基于反向傳播-向量評價(jià)遺傳算法模型的燃煤電站鍋爐燃燒多目標(biāo)優(yōu)化*

余廷芳 耿 平 曹孟冰 霍二光

(南昌大學(xué)機(jī)電工程學(xué)院，江西 南昌 330031)

影響電站鍋爐熱效率和NOx排放的因素復(fù)雜，對于既定鍋爐，鍋爐負(fù)荷、爐膛氧量、爐內(nèi)配風(fēng)方式以及給煤機(jī)組合方式等因素都會影響鍋爐熱效率和NOx排放，并且這些影響因素相互耦合，呈現(xiàn)出復(fù)雜的非線性關(guān)系，造成燃煤鍋爐的燃燒數(shù)據(jù)分析困難。

當(dāng)前，智能算法在電站鍋爐熱效率和NOx排放等方面的預(yù)測優(yōu)化建模中取得了一定成果。谷麗景等[1]和呂玉坤等[2]借助人工神經(jīng)網(wǎng)絡(luò)建立了鍋爐熱效率和NOx排放的混合預(yù)測模型；王偉等[3]借助自適應(yīng)矯正加權(quán)最小二乘支持向量機(jī)(WLSSVM)實(shí)現(xiàn)了飛灰含碳量的軟測量；孫衛(wèi)紅等[4]借助于改進(jìn)的粒子群優(yōu)化算法(POS)優(yōu)化參數(shù)的最小二乘支持向量機(jī)(LSSVM)建立NOx排放預(yù)測模型；何勇超[5]借助誤差反向傳播(BP)-遺傳算法(GA)神經(jīng)網(wǎng)絡(luò)建立了鍋爐燃燒預(yù)測模型；盧洪波等[6]、王金龍等[7]、吳鋒等[8]和顧燕萍等[9]借助支持向量機(jī)建立了鍋爐熱效率、NOx排放和飛灰含碳量預(yù)測模型，同時(shí)在此基礎(chǔ)上借助GA、粒子群算法、微分進(jìn)化算法分別建立了鍋爐燃燒優(yōu)化模型，并進(jìn)行了對比；張振星等[10]借助果蠅優(yōu)化算法建立了鍋爐高效率低NOx燃燒優(yōu)化模型。

上述研究工作雖然在燃煤鍋爐優(yōu)化中取得了一定效果，但均需要在燃燒特性預(yù)測建模及優(yōu)化算法上花費(fèi)大量的編程精力，導(dǎo)致應(yīng)用效果往往取決于研究者的建模和算法編程能力。專業(yè)的MATLAB智能工具箱在此方面存在巨大優(yōu)勢[11-13]。MATLAB智能工具箱主要包括神經(jīng)網(wǎng)絡(luò)、GA、控制系統(tǒng)、小波分析、信號處理等多種工具箱，這些工具箱是一系列函數(shù)的集合，使用工具箱解決問題時(shí)不需要編寫相應(yīng)函數(shù)的具體程序，只需調(diào)用函數(shù)即可，并且大部分函數(shù)可根據(jù)所解決的具體問題而更改相應(yīng)的參數(shù)設(shè)置，節(jié)省了編程時(shí)間，可以幫助專業(yè)研究人員從大量的智能建模算法中解放出來，將主要精力放在研究對象的專業(yè)領(lǐng)域，建立有針對性的鍋爐燃燒多目標(biāo)優(yōu)化模型。本研究基于某300 MW電站鍋爐的運(yùn)行數(shù)據(jù)，借助MATLAB智能工具箱，以BP神經(jīng)網(wǎng)絡(luò)分別建立鍋爐熱效率和NOx排放預(yù)測模型，在此基礎(chǔ)上以向量評價(jià)遺傳算法(VEGA)建立鍋爐燃燒的優(yōu)化模型，尋求鍋爐熱效率和NOx排放量的優(yōu)質(zhì)解集合，實(shí)現(xiàn)鍋爐熱效率和NOx排放多目標(biāo)優(yōu)化。

1 研究對象介紹

300 MW電站鍋爐為亞臨界、四角切圓燃燒、自然循環(huán)汽包爐。鍋爐采用單爐膛型露天布置，燃用煙煤，一次中間再熱，平衡通風(fēng)，固態(tài)排渣，全鋼架、全懸吊結(jié)構(gòu)，爐頂帶金屬防雨罩。鍋爐燃燒器采用水平濃淡型直流擺動(dòng)煤粉燃燒器，濃淡兩股風(fēng)、粉氣流從爐膛四角噴入，每角燃燒器共布置13層噴口，包括5層一次風(fēng)口、8層二次風(fēng)口(包括1層消旋二次風(fēng)(OFA)噴口)。采用中速磨煤機(jī)/冷一次風(fēng)

機(jī)/正壓直吹式制粉系統(tǒng)，配5臺磨煤機(jī)與5臺給煤機(jī)。

2 BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型

2.1 建立BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型

從電站熱態(tài)試驗(yàn)測試數(shù)據(jù)和運(yùn)行數(shù)據(jù)庫中精選出100組數(shù)據(jù)作為本次試驗(yàn)的樣本，每個(gè)樣本的數(shù)據(jù)是工況穩(wěn)定運(yùn)行2 h以上的平均值，保證了樣本數(shù)據(jù)的可靠性與合理性。其中，80組作為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，20組作為校驗(yàn)樣本。每組數(shù)據(jù)有22個(gè)維度，1～20維包括鍋爐負(fù)荷、爐膛氧量、一次風(fēng)、二次風(fēng)、燃盡風(fēng)和給煤機(jī)給煤量等參數(shù)，21～22維為NOx排放量和鍋爐熱效率，部分?jǐn)?shù)據(jù)見表1和表2。飛灰含碳量數(shù)據(jù)通過飛灰含碳量在線檢測系統(tǒng)(試驗(yàn)期間經(jīng)過了標(biāo)定)獲取，煤質(zhì)數(shù)據(jù)按照試驗(yàn)要求采樣檢測，鍋爐熱效率通過離線計(jì)算獲得，其余均為在線采集的表盤數(shù)據(jù)。

由于VEGA優(yōu)化模型的需要，借助BP神經(jīng)網(wǎng)絡(luò)分別建立鍋爐熱效率和NOx排放預(yù)測模型，輸入每組數(shù)據(jù)的1～20維，它們分別代表了鍋爐負(fù)荷，一、二次風(fēng)配比，過量空氣系數(shù)等因素對鍋爐燃燒的影響，以同樣的訓(xùn)練數(shù)據(jù)分別訓(xùn)練鍋爐效率和NOx排放預(yù)測模型，模型如圖1所示。

采用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱自帶的feedforwardnet函數(shù)創(chuàng)建BP神經(jīng)網(wǎng)絡(luò)，采用3層網(wǎng)絡(luò)，隱含層設(shè)為1層，trainlm函數(shù)作為網(wǎng)絡(luò)的訓(xùn)練函數(shù)，傳遞函數(shù)、學(xué)習(xí)速率等采用feedforwardnet函數(shù)的默認(rèn)設(shè)置，經(jīng)過試驗(yàn)，隱含層節(jié)點(diǎn)設(shè)置為23個(gè)時(shí)訓(xùn)練效果最佳。

2.2 BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型效果驗(yàn)證

表1 試驗(yàn)數(shù)據(jù)樣本的給煤量和一次風(fēng)風(fēng)速

注：1)1#、2#、3#、4#、5#分別為不同給煤機(jī)。

表2 試驗(yàn)數(shù)據(jù)樣本的二次風(fēng)開度、爐膛氧量、OFA開度、NOx排放量與鍋爐熱效率

注：1)AA、AB、BC、CC、DD、DE和EE分別為不同風(fēng)口；2)以質(zhì)量分?jǐn)?shù)計(jì)。

圖1 鍋爐燃燒系統(tǒng)BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型Fig.1 BP neural network model of boiler combustion system

為了直觀地分析所建立的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，分別繪制了鍋爐熱效率和NOx排放量的訓(xùn)練效果圖和校驗(yàn)圖(見圖2至圖5)。由于鍋爐熱效率的變化范圍狹窄，對其精確度要求較高，將其相對誤差控制在0.5%以內(nèi)；NOx排放量的變化范圍較大，對其精確度要求相對較低，故將其相對誤差控制在5%以內(nèi)。

鍋爐熱效率的訓(xùn)練效果如圖2所示。圖2表征了鍋爐熱效率預(yù)測模型訓(xùn)練過程預(yù)測值與實(shí)際值的重合度。該模型的訓(xùn)練樣本相對誤差最大絕對值為0.300 0%，最小絕對值為0.000 2%，平均絕對值為0.050 0%，訓(xùn)練準(zhǔn)確度滿足要求。已經(jīng)訓(xùn)練完成的鍋爐熱效率預(yù)測模型的校驗(yàn)樣本相對誤差如圖3所示。圖3表征了該預(yù)測模型的泛化性及精確度。校驗(yàn)樣本相對誤差最大絕對值為0.380 0%，最小絕對值為0.026 0%，平均絕對值為0.210 0%，表明鍋爐熱效率預(yù)測模型具有良好的泛化性和較高的精確度。

NOx排放量的訓(xùn)練效果如圖4所示。圖4表征了NOx排放預(yù)測模型訓(xùn)練過程預(yù)測值與實(shí)際值的重合度。該模型的訓(xùn)練樣本相對誤差最大絕對值為3.680 0%，最小絕對值為0.007 0%，平均絕對值為1.330 0%，訓(xùn)練準(zhǔn)確度滿足本次試驗(yàn)的要求。已經(jīng)訓(xùn)練完成的NOx排放預(yù)測模型的校驗(yàn)樣本相對誤差如圖5所示。圖5表征了該模型的泛化性和精確度，校驗(yàn)樣本相對誤差最大絕對值為4.070 0%，最小絕對值為0.320 0%，平均絕對值為2.410 0%，表明NOx排放預(yù)測模型的泛化性和精確度符合要求。

3 基于BP-VEGA模型的鍋爐燃燒優(yōu)化模型

3.1 模型的建立

VEGA是SCHAFFER在研究多目標(biāo)優(yōu)化問題時(shí)，在擴(kuò)展簡單遺傳算法(SGA)的基礎(chǔ)上提出[14]。該算法的基本思想是：將總種群個(gè)體均分，均分的數(shù)量取決于待優(yōu)化目標(biāo)函數(shù)的個(gè)數(shù)。本次建模有兩個(gè)目標(biāo)函數(shù)，即鍋爐熱效率和NOx排放量，對于均分后的每個(gè)子種群，都有各自的目標(biāo)函數(shù)，這些目標(biāo)函數(shù)都是獨(dú)立且互不影響，在各自的子種群中進(jìn)行選擇運(yùn)算。選擇出適應(yīng)度高的個(gè)體重新組成新的子種群，適應(yīng)度函數(shù)來自前面所建立的鍋爐熱效率和NOx排放預(yù)測模型。將新生成的子種群重新合并成總種群，這個(gè)總種群再繼續(xù)進(jìn)行交叉、變異，生成下一代新的總種群，如此往復(fù)循環(huán)，最終會求得鍋爐燃燒多目標(biāo)問題的優(yōu)質(zhì)解集合，VEGA流程圖如圖6所示。

圖2 鍋爐熱效率的訓(xùn)練效果Fig.2 The training result of the boiler thermal efficiency

圖3 鍋爐熱效率校驗(yàn)樣本的相對誤差Fig.3 The relative error of the boiler thermal efficiency of calibration samples

圖4 NOx排放量的訓(xùn)練效果Fig.4 The training result of NOx emissions

圖5 NOx排放量校驗(yàn)樣本的相對誤差Fig.5 The relative error of NOx emissions of calibration samples

設(shè)置VEGA優(yōu)化模型的技術(shù)參數(shù)和SGA相同，種群個(gè)體全部采用二進(jìn)制編碼，總種群個(gè)體數(shù)目設(shè)為100，根據(jù)待優(yōu)化目標(biāo)函數(shù)將總?cè)后w分為兩個(gè)子群體，初始子群體各有50個(gè)個(gè)體，每個(gè)個(gè)體有20維變量，設(shè)每個(gè)變量的二進(jìn)制位數(shù)為20，代溝為0.9，交叉概率為0.700，變異概率為0.035，設(shè)置其迭代次數(shù)為50。

為了提高優(yōu)化結(jié)果的合理性，將種群中每個(gè)個(gè)體的變量(即鍋爐燃燒參數(shù))約束到一定的范圍內(nèi)，約束范圍根據(jù)電站實(shí)際運(yùn)行經(jīng)驗(yàn)確定，將每個(gè)變量的二進(jìn)制編碼所代表的十進(jìn)制參數(shù)約束在一定范圍內(nèi)，這樣能夠縮小尋優(yōu)范圍，提高優(yōu)化結(jié)果的可行性，找到鍋爐優(yōu)化燃燒參數(shù)的最優(yōu)組合集，如一、二次配風(fēng)方式，給煤機(jī)給煤量分配等鍋爐可調(diào)參數(shù)的最優(yōu)組合方式。

注：n為子種群總數(shù)；i為迭代次數(shù)。圖6 VEGA流程圖Fig.6 Flow chart of VEGA

3.2 模型優(yōu)化結(jié)果

選擇該燃煤鍋爐300、270 MW兩種運(yùn)行負(fù)荷進(jìn)行優(yōu)化，考慮到兩種負(fù)荷下某些鍋爐運(yùn)行參數(shù)的約束范圍不同，故分為兩組分別進(jìn)行優(yōu)化。兩種負(fù)荷下所得到的鍋爐熱效率和NOx排放量多目標(biāo)優(yōu)化的優(yōu)質(zhì)解集合分別見圖7和圖8。50次迭代的結(jié)果，就是50組鍋爐熱效率優(yōu)質(zhì)解集合與50組NOx排放量優(yōu)質(zhì)解集合，可根據(jù)燃煤鍋爐的實(shí)際情況，以鍋爐熱效率或者NOx排放量為依據(jù)選取優(yōu)質(zhì)解所對應(yīng)的鍋爐優(yōu)化參數(shù)組合。

圖7 300 MW負(fù)荷下鍋爐熱效率和NOx排放量的優(yōu)質(zhì)解集合Fig.7 The high-quality solution sets of boiler thermal efficiency and NOx emissions of 300 MW boiler

從圖7可以看出，優(yōu)化后的鍋爐熱效率優(yōu)質(zhì)解集合為92.93%～93.64%，與優(yōu)化前相比，鍋爐熱效率平均約提高1百分點(diǎn)。優(yōu)化后NOx排放量優(yōu)質(zhì)解集合為367～413 mg/m3，比優(yōu)化前的NOx排放量明顯減少。

圖8 270 MW負(fù)荷下鍋爐熱效率和NOx排放量的優(yōu)質(zhì)解集合Fig.8 The high-quality solution sets of boiler thermal efficiency and NOx emissions of 270 MW boiler

由圖8可以看出：270 MW負(fù)荷下鍋爐熱效率優(yōu)質(zhì)解集合為92.26%～93.56%，稍低于300 MW負(fù)荷下的鍋爐熱效率優(yōu)質(zhì)解集合；NOx排放量優(yōu)質(zhì)解集合為360～416 mg/m3，NOx排放量優(yōu)化效果更明顯。但是，在迭代20次后，270 MW負(fù)荷下鍋爐熱效率與NOx排放量的優(yōu)質(zhì)解變化趨于停滯，而300 MW負(fù)荷下鍋爐熱效率與NOx排放量的優(yōu)質(zhì)解在迭代近40次時(shí)才趨于停滯。因此，滿足鍋爐熱效率與NOx排放量的優(yōu)質(zhì)解集合的前提下，300 MW負(fù)荷下可選擇的鍋爐運(yùn)行參數(shù)組合多于270 MW負(fù)荷。

4 結(jié) 論

(1) 借助BP神經(jīng)網(wǎng)絡(luò)分別建立鍋爐熱效率和NOx排放預(yù)測模型。鍋爐熱效率預(yù)測模型的訓(xùn)練樣本相對誤差平均絕對值為0.050 0%，校驗(yàn)樣本的相對誤差平均絕對值為0.210 0%；NOx排放預(yù)測模型的訓(xùn)練樣本相對誤差平均絕對值為1.330 0%，校驗(yàn)樣本的相對誤差平均絕對值為2.410 0%，預(yù)測模型均具有較高的準(zhǔn)確度、精確度和泛化性。

(2) 基于已經(jīng)訓(xùn)練完成的鍋爐熱效率和NOx排放預(yù)測模型，結(jié)合VEGA優(yōu)化模型對鍋爐負(fù)荷分別為300、270 MW時(shí)進(jìn)行燃燒多目標(biāo)優(yōu)化，分別得到了不同負(fù)荷下的鍋爐熱效率和NOx排放量優(yōu)質(zhì)解集合。300 MW負(fù)荷下鍋爐熱效率優(yōu)質(zhì)解集合為92.93%～93.64%，NOx排放量優(yōu)質(zhì)解集合為367～413 mg/m3；270 MW負(fù)荷鍋爐熱效率優(yōu)質(zhì)解集合為92.26%～93.56%，NOx排放量優(yōu)質(zhì)解集合為

360～416 mg/m3?？筛鶕?jù)優(yōu)質(zhì)解所對應(yīng)的鍋爐運(yùn)行參數(shù)調(diào)整鍋爐燃燒的實(shí)際運(yùn)行過程，用于實(shí)際電站鍋爐燃燒的多目標(biāo)優(yōu)化。

[1] 谷麗景，李永華，李路．電站鍋爐燃燒優(yōu)化混合模型預(yù)測[J]．中國電機(jī)工程學(xué)報(bào)，2015，35(9)：2231-2237．

[2] 呂玉坤，彭鑫，趙鍇．電站鍋爐熱效率和NOx排放混合建模與優(yōu)化[J]．中國電機(jī)工程學(xué)報(bào)，2011，31(26)：16-22．

[3] 王偉，常浩，王寶玉．飛灰含碳量自適應(yīng)校正WLSSVM軟測量模型[J]．熱力發(fā)電，2013，42(8)：75-80．

[4] 孫衛(wèi)紅，童曉，李強(qiáng)．改進(jìn)PSO優(yōu)化參數(shù)的LSSVM燃煤鍋爐NOx排放預(yù)測[J]．?dāng)?shù)據(jù)采集與處理，2015，30(1)：231-238．

[5] 何勇超．采用燃燒系統(tǒng)模型預(yù)測鍋爐效率和NOx排放濃度[J]．熱力發(fā)電，2013，42(4)：65-69．

[6] 盧洪波，王金龍．300 MW燃煤電站鍋爐飛灰含碳量和NOx排放濃度多目標(biāo)優(yōu)化[J]．黑龍江電力，2013，35(3)：192-195．

[7] 王金龍，李恩家．600 MW燃煤電站鍋爐效率和NOx排放濃度多目標(biāo)優(yōu)化[J]．電站系統(tǒng)工程，2015，31(3)：47-48．

[8] 吳鋒，周昊，鄭立剛，等．基于非支配排序遺傳算法的鍋爐燃燒多目標(biāo)優(yōu)化[J].中國電機(jī)工程學(xué)報(bào)，2009，29(29)：7-12．

[9] 顧燕萍，趙文杰，吳占松．基于最小二乘支持向量機(jī)的電站鍋爐燃燒優(yōu)化[J]．中國電機(jī)工程學(xué)報(bào)，2010，30(17)：91-97．

[10] 張振星，孫保民，信晶．基于果蠅優(yōu)化算法的鍋爐高效率低NOx燃燒建模[J]．熱力發(fā)電，2014，43(12)：19-30．

[11] 雷英杰，張善文．MATLAB遺傳算法工具箱及其應(yīng)用[M]．西安：西安電子科技大學(xué)出版社，2014：61-92．

[12] 劉冰，郭海霞．MATLAB神經(jīng)網(wǎng)絡(luò)超級學(xué)習(xí)手冊[M]．北京：人民郵電出版社，2014：159-193．

[13] 欒穎．MATLAB R2013a基礎(chǔ)與可視化編程[M]．北京：清華大學(xué)出版社，2014：305-511．

[14] 王小平，曹立明．遺傳算法——理論、應(yīng)用與軟件實(shí)現(xiàn)[M]．西安：西安交通大學(xué)出版社，2002：104-122．