式和所采集数据的统计，对各可调因素选择范围都有一定限制，其取值尽量保持在试验样本最大值与最小值之间，本文设定寻优范围： 一次风量取值为300～600；二次风量取值为700～1 100；燃烧器摆角取值为40～70；2，3，4层燃尽风取值为40～80；1层及5，6，7层燃尽风为0；各给煤机给煤量取值为20～70。对于不可调参数，则直接作为常量输入。

2.3燃烧系统优化

为降低煤耗和NOx排放，以保证电站锅炉整体运行效益，本文对煤耗和ρNOx引入权重系数采用遗传算法对运行参数进行寻优，使煤耗和ρNOx同时降低。

选取所研究电站的某个实际运行工况。该工况下模型预测ρNOx为282.11mg/m3，煤耗为90.346 2g/kwh。在Matlab环境下使用遗传算法对优化参数进行寻优。遗传算法寻优过程中选择不同的交叉概率会得到不同的最佳适应度值，文中分析了[0, 1]交叉概率变化对最佳适应度值的影响，如图7所示。

图7　交叉概率变化对最佳适应度值的影响

由图7可知，选择交叉概率为0.4时可获得最小最佳适应度值。经多次试验，遗传算法其他参数选择种群规模为40，变异概率为0.2，迭代次数为100次，可调参数为16个。

2.4优化结果讨论

在不同权重系数下对优化工况进行寻优，经多次仿真试验比较可知，选择α=0.5，β=0.5优化结果最佳。优化过程中各代最佳适应度值变化如图8所示，第52代优化结束获得本文最佳适应度值。

图8　最佳适应度值变化示意

为对优化前后的运行参数进行比较，将优化工况最佳煤耗和ρNOx的锅炉运行参数列于表3中。

表3　优化结果对比

由表3可看出，优化前后煤耗和ρNOx都有所下降，煤耗降低了8.52%，ρNOx降低了3.64%。其降低主要原因是优化后一、二次风量都有所减少，燃尽风量有所增加，这使锅炉主燃区形成局部的低氧富燃料区，这样就抑制了NOx生成，使ρNOx排放有所下降。此时，主燃区上方形成富氧燃烧区使煤粉得以燃尽，从而使煤耗降低，这与空气分级燃烧优化理论相一致。

由上分析可知，在一定工况下，通过调整锅炉可调参数能同时降低煤耗和ρNOx排放，即通过文中混合建模和遗传算法优化相结合，可找到同时降低煤耗和ρNOx的最优运行参数组合，为提高锅炉整体经济效益提供指导。

3结束语

减排降耗是提高电站锅炉整体运行效益的根

本，针对当今电站面临的高煤耗、高污染现状，文中提出了基于BP和ANFIS的电站锅炉燃烧系统混合模型，并以煤耗排放与ρNOx为优化目标实现了基于GA的多目标优化，得到低耗、低污染的优化操作参数。使用某电站锅炉实际运行数据进行了仿真，并将优化结果用于电站实际运行指导。结果显示，文中提出的建模方法是有效的，并且采用遗传算法寻优使煤耗和NOx排放都有所下降。其最优操作参数可指导电站操作人员进行实际操作，从而提高电站锅炉整体运行效益。

参考文献：

[1]刘定平，陈敏生，陆继东.电站锅炉高效低污染燃烧优化控制系统设计[J].电力自动化设备，2006，26(05)： 46-50.

[2]吕玉坤，彭鑫，赵锴.电站锅炉热效率和NOx排放混合建模与优化[J].中国电机工程学报，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(02)： 254-260.

[5]刘长良，孙晓娇，刘站营.支持向量机在锅炉飞灰含碳量软测量中的应用[J].电力科学与工程，2010，26(01)： 39-45.

[6]周昊，朱洪波，曾庭华.基于人工神经网络大型电厂飞灰含碳量建模[J].中国电机工程学报，2002，22(06)： 96-100．

[7]牛培峰，张密哲，陈贵林，等.自适应模糊神经网络控制在锅炉过热汽温控制中的应用[J].动力工程学报，2011，31(02)： 115-120.

[8]韩宝如，邢益良，刘瑶利.基于Takagi-Sugeno 型自适应模糊神经网络的模拟电路故障诊断[J].电子质量，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]刘芳，张德珍，赵文杰.电站锅炉燃烧系统的神经网络建模[J].电力科学与工程，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

中图分类号：TP273

文献标志码：B

文章编号：1007-7324(2016)01-0030-05

作者简介：刘硕(1989—)女，在读硕士研究生，研究方向为电站锅炉建模与优化。

基金项目：国家自然科学基金项目(61364009，21466026)；内蒙古自治区自然科学基金项目(2015MS0615)；内蒙古自治区高校科学研究项目(NJZY13121)。

稿件收到日期： 2015-11-12。