基于人工智能技術(shù)的火電廠鍋爐燃燒優(yōu)化軟件的實現(xiàn)

馬云鵬 劉詩琳 閆姍姍 王然 唐浩桁 王賀琦

摘?要：針對火電廠鍋爐燃燒優(yōu)化和節(jié)能減排的問題，國內(nèi)外學者多采用神經(jīng)網(wǎng)絡和啟發(fā)式優(yōu)化算法解決上述問題并取得良好效果。然而，對鍋爐的燃燒優(yōu)化僅限于方法研究和對歷史數(shù)據(jù)的建模與優(yōu)化，未真正應用于鍋爐燃燒工況的實時優(yōu)化中。此外，環(huán)保部門對火電廠的污染性氣體的監(jiān)測非常嚴格，節(jié)能減排成為火電廠的首要任務。因此，有必要設計一款實時監(jiān)測和優(yōu)化NOx排放的軟件。本文以樣本增量量子神經(jīng)網(wǎng)絡和改進型人工蜂群算法為核心設計開發(fā)鍋爐智能燃燒優(yōu)化軟件。通過在某火電廠330MW煤粉鍋爐上的測試，實驗結(jié)果表明：該軟件可使氮氧化合物排放濃度和鍋爐煤耗有效降低，其具有實用價值。

關(guān)鍵詞：建模;鍋爐燃燒優(yōu)化;量子神經(jīng)網(wǎng)絡;人工蜂群算法

1 緒論

20世紀70年代，火力發(fā)電站開始重視鍋爐燃燒優(yōu)化問題，且側(cè)重于優(yōu)化組織燃燒，以燃燒調(diào)整試驗為主[1]。隨著人工智能技術(shù)的快速發(fā)展，國內(nèi)外研究學者試圖采用機器學習和數(shù)據(jù)挖掘等技術(shù)對火電廠鍋爐的燃燒過程進行建模，期望獲得各運行參數(shù)和燃燒特征參數(shù)之間的函數(shù)關(guān)系;基于建立的模型，應用智能優(yōu)化算法尋找鍋爐的最佳運行參數(shù)，達到鍋爐節(jié)能減排的效果[2]。

針對鍋爐燃燒優(yōu)化問題，文獻[3]設計了鍋爐的兩層燃燒優(yōu)化控制模型，然后優(yōu)化鍋爐的床溫和主蒸汽壓力，有效地提高了鍋爐效率。文獻[4]利用改進型最小資源分配神經(jīng)網(wǎng)絡建立鍋爐熱效率和氮氧化合物排放濃度的綜合模型，采用實數(shù)編碼遺傳算法優(yōu)化鍋爐燃燒參數(shù)，實現(xiàn)鍋爐節(jié)能減排的目標。文獻[5]基于鍋爐燃燒模型的非線性尋優(yōu)和數(shù)據(jù)挖掘的優(yōu)勢提出了離線非線性尋優(yōu)所得最優(yōu)知識庫，采用模糊關(guān)聯(lián)規(guī)則挖掘算法，建立了最優(yōu)操作變量決策模型，實現(xiàn)了鍋爐高效、穩(wěn)定的燃燒。文獻[6]應用量子遺傳算法尋找鍋爐的熱效率和NOx排放量模型的最佳參數(shù)，提高了模型的泛化能力;采用博弈差分算法優(yōu)化鍋爐的燃燒參量，實現(xiàn)多目標控制。文獻[7]采用改進型教與學優(yōu)化算法和極限學習機建立了鍋爐NOx排放濃度的精確模型，為實現(xiàn)鍋爐燃燒優(yōu)化奠定基礎(chǔ)。

目前對鍋爐的燃燒優(yōu)化僅限于方法研究和對歷史數(shù)據(jù)的建模與優(yōu)化，未真正應用于鍋爐燃燒工況的實時優(yōu)化中。因此，有必要設計一款實時監(jiān)測和優(yōu)化污染性氣體排放的軟件。筆者已在文獻[8]中應用樣本增量量子神經(jīng)網(wǎng)絡（SIQNN）和改進型人工蜂群算法開發(fā)了鍋爐智能燃燒優(yōu)化軟件，但未詳細說明設計的流程和思想。本文將詳細論述鍋爐燃燒優(yōu)化軟件的設計與實現(xiàn)，包括界面設計、通信連接、數(shù)據(jù)處理、建模優(yōu)化等，需要說明：該軟件的開發(fā)是在課題組成員的合作下完成的，可參考文獻[9]。通過在某火電廠330MW煤粉鍋爐上的測試，實驗結(jié)果表明：該軟件可使NOx排放濃度和鍋爐煤耗有效降低，其具有實用價值。

2 鍋爐燃燒優(yōu)化軟件設計與實現(xiàn)

2.1 軟件界面設計

軟件界面的設計是可視化的基礎(chǔ)，本文采用MATLAB的GUI工具箱設計鍋爐燃燒優(yōu)化軟件的界面，如圖1所示。由圖1可知，該軟件包括數(shù)據(jù)預采集、導入數(shù)據(jù)及建模、NOx排放濃度和鍋爐煤耗優(yōu)化、實時顯示優(yōu)化前后的數(shù)據(jù)和動態(tài)顯示優(yōu)化曲線等功能。

2.2 變量替換

數(shù)據(jù)采集需要事先知道DCS中的參數(shù)標簽，但不同的鍋爐DCS系統(tǒng)中的參量標簽不同，為了使該軟件具有通用性特設置了變量替換功能，界面形式參考文獻[9]。現(xiàn)場操作人員可根據(jù)需要鍵入變量名的標簽，可實現(xiàn)填入的標簽替換數(shù)據(jù)調(diào)取程序中預設置的參數(shù)標簽。

2.3 變量選擇及偏差設置

在進行燃燒優(yōu)化時，為了確保鍋爐安全穩(wěn)定運行，操盤人員可根據(jù)鍋爐實際運行情況設置待優(yōu)化參量的偏差。在進行氮氧化合物排放濃度和鍋爐煤耗優(yōu)化之前，需要設置待優(yōu)化參量的偏差值。界面形式參考文獻[9]。若優(yōu)化某個參量，則點擊其前方的復選框，否則，其不被優(yōu)化。額定負荷為機組最大發(fā)電量，應達到的煤耗率和NO值為預設置的目標值，若低于目標值，則不被優(yōu)化。

2.4 預采數(shù)據(jù)

該燃燒優(yōu)化軟件將采用OPC協(xié)議作為與DCS通信的橋梁，達到數(shù)據(jù)采集和數(shù)據(jù)回傳的目標。首先，將一臺安裝有OPC Server的操作員站作為服務端;然后，客戶端是裝有燃燒優(yōu)化軟件的工控機;最后，配置DCOM和IP地址。通過上述操作，鍋爐燃燒優(yōu)化軟件和DCS之間保持穩(wěn)定通信，實現(xiàn)鍋爐運行數(shù)據(jù)的采集和回傳。

2.4.1 OPC相關(guān)技術(shù)介紹

OPC是一種基于OLE/COM機制的應用程序通信標準。OLE/COM屬于客戶/服務器模式，具有很多優(yōu)點，包括語言無關(guān)性、代碼重用性、易于集成性等。OPC使得接口函數(shù)更規(guī)范，保證客戶以同一方式訪問任何形式的現(xiàn)場設備，保證了軟件的透明性，使得用戶完全脫離于低層的開發(fā)。OPC以某一標準解決不同設備之間數(shù)據(jù)交換的問題。為了保證該軟件與鍋爐之間的正常通信和滿足EDPF-NT/EDPF-NT+客戶對OPC數(shù)據(jù)服務的需求，編寫了EDPF-NT OPC接口程序。DCS作為OPC Server端，Matlab組件的OPC為客戶端。

OPC Server端運行在DCS的操作員站上，該軟件較簡單，無需考慮配置的要求，一般的PC機都能運行。接下來，進行PC機的OPC環(huán)境配置說明：

（1）OPC Client的用戶名和密碼與OPC Server的用戶名和密碼保持一致。

（2）OPC客戶端與服務器端的IP地址要保持在同一IP段內(nèi)，且掩碼一致。

（3）OPC Server可對同一子網(wǎng)的所有電腦提供OPC數(shù)據(jù)服務，當客戶端與服務器端安裝在不同PC機上時，需要進行DCOM的配置。（可參考微軟關(guān)于DCOM的配置說明）。

（4）關(guān)閉防火墻。Windows系統(tǒng)自帶防火墻和其他類型的防火墻均需關(guān)閉。

（5）關(guān)閉共享。在“工具-〉文件夾選項”里，關(guān)掉“使用簡單文件共享”。

（6）完成配置后，重啟計算機。

2.4.2 數(shù)據(jù)調(diào)取與返回

OPC配置完成后，可以通過下邊的語句實現(xiàn)與DCS中的OPC服務器通信。

%%與OPC服務端相連%%

da=opcda（'192.168.1.225'，'OPC.GDZS.1'）;

connect（da）;

opcda（）的功能是創(chuàng)建一個OPC數(shù)據(jù)訪問客戶端對象，其中’192.168.1.225’表示服務端的IP地址，OPC.GDZS.1為OPC Server的ID號。connect（）函數(shù)的功能是連接OPC。

上述兩個函數(shù)完成了OPC通信，下邊的語句實現(xiàn)數(shù)據(jù)采集功能，其中n為調(diào)取的數(shù)據(jù)個數(shù)，’FH’表示機組負荷在DCS中的標簽，即通過識別標簽來調(diào)取機組負荷的數(shù)據(jù)。同理，調(diào)取其他數(shù)據(jù)時，需要知道其他數(shù)據(jù)對應的標簽。

grp=addgroup（da）;%添加組

%%把變量元素添加到組中，并創(chuàng)建向量

item1=additem（grp，'FH'）;%%機組負荷

item2=additem（grp，'First_wind_A'）;%%一次風A

………

item n=additem（grp，'NO_emission'）;%%氮氧化合物排放濃度

%% 讀取項目組中的內(nèi)容

r1=read（item1）;

r2=read（item2）;

………

r n=read（item n）;

a1=r1.Value;

a2=r2.Value;

………

a n=r n.Value;

上述語句實現(xiàn)了數(shù)據(jù)調(diào)取功能，執(zhí)行完上述語句后，將n個數(shù)據(jù)以向量的形式進行保存，直至達到預設的停止條件，最后保存m組數(shù)據(jù)，將其作為模型初始化數(shù)據(jù)。初始化NOx排放濃度和煤耗模型之后，根據(jù)上述采集數(shù)據(jù)語句采集鍋爐實時運行數(shù)據(jù)，然后基于初始化模型建立新數(shù)據(jù)的模型，最后對新數(shù)據(jù)中的可測量可調(diào)節(jié)參數(shù)進行優(yōu)化，并將優(yōu)化后的數(shù)據(jù)通過OPC回傳到DCS中。數(shù)據(jù)回傳可用下面的語句實現(xiàn)，其中After_optimized表示優(yōu)化后的參數(shù)向量。

%%數(shù)據(jù)回傳

write（item1，After_optimized（1，1））;

write（item2，After_optimized（1，2））;

………

write（item n-1，After_optimized（1，n-1））;

2.5 導入數(shù)據(jù)及建模

導入數(shù)據(jù)及建模按鈕包含兩個功能：導入鍋爐運行數(shù)據(jù)和建立氮氧化合物排放濃度與鍋爐煤耗的模型。“數(shù)據(jù)導入”功能可以實現(xiàn)鍋爐運行數(shù)據(jù)的壞值處理。鍋爐機組在實時運行過程中，某些可調(diào)節(jié)參量可能受到干擾而失真或由于通信問題沒有采集到某個數(shù)據(jù)，這些數(shù)據(jù)將影響模型的精度，因此對問題數(shù)據(jù)進行處理。“數(shù)據(jù)建模”功能是對處理過的數(shù)據(jù)采用SIQNN算法建立NOx排放濃度和鍋爐煤耗的初始模型，并保存模型參數(shù)。

2.6 NOx和煤耗優(yōu)化

NOx和煤耗優(yōu)化是該軟件的核心功能。圖1中的優(yōu)化運行按鈕包括兩個功能：實時建模和實時優(yōu)化。“實時建模”功能是以初始化模型為基礎(chǔ)，應用SIQNN算法建立新采集樣本數(shù)據(jù)的氮氧化合物排放濃度和鍋爐煤耗的實時模型;然后，應用改進型人工蜂群算法調(diào)整鍋爐的可調(diào)節(jié)參量，確定待優(yōu)化參量的最優(yōu)解。優(yōu)化后的參量偏差值回傳給鍋爐DCS系統(tǒng)，使得鍋爐以優(yōu)化后的調(diào)整數(shù)據(jù)燃燒，達到節(jié)能減排的目標。

2.7 性能測試

該鍋爐燃燒優(yōu)化軟件已應用于某熱電廠330MW煤粉鍋爐上，當鍋爐投自動時，該優(yōu)化軟件將起作用。實驗結(jié)果表明在鍋爐負荷299MW時，優(yōu)化后的鍋爐煤耗率下降了約2.2%，優(yōu)化后的NOx排放濃度下降了約56mg/Nm3[8]，并且指出該軟件可以滿足機組大范圍變負荷深度調(diào)峰的要求，不同負荷下的NOx排放濃度和煤耗均有不同程度的降低。關(guān)于詳細的軟硬件配置和實驗測試過程參考文獻[8]。

3 結(jié)論

本文對文獻[8]中提到的鍋爐燃燒優(yōu)化軟件進行詳細的設計與實現(xiàn)過程描述，主要介紹了界面設計、數(shù)據(jù)通信與采集、變量替換與選擇、數(shù)據(jù)建模與優(yōu)化等功能。該軟件已應用于某火電廠的330MW煤粉鍋爐上，取得了一定的效果，為現(xiàn)場操盤人員提供依據(jù)。該軟件的成功設計與應用實現(xiàn)了理論與實踐之間的轉(zhuǎn)化。

參考文獻：

[1]周建新，樊征兵，司風琪.電站鍋爐燃燒優(yōu)化技術(shù)研究發(fā)展綜述[J].鍋爐技術(shù)，2008，39（5）：33-36.

[2]馬云鵬.極端學習機和教與學優(yōu)化算法改進及其在鍋爐燃燒優(yōu)化中的應用研究[D].燕山大學，2018.

[3]童一飛，金曉明.基于廣義預測控制的循環(huán)流化床鍋爐燃燒過程多目標優(yōu)化控制策略[J].中國電機工程學報，2010，30（11）：38-43.

[4]許昌，呂劍虹，鄭源，等.以效率和低NOx排放為目標的鍋爐燃燒整體優(yōu)化[J].中國電機工程學報，2006，26（4）：46-50.

[5]顧燕萍，趙文杰，吳占松.采用最優(yōu)MVs決策模型的電站鍋爐燃燒優(yōu)化[J].中國電機工程學報，2012：39-44.

[6]趙敏華，胡毅，李金，等.使用博弈差分算法的電站鍋爐高效低污染燃燒均衡優(yōu)化[J].化工學報，2017，68（6）：2455-2464.

[7]馬云鵬，牛培峰，陳科，等.基于混沌分組教與學優(yōu)化算法鍋爐NOx模型優(yōu)化研究[J].計量學報，2018，39（1）：125-129.

[8]牛培峰，馬云鵬，張欣欣，等.基于人工智能技術(shù)的火電廠燃煤鍋爐智能燃燒優(yōu)化研究及應用[J].智能科學與技術(shù)學報，2019，1（2）：163-170.

[9]黃達.基于改進快速學習網(wǎng)的鍋爐燃燒優(yōu)化研究與應用[D].燕山大學，2019.

項目資助：國家自然科學基金（61573306）;天津市自然科學基金（20JCQNJC00430）;大學生創(chuàng)新創(chuàng)業(yè)訓練項目（202110069003，202110069034，202010069066）

*通訊作者：馬云鵬（1989—?），男，漢族，河北滄州人，工學博士，講師，研究方向：機器學習、模式識別、復雜系統(tǒng)過程控制。