摘要：

隨著環(huán)境保護要求的日益嚴格和燃煤價格的不斷上漲，在“廠網分開，競價上網”的運行機制下，電站鍋爐面臨降低運行成本與降低污染物排放的雙重要求，高效率、低污染的燃燒優(yōu)化技術口益引起人們的關注。大量實踐經驗表明，通過燃燒調整可以獲得較高的燃燒效率和降低NOx排放量，是一種經濟而有效的辦法。

鍋爐燃燒調整的主要任務是根據不同的負荷和煤種，進行合理的配風、配煤。但是影響鍋爐熱效率與NOx排放的因素很多，如煤質特性、負荷、配風方式、燃燒器型式、護溫、過剩空氣系數、煤粉細度等，而燃燒調整試驗一般只能做有限的幾個工況點，因此鍋爐實際運行工況一般與試驗工況有較大差異。如果仍根據原有的優(yōu)化運行規(guī)程進行燃燒調整必然會造成偏差，因此需要建立鍋爐熱效率和NOx排放優(yōu)化模型，用于指導電站鍋爐的經濟運行。

一般而育，煤粉高效棋燒與NOx低排放是互為矛盾的，但理論上存在一個最佳點，而燃燒調整試驗往往難以確定這個點，運行人員只能根據自己長期積累的經驗進行調整.這就給燃燒調整操作帶來很大隨意性。很多燃燒優(yōu)化方案僅僅只是針對燃燒效率或者NOx低排放中某一個或兩者的其種加權和進行優(yōu)化，兩者不能兼顧且需要依賴試驗人員根據經驗來設定加權系數。本文采用多目標遺傳算法對這一優(yōu)化問題進行求解，優(yōu)化結果可以同時兼顧鍋爐高效率燃燒與NOx較低的排放水平，直觀地反應燃燒效率和污染物排放量，實現(xiàn)最大的綜合效益。

一、鍋爐燃燒優(yōu)化問題的神經網絡模型

1.1 人工神經網絡模型

在多種神經網絡模型中，較為常用的是BP網絡模型，其網絡模刮結構見圖1。網絡由一個輸入層、若干個隱含層和一個輸出層組成，每一層均有一個或多個神經元節(jié)點，信息從輸入層依次經各隱含層向輸出層傳遞，層間的連接關系強弱由連接權值來表征。通過樣本集對網絡的連接權進行調整，以使得網絡實現(xiàn)給定的輸入一輸出映射關系。連接權的調整采用反向傳播學習算法，即BP算法。BP算法采用梯度搜索技術，使網絡的實際輸出與期望輸出的均方差達到一定的要求。

BP網絡的主要優(yōu)點是：網絡結構簡單，算法易于編程實現(xiàn);只要有足夠的隱層和隱節(jié)點，BP網絡可以逼近任意的非線性映射關系;BP網絡的學習算法屬于全局逼近的方法，因而具有較好的泛化能力。

1.2 基于BP網絡的燃燒優(yōu)化模型

鍋爐的燃燒過程是一個復雜的物理、化學過程，影響因素眾多，且具有強耦合、非線性等特征，對于這些復雜的過程，難以用機理模型來描述?；谏窠浘W絡的模型屬于黑盒模型，其模型輸入一輸出之間的非線性函數關系由神經網絡實現(xiàn)。

本文利用文獻提供的性能試驗結果建立鍋爐的神經網絡模型。模型以煤種特性、煤粉細度、磨煤機數量、排煙溫度和爐膛出口氧體積分數為輸入，以鍋爐效率和NOx排放為輸出，見圖2。

神經網絡訓練的所有樣本數據從電廠煤質分析和DCS系統(tǒng)中采集，具體數據見表1。

利用文獻提供的燃燒特性數據，建立BP神經網絡的響應模型。輸入和輸出層分別為11個輸入節(jié)點和2個輸出節(jié)點，共13組試驗工況，其中前12組作為訓練樣本，第13組樣本用來驗證模型的準確性。神經網絡的訓練結果見圖3, 訓練樣本和驗證樣本均勻分布在基準線附近，模型的估計值很好地逼近了非線性系統(tǒng)輸出的實際值，較好地反映了鍋爐燃燒特性。

二、電站鍋爐多目標燃燒優(yōu)化

近年來，進化計算已在多目標優(yōu)化領域得到廣泛的應用，并形成了多種多目標進化算法，如NSGA2(非劣排序遺傳算法)、 SPEA2(強度Pareto遺傳算法)等。多目標進化算法通過對整個種群進行選擇、交叉和變異等遺傳操作，使種群不斷進化，可一次性獲得大量的多目標優(yōu)化間題的非劣解，本文以文獻所提出的改進多目標算法為例進行分析。

2.1 鍋爐燃燒優(yōu)化的多目標模型

鍋爐燃燒優(yōu)化就是在降低NOx排放的同時提高熱效率，這在本質上是一個多目標優(yōu)化問題，其數學描述為：

其中yη和yNOx分別為鍋爐熱效率和NOx質量濃度;f1、f2表示由神經網絡模型建好的非線性關系;x(i)為第i個優(yōu)化變量，a(i)和b(i)是其取值范圍。

根據運行中可控操作量的原則，本文選取模型輸入中排煙溫度、煤粉細度、爐膛出口φ(O2)為優(yōu)化變量?？紤]到操作習慣與安全性，本文根據文獻中熱力試驗取排煙溫度為150～186℃，煤粉細度為7.4%～16.8%，爐膛出口煙氣杯φ(O2)為3.30%～5.10%。

2.2 仿真計算及優(yōu)化結果分析

對已建立的神經網絡模型，利用多目標遺傳算法進行優(yōu)化計算，分別以表1中鍋爐熱效率最高的第6組和NOx質量濃度最低的第9組運行工況進行優(yōu)化研究。遺傳算法的參數設置為：種群大小30，進化代數500，交叉概率0.9，變異概率0.1。計算所得到的Pareto前沿見圖4。從圖4可以看出，較低的鍋爐NOx質量濃度和較高的熱效率顯然是相互矛盾的。

運行人員可以結合具體的需要選擇優(yōu)化后的參數來調整鍋爐燃燒工況。這里分別從兩組Pareto解集中選擇與表1中第6組工況鍋爐效率相當的參數，以及另一組與第9組工況NOx質量濃度相當的參數，以便于進行優(yōu)化前后的對比。對應的具體參數見表2。

從表2可以看出，對于第6組參數，優(yōu)化后的鍋爐效率與優(yōu)化前相當，但是NOx質量濃度由459.6mg/m3降低到了457.9mg/m3;對于第9組參數，優(yōu)化后的NOx質量濃度與優(yōu)化前相當，鍋爐效率由優(yōu)化前的90.15%略提高到了90.23%, 說明通過多目標優(yōu)化計算，合理設置燃燒參數，可以在NOx質量濃度與鍋爐效率之間找到較好的平衡點，從而達到對鍋爐燃燒工況的改善。

三、結論

本文利用BP神經網絡，結合具體的鍋爐對象，建立了電站鍋爐燃燒系統(tǒng)模型。神經網絡訓練結果表明：模型具有很高的精確度，可以反映鍋爐的燃燒清況，用于鍋爐效率和污染物排放預測。另外，在所得到的模型的基礎上，針對鍋爐效率與污染物排放這一多目標問題進行了優(yōu)化，優(yōu)化時將運行過程中可調的參數作為變量，相比以往根據經驗設定各種參數值，優(yōu)化后具有更高的燃燒效率和更低的污染物排放質量分數;并且一次優(yōu)化可以得到多組運行參數，運行人員還可以根據不同的需要進行折中選擇。