300 MW燃煤電站鍋爐飛灰含碳量和NOx排放濃度多目標優化

盧洪波，王金龍

(東北電力大學，吉林 吉林 132012)

飛灰含碳量是影響鍋爐熱效率的一個重要指標，對于電廠鍋爐的安全經濟運行有重要影響。另外，影響飛灰含碳量的因素很多而且復雜，預測和控制都比較困難;電站燃煤釋放的NOx是造成酸雨的原因之一，酸雨對環境的危害極大。由于電站鍋爐實際運行時依據經驗和有限的調試結果難以將實爐的燃燒工況調整到最佳狀態下，因此，本文利用非線性建模的方法對飛灰含碳量和NOx排放濃度建立適當的模型，以對其進行控制和優化。

1 飛灰含碳量和NOx排放濃度影響因素分析

影響飛灰含碳量的因素很多，也很復雜，本文主要針對影響飛灰含碳的燃燒器擺角位置、過量空氣系數和揮發分因素進行分析。同時，氮氧化物的排放濃度受多種因素的影響，主要有燃燒器結構、爐膛熱負荷、煤種、含氮量、含碳量、發熱值、鍋爐負荷、一次風速、煤粉濃度、二次風配風方式和總風量等[1-5]。

1)爐膛火焰中心的位置隨著燃燒器擺角的變化而上下浮動，火焰中心位置的變化將直接影響煤粉在爐膛內的燃燒時間，在其它運行參數不變的情況下，燃燒器向上擺動時，火焰中心上移，燃料在爐膛內的停留時間減少，將導致飛灰含碳增加，相反，燃燒器向下擺動時，火焰中心下移，燃料在爐膛內的燃燒時間延長，從而減少了煙氣中的飛灰含碳量。

2)過量空氣系數直接影響煙氣中含氧量的高低，當過量空氣系數增加時，爐膛中氧氣濃度增加，從燃燒的角度分析，煤粉燃燒反應速率增加，從而飛灰含碳量降低;但是當爐膛出口過量空氣系數過大時，會降低爐膛燃燒區域的溫度，從而降低了燃燒速度，致使飛灰含碳量增加。

3)煤粉在爐膛中燃燒，最先燃燒的是揮發分。揮發分燃燒放出大量的熱，加熱煤粉達到其著火點后，煤粉才開始燃燒。同時，在揮發分析出的過程中，在煤粉表面和內部形成許多空隙，增加了與氧氣的接觸面積，增強了燃燒[6]。綜合以上考慮，燃料中揮發分含量增加時，飛灰含碳量將會減少。

4)鍋爐負荷的高低影響爐膛溫度，爐膛溫度又影響氮氧化物的生成，所以說鍋爐負荷也間接影響著氮氧化物的生成。當鍋爐負荷增加時，鍋爐溫度增加，在其他條件不變的情況下，氮氧化物生成量增多;當鍋爐負荷降低時，同樣在其他條件不變時，爐膛溫度降低，氮氧化物生成量降低。實際中，氮氧化物含量與爐膛中氧的含量有密切的關系。

5)過量空氣系數常用空氣預熱器出口的煙氣含氧量來表征。當過量空氣系數增加時，煙氣中氧的含量增加，燃燒區域氧量增加，爐膛內燃燒溫度升高，熱力氮氧化物的生成量將升高;同時燃燒區域氧濃度的升高，也增加了燃料中氮的中間產物與氧反應生成氮氧化物的可能性。當過量空氣系數減少時，煙氣中氧含量減少，燃燒區域氧量減少，熱力型氮氧化物和燃料型氮氧化物的生成量都會減少。

飛灰含碳量和氮氧化物排放濃度的影響因素很多，相互影響，不可能全部作為模型的輸入量。考慮到兩者的主要影響因素，本文將鍋爐負荷、給煤機出力、二次風平均閥位、燃料風擋板開度、一次風壓、煙氣含氧量、省煤器出口煙溫、燃燒器擺角、收到基揮發分、碳基、氮基和低位發熱量等12個參數作為模型的輸入量，將飛灰含碳量和氮氧化物排放濃度因素作為模型的輸出。

2 飛灰含碳量和NOx排放改進支持向量機建模

根據以上模型輸入輸出影響因素的分析，運用改進支持向量機算法(libsvm)，建立了以飛灰含碳量和氮氧化物排放濃度為輸出，以相關影響因素為輸入的支持向量機模型[7-8]如圖1所示。

圖1 飛灰含碳量和氮氧化物排放濃度多目標模型

本節中所用到的數據是從某電廠DCS系統中采集到的數據，共采集到82組數據，經過數據的分析篩選，得到73個運行工況，將其作為研究對象。在支持向量機中，選擇恰當的核函數對回歸分析很重要，本節以高斯函數f(x)=ae-(x-b)2/c2為核函數。用采集到的73組數據訓練和驗證支持向量機模型，運用徑向基高斯函數對其進行回歸分析。對于氮氧化物排放濃度較高的工況2，應用選擇好的參數進行預測。改進支持向量機模型的不敏感損失函數因子e取為10-3，在訓練誤差小于10-5時，設定停止訓練，拉格朗日乘子上界取c為100，寬度width取為3。通過訓練和驗證，得出飛灰含碳量訓練樣本的均方誤差為1.3%;氮氧化物排放濃度訓練樣本的均方誤差為0.8%，誤差很小，符合工程實際的需要。

圖2和圖3分別為訓練樣本飛灰含碳量計算值與實際值對比圖和訓練樣本氮氧化物排放濃度計算值與實際值對比圖。從圖2和圖3中可以看出，飛灰含碳量和NOx排放濃度的計算輸出與實際輸出非常接近，說明該模型能夠正確的反映出輸入量與輸出量之間的非線性關系，能夠應用于實際的工程預測。飛灰含碳量驗證樣本的均方誤差為2.15%，氮氧化物排放濃度驗證樣本的均方誤差為1.24%，誤差很小，符合工程實際要求。

圖2 訓練樣本飛灰含碳量計算值與實際值對比圖

圖4和圖5分別為飛灰含碳量和氮氧化物排放濃度模型驗證樣本的相對誤差曲線圖，紅色線為現場的實際運行數據，藍色線為模型的計算數據。從圖4和圖5可以看出，模型計算數據曲線與現場的實際運行數據曲線非常穩合，說明該模型能夠模擬鍋爐內復雜的燃燒過程。

3 基于人工智能算法的飛灰含碳量和NOx排放濃度多目標優化

應用支持向量機建模的目的是為了對系統進行優化，優化目標定義為飛灰含碳量和NOx排放濃度，在確保鍋爐出力和穩定運行的條件下，調整燃燒可調參數，至飛灰含碳量和NOx排放濃度達到最優值。優化目標如下:

由訓練好的支持向量機所建立的函數關系為

式中:f1為NOx排放濃度;f2為飛灰含碳量;Xi為輸入層第i個變量;Xi為訓練樣本;Ei為Xi的取值范圍;δ為核參數;i=1，2，3…30，l=1，2，3，…，30;a1、a2為拉格朗日乘子;b1、b2為偏差量[9-11]。

在樣本歸一化的過程中，存在最大值和最小值，優化區間就在最大值和最小值的基礎上分別加減10%，并對NOx排放濃度較高工況2進行優化。

利用人工智能算法進行飛灰含碳量和NOx排放濃度優化，初始化種群規模為20，最大進化代數為50，優化函數選擇高斯函數f(x)=ae-(x-b)2/c2，尋優流程與一般的優化算法類似。

經過計算后，優化飛灰含碳量達到1.11%，NOx排放濃度至820.35 mg/m3。同時得到了該工況下的運行參數調整情況，如表1所示。圖6為飛灰含碳量和氮氧化物排放濃度多目標優化流程圖。

表1 優化后運行參數調整情況表

圖6 飛灰含碳量和氮氧化物排放濃度多目標優化流程圖

從圖6可以看出，對于氮氧化物排放濃度和飛灰含碳量優化，微分進化算法進化到第8時最先趨于穩定，達到最優值;粒子群算法在趨于穩定的過程中稍有波動，最后在進化到第12時，趨于穩定，達到最優值，與微分進化算法所得結果相同，兩種算法相互驗證，說明計算結果準確;遺傳算法所尋得的最佳氮氧化物排放濃度和飛灰含碳量比前兩者要高一些，而且所需時間更長，效果不太理想。

4 結論

1)增加燃料風擋板開度和二次風平均閥位，使可燃物與氧氣恰好充分反映，減少飛灰含碳量的生成。

2)適當降低一次風壓，減少燃燒區域的擾動，在燃燒過程中能夠局部形成還原性氣氛，減少氮氧化物的形成。

3)降低燃燒器擺角，延長煙氣在爐膛內的停留時間，使前期產生的飛灰含碳再燃燒，從而減少飛灰含碳量。

4)在運用3種智能算法進行優化的過程中，從表1和圖5中可以看出，無論是從優化最終所得目標還是尋優速度，微分進化算法都是最好的，如果用于在線優化，微分進化算法就是最佳選擇。

[1]張曉輝，孫銳，孫紹增，等.200 MW鍋爐空氣分級低NOx燃燒改造實驗研究[J].熱能動力工程，2008，23(6):676-680.

[2]王學棟，辛洪昌，欒濤，等.330 MW機組鍋爐燃燒調整對NOx排放濃度影響的試驗研究[J].電站系統工程，2007，2(3):7-10.

[3]許昌，呂劍虹，鄭源.基于IMRAN的電站鍋爐效率與NOx排放模型[J].鍋爐技術，2009，40(3):5-9.

[4]凡榮榮，姚翠蘭，楊巨生，等.基于PSO優化鍋爐氮氧化物的排放[J].熱力發電，2012，41(8):28-31.

[5]劉建忠，曹欣玉，周俊虎，等.煤粉鍋爐NOx排放特性及控制的研究[J].燃料化學學報，2002，30(1):6-9.

[6]周俊虎，劉茂省，周志軍，等.常規煤粉再燃技術在電站鍋爐上的應用[J].中國電機工程學報，2008，28(26):14-18.

[7]Platt J.A resource allocating network for function interpolation[J].Neural Computation.1991，2(3):213-225.

[8]周昊，朱洪波，岑可法.基于人工神經網絡和遺傳算法的火電廠鍋爐實時燃燒優化系統[J].動力工程，2003，23(5):2665-2669.

[9]許昌，呂劍虹，鄭源.基于效率與NOx排放的鍋爐燃燒優化試驗及分析[J].鍋爐技術，2006，37(5):69-74.

[10]Gormley C H，Thompson S.A lumped parameter NOxemissions model for a coal-fired boiler of power station[J].Journal of Institute of Energy.2002，75(2):43-51.

[11]魏輝，陸方，羅永浩，等.燃煤鍋爐高效、低NOx運行策略的研究[J].動力工程，2008，28(3):361-366.