鍋爐能效與NOx排放耦合性預(yù)測模型設(shè)計(jì)

張 健，顧晨愷，李瑞陽，金 晶

(上海理工大學(xué) 能源與動(dòng)力工程學(xué)院，上海 200093)

0 引言

我國燃煤工業(yè)鍋爐的設(shè)計(jì)效率一般為72%～84%，但實(shí)際熱效率遠(yuǎn)低于這個(gè)值，造成了低效高污染的情況，能源浪費(fèi)十分嚴(yán)重[1]。燃煤工業(yè)鍋爐除了運(yùn)行效率低外，還有煙氣中的污染物排放問題。當(dāng)前燃煤工業(yè)鍋爐煙氣處理技術(shù)對于二氧化硫排放已經(jīng)得到很好的控制，但對于氮氧化物的生成控制技術(shù)還有待提高[2-3]。目前我國的絕大部分燃煤工業(yè)鍋爐為達(dá)到大氣污染物排放標(biāo)準(zhǔn)，一般采用低氧燃燒技術(shù)，從而犧牲部分鍋爐熱效率來滿足NOx排放指標(biāo)，因此鍋爐熱效率與NOx排放之間的耦合性對鍋爐品質(zhì)評(píng)價(jià)具有重要意義。

朱躍[4]通過某電廠600 MW燃煤鍋爐進(jìn)行燃燒調(diào)整試驗(yàn)研究，以排煙和固體未完全燃燒熱損失為目標(biāo)對象，利用改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)構(gòu)建了燃煤成分、燃煤粒徑、過量空氣系數(shù)和排煙溫度等各因素與目標(biāo)對象的預(yù)測模型，但運(yùn)行精度尚不能滿足實(shí)時(shí)在線計(jì)算鍋爐熱效率的目的。李茹萍和王科[5-6]等在數(shù)值模擬方面對燃燒熱效率和氮氧化物的預(yù)測進(jìn)行了研究，但都存在計(jì)算過程費(fèi)時(shí)、很難精準(zhǔn)預(yù)測的問題。周昊和梁懷濤等[7-8]將人工神經(jīng)網(wǎng)絡(luò)引入NOx與熱效率的預(yù)測和優(yōu)化研究中。近年來對于鍋爐熱效率與NOx排放的預(yù)測模型也越來越多，其中包括長短時(shí)記憶(LSTM) 神經(jīng)網(wǎng)絡(luò)、廣義回歸神經(jīng)網(wǎng)絡(luò)、深度置信神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)等[9-15]；楊青認(rèn)為LSTM神經(jīng)網(wǎng)絡(luò)在預(yù)測變工況運(yùn)行時(shí)具有較高的準(zhǔn)確性；趙星宇[16]比較多種神經(jīng)網(wǎng)絡(luò)對燃煤鍋爐NOx排放量的預(yù)測結(jié)果，認(rèn)為廣義回歸神經(jīng)網(wǎng)絡(luò)預(yù)測效果最佳，并通過神經(jīng)網(wǎng)絡(luò)優(yōu)化后能降低NOx排放量，為電廠運(yùn)行提供指導(dǎo)。

本文將從鍋爐熱效率和NOx排放兩方面入手，分析這兩者的影響因素和相互關(guān)聯(lián)性，并采用BP神經(jīng)網(wǎng)絡(luò)建立能效和NOx排放耦合性綜合預(yù)測模型。

1 鍋爐熱效率與NOx排放的影響因素分析

1.1 鍋爐熱效率的影響因素

熱效率是表明鍋爐燃燒狀況的重要經(jīng)濟(jì)性指標(biāo)。它的計(jì)算分為正平衡法和反平衡法兩種，反平衡法的優(yōu)點(diǎn)在于可以得知各項(xiàng)熱損失，從而可以分析出有哪些因素影響了鍋爐熱效率，進(jìn)而找到提高效率的方法和措施[17]。根據(jù)能量平衡原理，爐膛輸出熱量包括有效利用熱、排煙熱損失、氣體未完全燃燒熱損失、固體未完全燃燒熱損失、散熱損失和灰渣物理熱損失。

(1)排煙熱損失

造成排煙熱損失過大主要的因素是較高的排煙溫度和煙氣流量。排煙溫度過高涉及的因素很多，如設(shè)計(jì)爐型的燃料性質(zhì)與實(shí)際運(yùn)行燃料的差異性以及運(yùn)行控制參數(shù)，其包括過量空氣系數(shù)、入爐冷空氣溫度、爐膛負(fù)壓等[18]。

(2)氣體未完全燃燒熱損失

氣體未完全燃燒熱損失是指在燃燒過程中，部分殘留在鍋爐排煙中的CO、H2和CmHn等可燃?xì)怏w未完全燃燒放熱而造成的熱損失，其主要與燃燒工況有關(guān)。

(3)固體未完全燃燒熱損失

固體未完全燃燒熱損失是由于未燃燼的固定碳隨灰分排出爐外造成的損失，涉及到鍋爐的燃燒設(shè)備優(yōu)劣及燃燒技術(shù)選用，具體是與燃料性質(zhì)、爐膛結(jié)構(gòu)以及鍋爐運(yùn)行工況有關(guān)。

(4)散熱損失

鍋爐散熱損失與鍋爐的結(jié)構(gòu)布置、墻體材料的選取、水冷壁的布置、管道的保溫和鍋爐的出力等都有很大關(guān)系。

(5)灰渣物理熱損失

灰渣排出爐外帶走的顯熱量稱為灰渣物理熱損失。影響灰渣物理熱損失的主要因素有爐渣溫度的高低以及燃料含灰量。當(dāng)燃煤的折算灰分小于10%時(shí)，固態(tài)排渣煤粉爐可忽略爐渣的物理熱損失；液態(tài)排渣爐，旋風(fēng)爐可忽略飛灰的物理熱損失。

1.2 鍋爐NOx排放的影響因素

1.2.1 鍋爐燃燒NOx生成機(jī)理

在煤燃燒過程中，NOx的生成量主要與配風(fēng)方式、燃用煤種、過量空氣系數(shù)爐膛內(nèi)的停留時(shí)間等燃燒條件密切有關(guān)。NOx根據(jù)生成機(jī)理不同可分為以下三類：

(1)燃料型NOx

燃料型NOx是燃料中的氮在燃燒過程中生成的氮氧化物，大約占總排放量的60%～80%[19]。在燃燒過程中，燃料中的氮析出后在氧氣充足的條件下氧化成NOx，在氧氣不足的條件下生成N2。燃料型NOx的生成量與爐膛內(nèi)氧含量有很大關(guān)系。

(2)熱力型NOx

熱力型NOx是由空氣中的氮元素在高溫條件下與氧氣發(fā)生反應(yīng)生成，約占NOx排放量的20%～30%。在爐膛溫度高于1300℃時(shí)，熱力型NOx開始大量生成。避開氧濃度和溫度的雙峰值是減少熱力型NOx生成的有效途徑之一。

(3)快速型NOx

快速型NOx是燃料中的碳?xì)潆x子團(tuán)與氧氣發(fā)生反應(yīng)而產(chǎn)生，約占NOx總排放量的5%。它的生成速度與反應(yīng)溫度和過量空氣系數(shù)有關(guān)。

1.2.2 影響NOx生成因素

(1)煤質(zhì)特性

煤中揮發(fā)分含量對NOx生成量有很大影響，燃料型NOx的70%都是來源于揮發(fā)分中的N。燃料型NOx中的氮元素來源于煤，故煤中的氮元素越多，會(huì)導(dǎo)致NOx生成量增加。

(2)煤粉粒度

煤粉中煤粉的粒度對NOx生成量有很大影響，在富氧情況下煤粉越細(xì)，NOx排放濃度就會(huì)越小[20]。浙江大學(xué)鄭立剛[21]研究了高溫空氣燃燒下，神華無煙煤不同粒徑對NOx排放的影響，結(jié)果表明：隨著煤粉細(xì)度的降低，初期NOx的排放濃度是降低的。

(3)爐內(nèi)溫度

爐內(nèi)的溫度水平對熱力型NOx影響較大。李炎[22]總結(jié)了煤粉鍋爐中三種類型NOx生成量與燃燒溫度的關(guān)系。其中熱力型NOx受溫度影響較大，爐內(nèi)溫度達(dá)到1 300 ℃后會(huì)導(dǎo)致熱力型NOx生成量成指數(shù)增加。

(4)過量空氣系數(shù)

研究表明，過量空氣系數(shù)是影響NOx生成和排放濃度的主要運(yùn)行因素。總結(jié)前人研究不同氧量下的NOx排放特性發(fā)現(xiàn)：隨著入爐空氣量的增加，爐內(nèi)燃燒區(qū)域供氧量也增加，為燃料氮轉(zhuǎn)化為燃料氮氧化物提供了條件；另一方面，入爐氧量的增加及局部高溫也導(dǎo)致熱力型NOx迅速上升，因此，總的NOx生成量是隨著過量空氣系數(shù)的增大而增加的。

(5)配風(fēng)方式

相關(guān)理論表明，燃燼風(fēng)量、二次風(fēng)量、一次風(fēng)量對NOx生成都有一定程度的影響。很多學(xué)者[23-24]通過研究都驗(yàn)證了燃燼風(fēng)量與NOx生成量是成反比；二次風(fēng)量的大小影響著煤粉在爐內(nèi)的停留時(shí)間，繼而影響NOx的生成；一次風(fēng)主要是為煤粉燃燒提供空氣，通常，一次風(fēng)速降低會(huì)使?fàn)t內(nèi)溫度降低，同時(shí)爐內(nèi)以還原性氣氛為主，抑制NOx的生成。

(6)鍋爐負(fù)荷

鍋爐負(fù)荷增加也利于爐內(nèi)溫度水平的升高，熱力型NOx明顯增加。浙江大學(xué)鄭立剛[21]對氮氧化物排放量與鍋爐運(yùn)行參數(shù)進(jìn)行交叉相關(guān)性分析，驗(yàn)證鍋爐熱負(fù)荷提高，爐膛溫度會(huì)增加，從而增加熱力型NOx的生成速度，因此提高鍋爐熱負(fù)荷會(huì)增加NOx的排放量，二者之間具有正相關(guān)系數(shù)。

1.3 鍋爐熱效率及NOx排放的耦合性

現(xiàn)有的燃煤工業(yè)鍋爐采用低NOx燃燒技術(shù)，在鍋爐實(shí)際運(yùn)行中會(huì)發(fā)現(xiàn)降低NOx排放量與提高鍋爐熱效率是相互制約的，提高鍋爐熱效率會(huì)導(dǎo)致NOx排放量的增加；減少NOx排放量往往會(huì)降低鍋爐熱效率，所以二者之間尋找一種耦合尤為重要。

綜上所述，有一些鍋爐運(yùn)行參數(shù)會(huì)對鍋爐熱效率和NOx排放同時(shí)造成影響，其中包括過量空氣系數(shù)、煤質(zhì)特性、鍋爐負(fù)荷等，這些參數(shù)對鍋爐熱效率與NOx排放有關(guān)聯(lián)性；目前我國鍋爐運(yùn)行對NOx排放與熱效率之間的關(guān)聯(lián)性考慮甚少，所以建立鍋爐熱效率和NOx排放耦合性綜合預(yù)測模型對實(shí)際運(yùn)行具有很強(qiáng)的指導(dǎo)意義。

2 預(yù)測模型的設(shè)計(jì)

目前，鍋爐預(yù)測模型的建立主要運(yùn)用支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)，支持向量機(jī)主要用于解決小樣本和高維識(shí)別問題，但對于大規(guī)模樣本問題效果不好。鑒于鍋爐運(yùn)行系統(tǒng)是一個(gè)非常復(fù)雜的非線性耦合模型，本文選用神經(jīng)網(wǎng)絡(luò)對鍋爐能效和NOx排放耦合建立預(yù)測模型。

2.1 鍋爐指標(biāo)的分析

如上所述，影響鍋爐熱效率和NOx排放量的因素有很多，可以將其分成兩類：一類是不可調(diào)因素，主要包括爐膛尺寸、鍋爐結(jié)構(gòu)形式、燃燒方式以及燃用煤種；另一類是可調(diào)因素，主要包括過量空氣系數(shù)、配風(fēng)方式、鍋爐負(fù)荷、爐膛溫度等。很多參數(shù)通常通過現(xiàn)場測量獲得，但有些運(yùn)行參數(shù)很難把控，如對鍋爐氮氧化物排放有很大的影響的爐膛溫度，并且爐膛溫度與煤質(zhì)、鍋爐配風(fēng)是息息相關(guān)的，但爐膛溫度受鍋爐熱負(fù)荷的影響較大。影響鍋爐熱效率和排放的因素很多，這些因素之間存在一定的關(guān)聯(lián)性，這些因素對鍋爐的影響程度不同，全部引入模型不僅會(huì)增加模型的復(fù)雜程度，還會(huì)延長模型的訓(xùn)練時(shí)間。因此，有必要對模型的輸入量進(jìn)行篩選，剔除對輸出影響小又很難采集的變量。本文用平均影響值(MIV)法來篩選輸入變量，為后面建立模型做好準(zhǔn)備。

2.2 鍋爐指標(biāo)的選用

平均影響值法是通過計(jì)算輸入變量對模型輸出變量的影響大小來判斷輸入量的重要程度。將自變量的平均影響值根據(jù)大小進(jìn)行排序，絕對值越大，說明對目標(biāo)值的影響越大。

本文選用數(shù)據(jù)來源于江蘇某電廠300 MW固態(tài)排渣爐，該爐采用單爐體雙爐膛八角切圓燃燒方式，整爐配有4臺(tái)DTM350/600鋼球磨煤機(jī)。燃燒調(diào)整試驗(yàn)均在滿負(fù)荷下進(jìn)行，選定與鍋爐熱效率和NOx排放有關(guān)的參數(shù)如下：排煙溫度、爐膛出口氧量、飛灰含碳量、燃煤收到基含碳量、燃煤收到基含氫量、燃煤收到基含氧量、燃煤收到基含氮量、燃煤收到基水分和灰分等26個(gè)參數(shù)。

為了避免樣本數(shù)據(jù)的物理意義和單位的不統(tǒng)一對平均影響值造成影響，在建模之前要進(jìn)行歸一化處理，模型輸出結(jié)果還要反歸一化才能得到想要的參數(shù)。通過計(jì)算這26個(gè)參數(shù)對輸出變量的平均影響值并進(jìn)行比較，排煙溫度、爐膛出口氧量、飛灰含碳量、收到基含碳量、收到基水分、收到基灰分、燃煤低位發(fā)熱量、一次風(fēng)速、一次風(fēng)速、二次風(fēng)速、二次風(fēng)速、燃燼風(fēng)擋板開度、磨煤機(jī)轉(zhuǎn)速的平均影響值較大，這些參數(shù)對鍋爐熱效率影響值達(dá)到75.7%，對NOx排放的影響值為71.6%，故選用這13個(gè)參數(shù)作為鍋爐熱效率和NOx排放濃度預(yù)測模型的輸入量，實(shí)踐證明，選取的13個(gè)參數(shù)能有效的替代26個(gè)參數(shù)，有效的提高了網(wǎng)絡(luò)的訓(xùn)練速度和預(yù)測精度，實(shí)現(xiàn)鍋爐熱效率和NOx排放的準(zhǔn)確預(yù)測。

2.3 預(yù)測模型的建立

2.3.1 神經(jīng)網(wǎng)絡(luò)算法

人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks,ANN)是由大量節(jié)點(diǎn)構(gòu)成的運(yùn)算模型，由一組相互協(xié)調(diào)計(jì)算的神經(jīng)元構(gòu)成，通常有輸入層、隱含層和輸出層三層網(wǎng)絡(luò)。本文選用BP神經(jīng)網(wǎng)絡(luò)建立鍋爐熱效率與NOx排放預(yù)測模型，BP神經(jīng)網(wǎng)絡(luò)也被稱為誤差反向傳播神經(jīng)網(wǎng)絡(luò)，使用最速下降法，通過不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值來使網(wǎng)絡(luò)誤差平方和最小。經(jīng)過大量的學(xué)習(xí)樣本訓(xùn)練以后得到權(quán)矩陣與閾值，接下來可進(jìn)行模型預(yù)測。圖1為三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖，其中輸入層、隱含層、輸出層神經(jīng)元的數(shù)目分別為i、j和k個(gè)，其中計(jì)算誤差是關(guān)于權(quán)矩陣與閾值的函數(shù)，通過訓(xùn)練函數(shù)與學(xué)習(xí)函數(shù)調(diào)整權(quán)矩陣和閾值，使誤差函數(shù)最小。

圖1 三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

神經(jīng)網(wǎng)絡(luò)的構(gòu)建主要分為以下幾步：訓(xùn)練樣本歸一化；選用合適的初始值；確定隱含層神經(jīng)元的個(gè)數(shù)。隱含層神經(jīng)元的數(shù)目是不確定的，通常參考公式(1)

(1)

式中k——隱含層節(jié)點(diǎn)數(shù);

n——輸入節(jié)點(diǎn)數(shù);

m——輸出節(jié)點(diǎn)數(shù);

α——1～10之間的調(diào)節(jié)常數(shù)。

通過上式能不斷調(diào)整k，以達(dá)到網(wǎng)絡(luò)誤差最小。

2.3.2 預(yù)測模型的網(wǎng)絡(luò)設(shè)計(jì)

通過利用原始樣本訓(xùn)練模型，得到26個(gè)參數(shù)的平均影響值，選用對熱效率和NOx排放的影響值都較大的13個(gè)參數(shù)作為預(yù)測模型的輸入變量，輸出變量則為鍋爐熱效率和NOx排放量，物理模型如圖2所示。

圖2 鍋爐能效與排放預(yù)測物理模型

根據(jù)公式(1)，已知輸入量為13，輸出量為2，能確定隱含層神經(jīng)元的個(gè)數(shù)在區(qū)間[4,14]中。下一步設(shè)計(jì)一個(gè)隱含層神經(jīng)元數(shù)目變動(dòng)的BP網(wǎng)絡(luò)，對比不同神經(jīng)元數(shù)目下的誤差，得出最合適的數(shù)目，得到結(jié)果如圖3所示。

圖3 網(wǎng)絡(luò)誤差隨隱含層神經(jīng)元變化趨勢圖

從圖中可以看出，隱含層神經(jīng)元的數(shù)目為10的BP神經(jīng)網(wǎng)絡(luò)對函數(shù)的逼近效果最好，網(wǎng)絡(luò)性能最優(yōu)。

2.4 神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果分析

本文所設(shè)計(jì)的BP網(wǎng)絡(luò)在MATLAB R2014b環(huán)境中進(jìn)行訓(xùn)練，共有104組數(shù)據(jù)，其中35組數(shù)據(jù)用于訓(xùn)練網(wǎng)絡(luò)，并用其余69組用來檢驗(yàn)預(yù)測網(wǎng)絡(luò)的性能。在網(wǎng)絡(luò)經(jīng)歷了7次迭代后收斂，網(wǎng)絡(luò)達(dá)到最佳性能，鍋爐熱效率和NOx含量的網(wǎng)絡(luò)輸出值如圖4所示。

圖4 (a)、(b)分別為鍋爐熱效率、NOx含量的網(wǎng)絡(luò)輸出值

在圖中，實(shí)線為樣本的實(shí)際值，虛線為模型預(yù)測值。經(jīng)過分析，網(wǎng)絡(luò)預(yù)測樣本的鍋爐熱效率與目標(biāo)值的偏差為0.8%，NOx排放量與目標(biāo)值的偏差為2.021%，由此可以證明經(jīng)過訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)具有很好的預(yù)測性能。在網(wǎng)絡(luò)訓(xùn)練后能獲得權(quán)值與閾值矩陣，能在一定程度上反應(yīng)各參數(shù)與目標(biāo)值的函數(shù)關(guān)系，運(yùn)用控制變量法，改變某一參數(shù)的數(shù)值，能得到目標(biāo)值隨參數(shù)數(shù)值的變化趨勢。

2.5 預(yù)測模型的應(yīng)用

該模型建立鍋爐熱效率與NOx排放的耦合關(guān)系，有較好的預(yù)測能力，能夠指導(dǎo)鍋爐的運(yùn)行。綜合預(yù)測模型分析各項(xiàng)指標(biāo)對鍋爐熱效率和NOx排放量的影響值，可以根據(jù)不同的需求來調(diào)整運(yùn)行參數(shù)，以滿足熱效率的要求或者達(dá)到排放的標(biāo)準(zhǔn)。

3 結(jié)論

通過神經(jīng)網(wǎng)絡(luò)建立鍋爐熱效率與NOx排放耦合性的綜合預(yù)測模型，結(jié)果顯示，預(yù)測模型能很好地實(shí)現(xiàn)對目標(biāo)值的預(yù)測。與單一的熱效率和NOx含量預(yù)測模型相比，綜合預(yù)測模型有以下優(yōu)點(diǎn)：

(1)鍋爐熱效率與NOx排放量具有一定的耦合關(guān)系，在另一層面上，二者具有相互制約的關(guān)系，提高鍋爐熱效率會(huì)導(dǎo)致NOx的排放量增加，低NOx排放需要建立在燃燒效率損失上，熱效率與NOx生成量的綜合預(yù)測模型能指導(dǎo)生產(chǎn)實(shí)踐，比單獨(dú)預(yù)測更準(zhǔn)確，更具有實(shí)用性。

(2)通過平均影響值法篩選出對目標(biāo)值影響大的輸入量，實(shí)現(xiàn)了對影響因數(shù)的精確定位，也降低了網(wǎng)絡(luò)模型輸入層的維度，提高了網(wǎng)絡(luò)的訓(xùn)練速度和精度。

(3)網(wǎng)絡(luò)訓(xùn)練后獲得的權(quán)值與閾值矩陣，是在大量實(shí)驗(yàn)數(shù)據(jù)的基礎(chǔ)上獲得的，能在一定程度上反映各指標(biāo)與目標(biāo)值的變化趨勢，能為后續(xù)的評(píng)價(jià)提供參考。