混燃煤氣氣氛下NOx排放特性與建模預(yù)測

梁占偉，陳鴻偉，楊新，許文良，趙爭輝

（華北電力大學(xué)能源動力與機(jī)械工程學(xué)院，河北 保定 071003）

混燃煤氣氣氛下NOx排放特性與建模預(yù)測

梁占偉，陳鴻偉，楊新，許文良，趙爭輝

（華北電力大學(xué)能源動力與機(jī)械工程學(xué)院，河北 保定 071003）

以300MW煤/氣混燃鍋爐為研究對象，理論計(jì)算了高爐煤氣、焦?fàn)t煤氣及煤粉的熱量混燃比對煙氣量的影響特性，對混燃煤氣協(xié)同分級配風(fēng)條件下的NOx排放特性進(jìn)行了優(yōu)化實(shí)驗(yàn)研究，利用實(shí)驗(yàn)數(shù)據(jù)建立了NOx排放濃度的預(yù)測模型。結(jié)果表明：當(dāng)高爐煤氣與焦?fàn)t煤氣配比為0.3時(shí)產(chǎn)生的理論煙氣量與純?nèi)幻汗r相當(dāng)；混燃高爐煤氣使得爐膛溫度溫差減小，有利于控制NOx排放；隨著高爐煤氣熱量混燃比和分離燃盡風(fēng)率的增加NOx排放濃度逐漸降低，而飛灰含碳量逐漸增加。綜合衡量NOx排放濃度和飛灰含碳量，高爐煤氣（BFG）與焦?fàn)t煤氣（COG）的最佳熱量混燃比配比應(yīng)低于1.3，最佳的分離燃盡風(fēng)率為24%。通過對比所建立的3種NOx排放預(yù)測模型，發(fā)現(xiàn)遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型具有較高的預(yù)測精度，能夠準(zhǔn)確表達(dá)鍋爐輸入?yún)?shù)和輸出參數(shù)的非線性關(guān)系。

煤燃燒；分級配風(fēng)；NOx排放；模型；神經(jīng)網(wǎng)絡(luò)

混燃煤氣及生物質(zhì)等可再生能源成為控制污染物排放和減少化石燃料消耗的可行性技術(shù)[1-3]。焦?fàn)t煤氣（COG）和高爐煤氣（BFG）作為鋼鐵企業(yè)的副產(chǎn)品可用于煤/氣混燃鍋爐燃燒發(fā)電，不僅減少了副產(chǎn)品氣體排放帶來的能源浪費(fèi)[3]，而且有利于在爐內(nèi)與煤粉混燃形成還原性氣氛有效降低NOx排放濃度。因此，合理組織煤/氣混燃協(xié)同分級配風(fēng)成為國內(nèi)外學(xué)者研究的熱門課題[4-6]。FANG等[4]數(shù)值模擬研究了200MW煤粉鍋爐混燃煤氣對鍋爐效率和NOx排放濃度的影響，王春波等[5]數(shù)值模擬了300MW煤粉鍋爐混燃高爐煤氣的燃燒特性，易正明等[6]在75t/h混燃煤氣鍋爐上進(jìn)行了運(yùn)行優(yōu)化實(shí)驗(yàn)研究。以上研究為混然煤氣氣氛下NOx排放特性提供了實(shí)驗(yàn)及數(shù)值模擬基礎(chǔ)；但是，以上研究均未考慮分離燃盡風(fēng)（SOFA）對NOx排放的影響，SOFA作為一種降低NOx排放燃燒技術(shù)，被廣泛應(yīng)用于燃煤發(fā)電機(jī)組[7-11]。然而，混燃煤氣氣氛協(xié)同SOFA對NOx排放特性影響的研究鮮有報(bào)道。

建立準(zhǔn)確的鍋爐輸入變量與NOx排放濃度的預(yù)測模型能夠指導(dǎo)鍋爐可調(diào)運(yùn)行變量的實(shí)時(shí)調(diào)整，進(jìn)而實(shí)現(xiàn)優(yōu)化燃燒、提高效率及減少污染物排放。然而，鍋爐內(nèi)燃燒是多過程耦合的物理化學(xué)反應(yīng)，很難建立較為準(zhǔn)確的數(shù)學(xué)分析模型[12]。因此，智能算法成為建立爐內(nèi)輸入?yún)?shù)和輸出參數(shù)的非線性關(guān)系的有效方法，基于神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等算法已經(jīng)越來越受到相關(guān)學(xué)者的重視[13-18]。

本文作者針對混燃煤氣協(xié)同SOFA條件下NOx排放進(jìn)行了優(yōu)化實(shí)驗(yàn)研究，得到了最佳煤氣熱量混燃配比和SOFA比率。同時(shí)，利用實(shí)驗(yàn)數(shù)據(jù)建立了準(zhǔn)確的NOx排放濃度預(yù)測模型，為鍋爐燃燒優(yōu)化建模提出了較為精確的智能算法預(yù)測模型。

1 實(shí)驗(yàn)設(shè)備和方法

1.1 實(shí)驗(yàn)設(shè)備

實(shí)驗(yàn)研究對象為某300MW煤粉混燃高爐煤氣和焦?fàn)t煤氣機(jī)組。額定工況下，設(shè)計(jì)高爐煤氣和焦?fàn)t煤氣的最大熱量混燃比為38%，最大分離燃盡風(fēng)率為四層分離燃盡風(fēng)全開工況，占總風(fēng)量的25%。如圖1(a)所示，煤粉和煤氣在燃燒器區(qū)域噴入爐膛混合燃燒，煙氣中攜帶的未燃盡碳顆粒和可燃?xì)怏w進(jìn)入SOFA區(qū)域燃盡。圖1(b)為燃燒器及SOFA分布圖，燃燒器分上下兩組布置，SOFA噴口布置在最上部。燃燒器由2個(gè)高爐煤氣噴嘴組（A-GAA和B-GAA），5個(gè)煤粉噴嘴（A-COAL到E-COAL），15個(gè)二次風(fēng)噴口（除GA、AA、AB、BC、CC、DD、DE及EE外，還包括7個(gè)位于高爐煤氣和煤粉噴嘴周圍的周界風(fēng)噴口，即GAA、GBB、AS、BS、CS、DS及ES），4個(gè)SOFA噴口（SOFA1到SOFA4），4個(gè)焦?fàn)t煤氣噴口分別布置在二次風(fēng)噴口GA、AB、BC及DE的中心位置。

圖1 混燃鍋爐與燃燒器示意圖

1.2 燃料分析

燃煤的元素分析與工業(yè)分析如表1所示，燃煤的干燥無灰基揮發(fā)分（Vdaf）含量較高，有利于NOx生成的控制。由表1可知，高爐煤氣的主要可燃成分為CO和少量的H2與CH4，焦?fàn)t煤氣的主要可燃成分為H2和CH4以及少量的CO和CmHn，煤的低位發(fā)熱量最高，焦?fàn)t煤氣次之，高爐煤氣最低。

表1 煤質(zhì)分析與煤氣成分

1.3 實(shí)驗(yàn)方法

實(shí)驗(yàn)期間負(fù)荷穩(wěn)定在300MW，分別改變焦?fàn)t煤氣或高爐煤氣的熱量混燃比（單位時(shí)間輸入爐膛的煤氣放熱量占總輸入熱量的百分比），研究不同煤氣混燃比產(chǎn)生的煙氣氣氛對NOx生成及碳顆粒燃盡特性的影響。另外，通過改變SOFA及高爐煤氣二次風(fēng)擋板開度，研究分級配風(fēng)對NOx生成及飛灰含碳量的影響。為了得到不同的煤氣熱量混燃比和分級配風(fēng)工況，實(shí)驗(yàn)共進(jìn)行了50組工況。利用紅外高溫計(jì)對不同爐膛高度的四角進(jìn)行溫度測量，最后取4個(gè)角測得的溫度平均值。采用Testos 350XL煙氣分析儀，在SCR DeNOx系統(tǒng)入口對NOx濃度進(jìn)行測量，測量結(jié)果折算為干基6% O2。在空氣預(yù)熱器出口對飛灰進(jìn)行采集，采集的灰樣去除水分后利用TGA（TA-SDT-600）分析可燃成分。參數(shù)采集的時(shí)間間隔為5s，同一參數(shù)測量偏差超過±5%的應(yīng)重新測量，直到符合誤差標(biāo)準(zhǔn)，最終取各參數(shù)10個(gè)測量數(shù)據(jù)平均值作為實(shí)驗(yàn)結(jié)果。

2 結(jié)果與討論

2.1 混燃特性

2.1.1 混燃煤氣對煙氣量的影響

煙氣量是鍋爐的運(yùn)行和設(shè)計(jì)重要參數(shù)，不同的燃料燃燒產(chǎn)生的煙氣量差別很大，尤其對于多種燃料混燃工況，其不同燃料配比對應(yīng)不同煙氣量。因此，本文理論計(jì)算了單位時(shí)間輸入鍋爐單位熱量（qin=1kJ/s）時(shí)不同BFG、COG及煤粉熱量混燃比對理論煙氣量的影響。固體燃料和氣體燃料的理論煙氣量計(jì)算關(guān)聯(lián)式參見文獻(xiàn)[19]。

對于恒定qin為BFG、COG及煤粉的熱量之和，如式(1)所示。

式中，qin為輸入爐膛內(nèi)的總熱量，kJ/s；qin,i為燃料i輸入爐膛內(nèi)的熱量，kJ/s；i為第i種燃料。

氣體燃料體積和固體燃料質(zhì)量分別為式(2)和式(3)所示。

式中，ms,in為輸入爐膛內(nèi)的固體燃料質(zhì)量，kg/s；qin,j為氣體燃料j輸入爐膛內(nèi)的熱量，kJ/s；qin,k為固體燃料k輸入爐膛內(nèi)的熱量，kJ/s；QLHV,g,j為氣體燃料j的低位發(fā)熱量，kJ/m；QLHV,s,k為固體燃料k的低位發(fā)熱量，kJ/m；Vg,in為輸入爐膛內(nèi)的氣體燃料體積，m3/s；j、k分別為第j種氣體燃料、第k種固體燃料。

3個(gè)不同的BFG與COG配比工況下，理論煙氣量隨著BFG和COG總的熱量混燃比變化情況如圖2所示。由圖2可見，當(dāng)BFG與COG配比為0.1時(shí)，隨著煤氣總熱量混燃比的增加，理論煙氣量呈線性降低；而當(dāng)BFG與COG配比為1時(shí)，隨著煤氣總熱量混燃比的增加，理論煙氣量呈線性增加；BFG與COG配比為0.3時(shí)所產(chǎn)生煙氣量和純煤燃燒產(chǎn)生的煙氣量相當(dāng)。在燃燒調(diào)整過程中，通過BFG與COG配比可以掌握燃燒產(chǎn)生的煙氣量變化情況，為進(jìn)一步研究爐內(nèi)溫度場及NOx排放提供理論支撐。

圖2 煤/氣混燃煙氣量

2.1.2 混燃對溫度場的影響

圖3為鍋爐不同標(biāo)高的爐膛溫度，4個(gè)測量位置的標(biāo)高依次對應(yīng)A-GAA下部、B-GAA和AA之間、C-COAL層及SOFA4層。A-GAA下部位于A-GAA與冷灰斗之間的位置，此處熱量主要來自于上部煤氣或煤粉燃燒輻射和對流，且受到下方冷灰斗的冷卻，使得該處溫度水平最低。B-GAA和AA之間位置受到主燃區(qū)燃料燃燒的輻射和對流或同時(shí)受到下部煤氣燃燒的輻射和對流使得該處的溫度較A-GAA下部有所提高。

C-COAL層為煤粉與COG混燃的主燃燒區(qū)域，此處是整個(gè)爐膛溫度最高的位置；僅混燃COG強(qiáng)化了煤粉燃燒，因此較純?nèi)济汗r溫度提高。然而，混燃BFG則明顯降低了主燃區(qū)的溫度，主要是因?yàn)锽FG熱值（3MJ/m3左右）較低，燃燒生成的煙氣溫度低于主燃燒區(qū)域的溫度，因此BFG燃燒產(chǎn)生的煙氣進(jìn)入主燃區(qū)會使主燃區(qū)溫度降低。SOFA4層位于煤粉燃盡區(qū)域，大量較低溫度的燃盡風(fēng)噴入使得該位置溫度低于煤粉主燃燒區(qū)域。

從圖3中發(fā)現(xiàn)：僅混燃COG時(shí)，會強(qiáng)化主燃區(qū)的燃燒，使主燃區(qū)溫度明顯升高；混燃BFG工況時(shí)，高溫區(qū)域（C-COAL層）溫度相對純?nèi)济汉蛢H混燃COG工況的溫度較低，而低溫區(qū)域（A-GAA下部、B-GAA和AA之間及SOFA4層）溫度則相對較高，使得爐膛溫差減小，爐膛整體溫度水平趨于均勻，有利于控制NOx的排放濃度。

圖3 不同高度的爐膛溫度

2.2 熱量混燃比及分級配風(fēng)優(yōu)化

2.2.1 熱量混燃比優(yōu)化

分離燃盡風(fēng)率維持不變的情況下，如圖4為不同BFG熱量混燃比對NOx排放濃度及飛灰含碳量的影響。由圖4可知，當(dāng)COG的熱量混燃比為8%時(shí)，隨著BFG熱量混燃比的增加NOx排放濃度逐漸降低，而飛灰含碳量逐漸增加。由表1可知，COG的熱值較高，主要可燃成分為H2和CH4，燃燒穩(wěn)定性好，理論燃燒溫度能夠達(dá)到1600℃以上[3]，有利于強(qiáng)化燃燒，降低飛灰含碳量[6]。由圖3可知，混燃COG有助于提高主燃區(qū)溫度，而混燃BFG使主燃區(qū)溫度降低。因此，在COG熱量混燃比為8%，BFG熱量混燃比為7%時(shí)，COG的熱量混燃比較高，有利強(qiáng)化燃燒，使得爐膛內(nèi)的溫度水平提高，易于NOx生成，同時(shí)也易于碳顆粒在主燃燒區(qū)域著火與燃盡，減少飛灰含碳量。繼續(xù)增加BFG熱量混燃比時(shí)，燃燒產(chǎn)生單位熱量生成的煙氣體積比煤粉和焦?fàn)t煤都大（圖2），相對溫度低于主燃區(qū)的大量煙氣進(jìn)入主燃燒區(qū)域時(shí)降低了主燃區(qū)的整體溫度水平，使得熱力型NOx生成量降低，飛灰含碳量增加。BFG熱量混燃比增加，勢必會降低煤粉的消耗量，COG和BFG未增加燃料型N（成分見表1），但是煤粉消耗量的減少，降低了燃料型NOx生成量；如圖4(a)所示，當(dāng)BFG的熱量混燃比由7%增加至14%時(shí)，因燃煤量減少引起的燃料型N相對減少了4.65%。

圖4 熱量混燃比對NOx排放及飛灰含碳量的影響

當(dāng)COG熱量混燃比為8%時(shí)，飛灰含碳量隨著BFG熱量混燃比的增加由2.69%增加到了6.72%。尤其是BFG熱量混燃比大于11%后，飛灰含碳量增加非常迅速，但是對比BFG熱量混燃比大于11%后的NOx排放濃度發(fā)現(xiàn)，NOx排放濃度降低的較為緩慢，僅降低了10mg/m3。因此，綜合衡量飛灰含碳量和NOx排放濃度，應(yīng)控制BFG熱量混燃比小于11%。眾所周知，BFG是低品位氣體燃料，在綜合利用過程中，應(yīng)盡可能多燃用BFG。由以上分析可知，BFG比COG的最佳熱量混燃比配比比例應(yīng)小于1.3，此時(shí)飛灰含碳量小于4%，NOx排放濃度維持在210mg/m3。為了驗(yàn)證BFG與COG最佳熱量混燃比的合理性，按BFG與COG的配比比例為1時(shí)進(jìn)行實(shí)驗(yàn)研究，由圖4可知，NOx排放濃度隨著總的煤氣熱量混燃比的增加而降低，當(dāng)煤氣總的熱量混燃比為34%時(shí)，NOx排放濃度降到了183mg/m3，最高的NOx排放濃度也在220mg/m3以下，雖然飛灰含碳量略微升高，但仍控制在5%。

2.2.2 分級配風(fēng)優(yōu)化

在BFG和COG的熱量混燃比分別為13%和18%時(shí)，實(shí)驗(yàn)研究了分離燃盡風(fēng)率對NOx排放濃度與飛灰含碳量的影響，如圖5所示。隨著分離燃盡風(fēng)率由16%增加到24%的過程中，NOx排放濃度逐漸降低，飛灰含碳量逐漸升高。增加分離燃盡風(fēng)率，燃料在主燃燒器區(qū)域的燃燒份額減少，在SOFA區(qū)域的燃燒份額增加，降低了主燃燒器區(qū)域的溫度水平，提高SOFA區(qū)域的溫度水平，使得爐內(nèi)整體溫差降低，趨于等溫燃燒，減少在較高溫度的主燃區(qū)生成熱力型NOx。另外，減少主燃燒區(qū)域的空氣量有助于形成還原性氣氛，強(qiáng)化了主燃燒區(qū)內(nèi)NOx的還原反應(yīng)，減少了NOx的排放濃度。飛灰含碳量逐漸上升同樣主要因?yàn)橹魅紖^(qū)還原性氣氛增強(qiáng)和主燃區(qū)溫度水平降低。在綜合考慮NOx排放濃度和飛灰含碳量的情況下，從實(shí)驗(yàn)結(jié)果中可以發(fā)現(xiàn)：分離燃盡風(fēng)率為24%時(shí)優(yōu)于其他工況，此時(shí)NOx排放濃度達(dá)到最低，同時(shí)飛灰含碳量控制在3.5%。

圖5 分級配風(fēng)對NOx排放特性的影響

2.3 建立NOx排放預(yù)測模型

2.3.1 建立預(yù)測模型

采用優(yōu)化實(shí)驗(yàn)的方法對鍋爐運(yùn)行進(jìn)行優(yōu)化不僅成本高而且實(shí)驗(yàn)工況較少，建立鍋爐運(yùn)行優(yōu)化模型對鍋爐可調(diào)運(yùn)行變量進(jìn)行優(yōu)化成為既節(jié)約成本又高效的方法；鍋爐可調(diào)運(yùn)行變量（熱量混燃比及SOFA比率等）優(yōu)化模型是以高精度的因變量（NOx排放）預(yù)測模型為基礎(chǔ)，而鍋爐爐膛內(nèi)燃燒涉及復(fù)雜的物理化學(xué)過程，很難準(zhǔn)確建立可調(diào)運(yùn)行變量與因變量之間的數(shù)學(xué)關(guān)聯(lián)關(guān)系。因此，支持向量機(jī)（SVM）[12-14]、神經(jīng)網(wǎng)絡(luò)[15-17]等智能算法在燃燒建模中得到了廣泛的應(yīng)用。支持向量機(jī)的回歸函數(shù)表示為如式(4)。

式中，αi為Largrange系數(shù)；為對應(yīng)于αi的最優(yōu)解；K(xi,x)為徑向基核函數(shù)；xi為支持向量；x為輸入樣本矩陣；b*為對應(yīng)于該回歸函數(shù)的實(shí)數(shù)。

本文采用高斯徑向基核函數(shù)如式(5)。

式中，σ為函數(shù)的寬度參數(shù)。

對于本文BP神經(jīng)網(wǎng)絡(luò)輸出層和隱含層神經(jīng)元傳遞函數(shù)分別如式(6)、式(7)。

式中，fo(x)為S型對數(shù)函數(shù)；fh(·)為S型對正切函數(shù)；x為自變量。

遺傳算法（GA）優(yōu)化BP神經(jīng)網(wǎng)絡(luò)（GABP）是用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)權(quán)值和閥值[14,17]，把預(yù)測和期望輸出的誤差絕對值作為適應(yīng)度值。適應(yīng)度函數(shù)為如式(8)。

式中，N為樣本個(gè)數(shù)；yi為第i個(gè)樣本的實(shí)驗(yàn)值；y為第i個(gè)樣本的預(yù)測值。

由實(shí)驗(yàn)結(jié)果可知，在煤質(zhì)不變工況下，影響NOx排放的變量主要有煤氣熱量混燃比、二次風(fēng)量、一次風(fēng)量、氧量、SOFA擋板開度及各層二次風(fēng)擋板開度等。因此，預(yù)測模型選取包括以上變量在內(nèi)的26個(gè)變量為輸入?yún)?shù)，NOx排放濃度為輸出參數(shù)。將實(shí)驗(yàn)得到的50組工況分為42組訓(xùn)練樣本和8組測試樣本。利用訓(xùn)練好的SVM、BP及GABP模型進(jìn)行預(yù)測，并將預(yù)測值和實(shí)驗(yàn)值進(jìn)行對比，研究建立的各模型的預(yù)測性能。

2.3.2 預(yù)測結(jié)果分析

圖6為SVM、BP及GABP預(yù)測模型分別對訓(xùn)練樣本和測試樣本的預(yù)測結(jié)果及相對誤差。由圖可知，實(shí)驗(yàn)得到的NOx排放濃度在130～250mg/m3之間波動，而SVM對訓(xùn)練樣本和測試樣本的預(yù)測結(jié)果卻在180～210mg/m3之間波動，明顯對訓(xùn)練樣本和測試樣本的逼近能力都比較差。從相對誤差方面來看，SVM模型有21個(gè)訓(xùn)練樣本的相對誤差在–5%～5%范圍，占訓(xùn)練樣本數(shù)的50%；僅有2個(gè)測試樣本的相對誤差在–5%～5%范圍，占測試樣本數(shù)的25%；SVM模型對預(yù)測樣本的預(yù)測能力低于訓(xùn)練樣本；因此，SVM模型泛化能力也較差。

BP模型對訓(xùn)練樣本的逼近能力較好，訓(xùn)練樣本預(yù)測值能夠非常準(zhǔn)確逼近實(shí)驗(yàn)值，且相對誤差除了樣本40為–1.91%和樣本41為2.26%外，其他訓(xùn)練樣本相對誤差均在–0.3%～0.3%范圍。然而，該模型對測試樣本預(yù)測值嚴(yán)重偏離了實(shí)驗(yàn)值，且相對誤差也較大；測試樣本的相對誤差在–42.46%～45.6%范圍，僅有1個(gè)測試樣本的相對誤差在–5%～5%范圍。因此，BP模型產(chǎn)生了過擬合現(xiàn)象。

圖6 NOx排放濃度預(yù)測值與誤差

GABP模型不僅對訓(xùn)練樣本具有較強(qiáng)的逼近能力，而且對測試樣本同樣具有較強(qiáng)的逼近能力；訓(xùn)練樣本的相對誤差與BP模型一樣，保持在較小范圍，并且測試樣本相對誤差也相對較小，8個(gè)測試樣本相對誤差均在–4.65%～4.93%范圍。因此，GABP模型具有較強(qiáng)的泛化能力，未出現(xiàn)過擬合現(xiàn)象。

為了進(jìn)一步對比不同模型的預(yù)測能力，采用均方根誤差（RMSE）和平均絕對百分比誤差（MAPE）來評價(jià)模型預(yù)測精度和預(yù)測值相對于實(shí)驗(yàn)值的平均偏離情況[20]，如式(9)和式(10)所示。

由表2可知，SVM模型訓(xùn)練樣本和測試樣本的RMSE和MAPE值都比較大，表明該模型對訓(xùn)練樣本和測試樣本的預(yù)測精度較小，且預(yù)測值相對于實(shí)驗(yàn)值的偏離較大。BP模型的RMSETr和MAPETr都較小表明該模型對訓(xùn)練樣本的預(yù)測精度較高，且訓(xùn)練樣本預(yù)測值與實(shí)驗(yàn)值偏離較??；但是BP模型的RMSETe和MAPETe都急劇增大，說明該模型對測試樣本預(yù)測精度降低，預(yù)測值嚴(yán)重偏離實(shí)驗(yàn)值；因此該模型出現(xiàn)了過擬合現(xiàn)象。GABP模型的4個(gè)性能參數(shù)都較小，且測試樣本與訓(xùn)練樣本的預(yù)測精度和平均偏離情況相近，表明該模型具有較好的泛化能力，能夠準(zhǔn)確的對輸出參數(shù)進(jìn)行預(yù)測。綜上可知，RMSE和MAPE對SVM、BP及GABP模型的評價(jià)結(jié)果與圖6得出結(jié)論相符合，再次驗(yàn)證了SVM、BP及GABP模型的預(yù)測能力。

表2 模型預(yù)測性能

3 結(jié)論

（1）理論計(jì)算得到BFG與COG配比對煙氣量變化的影響，優(yōu)化實(shí)驗(yàn)得到混燃COG會提高主燃區(qū)溫度，混燃BFG能夠降低高溫區(qū)溫度，提高低溫區(qū)溫度，為進(jìn)一步研究NOx排放提供理論支撐。

（2）當(dāng)COG與BFG熱量混燃比分別為8%與11%時(shí)，飛灰含碳量為3.50%，NOx排放濃度維持在210mg/m3，對應(yīng)的最佳BFG與COG配比為1.3；分離燃盡風(fēng)率為24%時(shí)為最優(yōu)分離燃盡風(fēng)率工況，此工況NOx排放濃度最低為205mg/m3，飛灰含碳量控制在3.51%。

（3）對比分析SVM、BP及GABP模型發(fā)現(xiàn)：GABP模型對NOx的排放濃度預(yù)測結(jié)果優(yōu)于其他兩個(gè)預(yù)測模型，該模型具有較強(qiáng)逼近能力和泛化能力，預(yù)測結(jié)果能夠用于優(yōu)化鍋爐可調(diào)變量。

[1] MUN T Y，TUMSA T Z，LEE U，et al.Performance evaluation ofco-firing various kinds of biomass with low rank coals in a 500MWe coal-fired power plant[J].Energy，2016，115：954-962.

[2] AGBOR E，OYEDUN A O，ZHANG X，et al.Integrated techno-economic and environmental assessments of sixty scenarios forco-firing biomass with coal and natural gas[J].Applied Energy，2016，169：433-449.

[3] HOU S S，CHEN C H，CHANG C Y，et al.Firing blast furnace gas without support fuel in steel mill boilers[J].Energy Conversion Management，2011，52（7）：2758-2767.

[4] FANG Q，MUSA A A B，WEI Y，et al.Numerical simulation of multifuel combustion in a 200 MW tangentially fired utility boiler[J].Energy Fuels，2012，26（1）：313-323.

[5] 王春波，魏建國，盛金貴，等.300MW煤粉/高爐煤氣混燃鍋爐燃燒特性數(shù)值模擬[J].中國電機(jī)工程學(xué)報(bào)，2012，32（14）：14-19.WANG Chunbo，WEI Jianguo，SHENG Jingui，et al.Numerical simulation of combustion characteristics of a 300 MW blast furnace gas/pulverized coal combined combustion boiler[J].Proceeding of the CSEE，2012，32（14）：14-19.

[6] 易正明，肖慧，杜炳旭.鋼廠煤氣混燒鍋爐運(yùn)行優(yōu)化的試驗(yàn)研究[J].武漢科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2014，37（5）：345-349.YI Zhengming，XIAO Hui，DU Bingxu.Experimental study on operation optimization of the gas/pulverized coal blended combustion boiler[J].Journal of Wuhan University of Science and Technology，2014，37（5）：345-349.

[7] 邱步，張小松.配風(fēng)方式對部分預(yù)混燃燒系統(tǒng)燃燒振蕩的影響[J].化工學(xué)報(bào)，2012，63（4）：1211-1216.QIU Bu，ZHANG Xiaosong.Influence of air distribution on combustion oscillation of partially premixed system[J].CIESC Journal，2012，63（4）：1211-1216.

[8] 吳曉磊，劉波，任政，等.新型低氮燃?xì)夥旨壢紵魅紵匦院蚇Ox排放的CFD研究[J].化工進(jìn)展，2014，33（9）：2298-2303.WU Xiaolei，LIU Bo，REN Zheng，et al.CFD study on combustion properties and NOxemission of reboiling furnace for xylene tower[J].Chemical Industry and Engineering Progress，2014，33（9）：2298-2303.

[9] 劉波，吳雨，王元華，等.低NOx工業(yè)燃?xì)馊紵夹g(shù)研究進(jìn)展[J].化工進(jìn)展，2013，32（1）：199-204.LIU Bo，WU Yu，WANG Yuanhua，et al.Research progress on low-NOxindustrial gas combustion technology[J].Chemical Industry and Engineering Progress，2013，32（1）：199-204.

[10] 呂太，閆晨帥，路昆，等.不同負(fù)荷下變SOFA風(fēng)率對低NOx燃燒特性影響分析[J].熱能動力工程，2014，29（4）：409-414.LV Tai，YAN Chenshuai，LU kun，et al.Analysis of the influence of the variable SOFA air ratio on low NOxcombustion characteristics[J].Journal of Engineering for Theamal Energy &Power，2014，29（4）：409-414.

[11] 呂太，趙世澤.燃盡風(fēng)位置高度對NOx生成的影響[J].環(huán)境工程學(xué)報(bào)，2016，10（5）：2541-2546.LV Tai，ZHAO Shize.Influence of over-fire air height on NOxemission characteristics[J]. Chinese Journal of Environmental Engineering，2016，10（5）：2541-2546.

[12] LV Y，LIU J，YANG T，et al.A novel least squares support vector machine ensemble model for NOxemission prediction of a coal-fired boiler[J].Energy，2013，55（1）：319-329.

[13] VAPNIK V N.The nature of statistical learning theory[M].New York：Springer-Verlag，2000.

[14] 王小川，史峰，郁磊，等.MATLAB神經(jīng)網(wǎng)絡(luò)43個(gè)案例分析[M].北京：北京航空航天大學(xué)出版社，2013.WANG Xiaochuan，SHI Feng，YU Lei，et al.MATLAB neural network 43 cases analysis[M].Beijing：Beijing University of Aeronautics and Astronautics Press，2013.

[15] 陳鴻偉，劉煥志，李曉偉，等.雙循環(huán)流化床顆粒循環(huán)流率實(shí)驗(yàn)與BP神經(jīng)網(wǎng)絡(luò)預(yù)測[J].中國電機(jī)工程學(xué)報(bào)，2010，30（32）：25-29.CHEN Hongwei，LIU Huanzhi，LI Xiaowei，et al.Experimental research on solids circulation rate in a double fluidized bed and BP neural network prediction[J].Proceedings of the CSEE，2010，30（32）：25-29.

[16] 陳鴻偉，祁海波，楊新，等.提升管二次風(fēng)對循環(huán)流率影響的試驗(yàn)及預(yù)測模型研究[J].太陽能學(xué)報(bào)，2013，34（6）：1109-1114.CHEN Hongwei，QI Haibo，YANG Xin，et al.Research on effect of secondary air on solids circulation rate in DCFB and prediction model[J].Acta Energiae Solaris Sinica，2013，34（6）：1109-1114.

[17] CHEN Hongwei，LIANG Zhanwei.Damper opening optimization and performance of aco-firing boiler in a 300 MWe plant[J].Applied Thermal Engineering，2017，123：865-873.

[18] 李新利，李玲，盧鋼，等.基于火焰自由基成像和支持向量機(jī)的燃燒過程N(yùn)Ox排放預(yù)測[J].中國電機(jī)工程學(xué)報(bào)，2015，35（6）：1413-1419.LI Xinli，LI Ling，LU Gang，et al.NOxemission prediction based on flame radical profiling and support vector machine[J].Proceeding of the CSEE，2015，35（6）：1413-1419.

[19] 徐旭常，周力行.燃燒技術(shù)手冊[M].北京：化學(xué)工業(yè)出版社，2008：50-60.XU Xuchang，ZHOU Lixing.Handbook of combustion technology[M].Beijing：Chemical Industry Press，2008：50-60.

[20] 劉吉臻，呂游，楊婷婷.基于變量選擇的鍋爐NOx排放的最小二乘支持向量機(jī)建模[J].中國電機(jī)工程學(xué)報(bào)，2012，32（20）：102-107.LIU Jizhen，LV You，YANG Tingting.Least squares support vector machine modeling on NOxemission of boilers based on variable selection[J].Proceeding of the CSEE，2012，32（20）：102-107.

Characteristic of NOxemissions inco-firing gases and modeling prediction

LIANG Zhanwei，CHEN Hongwei，YANG Xin，XU Wenliang，ZHAO Zhenghui
（School of Energy，Power and Mechanical Engineering，North China Electric Power University，Baoding 071003，Hebei，China）

The effect of heat adding rates of blast furnace gas, coke oven gas and coal on flue gas volume was theoretically analyzed in a 300MW boilerco-firing coal with gases. Moreover, the optimization test of NOxemissions was conducted under the condition of heat adding rates and air staging, and the prediction models of NOxemissions was established based on the experimental data.The result showed that the theoretical flue gas volume of coalco-fired with gases was equal to that of pure coal when the ratio of blast furnace gas and coke oven gas was 0.3. Theco-combustion of blast furnace gas can decrease the difference of furnace temperature, being beneficial to control the NOxemissions. The NOxemissions concentration decreased and the unburned carbon in fly ash increased gradually with the increase of heat adding rate of blast furnace gas and the ratio of separated overfire air. By comprehensive measurement of the NOxemission and carbon content of fly ash, the optimal ratio of heat adding rate between blast furnace gas and coke oven gas was 1.3, and the optimal ratio of separated overfire air was 24%. The comparative analysis of the three models indicated that the GABP model had the highest prediction accuracy and could accurately describe the nonlinear relationship between the input and output parameters of boiler.

coal combustion；air staging；NOxemissions；model；neural networks

TK229.2

A

1000–6613（2017）11–4265–07

10.16085/j.issn.1000-6613.2017-1207

2017-06-16；修改稿日期2017-06-30。

河北省自然科學(xué)基金項(xiàng)目（E2016502058）。

梁占偉（1983—），男，博士研究生。聯(lián)系人陳鴻偉，教授，研究方向?yàn)槟茉锤咝鍧嵗?。E-mail：hdchw66@126.com。