基于LIBSVM和智能算法的電站鍋爐排煙溫度優化

盧洪波，王金龍

(東北電力大學能源與動力工程學院，吉林吉林 132012)

目前，電站鍋爐排煙溫度的影響因素很多，預測和控制比較困難[1-3]，實際運行時依據經驗和有限的調試結果難以將燃燒工況調整到最佳狀態。而利用支持向量機對鍋爐燃燒特性和對求解灰熔點問題進行建模對鍋爐實際運行具有一定的指導意義。沈利等人利用遺傳算法實現運行工況尋優從而獲得鍋爐燃燒優化的調整方式[4-8]，王春林等人利用遺傳算法對支持向量機模型的參數進行了優化，獲得了最優的模型參數，優化后的支持向量機模型實現了對單煤和混煤灰熔點較精確的預測[9-10]。蔡杰進和王春林等人應用支持向量機算法建立了燃煤電站鍋爐飛灰含碳量特性的模型，并利用鍋爐實際運行的數據對模型進行了校驗，上述方法分析結果表明支持向量機比其他建模方法泛化能力強、計算速度快、預測精度高[11-12]。因此，本文運用改進的支持向量機算法，建立了某1 000 MW電站燃煤鍋爐排煙溫度與運行參數之間關系的模型，利用電廠實際運行數據訓練和驗證模型，并運用智能算法對模型優化，得出相應的參數調整策略，對指導電站鍋爐運行有一定的參考價值。

1 超臨界鍋爐排煙溫度的支持向量機模型

超臨界鍋爐排煙溫度的支持向量機模型如圖1所示，模型輸入參數為給水流量、主蒸汽溫度、給煤量、爐膛總風量等，這些參數反映了鍋爐工況。給水溫度對排煙溫度的影響很大，給水溫度降低，在省煤器處會增大省煤器的傳熱溫壓，增加省煤器的吸熱量，降低排煙溫度;給水溫度增高，省煤器處的傳熱溫壓降低，吸熱量減少，排煙溫度升高。過熱器一、二級減溫水量不直接影響鍋爐的排煙溫度，但是，在現場調節中，減溫水量的增大說明過熱器中工質的吸熱量大，煙氣換熱能力增強，從而在一定程度上降低了排煙溫度。空預器漏風率對排煙溫度的影響很大，空預器熱端漏風會造成排煙溫度升高，嚴重影響機組的安全運行。空預器的換熱能力強，熱風溫度高，改善了爐膛內的燃燒狀況，使飛灰含碳量、排煙溫度降低，同時二次風量、各磨的一次風量的配比和爐膛風箱壓力，對組織爐膛的空氣動力場和燃燒熱流密度在爐膛中的分配起到重要作用。考慮到電廠用煤在一段時間內不會改變，所以不將煤質因素考慮在內。

圖1 排煙溫度的支持向量機模型圖

綜合上述分析，將以上因素作為模型的輸入參數，以排煙溫度為輸出參數建立模型:

由于核函數的選擇對支持向量機回歸分析具有一定的影響，因此本文選擇高斯函數f(x)=ae-(x-b)2/c2作為核函數。分別取前40組數據作為訓練樣本，后33組數據作為驗證樣本，對支持向量機模型進行訓練和驗證，采用高斯函數進行回歸分析，并應用選擇好的參數對工況1進行預測。模型的不敏感損失函數參數e取為10-3，設定當訓練誤差ε＜10-5時停止訓練，拉格朗日乘子上界C取為100，寬度d取為3。經訓練和驗證后，訓練樣本的均方誤差為1.16%，驗證樣本的均方誤差為1.33%。訓練樣本排煙溫度計算值與實際值的比較如圖2所示。

從圖2可以看出，排煙溫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。驗證樣本的最大相對誤差為1.75%，平均相對誤差為1.375%，滿足工程實際要求。

圖3為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3可以看出，除個別點誤差相對大一點外，其他各個工況的模型計算數據與現場的實際運行數據非常穩合，說明該模型能夠模擬鍋爐內復雜的燃燒過程。

2 基于人工智能算法的排煙溫度優化

應用支持向量機建模的目的是為了對系統進行優化，即以排煙溫度為目標，在保證鍋爐出力和安全運行的前提下調整燃燒工況的可調參數，使排煙溫度達到最優值，定義優化目標為

式中f表示由已訓練好的支持向量機所建立的映射關系。f可以表述為

式中:f為排煙溫度;Xi為支持向量機輸入層第i個變量;Xl為支持向量機訓練樣本;Ei為第i個輸入變量的取值范圍;δ為核參數;i=1，2，3……19，a、b分別為支持向量機的拉格朗日乘子和偏差量[7]。

針對排煙溫度較高工況1進行優化，樣本歸一時有最大值和最小值，尋優范圍就在最大值和最小值的基礎上分別加減10%。為了保證負荷穩定，給水溫度不宜過低，故在優化時限定給水溫度的取值范圍為257～296℃。另外，排煙溫度過低會加重尾部煙道的低溫腐蝕，排煙溫度的取值范圍應大于120℃。

利用人工智能算法進行排煙溫度優化，初始化種群規模為20，最大進化代數為50，優化函數選擇徑向基函數f(x)=ae-(x-b)2/c2，尋優流程如圖4所示。

圖4 智能算法尋優流程圖

經過計算，優化排煙溫度至124.85℃，該工況下的運行參數調整情況如表1所示。從表1可以看出，對于此優化工況，運用遺傳算法優化后的排煙溫度為129.29℃，比原始值降低了8.31℃，而運用粒子群算法和微分進化算法優化后的排煙溫度值為124.85℃，比原始值降低了12.75℃，后兩種方法比遺傳算法優化效果更好。運用相應的參數調整策略，能夠提高底層燃燒器所對應的A磨的一次風量，降低頂層燃燒器所對應的C磨和D磨的一次風量，使整個火焰中心下移、爐膛內的輻射換熱增加、爐膛出口煙氣溫度減小，最后達到降低排煙溫度的結果。在此基礎上，降低煙氣含氧量、給水溫度、二次風量，也能降低排煙溫度。

表1 優化后的參數調整情況表

圖5是3種優化方法對排煙溫度的尋優過程圖。從圖5可以看出，遺傳算法的尋優過程曲線比較平緩，達到最大進化代數時的尋優結果為129.29℃，尋優過程耗時比較長，優化結果不理想，不適合在線優化。然而，粒子群算法和微分進化算法的尋優過程曲線前期下降非常明顯，在進化代數達到19代左右即尋得最優排煙溫度，速度非常快，非常適合在線進行優化。相比于粒子群算法，微分進化算法的優化效果更好，尋優曲線趨于穩定的過程更快。

圖5 GA、PSO、DE算法的尋優過程圖

3 結論

1)運用改進的支持向量機算法建立了某1 000 MW電站燃煤鍋爐排煙溫度與運行參數之間關系的模型，訓練樣本的均方誤差為1.16%，驗證樣本的均方誤差為1.33%，誤差表明模型能夠將電站鍋爐排煙溫度與運行參數之間的復雜關系、系統內的相互耦合關系準確表達出來，可以應用于排煙溫度的預測。

2)采用智能算法對模型進行優化，得出參數調整策略:提高底層燃燒器所對應的A磨煤機的一次風量，降低頂層燃燒器所對應的C、D磨煤機的一次風量，可以使整個火焰中心下移，使爐膛內的輻射換熱增加，爐膛出口煙氣溫度減小，最后達到降低排煙溫度的結果。

3)比較微分進化算法、粒子群算法和遺傳算法，微分進化算法的優化效果最好，趨于穩定的過程最快，是3種算法中最優的。粒子群算法雖然最終優化結果與微分進化算法相同，但所需時間比較長，遺傳算法無論從最終結果還是優化所需時間都是最差的;如果用于在線優化，微分進化算法是不錯的選擇。

[1]沈利，楊建國，趙虹.基于燃煤特性的電站鍋爐排煙溫度預測模型研究[J].熱力發電，2011，40(7):19-23.

[2]Hoi Ming Chi，Okan K.Ersoya，Herbert Moskowitz，et al.Modeling and optimizing a vendor managed replenishment system using machine learning and genetic algorithms[J].European Journal of Operational Research，2007，18(5):174-193.

[3]佐雙吉.回轉式空氣預熱器漏風改造[J].熱力發電，2007，12(4):44-48.

[4]費洪曉，黃勤徑，戴戈，等.基于SVM與遺傳算法的燃煤鍋爐燃燒多目標優化系統[J].計算機應用研究，2008，25(3):811-813.

[5]Kalogirou S A.Artificial intelligence for the modeling and control of combustion processes:a review[J].Progress in Energy and Combustion Science，2003，29(6):515-566.

[6]劉定平，蔡泓銘，葉向榮.基于LSSVM-MODE的鍋爐效率與NOx排放優化研究[J].熱力發電，2010，39(7):23-26.

[7]劉定平，肖蔚然.應用最小二乘支持向量機和混合遺傳算法的制粉系統優化控制[J].動力工程，2007，27(5):728-731.

[8]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.

[9]王春林，周昊，李國能，等.基于支持向量機與遺傳算法的灰熔點預測[J].中國電機工程學報，2007，27(8):11-15.

[10]趙顯橋，吳勝杰，何國亮，等.支持向量機灰熔點預測模型研究[J].熱能動力工程，2011，26(4):436-439.

[11]蔡杰進，馬曉茜.基于SVM的燃煤電站鍋爐飛灰含碳量預測[J].燃燒科學與技術，2006，12(4):312-317.

[12]王春林，周昊，周樟華，等.基于支持向量機的大型電廠鍋爐飛灰含碳量建模[J].中國電機工程學報，2005，25(24):72-76.