基于神經(jīng)網(wǎng)絡(luò)與遺傳算法的鍋爐系統(tǒng)的優(yōu)化

鞠云鵬，常德功

（青島科技大學 機電工程學院，青島 266061）

循環(huán)流化床鍋爐[1-2]是應(yīng)用清潔煤燃燒技術(shù)的成果，它是利用脫硫劑（石灰石）使煤在流化床上燃燒時脫硫。鍋爐燃燒過程是一個復雜的物理、化學過程，牽涉到的輸入和輸出變量達160多個[3-4]。依靠專業(yè)技術(shù)人員的經(jīng)驗和傳統(tǒng)熱力學的計算分析方法，僅能解決單個輸入變量和輸出目標值的問題。隨著計算機技術(shù)和應(yīng)用數(shù)學方法進入工業(yè)領(lǐng)域，使得解決多變量之間關(guān)系的難題變得容易了許多。但是，鍋爐運行的多目標參數(shù)間存在著諸多矛盾，譬如，燃燒效率與氮氧化物的排放之間的矛盾、低氧燃燒與還原性氣體的腐蝕之間的矛盾等等。這些問題就需要用系統(tǒng)的觀念去全面考慮和協(xié)調(diào)多目標之間的關(guān)系。借助先進的數(shù)學和計算機手段，利用人工智能神經(jīng)網(wǎng)絡(luò)[5-7]可以解決多變量非線性關(guān)系的問題。在對系統(tǒng)深刻理解的基礎(chǔ)上，可以把各種數(shù)據(jù)信息與鍋爐的經(jīng)濟、安全和可靠等性能指標之間的關(guān)系量化，利用統(tǒng)計學非線性回歸和人工智能神經(jīng)網(wǎng)絡(luò)技術(shù)將鍋爐的運行參數(shù)與性能指標之間的關(guān)系用數(shù)學模型的方式表達出來[6-7]。

遺傳算法[8-11]是一種隨機搜索算法，并且是一種模仿生物進化過程的進化算法。這種算法具有較強的適應(yīng)性，除了需要知道適應(yīng)度函數(shù)之外，幾乎不需要其他的先驗知識。另外，它不受搜索空間的限制性假設(shè)的約束，不要求連續(xù)性，能以很大的概率從高維問題中找到最優(yōu)解，并且能夠搜索到滿足不同需求條件下的最佳運行參數(shù)組合（借助優(yōu)化運算）。本文首先通過鍋爐廠參數(shù)的歷史數(shù)據(jù)建立BP神經(jīng)網(wǎng)絡(luò)并進行訓練，然后通過遺傳算法建立各參數(shù)的優(yōu)化組合，通過訓練好的網(wǎng)絡(luò)預測出優(yōu)化效率，并將優(yōu)化效率對應(yīng)的風煤比數(shù)據(jù)作為反饋信號引入鍋爐性能優(yōu)化系統(tǒng)中，以達到提高鍋爐效率的目的。

1 預測優(yōu)化原理

1.1 預測模型的建立

本設(shè)計建立三層BP神經(jīng)網(wǎng)絡(luò)，為方便模型的建立，引入以下符號：

Xk=，（k=1，2，3，…，n）為輸入向量形式，其中：n為輸入層神經(jīng)元個數(shù)。Yk=為期望輸出向量形式，其中，q為輸出層神經(jīng)元個數(shù)。為隱含層輸入向量，為隱含層輸出向量，其中，p為隱含層神經(jīng)元個數(shù)。Lk=為輸出層輸入向量，Ck=為輸出層實際輸出向量。 w=｛wij｝，（i=1，2，3，…，n， j=1，2，3，…，p）為隱含層與輸入層間的權(quán)值。 V=｛vij｝，（t=1，2，3，…，q， j=1，2，3，…，p）為輸出層與隱含層間的權(quán)值。 θ=｛θj｝，（ j=1，2，3，…，p）為隱含層神經(jīng)元閾值，γ＝｛γt｝，（t=1，2，3，…，q）為輸出層神經(jīng)元閾值。

首先將［-1 1］之間的隨機數(shù)賦給權(quán)值v，w以及閾值 γ，θ，將一組（Xk，Yk）提供給網(wǎng)絡(luò)，作為學習模式對，k=1，2，3，…，m（m 為學習組數(shù)）。

根據(jù)式（1）和式（2）計算隱含層神經(jīng)元的輸出值和輸入值為

根據(jù)式（3）和式（4）計算輸出層神經(jīng)元的輸出值和輸入值為

根據(jù)式（5）和式（6）分別計算出輸出層和隱含層神經(jīng)元的校正誤差和為

以 α 為學習速率，0＜α＜1，根據(jù)式（7）和式（8）來修正輸出層至隱含層間的連接權(quán)值v以及輸出層神經(jīng)元的閾值γ為

以 β 為學習速率，0＜ β＜1，根據(jù)式（9）和式（10）來修正隱含層至輸入層間的連接權(quán)值w以及隱含層神經(jīng)元的閾值θ為

隨機選取下一組訓練數(shù)據(jù)，并提供給上述算法，直至將所有訓練數(shù)據(jù)訓練完畢。判斷全局誤差E是否滿足所要求精度，即E≤ε。如果滿足，則停止計算，否則更新訓練組數(shù)，繼續(xù)計算。計算完畢后，新的網(wǎng)絡(luò)模型可用于鍋爐效率值的預測。

1.2 優(yōu)化算法流程

本文通過遺傳算法來搜索鍋爐效率期望值所對應(yīng)的風煤比值關(guān)系，并將優(yōu)化后的風煤比作為反饋信號引入鍋爐系統(tǒng)中，以提高鍋爐效率。優(yōu)化算法流程如下：

1）鍋爐參數(shù)編碼

將個體用 （ai1，ai2，ai3，ai4，ai5，ai6，ai7，ai8，ai9，ai10，ai11）來編碼，個體中的基因分別代表鍋爐效率、入爐煤量、二次風流量、上一次風流量、下一次風流量、主蒸汽流量、氧量計、主蒸汽壓力、爐膛密上溫度、給水溫度、主蒸汽溫度。根據(jù)表1可得到各參數(shù)的取值范圍，將個體基因 ai1，ai2，…，ai11分別賦予取值范圍內(nèi)的隨機數(shù)值。

2）適應(yīng)度函數(shù)

本研究中的適應(yīng)度函數(shù)采用BP神經(jīng)網(wǎng)絡(luò)預測模型，輸出層處理單元的輸入加權(quán)和如式（3）所示，輸出層神經(jīng)元的轉(zhuǎn)移函數(shù)采用Sigmoid函數(shù)，數(shù)學表達式為

3）選擇操作

采用輪盤賭選擇算法和適應(yīng)度函數(shù)來進行選擇操作，將適應(yīng)度值高的個體進行復制得到下一代。

4）交叉操作

在所復制的個體中采用隨機方法進行交叉操作，交叉操作函數(shù)如下：

其中：p1，p2 為父代個體；c1，c2 為子代個體；bounds為取值范圍；Ops為可選項。

5）變異操作

變異操作中變異點的選取采用隨機與近似的方法，變異操作函數(shù)如下：

其中：parent為父代個體；bounds為取值范圍；Ops為可選項。

遺傳算法優(yōu)化的具體運算流程如圖1所示。

2 鍋爐效率的優(yōu)化

2.1 優(yōu)化方案的選取

鍋爐系統(tǒng)的候選優(yōu)化方案有3種。

圖1 遺傳算法優(yōu)化流程Fig.1 Genetic algorithm optimization flowchart

1）簡化方案：不安裝任何測點、運行優(yōu)化軟件的服務(wù)器系統(tǒng)和工作站、現(xiàn)場做鍋爐運行優(yōu)化試驗并提供優(yōu)化運行指導曲線。

2）在線開環(huán)指導優(yōu)化方案：優(yōu)化方案是基于Matlab 6.5工具箱函數(shù)自行開發(fā)的一套優(yōu)化程序。首先，運用Matlab VC++2005編譯器將函數(shù)打包成com組件，即dll文件，然后，運用C#（可視化開發(fā)工具）調(diào)用程序并開發(fā)界面。

3）在線閉環(huán)控制優(yōu)化方案（根據(jù)中國的煤質(zhì)、設(shè)備等狀況暫不推薦使用此方案）。

本論文所采用的是在線開環(huán)指導鍋爐運行優(yōu)化方案。鍋爐運行優(yōu)化系統(tǒng)在線開環(huán)指導優(yōu)化運行，需要與DCS系統(tǒng)接口進行數(shù)據(jù)交換和發(fā)布優(yōu)化運行提示和控制指令。鍋爐運行優(yōu)化系統(tǒng)與電廠現(xiàn)有的DCS數(shù)據(jù)庫交換數(shù)據(jù)，只需要根據(jù)具體DCS系統(tǒng)的通訊方式和I/O接口規(guī)定，以DCS-數(shù)據(jù)庫系統(tǒng)－鍋爐運行優(yōu)化系統(tǒng)方式建立通信。開環(huán)系統(tǒng)只需從DCS系統(tǒng)采集數(shù)據(jù)，優(yōu)化結(jié)果不進入DCS系統(tǒng)。

2.2 BP神經(jīng)網(wǎng)絡(luò)的訓練

本研究中所采用的網(wǎng)絡(luò)結(jié)構(gòu)為3層，根據(jù)kol mogorov定理[12]可確定隱含層神經(jīng)元的個數(shù)n，n=2m+1，其中，m為輸入量個數(shù)。鍋爐優(yōu)化系統(tǒng)從鍋爐廠現(xiàn)有的DCS數(shù)據(jù)庫中提取150組所需運行參數(shù)，主要運行參數(shù)如表1所示。基于表1鍋爐系統(tǒng)運行數(shù)據(jù)（前75組），通過BP神經(jīng)網(wǎng)絡(luò)可建立鍋爐參數(shù)與效率間的函數(shù)模型。

表1 鍋爐系統(tǒng)主要運行參數(shù)Tab.1 Boiler system operating parameter

2.3 鍋爐參數(shù)的優(yōu)化

將鍋爐輸入?yún)?shù)（入爐煤量、二次風流量、上一次風流量、下一次風流量、主蒸汽流量、氧量計、主蒸汽壓力、爐膛密上溫度、給水溫度、主蒸汽溫度）以及輸出參數(shù)（鍋爐效率）進行浮點數(shù)編碼，并根據(jù)表1數(shù)據(jù)確定各參數(shù)的范圍，進行種群的初始化。初始化的種群經(jīng)過選擇、交叉、變異以及適應(yīng)度函數(shù)的計算，最終得到期望效率值。將期望效率值所對應(yīng)的風煤比引入鍋爐系統(tǒng)即可達到優(yōu)化鍋爐效率的目的。根據(jù)開環(huán)指導優(yōu)化方案，在取數(shù)時間長度為10 min，優(yōu)化頻率為650 s，鍋爐效率設(shè)定值為98%的情況下所得到的鍋爐優(yōu)化參數(shù)如表2所示。

表2 鍋爐優(yōu)化參數(shù)Tab.2 Boiler optimization parameters

3 結(jié)果與分析

基于表1鍋爐系統(tǒng)運行數(shù)據(jù)（前75組），通過BP神經(jīng)網(wǎng)絡(luò)建立鍋爐參數(shù)與效率間的函數(shù)模型。并以表1中后75組數(shù)據(jù)作為校驗數(shù)據(jù)，以驗證網(wǎng)絡(luò)預測的精度。為更好地了解BP神經(jīng)網(wǎng)絡(luò)的預測精度，針對窯爐運行數(shù)據(jù)建立了4個網(wǎng)絡(luò)預測模型。同時，為更好地了解遺傳算法與神經(jīng)網(wǎng)絡(luò)相結(jié)合的優(yōu)越性，針對窯爐運行數(shù)據(jù)建立了6組差值（鍋爐效率優(yōu)化前后的差值）。圖2是網(wǎng)絡(luò)預測值與校驗數(shù)據(jù)的比較。圖3是采用遺傳算法優(yōu)化后的鍋爐效率輸出值與初始數(shù)據(jù)（未經(jīng)優(yōu)化前的數(shù)據(jù)）的差值。

圖2 鍋爐效率的實際數(shù)據(jù)與神經(jīng)網(wǎng)絡(luò)預測模型輸出的比較Fig.2 Comparison of actual data with the output of the neural network prediction model

圖3 鍋爐效率優(yōu)化值與初始值的差值Fig.3 Difference between optimal values and the initial values

由圖2可知，4組曲線是BP神經(jīng)網(wǎng)絡(luò)預測值與校驗數(shù)據(jù)的比較，與此同時，所用預測模型是從多個所建模型中隨機抽取的，因此預測值能較好地體現(xiàn)網(wǎng)絡(luò)的預測能力。4個BP神經(jīng)網(wǎng)絡(luò)預測模型中，鍋爐實際效率曲線與神經(jīng)網(wǎng)絡(luò)建模后的輸出效率曲線的差值較小，二者曲線近乎重合，這說明：BP神經(jīng)網(wǎng)絡(luò)所預測的效率值與原始效率的擬合程度較高，BP神經(jīng)網(wǎng)絡(luò)具有較高的預測精度，可用于鍋爐系統(tǒng)效率預測優(yōu)化中。

由圖3可知，6組曲線是采用遺傳算法優(yōu)化后的鍋爐效率輸出值與初始數(shù)據(jù) （未經(jīng)優(yōu)化前的數(shù)據(jù)）的差值，采用優(yōu)化方法以后計算出的鍋爐效率與原始效率差值幾乎全部大于零，最大差值已接近3.5%，根據(jù)現(xiàn)場采集數(shù)據(jù)和綜合分析，鍋爐性能優(yōu)化系統(tǒng)投入使用后，預期可以達到降低供電煤耗2 g/（kWh）左右；降低氮氧化物排放量 150 mg/m3。根據(jù)目前已經(jīng)取得的優(yōu)化業(yè)績，鍋爐年節(jié)約煤耗（按2 g/（kWh）計算）：（2×10-6） t/（kWh）×300 MW×6000 h×700元/t=252萬元；按目前平均煤價700元/t計算，通過鍋爐性能優(yōu)化節(jié)煤年直接經(jīng)濟效益至少在252萬元人民幣以上。參照1004 t蒸發(fā)量鍋爐參數(shù)測算：總排煙量1.3×106m3/h；按照年運行6000 h，以降低100 mg/m3估算（實際優(yōu)化值需根據(jù)現(xiàn)場情況確定）。按照2004年7月1日執(zhí)行的《排污費征收標準管理辦法》，NOx排放按實際排放污染當量收費，每污染當量NOx收費0.6元（每污染當量為0.95 kg）。則年NOx排放節(jié)約費用為

1.3×106m3/h×100×10-6kg/m3×6000 h×0.6 元/0.95 kg＝49.26 萬元

年總節(jié)約費用為

252萬元＋49.26萬元＝301.26萬元以上。

4 結(jié)語

鍋爐優(yōu)化系統(tǒng)從鍋爐廠現(xiàn)有的DCS數(shù)據(jù)庫中提取所需的運行參數(shù)。通過人工智能神經(jīng)網(wǎng)絡(luò)建立各參數(shù)之間的模型，利用遺傳算法得到各參數(shù)的優(yōu)化組合，為鍋爐系統(tǒng)的優(yōu)化提供保障。通過優(yōu)化驗證曲線可以看出，采用BP神經(jīng)網(wǎng)絡(luò)能夠相對準確的預測出鍋爐效率，同時遺傳算法能夠較好地優(yōu)化參數(shù)，使鍋爐效率提高0.5%～3%。此優(yōu)化算法也可推廣應(yīng)用到玻璃窯爐廠配料系統(tǒng)中。與此同時，本文的優(yōu)化也存在不完善的地方，比如，優(yōu)化方案所選擇的是在線開環(huán)指導方式，這主要是由中國的煤質(zhì)、設(shè)備等狀況所決定的。進一步完善優(yōu)化方法，提高鍋爐效率是下一步需要做的工作。

[1]Zhang Nan，Lu Bona，Wang Wei，et al.3D CFD simulation of hydrodynamics of a 150 MWe circulating fluidized bed boiler[J].Chemical Engineering Journal，2010，162（2）：821-828.

[2]張瑞卿，楊海瑞，呂俊復.應(yīng)用于循環(huán)流化床鍋爐氣固流動和燃燒的 CPFD 數(shù)值模擬[J].中國電機工程學報，2013，33（23）：75-83.

[3]蘇建民.燃燒劣質(zhì)無煙煤300 MW循環(huán)流化床鍋爐節(jié)能減排特性的研究[J].動力工程學報，2010，30（9）：663-667.

[4]張愷，曹長青，趙亞南.氣液固循環(huán)流化床預分布器附近流體動力學的數(shù)值研究[J].青島科技大學學報：自然科學版，2010，31（1）：51-54.

[5]趙彤，曹世偉，趙品.基于神經(jīng)網(wǎng)絡(luò)MIMO非仿射系統(tǒng)自適應(yīng)控制[J].青島科技大學學報：自然科學版，2010，31（3）：317-320.

[6]劉瑞葉，黃磊.基于動態(tài)神經(jīng)網(wǎng)絡(luò)的風電場輸出功率預測[J].電力系統(tǒng)自動化，2012，36（11）：19-22.

[7]Wang C，Wang M，Liu T F，et al.Learning from ISS-modular adaptive NN control of nonlinear strict-feedback systems[J].IEEE Transactions on Neural Networks and Learning Systems，2012，23（10）：1539-1550.

[8]劉軍，張利建，薛明.基于遺傳算法的仿人智能控制[J].青島科技大學學報：自然科學版，2007，28（2）：162-165.

[9]王東風，任燕燕，劉長良.基于量子遺傳算法的循環(huán)流化床鍋爐模型辨識[J].動力工程學報，2013，33（10）：782-788.

[10]金弟，劉杰，楊博.局部搜索與遺傳算法結(jié)合的大規(guī)模復雜網(wǎng)絡(luò)社區(qū)探測[J].自動化學報，2011，37（7）：873-882.

[11]梁亞瀾，聶長海.覆蓋表生成的遺傳算法配置參數(shù)優(yōu)化[J].計算機學報，2012，35（7）：1522-1538.

[12]于彬.基于小波分析的BP神經(jīng)網(wǎng)絡(luò)膜蛋白跨膜螺旋區(qū)段預測[J].青島科技大學學報：自然科學版，2010，31（6）：583-586.