鍋爐燃燒控制系統的仿真與應用研究

石長利　馬偉偉

摘? 要：隨著工業的快速發展和科技水平的顯著提高，更多的現代工廠中都使用建模與控制策略方法來輔助工作，并起到了較好的效果，通過此方法能夠更好的對系統在運行過程中出現的動態變化與靜態特征進行描述和分析。

關鍵詞：鍋爐燃燒;仿真;應用研究;控制系統

混合模型在火電廠鍋爐燃燒系統經過仿真后的各種結果，在設計火電廠的鍋爐燃燒體系的時候應用了混合模型這一方法，運用遺傳算法計算出在300兆瓦條件下的優化結果，對氮氧化合物的增益問題進行分析，對比了運用不同模型后計算出來的數值[1] 。

1 模型研究

1.1 穩態模型建模效果評估

BP（貝葉斯正則化）訓練算法以及可變訓練速率的梯度下降訓練算法（帶有動量項）計算氮氧化物的排放含量以及相對耗煤量的結果均比較準確。在訓練樣本中運用Levenberg-Marquardt最優化計算方法可以獲得較小的MSE數值，但是在實驗過程中MSE的數值卻比較大，沒有良好的泛化能力。然而通過對比BP（貝葉斯正則化）訓練算法以及可變訓練速率的梯度下降訓練算法（帶有動量項），這兩種算法計算結果相似，訓練樣本的計算結果差距不到10%，實驗樣本的測試結果類似，泛化能力也比較高，具有較高水平的訓練精度[2] 。

1.2 混合模型建模效果評估

該文章把火電廠內鍋爐的燃燒體系作為樣本來解釋混合模型是如何應用的，因為在煤中含有氮這一元素，所以造成了排放大量的氮氧化合物，在正常運作時，火電廠內的鍋爐燃燒體系忽略了排放物中氮的含量，所以造成了無法測量煤中所含的氮元素所占比例，因此，氮元素含量就是屬于擾動變量。

1.3? 模型評估

反饋系數存在于一階的自回歸模型中，本文把這個系數的數值限制為大于零小于一。對大量的測試進行總結，無論反饋的系數數值為多少，系數最后都會變成大于零小于一。在選定正則化系數時可以設置的偏小，本文把正則化系數設置為0.005。混合模型的擬合度超過98%，擁有比單一神經網絡建模更佳的擬合精度，這是混合模型添加了系統的動態特性之后獲得的結果[3] 。

1.4 算法實現

算法的實現步驟主要包括五步：

（1）對混合模型的各個參數進行初始化。本次文章最后選出的CV和MV如下：可調參數MV總共是15個，各層風門開一共九個，給煤機煤量一共四個，另外兩個是差壓和機組氧量。一共有九個反應參數，分別是汽壓，單位是兆帕，汽溫，單位是攝氏度，總噴水量，單位是小時每噸，蒸汽溫度，單位是攝氏度，再噴水量，單位是小時每噸，飛灰的含碳量，單位是百分數，煙氣的含量，單位是百分數，氮氧化合物的排放量，單位是兆克每立方米，空預器的出口溫度，單位是攝氏度。這些數據是本文建立模型的基礎。

（2）調整權重;

（3）判斷終止條件是否滿足，如果滿足則算法結束轉向4，如果不滿足則轉向2，繼續調整權重;

（4）模型訓練結束，獲得權重已經調整好的最終模型;

（5）對模型進行評估，在模型進行實際運用后，仍然有時會出現偏差，此時需要分析原因重新訓練模型。

2? 混合模型的實際應用

在模型訓練好以后，可以將其應用于實際工況，求解算法有很多種，本文不再對各種求解算法進行比較，直接選擇遺傳算法進行全局尋優，遺傳算法亦有很多改進以提高尋優效率，本文也不再做深入研究，僅使用傳統遺傳算法，遺傳算法需要首先確定目標函數，然后全局尋優。本節確定的目標函數是使氮氧化物排放量和熱效率達到最佳平衡，在輸入可調變量給定了目標函數后運用遺傳算法對氮氧化物的排放量和單位相對煤耗全局尋優使鍋爐處在最佳運行狀態。

通常由于很多環境因素使系統并不穩定，存在很多的不確定因素，比如劣質煤、訓練樣本記錄錯誤等等，這些都會使算法尋優出現偏差，對遺傳算法抗噪性專家學者有過很多研究，復雜的方法損失了效率并不可取，本文采用重復采樣的方法計算適應度值并計算平均適應度值以提高遺傳算法的抗噪性。

2.1 基于神經網絡模型的優化

對模型進行更深層次的驗證，假設存在系數為0.7的氮氧化物排放量，系數為0.3的煤耗，此設置對環保效益更加注重，此種條件下可以實現氮氧化物從500 mg/m^3左右降低到450mg/m^3左右，相對煤耗在此種情況下會有所提升。

2.2 基于混合模型中穩態映射的優化

靜態映射中適合采用向前神經網絡，可是存在一定的動態成分在數據現場采集中，因而在構建神經網絡模型時需要對動態成分進行剝離，對dt=adt-1+wt這種一階動態式進行剝離，就能夠獲取到所需的非線性神經網絡FNN（·），此種神經網絡就是我們需要創建的具備穩態的混合模型。

2.3 氮氧化物排放量的相對增益分析

為了幫助機組運行人員更好地調整可調參數和獲得更好的運行效果，我們把那些可調輸入參數強力影響著反應參數這一現象稱之為增益分析。本節拿火電廠鍋爐燃燒為例，探索其中影響系統氮氧化物排放量的因素中更為顯著的因素有哪些。系統之間在各個變量之間相互影響存在一定的耦合性，但相互之間也相互協調，因此，就隨之出現了敏感度一詞，用來衡量這個關系，簡單來說，就是用增益來衡量。例如，系統中的輸入發生調整時，要想知道其它輸入量是否發生改變，我們可以利用之前計算的增益來判斷。

3 優化系統實施實驗方案

針對研究現狀和缺陷，本研究為能更好的模擬系統的動態性特征，特采用數據驅動的系統優化方法，基于傳統神經網絡建模方法，提出動態與穩態相結合的混合模型，可同時兼顧系統的熱效率與NOx排放量兩個指標，能有效提高系統的控制能力，實現熱效率提升與污染物排放控制的雙重目標，有利于企業和社會的共同發展，實現經濟與環保的雙贏。發達國家很早就開始相關研究，其研究的中心就是針對優化燃燒過程以及檢測排放指標進行展開的，在鍋爐靜態、動態性，控制和測算方面的研究獲得了很多成果，策略和方法相比較之前也大有改進，我國目前由于設備更新不及時，工人的技術水平參差不齊，大多數都沒有達到標準，導致了我國在發展火力而進行的環境保護，與發達國家存在差異，不光在外在的設備和操作上落后，在鍋爐燃燒建模、操作策略和控制方面的研究還很淺顯，之所以形成現在的局面是因為火電廠的鍋爐燃燒不是單純的操作，而是一個相對復雜的操作系統，這個系統受變量和各種特性的制約，在火電廠建模上使研究人員工作量增加，準確率很難達到標準。本文著重闡述火電廠鍋爐燃燒系統在數據驅動下的建模和優化方案。我國的火力發電廠有嚴格的監督控制系統，檢測火電廠的周圍環境和廢料排放，因為我國的要求是在獲得經濟效益的同時不能不顧環境因素，經濟環境一把抓，達到火電廠節能減排的長遠目標，要達到這一目標首先要對系統進行調整，本文在提升鍋爐效率的同時，又對環境保護進行著重考慮，減少排量在外界環境的排放量。

4 結論

此模型是否適應火電廠的燃燒系統，并對該模型進行測試，遺傳算法可以把在負荷當中的優化結果計算出來，同時檢測火電廠燃燒系統的氮氧化物排放量，兩次檢測分析得到的結果也不相同，在混合模型當中的分析準確、清晰、貼合實際，揭示了氮氧化物排放的影響變量。

參考文獻

[1] 郭士強.簡述濕法脫硫石膏脫水困難的原因和控制措施[J].江西化工，2020（03）：442-443.

[2] 何峰.智能解耦控制技術在湘鋼二期135 MW發電機組鍋爐上的應用[J].節能，2020，39（05）：74-76.

[3] 李志國，張諱，梁軍.燃煤鍋爐低氧燃燒技術對提高機組經濟運行的研究[J].東北電力技術，2020，41（05）：14-17+24.