基于ACO-LSSVM燃煤碳元素分析的鍋爐CO2排放量計算

許巧玲, 王彥端， 林偉豪, 梁 航， 萬 晉

(1. 福州大學(xué)石油化工學(xué)院， 福建 福州 350116； 2. 福建省鍋爐壓力容器檢驗研究院， 福建 福州 350008)

基于ACO-LSSVM燃煤碳元素分析的鍋爐CO2排放量計算

許巧玲1, 王彥端1， 林偉豪2, 梁 航2， 萬 晉1

(1. 福州大學(xué)石油化工學(xué)院， 福建 福州 350116； 2. 福建省鍋爐壓力容器檢驗研究院， 福建 福州 350008)

針對生產(chǎn)實際中無法對燃煤組分進(jìn)行在線檢測分析的問題， 建立了基于最小二乘支持向量機的燃煤的碳含量預(yù)測模型. 以工業(yè)鍋爐燃煤的相關(guān)工業(yè)分析數(shù)據(jù)作為模型的輸入， 并采用蟻群算法對最小二乘支持向量機相關(guān)參數(shù)進(jìn)行尋優(yōu)以提高模型的建模精度. 應(yīng)用該模型對福建地區(qū)工業(yè)鍋爐燃煤的碳元素含量進(jìn)行預(yù)測， 預(yù)測結(jié)果的最大誤差為1.18%， 平均誤差為0.64%. 和傳統(tǒng)多元逐步回歸預(yù)測方法相比， 該預(yù)測模型具有較高的預(yù)測精度， 為工業(yè)鍋爐二氧化碳排放量的科學(xué)計算奠定了基礎(chǔ).

鍋爐； CO2排放量； 最小二乘支持向量機； 碳元素含量

0 引言

二氧化碳是導(dǎo)致溫室效應(yīng)的主要氣體. 據(jù)統(tǒng)計， 自1986年起， 我國煤炭燃燒產(chǎn)生的CO2排放量， 占所有碳排放總量的40%左右[1]. 工業(yè)鍋爐的燃料以煤炭為主， 燃料的不完全燃燒， 致使其熱效率水平低下， CO2排放量大幅上升， 造成了嚴(yán)重的能源浪費和環(huán)境污染. 因此， 準(zhǔn)確實時地測算鍋爐的碳排放量， 不僅有助于鍋爐用戶建立煤耗損失的概念， 也為評價鍋爐運行的經(jīng)濟性和安全性提供依據(jù).

在計算燃煤設(shè)備碳排放量時， 人們采用了碳排放系數(shù)， 其原理是根據(jù)煤耗量乘以相應(yīng)的系數(shù)從而得到碳排放量的值， 如國家發(fā)改委制定的鍋爐碳排放系數(shù)為0.67. 具體計算時， 還應(yīng)考慮鍋爐的類型和燃煤品種進(jìn)行相應(yīng)的修正. 文獻(xiàn)[2]給出的碳排放估算公式考慮了不同燃燒用煤的品種特性， 但沒有將排煙溫度、 飛灰含碳量等影響熱效率的重要參數(shù)引入式中； 文獻(xiàn)[3]給出的CO2排放量計算方法， 未就公式中有關(guān)參數(shù)的來源進(jìn)行明確闡述， 如煤的含碳量、 熱效率和固體未完全燃燒損失等， 因而在具體應(yīng)用時存在較大的局限性； 文獻(xiàn)[4]在推導(dǎo)CO2排放量計算方法時， 固體未完全燃燒損失僅與入爐煤質(zhì)有關(guān)， 未考慮鍋爐的實際運行工況， 該方法計算所需的煙氣體積和空氣體積也不易獲取. 在前人工作的基礎(chǔ)上， 本研究通過新的途徑對碳排放計算方法進(jìn)行研究， 以期提高碳排放的計算精度.

在大多數(shù)CO2排放量的計算方法中， 煤的碳元素含量是一個重要參數(shù). 但實際上， 大多數(shù)鍋爐用戶僅對入爐煤質(zhì)進(jìn)行工業(yè)分析以獲得煤的發(fā)熱量等值， 而較少分析煤的元素組成. 只有大型電站鍋爐和煤礦公司才有條件對煤的元素組成進(jìn)行試驗分析. 該實驗過程冗長， 操作繁雜， 微小的操作失誤都可能導(dǎo)致分析數(shù)據(jù)的誤差. 基于ACO-LSSVM軟測量模型， 利用煤的工業(yè)分析值預(yù)測煤的干燥無灰基固定碳含量Cdaf， 通過換算公式計算得到收到基碳元素含量Car， 取得了較好的效果.

1 基于ACO-LSSVM的煤碳含量分析

1.1 最小二乘支持向量機(LSSVM)

支持向量機(SVM)是Suykens等[5]提出的一種機器學(xué)習(xí)方法， 而LSSVM則將樣本誤差的二范數(shù)作為損失函數(shù)， 代替了標(biāo)準(zhǔn)SVM使用的二次規(guī)劃方法， 從而提高模型的魯棒性能及泛化能力.

假設(shè)有n維非線性相關(guān)的向量構(gòu)成的樣本. 可以表示如下:

式中: 輸入?yún)?shù)xi為煤的工業(yè)分析所得參數(shù)值； 參數(shù)yi作為它的輸出. 通過非線性映射將樣本集合映射到高維的Hibert空間φ(xi). 構(gòu)造出最優(yōu)決策函數(shù)：

它滿足約束條件：

通過構(gòu)造Lagrange泛函：

再根據(jù)優(yōu)化條件， 函數(shù)L(·)對各變量的偏導(dǎo)數(shù)為零， 利用核函數(shù)K(x,xi)取代高維映射空間中復(fù)雜的點積運算. 最終轉(zhuǎn)化為求解方程：

最后得到的擬合公式為：

1.2 蟻群優(yōu)化算法(ACO)

蟻群算法最早由Dorigo和Collrni在1991年提出. 許多學(xué)者以旅行商問題(TSP)為基本問題， 與其他的常用啟發(fā)性方法作了多方面的對比. 對若干典型的對稱型和非對稱型TSP問題， 先后采用了退火算法、 遺傳算法、 神經(jīng)網(wǎng)絡(luò)等多種算法進(jìn)行求解， 蟻群算法的結(jié)果好于一般算法[6-7]. 優(yōu)化LSSVM模型的本質(zhì)是應(yīng)用蟻群算法處理連續(xù)優(yōu)化問題， 從而找出最優(yōu)的正規(guī)化參數(shù)和高斯核函數(shù)(γ，σ2)組合， 使得目標(biāo)函數(shù)達(dá)到最小值. 優(yōu)化步驟如下：

① 建立待優(yōu)化的目標(biāo)函數(shù)：

式中：yi為第i個樣本的真實值；yfi為第i個樣本的預(yù)測值. 設(shè)約束集為：γ∈(γmin，γmax)和σ∈(σmin，σmax).

② 確定螞蟻數(shù)和最大迭代次數(shù)， 設(shè)定螞蟻位置即(γ，σ2)的集合.

③ 計算出每個螞蟻的信息素大小[8]:

式中為避免信息素趨近于0，f(x)應(yīng)進(jìn)行修正.

④ 根據(jù)信息素大小， 進(jìn)行迭代計算， 求解最優(yōu)螞蟻位置， 最終獲得最優(yōu)參數(shù)(γ，σ2).

1.3 ACO-LSSVM建模步驟

工業(yè)分析得到的參數(shù)有灰分Ad、 揮發(fā)份Vdaf和固定碳FCad等， 不同基準(zhǔn)下的各參數(shù)值通過換算公式計算得到. 固定碳FCad可通過公式FCad=100-Mad-Aad-Vad計算得到. 為提高預(yù)測精度， 擬將煤炭按照煙煤、 無煙煤、 褐煤和貧煤四種類型分別建模：

① 確定模型輸入量, 輸入變量xi為煤的水分、 灰分和揮發(fā)份；

② 優(yōu)化模型參數(shù), 按1.2節(jié)的步驟 ①～④ 對模型的參數(shù)進(jìn)行優(yōu)化選擇； 優(yōu)化過程設(shè)置： 蟻群規(guī)模為20， 最大迭代次數(shù)為100， 正規(guī)化參數(shù)γ∈[1, 512]， 高斯核函數(shù)σ∈[1, 512]；

③ 采用ACO優(yōu)化后的模型參數(shù)， 建立LSSVM模型；

④ 輸入新的變量， 由LSSVM模型計算， 獲得碳含量預(yù)測值.

2 CO2排放量計算方法

在完全燃燒情況下， 1 kg的碳在標(biāo)準(zhǔn)狀態(tài)下將產(chǎn)生體積為1.867 L的CO2. 少量不完全燃燒的碳反應(yīng)生成的CO體積與等量的碳完全燃燒產(chǎn)生的CO2體積相當(dāng)， 并且在大氣中CO會進(jìn)一步氧化成CO2， 因此將這部分CO按照完全燃燒反應(yīng)進(jìn)行計算. 由此， 煤燃燒生成的CO2體積可用公式(9)表示：

式中:CR為煤燃燒之后實際利用的碳含量(kg·h-1)，CR的計算如下：

式中:B為煤的消耗量(kg·h-1)；Car為煤的收到基碳含量， 可應(yīng)用前述基于ACO-LSSVM的煤碳含量分析方法計算得到Cdaf， 進(jìn)而得到Car.

上式中的Glz、Glm、Gfh和Gyd分別為單位時間內(nèi)爐渣、 漏煤、 飛灰和煙道中灰分的質(zhì)量(kg ·h-1)；Clz、Clm、Cfh和Cyd分別為其對應(yīng)的可燃物的碳含量.

目前， 對于爐渣和飛灰量的大小， 都設(shè)有限定值， 但無法就其中的碳含量作明確規(guī)定， 大部分鍋爐受條件限制未進(jìn)行飛灰和爐渣含碳量分析. 在燃燒效率低下的情況下， 鍋爐飛灰和爐渣的含碳量甚至高達(dá)15%(質(zhì)量分?jǐn)?shù)).

固體未完全燃燒熱損失q4可按式(12)求得：

式中:Qnet為煤的低位發(fā)熱量.

由公式(10)、 (11)和(12)得到：

CR=B(Car-Qnetq4/32

q4還可以從鍋爐的反平衡熱效率計算公式得到：

式中:q2為排煙熱損失；q3為氣體不完全燃燒損失；q5為散熱損失；q6為灰渣物理熱損失. 以工業(yè)鍋爐為例， 式中η表示為：

式中:D為蒸汽流量；hs為蒸汽焓；hw為給水焓.

將公式(13)、 (14)和(15)代到公式(9)得到下列CO2排放量的計算公式：

式中，q2采用文獻(xiàn)[10]的方法計算得到；q3和q5按常用方法處理. 計算q6所需要的爐渣份額， 在不具備實驗條件時， 可以通過查詢統(tǒng)計數(shù)據(jù)庫獲得， 或采用設(shè)計規(guī)定值. 結(jié)合前文分析， CO2排放量的計算流程如圖1所示.

圖1 CO2排放量計算流程圖Fig.1 The flow chart of CO2 emissions calculation

3 實例分析

3.1 應(yīng)用ACO-LSSVM的含碳量計算

采用120組無煙煤數(shù)據(jù)作為模型的輸入， 通過ACO優(yōu)化計算， 模型最優(yōu)參數(shù)為γ=84.136，σ2=146.269， 由此建立ACO-LSSVM模型. 將該方法得到的數(shù)據(jù)結(jié)果與文獻(xiàn)[9]采用的多元逐步回歸(MRA)計算方法得到的數(shù)據(jù)進(jìn)行對比， 兩種方法的訓(xùn)練曲線如圖2所示. 進(jìn)一步應(yīng)用訓(xùn)練得到的模型對福建地區(qū)部分煤礦煤的碳元素含量[10]進(jìn)行預(yù)測， 計算結(jié)果如表1所示.

圖2 兩種方法的Car訓(xùn)練過程實際值與計算值曲線對比Fig.2 The contrast curve of the actual value and predicted value of the two Car training methods

表1 福建地區(qū)煤的碳元素含量預(yù)測情況

Tab.1 Predicted results of coal’Cdafin Fujian province

礦井及煤層名稱模型輸入MadAdVdaf實測值CdafACO-LSSVM計算值MRA計算值福建永定縣培中一號南采區(qū)0．656．563．4994．0894．78594．877福建邵武煤礦一號井D層1．138．992．6296．1595．29895．454福建永安加福煤C80．934．011．7196．4495．83995．863福建康安加福煤礦C95．839．272．1395．9596．34696．068福建永安加福煤礦C10層1．137．782．4395．5995．46295．583福建龍巖田螺形煤礦C5層1．464．602．6194．9495．49495．494福建龍巖紅炭山孔礦虎坑山井360D121．897．012．6294．6295．53495．593福建龍巖紅炭山煤礦賴坑三采區(qū)D481．906．444．2193．5994．66194．681福建上京煤礦三號井5．389．721．8596．8796．53696．305

分別采用RSME、 MPE和MNE這3個誤差指標(biāo)， 對比這兩種方法的性能， 結(jié)果見表2.

平方根誤差:

最大誤差：

最小誤差：

表2 兩種方法性能指標(biāo)對比

由表2可知, 經(jīng)過蟻群算法優(yōu)化參數(shù)的LSSVM模型得出的煤質(zhì)Cdaf值具有較高的精度. 其最大誤差為1.18%， 平均誤差為0.64%.

3.2 CO2排放量計算

以一臺型號為SHL10-1.57-WII的工業(yè)鍋爐為例進(jìn)行碳排放量計算. 該鍋爐蒸汽平均溫度為160.4 ℃， 給水平均溫度為41.2 ℃， 燃用福建永安加福無煙煤， 煤的工業(yè)分析數(shù)據(jù)為Mad=0.65%(以下均為質(zhì)量分?jǐn)?shù))、Ad=6.56%、Vdaf=3.49%， 煤的發(fā)熱量Qnet=33 185 J·g-1. 應(yīng)用前文的ACO-LSSVM方法計算得到Cdaf=94.785%， 氣體不完全燃燒損失q3取為0.8%， 額定狀態(tài)下的散熱損失q5取為1.7%， 灰渣物理熱損失q6取設(shè)計值為0.5%. 得到簡化的碳排放量計算公式， 如下式所示.

將在線采集的8個小時段的鍋爐運行參數(shù)數(shù)據(jù)， 包括給煤量、 煙氣含氧量、 排煙溫度、 蒸汽流量等代入上式， 其中， 對q2的計算采用文獻(xiàn)[11] 的方法. 得到該鍋爐的碳排放量， 具體結(jié)果見表3.

通過以上鍋爐碳排放量計算模型， 利用煤的工業(yè)分析數(shù)據(jù)和在線采集的鍋爐運行參數(shù)， 計算得到的碳排放量具有較高的精度和計算速度. 為計算鍋爐的碳排放提供了一種新的方法途徑.

表3 8個小時段鍋爐碳排放量計算結(jié)果

4 結(jié)論

1) 提出的ACO-LSSVM方法， 通過煤的工業(yè)分析值預(yù)測出含碳量， 較MRA方法有效地降低RSME值， 提高了預(yù)測精度.

2) 以輸入?yún)?shù)的獲取作為推導(dǎo)的突破點， 獲得了較為準(zhǔn)確的CO2排放量計算模型. 該公式可方便地應(yīng)用于鍋爐在線監(jiān)測系統(tǒng)， 將鍋爐節(jié)能減排工作帶入一個新的高度.

3) 蟻群算法優(yōu)化最小二乘支持向量機的最優(yōu)參數(shù)組合： 正規(guī)化參數(shù)γ=84.136， 高斯核函數(shù)σ2=146.269.

4) 通過對輸入?yún)?shù)進(jìn)行相應(yīng)的調(diào)整， 即可將模型應(yīng)用于不同類型的鍋爐.

[1] 中華人民共和國國家統(tǒng)計局. 中國能源統(tǒng)計年鑒[J]． 北京： 中國統(tǒng)計局出版社, 2011．

[2] 李靜波, 樊石磊. 火電廠脫硫技術(shù)淺析[J]. 內(nèi)蒙古環(huán)境科學(xué), 2010, 22(4):19-24.

[3] 梅國棟， 韓瑞國． 鍋爐二氧化碳排放量的計算及其減少途徑[J]. 城市環(huán)境與城市生態(tài)， 2000， 13(4)： 52-54．

[4] 房靖華， 趙玉蘭， 曾濤方． 燃煤鍋爐的CO2排放計算和討論[J]． 煤炭轉(zhuǎn)化， 1999， 22(1)： 63-64．

[5] Johan A K Suykens. Nonlinear modeling and support vector machines[C]//Proceedings of the 18th IEEE Instrumentation and Measurement Technology Conference. Budspest: [s.n.]， 2001: 287-294.

[6] 馬良， 朱剛， 寧愛冰． 蟻群優(yōu)化算法[M]． 北京： 科學(xué)出版社， 2008．

[7] 董改芳, 付學(xué)良. 蟻群優(yōu)化算法的研究與改進(jìn)[J]. 內(nèi)蒙古農(nóng)業(yè)大學(xué)學(xué)報： 自然科學(xué)版, 2012, 33(2): 185-188.

[8] 馬衛(wèi) ， 朱慶保． 求解函數(shù)優(yōu)化問題的快速連續(xù)蟻群算法[J]． 電子學(xué)報， 2008， 36(11)： 2 120-2 124．

[9] 李太興， 張婷， 劉振剛． 基于MATLAB的煤質(zhì)元素分析通用計算模型研究[J]．鍋爐技術(shù)， 2007， 38(5)： 22-24．

[10] 陳鵬． 中國煤炭性質(zhì)、 分類和利用[M]． 北京： 化學(xué)工業(yè)出版社， 2001．

[11] 李智， 蔡九菊， 曹福毅, 等. 電站鍋爐效率在線計算方法[J]． 節(jié)能， 2005(3)： 28-29．

(責(zé)任編輯： 洪江星)

Calculation of CO2emissions in boilers based on ACO-LSSVM method for carbon element analysis of coal

XU Qiaoling1, WANG Yanduan1， LIN Weihao2, LIANG Hang2, WAN Jin1

(1. College of Chemical Engineering, Fuzhou University, Fuzhou, Fujian 350116, China;2. Fujian Province Special Equipment Inspection Institute, Fuzhou, Fujian 350008, China)

The carbon content of coal is one of the important parameters in calculating emissions of carbon dioxide in industrial coal boilers, but it is difficult to be measured quickly or accurately during the boilers operation. Based on the element analysis of coal from laboratory, a LSSVM (least-squares support vector machine) model for predicting the carbon content of coal is developed. Ant colony algorithm optimization is used to optimize the parameters in LSSVM in order to improve the accuracy of the model. Propose predictive model is applied to predict the carbon content of coal that comes from Fujian region, the maximum error and average error of the prediction results are 1.18% and 0.64%， respectively. Comparing proposed method with multivariate stepwise regression method, the results show that this method has higher simulation accuracy. This carbon element analysis model provides solid basis for calculating emissions of carbon dioxide in industrial boilers.

boiler； CO2emissions； least square support vector machine； carbon content

10.7631/issn.1000-2243.2015.04.0548

1000-2243(2015)04-0548-06

2014-05-29

許巧玲(1956-), 教授， 主要從事工業(yè)過程控制及節(jié)能技術(shù)研究, zhhqxu@fzu.edu.cn

國家自然科學(xué)基金資助項目(60804027; 61374133); 福建省質(zhì)量技術(shù)監(jiān)督局科研專項資助項目(FJQI201212)

TK314

A