（中山火力发电有限公司 广东中山 528429）
摘要：随着电力工业的日趋成熟，原来电力行业长期垄断的经营方式已无法适应电力工业生产力发展的需要。因此，锅炉普遍存在的运行效率低和NOx排放污染严重的问题，这一问题急需解决，刻不容缓。在不进行锅炉改造的前提下，以现有运行条件为基础，通过优化运行，提高锅炉效率和降低NOx的排放，是一种经济、有效的办法。本文对锅炉燃烧效率、降低污染物排放进行了阐述。
关键词：锅炉；燃烧优化；混合模型
由于获得最大燃烧效率的问题与控制污染的问题是紧密相关的。一般来说，燃料的完全燃烧和充分氧化能提高燃烧效率并同时降低这些污染物质的排放数量，但在各种氮的氧化物却给我们提出了一个难题，那就是，降低氮氧化物的生成量与提高燃烧效率所需要的条件是相互矛盾的，因而，如何兼顾燃烧效率与氮氧化物的排放是燃烧优化的核心问题。采取适当措施强化管理，降低成本，提高运行效率，减少排污费用将是各电厂参与竞争的必由之路。优化锅炉燃烧，改善锅炉的运行水平将具有重要的经济和社会效益。
一、燃烧优化技术现状分析
电站锅炉的燃烧优化是一个很复杂的问题，但是对于实际的发电生产运行却有很大的现实意义，很多国内外的学者和研究机构都在进行这方面的研究，电站锅炉的燃烧优化可以有不同的侧重点和目标，如降低污染物的排放、提高锅炉效率、以及防止结渣或高温腐蚀等，然而在同一台锅炉上这些不同的优化目标往往是相互制约的，高效率可能会导致较大的污染物排放和较低的安全性，而低的污染排放或高的安全性则会导致较低的经济性。目前情况下我们还不能使所有目标都达到最优的状态，只能在一定限度内有所侧重的协调解决。人们在根据不同侧重点尝试解决这些问题的时候，如何实现最优化协调运行是一个非常重要的问题。
二、锅炉燃烧优化的系统
系统是一种智能计算机程序系统，其内部包含了大量专家级的经验和知识，其本质上是一个知识系统，其核心部分为知识库和推理机。专家系统主要是应用模糊逻辑和建立相应模型对燃烧进行诊断，给出调整信息，将经验知识以一定的形式存储在知识库中，利用诊断机制对燃烧状态和参数进行诊断并给出诊断结果。专家系统的优化是基于经验知识的，由于受表达形式的限制，如何充分准确的表达经验知识是一直困扰着专家系统设计人员的问题，长期以来没有得到很好的解决，有很多的经验知识还不能充分表达出来，因此与真正的人类专家还有相当距离。对于燃烧系统来说，专家系统只能处理经验知识或关系比较明确的问题，对于多参数的复杂关系的和经验知识不够明确的问题处理能力有限；其优势在于，诊断就是进行问题和知识的匹配，速度很快，适合于在线的应用。目前看来在燃烧优化方面专家系统不是很出色。
三、神经网络在锅炉燃烧优化中的应用
神经网络是由大量模拟生物神经元的人工神经元广泛互连而成的网络，是一种模仿和延伸人类脑功能的新型信息处理系统，也是一种自适应非线性系统。通过输入信号在各神经元之间的传递，获得输出，具有高度的非线性特性，并且系统可以从样本中学习有效的知识和规则，应用于预测和判断。神经网络具有黑箱的性质，可以通过样本学习掌握输入和输出之间的关系，这一点非常适合于处理象燃烧优化这样多因素、复杂关系或关系不清晰的问题，这也是神经网络在燃烧优化方面应用较多的原因。[2]应用神经网络和遗传算法实现了对一台600MW锅炉NOx排放量、飞灰含碳量的建模和优化，其所建模型对于验证工况的误差为3.08％，3.37％，说明模型的预测比较精确，其神经网络模型的输入输出量情况代表了大部分锅炉燃烧优化神经网络模型的输入和输出量，如图所示。
神经网络的黑箱特性适合于燃烧优化的特点，在锅炉燃烧优化领域应用和模拟计算越来越多，但也还存在如下的一些问题：（1）在线训练困难，限制了燃烧优化系统的在线性；（2）对数据样本的不完整性和误差比较敏感；（3）存在过拟合问题，泛化能力较差，给应用带来不便。其中问题（3）更具有深刻的影响，限制了神经网络在实际应用中的进一步发展。寻找新的功能更强大的建模工具和优化方法以实现在线实时优化的目标，使燃烧优化更加准确和快速，模型的适应能力更强，将成为锅炉燃烧优化领域的研究热点。
1、锅炉效率计算模型。锅炉的经济性采用锅炉效率作为评判依据，由于效率一般无法直接测量，所以常采用反平衡方法得出锅炉效率。采用的是工程师学会的电站性能试验规程（ASMEPTC）。
1）ASME标准的锅炉效率计算模型。ASME反平衡法效率计算如下：
四、锅炉燃烧模型预测效果
1、数据预处理。根据试验结果分析可知，影响锅炉燃烧性能的主要因素为烟气含氧量、风箱差压、二次风挡板开度、燃尽风开度、锅炉负荷、煤热值等13 个变量作为神经网络直接模型和混合模型的输入。锅炉热效率和NOx 排放作为神经网络的输出。首先将试验数据进行归一化处理，将输入输出控制在0-1之间，使网络训练一开始就给各输入分量予以同等地位，还可以防止因输入的绝对值过大而使神经元输出饱和的现象。
2、煤热值辨识模型预测分析。根据煤热值神经网络模型的输入变量为总风量、一次风量、排烟温度、烟气含氧量、负荷、Dgq、q1、q2 等。从热态试验数据选取62 组作为训练集，再选取20 组作为测试集，对模型进行训练，如图所示。
在煤热值辨识模型预测中，各工况下得出燃料热值实际值与预测值得误差如表2 所示，比较发现最大误差不超过4%，说明该神经网络预测效果较为精确，可以作为燃烧优化模型的输入量。
3、锅炉热效率神经网络混合模型
为了提高锅炉热效率模型的预测精度，相对于锅炉热效率直接模型，锅炉热效率混合模型将飞灰含碳和排烟温度模型作为锅炉热效率模型的中间变量。同样选取12个输入节点，1个输出节点。试验数据共有82组，选取62组数据作为训练样本，其20 组测试样本。采用传统数值优化算法中的Levenberg-Marquardt 算法进行学习，隐层和输出层采用sigmoid 激励函数，隐含层神经元个数为6时，测试网络的泛化能力最好。经过多次验证确定学习速率为0.15，动力因子为0.96，当系统均方误差小于10×10−5 时训练结束。应用神经网络模型，飞灰含碳量和排烟温度预测效果如图所示。
进一步根据锅炉排烟温度、飞灰含碳量以及煤热值、煤的分析数据计算出锅炉热效率，其与实测值的锅炉热效率的平均相对误差和均方误差分别为0.757%和0.194%。根据模型预测可以得出，在不同负荷段下飞灰含碳量和NOx 排放随烟气含氧量的变化，随着烟气含氧量的降低，NOx 排放降低，但是烟气含氧量的降低会带来燃烧的不完全，会导致飞灰含碳量升高。所以在当前高效低污染的运行环境下，烟气含氧量是影响锅炉运行优化调节的重要因素。基于锅炉燃烧特性的混合模型，可以使烟气含氧量进行最优化。
结论
在已燃烧模型、燃烧优化目标函数的基础之上，利用极值搜索算法对烟气含氧量最佳设定值进行实时搜索，以达到提高经济性和降低NOx排放量的双重目的。仿真结果表明，极值搜索算法能够很好的在线搜索烟气青氧量设定值，这为电厂节能减排在动态过程中的应用提供了有效手段。
参考文献
[1]夏国栋，徐寿臣.基于人工神经网络和模拟退化算法的分级燃烧优化[J].清华大学学报：自然科学版，2015，45(5)：693-696.
[2]刘芳，张德珍，赵文杰.电站锅炉燃烧系统的神经网络建模[J].电力科学与工程，2013，26(6)：33-37.
[3]刘吉臻，吕游.基于变量选择的锅炉NOx排放最小二乘支持向量机建模[J].中国电机工程学报，2012，32(20)：102-107.
论文作者:朱波
论文发表刊物:《电力设备》2018年第2期
论文发表时间:2018/5/30
标签：锅炉论文; 神经网络论文; 模型论文; 含氧量论文; 热效率论文; 效率论文; 烟气论文; 《电力设备》2018年第2期论文;