（控制理论与控制工程专业论文）燃煤系统NOltxgt排放及锅炉效率平衡建模.pdf

华北电力大学硕士学位论文摘要 摘要 随着环境保护要求的日益严格，燃煤价格的不断上涨，在“厂网分开，竞价上 网的运行机制下，电站锅炉面临降低运行成本与降低污染物排放的双重要求，高 效低污染燃烧优化技术日益引起人们的关注。 为了满足锅炉运行高效低污染的要求，本文以电站锅炉燃烧特性试验数据为基 础，结合b p 神经网络，建立了一个以锅炉运行参数为输入，以n o x 排放和锅炉效 率为输出的混合模型，实现了电站锅炉n o x 排放与热效率的预测，并采用二进制遗 传算法对燃烧过程进行了优化。结果表明，它是一种有效可行的数值寻优方法。 关键词：电站锅炉，n o x 排放，效率，神经网络，遗传算法 a b s t r a c t w i t ht h ei n c r e a s i n g l ys t r i n g e n te n v i r o n m e n t a lr e q u i r e m e n t sa n dt h ec o n t i n u o u s i n c r e a s eo fc o a lp r i c e ，c o a l - f i r e dp o w e rs t a t i o nb o i l e ro p e r a t i o ni sc o n f r o n t e dw i t ht w o r e q u i r e m e n t st or e d u c ei t so p e r a t i o nc o s ta n dt ol o w e ri t se m i s s i o nu n d e rt h eb a c k g r o u n d o ft h ep o w e rm a r k e t r e f o r mo fs e p a r a t i o no ft h ep o w e rp l a n tf r o mt h e 鲥da n db i d d i n gi n t h eg e n e r a t i o nm a r k e t t h eh i g he f f i c i e n c ya n dl o wp o l l u t i o nc o m b u s t i o no p t i m i z a t i o n t e c h n o l o g yi sa t t r a c t i n gm o r ea n dm o r ea t - t e n t i o n i no r d e rt om e e tt h er e q u i r e m e n to fh i g he f f i c i e n c ya n dl o we m i s s i o ni nb o i l e r o p e r a t i o n s ，am i x e dm o d e li sd e v e l o p e db a s e do ne x p e r i m e n t a ld a t aa n dc o m b i n e dw i t h b pn e u r a ln e t w o r k t h i sm o d e lu s e st h ea d j u s t a b l eo p e r a t i o np a r a m e t e r so fb o i l e r ，u s e s n o xe m i s s i o na n db o i l e re f f i c i e n c ya st h eo u t p u t ，a n da c h i e v e sp r e d i c t i o no fn o x e m i s s i o na n dh e a te f f i c i e n c y ，a n dt h eu s eo fg e n e t i ca l g o r i t h mo p t i m i z a t i o nm o d e l t h e r e s u l t ss h o wt h a ti ti sa l la p p l i c a b l ea n de f f e c t i v en u m e r i c a lo p t i m i z a t i o nm e t h o d l ix i a n g j u ( c o n t r o lt h e o r ya n dc o n t r o le n g i n e e r i n g ) d i r e c t e db ya s s o c i a t ep r o f z e n gd e l i a n g k e yw o r d s ：u t i l i t yb o i l e r ，n o xe m i s s i o n s ，b o i l e re f f i c i e n c y ，n e u r a ln e t w o r k ， g e n e t i ca l g o r i t h m i 华北电力大学硕士学位论文摘要 摘要 随着环境保护要求的日益严格，燃煤价格的不断上涨，在“厂网分开，竞价上 网的运行机制下，电站锅炉面临降低运行成本与降低污染物排放的双重要求，高 效低污染燃烧优化技术日益引起人们的关注。 为了满足锅炉运行高效低污染的要求，本文以电站锅炉燃烧特性试验数据为基 础，结合b p 神经网络，建立了一个以锅炉运行参数为输入，以n o x 排放和锅炉效 率为输出的混合模型，实现了电站锅炉n o x 排放与热效率的预测，并采用二进制遗 传算法对燃烧过程进行了优化。结果表明，它是一种有效可行的数值寻优方法。 关键词：电站锅炉，n o x 排放，效率，神经网络，遗传算法 a b s t r a c t w i t ht h ei n c r e a s i n g l ys t r i n g e n te n v i r o n m e n t a lr e q u i r e m e n t sa n dt h ec o n t i n u o u s i n c r e a s eo fc o a lp r i c e ，c o a l - f i r e dp o w e rs t a t i o nb o i l e ro p e r a t i o ni sc o n f r o n t e dw i t ht w o r e q u i r e m e n t st or e d u c ei t so p e r a t i o nc o s ta n dt ol o w e r i t se m i s s i o nu n d e rt h eb a c k g r o u n d o ft h ep o w e rm a r k e t r e f o r mo fs e p a r a t i o no ft h ep o w e r p l a n tf r o mt h e 鲥da n db i d d i n gi n t h eg e n e r a t i o nm a r k e t t h eh i g he f f i c i e n c ya n dl o wp o l l u t i o nc o m b u s t i o no p t i m i z a t i o n t e c h n o l o g yi sa t t r a c t i n gm o r ea n dm o r ea t - t e n t i o n i no r d e rt om e e tt h er e q u i r e m e n to fh i g he f f i c i e n c ya n dl o we m i s s i o ni nb o i l e r o p e r a t i o n s ，am i x e dm o d e li sd e v e l o p e db a s e do ne x p e r i m e n t a ld a t aa n dc o m b i n e dw i t h b pn e u r a ln e t w o r k t h i sm o d e lu s e st h ea d j u s t a b l eo p e r a t i o np a r a m e t e r so fb o i l e r ，u s e s n o xe m i s s i o na n db o i l e re f f i c i e n c ya st h eo u t p u t ，a n da c h i e v e sp r e d i c t i o no fn o x e m i s s i o na n dh e a te f f i c i e n c y ，a n dt h eu s eo fg e n e t i ca l g o r i t h mo p t i m i z a t i o nm o d e l t h e r e s u l t ss h o wt h a ti ti sa l la p p l i c a b l ea n de f f e c t i v en u m e r i c a lo p t i m i z a t i o nm e t h o d l ix i a n g j u ( c o n t r o lt h e o r ya n dc o n t r o le n g i n e e r i n g ) d i r e c t e db ya s s o c i a t ep r o f z e n gd e l i a n g k e yw o r d s ：u t i l i t yb o i l e r ，n o xe m i s s i o n s ，b o i l e re f f i c i e n c y ，n e u r a ln e t w o r k ， g e n e t i ca l g o r i t h m i 声明尸明 本人郑重声明：此处所提交的硕士学位论文燃煤系统n o x 排放及锅炉效率平衡 建模，是本人在华北电力大学攻读硕士学位期间，在导师指导下进行的研究工作和取 得的研究成果。据本人所知，除了文中特别加以标注和致谢之处外，论文中不包含其他 人已经发表或撰写过的研究成果，也不包含为获得华北电力大学或其他教育机构的学位 或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作 了明确的说明并表示了谢意。 学位论文作者签名： 李向钐 日期：壹! 生- ，j 关于学位论文使用授权的说明 本人完全了解华北电力大学有关保留、使用学位论文的规定，即：学校有权保管、 并向有关部门送交学位论文的原件与复印件；学校可以采用影印、缩印或其它复制手 段复制并保存学位论文；学校可允许学位论文被查阅或借阅；学校可以学术交流为 目的，复制赠送和交换学位论文；同意学校可以用不同方式在不同媒体上发表、传播 学位论文的全部或部分内容。 ( 涉密的学位论文在解密后遵守此规定) 作者签名：垄壹鱼 日 期：a 坚i 。三：f 导师签名：堑 华北电力大学硕士学位论文 1 1 课题背景及意义 第一章 引言 随着经济的迅速发展，人类对能源的需求日益俱增。在各种形式的一次能源消 费比例中，煤炭几乎占世界能源总量的3 0 t 1 1 ，据世界能源会议预测，煤炭作为一 次能源重要组成部分的地位在相当长的时间内不会改变，预计2 0 2 0 年煤炭将占世 界一次能源消费的3 3 7 。我国是一个产煤大国，也是一个用煤大国，目前一次能 源中煤炭占7 6 ，大大超出了2 7 的世界平均水平，而这些煤炭中又有8 4 是直接 用于燃烧的，致使我国每年排入大气中6 7 的n o x 都来源于煤的直接燃烧，造成了 严重的大气污染【z l 。 以煤炭为主要一次能源的国情，决定了燃煤火力发电厂在我国电力工业中的主 导地位。2 0 0 0 年底，全国发电总装机容量为3 1 9 3 亿k w ，其中火电装机容量为2 3 7 5 亿k w ，占总容量的7 4 4 ，并且基本都是燃煤机组。按照我国电力工业发展的总 目标：2 0 1 0 年发电装机容量达到4 5 亿k w ，预计到2 0 5 0 年我国装机容量将达到 1 6 亿k w ，其中火电机组将占总装机容量的6 0 以上【引。 大型的燃煤电厂成为n o x 排放的主要来源，随着我国火力发电量快速增长， n o x 的排放总量逐年增加。燃煤电站n o x 的排放问题已引起社会的广泛关注。燃煤 电厂排放的n o x 来自电站锅炉，它是消耗燃煤和排放污染气体的大户。据报导，2 0 0 0 年全国的电站锅炉n o x 平均排放浓度为7 5 0 m g m 3 ，排放总量为2 5 8 0 2 万吨，比1 9 9 5 年增加了9 3 万吨；到2 0 1 0 年，n o x 浓度将降到6 5 0 m g m 3 ，但是n o x 排放总量仍 将高达5 9 4 7 4 万吨，因此控制n o x 排放量己经成为电力工业发展所面临的一大课 题。国家环保局规定，1 9 9 7 年起，火电厂3 0 0 m w 及以上机组，无论燃用何种煤料， 固态排渣煤粉炉n o x 排放浓度不得超过6 5 0 m g m 3 ，液态排渣煤粉炉n o x 排放浓度 则不得超过1 0 0 0 m g m m 4 1 。 随着环境保护要求的日益严格，燃煤价格的不断上涨，在“厂网分开，竞价上 网一的运行机制下，电站锅炉面临降低运行成本与降低污染物排放的双重要求，高 效低污染燃烧优化技术日益引起人们的关注。大量实践经验表明，通过燃烧调整可 以获得较高的燃烧效率或降低氮氧化物排放量，是种经济而有效的办法。 我国电力行业正向市场经济体制过渡，对于“厂网分开、竞价上网 的主要影 响对象电厂而言，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。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n o x 排放，是一种经济、有效的 华北电力大学硕士学位论文 办法。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。 1 2 国内外研究动态 1 2 1 国外燃烧优化技术的研究及应用 国外最早关于n o x 控制的研究开始于二次世界大战结束，在许多工业国家通过 采取立法限制n o x 排放，一系列非常严格的n o x 排放法规的颁布和实施，从而促 进了关于n o x 生成、控制和排放研究的发展。 对于燃烧过程的n o x 控制的研究和应用，开始于上世纪五十年代中后期，首先 是c e 和s c e 公司开始对n o x 的排放进行测试，如对内燃机的、排放进行预测和控 制；之后，c e 公司在电站锅炉上提出了分级燃烧和烟气再循环降低n o x 的方法。 到了六十年代后期s c e 公司在燃烧器的设计中应用了分级燃烧技术。七十年代早 期，研究人员通过大量的模型实验来研究燃烧器参数对n o x 排放的影响。随后的研 究中人们注意到燃料氮向n o x 的转变，尤其是化石燃料的燃烧过程中n o x 绝大部 分是来自燃料本身所固有的氮，对于燃料氮的研究主要集中在实验室内进行，如对 燃料氮向n o x 转化比例和生成机理进行研究。1 9 7 3 年再燃概念引入到n o x 的研究 中，w e n d t 等人通过加入二次燃料来降低n o x 。1 9 7 6 年v o 昏和l a u r e n d e a u 研究了 煤的燃料氮向n o x 的转化，研究表明燃料型n o x 占煤燃烧过程排放的8 0 。1 9 7 8 年p e r s h i n g 和w e n d t 对美国烟煤燃烧中热力n o x 、挥发分n o x 和焦炭n o x 的比例 进行了测试和研究。 在低n o x 燃烧技术研究的同时，烟气脱硝技术在这个时期也在不断发展。七十 年代中期出现了无催化剂还原法( s n c r ) 和催化还原法( s c r ) ，它们都是在合适的温 度范围内向燃烧区域喷入含氮化合物( 如氨水和尿素) ，通过和n o x 反应生成氮气和 水。进入八十年代后，控制n o x 研究和技术应用进入了一个新的阶段，研究主要针 对n o x 生成和破坏机理进行，应用技术主要针对固定排放源n o x 的控制，低n o x 煤粉燃烧器不断出现，其主要技术是降低主燃烧区域的温度和限制燃料和空气的混 合。九十年代末期，国外开始研究煤中焦炭氮的转化特性，包括氮的释放、氧化和 还原等因素，焦炭氮的中间产物对氮的转化影响很大【5 】。 随着人工神经网络的发展，利用人工神经网络建立模型进行n o x 排放预测与优 化的方法开始得到广泛的发展，它们可以为燃烧设备的运行和设计提供有效的参 考。在利用神经网络建模进行n o x 排放预测和优化方面，也有很多专家学者做了大 量的工作。 国外的燃烧优化控制技术发展较早，现在已经有成熟的优化软件，并在欧美地 区一些大型电厂得到推广应用，国内电厂也有引进。下面对国外具有代表性的燃烧 2 华北电力大学硕士学位论文 优化系统进行介绍。 1 p o w e rp e r f e c t e rt m 系统 美国p e a g a s u s 技术公司的r c b o o t h 和w b p o l a n d 于1 9 9 5 年开发的n e u s i g h t 燃烧优化控制系统，是全球电力工业的第一套闭环监督系统，其核心技术基于 c o m p u t e ra s s o c i a t e s 公司的神经网络平台。该系统在美国中西部燃煤电厂中的应 用，取得了降低煤耗、降低n o x 排放的明显效果【6 j ，但是这种燃烧优化控制技术没 有考虑机组运行的动态特性和过程，所以这种优化只是稳态优化。为了能够实现动 态过程优化，该公司开发的另一套燃烧优化软件p o w e rp e r f e c t e rt m 系统，在基于 与n e u s i g h t 系统类似的神经网络技术基础上，增加了模型预测控制( m p c ) 技术， 并能通过建立多目标的动态优化控制器，动态调整d c s 设定参数与偏置。 p o w e rp e r f e c t e rt m 系统的核心思想是利用神经网络的离线建模功能建立燃烧 控制目标量与锅炉可变量及干扰变量的非线性模型，再利用非线性模型预测控制 ( m p c ) 技术，通过动态调整d c s 设定参数与偏置，实现锅炉燃烧优化与降低排 放，其工作原理如图1 1 所示。 数据高速公路 图1 - 1p o w e rp e r f e c t e rt m 系统工作原理 由图1 1 可见，p o w e rp e r l e c t e rt m 系统首先利用历史数据站存储的大量来自 d c s 的运行数据，建立锅炉操作变量( 如：氧量设定、给煤机偏移量、风量偏移量 等) 、干扰变量与反应锅炉燃烧经济性、安全运行、污染物排放的控制目标量( 如： 锅炉效率、飞灰含碳、排放等) 之间的多变量非线性动力学模型。离线建模调试结 束后，可在线利用模型进行动态优化控制，通过对风、粉、氧量等影响锅炉燃烧特 3 华北电力大学硕士学位论文 性的操作变量的设定值或偏置进行动态优化调整，实现基于多目标的锅炉安全运 行、低排放运行、经济运行。优化的结果可以以开环操作指导、闭环监督控制两种 工作模式与机组的d c s 控制系统相连接。 p e a g a s u s 公司称p o w e rp e r f e t i e rt m 系统可以提高锅炉效率o5 25 ；降低 n o x 排放1 0 一3 0 ，同时降低s o x 和c o x 的排放；降低灰飞含碳量；改善在热蒸 汽温度控制品质，减少两侧偏差：延长设备的使用寿命；减少事故，提高安全生产 率。目前我国山东省的华电莱城电厂和华电天津杨柳青电，一已引进该公司的燃烧优 化器。 2f o e s 系统 电厂灵活优化专家系统( f l e x i b l e o p t i m i z a t i o n e x p e r ts y s t e m ，f o e s 系统) ，是 由美国开放系统控制有限公司( o p e ns y s t e m sc o n t r o li n c ) 综合了美国三十多年的 电厂经济运行经验和一千八百多家电厂的实践经验研制而成的，它是一套先进的节 能优化系统，由安装在省煤器旁边的f o e s 一体化测控设备、安装在烟囱内的g a c e 烟气测量分析装置、安装在电厂升压变压器上的h m u 电能量测量装置以及基于p i 实时数据库平台的f o e s 过程优化应用软件系统组成。图卜2 为f o e s 系统布置图。 闺卜2f o e s 系统巾置圈 f o e s 系统通过o s c 公司专利的高精度测量技术，采集到最真实的运行数据， 结合p i 实时数据库在实时数据采集、处理、分析方面的优势，全面监测燃烧过程的 关键数据，建立电厂能效模型和用于分析的数据集合。 f o e s 系统通过对燃烧系统的工作状态进行计算分析，验证此时的运行情况是 雨处于最佳状态。电运行人员通过调节、一次风风量和给煤量等运行关键指抽、 4 华北电力大学硕士学位论文 来调整运行状态，达到最优状态，提高电厂的能效和效益，降低发电煤耗等硬性指 标。 f o e s 系统通过实时监测烟气中的c o 和0 2 量来分析燃烧的充分程度。根据分 析的结果进行合理调整使得进风量和给煤量之间达到平衡，提高燃烧效率。 f o e s 系统达到的最终目的是：建立锅炉燃一气平衡，使燃料不完全燃烧产生 的热损失与烟气流失造成的热损失之和最小。 f o e s 系统被广泛应用于世界各地的火力发电厂，截止到2 0 0 7 年，已在4 1 6 家 电厂安装使用，为提高能源利用率、减少温室气体排放做出了重要贡献。在2 0 0 2 年通过实际测评，当使用f o e s 进行优化调节之后，热效率提高了1 以上，人力成 本节省了1 0 3 0 ，管理效果提高3 0 。由此为t v a 集团节省的花销在7 0 0 0 8 0 0 0 万美元，为a e p 集团节省了2 0 0 0 4 0 0 0 万美元。与此同时，两个集团在降低了生产 成本之后，利润分别增长了1 0 0 0 2 0 0 0 万美元和3 0 0 0 5 0 0 0 万美元。 3 g e 的燃煤锅炉优化器 g e 能源公司研制的燃煤锅炉优化器利用神经网络技术，对复杂的锅炉性能( 如 锅炉的效率) 进行准确模拟并利用遗传算法优化来改进锅炉的运行。此优化器有多 个目的，让产品得以同时集中在多个性能问题上，如效率与排放。它的总体目标是 对锅炉的运行进行最佳控制，因而降低成本，改进性能。 燃煤锅炉优化器有下列目标： ( 1 ) 与电厂现有控制系统相互协作，因它要从那接收数据，同时还要提供数 据给控制系统。 ( 2 ) 计算优化控制定值，帮助改进运行，而不影响运行或安全的约束条件。 ( 3 ) 它是一个闭路解决方案，通过o p c 直接将定值写入现有d c s 。 此燃煤锅炉优化器目前正在弗吉尼亚b i r c h w o o d2 4 0 m w 的电厂中使用。初次 试验已表明锅炉的效率的改进在o 5 1 之间，同时n o x 减少1 5 。目前我国山 东德州电厂5 号及6 号机组已正在使用。 除此之外，美国俄亥俄州的l t r a m a x 公司开发的u l t r a m a x 燃烧优化系统、a b b 公司推出的在线电厂效率计算优化软件包o p t i m a x 、爱默生过程控制有限公司提 出的s m a r tp r o c e s s 燃烧优化系统等在国际电力生产领域中均有不同程度的应用，国 内也有引进。 1 2 2 国内燃烧优化技术的研究及应用 国内这方面的研究则起步较晚，规模较小，具有自主知识产权的产品也很少。 实现燃烧优化的关键是保证燃烧过程的稳定性、经济性和环保性，一套完整的解决 5 华北电力大学硕士学位论文 方案需要面对的问题是：燃烧过程受那些因素影响? 如何判断燃烧是否稳定? 如何 检测燃烧是否经济环保? 如何施加控制保证燃烧过程优化? 归纳起来，就是如何准 确、稳定地检测燃烧系统的状态。 清华大学的电站锅炉燃烧优化控制软件o c p 3 7 s 】，通过运行历史数据和试验数 据，采用b p 人工神经网络的方法建立机组在不同干扰量下，锅炉各可调量与锅炉 运行性能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，控制机组达到最佳性能，从而实现性能最佳。该方案声称一般 可提高0 5 1 左右的锅炉效率，同时可减少烟气n o x 的排放量5 0 o 1 5 左右。 周昊等在对锅炉飞灰碳含量进行人工神经网络建立的基础上，确立了各种运行 参数和煤种对锅炉飞灰含碳量的影响关系，结合遗传算法和人工神经网络技术对某 台3 0 0 m w 四角切圆燃煤电站锅炉热效率的优化进行了研究，为大型电站锅炉通过 燃烧调整提高锅炉效率提供了有效手段【9 】。他们采用锅炉负荷、省煤器出口氧量、 各二次风档板开度、燃尽风挡板开度、燃料风挡板开度、煤种特性、各磨煤机给煤 量、炉膛与风箱差压、一次风总风压和燃烧器摆角作为神经网络的输入矢量，飞灰 含碳量作为神经网络的输出。在训练好的网络基础上，结合锅炉反平衡效率的计算 公式，即形成了锅炉热效率和各种操作参数的响应模型。对于某个实际运行工况， 仅对锅炉排烟氧量和各二次风开度及燃尽风开度进行寻优，并对遗传算法的参数进 行多组设置寻优。结果表示，当交换概率0 2 、突变概率0 1 时，算法寻优最佳【l o 】。 东南大学动力系孙巧玲、沈炯和李益国等人，针对电站锅炉燃烧效率和n o x 排放提出了一种整体燃烧优化的思想，并结合遗传算法和人工神经网络技术，对整 体燃烧优化方法进行了研究。在文献【眩】中以氧量和给煤量为神经网络的输入，两项 热效率损失之和( q 2 + q 4 ) 和n o x 的排放量为输出建立燃烧过程模型。神经网络的 隐层采用对数s 型函数( 1 0 9 s i m ) ，输出层采用线性函数( p u r e l i n ) ，应用l m 算法 训练网络，训练精度为0 0 0 0 0 0 1 ，最大训练步数为1 0 0 0 ，并经过反复训练得知隐层 神经元个数为6 时，网络的泛化能力最好。在训练好的网络基础上，文中采用二进 制、串长为1 6 位的遗传算法进行优化，适应度函数为 j = l ( o 4 厶+ 0 6 x - ，愉) ( 1 - 1 ) 其中为效率的评价函数，取为神经网络的输出( q z + 吼) 、，腑为n o x 排放量 评价函数，取为神经网络n o x 排放量的输出值；并设置遗传代数2 0 、群体规模3 0 、 交叉概率0 9 和突变概率0 8 。优化结果表明，在损失效率增大不多的情况下，n o x 排放浓度有大幅度的降低。 东南大学动力系的王培红、李磊磊等人就电站锅炉高效率低污染问题也提出了 锅炉效率和n o x 排放联合预测和优化的模型。在文献 1 3 1 5 】中首先提出了锅炉n o x 6 华北电力大学硕士学位论文 排放与效率响应特性的模型结构( 如图1 3 所示) ，实现了n o x 排放、飞灰含碳量 与排烟氧量的预测以及锅炉效率的测算；在此网络模型的基础上，提出了采用加权 因子将多目标优化问题转化为单目标问题，进而通过权值的不同组合，获得不同的 优化解，其目标函数为 m i n f = a ( 仉一t l r c ) + b ( n o x f c 一 n o x c ) ( 1 - 2 ) 式中r l 、r p c 分别为当前锅炉效率及优化后预测锅炉效率，【n o x c 、 n o x r c 分 别为n o x 排放量的当前值及优化后的预测值，a 、b 分别为锅炉效率项和n o x 浓度 项的权重。该优化模型通过权重比a b 的变化，实现在保证污染排放不超标的前提 下追求尽可能高的锅炉热效率，或者在保证锅炉热效率一定的前提下，采用尽可能 低的排放控制策略。 总风号( 1 ) 燃料量( 1 ) 二次风门开度( 6 ) 燃尽风门开度( 2 ) 风箱炉膛差压( 1 ) 磨煤机通风量( 5 ) 给煤机的开度( 5 ) 燃烧器摆动角( 1 ) 空预器出口温( i ) 燃料成分( 7 ) ( 3 0 个输入， 3 个输出) 锅炉排放 神经网络 n o x 排放 飞灰含碳量 排烟氧量 燃料成分( 3 ) 排烟温度( 1 ) 冷风温度( 1 ) ( 7 个输 入，1 个 输出) 锅 炉效率 简化模 型 图1 3锅炉n o x 排放与效率响应特性的模型结构 1 3 本文的主要工作 锅炉热效率 本文研究的是燃煤系统n o x 排放及锅炉效率平衡建模的问题，它主要是利用神 经网络方法对锅炉燃烧系统进行建模，建立n o x 排放及锅炉效率平衡模型，探讨优 化n o x 排放及提高锅炉效率的平衡优化方法。一般而言，煤粉高效燃烧技术与低n o x 燃烧技术是互为矛盾的。降低n o x 生成与排放的关键在于控制燃烧区域的高温与煤 粉的高浓度不同时在，但高温与高浓度不同时存在又会影响煤粉的燃烧效率，协调 好这两项技术使之达到综合效果佳，就要求对煤粉燃烧的全过程加以优化控制，既 保证煤粉着火稳定，同时具有较低的燃烧温度，且在此温度下又能保证煤粉的燃尽。 1 分析锅炉运行参数对锅炉效率和n o x 排放的影响，建立燃烧系统的数学模 型。锅炉燃烧过程是一个十分复杂的物理、化学过程，具有多输入输出、非线性、 7 华北电力大学硕士学位论文 大延迟、强耦合的特点，用机理性建模的方法建立符合锅炉当前特性的模型存在很 大困难。神经网络是一种并行计算网络，神经网络算法模拟人脑对信息的处理和传 递机制，具有很强的非线性逼近能力：使用神经网络建立锅炉燃烧过程模型是很有 效的方法。建立锅炉燃烧过程模型的目的是为了指导锅炉的优化燃烧。通过对锅炉 燃烧过程模型进行优化，得到一组最优参数，再将这组参数作为控制系统的基本设 定参数，指导控制系统，达到运行目标最优。使用神经网络建立锅炉燃烧系统模型， 只需要足够数量的训练样本，根据选择参数的不同，可以建立灵活度很强的模型。 因为建模的目的是为了指导优化燃烧，可以将优化目标作为模型的输出。 2 建立锅炉燃烧优化算法的目标函数。综合考虑锅炉效率和n o x 排放两个方面 的影响，建立燃烧优化问题的目标函数，运用遗传算法优化锅炉热效率，研究遗传 算法及其在数值优化中的应用，并将其用于该燃烧优化问题的寻优计算。优化问题 的提出，首先需要明确优化目标。在本文研究的锅炉燃烧优化中，优化的目标主要 包括两个方面：提高锅炉燃烧效率( 节约燃料) 和降低污染物n o x 的排放。建立一个 能够清晰反映优化目标本质的目标函数，是优化问题的核心所在。 8 华北电力火学硕士学位论文 第二章b p 神经网络 在近代科学技术的发展过程中，人们通过仿生学的方法取得了很大的成就，像 模仿蝙蝠的声纳定位方法研制出分辨率很高的雷达探测系统就是一个例子。而人类 通过对鸟类飞翔的研究进而制造出了飞机，也说明了仿生学的方法是一种有效可行 的方法。我们把存在于脑中的实际神经网络叫做生物神经网络，而把仿照生物的神 经网络所构造出来的神经网络，称为人工神经网络。人工神经网络作为一种新的方 法体系，具有分布并行处理、非线性映射、自适应学习和鲁棒容错等特性【l 们。 2 1 b p 神经网络模型 b p 神经网络( b a c kp r o p a g a t i o nn e u r a ln e t w o r k ，简称b p 网络) 是一种多层前向 神经网络，它采用了反向传播的学习理论( b a c kp r o p a g a t i o n ) ，也称误差反向传播神 经网络，是对非线性可微分函数进行权值训练的多层前向网络，于1 9 8 6 年由h i n t o n 、 r u m e l h a r t 和w i l l i a m s 等人提出。b p 神经网络通过计算样本实际输出与网络输出之 间的误差，并根据此误差反向地从输入层到隐含层，再到输出层，逐层的调节各层 神经元之间的权值和阈值，从而减小误差准则函数，最终使网络输出逼近样本实际 输出，达到训练神经网络的目的。理论上已经证明，三层b p 神经网络可以以任意 精度逼近任意复杂的连续函数。如今，b p 神经网络已主要应用于函数逼近、模式识 别、分类、数据压缩、图像处理与分析、控制等领域。可以说，b p 网络是人工神经 网络中前向网络的核心内容，体现了人工神经网络最精华的部分。 b p 神经网络是一种多层前向网络，由输入层、隐含层( 又称为中间层) 和输出层 组成。隐含层可以是一层也可以是多层。目前应用最广泛的是三层神经网络，即输 入层、一层隐含层和输出层组成的b p 神经网络。 b p 神经网络是典型的多层前馈网络，其模型的特点是：网络除输入层与输出层 节点外，有一层或多层的隐层节点，同层节点间没有任何耦合，输入信号从输入层 节点，依次传过各隐层节点，最后传到输出层节点，每一层节点的输出仅影响下一 层节点的输出。图2 1 所示为b p 神经网络的拓扑结构。 x x x 图2 - ib p 神经网络结构图 9 y 2 y 3 华北电力大学硕士学位论文 对于多层前向网络来说，隐含层的层数、每个隐含层所包含的神经元数是根据 具体问题来确定的，并不是层数越多神经元越多，网络越复杂就越好。在通常情况 下，隐含层和每个层的节点数越多，网络逼近复杂函数的能力就越强。但是同时网 络的相关系数( 包括权值、阈值等参数) 的个数也将成倍的增加，导致计算量急剧增 大。所以，复杂网络的逼近能力的增强同时伴随着网络训练速度下降、收敛速度减 慢。对于有些问题，隐含层过多，隐含层节点数过多，相当于人为增大了所逼近问 题的阶数，从而导致模型不精确；相反，如果选择过于简单的模型，会使神经网络 的参数不足以体现出输入、输出向量间的对应关系，也会导致网络误差过大，表现 为训练不收敛或网络泛化能力( g e n e r a l i z a t i o na b i l i t y ) 差。因而，选择何种复杂程度 的b p 神经网络应根据所需解决的具体问题而定，既保证网络有足够的复杂度又使 网络训练和学习不至于过于繁琐。 1 输入层 输入层的作用是将输入向量导入神经网络。输入层神经元节点的数目通常等于 输入向量x = 【玉，屯，】r 的空间维数n 。这些节点平行排列，每个节点对应于输入 向量中的一个元素。在输入层内，各节点之间通常互相独立，不存在联系。但每个 节点都与下一层( 隐含层) 的各个节点相联系。如输入层第f 个神经元节点与隐含层第 _ ，个神经元节点之间的权值为w 。 2 隐含层 b p 神经网络隐含层的作用是对输入向量各分量线性求和再进行非线性映射，为 输出层提供输入。隐含层内各神经元节点之间一般不存在联系，而每个节点都分别 与输入层各节点和输出层各节点发生联系。因而隐含层联系整个网络，在b p 神经 网络中起重要作用。 隐含层对输入向量加权后进行非线性映射，结果送往输出层。这个过程在b p 神经网络以致绝大多数多层前向网络中都是起决定作用的。正因为有了非线性映射 过程，b p 网络才能够实现对非线性函数的逼近。 3 输出层 输出层作用是以隐含层输出为输入，经过线性迭加和非线性激励函数的作用， 形成b p 神经网络的输出向量。输出层同样由一些神经元节点并列构成，同一层内 的神经元节点之间不存在联系。而每个神经元节点都与隐含层节点存在联系( 权值) 。 输出层神经元节点的个数等于输出向量，= 【y 。，咒，y m r 的维数m 。 输出层的传递函数可以是线性的也可以是非线性的。在通常的情况下，使用线 性传递函数就可以得到不错的效果。 i o 华北电力大学硕士学位论文 2 2b p 神经网络算法 b p 神经网络的名称来自于b p 算法。b p 算法属于万算法，是一种监督式的学 习算法。其主要思想是：对于q 组输入样本x 1 ，z 2 ，x q ，已知与其对应的输出样本 为y - ，y ：，y q 。在网络学习的过程中使用网络的实际输出彳1 ，彳2 ，与目标 y - ，】，：，y q 之间的误差来修改网络的权值，使得网络输出a ，彳2 ，与期望输出 】，- ，y ：，p 尽可能的接近，即使网络输出的误差平方和达到最小。这是几乎所有使 用有教师训练算法的神经网络算法的共同的思想。b p 算法是在这个思想上加入了误 差的反向传播思想。 b p 算法由两部分组成：信息的正向传递和误差的反向传播。在正向传递过程中， 输入信息从输入层经隐含层逐层计算传到输出层。根据输出层的输出与期望输出作 比较，计算出输出层的误差变化值，然后通过反向传播算法将误差信号沿原来的连 接通路反传回隐含层，再根据这个误差修改各层权值直到达到期望目标。 图2 - 2b p 网络训练流程图 华北电力大学硕士学位论文 2 2 1b p 算法实现的步骤 一般地，b p 算法按照初始化、给定训练数据集、计算实际输出y 和网络误差e 、 调整权值、判断是否结束训练等步骤进行，其流程如图2 2 所示。 2 2 2b p 算法存在的问题 b p 算法的实质是求解误差函数的最小值问题，由于它采用非线性规划中的最速 下降方法，按误差函数的负梯度方向修改权值，因而通常存在收敛速度慢、易陷于 局部极小点、网络瘫痪、稳定性差和步长选择等问题。 在实际应用中，为了克服以上问题，出现了许多改进的方法，如训练集的归一 化、步长自适应、导数提升、各层变尺度、训练集重组和隐层节点数的确定等f 1 7 。1 引。 2 3b p 算法的改进 由于b p 网络的最速下降法对于实际问题收敛速度较慢，因此人们研究了许多 改进算法。一种是通过分析标准最速下降法性能函数后利用启发性技术而研究得到 的算法，如带动量的梯度法、变学习率算法、弹性算法等【1 9 锄】，另一种是通过利用 标准数值优化技术而研究得到的算法，包括共轭梯度法、准牛顿法和 l e v e n b e r g - m a r q u a r d t 算法【2 1 2 2 1 。 2 3 1b f g s 算法和l e v e n b e r g m a r q u a r d t 算法 牛顿法是一种比共轭梯度法收敛速度更快的优化方法，它的基本迭代公式为： 毛+ i = 毛一& ( 2 - 1 ) 式中4 是由性能指数对权重和偏置当前值的二阶导数所组成的h e s s i a n 矩阵。 尽管牛顿法通常比共扼梯度法的收敛速度快，但对于前馈神经网络，计算h e s s i a n 矩阵却比较复杂。准牛顿法是一种基于牛顿法但不必计算二阶导数的方法，它通过 计算一阶导数组成一个近似的h e s s i a n 矩阵来更新每一次的迭代。b f g s 算法一种变 尺度的准牛顿算法，它的更新迭代公式比较复杂，关于算法的详细内容请见文献【2 3 1 。 同准牛顿法一样，l e v e n b e r g m a r q u a r d t 算法( l - m 算法) 也是一种不需要计算 h e s s i a n 矩阵就可以接近2 阶训练速度的快速训练算法。当性能函数是平方和的形式 时，矩阵可以近似表示成： 日= j r j( 2 2 ) 而梯度可由如下公式计算得到： g = ，r p ( 2 3 ) ( 2 3 ) 式中e 为网络误差向量，为j a c o b i a n 矩阵：j a c o b i a n 矩阵包含网络误 1 2 华北电力大学硕士学位论文 差对权重和偏置的一阶导数，它可以通过标准反向传播技术计算得到，而且比计算 j a c o b i a n 矩阵简单得多。l m 算法通过像牛顿法更新迭代的形式，来近似j a c o b i a n 矩阵，其更新迭代公式如下： + l = 【，1 j + p i 叫j 1 e ( 2 - 4 ) ( 2 4 ) 式中是一个标量。当p = 0 时，该算法刚好为利用近似h e s s i a n 矩阵的 牛顿法：当很大时，该算法就转化成小步长的最速下降法。在误差最小值附近时， 牛顿法更快更准确，所以目的就是近可能的转向牛顿法。因此，当每一步成功地使 得性能函数减小时，被减小：只有当某一步尝试着使得性能函数增大时，才被 增大。通过这种方法，该算法的每一步迭代总能使性能函数减小【2 4 1 。 一般的，就函数逼近问题，对于中等大小( 几百个权重) 的前向神经网络，l m 算法具有最快的收敛速度。特别是对于要求训练非常精确时，这一优点尤为突出。 在大多的情况下，l m 算法都可以得到比其它算法更小的误差均方值。然而，随着 网络权重数的增加，这种优势会逐渐的减小。此外，l - m 算法对于模式识别问题表 现较差，而且其存储所需要的空间要大于其它的算法。b f g s 算法的性能和l m 算 法比较接近，它不像l m 算法那样占用大量的存储空间，但是由于每一步迭代都相 当于计算一次逆矩阵，所以它的计算量随着网络大小的增加而成几何增长【2 5 1 。 t 2 3 2 改善泛化能力 在神经网络训练的过程当中，“过拟合 问题会经常发生训练数据集合的误 差非常小，但是网络对于新数据所产生的误差却比较大。网络记忆了训练样本，但 没有学会如何泛化新样本。 改善网络泛化能力的一种方法就是使用一个刚好可以足够实现拟合的网络。当 使用的网络越大，它所生成的函数就越复杂。如果我们使用一个足够小的网络，它 就不会有足够的能力来过拟合数据。但是，对于一个特定的应用问题，很难预先知 道到底应该使用多大的网络。因此，我们需要更好的办法来改善网络的泛化能力。 值得我们注意的是，当网络参数的数量远小于训练集合点的总数量时，就很少或者 不会发生过拟合现象，也就是说，如果可以收集足够多的数据来扩大训练集合，我 们就不需要新的办法来防止过拟合现象，新的办法只是在无法提供足够的训练数据 时才一被使用。 改善网络泛化能力的新方法有两种，一种是“正规化 方法，另一种是“早停 方法。 ( 1 ) 正规化 正规化方法涉及到调整网络的性能函数。在前馈神经网络训练时，通常采用典 型的