基于声波测温和LSSVM_GA的电厂NOx排放建模与优化

马　平，刘南南

（华北电力大学自动化系，河北 保定 071003）

基于声波测温和LSSVM_GA的电厂NOx排放建模与优化

马平，刘南南

（华北电力大学自动化系，河北 保定 071003）

因传统燃烧优化实验控制电厂NOx排放的方法很难满足复杂多变的燃烧工况，为更智能地对NOx排放进行监测和更方便地对其进行优化，对某电厂2#炉300MW工况下NOx排放优化实验时的DCS内运行数据和声波测温系统内的温度分布数据进行采集。利用最小二乘支持向量机，以炉膛温度信息和其他影响NOx排放的主要因素为输入，以NOx排放浓度为输出建立NOx排放预测模型，在预测模型的基础上利用遗传算法对顶部4层分离燃尽风开度进行直接寻优，达到降低NOx排放的目的。结果表明：加入炉膛温度信息后的NOx排放模型准确度更高，遗传算法优化之后的NOx排放浓度显著降低，优化后参数更符合工程实际。

声波测温；支持向量机；遗传算法；NOx排放

0　引　言

电站锅炉NOx的排放控制始终是环境保护的一个重要课题。鉴于NOx的生成机制非常复杂，有研究在均相模型中考虑了近200种基元反应[1]。

传统的机理建模方法很难建立准确的数学模型。从宏观方面讲，锅炉的运行方式与NOx的排放有着密切的关系，许多学者已经从锅炉运行方式入手寻找NOx排放浓度的规律，并取得了一定成果。但是，受我国煤质变动比较大，不同运行参数的相互耦合作用的影响，通过燃烧调整实验来寻找低NOx运行工况具有一定的局限性。

炉膛温度是影响NOx排放的一个重要因素，由于测温技术的限制，传统的测温方法很难长时间、实时地对炉膛内温度进行测量，这就导致了NOx排放模型的建立不够准确，也会对下一步的优化结果产生影响。随着检测技术的发展，产生了更多的炉膛内温度实时信息获取手段，从传统的接触式测温：热电偶测温、黑体腔式辐射高温计等，发展到非接触式测温：红外发射-吸收CT法、基于图像处理的温度场测量、辐射测温、光学测温等[2]，现在应用较为广泛的是声学测温，它是非接触式测温的一种。获得炉膛温度信息后利用智能算法更加准确地对NOx的排放进行监测和运行参数化，对电厂低排放运行具有重要参考价值。

1　声波测温系统简介

某电厂2#炉在一次大修期间安装了美国SEI的BOILERWATCH声波测温系统，该系统基本原理是根据声波信号在介质中的传播速度与介质温度的关系，经过信号采集、模数数模转换、去噪、滤波、数字图像处理、加入相应算法，计算出炉膛截面温度并通过TMS-2000以图像形式表现出来，可以将测温误差降低到1.5%以下。系统的主要组成部分是绘图软件、过程控制单元和工业计算机。该测温系统能够在炉膛断面产生24条声波路径产生24路气体温度平面分布（见图1），通过TMS-2000绘图软件提供的友好人机界面，该绘图软件还同时提供了等温图、气体温度历史数据等信息。过程控制单元（PCU）包括一个微计算机、内存和接口/控制电路，它是测温系统与DCS进行通信的基础。工控机用于显示和储存测量的温度信息，并提供通信接口。

图1　区域温度分布

2　建模方法的选择

因机理建模难度非常大，就算建立了模型，在工况比较复杂的条件下也不一定适用。因此，选择一种“黑箱”建模方法，不需要去深入了解每一个化学反应，只需要从NOx生成类型和运行经验入手结合宏观运行参数，寻找一个合适的函数f（x）去映射NOx排放浓度。国内外学者已经将此类黑箱建模方法应用于锅炉系统的建模，并取得了一定成果[3]。常用的黑箱建模方法有神经网络和支持向量机，通过文献[4]可以看出支持向量机是一种优于神经网络的学习机，它以结构风险最小化取代神经网络经验风险最小化[5]，克服了神经网络存在的诸多问题。综上，选择支持向量机（support vector machine，SVM）为本文建模方法。

2.1SVM回归

支持向量机最初是用来解决分类问题，也可以将其应用于函数的拟合问题，当SVM用于函数拟合时，考虑用回归函数：

对样本集{（xi，yi）}，i=1，2，…，n，进行拟合，假设拟合精度为ε，与分类问题中的处理方法类似，为提高回归函数泛化能力，应尽量使所有样本落在准确度范围以内（分类问题中是将样本以最大间隔分开）。于是，回归问题也可以转化为求解二次规划问题[6]：

式中ξi和表示当训练样本超过拟合准确度ε时引入的松弛因子。利用拉格朗日定理转化为对偶问题后可以求得回归函数：

式中拉格朗日乘子ai和对应的样本就是支持向量。同样，引入核函数代替内积运算后得回归函数：

2.2最小二乘支持向量机（LSSVM）

最小二乘支持向量机与支持向量机的不同之处在于，它用训练误差的平方代替了SVM中的松弛变量ξi和将不等式约束变成了等式约束问题，避免了求解二次规划问题[7]；因此，LSSVM学习速度快于SVM。而LSSVM的分类问题与回归问题在一定条件下可以相互转换[8]；因此，只对LSSVM的回归问题加以讨论。

对样本集{（xi，yi）}，i=1，2，…，n，有回归函数：

式中ψ（x）表示从输入空间到特征空间的非线性映射。那么求回归函数可转化为求：

对式（6），利用拉格朗日定理和KKT条件处理后得线性方程组：

式中yn=（y1，y2，…，yn）T，an=（a1，a2，…，an）T。Qn=K（xi，xj）代表核函数，这里令Hn=Qn+C-1I，则可解方程组：

再引入核函数，将回归函数化为

3　NOx排放的影响因素

对于NOx的生成机理与类型许多文献已有了更详尽的描述，这里不再复述。通过对NOx的3种类型（燃料型、热力型和快速型[9]）的宏观分析，将影响NOx排放的因素总结为5个方面：煤种特性（本次NOx排放优化实验的煤质特性见表1），炉膛温度，过量空气系数（或风煤比），一、二次风，锅炉负荷[10]。

表1　煤质特性

在已有研究中，几乎没有提到加入炉膛温度建立NOx的排放预测模型，但是热力型NOx的生成跟炉膛温度关系很大，当炉膛温度升高到某一值时，NOx的生成量急剧增加。与此同时，温度的升高也会造成燃料型NOx的生成量增加。随着检测技术的发展，炉膛内的温度检测误差已经相对较低，以声波测温为代表的非接触式测温方式已经被广泛应用，从该系统内可以获得实时的炉膛内温度数据。本文在前人经验的基础上加入炉膛温度信息进行了模型参数的修正，使模型精度更加准确。

4　NOx排放模型的建立与优化

4.1基于LSSVM的NOx排放模型

结合前面所讲，输入参数确定如下：锅炉负荷、总风量、总煤量、一次风量、二次风量、分离燃尽风门开度（sofa4、sofa3、sofa2、sofa1）、炉膛内温度、煤质（C、H、O、N等元素和低位发热量）共16个变量。其中，炉膛内温度取TMS08、TMS11、TMS14、TMS17的平均值，因为这4个区域接近火焰中心，温度最高，对热力型和燃料型NOx的生成影响最大。输出参数为SCR脱硝系统入口两侧NOx排放浓度均值。模型如图2所示。

图2　NOx排放简易模型

本次建模所选取的数据是某电厂2#炉300MW工况下NOx排放优化实验过程实验数据，整个实验过程中只通过动作顶部4层分离燃尽风开度来对NOx排放进行调节，锅炉实发功率、总风量、总煤量、煤质特性等尽量维持恒定，以排除个别变量的变化对NOx排放造成影响而导致实验结果不准确。在建模之前要对数据进行预处理，预处理过程主要包括数据归一化和滤波。因为输入数据的单位不一样，有些数据的范围可能特别大，使收敛速度变慢，训练时间变长，所以要进行归一化处理。滤波的目的是为了将数据平滑化，减小噪声的干扰。

模型的惩罚因子sig和核函数参数gama用交叉验证法（cross validation）进行优化，其基本思想是把原始数据进行分组，一部分做为训练集，另一部分做为验证集。首先用训练集对模型进行训练，再利用验证集来测试训练得到的模型，以此来做为评价模型的性能指标。这种方法能够避免过学习或者欠学习状态的发生。最小二乘支持向量机类型为回归型，核函数选择径向基核函数，输入向量维数为16，输出向量维数为1，组数均为100，具体的模型结构与参数如表2所示。模型训练结果如图3所示，模型测试结果如图4所示。

表2　LSSVM模型结构

图3　模型训练集与预测集

图4　模型测试集与预测集

图3显示模型训练精度已经很高，模型训练最大相对误差e<0.003%；图4所示模型测试选用了100组测试样本进行模型测试，最大测试相对误差e<0.78%,可见模型的泛化能力较强。图5与表3所示为加入炉膛温度前后模型测试相对误差的变化情况。可以看出，当在模型输入变量中加入炉膛温度信息后，模型测试样本的最大相对误差和平均相对误差都有所降低，模型精度提高。

图5　加入炉膛温度前后相对误差比较

表3　加入炉膛温度前后相对误差变化情况

4.2GA优化策略

图6　遗传算法NOx排放优化流程

遗传算法（genetic algorithm）就是将达尔文的生物进化论原理引入到需要优化的参数组成的编码串联而形成的群体中，最终选出输入参数的最优组合使输出达到需要的准确度范围。遗传算法对于所要求解问题本身的性质不可知，它的主要工作是对运算过程随机产生的染色体（一组编码串）进行适应度评价，选择适应度大的染色体进行遗传操作，适应度低的则被淘汰，经过一代遗传产生新的种群。实质上算法过程是一个迭代过程，主要步骤包括种群个体编码、群体初始化、选择、交叉、变异和适应度函数判定[11]。

个体采用二进制编码，二进制位数选择20；种群规模100，为了减小变量的大范围变化对模型预测精度造成的影响，在变量初始化时由运行工况附近的风门开度范围来确定；个体选择采用适应度比例法，即每个个体的选择概率和其适应度成比例；应用单点交叉，交叉概率为0.8。选择基本变异算子，变异概率设置为0.02；最大遗传代数设置为100。

需要特别说明的一点是适应度函数的确定，即每一步优化都要经过前面所建立的LSSVM预测模型进行NOx排放的输出判断，常用的方法是把需要优化的目标函数映射成适应度函数，此处目标函数即为LSSVM模型的输出值F（x）。由于在选择操作时是根据适应度值来进行的，所以要求其值为非负。优化的目的是使F（x）在100次遗传操作之后降到最低，不再继续收敛。

炉膛顶部4层分离燃尽风（sofa4、sofa3、sofa2、sofa1）主要用来实现分层配风，降低NOx的排放和炉膛出口温度偏差，因此将这4层风门开度作为寻优变量进行遗传操作。遗传算法优化NOx排放的大体流程如图6所示，其中输出结果是优化完成后的NOx排放浓度值和在此NOx排放浓度下的sofa风门开度值。为了对优化效果进行验证，选择某一NOx排放较高的工况进行优化，工况的不可调变量如表4所示，遗传过程的最优解与均值的变化如图7所示，表5是对分离燃尽风优化前后的数据对比。

图7　种群最优解与均值的变化

表4　某工况下的不可调变量

如表5所示，在锅炉负荷等因素不变的情况下，通过调节sofa风门开度实现了NOx排放浓度的降低，降低了近8%。优化模型建议开大sofa风门开度，尤其是最顶部sofa4和sofa3，这与降低主燃区氧含量，抑制NOx生成的分级配风原则[12]一致。

表5　优化前后的sofa风门开度与NOx浓度值

5　结束语

检测技术的发展提供了更多更准确的炉膛内信息，这些信息也为锅炉燃烧调整提供了重要的参考。由于NOx排放影响因素较复杂，各因素间也存在着耦合现象，炉膛内温度信息的加入和LSSVM_GA算法的选择，在模型准确度进一步提高的基础上对NOx的抑制也起到了一定的作用，可对电厂的实际运行提供参考。

[1]魏辉.燃煤电站锅炉低NOx燃烧优化运行策略的研究[D].上海：上海交通大学，2008.

[2]周献.声学法三维温度场重建算法的研究[D].成都：西华大学，2013.

[3]周昊，朱洪波.大型四角切圆燃烧锅炉NOx排放特性的神经网络模型[J].中国电机工程学报，2002（1）：33-37.

[4]顾民.神经网络-模糊系统-支持向量机内在联系研究[D].成都：电子科技大学，2004.

[5]张学工.关于统计学习理论与支持向量机[J].自动化学报，2000，26（1）：32-41.

[6]NELLO C，JOHN S T.支持向量机导论[M].李国正，王猛，曾华军，译.北京：电子工业出版社，2005：76-88.

[7]SUYKENSJAK.Nonlinearmodelingandsupport vector machines[C]∥ Proceedings of IEEE on InstrumentationandMeasurementTechnologyConference.Budapest：IEEE，2001：287-294.

[8]姜静清.最小二乘支持向量机算法及应用究[D].长春：吉林大学，2007.

[9]魏恩宗.燃煤锅炉低NOx燃烧技术及其试验研究[J].电站系统工程，2005，11（6）：363-365.

[10]韩建新.燃煤锅炉NOx排放特性及燃烧优化[J].内蒙古科技与经济，2009，11（6）：79-82.

[11]徐磊.基于遗传算法的多目标优化问题的研究与应用[D].长沙：中南大学，2007.

[12]苟湘，周俊虎.低NOx改造方案中煤粉再燃风喷口位置的选择[J].中国电机工程学报，2008，15（7）：1-6.

（编辑：莫婕）

Modeling and optimization for NOx emission of power stations based on acoustic temperature measurement and LSSVM_GA

MA Ping，LIU Nannan
（Department of Automation，North China Electric Power University，Baoding 071003，China）

Traditional methods to control NOx emissions through combustion optimization experiments can hardly meet complicated and changeable combustion conditions now.For more intelligently monitoring and better optimizing NOx emissions，data within DCS and temperature profile within the acoustic measurement system of furnace 2#in a power station under 300MW working condition are collected during the optimizing experiment of NOx emissions.That is，a least squares support vectormachineisusedtocreateapredictionmodelforNOxemissionbasedonfurnace temperature information and other factors that affect NOx emissions as input value and NOx emission concentrations as output value.Apart from the model，a genetic algorithm is applied to optimize the opening of over fire air of four-layer separation on top so as to reduce NOx emissions.TheresultsshowthattheNOxemissionmodelismoreaccuratewhenfurnace temperature information is added，and the NOx emission concentration is significantly reduced and the parameters are more suitable for engineering practice after the opening is optimized through the genetic algorithm.

acoustic temperature；support vector machine；genetic algorithm；NOx emission

A

1674-5124（2016）03-0118-05

10.11857/j.issn.1674-5124.2016.03.027

2015-07-23；

2015-08-12

马平（1961-），女，湖南湘潭市人，教授，硕士生导师，研究方向为过程控制、火电厂单元机组控制和优化。