基于智能算法的火電廠(chǎng)鍋爐燃燒控制系統(tǒng)及系統(tǒng)仿真分析

喬印杰，高志佳，董振廣

（河南京能滑州熱電有限責(zé)任公司，河南 滑縣 456400）

基于閉環(huán)控制的鍋爐燃燒系統(tǒng)是以鍋爐運(yùn)行實(shí)時(shí)數(shù)據(jù)和負(fù)載情況作為輸入變量，在此基礎(chǔ)上利用工業(yè)計(jì)算機(jī)發(fā)出指令不斷調(diào)節(jié)輸入變量，保證輸出結(jié)果最優(yōu)，讓鍋爐得以高效、節(jié)能、環(huán)保運(yùn)行。但是調(diào)查發(fā)現(xiàn)，國(guó)內(nèi)許多火電廠(chǎng)的鍋爐燃燒控制系統(tǒng)存在控制響應(yīng)延時(shí)嚴(yán)重、參數(shù)調(diào)節(jié)不夠靈敏、無(wú)法兼顧效率與節(jié)能等問(wèn)題。為了實(shí)現(xiàn)火電廠(chǎng)效益最大化，對(duì)鍋爐燃燒控制系統(tǒng)進(jìn)行優(yōu)化成為一項(xiàng)重要任務(wù)。在工業(yè)設(shè)備的人工智能控制領(lǐng)域，遺傳算法有著廣泛的應(yīng)用，在鍋爐燃燒控制系統(tǒng)的改進(jìn)中，引入遺傳算法尋優(yōu)方法，可以準(zhǔn)確預(yù)測(cè)鍋爐燃燒的整個(gè)過(guò)程以及燃燒過(guò)程中各個(gè)參量的變化情況，達(dá)到了優(yōu)化控制的目的。因此，探究基于遺傳算法的鍋爐燃燒控制系統(tǒng)優(yōu)化策略，成為火電廠(chǎng)技術(shù)革新的重要內(nèi)容。

1 基于遺傳算法的鍋爐燃燒控制系統(tǒng)設(shè)計(jì)

1.1 基于遺傳算法的系統(tǒng)優(yōu)化

火電廠(chǎng)鍋爐在實(shí)際運(yùn)行中，由于設(shè)備負(fù)載能力、工作環(huán)境溫度、使用煤炭種類(lèi)等因素的不同，導(dǎo)致鍋爐本身的燃燒性能也表現(xiàn)出明顯的差異。為了使鍋爐的運(yùn)行效率、節(jié)能效果達(dá)到最優(yōu)，必須對(duì)鍋爐的燃燒控制系統(tǒng)進(jìn)行優(yōu)化。基于遺傳算法的系統(tǒng)優(yōu)化思路為：以鍋爐參數(shù)作為輸入?yún)?shù)，構(gòu)建鍋爐燃燒優(yōu)化模型，分析鍋爐燃燒各個(gè)參數(shù)與熱效率之間的映射關(guān)系。然后利用遺傳算法進(jìn)行全局尋優(yōu)，保證鍋爐燃燒重要參數(shù)與熱效率之間實(shí)現(xiàn)最佳匹配，達(dá)到鍋爐燃燒效率最大化的目的。基于遺傳算法的尋優(yōu)模型見(jiàn)圖1。

圖1 遺傳算法尋優(yōu)模型

在該尋優(yōu)模型中，基于遺傳算法的核心模塊采用實(shí)數(shù)編碼的方式，計(jì)算遺傳算法的輸入變量，最終結(jié)果保存到數(shù)據(jù)文件中。同時(shí)，系統(tǒng)根據(jù)運(yùn)算結(jié)果給出優(yōu)化建議，鍋爐燃燒系統(tǒng)可通過(guò)自動(dòng)方式或人工手動(dòng)方式進(jìn)行參數(shù)調(diào)節(jié)，從而保證鍋爐達(dá)到最佳空燃比。

遺傳算法的尋優(yōu)步驟如下：

（1） 確定遺傳算法的輸入變量。以鍋爐燃燒控制系統(tǒng)為例，輸入變量主要包括氧量、負(fù)荷、一次/二次風(fēng)量、環(huán)境溫度、總?cè)剂狭康取Ｈ缓蠼Y(jié)合實(shí)際問(wèn)題設(shè)置約束條件，得到問(wèn)題的解空間。

（2） 對(duì)解空間展開(kāi)分析，參考目標(biāo)函數(shù)形式，推導(dǎo)出算法尋優(yōu)的數(shù)學(xué)形式，如極值、拐點(diǎn)等，構(gòu)建相應(yīng)的優(yōu)化模型。

（3） 采取染色體編碼方法，把問(wèn)題求解過(guò)程轉(zhuǎn)化成對(duì)應(yīng)的遺傳基因逐漸生長(zhǎng)過(guò)程，確定問(wèn)題的搜索空間。結(jié)合基因從個(gè)體特征到群體特征的表現(xiàn)過(guò)程，進(jìn)一步求出基因的編碼過(guò)程。

（4） 判斷個(gè)體在整個(gè)樣本集合中的適應(yīng)度，根據(jù)優(yōu)化模型對(duì)目標(biāo)函數(shù)做適應(yīng)性調(diào)整。根據(jù)適應(yīng)度函數(shù)和目標(biāo)函數(shù)之間的關(guān)系，確立轉(zhuǎn)換規(guī)則。

（5） 結(jié)合實(shí)際問(wèn)題確定遺傳算子的具體形式，以及遺傳算法的運(yùn)行參數(shù)（如終止條件、交叉概率等）。

（6） 根據(jù)遺傳算法的運(yùn)行參數(shù)，確定最優(yōu)解，得出尋優(yōu)結(jié)果。

1.2 遺傳算法在鍋爐燃燒控制參數(shù)尋優(yōu)中的應(yīng)用

1.2.1 尋優(yōu)流程設(shè)計(jì)

基于遺傳算法的尋優(yōu)策略主要有比例選擇、輪盤(pán)賭選擇、最優(yōu)保存策略選擇、無(wú)回放隨機(jī)選擇等若干種[1]。本文基于輪盤(pán)賭選擇設(shè)計(jì)鍋爐參數(shù)尋優(yōu)模型，尋優(yōu)流程如下：

建立鍋爐的運(yùn)行參數(shù)模型后，讀取鍋爐的原始數(shù)據(jù)。成功識(shí)別數(shù)據(jù)后，進(jìn)行鍋爐參數(shù)的初始化處理。系統(tǒng)調(diào)用鍋爐運(yùn)行參數(shù)，并執(zhí)行一個(gè)判斷程序“鍋爐運(yùn)行參數(shù)是否成功讀取？”

如果判斷結(jié)果為“是”，則利用遺傳算法進(jìn)行數(shù)據(jù)處理，并將處理后的數(shù)據(jù)導(dǎo)入到系統(tǒng)模型中。該模型自動(dòng)將輸入的結(jié)果數(shù)據(jù)與雙親數(shù)據(jù)進(jìn)行對(duì)比，并判斷兩種數(shù)據(jù)的適應(yīng)度。如果結(jié)果數(shù)據(jù)的適應(yīng)度低于雙親數(shù)據(jù)，則取雙親中適應(yīng)度較好的帶入。然后執(zhí)行一個(gè)判斷程序“是否進(jìn)行下一次遺傳？”如果所得結(jié)果符合優(yōu)化要求，則自動(dòng)結(jié)束本次尋優(yōu)過(guò)程；如果所得結(jié)果不符合優(yōu)化要求，則繼續(xù)進(jìn)行第二次遺傳。將第一次遺傳后的數(shù)據(jù)添加到原始數(shù)據(jù)表，并作為新的原始數(shù)據(jù)，重新導(dǎo)入模型進(jìn)行適應(yīng)度對(duì)比，重復(fù)上述流程。

如果判斷結(jié)果為“否”，則繼續(xù)判斷是否存在交叉變異。如果無(wú)交叉變異，則將原始數(shù)據(jù)保存以后，由系統(tǒng)重新讀取鍋爐運(yùn)行參數(shù)；如果有交叉變異，首先將變異后的原始數(shù)據(jù)進(jìn)行保存，然后采用輪盤(pán)賭算法確定雙親，再根據(jù)雙親計(jì)算子節(jié)點(diǎn)數(shù)據(jù)。將求得的子節(jié)點(diǎn)數(shù)據(jù)添加到數(shù)據(jù)表中，作為新的原始數(shù)據(jù)，然后由系統(tǒng)重新讀取，并再次執(zhí)行“鍋爐運(yùn)行參數(shù)是否成功讀取？”的判斷程序。

1.2.2 確定基因代碼

將鍋爐可調(diào)參數(shù)作為鍋爐燃燒效率尋優(yōu)的基因代碼，具體見(jiàn)表1。

表1 鍋爐參數(shù)變化范圍

結(jié)合鍋爐設(shè)備的運(yùn)行狀況，確定再熱器流量、再熱器出口壓力、給煤機(jī)煤量等可調(diào)參數(shù)的取值范圍，如再熱器流量的取值范圍為100～2 000 t/h。如表1所示，每一個(gè)基因代碼都包含了8 個(gè)控制變量，將每一組控制變量作為單一個(gè)體，然后進(jìn)行個(gè)體適應(yīng)度計(jì)算。此外，將選定的可調(diào)變量，與其他不可調(diào)變量全部加入到訓(xùn)練集中，一同輸入到已經(jīng)完成訓(xùn)練的系統(tǒng)模型中，作為輸入值進(jìn)行鍋爐燃燒效率的預(yù)測(cè)。利用遺傳算法，得到優(yōu)化后的調(diào)整參數(shù)，系統(tǒng)根據(jù)優(yōu)化后的參數(shù)重新編輯控制指令，實(shí)現(xiàn)對(duì)鍋爐輸入?yún)?shù)的調(diào)節(jié)，從而保證鍋爐始終以最佳燃燒效率運(yùn)行[2]。

1.2.3 鍋爐參數(shù)優(yōu)化設(shè)計(jì)

將鍋爐運(yùn)行中的8 個(gè)變量，按照table1～8 依次表示，參數(shù)的適應(yīng)度即為鍋爐的燃燒效率。適應(yīng)度越好，說(shuō)明鍋爐的燃燒效率越高。鍋爐參數(shù)的優(yōu)化流程可分為3 個(gè)步驟：

（1） 種群初始化。從海量的原始參數(shù)中，選擇250 組鍋爐燃燒效率較好的參數(shù)作為遺傳尋優(yōu)的原始數(shù)據(jù)，并按照1～250 的序號(hào)輸入到Excel 表格中。

（2） 適應(yīng)度評(píng)價(jià)。鍋爐燃燒效率的取值范圍為0～100%，將其作為適應(yīng)度，尋優(yōu)目標(biāo)值為1，此時(shí)鍋爐燃燒效率有最大值。

（3） 遺傳選擇。基于遺傳算法的鍋爐參數(shù)優(yōu)化程序，采用輪盤(pán)賭選擇方法確定雙親。

在該程序下，燃燒效率越高的運(yùn)行參數(shù)，其適應(yīng)度越好，因此被遺傳到下一代的概率越大。這樣經(jīng)過(guò)若干輪的遺傳后，即可得到最優(yōu)結(jié)果[3]。

2 火電廠(chǎng)鍋爐燃燒控制系統(tǒng)仿真分析

2.1 鍋爐燃燒控制系統(tǒng)的模型設(shè)計(jì)

系統(tǒng)仿真實(shí)驗(yàn)選擇安全性閉環(huán)控制模式，通過(guò)實(shí)時(shí)監(jiān)測(cè)的方式獲取鍋爐熱效率數(shù)據(jù)。同時(shí)利用控制器發(fā)送指令實(shí)現(xiàn)對(duì)機(jī)組運(yùn)行參數(shù)的調(diào)節(jié)，在此基礎(chǔ)上結(jié)合上文提出的遺傳算法進(jìn)行優(yōu)化，保證了試驗(yàn)機(jī)組能夠發(fā)揮最大效能。機(jī)組優(yōu)化運(yùn)行原理見(jiàn)圖2。

圖2 機(jī)組優(yōu)化運(yùn)行原理圖

在仿真試驗(yàn)中，使用DCS 作為控制單元，確保在鍋爐參數(shù)調(diào)整時(shí)能夠通過(guò)程序指令完成精準(zhǔn)控制。DCS 與鍋爐之間通過(guò)工業(yè)總線(xiàn)完成通信，保證DCS 控制指令的順利下達(dá)以及鍋爐測(cè)量參數(shù)的及時(shí)上傳。

2.2 鍋爐燃燒穩(wěn)態(tài)模型

鍋爐燃燒期間受到諸多不確定因素（如煤的質(zhì)量、燃燒溫度等）的影響，鍋爐氮氧化物的排放量和飛灰含碳量的變化均呈現(xiàn)出非線(xiàn)性特點(diǎn)。而本文提出的機(jī)遇遺傳算法的優(yōu)化控制模型，則能夠很好地適應(yīng)非線(xiàn)性函數(shù)；此外還具有較強(qiáng)的自適應(yīng)、自學(xué)習(xí)能力，在此基礎(chǔ)上建立起的鍋爐燃燒穩(wěn)態(tài)模型能夠?qū)μ嵘仩t燃燒有積極幫助。該模型以再熱器出口溫度、出口壓力，以及給煤機(jī)的壓力、煤量等變量作為輸入，以鍋爐燃燒效率作為輸出，基于模型定性分析鍋爐燃燒特性與相關(guān)變量之間的關(guān)系。鍋爐燃燒穩(wěn)態(tài)模型為：

式中：Cfh表示飛灰含碳量，f 表示飛灰含碳的計(jì)算函數(shù)，Mv表示再熱器出口溫度、出口壓力等操作量，Dv表示給煤機(jī)煤量、環(huán)境溫度等相關(guān)量[4]。

2.3 應(yīng)用實(shí)例

選擇一臺(tái)350 MW 的超臨界對(duì)沖鍋爐作為測(cè)試裝置，使用鋼鐵球磨機(jī)制粉系統(tǒng)切向燃燒。使該鍋爐在240 MW、280 MW、320 MW和350 MW 四種負(fù)荷工況下運(yùn)行，并收集不同工況下的水分、灰分、含氧量、飛灰含碳量等參數(shù)，統(tǒng)計(jì)結(jié)果見(jiàn)表2。

表2 鍋爐熱態(tài)試驗(yàn)工況表

將采集到的數(shù)據(jù)作為訓(xùn)練樣本，基于LM學(xué)習(xí)規(guī)則進(jìn)行模型訓(xùn)練。完成訓(xùn)練后，對(duì)比飛灰含碳測(cè)試集的預(yù)測(cè)值和實(shí)際值，結(jié)果見(jiàn)圖3。

圖3 飛灰含碳測(cè)試集預(yù)測(cè)值與實(shí)際值比較

如圖3 所示，鍋爐飛灰含碳測(cè)試集的預(yù)測(cè)值與實(shí)際值之間呈現(xiàn)出較高的擬合度。兩者之間的最大誤差為1.61，最大相對(duì)誤差為26.74%。這一結(jié)果表明經(jīng)過(guò)遺傳算法模型訓(xùn)練的鍋爐燃燒控制系統(tǒng)，能夠準(zhǔn)確預(yù)測(cè)煤粉灰燃燒后的飛灰含碳量，在此基礎(chǔ)上不斷調(diào)整含氧量、給煤機(jī)煤量等輸入量，可以使飛灰含碳測(cè)試值與實(shí)際值之間的誤差始終保持在較低水平，從而讓鍋爐燃燒控制系統(tǒng)的燃燒效率達(dá)到最優(yōu)[5]。

按照同樣的方法，在本次仿真實(shí)驗(yàn)中還建立了NOx排放模型，選擇煙氣含氧量、風(fēng)壓、二次風(fēng)擋板開(kāi)度、爐溫等作為輸入，以NOx排放作為輸出。經(jīng)過(guò)LM神經(jīng)網(wǎng)絡(luò)訓(xùn)練后，分別統(tǒng)計(jì)并對(duì)比NOx的實(shí)際值和預(yù)測(cè)值。結(jié)果表明，兩者之間的最大誤差為0.47，最大相對(duì)誤差為6.78%，說(shuō)明經(jīng)過(guò)遺傳算法訓(xùn)練后的模型，也能夠較為準(zhǔn)確地預(yù)測(cè)NOx的排放值。在此基礎(chǔ)上不斷調(diào)整一次風(fēng)壓、二次風(fēng)擋板開(kāi)度、爐溫等輸入量，可以使NOx的排放值控制在較低水平，減少環(huán)境污染

3 結(jié)論

在環(huán)保標(biāo)準(zhǔn)日益嚴(yán)格的背景下，火電廠(chǎng)鍋爐燃燒控制系統(tǒng)也必須與時(shí)俱進(jìn)的優(yōu)化，在提高燃燒效率的同時(shí)降低污染排放，實(shí)現(xiàn)生態(tài)效益和經(jīng)濟(jì)效益的統(tǒng)籌兼顧。基于此，本文利用遺傳算法構(gòu)建了鍋爐燃燒穩(wěn)態(tài)模型，并收集鍋爐燃燒時(shí)的基本參數(shù)作為變量，進(jìn)行模型訓(xùn)練。然后將該模型應(yīng)用于鍋爐的燃燒控制中。從仿真試驗(yàn)結(jié)果來(lái)看，該模型投入應(yīng)用后，能夠?qū)崿F(xiàn)閉環(huán)控制，動(dòng)態(tài)調(diào)節(jié)輸入變量，保證輸出結(jié)果的最優(yōu)化，在提高燃燒效率、降低氮氧化物排放濃度等方面取得了理想效果。