鍋爐燃燒系統神經網絡建模及多目標優化研究

二、電站鍋爐多目標燃燒優化

近年來，進化計算已在多目標優化領域得到廣泛的應用，并形成了多種多目標進化算法，如NSGA2(非劣排序遺傳算法)、 SPEA2(強度Pareto遺傳算法)等。多目標進化算法通過對整個種群進行選擇、交叉和變異等遺傳操作，使種群不斷進化，可一次性獲得大量的多目標優化間題的非劣解，本文以文獻所提出的改進多目標算法為例進行分析。

2.1 鍋爐燃燒優化的多目標模型

鍋爐燃燒優化就是在降低NOx排放的同時提高熱效率，這在本質上是一個多目標優化問題，其數學描述為：

其中yη和yNOx分別為鍋爐熱效率和NOx質量濃度;f1、f2表示由神經網絡模型建好的非線性關系;x(i)為第i個優化變量，a(i)和b(i)是其取值范圍。

根據運行中可控操作量的原則，本文選取模型輸入中排煙溫度、煤粉細度、爐膛出口φ(O2)為優化變量。考慮到操作習慣與安全性，本文根據文獻中熱力試驗取排煙溫度為150～186℃，煤粉細度為7.4%～16.8%，爐膛出口煙氣杯φ(O2)為3.30%～5.10%。

2.2 仿真計算及優化結果分析

對已建立的神經網絡模型，利用多目標遺傳算法進行優化計算，分別以表1中鍋爐熱效率最高的第6組和NOx質量濃度最低的第9組運行工況進行優化研究。遺傳算法的參數設置為：種群大小30，進化代數500，交叉概率0.9，變異概率0.1。計算所得到的Pareto前沿見圖4。從圖4可以看出，較低的鍋爐NOx質量濃度和較高的熱效率顯然是相互矛盾的。

運行人員可以結合具體的需要選擇優化后的參數來調整鍋爐燃燒工況。這里分別從兩組Pareto解集中選擇與表1中第6組工況鍋爐效率相當的參數，以及另一組與第9組工況NOx質量濃度相當的參數，以便于進行優化前后的對比。對應的具體參數見表2。

從表2可以看出，對于第6組參數，優化后的鍋爐效率與優化前相當，但是NOx質量濃度由459.6mg/m3降低到了457.9mg/m3;對于第9組參數，優化后的NOx質量濃度與優化前相當，鍋爐效率由優化前的90.15%略提高到了90.23%, 說明通過多目標優化計算，合理設置燃燒參數，可以在NOx質量濃度與鍋爐效率之間找到較好的平衡點，從而達到對鍋爐燃燒工況的改善。

三、結論

本文利用BP神經網絡，結合具體的鍋爐對象，建立了電站鍋爐燃燒系統模型。神經網絡訓練結果表明：模型具有很高的精確度，可以反映鍋爐的燃燒清況，用于鍋爐效率和污染物排放預測。另外，在所得到的模型的基礎上，針對鍋爐效率與污染物排放這一多目標問題進行了優化，優化時將運行過程中可調的參數作為變量，相比以往根據經驗設定各種參數值，優化后具有更高的燃燒效率和更低的污染物排放質量分數;并且一次優化可以得到多組運行參數，運行人員還可以根據不同的需要進行折中選擇。