基于OS-ELM算法的燃烧系统建模研究

2021-04-27金鹏

电动工具 2021年2期

金鹏

（辽宁工程职业学院，辽宁铁岭 112008 ）

0 引言

燃煤锅炉既是优质能源的主要创造者，同时也是一次能源消耗和污染物排放大户[1]。在保障锅炉安全运行前提下，降低能耗、减少氮氧化物（NOx）等污染物排放的锅炉燃烧优化技术得到了众多研究学者的重视[2]。降低NOx排放与提高锅炉效率存在相互制约与矛盾，降低NOx排放就要保证炉内高温和煤粉高浓度不可同时存在，但是两者不同时存在又会造成锅炉的燃烧热效率降低[3]。锅炉燃烧优化技术是一种能够调节这两种矛盾的有效方法。因此建立合理、有效的锅炉燃烧模型显得尤为重要。

目前关于建立锅炉燃烧模型的研究一般采用机理建模法，建模是在诸多假设和简化条件下得到的，与真正的实际过程有一定程度出入，得到的结果也并不十分准确[4]。随着工业信息化的快速发展，监控信息系统被广泛应用于监测、控制领域，大量运行数据得以保存。

本文利用在线极限学习机算法对历史数据和实时运行数据进行训练，得到NOx排放浓度预测模型和燃烧热效率预测模型；结合NOx排放浓度和燃烧热效率建立一体化适应度函数。最后，利用混沌粒子群算法对锅炉燃烧系统参数进行参数寻优求解。

1 建模原理

在线极限学习机算法（Online Sequential Extreme Learning Machine，OS-ELM）是机器学习算法中的一种，算法通过对预测模型的输入样本、输出样本进行多次迭代输出预测模型。在线极限学习机的训练过程分为两个部分，第一部分是离线阶段，通过少量训练样本计算得出网络的输出权重，第二部分是在线学习阶段，利用单个样本或者样本块更新初始阶段的输出权值矩阵[3]，进而求得系统预测模型。

建模时将影响锅炉燃烧热效率和NOx排放浓度的主要数据（锅炉负荷、炉膛密相区温度、一次风流量、一次风温度、二次风总流量、风机入口温度、烟气温度、烟气含氧量）作为建模的输入样本，锅炉燃烧热效率和NOx排放浓度作为建模的输出样本。锅炉燃烧热效率模型和NOx排放浓度预测模型结构，见图1。

图1 锅炉预测模型

2 建模过程

2.1 参数选取

本文选取影响锅炉燃烧热效率和NOx排放浓度的主要参数：锅炉负荷、炉膛密相区温度、一次风流量、一次风温度、二次风总流量、风机入口温度、烟气温度、烟气含氧量。

2.2 数据归一化处理

由于实验所采集的各样本参数量纲不同，将数据直接输入OS-ELM算法中训练必然影响机器学习的训练效果。因此，应采用归一化方式，将数据归一化到[-1，1]。

2.3 建立预测模型

1）燃烧热效率预测模型

将影响燃烧热效率的各相关采样值（历史值、实时值）作为燃烧系统的输入值，烧热效率作为燃烧系统的输出值，基于OS-ELM 算法建立燃烧热效率的预测模型。该算法分为两个阶段：离线阶段处理历史数据；在线阶段处理在线数据。

2）NOx排放浓度预测模型

将影响NOx排放浓度的各相关采样值（历史值、实时值）为燃烧系统的输入值，NOx排放浓度作为燃烧系统的输出值，基于OS-ELM算法建立NOx排放量的预测模型。该算法分为两个阶段：离线阶段处理历史数据；在线阶段处理在线数据。

3）预测模型参数寻优

由于普通粒子群算法（Particle Swarm Optimization，PSO）较易产生陷入局部最优，无法求得全局最优解的缺点，本文选用混沌粒子群算法（Chaotic Particle Swarm Optimization，CPSO）求解锅炉预测模型的参数。利用混沌算法的随机性和遍历性初始化粒子群，使粒子均匀分布在解集空间内，算法避免陷入局部最优。根据燃烧系统热效率和NOx排放浓度建立一体化多目标适应度函数，如式（1），尽可能寻求二者平衡点，实现高效率低污染最优平衡。

3 建模验证

为验证建模方法的有效性，在锅炉监控信息系统中采集一台锅炉的100组热力数据（锅炉负荷、炉膛密相区温度、一次风流量、一次风温度、二次风总流量、风机入口温度、烟气温度、烟气含氧量）。其中，35组作为历史数据，65组作为在线数据。经归一化处理后的数据作为建模输入样本，锅炉热效率和NOx排放浓度作为系统输出样本。锅炉燃烧热效率采样值与模型预测值的对比曲线见图2；NOx排放浓度采样值与模型预测值对比曲线见图3。从图2和图3中可以看出预测值曲线与采样值曲线高度拟合，建模精度高。