PAGEPAGE7燃煤鍋爐NOx排放建模及優(yōu)化研究以超臨界燃煤鍋爐為研究對象，應用人工神經(jīng)網(wǎng)絡對其建立NOX排放模型。該模型具有較高的準確性，仿真平均誤差為1.37%，真實值與仿真值吻合度高。結合遺傳算法對模型進行優(yōu)化，優(yōu)化后的人工神經(jīng)網(wǎng)絡性能進一步提高，仿真平均誤差為0.18%，較優(yōu)化前降低1.19百分點。優(yōu)化前的第9個訓練樣本出現(xiàn)最大誤差4.61%，優(yōu)化后降低到0.85%。校驗數(shù)據(jù)樣本值跨度較大，證明模型的泛化能力較強。目前，燃煤電站污染物排放備受關注，從?火電廠大氣污染物排放標準?〔GB13223—2022〕的出臺[1]，到如今提出的燃煤電站大氣污染物超低排放，均規(guī)定NOX，SO2和粉塵的排放限值分別為50、35、10mg/m3〔中東部地區(qū)為5mg/m3〕，因而燃煤電站鍋爐需要更加高效低污染地運行。國內大局部燃煤電站通過加裝選擇性催化復原法SCR脫硝設備控制NOX排放濃度，然而為了減少氨逃逸所帶的問題，SCR脫硝效率一般設計為不高于90%[2]。因此，要到達超低排放限值，爐內燃燒優(yōu)化非常重要。隨著計算機領域的快速開展，人工神經(jīng)網(wǎng)絡開始逐漸應用到燃煤電站鍋爐控制系統(tǒng)[3-5]。電站鍋爐爐內燃燒非常復雜，特別是NOX的生成機制，至今沒有函數(shù)映射能夠準確描述，人工神經(jīng)網(wǎng)絡在處理復雜的非線性映射問題優(yōu)勢明顯，精確度好，泛化能力強，容錯率高，是能夠廣泛應用的黑箱模型。應用人工神經(jīng)網(wǎng)絡那么不需要考慮復雜的燃燒過程和NOX生成機制，通過可靠的數(shù)據(jù)樣本作為輸入和輸出進行學習，保證網(wǎng)絡的性能要求[6-7]。局部學者在神經(jīng)網(wǎng)絡應用于鍋爐燃燒優(yōu)化領域已有一些研究成果。BOOTH等[8]從降低NOX排放濃度入手，建立鍋爐NOX排放模型，對其運行參數(shù)進行優(yōu)化，優(yōu)化后的鍋爐NOX排放量降低了16%，鍋爐效率提高了0.3%。王斌忠等[9]在研究鍋爐灰渣結渣中采用了SVM模型預測其生成。周昊等[10][11]對某30萬機組的鍋爐飛灰含碳量和污染物排放建立了BP神經(jīng)網(wǎng)絡模型。董文波以某電廠鍋爐為原型，應用RBF神經(jīng)網(wǎng)絡建立了鍋爐主蒸汽溫度監(jiān)控系統(tǒng)，在常見PID根底上，創(chuàng)立了RBF網(wǎng)絡的PID控制器。以上研究在控制優(yōu)化方面有很多獨到的見解，但在模型建立上較為單一，本研究在建立鍋爐NOX排放神經(jīng)網(wǎng)絡模型的根底上，應用遺傳算法對模型進行優(yōu)化，使網(wǎng)絡的性能大大提高。1研究對象本文研究對象為某發(fā)電公司660MW超臨界參數(shù)變壓直流鍋爐，BMCR工況下主蒸汽參數(shù)為2060t/h、26.15Mpa、605℃，為一次再熱、變壓直流、單爐膛、固態(tài)排渣、全懸吊結構Ⅱ型鍋爐。制粉系統(tǒng)為中速磨煤機直吹式正壓冷一次風制粉系統(tǒng)，運行設計煤種，每爐配6臺磨煤機，1臺備用。采用前后墻對沖燃燒，燃燒器布置3層，每層前后墻各6只低氮旋流燃燒器。2BP神經(jīng)網(wǎng)絡建模BP神經(jīng)網(wǎng)絡是少有的誤差信號反向傳遞，含有多個隱含層的前饋神經(jīng)網(wǎng)絡。外界信號通過輸入層傳遞給中間隱含層，這是BP神經(jīng)網(wǎng)絡的核心計算處，信號在此處理完后傳遞至輸出層，并判斷是否滿足輸出誤差，進而決定完成訓練還是反應誤差繼續(xù)訓練。不斷調整各層之間的權值和閾值，當誤差范圍滿足要求時，網(wǎng)絡完成訓練[12-13]。2.1模型建立本研究的電站鍋爐已經(jīng)投運，爐型、燃燒方式和其他主要設備一般不會改變。在電廠經(jīng)常運行的負荷和煤種下，氧量對NOX生成影響較大，因此將各個二次風門開度作為輸入來反映氧量對NOX生成量的影響。5臺磨煤機的給粉反映了煤粉量對NOX生成的影響，爐膛與風箱壓差描述風速的影響，經(jīng)研究燃盡風能夠影響NOX的生成量，因此將兩個燃盡風口開度也作為輸入?yún)?shù)，總計14個輸入?yún)?shù)，輸出為NOX排放濃度。建模實驗數(shù)據(jù)見表1。表1建模實驗數(shù)據(jù)BP神經(jīng)網(wǎng)絡的sigmod傳遞函數(shù)要求數(shù)據(jù)區(qū)間為[0，1]或[-1，1]，因此在訓練之前對數(shù)據(jù)樣本進行歸一化處理，在輸出的結果中再對輸出數(shù)據(jù)進行返歸一化處理。本研究采用含有1個隱含層的3層BP神經(jīng)網(wǎng)絡結構對鍋爐進行排放特性建模，其中輸入層網(wǎng)絡的神經(jīng)元節(jié)點為14個，輸出層節(jié)點為1個，隱含層節(jié)點16個，各層之間通過log-sigmoid函數(shù)連接，學習效率取0.8。對熱態(tài)試驗的每個工況取18個訓練樣本數(shù)據(jù)用于網(wǎng)絡訓練學習，3個校驗樣本數(shù)據(jù)用來測試網(wǎng)絡的性能，當訓練均方誤差小于0.001時結束訓練。再結合遺傳算法優(yōu)化網(wǎng)絡初始權值和閾值，比擬網(wǎng)絡優(yōu)化前后的性能差異。2.2建模結果由圖1可以看出，訓練真實值與神經(jīng)網(wǎng)絡仿真值比擬吻合，大局部工況都能很好的模擬，仿真平均誤差為1.37%，其中最大相對誤差出現(xiàn)在訓練樣本9，最大相對誤差為4.61%。圖1模型仿真3個校驗樣本的相對誤差分別為0.46%、0.59%、2.34%，一般省煤器出口NOX排放值大約在400mg/m3，仿真誤差完全可以滿足電廠運行的需要。NOX排放神經(jīng)網(wǎng)絡模型的3個校驗數(shù)據(jù)相差比擬大，但神經(jīng)網(wǎng)絡模型的仿真誤差很小，證明神經(jīng)網(wǎng)絡模型的泛化能力很強。3網(wǎng)絡優(yōu)化遺傳算法是基于環(huán)境抉擇和生物繁衍行為中演化而成的優(yōu)化方法，運用仿生技術解決實際問題，借助遺傳學中的基因重組、基因變異產(chǎn)生適應度高的新個體，通過多代的遺傳，最終得到最優(yōu)結果。在鍋爐NOX排放神經(jīng)網(wǎng)絡模型根底上，結合遺傳算法對模型進行優(yōu)化，優(yōu)化后網(wǎng)絡性能更佳。本研究以網(wǎng)絡權值和閾值作為目標函數(shù)，初始種群數(shù)為35，交叉概率為0.4，變異概率為0.2，設置進化代數(shù)為100代，圖2為適應度曲線。圖2適應度曲線優(yōu)化結果如圖3所示。由圖3可看出，優(yōu)化后的模型精確度更高，平均仿真誤差為0.18%，訓練樣本9的誤差在優(yōu)化后降低到了0.85%。3個校驗樣本的相對誤差分別為0.39%、0.51%、0.80%，平均仿真誤差為0.57%。圖3優(yōu)化后的模型仿真對BP神經(jīng)網(wǎng)絡進行線性回歸分析，結果說明訓練數(shù)據(jù)的線性回歸分析根本準確，測試數(shù)據(jù)線性回歸稍有偏差，整個網(wǎng)絡大局部數(shù)據(jù)根本能夠保持較小誤差的仿真模擬，也有局部數(shù)據(jù)點分布在直線兩側，在可接受范圍內。優(yōu)化結果說明，遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡是有效的，能夠提高網(wǎng)絡的精確性，泛化能力。表2模型性能比照4結論〔1〕對某660MW超臨界鍋爐的NOX排放特性建立了BP神經(jīng)網(wǎng)絡模型，模型的平均仿真誤差為1.37%，校驗樣本平均相對誤差為1.13%，證明網(wǎng)絡精確度較高，根本可以滿足電站運行需要?！?〕結合遺傳算法，對所建立的BP神經(jīng)網(wǎng)絡NOX排放模型進行優(yōu)化，優(yōu)化后的平均仿真誤差為0.18%，較優(yōu)化前有所降低，校驗樣本的數(shù)據(jù)跨度較大，但仿真誤差小，證明模型的泛化能力強。結果說明，遺傳算法優(yōu)化神經(jīng)網(wǎng)絡能夠提高其性能。內容總結

〔1〕燃煤鍋爐NOx排放建模及優(yōu)化研究

以超臨界燃煤鍋爐為研究對象，應用人工神經(jīng)網(wǎng)絡對其建立NOX排放模型

〔2〕燃煤鍋爐NOx排放建模及優(yōu)化研究

以超臨界燃煤鍋爐為研究對象，應用人工神經(jīng)網(wǎng)絡對其建立NOX排放模型

〔3〕再結合遺傳算法優(yōu)化網(wǎng)絡初始權值和閾值，比擬網(wǎng)絡優(yōu)化前后的性能差異

〔4〕3個校驗樣本的相對誤差分別為0.39%、0.51%、0.80%，平均仿真誤差為0.57%

內容總結

（1）燃煤鍋爐NOx排放建模及優(yōu)化研究

以超臨界燃煤鍋爐為研究對象，應用人