量子遺傳算法和神經(jīng)網(wǎng)絡(luò)的鍋爐燃燒優(yōu)化控制

董胡適，蔣國璋，段現(xiàn)銀

（武漢科技大學(xué)機(jī)械自動(dòng)化學(xué)院，湖北 武漢 430081）

1 引言

目前，節(jié)能與環(huán)保是世界上極為受到重視的兩大主題，隨著國家對(duì)發(fā)電站NO 排放的限制，如何有效降低NO 排放的技術(shù)也是發(fā)電站當(dāng)前關(guān)注的熱點(diǎn)[1]。由于鍋爐燃燒優(yōu)化控制技術(shù)可以降低發(fā)電成本，并有效提高鍋爐燃燒效率和降低鍋爐NO 排放，因此研究鍋爐燃燒優(yōu)化控制技術(shù)早已是一項(xiàng)重要的研究話題。

針對(duì)鍋爐燃燒過程是一個(gè)多變量、非線性和大滯后等問題，目前一些學(xué)者研究報(bào)道，文獻(xiàn)[2]針對(duì)鍋爐燃燒系統(tǒng)運(yùn)行數(shù)據(jù)建立排氣溫度模型，提出一種最小二乘支持向量機(jī)模型的自適應(yīng)算法，對(duì)鍋爐燃燒系統(tǒng)進(jìn)行自適應(yīng)實(shí)時(shí)控制。文獻(xiàn)[3]針對(duì)鍋爐燃燒的輸入變量和排煙溫度、飛灰的含碳量和NO 排放量，建立基于人工神經(jīng)網(wǎng)絡(luò)的直接燃燒優(yōu)化模型和混合燃燒優(yōu)化模型，來提高預(yù)測精度。文獻(xiàn)[4]建立鍋爐在線應(yīng)用燃燒優(yōu)化框架模型，提出一種改進(jìn)人工蜂群算法，對(duì)鍋爐燃燒系統(tǒng)具有較好的在線優(yōu)化和預(yù)測控制。文獻(xiàn)[5]針對(duì)鍋爐燃燒優(yōu)化中反向傳播神經(jīng)網(wǎng)絡(luò)泛化能力較差問題，提出一種貝葉斯正則化BP 神經(jīng)網(wǎng)絡(luò)和遺傳算法的混合算法，優(yōu)化結(jié)果表明該方法較好預(yù)測熱效率和NOx排放，解決了鍋爐燃燒的多目標(biāo)優(yōu)化問題。文獻(xiàn)[6]建立了鍋爐燃燒優(yōu)化系統(tǒng)，利用神經(jīng)網(wǎng)絡(luò)和遺傳算法結(jié)合的方法，實(shí)現(xiàn)燃煤鍋爐高效低排放的要求。以上這些方法都具有各自的特色和優(yōu)點(diǎn)，但是算法收斂速度慢、泛化能力弱，不滿足現(xiàn)場對(duì)鍋爐燃燒快速優(yōu)化和預(yù)測控制的要求。

綜上所述，鍋爐燃燒優(yōu)化技術(shù)大部分針對(duì)燃燒熱效率和污染物排放量的優(yōu)化目標(biāo)，但由于各自優(yōu)化方法獨(dú)特性。研究以燃燒效率和氮氧化物的排放為優(yōu)化目標(biāo)，建立發(fā)電站鍋爐燃燒特性的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測，再利用量子遺傳算法尋找最佳送風(fēng)量和燃燒器優(yōu)化值，來調(diào)節(jié)風(fēng)門開度和燃燒器擺度，從而達(dá)到鍋爐燃燒優(yōu)化控制目標(biāo)。仿真實(shí)驗(yàn)證明，提出量子遺傳算法的神經(jīng)網(wǎng)絡(luò)來優(yōu)化鍋爐燃燒控制是一種有效的優(yōu)化方法。

2 鍋爐燃燒控制優(yōu)化方案設(shè)計(jì)

2.1 風(fēng)門開度和燃燒器系統(tǒng)圖

為使鍋爐燃燒熱效率和污染物排放量達(dá)到最佳，通過改變風(fēng)門開度和燃燒器擺角來控制燃燒。以實(shí)現(xiàn)爐膛內(nèi)的燃料充分燃燒，達(dá)到鍋爐燃燒優(yōu)化控制的最優(yōu)燃燒效率[7]。下圖為風(fēng)門開度-燃燒器擺角系統(tǒng)圖，如圖1 所示。

圖1 風(fēng)門開度-燃燒器擺角系統(tǒng)圖Fig.1 Air Door Opening-Burner Angle System

通過改變風(fēng)門開度和燃燒器擺角來控制燃燒情況，同時(shí)也對(duì)鍋爐爐膛燃燒狀況檢測，從而進(jìn)行反饋調(diào)整風(fēng)門開度和燃燒器擺角大小，保證燃燒系統(tǒng)充分燃燒。

2.2 優(yōu)化方案

采用量子遺傳算法（QGA）尋找最佳風(fēng)門開度和燃燒器擺度的值，從而實(shí)現(xiàn)鍋爐的高效低污染燃燒。使用量子遺傳算法來優(yōu)化燃燒效率和氮氧排放量，來實(shí)現(xiàn)神經(jīng)網(wǎng)預(yù)測。算法優(yōu)化方案圖，如圖2 所示。

圖2 算法優(yōu)化方案圖Fig.2 Algorithm Optimization Scheme

3 鍋爐燃燒系統(tǒng)控制建模

鍋爐燃燒過程中伴隨著多擾動(dòng)，變周期、多變量的情況，其系統(tǒng)建模復(fù)雜多變，常規(guī)方法難以解決復(fù)雜模型問題。由于神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的非線性映射能力和良好的泛化能力，因此對(duì)鍋爐燃燒系統(tǒng)控制采用BP 神經(jīng)網(wǎng)絡(luò)來建立模型。

3.1 鍋爐燃燒特性與神經(jīng)網(wǎng)絡(luò)樣本數(shù)據(jù)

發(fā)電站鍋爐燃燒系統(tǒng)具有多輸入和多輸出的特點(diǎn)，燃燒效率和氮氧化物排放與很多影響因素有關(guān)，根據(jù)燃燒特性試驗(yàn)表1主要影響因素共進(jìn)行了12 組試驗(yàn)工況[8]，建立鍋爐燃燒的神經(jīng)網(wǎng)絡(luò)模型，特性試驗(yàn)數(shù)據(jù)，如表1 所示。

表1 鍋爐燃燒特性工況表Tab.1 Boiler Combustion Characteristics

3.2 鍋爐燃燒過程神經(jīng)網(wǎng)絡(luò)模型

在分析了鍋爐燃燒特性的基礎(chǔ)上，根據(jù)表1 主要影響因素試驗(yàn)數(shù)據(jù)，本網(wǎng)絡(luò)模型采用輸入層為10 個(gè)節(jié)點(diǎn)和輸出層為2 個(gè)結(jié)點(diǎn)，一個(gè)單隱層的網(wǎng)絡(luò)結(jié)構(gòu)，建立3 層BP 網(wǎng)絡(luò)模型，選擇燃燒效率和氮氧化物排放10 個(gè)因素作為神經(jīng)網(wǎng)絡(luò)輸入（總風(fēng)量、燃料量、二次風(fēng)門開度、燃盡風(fēng)門開度、風(fēng)箱爐膛差壓、磨煤機(jī)通風(fēng)量、給煤機(jī)的開度、燃燒器擺動(dòng)角、空預(yù)器出口溫度、燃料成分），神經(jīng)網(wǎng)絡(luò)輸出為燃燒效率和氮氧排放量[9]，如圖3 所示。

圖3 基于量子遺傳算法的神經(jīng)網(wǎng)絡(luò)鍋爐燃燒優(yōu)化模型Fig.3 Neural Network Boiler Combustion Optimization Model Based on Quantum Genetic Algorithm

4 量子遺傳算法

4.1 量子比特編碼

量子比特是一個(gè)雙態(tài)量子系統(tǒng)，主要作用在量子計(jì)算機(jī)中充當(dāng)信息存儲(chǔ)單元的物理介質(zhì)。量子比特不同之處在于，它可以處在兩個(gè)量子態(tài)的疊加態(tài)中

式中：（α，β）—兩個(gè)幅常數(shù)。

式中：|0〉—自旋向下態(tài)；|1〉—為自旋向上態(tài)。因此一個(gè)量子比特表示|0〉和|1〉兩種態(tài)。

在量子遺傳算法中，基因表示為量子比特?；蚩梢允侨我獐B加態(tài)，也可以是0 態(tài)或1 態(tài)。在此基因表示是一種包含所有有用信息的集合，而不再是一個(gè)確定值，而對(duì)該基因作出任何操作會(huì)作用在所有有用信息上[10]。以染色體的多個(gè)態(tài)疊加來表達(dá)量子比特編碼，與經(jīng)典遺傳算法相比，量子遺傳算法具有更好的多樣性特征，算法的全局搜索性能更強(qiáng)，同時(shí)也可以獲得較好的收斂性。當(dāng)量子比特編碼上無限趨于0 或1 時(shí)，染色體將收斂成為一個(gè)單一態(tài)，種群的多樣性就越不明顯。

4.2 量子門更新

量子門是量子遺傳算法的演化過程中的關(guān)鍵，先針對(duì)問題進(jìn)行判斷，利用量子遺傳算法的計(jì)算優(yōu)點(diǎn)，選擇較好的量子旋轉(zhuǎn)門。量子旋轉(zhuǎn)門的調(diào)整為：

其更新過程如下：

利用量子遺傳算法對(duì)風(fēng)門開度和燃燒器擺度進(jìn)行優(yōu)化調(diào)整，減少鍋爐排煙含碳量和排煙氧量，從而使得鍋爐燃燒效率和NOx排放量達(dá)到最佳。采用的適應(yīng)度函數(shù)為：

式中：f′—理想鍋爐燃燒效率；f—實(shí)際燃燒效率；［NOX］′—理想氮氧化合物排放量；［NOX］—實(shí)際氮氧化物排放量；α、β—燃燒效率和氮氧化物的加權(quán)系數(shù)，大小取決于效率和氮氧排放的比值。

量子遺傳算法的計(jì)算流程圖，如圖4 所示。

圖4 量子遺傳算法的計(jì)算流程圖Fig.4 Flow Chart of Quantum Genetic Algorithm

5 仿真實(shí)驗(yàn)

5.1 神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練結(jié)果

利用表1 提供的燃燒特性實(shí)驗(yàn)數(shù)據(jù)，進(jìn)行仿真計(jì)算。以鍋爐燃燒特性為基礎(chǔ)，構(gòu)建一個(gè)單隱層的10 個(gè)輸入和2 個(gè)輸出的神經(jīng)網(wǎng)絡(luò)模型。其中神經(jīng)網(wǎng)絡(luò)的隱層和輸出層分別采用線性函數(shù)和對(duì)數(shù)型函數(shù)，訓(xùn)練精度為0．0001，最大訓(xùn)練步數(shù)為2 000。

神經(jīng)網(wǎng)絡(luò)模型預(yù)測訓(xùn)練結(jié)果，如表2 所示?？梢钥闯銮?0組訓(xùn)練樣本數(shù)據(jù)，實(shí)際測量值與神經(jīng)網(wǎng)絡(luò)訓(xùn)練輸出值誤差不大。但從非訓(xùn)練的最后兩組數(shù)據(jù)結(jié)果可以看出，對(duì)鍋爐燃燒熱效率和氮氧化物排量的神經(jīng)網(wǎng)絡(luò)預(yù)測的對(duì)比誤差為0．8602%和0．5425%、0．9321%和 2．5438%，得到預(yù)測的結(jié)果之間誤差較小，證明神經(jīng)網(wǎng)絡(luò)作為燃燒熱效率和氮氧化物排量預(yù)測的模型，可以有效解決鍋爐燃燒系統(tǒng)復(fù)雜模型問題。

表2 神經(jīng)網(wǎng)絡(luò)模型預(yù)測訓(xùn)練結(jié)果Tab.2 Neural Network Model Prediction Training Results

5.2 量子遺傳算法尋優(yōu)

采用量子比特編碼長度為20，算法種群規(guī)模為40，選擇一種量子旋轉(zhuǎn)角度調(diào)整策略來實(shí)現(xiàn)優(yōu)化操作，如表3 所示。

表3 旋轉(zhuǎn)角選擇策略Tab.3 Rotation Angle Selection Strategy

為了使鍋爐燃燒效率和氮氧化物排放量過大影響整體的優(yōu)化水平，必須同時(shí)兼顧兩者優(yōu)化的比值，取適應(yīng)值函數(shù)系數(shù)分別為11.5 和0.15。由于工況氮氧排放最高，以環(huán)境污染的考慮，優(yōu)化工況，仿真結(jié)果，如圖5～圖7 所示。仿真優(yōu)化前后結(jié)果參數(shù)對(duì)比，如表4 所示。從表中可以看出，鍋爐氮氧化物的排放有著顯著的降低，同時(shí)燃燒效率有輕微的升高，證明通過量子遺傳算法優(yōu)化，可以實(shí)現(xiàn)爐燃燒效率和氮氧化物排放量整體優(yōu)化。

表4 優(yōu)化前后參數(shù)比較表Tab.4 Parameter Comparison Table Before and After Optimization

圖5 鍋爐燃燒效率和NOx 排放最佳適應(yīng)圖Fig.5 Best Fit Diagram for Boiler Combustion Efficiency and NOx Emission

圖6 二次風(fēng)門開度優(yōu)化圖Fig.6 Optimization Diagram for Opening of Two Air Doors

圖7 燃燒器擺動(dòng)值圖Fig.7 Burner Swing Value

6 結(jié)論

（1）與量子遺傳算法優(yōu)化得到的優(yōu)化結(jié)果前后對(duì)比可得，二次風(fēng)門開度和燃燒器擺角都有所增大，鍋爐氮氧化物的排放量降低到257.2947mg.m，而鍋爐燃燒效率升高了0.0481%，證明提出的混合算法能夠優(yōu)化燃燒效率和氮氧化物排放量，實(shí)現(xiàn)鍋爐燃燒優(yōu)化控制的整體優(yōu)化。

（2）量子遺傳算法迭代到40 代左右基本上收斂，而且整個(gè)優(yōu)化過程能在很短的時(shí)間內(nèi)完成，綜合考慮到鍋爐熱效率和氮氧化物的排放量的適應(yīng)度值約為5.304，得到相對(duì)應(yīng)的優(yōu)化后鍋爐熱效率和氮氧化物的排放量，從而證明算法的有效性。

（3）優(yōu)化后采用不同的二次風(fēng)門開度和比以前大得多的燃盡風(fēng)開度，增大氧氣量，讓鍋爐達(dá)到充分燃燒。燃燒器擺動(dòng)則稍向上傾斜，傾角為（0.5533-0.5）×180°＝9.594°，針對(duì)二次風(fēng)門開度和燃燒器擺角調(diào)整，從而達(dá)到對(duì)鍋爐燃燒工況的改善。