CFB锅炉燃烧优化技术的研究

程换新，孟祥勇

(青岛科技大学 自动化与电子工程学院，山东 青岛 266061)

CFB锅炉燃烧优化技术的研究

程换新，孟祥勇

(青岛科技大学 自动化与电子工程学院，山东 青岛 266061)

分析了影响CFB锅炉燃烧效率的各种因素，分别建立了以模型输出为锅炉燃烧效率及NOx排放量的BP神经网络预测模型，并采用了遗传算法实现对模型参数进行全局优化。通过调整燃烧工况参数使锅炉燃烧效率和NOx排放最优,利用锅炉真实运行数据对神经网络经行训练。通过Matlab仿真，结果表明： 该模型和算法对锅炉燃烧的优化是有效的。

CFB锅炉系统 燃烧优化 预测模型 仿真

针对电厂锅炉降低成本和降低污染物排放的双重要求，电厂节能减排已经成为发展趋势。对生产装置的改造与采用高效低污染燃烧技术成为达到环保要求的必经之路。某电厂锅炉燃烧效率优化改造过程中，将1号炉实验数据作为样本，采用Matlab分别建立锅炉燃烧效率和NOx排放的反向神经传播网络(BPNN)预测模型，不断训练该神经网络模型以提高精度。应用遗传算法进行最佳风煤比设定值的计算，对目标模型不断优化，使得锅炉燃烧效率和NOx排放量达到最优。该次优化以模型和通用燃烧优化控制技术(BCS)为理论基础，通过改变锅炉控制系统的参数实现燃烧中的风煤比优化。

1 CFB锅炉概述

原煤经制粉系统磨粉送入粉仓，煤粉经给粉机、排粉机入炉膛与从空气预热器进入的空气充分燃烧，加热水冷壁内的水；生成的烟气经过热器、省煤器、空气预热器换热后，进入电除尘经除尘处理后排出。汽机内的给水经省煤器吸收烟气热量后，送进水冷壁吸收煤粉燃烧的热量蒸发，在汽包内经过汽水分离后得到饱和蒸汽。饱和蒸汽经过热器吸收烟气热量，变为过热蒸汽，送入汽轮机[1]。CFB锅炉由给水系统、蒸汽系统、制粉系统、空气系统、燃烧系统5部分组成。CFB锅炉工艺流程如图1所示[2]。

2 CFB锅炉燃烧模型的建立

2.1 CFB锅炉燃烧效率简化模型

锅炉燃烧效率是指锅炉的有效利用热量占输入热量的百分比。CFB锅炉燃烧过程中，通过测量有效利用热量和输入热量求得锅炉效率的方法叫正平衡法。运用正平衡法求得CFB锅炉燃烧效率的过程如下：

Qc=Q1+Q2+Q3+Q4+Q5

式中：Qc——燃煤及燃料的热值，kJ/kg；Q1——转变为蒸汽的热值，kJ/kg；Q2——锅炉排烟热损失的热值，kJ/kg；Q3——化学不完全燃烧损失的热值，kJ/kg；Q4——机械不完全燃烧热损失的热值，kJ/kg；Q5——锅炉散热损失的热值，kJ/kg。

图1 CFB锅炉工艺流程示意

为减少不确定因素的影响并准确地计算燃烧效率，锅炉排烟热损失率的计算如下式：

(1)

气体未燃尽热损失率的计算如下式：

(tpy-tR)×100%

(2)

式中：cp——可燃气体的平均比热；k3,k4——燃料特性系数。

固体未燃尽热损失率的计算如下式：

(3)

式中：Cfh——飞灰可燃物含量；Cls——炉渣可燃物含量；CAy——干燥后灰分含量。

锅炉散热损失率如下式：

lun=0.5%

(4)

热损失率总和计算如下式：

l=lG+lm+luc+lun

(5)

则锅炉燃烧效率的计算如下式：

η=100%-l

(6)

该模型简化了计算绝对温度和干烟气量的过程，可只测排烟温度、冷空气温度、排烟氧含量、飞灰可燃物、煤的发热量等影响因素，提高了相关计算效率。

2.2 锅炉的BP神经网络模型

2.2.1 BP神经网络结构

BP神经网络由输入层、隐含层、输出层组成。BP神经网络有输入节点M个、隐层节点K个、输出节点N个，其结构如图2所示。

图2 BP神经网络结构示意

2.2.2 BP神经网络模型的建立

实现燃烧优化的过程就是实现运行参数优化的过程。根据NOx的排放原理，锅炉燃烧的可调节参数会影响到炉膛的温度，而炉膛温度对锅炉NOx排放影响很大。

根据锅炉燃烧热态试验得到的数据结合BP神经网络算法，建立锅炉的燃烧特性预测模型。通过调节风煤比控制锅炉的运行效率和NOx的排放，建立了多输入单输出的软测量模型,如图3所示。

图3 锅炉的BP神经网络模型示意

注：Load——机组负荷；Q——燃料热值；V——燃料充分挥发度；p——一次风压；Sa，Sb，Sc——3层二次风的挡板开度；φO2——烟气中氧体积分数；ωC——飞灰含碳质量分数；tpy——排烟温度；t——炉膛温度；t2——炉内平均温度；ρNOx——氮氧化物排放量

构建炉热态试验工况数据表，选取80组作为训练样本，20组作为测试样本，试验数据归一化处理后的试验数据X为

(7)

2.3 基于BP神经网络模型预测

2.3.1 锅炉燃烧效率的模型预测

锅炉热态试验数据见表1所列。

表1 锅炉热态实验数据

锅炉飞灰含碳量和排烟温度作为锅炉燃烧优化的模型输出量，而风压、运行负荷、燃煤热值作为BP神经网络BPNN_1和BPNN_2的输入。

BP神经网络模型的隐含层中神经元为6个，通过运用LM算法调整步长和权值并选用Sigmoid函数作为激励函数[3]。在Matlab中仿真确定动量因子为0.874，学习速率为0.232，当训练次数大于6 000次或者系统的误差小于设定值时训练结束并输出训练后的权值和阈值[4-5]。飞灰含碳量的预测模型如图4所示，排烟温度的预测模型如图5所示。

由图4可知，模型预测值和实际测量值间的最大绝对误差是3.90×10-4，最大相对误差是0.76%。由此判断预测模型能够预测飞灰含碳量值，可以准确、实时地反映锅炉燃烧特性。

由图5可知，模型预测值和实际值间的最大绝对误差是3.98×10-3，最大相对误差是2.76%，故参变量排烟温度能够满足预测锅炉燃烧效率的要求。锅炉燃烧效率的预测模型如图6所示。

图4 飞灰含碳量的预测模型示意

图5 排烟温度的预测模型示意

图6 锅炉燃烧效率的预测模型示意

排烟温度、飞灰含碳量和煤质、热值等参数会对锅炉的燃烧效率产生较大影响，使得锅炉燃烧效率的预测存在一定的偏差，为提高精度和准确率，采取了去除偏差较大和偏差较小的点即选取中间变量的方式，得出平均绝对误差为0.037%。

2.3.2 锅炉NOx排放的预测模型

若要预测NOx的排放量必先对炉膛温度进行预测。用BPNN_3表示炉膛温度的神经网络预测模型如图7所示，NOx排放预测模型如图8所示。

图7 炉膛温度的预测模型示意

由图7可知： 模型预测值和实测值间的最大绝对误差是35.87℃，最大相对误差是2.92%。炉膛温度测量偏差较大，故采用其估算平均值。

由图8可知： 模型预测值和实测值间的最大绝对误差是5.33 mg/m3，最大相对误差0.026 8%。

图8 NOx排放预测模型示意

3 实现锅炉燃烧优化的遗传算法

3.1 遗传算法的优化机理

遗传算法有4个运算参数需要提前设定： 种群规模、进化代数、交叉概率和变异概率。GA通过选择、交叉和变异操作实现群体的并行优化。基本遗传算法的主要运算过程如图9所示[6]。

图9 遗传算法流程示意

3.2 遗传算法在锅炉燃烧优化中的实现

实现优化可以通过调节风煤比、改变挡板开度等途径。锅炉燃烧效率和NOx排放量是相互矛盾的2个变量[7]，优化方法可寻找锅炉燃烧效率约束下NOx排放的极小值或NOx排放约束下锅炉燃烧效率的极大值。

在Matlab仿真中，遗传算法的优化程序设定锅炉燃烧效率ηmin=92%， NOx的排放量满足ρ(NOx)max≤450 mg/m3。兼顾实现锅炉燃烧效率[8]约束下NOx排放量优化的遗传算法要使NOx排放量越低越好。同理，NOx排放量约束下燃烧效率优化的遗传算法要使锅炉的燃烧效率高而NOx排放量低。优化结果见表2所列。

表2 优化结果

由表2可得： 无论在何种约束条件下，都能实现锅炉的燃烧效率及NOx排放量的最优化。故该次对CFB锅炉燃烧技术的优化研究达到了目的，对于指导锅炉燃烧有一定的意义。

4 结束语

本文通过对锅炉工艺流程的分析及燃烧效率的计算，得出了影响燃烧效率的主要因素[9-10]。运用BP神经网络预测模型对燃烧过程进行优化并用遗传算法将优化的目标分别设定为在燃烧效率约束条件下的NOx的最低排放以及NOx约束条件下锅炉燃烧的最大效率。在Matlab中验证了算法的有效性，模型的精确度、误差，从而实现了理论上的锅炉优化。

[1] 刘明远.乌石化自备电厂安全策略研究[D].上海： 华东理工大学,2011.

[2] 张德丰.Matlab神经网络应用设计[M].北京： 机械工业出版社,2009.

[3] 程换新,伊飞.面向轻汽油醚化的BP神经网络的模型预测控制[J].石油化工自动化,2012,48(06)： 40-41.

[4] 董长红.Matlab神经网络与应用[M].北京： 国防工业出版社,2007.

[5] 罗国权.125 MW锅炉燃烧优化试验及仿真研究[D].湖北： 华中科技大学,2007.

[6] 聂琼.浅谈遗传算法与人工神经网络的结合[J].轻纺工业与技术,2012，41(06)： 35-37.

[7] 应剑,徐旭,王兴龙.电站锅炉燃烧优化技术的发展与应用[J].能源工程，2006(02)： 55-58.

[8] 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(04)： 46-50.

[9] 李国强.新型人工智能技术研究及其在锅炉燃烧优化中的应用[D].北京： 燕山大学，2013.

[10] 王成威.基于PLC和OPC的锅炉燃烧系统先进控制系统的研发[D].山东： 山东大学，2012.

[11] 余淑荣，张晓东，吴明亮，等.PLC在水煤浆锅炉燃烧控制中的应用.化工自动化及仪表,2015,42(01): 86-89.

Study on Optimization Technology of CFB Boiler Combustion Cheng Huanxin, Meng Xiangyong

(College of Automation & Electronic Engineering, Qingdao University of

Science & Technology, Qingdao, 266061, China)

s： Various factors affecting the CFB boiler combustion efficiency are analyzed. The BP neural network prediction model is established, which is based on the model output for the boiler combustion efficiency and NOxemissions amount respectively.The genetic algorithm is used to optimize the parameters of the model. The boiler efficiency and NOxemission are optimized by adjusting combustion parameters. Neural network can be trained, which is based on real operation data of boiler.The result with Matlab simulation shows the proposed model and algorithm are effective for optimization of boiler combustion.

CFB boiler; combustion optimization; prediction model; simulation

程换新(1966—)，男，山东青岛人，教授,1995年毕业于浙江大学自动化专业，现就职于青岛科技大学，主要从事控制理论与应用研究，任硕士生导师。

TP273

B

1007-7324(2017)04-0028-05

稿件收到日期： 2017-03-10，修改稿收到日期： 2017-06-28。