基于煤種摻燒模式的鍋爐燃燒NOx預測模型

楊建國， 葉凌云， 趙 敏， 趙 虹， 酈宜進,李 敏， 俞 逾， 鄧芙蓉

(1. 浙江大學 能源清潔利用國家重點實驗室， 杭州 310027； 2. 浙江浙能蘭溪發電有限責任公司，浙江蘭溪 321100； 3. 浙江天地環保工程有限公司， 杭州 310003)

基于煤種摻燒模式的鍋爐燃燒NOx預測模型

楊建國1， 葉凌云1， 趙 敏1， 趙 虹1， 酈宜進2,李 敏2， 俞 逾2， 鄧芙蓉3

(1. 浙江大學 能源清潔利用國家重點實驗室， 杭州 310027； 2. 浙江浙能蘭溪發電有限責任公司，浙江蘭溪 321100； 3. 浙江天地環保工程有限公司， 杭州 310003)

結合某660 MW鍋爐入爐煤種煤質、磨煤機組合方式、配風方式和鍋爐運行參數等，利用支持向量機建立了鍋爐燃燒NOx預測模型，并利用該模型進行了應用模擬，在保持其他參數不變的情況下，研究了氧體積分數、燃盡風率、配風方式、煤種及磨煤機組合方式對NOx質量濃度的影響.結果表明：模型具有較好的準確性和泛化能力以及理想的調節性能；模型包含煤種及磨煤機組合方式信息，對于煤種煤質多變機組，提高了預測NOx質量濃度的準確性，這對降低NOx質量濃度和保證穩定燃燒的優化調整，尤其是對指導入爐煤調配及煤炭采購甚至實現“智慧燃料”具有重要意義.

爐內摻燒； NOx； 預測模型； 支持向量機； 多煤種； 磨煤機組合方式

NOx是燃煤鍋爐排放的主要氣體污染物之一，隨著環保意識和要求的提升，燃煤機組超低排放已受到廣泛的重視與應用，其中NOx排放質量濃度上限由國家標準規定的最低限值100 mg/m3進一步降低到50 mg/m3[1-2].目前，燃煤電廠一般采取低NOx燃燒技術與煙氣選擇性催化還原(SCR)脫硝技術相結合來控制NOx排放[3].過低地控制NOx濃度會影響鍋爐的安全經濟運行[4]，過高的脫硝效率可能會導致氨逃逸率增加從而帶來空氣預熱器運行的安全隱患[5-6]，因此低NOx燃燒控制與SCR脫硝效率之間存在協調關系[7].另外，由于SCR脫硝的噴氨與反應具有一定滯后性[8]，當NOx濃度變化較大時，很容易導致SCR出口NOx濃度短時間超標，因而有時在實際運行中不得不提高穩態下的脫硝效率使NOx排放濃度更低.燃煤鍋爐的NOx生成特性較為復雜，與燃燒器結構形式[9]、鍋爐運行控制(如鍋爐負荷、氧量、燃盡風率、配風方式、磨煤機組合方式等)[10]、燃用的煤種[11]及其摻燒的上煤方式[12]等都有密切關系，如果能夠預測NOx濃度及其關鍵影響因素，則對燃燒優化控制、入爐煤優化調配和SCR優化運行等具有顯著意義.

劉吉臻等[13-14]應用支持向量機(SVM)和神經網絡(ANN)等多種非線性數學工具建立了鍋爐燃燒NOx預測模型，但是基本上沒有考慮入爐煤種對NOx的影響，這對煤種穩定的機組的影響可能不大；而對煤種變化較大的機組的影響則不容忽視，甚至煤種對NOx的影響超過燃燒調整對NOx的影響[11,15].Smrekar等[16]提出在構建模型時需要考慮燃料變化、燃煤機組的運行狀況及蒸汽參數等因素.煤種因素被忽略的主要原因在于目前絕大多數電廠的燃料數據不能與鍋爐運行數據自動實時關聯，數據采集難度較大，實際應用中也得不到實時入爐煤數據.隨著智慧電廠、數字化煤場及智慧燃料等概念的興起與技術的逐步深入，“燃料為鍋爐服務”逐漸得到關注，只有建立包含燃料信息的鍋爐效率與NOx濃度等預測模型，更加完善的鍋爐燃燒優化、煤炭摻配摻燒優化和燃料采購優化等“智慧”功能才能真正得以實施.

筆者綜合考慮煤種、磨煤機組合方式和配風方式等影響NOx質量濃度的關鍵因素，以某660 MW鍋爐為研究對象，建立鍋爐燃燒NOx預測模型，并進行驗證分析，以用于指導鍋爐燃燒優化、SCR優化控制和入爐煤摻配摻燒等.

1 模型算法

支持向量機和神經網絡是目前應用廣泛的預測建模工具.支持向量機采用結構風險最小化原理，模型更具泛化性，與神經網絡模型相比避免了在小樣本條件下神經網絡模型出現的過學習和低泛化現象，模型預測效果更好[17]，因此采用支持向量機建立鍋爐燃燒NOx預測模型.

在非線性回歸情況下，支持向量機可以采用一個核函數將數據映射到高維特征空間中，然后在高維特征空間中進行線性回歸，以獲得相關的函數關系[18].對于非線性回歸情況，Huang等[19]建議支持向量機建模中采用高斯核函數，因此本文中核函數也采用高斯核函數.支持向量機建模中除了核函數需要人為設定之外，相應的核函數參數g和懲罰系數C也要進行設定.g和C的取值并沒有統一的方法，一般通過各種尋優算法來確定其最優組合，如利用遺傳算法(GA)和交叉驗證法相結合的方式確定合適的(C，g)參數組合[20].

2 鍋爐燃燒NOx預測模型

2.1研究對象

研究對象為Bamp;WB-1903/25.40-M超臨界鍋爐，燃燒器布置方式為前后墻對沖燃燒，共3×2層燃燒器和1×2層燃盡風噴口.其中每層有6只燃燒器，每只燃燒器通過相應的小二次風門來調節相關的配風.機組配備6臺磨煤機(編號為A、B、C、D、E、F)，對應的燃燒器自下而上前墻為C、A、F，后墻為D、B、E.鍋爐設計煤種為淮南煙煤，校核煤種為煙混煤，實際燃用煤種主要有優混煤、蒙煤和澳煤等.

2.2模型輸入輸出參數選擇

針對特定的機組，一些固定設備或手動調節設備在運行中基本不變，因此燃燒器類型、旋流強度、煤粉細度及煤粉分配均勻性等因素雖然影響燃燒，但可作為固定參數予以忽略，僅考慮運行中的可調變量，將其作為輸入參數.

模型中考慮了煤種對鍋爐燃燒的影響，尤其是對鍋爐燃燒有顯著影響的關鍵煤質參數，主要包括w(Mad)、w(Vdaf)、w(FCad)、w(Aar)和Qnet,ar等.每臺磨煤機分別對應一個煤種，采用磨煤機給煤量來確定磨煤機的運行狀態，采用煤質與給煤量來確定磨煤機的組合方式.

對于前后墻對沖燃燒鍋爐，燃燒器配風方式(如均等配風、碗式配風等)對燃燒有明顯的影響，因此模型輸入參數中包括各燃燒器的二次風門開度.

總之，模型的輸入參數包括機組負荷、爐膛出口氧體積分數、二次風溫、燃盡風率、磨煤機一次風量、磨煤機給煤量、磨煤機出口溫度、磨煤機煤質和燃燒器二次風門開度等共計55個變量.模型輸出變量為折算到6%氧體積分數下的NOx質量濃度(即SCR入口NOx質量濃度).

2.3模型建立

采集了鍋爐4個月的運行數據和入爐煤種煤質數據，選取其中的穩定工況(負荷波動在5 MW內，入爐煤種變化12 h后)下的數據點作為建模樣本，并結合部分試驗數據，最后得到105組數據，該樣本涵蓋了鍋爐30%～100%負荷段，基本覆蓋了該鍋爐正常運行時的所有負荷段.同時，該樣本涵蓋了該鍋爐正常運行時燃用的多數煤種、磨煤機組合方式及配風方式.選取其中14組數據作為校驗樣本，剩余數據作為訓練樣本進行建模.將所有數據歸一化到[0,1]內，歸一化公式為：

(1)

式中：xmax為樣本最大值；xmin為樣本最小值；x為樣本歸一化前的值；x′為樣本歸一化后的值.

通過遺傳算法和5折交叉驗證法來確定最佳(C，g)組合.遺傳算法的參數設置如下：初始種群數量為20，最大迭代數為100，初始交叉概率和變異概率分別為0.9和0.009.C和g的尋優范圍分別為[0,100]和[0,1 000]，適應度函數為5折交叉驗證法均方誤差，不敏感系數ε取0.01.選取均方誤差最小的(C，g)組合，若出現多個組合則選取懲罰系數最小的那組參數，以避免過大的懲罰系數造成模型過學習.經計算，模型的C=16.911 2，g=0.021 9.

2.4模型驗證

為了對模型的預測精度進行分析，定義平均相對誤差來描述模型的預測能力，其定義如下：

(2)

式中：e為平均相對誤差；i為樣本編號；n為樣本個數；f(xi)和yi分別為預測值和實測值.

圖1給出了模型在訓練樣本上的預測情況，其預測平均相對誤差e=2.2%.從圖1可以看出，模型預測值較好地分布在直線y=x上，說明模型的學習能力較好.圖2給出了模型在校驗樣本上的預測情況，其平均相對誤差e=5.2%.從圖2可以看出，模型預測值較緊密地分布在直線y=x兩側，說明模型也具有較好的泛化能力.由此可見，模型根據輸入參數可以準確地預測NOx質量濃度.

圖1 模型在訓練樣本上的預測效果Fig.1 Prediction results of model on training samples

圖2 模型在校驗樣本上的預測效果Fig.2 Prediction results of model on calibration samples

3 模型應用模擬

在校驗樣本中選取一組數據作為基礎工況，在其他條件不變的情況下，利用模型來研究單個因素對NOx質量濃度的影響.在實際中，燃燒調整不僅會影響NOx質量濃度，還會影響鍋爐效率等，控制目標需要綜合平衡，以下僅探討各參數對NOx質量濃度的影響規律.

基礎工況負荷為524 MW，爐膛出口氧體積分數為3.28%，燃盡風率為30%，BD磨煤機燃用澳煤，ACF磨煤機燃用優混煤.

3.1氧體積分數對NOx質量濃度的影響

根據所建立的模型，保持其他運行條件不變，研究氧體積分數對NOx質量濃度的影響，結果見圖3.

從圖3可以看出，氧體積分數對NOx質量濃度的影響非常顯著，兩者呈線性正相關變化，氧體積分數每增加1%，NOx質量濃度升高55 mg/m3.因此，在實際運行時應適當控制氧體積分數，這對降低NOx質量濃度具有顯著的作用.

圖3 氧體積分數對NOx質量濃度的影響Fig.3 Effect of oxygen concentration on the NOx concentration

3.2燃盡風率對NOx質量濃度的影響

在其他參數不變的條件下，僅改變燃盡風率進行模型預測，得到燃盡風率對NOx質量濃度的影響，如圖4所示.從圖4可以看出，NOx質量濃度隨燃盡風率的增加呈線性下降趨勢.燃盡風率在可調節范圍內(26%～30%)，NOx質量濃度變化了30 mg/m3，變化幅度約為10%，燃盡風率對NOx質量濃度的影響沒有氧體積分數對NOx質量濃度的影響顯著.

圖4 燃盡風率對NOx質量濃度的影響Fig.4 Effect of OFA rate on the NOx concentration

3.3配風方式對NOx質量濃度的影響

對于前后墻對沖燃燒鍋爐，其顯著的特點是鍋爐尾部CO濃度分布嚴重不均，呈現兩邊高中間低的狀態(氧體積分數分布與之相反)，導致平均CO排放濃度很高，因此一般采用碗式配風(即每層的兩側燃燒器小二次風門開度大于中間燃燒器小二次風門開度)的方法來調節爐內燃燒的均勻性.由于氧體積分數對NOx質量濃度的影響較顯著，配風方式改變了爐內的氧體積分數分布，對NOx質量濃度的影響并不一定是單向的.

利用模型研究燃燒器的配風方式對NOx質量濃度的影響，設置了3種配風方式：均等配風、碗式配風(習慣運行方式)和深碗式配風.每層6只燃燒器的小二次風門開度分別如下：均等配風全部為100%;碗式配風依次為100%、60%、40%、40%、60%和100%;深碗式配風依次為100%、40%、20%、20%、40%和100%.其他運行參數均保持不變，預測結果如圖5所示.

采用均等配風時NOx質量濃度為325 mg/m3；采用碗式配風時NOx質量濃度下降到285 mg/m3，下降了12.3%；采用深碗式配風時NOx質量濃度又上升到288 mg/m3，說明碗式配風對降低NOx質量濃度有利，而碗式配風幅度加深對NOx質量濃度的影響相差不大.

圖5 配風方式對NOx質量濃度的影響Fig.5 Effect of air distribution mode on the NOx concentration

3.4煤種及磨煤機組合方式對NOx質量濃度的影響

入爐煤種及磨煤機組合方式對NOx質量濃度的影響較大，但是入爐煤從上煤到燃燒具有較長的滯后性(一般約為8～10 h)，因此在入爐煤調配時，對NOx質量濃度的預判顯得尤其重要，這是建立包含入爐煤信息的預測模型的重要價值所在.

利用模型對幾種入爐煤組合進行研究，除基礎工況的澳煤與優混煤外，增加蒙煤作為調整煤種，煤質信息如表1所示.

表1 煤質信息

保持其他運行參數不變，改變3種入爐煤及磨煤機組合方式，研究其對NOx質量濃度的影響，結果如圖6所示.從圖6可以看出，燃用蒙煤具有顯著的降低NOx效果，2臺磨煤機摻燒蒙煤與2臺磨煤機摻燒澳煤相比，NOx質量濃度下降了58 mg/m3，下降幅度達20%.1臺磨煤機摻燒蒙煤也具有一定的降低NOx作用，不過如果1臺磨煤機摻燒蒙煤位于下層時其降低NOx效果不明顯.與澳煤相比，蒙煤的水分高、灰分低，其著火性能和燃盡性更好[11]，因此空氣分級深度更大，降低NOx效果更好.下層磨煤機摻燒蒙煤與中層磨煤機摻燒蒙煤相比，火焰中心有所上移，空氣分級的深度下降，降低NOx效果減弱，NOx質量濃度上升.

圖6 煤種及磨煤機組合方式對NOx質量濃度的影響Fig.6 Effect of coal category and combination way of coal mills on the NOx concentration

4 結 論

(1) 根據煤種煤質、磨煤機組合方式、配風方式和鍋爐運行參數等，建立了基于遺傳算法與交叉驗證法相結合的支持向量機鍋爐燃燒NOx預測模型，模型在訓練樣本上的平均相對誤差為2.2%，在校驗樣本上的平均相對誤差為5.2%，模型具有較好的準確性和泛化能力.

(2) 減小氧體積分數或增加燃盡風率都有利于降低NOx質量濃度，在可調節范圍內氧體積分數對NOx質量濃度的影響更明顯；碗式配風有利于降低NOx質量濃度，但碗式配風的深度對NOx質量濃度的影響不大；煤種對NOx質量濃度的影響較大，且多入爐煤種摻燒時的磨煤機組合方式對NOx質量濃度的影響也較為顯著.應用模擬結果驗證了模型具有理想的調節性能.

(3) 模型包含煤種及磨煤機組合方式信息，對于煤種煤質多變機組，提高了預測NOx質量濃度的準確性，這對降低NOx質量濃度和保證穩定燃燒的優化調整，尤其是對指導入爐煤調配及煤炭采購甚至實現“智慧燃料”具有重要意義.

[1] 張軍, 鄭成航, 張涌新, 等. 某1 000 MW燃煤機組超低排放電廠煙氣污染物排放測試及其特性分析[J].中國電機工程學報, 2016, 36(5): 1310-1314.

ZHANG Jun, ZHENG Chenghang, ZHANG Yongxin, et al. Experimental investigation of ultra-low pollutants emission characteristics from a 1 000 MW coal-fired power plant[J].ProceedingsoftheCSEE, 2016, 36(5): 1310-1314.

[2] 李博, 趙錦洋, 呂俊復. 燃煤電廠超低排放技術方案應用[J].中國電力, 2016, 49(8): 144-147, 153.

LI Bo, ZHAO Jinyang, Lü Junfu. Application of ultra-low emission technical roadmaps of coal-fired power plants[J].ElectricPower, 2016, 49(8): 144-147, 153.

[3] 周俊虎, 趙琛杰, 許建華, 等. 電站鍋爐空氣分級低NOx燃燒技術的應用[J].中國電機工程學報, 2010, 30(23): 19-23.

ZHOU Junhu, ZHAO Chenjie, XU Jianhua, et al. Application of air-staged and low NOxemission combustion technology in plant boiler[J].ProceedingsoftheCSEE, 2010, 30(23): 19-23.

[4] 李建強, 汪安明, 潘文凱, 等. 燃煤電站鍋爐低NOx燃燒運行參數優化[J].動力工程學報, 2016, 36(5): 337-342, 403.

LI Jianqiang, WANG Anming, PAN Wenkai, et al. Operating parameters optimization for low NOxcombustion of coal-fired boilers[J].JournalofChineseSocietyofPowerEngineering, 2016, 36(5): 337-342, 403.

[5] 楊建國, 胡勁逸, 趙虹, 等. 660 MW超超臨界機組運行方式對SCR系統氨逃逸率的影響[J].動力工程學報, 2015, 35(6): 476-480.

YANG Jianguo, HU Jinyi, ZHAO Hong, et al. Effects of boiler control mode on ammonia escape of the SCR system in a 660 MW ultra-supercritical unit[J].JournalofChineseSocietyofPowerEngineering, 2015, 35(6): 476-480.

[6] 馬雙忱, 鄧悅, 吳文龍, 等. SCR脫硝過程中硫酸氫銨形成特性實驗研究[J].動力工程學報, 2016, 36(2): 143-150.

MA Shuangchen, DENG Yue, WU Wenlong, et al. Experimental research on ABS formation characteristics in SCR denitrification process[J].JournalofChineseSocietyofPowerEngineering, 2016, 36(2): 143-150.

[7] 梁志宏. 基于我國新大氣污染排放標準下的燃煤鍋爐高效低NOx協調優化系統研究及工程應用[J].中國電機工程學報, 2014, 34(增刊1): 122-129.

LIANG Zhihong. Study and engineering application of high efficiency and low NOxcoordinated optimization control system for coal-fired boilers based on new air pollutant emission standard[J].ProceedingsoftheCSEE, 2014, 34(Sup1): 122-129.

[8] 武寶會, 崔利. 火電廠SCR煙氣脫硝控制方式及其優化[J].熱力發電, 2013, 42(10): 116-119, 126.

WU Baohui, CUI Li. SCR flue gas denitrification control and optimization in thermal power plants[J].ThermalPowerGeneration, 2013, 42(10): 116-119, 126.

[9] 張伯興, 呂華兵. 600 MW鍋爐氮氧化物整體控制實踐[J].中國電力, 2016, 48(2): 159-163, 169.

ZHANG Boxing, Lü Huabing. The practice of general NOxcontrol of a 600-MW boiler[J].ElectricPower, 2016, 48(2): 159-163, 169.

[10] 梁立剛, 孟勇, 吳生來. 1 025 t/h鍋爐運行優化調整及NOx排放特性試驗研究[J].動力工程學報, 2010, 30(10): 727-732.

LIANG Ligang, MENG Yong, WU Shenglai. Experimental study on optimal adjustment and NOxemission of a 1 025 t/h boiler[J].JournalofChineseSocietyofPowerEngineering, 2010, 30(10): 727-732.

[11] 趙虹, 張清福, 楊建國. 不同煤種及其燃燒特性對NOx排放濃度的影響[J].熱力發電, 2013, 42(12): 59-63.

ZHAO Hong, ZHANG Qingfu, YANG Jianguo. Effect of different coals and their combustion characteristics on NOxemission[J].ThermalPowerGeneration, 2013, 42(12): 59-63.

[12] 夏季, 彭鵬, 華志剛, 等. 燃煤電廠分磨摻燒方式下磨煤機組合優化模型及應用[J].中國電機工程學報, 2011, 31(29): 1-8.

XIA Ji, PENG Peng, HUA Zhigang, et al. Optimization of pulverizers combination for power plant based on blended coal combustion[J].ProceedingsoftheCSEE, 2011, 31(29): 1-8.

[13] 劉吉臻, 呂游, 楊婷婷. 基于變量選擇的鍋爐NOx排放的最小二乘支持向量機建模[J].中國電機工程學報, 2012, 32(20): 102-107.

LIU Jizhen, Lü You, YANG Tingting. Least squares support vector machine modeling on NOxemission of boilers based on variable selection[J].ProceedingsoftheCSEE, 2012, 32(20): 102-107.

[14] 李慶偉, 陳慧楓, 姚桂煥. 基于距離學習粒子群算法的NOx減排優化[J].動力工程學報, 2016, 36(5): 404-410.

LI Qingwei, CHEN Huifeng, YAO Guihuan. NOxreduction optimization based on distance learning particle swarm algorithm[J].JournalofChineseSocietyofPowerEngineering, 2016, 36(5): 404-410.

[15] 楊冬, 路春美, 王永征. 不同種類煤粉燃燒NOx排放特性試驗研究[J].中國電機工程學報, 2007, 27(5): 18-21.

YANG Dong, LU Chunmei, WANG Yongzheng. Experimental study on the characteristics of NOxemission with different pulverized coal combusting[J].ProceedingsoftheCSEE, 2007, 27(5): 18-21.

[17] ZHENG L G, ZHOU H, WANG C L, et al. Combining support vector regression and ant colony optimization to reduce NOxemissions in coal-fired utility boilers[J].Energyamp;Fuels, 2008, 22(2): 1034-1040.

[18] 孫德山. 支持向量機分類與回歸方法研究[D]. 長沙: 中南大學, 2004: 10-20.

[19] HUANG C L, LIAO H C, CHEN M C. Prediction model building and feature selection with support vector machines in breast cancer diagnosis[J].ExpertSystemswithApplications, 2008, 34(1): 578-587.

[20] 李良敏, 溫廣瑞, 王生昌. 基于遺傳算法的回歸型支持向量機參數選擇法[J].計算機工程與應用, 2008, 44(7): 23-26.

LI Liangmin, WEN Guangrui, WANG Shengchang. Parameters selection of support vector regression based on genetic algorithm[J].ComputerEngineeringandApplications, 2008, 44(7): 23-26.

NOxPredictionModelforMulti-coalAdmixingCombustioninBoiler

YANGJianguo1,YELingyun1,ZHAOMin1,ZHAOHong1,LIYijin2,LIMin2,YUYu2,DENGFurong3

(1. State Key Laboratory of Clean Energy Utilization, Zhejiang University, Hangzhou 310027, China;2. Zhejiang Zheneng Lanxi Power Generation Co., Ltd., Lanxi 321100, Zhejiang Province, China;3. Zhejiang Tiandi Environmental Protection Engineering Co., Ltd., Hangzhou 310003, China)

Taking into account the category and quality of the coal fired, the combination way of coal mills, the air distribution mode and the operating parameters of a 660 MW boiler, a NOxprediction model was established using support vector machine (SVM), which was used to carry out application simulation and to research the effects of following factors on the NOxconcentration, such as the oxygen concentration, OFA rate, air distribution mode, coal category and the combination way of coal mills, etc. Results show that the model has good accuracy and high generalization ability as well as ideal regulation performance, which comprises information on coal category and combination way of coal mills, and therefore is of great significance for multi-coal units in improving the NOxprediction accuracy, reducing the NOxconcentration, carrying out the adjustment and optimization for stable combustion, especially in guiding the coal procurement and blending, and even for purchasing of "intelligent fuel".

admixing combustion in boiler; NOx; prediction model; support vector machine; multi-coal; combination mode of coal mills

2016-11-01

浙江省自然科學基金資助項目(LYl5E060002)

楊建國(1973-)，男，安徽巢湖人，副研究員，博士，主要從事煤的安全高效清潔燃燒理論與技術方面的研究．

電話(Tel.)：0571-87951322；E-mail：yjg@zju.edu.cn．

1674-7607(2017)11-0870-06

TK229.6

A

470.30