基于遺傳算法的鍋爐高效低NOx燃燒優(yōu)化

楊巧云

(武漢電力職業(yè)技術學院，湖北 武漢 430079)

0 前言

電站鍋爐運行過程中，為了降低發(fā)電成本及降低污染物排放量，需要同時獲得高的效率和低的NOx排放。鍋爐效率及NOx排放特性很復雜，受到燃煤性質、配風方式、爐溫、過量空氣系數(shù)、煤粉細度、風粉分配均勻性、鍋爐負荷、爐型、燃燒器型式等多種因素的影響［1－4］，兩者的控制往往存在矛盾，運行中必須兼顧兩方面的影響，進行燃燒的多目標組合優(yōu)化，獲得最佳的運行參數(shù)。

遺傳算法提供了一種求解復雜系統(tǒng)優(yōu)化問題的通用框架，它不依賴于問題的具體領域，廣泛應用于很多學科和領域，如函數(shù)優(yōu)化、組合優(yōu)化、生產調度、自動控制、圖象處理等，在優(yōu)化領域表現(xiàn)出了強大的能力。本文采用遺傳算法對鍋爐燃燒進行優(yōu)化。

1 遺傳算法簡介

遺傳算法［5－9］是模擬生物界的遺傳和進化過程而建立起來的一種搜索算法，其基本思想是從一組隨機產生的初始解即種群開始搜索，種群中的每一個個體，即問題的一個解，稱為“染色體”。遺傳算法通過染色體的適應值來評價染色體的好壞，適應值大的染色體被選擇的幾率高，相反，適應值小的染色體被選擇的可能性小，被選擇的染色體進入下一代;下一代的染色體通過交叉和變異等遺傳操作，產生新的染色體，即后代;經(jīng)過若干代后，算法收斂于最好的染色體，該染色體就是問題的最優(yōu)解或近優(yōu)解。

遺傳算法的計算步驟如下:

(1)染色體編碼。將問題空間的解變量轉換成遺傳空間，由基因按一定結構組成染色體，這一轉換即為編碼。

(2)隨機產生初始種群。種群規(guī)模大小與問題的內在規(guī)律、問題空間的范圍、交叉率和變異率的選擇等因素有關。

(3)用適應度函數(shù)對染色體進行評價。

(4)選擇適應值高的染色體進入下一代。

(5)通過遺傳、變異操作產生新的染色體。

(6)不斷重復步驟3～5步，直到滿足終止進化條件。

進化計算的終止可以從兩方面進行控制:

(1)預先設定進化代數(shù);

(2)以種群的進化程度控制。種群的進化程度是指種群的當前代最大適應值與種群的平均適應值的比例關系。

遺傳算法中有三種基本操作:

(1)選擇:根據(jù)各個個體的適應度，按照一定的規(guī)則或方法，從當前群體中選擇出一些優(yōu)良的個體遺傳到下一代群體中去。一般要求適應度較高的個體有更多的機會遺傳到下一代群體中。

(2)交叉:交叉運算是將群體中的各個個體隨機搭配成對，對每一對個體，以某個概率(稱為交叉概率)交換它們之間的部分染色體。

(3)變異:變異運算是對群體中的每一個個體，以某一概率(稱為變異概率)改變某一個或某一些基因座上的基因值，也是產生新個體的一種操作。

2 鍋爐效率響應特性及NOx排放特性

有專家在某300 MW機組鍋爐上對入爐總風量、鍋爐負荷、燃盡風量、燃盡風噴嘴擺角、燃料風量及煤粉量分配方式等影響NOx排放及鍋爐效率的因素進行了變工況試驗［10］。以該試驗數(shù)據(jù)為依據(jù)，建立鍋爐效率及NOx排放的數(shù)學模型，繪制效率及NOx排放的特性曲線，如圖1～圖4所示。

由圖1可以看出，省煤器后氧量增加時，NOx的排放量增加，當氧量增加到一定程度時，NOx的增加減慢;省煤器后氧量增加時，鍋爐效率增加，當氧量增加到一定程度時，氧量再增加，效率將有所降低。

因為燃燒區(qū)域氧量增加，使火焰溫度升高，熱力型NOx生成量增加，氧量增加還使燃料型NOx的生成量增加，因此總的NOx生成量增加。當氧量增加到一定程度時，由于過多的空氣供應使爐內溫度降低，熱力型NOx生成量減少，因此NOx的總量增加減慢［11］。

圖1 鍋爐效率、NOx排放量與省煤器出口氧量的關系

圖2 鍋爐效率、NOx排放量與燃燼風量的關系

圖3 鍋爐效率、NOx排放量與燃燼風噴嘴擺角的關系

圖4 鍋爐效率、NOx排放量與煤粉量分配方式的關系

因為隨著氧量增加，不完全燃燒損失降低較多，同時煙氣量增加，排煙熱損失有所增加，此時鍋爐總損失降低，效率增加。當氧量增加到一定程度時，不完全燃燒損失較小，如果再增加氧量，不完全燃燒損失降低值小于排煙熱損失的增加值，鍋爐效率降低。

圖2～圖3表明，當燃盡風量增加、燃盡風噴嘴由下傾擺至上傾時，NOx的排放量減少，鍋爐效率降低。這是因為降低了主燃燒區(qū)域氧濃度，增強了分級燃燒程度，使NOx的生成量減少［11］;減少了主燃燒區(qū)氧量，火焰溫度降低，縮短了燃盡時間，使鍋爐效率降低。

圖4表明，燃料從均勻分配變?yōu)橄露嗌仙贂r，NOx的排放量減少，鍋爐效率增加。原因是降低了主燃燒區(qū)域氧濃度，增強了分級燃燒程度，使NOx的生成量減少;下多上少的煤粉分配方式使火焰中心位置降低，增加了燃盡時間，使鍋爐效率提高。

由以上分析可以看出，省煤器出口氧量、燃盡風量、燃盡風噴嘴擺角等參數(shù)變化時，鍋爐效率和NOx排放濃度有同時增大和減小的變化趨勢，因此需要選擇合適的運行參數(shù)，使鍋爐同時滿足高效和低NOx排放要求。

3 鍋爐NOx排放與效率的組合優(yōu)化

3.1 NOx排放與效率組合優(yōu)化的數(shù)學模型

優(yōu)化過程中，對如何協(xié)調鍋爐的高效和低污染，有不同的側重。如果從經(jīng)濟性考慮，在污染物排放嚴重的情況下，側重于降低NOx的排放，以減少污染物排放費用;對鍋爐效率過低的機組，側重于提高鍋爐的效率。如果從環(huán)保方面考慮，側重于NOx排放的降低。從不同的側重點考慮，有不同的優(yōu)化目標函數(shù)和優(yōu)化結果。

對多目標優(yōu)化問題，目標函數(shù)的確定對于優(yōu)化結果有很大的影響。本文燃燒優(yōu)化的目的是降低NOx排放的同時提高鍋爐效率，是多目標優(yōu)化問題，可采用如下優(yōu)化目標函數(shù)。

(1)同時兼顧NOx排放與鍋爐效率，目標函數(shù)定義為［12］

式中 ηb、ηbc——原工況下及優(yōu)化后的鍋爐效率/［%］;

NOx、NOxc——原工況下及優(yōu)化后NOx排放濃度/mg·Nm－3。

a、b——鍋爐效率及NOx的權重。

優(yōu)化目標是使函數(shù)f(x)最大，即達到提高效率、降低NOx排放的目的。通過權重的變化，可以獲得不同側重情況下的鍋爐優(yōu)化參數(shù)。

(2)將NOx排放濃度控制在國家規(guī)定的標準下，使鍋爐效率最大。優(yōu)化目標函數(shù)定義為

優(yōu)化目標仍然是使f(x)達到最大。

3.2 優(yōu)化過程

本文對上述300 MW機組鍋爐進行燃燒優(yōu)化，該鍋爐燃用貧煤，NOx排放濃度較高，采用式(1)定義的目標函數(shù)。

根據(jù)分析可知，對于鍋爐，省煤器出口氧量、燃盡風量、燃盡風噴嘴擺角及煤粉量分配等可調運行參數(shù)對鍋爐NOx排放濃度及效率有一定影響，因此以這幾個參數(shù)作為優(yōu)化參數(shù)。優(yōu)化計算過程［12－15］如圖5所示。

圖5 遺傳算法計算流程

本優(yōu)化中，染色體編碼采用浮點編碼方式，種群規(guī)模p取40，交叉率取0.8，變異率取0.1。首先在各參數(shù)的變化區(qū)間內分別隨機選取p個數(shù)據(jù)，組合成為初始種群，然后進行以下計算:

(1)根據(jù)目標函數(shù)計算每個染色體的適應值fit(xk)，k=1，2，…，p。

(2)計算每個染色體選擇概率pk。

式中 F——所有染色體的適應值之和。

(3)計算每個染色體的累積概率。

(4)選擇操作。

采用隨機采樣方法，即根據(jù)個體的生存概率進行隨機選擇?；舅枷胧?適應值大的個體對應較高的生存概率，則被選擇進入下一代的幾率相對較高。

(5)交叉計算

采用隨機選擇的方法選擇交叉父代，父代以線性交叉方式產生子代，計算步驟如下:

①確定交叉操作的次數(shù)nc

式中 pc——交叉率。

②在種群中隨機選取兩個染色體，進行交叉計算產生后代。

③重復步驟②，直到運算次數(shù)等于交叉操作次數(shù)。

(6)變異運算

①計算變異操作次數(shù)nm

式中 pm——變異率。

②在種群中隨機選取nm個染色體進行變異。

經(jīng)過以上運算后，產生新一代個體，然后重復計算，直到預定的進化代數(shù)。

3.3 優(yōu)化計算

以該鍋爐某一工況為例進行優(yōu)化計算，工況數(shù)據(jù)如表 1所示。原工況下，NOx排放濃度為966 mg/Nm3，鍋爐效率為87.85%。在不同的NOx排放和效率權重下，對該工況運行參數(shù)優(yōu)化，結果見表2所示。

表1 鍋爐運行參數(shù)

表2 優(yōu)化計算結果

由表2中的數(shù)據(jù)可以看出，經(jīng)過優(yōu)化后，與原工況相比，NOx的排放濃度降低，鍋爐效率提高。因此，可以通過運行參數(shù)的調整，實現(xiàn)鍋爐的高效低NOx排放運行。

4 結論

(1)對于電站鍋爐，利用遺傳算法可以進行燃燒優(yōu)化，為調整運行參數(shù)實現(xiàn)高效低NOx運行提供依據(jù)。

(2)優(yōu)化過程中，對NOx排放和鍋爐效率的側重程度不同則優(yōu)化結果不同。當NOx排放的權重較大即以降低NOx排放為側重點時，NOx排放濃度降低較多，鍋爐效率提高較少;反之則鍋爐效率提高較多，NOx排放濃度降低較少。

［1］張曉輝，孫銳，孫紹增，等.200 MW鍋爐空氣分級紙NOx燃燒改造實驗研究［J］.熱能動力工程，2008，23(6): 676－681.

［2］陸濤.擺動式水平濃淡風煤粉燃燒器在670 t/h鍋爐的應用研究［J］.節(jié)能技術，2007，25(3):266－268.

［3］王培紅，李磊磊，陳強，等.人工智能技術在電站鍋爐燃燒優(yōu)化中的應用研究［J］.中國電機工程學報，2004，24 (4):184－188.

［4］高飛，楊偉良.鍋爐的計算效率與燃料的高低位發(fā)熱值的關系［J］.熱能動力工程，2001，17(4):564－565.

［5］閻平凡，張長水.人工神經(jīng)網(wǎng)絡與模擬進化計算［M］.北京:清華大學出版社，2000.

［6］朱文堅，陳東，等.遺傳算法在多目標優(yōu)化設計中的應用研究［J］.機械工程師，2001(12):7－9.

［7］高巖.基于專家系統(tǒng)的鍋爐燃燒系統(tǒng)優(yōu)化控制［J］.電力自動化設備，2005，25(5):27－29，33.

［8］陳海平，吳勝利，李平，等.鍋爐側面來風對空冷機組換熱效率的影響［J］.汽輪機技術，2012，54(1):37－40.

［9］張毅，陳彪，丁艷軍，等.燃煤鍋爐高效低NOx運行策略的實驗研究［J］.清華大學學報:自然科學版，2006，46 (5):666－669.

［10］曾漢才，徐華清，郭國順.300 MW機組貧煤鍋爐NOx排放特性試驗研究［J］.華中電力，1998，11(6):1－5.

［11］朱全利.大型鍋爐NOx生成機理及燃燒器火焰脫硝數(shù)值模擬的研究［D］.武漢:華中科技大學，2000.8.

［12］王培紅，李磊磊，陳強，等.電站鍋爐高效低污染燃燒優(yōu)化算法研究［J］.動力工程，2004，24(4):466－469.

［13］周昊，朱洪波，岑可法.基于Internet/Intraner的火電廠鍋爐低NOx燃燒優(yōu)化指導系統(tǒng)［J］.熱力發(fā)電，2003 (2):8－11.

［14］周昊，朱洪波，曾庭華，等.基于遺傳算法的燃煤鍋爐熱效率優(yōu)化［J］.中國電機工程學報，2002，22(7):125－128.

［15］周建新，仇曉智，司風琪，等.四角切圓燃煤鍋爐低NOx燃燒優(yōu)化研究［J］.熱能動力工程，2009，24(2):200－204.