基于神经网络的锅炉优化燃烧技术.doc

基于神经网络的锅炉优化燃烧技术（1. Huadian Hubei Power Generation Company Limited）摘 要：目前大型燃煤机组耗煤量大、煤炭采购的矿点较多、煤质不稳定等导致锅炉燃烧经常偏离设计工矿，如果继续采用设计煤种工矿下的锅炉燃烧控制技术，就难以提高锅炉的燃烧效率。本文介绍的燃烧优化技术是采用神经网络技术建模，并用遗传算法寻优以调整锅炉燃烧的风粉配比等控制参数，实现锅炉燃烧工况动态最优，克服了传统试验法指导燃烧优化调整的缺点，能够较好的指导锅炉在非设计煤种下的稳定高效燃烧，降低锅炉能源消耗及减少氮氧化物的排放，并通过电厂运行试验证明该优化运行技术具有较高应用价值和广阔的应用前景。 关键词：神经网络；燃烧优化；燃烧效率；氮氧化物0.引言锅炉燃烧优化技术是电力系统信息化进程的一个必然步骤，在市场煤、计划电的大环境下，那些非坑口电厂无法获得机组燃用的设计煤种，如何在采购煤种进行掺配后能够获得近似设计煤种情况下获得最优燃烧效果是当前有巨大经济效益的一项工作1。当前火力发电机组已基本实现DCS系统控制, 机组的可控性得到大大的提高。锅炉运行优化控制系统作为机组运行控制的优化决策层，而DCS作为机组运行控制的执行层，DCS能够很好地完成优化决策层下达的控制任务。目前很多在线分析仪表已经进入实用阶段2，如飞灰含碳测量，烟气连续NOx测量等，为锅炉运行性能指标的在线模型计算提供了精确的反馈量3。自动化领域的人工神经网络建模，多变量预测控制等的理论与实践进入了实用阶段，为锅炉运行优化提供了建模和控制手段45。1.基于神经网络的锅炉优化燃烧技术1.1 神经网络技术介绍自1943年，心理学家WMcculloch和数理逻辑学家WPitts在分析、总结神经元基本特性的基础上首先提出神经元的数学模型。此模型沿用至今，并且直接影响着这一领域研究的进展6。50年代末，FRosenblatt设计制作了“感知机”，它是一种多层的神经网络。这项工作首次把人工神经网络的研究从理论探讨付诸工程实践。在60年代初期，Widrow提出了自适应线性元件网络，这是一种连续取值的线性加权求和阈值网络。后来，在此基础上发展了非线性多层自适应网络6。当时，这些工作虽未标出神经网络的名称，而实际上就是一种人工神经网络模型。80年代初期，模拟与数字混合的超大规模集成电路制作技术提高到新的水平，完全付诸实用化，此外，数字计算机的发展在若干应用领域遇到困难。这一背景预示，向人工神经网络寻求出路的时机已经成熟。美国的物理学家Hopfield于1982年和1984年在美国科学院院刊上发表了两篇关于人工神经网络研究的论文，引起了巨大的反响7。人们重新认识到神经网络的威力以及付诸应用的现实性。随即，一大批学者和研究人员围绕着 Hopfield提出的方法展开了进一步的工作，形成了80年代中期以来人工神经网络的研究热潮。81.2 BP 神经网络BP 网络是一种单向传播的多层前向网络，是一种具有三层或三层以上的神经网络，包括输入层、中间层(隐层) 和输出层。上下层之间实现全连接，而每层神经元之间无连接。当一对学习样本提供给网络后，神经元的激活值从输入层经过中间层向输出层传播，在输出层的各神经元获得网络的输入响应。接下来，按照减少目标输出与实际误差的方向，从输出层经过各中间层逐层修正备连接权值，最后回到输入层，这种算法称为“误差逆传播算法”，即BP 算法。随着这种误差逆的传播修正不断进行，网络对输入模式响应的正确率也不断上升8。BP 神经网络的设计通过调用MATLAB 指令: net=newff ( PR, S1 S2SN, TF1 TF2TFN, BTF, BLF, PF) 创建BP 神经网络。PR 为输入量的取值范围； Si 为第i 层的神经元个数，共n 层；TFi 为第i 层的传递函数；BTF 为BP 网络的训练函数；BLF 为BP 网络权值和阈值学习函数；PF 为性能函数。对于如何确定BP 网络隐含层中神经元的个数，往往需要根据设计者的经验和多次实验来确定，因而不存在一个理想的解析式来表示9。本研究中, 笔者经过多次尝试, 最后确定隐层神经元数为9, BP 网络调用的各主要函数如下:net=newff ( minmax( Pn) , 9, 1, tansig, purelin, traincgf)BP 神经网络的训练和仿真BP 网络生成和初始化后，可以对训练参数net.trainParam 进行适当设置，再调用train 函数来对网络进行训练。train 函数的常用格式如下：net, tr=train( net, Pn, Tn)式中: Pn 为输入样本矢量集；Tn 为对应的目标样本矢量集；等号左、右两侧net 分别用于表示训练前、后的神经网络对象；tr 存储训练过程中的步数信息和误差信息。1.3 锅炉优化燃烧中的人工神经网络建模原理利用神经网络能够自适应模拟非线性输入输出的原理，将衡量锅炉燃烧效率和氮氧化物排放的指标参数作为输出，而将参与燃烧的相关参数作为锅炉燃烧的输入参数。构建锅炉燃烧模型，通过输入运行历史数据和试验数据，对锅炉燃烧模型进行训练，建立机组在不同的干扰量（负荷，环境温度）下，锅炉各可调量，如一次风压、二次风压及不同的二次风门开度组合、烟气含氧量、给粉偏置等，与锅炉运行性能（NOx和效率）之间的非线性动态模型；通过稳态模型，寻优机组当前可以达到的最佳性能；采用动态控制，使控制机组达到最佳状态，从而实现性能最佳。2.模型设计2.1 常规机组控制模型及优化设计一般情况下，机组的控制模型如图1中安全性闭环控制框图，锅炉燃烧通过热力试验及厂家说明书设定运行参数，经过相关的控制器对机组进行控制，然后通过性能计算就得出相关的指标参数。在火电机组执行机构完成控制器下达的控制指令后，经过安全性闭环控制进行反馈，确保控制安全，而锅炉优化燃烧控制系统则是在传统的控制系统上增加机组性能寻优反馈环节，确保机组运行的经济性，如图1运行性能闭环控制框图：图1 机组优化运行原理图燃烧优化控制系统是在机组DCS系统控制基础之上，进行建模控制，与原系统接口控制如图2,通讯及优化指令采用安全的通讯接口,异常情况下可以通过运行人员进行人工干预确保机组的安全稳定运行。图2 锅炉优化燃烧实现方式2.2 锅炉燃烧稳态性能的神经网络模型由于电站锅炉燃烧的复杂性，锅炉NOx排放、飞灰含碳量等受多种因素的影响，并且表现出明显的非线性特性。而人工神经网络模型能够拟合任意非线性函数并具有良好的泛化能力，对复杂问题具有自适应和自学习能力，在非线性系统辨识方面得到了广泛的研究和应用。因此本文根据稳态试验数据，采用人工神经网络方法建立锅炉效率和NOx排放预测模型。（1）锅炉燃烧模型输入量应用人工神经网络方法对锅炉燃烧系统进行建模，将锅炉燃烧系统视为黑箱，影响锅炉燃烧的各因素作为神经网络的输入，飞灰含碳，排烟温度和NOx排放作为神经网络的输出。通过对锅炉运行状况和稳态试验数据分析发现，影响锅炉燃烧性能的主要因素为烟气含氧量、一次风压、二次风各层挡板开度等操作量。由于现阶段国内电站锅炉燃煤相对紧缺，导致锅炉运行中煤质变化较大，这将会导致燃烧性能发生较大的变化；另外，锅炉燃烧性能会随着锅炉负荷变化呈现出较大的变化，因此将负荷和燃煤热值作为模型的干扰量加以考虑。（2）锅炉燃烧系统神经网络模型首先，考虑建立如图所示的人工神经网络模型来预测锅炉效率和NOx排放。以烟气含氧量、一次风压、二次风挡板开度和环境温度、负荷、给煤机总转速等15个变量为输入，锅炉效率和NOx排放为输出，分别建立人工神经网络模型。图3 锅炉燃烧性能神经网络混合模型首先对锅炉的燃烧特性进行定性的机理分析。锅炉热效率主要受两个变量影响，即飞灰含碳量和排烟温度，而这两个变量受锅炉的操作参数如一次风、二次风、环境温度和烟气含氧量等影响。由NOx排放机理可知，锅炉NOx排放与炉膛温度有着很强的直接关系，而炉膛温度也直接受到操作量影响。因此根据上述机理，可以定性建立锅炉燃烧系统的模型：式中表示烟气氧量、一次风压、二次风等操作量，表示给煤总转速（表征燃煤热值），环境温度和负荷等干扰量，为排烟温度计算函数，为排烟温度，为锅炉炉膛温度计算函数，为炉膛温度，为飞灰含碳计算函数，为飞灰含碳量，为NOx排放计算函数，为NOx排放值，为锅炉效率计算函数，为效率。基于试验数据，采用人工神经网络建立上述函数、，则可以建立如图2.10所示的锅炉燃烧神经网络混合模型。其中，ANN1为预测锅炉排烟温度的神经网络模型，拟合计算函数；ANN2为预测锅炉炉膛温度的神经网络模型，拟合计算函数；ANN3为预测飞灰含碳的神经网络模型，拟合计算函数；ANN4为预测NOx排放的神经网络模型，拟合计算函数；为锅炉效率计算函数。飞灰含碳受锅炉煤质和运行参数影响很大，相互关系很难用常规的计算公式表达。因此选取烟气含氧量、一次风压、二次风挡板开度和环境温度、负荷、给煤总转速等15个变量作为神经网络ANN3的输入，输出为锅炉飞灰含碳。3.应用实例某厂型号是WGZ1004/18.34-1，钢球磨中储式制粉系统，四角切圆燃烧。根据神经网络建模原理对锅炉进行了分组试验和正交试验，并根据试验数据建立了锅炉燃烧稳态模型。由于国内燃煤供应紧张，导致机组燃用煤质变化较大，尤其是热值分布区域较宽。试验共获得227组有效试验数据，部分试验数据如表所示。将试验数据综合进行建模，燃煤高位热值在14.72MJ/kg到23.15MJ/kg范围内变化，使得模型充分包含了煤质变化后燃烧特性的变化信息。表1 锅炉热态试验工况表负荷MW挥发份%低位热值KJ/KG灰分%水分%总转速/min氧量%AA %AB %BC1%BC2%BC %CD %DE %E %F %FG %环境 温度 排烟 温度排烟 温差 平均飞灰含碳%Nox mg/m3334 9.662050533.030.647248 2.82 60 59 60 60 60 60 60 60 60 61 27.43 129.7102.313.14*333 10.432007734.160.566918 2.64 60 59 60 60 60 60 60 60 60 61 26.52 130.3103.783.395220 11.12038233.740.565039 4.10 40 40 35 0 40 40 41 0 0 0 22.78 114.491.6161.71950220 11.082040933.530.564604 4.22 40 40 35 0 40 40 41 0 0 0 22.76 114.791.9171.595925260 12.542004433.520.615780 3.73 40 40 40 40 40 40 40 40 40 40 33.47 12894.5346.325860260 12.22012433.470.685802 3.72 40 40 10 10 40 40 40 40 40 40 33.90 13096.0646.67890270 11.461714642.780.616545 3.91 40 40 30 30 40 40 40 40 40 40 29.57 128.498.8631.01787270 11.361698243.040.617370 3.89 50 50 30 30 40 40 40 40 40 40 29.20 126.196.8710.995810330 13.631814138.540.598702 3.79 57 56 54 32 55 53 55 57 54 57 34.46 132.297.7164.78912.2330 13.071866037.050.678041 3.24 57 56 54 32 55 53 55 57 54 57 34.04 132.798.6296.2938.8240 11.021943935.410.465777 4.53 45 35 35 16 35 35 40 20 20 30 29.46 120.390.8821.15741.9240 11.091920836.380.445459 3.68 55 50 45 20 45 40 20 0 0 0 29.47 120.691.0831.13751*：有部分试验缺少NOx测量值任意选取136组试验工况数据作为训练样本建立飞灰含碳的模型，训练算法采用LM学习规则，训练结果如图所示。图4 飞灰含碳训练集预测值与实际值的比较图5 飞灰含碳测试集预测值与实际值的比较锅炉飞灰含碳测试集的预测结果如图所示。由测试集的试验数据与网络预测输出对比得出，实测值和预测值之间的最大绝对误差为1.724，最大相对误差27.9%，说明训练得到的神经网络模型能够较好地预测飞灰含碳量的值，满足锅炉燃烧优化准确性和实时性的要求。图6 排烟温度训练集预测值与实际值的比较图7 排烟温度测试集预测值与实际值的比较同样，应用人工神经网络方法建立锅炉排烟温度的预测模型ANN1，进一步根据锅炉排烟温度、飞灰含碳量和燃煤的热值、灰分等即可计算得到锅炉热效率。结合两个神经网络模型，得到锅炉效率在测试集上的平均相对误差为0.63%。根据对锅炉NOx生成机理和稳态试验数据的分析，选取炉膛温度作为NOx排放模型的中间变量。但是，炉膛温度是受操作量控制而需要预测的未知变量之一，所以预测NOx排放需首先预测炉膛温度，ANN2即为炉膛温度的预测模型。在NOx排放模型训练阶段，为提高模型预测精度，采用实际测量的炉膛温度作为NOx排放模型的输入，选取气含氧量、一次风压、二次风挡板开度和环境温度、负荷、给煤总转速，炉膛温度等作为神经网络ANN4的输入，输出为烟气NOx排放；而在锅炉燃烧优化过程模型应用阶段则使用炉膛温度的预测值。随机选取热态试验数据中的79组作为神经网络的训练集用来进行网络的学习训练，其余作为测试集用来测试网络的泛化能力。神经网络训练采用LM算法，经过多次训练发现，隐层、输出层均采用sigmoid激励函数，隐层节点数为8时神经网络的泛化能力最强。图2.13为NOx模型训练集预测值与实际值的比较。图8 NOx训练集预测值与实际值的比较人工神经网络模型的性能主要用其泛化能力来衡量，泛化能力表征网络通过训练能否找出蕴含在样本数据中输入与输出之间的本质联系。为了验证NOx排放模型的泛化能力，采用训练好的神经网络对未参加训练的54个工况进行测试，预测结果如图2.14所示。图9 NOx测试集预测值与实际值的比较由测试集数据分析得出：NOx排放的实际值和预测值之间的平均相对误差为5.7%，说明训练得到的神经网络模型能较好地预测NOx的排放值。4.试验结果锅炉负荷为100%负荷工况时，在动态燃烧优化装置效率优化功能投运前，运用ASME PTC4.1的方法，测试锅炉的热效率（低位发热量）。定义为工况1。在动态燃烧优化装置效率优化功能投运后，定义为工况2。锅炉负荷为100%负荷工况时，在动态燃烧优化装置NOX优化功能投运前，测试空预器出口烟气中NOX排放量，并换算到O2=6%情况下的NOx值。定义为工况3。在动态燃烧优化装置NOX优化功能投运后，定义为工况4。4.1 锅炉效率的计算工况1和工况2在测试锅炉效率时，煤质连续取样，样品混合缩分后进行化验，锅炉热效率的计算结果见表2。在300MW情况下，工况1和工况2实测锅炉效率为88.68%和89.86%，修正后的锅炉效率分别为88.36%和89.52%。燃烧优化装置效率优化功能投运后，锅炉实测效率和修正效率提高了1.18和1.17个百分点，锅炉效率优化作用比较显著。表2 锅炉热效率计算项目名称符号单位工况1工况2煤 质 数 据碳Carkg/kg0.51540.5154氢Harkg/kg0.02510.0251氧Oarkg/kg0.04150.0415氮Narkg/kg0.00670.0067硫Sarkg/kg0.02400.0240水分mfkg/kg0.08490.0849灰分akg/kg0.30230.3023低位发热量LHVkJ/kg1955019550空 气 参 数大气压力PakPa101.68100.95一次风流量WpkNm3/h292.6282.7预热器入口一次风温度tp30.229.45二次风流量WfkNm3/h870.7848.5预热器入口二次风温度tf3029.21参考温度tRA30.05 29.27 饱和蒸汽焓tRAhRVkJ/kg2556.42555.0灰 渣 可 燃 物飞灰比率rf%9090炉渣比率rs%1010飞灰可燃物Cf%4.793.01炉渣可燃物Cs%6.336.79灰渣平均可燃物Cav%5.20 3.52 干灰渣量Wdpkg/kg0.32 0.31 实际烧掉的碳Cbkg/kg0.50 0.50 空 预 器 出 口 烟 气 量二氧化碳CO2%12.20 12.50 氧O2%6.50 6.10 一氧化碳CO%0.00 0.00 氮N2%81.30 81.40 烟气温度tG134.4 131.2 热损失及锅炉效率未燃碳热损失Luc%2.71 1.84 干烟气热损失LG%7.62 7.40 燃料水分热损失Lmf%0.09 0.07 氢生成的水的热损失LH%0.23 0.19 空气中水分热损失LmA%0.20 0.17 辐射和对流热损失LR%0.17 0.17 不可测量热损失Lun%0.30 0.30 热损失总和L%11.32 10.14 锅炉效率%88.68 89.86 锅炉效率修正空预器入口烟温tG379.01378保证进风温度tD2020修正后的排烟温度tG128.47 125.33 碳Ckg/kg0.53850.5385氢Hkg/kg0.020.02氧Okg/kg0.03240.0324氮Nkg/kg0.01010.0101硫Skg/kg0.0050.005水分mfkg/kg0.0840.084灰分akg/kg0.310.31低位发热量LHVkJ/kg1985419854修正后排烟温度对应水蒸汽焓hckJ/kg2717.83 2713.50 保证进风温度对应饱和蒸汽焓hRVkJ/kg2538.19 2538.19 实际烧掉的碳Cb%0.5224 0.5276 修正后干空气量WAckg/kg10.59 10.45 修正后干烟气量WGckg/kg10.82 10.67 修正后干烟气热损失LG%8.04 7.76 修正后燃料水分热损失Lmf%0.08 0.07 修正后氢生成的水的热损失LH%0.16 0.16 修正后空气中的水分热损失LmA%0.19 0.18 修正后热损失总和L%11.64 10.48 修正后的锅炉效率%88.36 89.52 4.2 锅炉NOx排放的计算工况3和工况4在测试锅炉NOx排放量时，煤质连续取样，样品混合缩分后进行化验，锅炉NOx排放量的计算结果见表4。在300MW的负荷下，工况3和工况4测得的NOx分别为692.02mg/m3和616.13 mg/m3，燃烧优化装置NOX优化功能投运后，锅炉的NOx降低了75.92mg/m3，降幅为10.97%，锅炉NOx优化排放功能比较显著。表3 NOx排放量的计算项目符号单位工况3工况4NO含量NOmg/m3415.5408.2实测NOx含量Cnoxmg/m3668.96657.20实测O2含量O26.55实测过剩空气系数1.451.31O2保证值O2066保证的过量空气系数1.41.4换算到保证O2下的NOxCnoxmg/m3692.02616.135.结论通过锅炉效率测试可以看出，在300MW情况下，工况1和工况2实测锅炉效率为88.68%和89.86%，修正后的锅炉