基于DNN的鍋爐配風優化

河北建投任丘熱電有限責任公司 侯若盟 肖馳清 莫 佳

當前火電機組普遍存在煤質多變、負荷多變、環境多變和設備多變的現象，給深度節能研究帶來新的挑戰[1]。特別是在多變的邊界條件下，如何采用恰當的配風方式，以保證高效燃燒，并降低氮氧化物的排放，減少空氣污染[2]，是目前亟待解決的問題。

目前針對鍋爐配風系統的研究主要基于數值模擬和現場調整試驗為主。基于數值模擬的方法研究了二次風和燃盡風的配風比例對鍋爐燃燒特性和NOx 排放的影響[3]。對一臺660MW 機組的燃燒系統進行數值模擬試驗[4]，評估不同SOFA 風配比對NOx 排放和飛灰含碳量的影響。對鍋爐的燃燒過程進行數值模擬，分析爐內溫度場分布、二次風及燃盡風的投運對NOx 生成的影響。通過現場調整二次風配風方式、OFA 風門開度、燃盡風率等因素，研究不同工況下爐膛出口NOx 濃度和鍋爐熱效率變化規律。通過不同神經網絡模型建立了NOx 排放模型，均取得了較好的預測結果，以此調節配風。

當前針對鍋爐低氮排放和燃燒優化的研究有很多，但鍋爐高效燃燒和低氮排放一般來講是矛盾的目標，因此需要采用一種算法來平衡兩者。

目前，有研究者通過現場調整試驗的方法來平衡兩者，但機組在實際運行中受多變環境的影響較大，現場調整試驗不能滿足多變的環境。采用基于大數據最優目標值挖掘的數據建模技術，建立專用的算法庫模型，往往更能反映機組真實運行的情況。

本文以某350MW 機組的配風系統為研究對象，采用深度神經網絡（DNN）對配風系統進行建模，模型的建立綜合考慮配風對煤粉燃盡以及NOx 排放的影響，結合粒子群算法（PSO）對配風系統各層風門開度進行優化，得到合理的配風方案。通過該模型預測的配風方案進行現場調整試驗，NOx 排放顯著降低，鍋爐效率也有明顯提升。

1 研究對象及原始數據

1.1 研究對象

本文針對任丘熱電2×350MW 電站直流鍋爐進行研究，該鍋爐為螺旋爐膛、一次中間再熱、平衡通風。燃用設計煤種時鍋爐主要設計參數：過熱蒸汽流量1103.2t/h、過熱蒸汽壓力25.4MPa、過熱蒸汽溫度571℃、再熱蒸汽流量862t/h、再熱蒸汽進口壓力4.46MPa、出口壓力4.28MPa、再熱蒸汽進口溫度322℃、出口溫度569℃、給水溫度281℃、鍋爐效率92.3%、燃煤量120t/h、排煙溫度123℃、過量空氣系數1.23%.

1.2 原始數據

隨著監控信息系統（SIS）在火電廠的廣泛應用，機組的大量實際運行數據被儲存到實時數據庫中。在本試驗中，將SIS 系統的機組運行參數全部同步到本地eDOS 時序數據庫中，然后調用接口函數獲取試驗所需的歷史參數和實時參數，這樣可以根據試驗要求對數據進行批量處理。

本文的數據是從電廠SIS 系統中選取機組運行一年的歷史數據，數據起止時間2018年11月1日00:00至2019年11月1日00:00，采樣周期為30s。該數據為機組運行的原始數據，對其進行數據清洗和數據預處理，剔除掉超溫超限（主蒸汽溫度超過615℃），超過環保指標：SO2小于35mg/Nm3、NOx 小于50mg/Nm3（脫硝后NOx 含量）、煙氣含塵濃度小于10mg/Nm3，工況波動較大（主汽溫波動超過10℃、主汽壓波動超過1MPa、煙道出口氧量波動超過1.5%）的離群點，根據負荷、環境溫度以及煤質信息劃分工況后，篩選出穩定工況下的數據，數據樣本約為15萬余條。

2 DNN-PSO 建模及優化方法

2.1 DNN-PSO 模型優化流程

人工神經網絡（Artificial Neural Network, ANN）是依據生物神經網絡建立，其結構通常由輸入層、隱含層、輸出層組成，輸入參數經過隱含層運算后得到模型的輸出。而DNN 深度神經網絡為具有多層隱含層的神經網絡，隨著隱含層數的增加，神經網絡進行了多次非線性計算，對于高維度、大量數據的建模，模型表達效果更優。

粒子群算法（PSO）作為一種智能優化算法，在解決非線性、多目標等問題上有著良好的效果，在火電技術領域有著廣泛應用。粒子群算法是通過適應度值來評價所求解的好壞，因此，其適應度值的選擇決定了算法的搜索方向。

DNN-PSO 模型優化流程就是通過DNN 神經網絡建立鍋爐配風系統模型輸入、輸出之間的關系，優化鍋爐配風系統運行參數時，將待優化參數分為運行可調節參數和不可調節參數，把可調節參數作為粒子群算法的優化變量進行調節，不可調節參數作為限制約束條件。以建立的DNN 深度神經網絡模型作為適應度函數評價標準，采用粒子群算法對可調參數進行優化調整。

2.2 DNN 神經網絡模型結構設計

針對鍋爐配風系統的輸入參數選取如下：機組負荷，描述機組運行情況；各層磨煤機給煤量，描述一次風沿爐膛高度方向對NOx 排放的影響；總風量、各層二次風門及燃盡風門開度，描述二次風及燃盡風對燃燒和NOx 排放的影響；二次風箱與爐膛壓差，考察對二次風速的影響；燃燒器擺角，考察燃燒器連鎖擺動的影響，共計35個參數。

本文中配風系統優化的目標是通過合理的配風方式使得機組在運行中同時兼顧高效燃燒和低氮排放兩方面，即獲得最佳經濟效益與環保效益。輸出參數用風粉綜合優化值表示，計算公式如下：

式（1）中，Q4為固體不完全燃燒熱損失，%；NOx 為SCR 反應器入口處NOx 濃度的平均值，Qfan,forcced為送風機電耗等效熱損失，C1、C2為修正系數。風粉綜合優化值公式的建立，綜合考慮了配風與Q4、NOx 排放以及送風機電流之間的影響，以此進行建模，模型更能反映機組實際運行情況。

3 模型優化及試驗結果討論

3.1 DNN 深度神經網絡模型參數的確定

本文在鍋爐配風系統的建模試驗中，針對DNN深度神經網絡的參數選取，進行多次的試驗，不斷調整神經網絡的結構，計算得到模型的誤差，選出最小誤差所對應的結構參數。通過選取某一工況下的5000組樣本作為訓練集進行訓練，200組樣本作為測試集進行誤差預測，訓練次數為3000次，保存每次訓練的模型參數，進行具體的分析。

首先選取神經網絡的隱含層數，DNN 深度神經網絡的特點是隱含層數較多，選取常用的隱含層數3-4層作為試驗。對于3層隱含層的神經網絡，訓練3000次后，輸出參數的相對誤差如表1所示。

表1 三層隱含層神經網絡訓練誤差表

由表2可知，最小訓練誤差為0.673%，對應的的隱含層節點數是21，學習率是0.02。同理，對四層隱含層的神經網絡模型進行同樣的測試，訓練3000次后，輸出參數的相對誤差如表2所示。

表2 四層隱含層神經網絡訓練誤差表

測試結束后，得到更小的誤差0.54%，選擇最優的隱含層節點為20，最優的學習率為0.02。采用四層隱含層的神經網絡模型的實際值與預測值基本吻合，其原因是針對同一組數據，使用相同的激活函數，神經網絡在最小化損失函數的時候，權值和閾值更新幅度小，但四層神經網絡對輸入樣本特征進行了多次計算，取得了更好的預測效果，說明模型具有較高的可靠性。

綜上所述，本文對鍋爐配風系統建模選取四層隱含層的神經網絡，每層神經網絡的節點數為20，學習率為0.02。

3.2 通過模型優化前后的結果討論

本文基于電廠鍋爐現場運行數據，選擇機組在穩定工況下進行試驗。將機組的實時數據傳入DNN-PSO 模型進行尋優，根據模型的尋優指導值進行了優化調整試驗，調整結束后穩定10分鐘，選取風粉綜合優化值、SCR 入口處NOx 排放濃度和鍋爐效率進行優化前后對比分析。

其預測結果是適當增大燃盡風門開度，各層二次風門開度沿爐膛高度從上至下適當減少。由理論分析，增加燃盡風可以改善爐內上部氣流的充滿程度，使燃燒區域過量空氣系數減小，有利于降低NOx 的排放，此外，燃盡風的增加，加速了焦炭的燃盡，避免爐膛出口煙溫上升過高和飛灰含碳量的增加，有利于Q4的降低。模型預測結果與空氣分級燃燒降低NOx 排放理論相符，

據此進行現場調整試驗，經過優化調整后，鍋爐的風粉綜合優化目標值降低了0.21， NOx 排放濃度降低了48.45mg/Nm3，并且鍋爐熱效率提高了0.11%。優化結果與上述理論分析基本吻合，表明優化調整后既保證了鍋爐效率，同時降低了氮氧化物排放，進一步證明了模型的可靠性。

4 結語

為了解決火電機組實際運行中多變邊界的問題及氮氧化物排放與鍋爐效率之間的矛盾，本文提出利用DNN 深度神經網絡對鍋爐配風系統進行建模，結合粒子群優化算法，對各層二次風門和燃盡風門開度進行優化，以此來指導配風。其結論如下：

通過數據預處理后篩選出穩定工況下的數據進行配風系統建模，神經網絡模型的相對誤差達到0.54 %，說明模型具有較高的可靠性；通過現場對鍋爐進行調整試驗，優化結果表明：風粉綜合值降低了0.16，鍋爐熱效率提高了0.11%，NOx 排放量降低了48.45mg/Nm3，表明該尋優模型在機組實際運行過程中具有指導作用；SOFA 風對控制降低風粉綜合值和NOx 排放有著明顯的效果。