基于遺傳算法優(yōu)化反向傳播神經(jīng)網(wǎng)絡(luò)的鍋爐NOx 排放研究及應(yīng)用

唐永基，李前宇，陳虎亮

（1.寧夏京能寧東發(fā)電有限責(zé)任公司，寧夏 銀川 750409；2.北京京能電力股份有限公司，北京 100124；3.北京源深節(jié)能技術(shù)有限責(zé)任公司，北京 100036）

0 引言

目前我國火電廠普遍采用高效率選擇性催化還原法SCR（selective catalytic reduction） 脫硝裝置、低NOx燃燒等技術(shù)對鍋爐進(jìn)行改造[1-3]，使NOx的排放濃度顯著下降[4]。大量試驗(yàn)表明，煤質(zhì)差異不大時，不同的運(yùn)行方式會造成鍋爐省煤器出口NOx質(zhì)量濃度差異明顯，同時也會影響鍋爐熱效率。因此，對鍋爐進(jìn)行低氮燃燒優(yōu)化意義重大。本文以某330 MW 超臨界機(jī)組為研究對象，利用反向傳播BP（back propagation）神經(jīng)網(wǎng)絡(luò)對鍋爐特性建模，并利用遺傳算法實(shí)現(xiàn)操作參數(shù)的實(shí)時尋優(yōu)[5-7]。結(jié)果表明：該模型通過對運(yùn)行參數(shù)進(jìn)行實(shí)時優(yōu)化控制，有效降低了NOx排放濃度。

1 BP 神經(jīng)網(wǎng)絡(luò)建模

BP 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)規(guī)則是使用梯度下降法計(jì)算得到預(yù)測輸出值和樣本值進(jìn)行誤差分析，不斷反向傳播來調(diào)整網(wǎng)絡(luò)中權(quán)值和閾值，使網(wǎng)絡(luò)的輸出值接近所期望的輸出值，最終誤差滿足要求[8-9]。

1.1 模型參數(shù)選擇

本文依據(jù)燃燒原理與現(xiàn)場燃燒優(yōu)化試驗(yàn)，分析影響鍋爐效率與NOx質(zhì)量濃度的可控必要因素，確定采用入爐煤量、入爐總風(fēng)量來代表鍋爐負(fù)荷的影響，其中現(xiàn)場投用5 臺磨煤機(jī)和5 臺給煤機(jī)，取5臺給煤機(jī)煤量代表磨煤機(jī)的組合方式及入爐總煤量，取入爐一次風(fēng)量、二次風(fēng)量各一個值代表入爐總風(fēng)量；燃燼風(fēng)共投用5 層，同層聯(lián)動，采用1 號角5 個燃燼風(fēng)風(fēng)門開度值；燃料風(fēng)共投運(yùn)5 層，同層開度聯(lián)動，采用1 號角5 個燃料風(fēng)風(fēng)門開度值；二次風(fēng)共投用6 層，同層開度聯(lián)動，采用6 個二次風(fēng)風(fēng)門開度值表示二次風(fēng)的配風(fēng)模式；二次風(fēng)箱與爐膛之間的差壓也影響二次風(fēng)和燃燼風(fēng)噴口出口速度，取其中參數(shù)值作為1 個輸入?yún)?shù)；取省煤器氧量以代表燃燒氧量影響；所有燃燒器均以相同擺角在爐內(nèi)高度方向擺動以調(diào)節(jié)再熱汽溫，取1 個燃燒器擺角值；所有燃燼風(fēng)擺角同時聯(lián)動控制燃燼風(fēng)進(jìn)入爐膛的角度，取1 個燃燼風(fēng)擺角值；共28 個輸入變量。選取NOx排放值為網(wǎng)絡(luò)輸出參數(shù)。

為了確保網(wǎng)絡(luò)不會因?yàn)閿?shù)據(jù)分散且數(shù)量級差異懸殊而導(dǎo)致不收斂，且能使網(wǎng)絡(luò)完全準(zhǔn)確地識別學(xué)習(xí)樣本，使模型運(yùn)行時收斂加快，需要對輸入、輸出數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化歸一處理，將輸入、輸出變量均歸一化到[-1，1]區(qū)間，方法如下。

其中，X 為歸一化后的數(shù)據(jù)；x 為原始數(shù)據(jù)；xmax、xmin分別為變量在所有工況中的最大值和最小值。

1.2 建立模型

基于Python 開發(fā)工具創(chuàng)建網(wǎng)絡(luò)模型，其中BP神經(jīng)網(wǎng)絡(luò)采用雙隱層網(wǎng)絡(luò)結(jié)構(gòu)，輸入層為28 個節(jié)點(diǎn)，第一隱藏層節(jié)點(diǎn)數(shù)為25 個，第二隱藏層節(jié)點(diǎn)數(shù)為5 個，輸出層為1 個節(jié)點(diǎn)（NOx排放濃度），網(wǎng)絡(luò)激活函數(shù)采用sigmoid 函數(shù)，利用梯度下降算法，誤差反向傳播，選用平方差函數(shù)更新權(quán)重，其中學(xué)習(xí)速率設(shè)為0.000 1，訓(xùn)練均方誤差小于0.001，根據(jù)訓(xùn)練目標(biāo)或訓(xùn)練次數(shù)作為程序結(jié)束運(yùn)行條件。

2 遺傳算法優(yōu)化

本文利用遺傳算法并行的隨機(jī)啟發(fā)式搜索優(yōu)化方法[10-11]，將完成訓(xùn)練的BP 神經(jīng)網(wǎng)絡(luò)作為求解目標(biāo)函數(shù)值的數(shù)學(xué)表達(dá)式，利用遺傳算法通過選擇、交叉、變異等操作（其中設(shè)定種群規(guī)模為50 個，交換概率為0.8，突變概率為0.7），模擬自然界進(jìn)化過程來找出不同負(fù)荷下、不同燃燒狀況下的鍋爐燃燒最佳參數(shù)設(shè)定值，指導(dǎo)鍋爐燃燒優(yōu)化調(diào)整，降低NOx排放濃度，實(shí)現(xiàn)鍋爐燃燒系統(tǒng)的經(jīng)濟(jì)運(yùn)行。

利用遺傳算法優(yōu)化鍋爐各項(xiàng)參數(shù)時，將輸入?yún)?shù)分為可調(diào)參數(shù)及不可調(diào)參數(shù)，設(shè)定不可調(diào)參數(shù)鍋爐實(shí)時負(fù)荷、磨煤機(jī)煤量、一次風(fēng)量、二次風(fēng)量、大風(fēng)箱與爐膛差壓、爐膛氧量為定值，在尋優(yōu)過程中保持?jǐn)?shù)值不變，設(shè)定可調(diào)參數(shù)燃燼風(fēng)風(fēng)門開度值、燃料風(fēng)風(fēng)門開度值、輔助風(fēng)風(fēng)門開度值、燃燒器擺角、燃燼風(fēng)擺角為尋優(yōu)參數(shù)，同時對每個參數(shù)規(guī)定了參數(shù)的上下變化范圍。在尋優(yōu)過程中還需要輸入當(dāng)前負(fù)荷下的理想NOx值，用于染色體適應(yīng)度的計(jì)算，該數(shù)值表示當(dāng)前負(fù)荷下NOx能達(dá)到的理想最小值，但手動輸入值并不是越小越好，要同時考慮函數(shù)的適應(yīng)度值，尋優(yōu)過程如圖1 所示。

圖1 遺傳算法尋優(yōu)過程

3 應(yīng)用研究

內(nèi)蒙古某330 MW 四角切圓粉煤燃燒鍋爐為超臨界參數(shù)復(fù)合滑壓運(yùn)行螺旋管圈直流煤粉爐，單爐膛、四角切圓、一次中間再熱、平衡通風(fēng)、固態(tài)排渣、全鋼構(gòu)架懸吊結(jié)構(gòu)、緊身封閉Π 型燃煤鍋爐。鍋爐采用擺動式四角切圓燃燒方式，采用低NOx同軸燃燒系統(tǒng)，20 只直流式燃燒器分5 層布置于爐膛下部四角，煤粉和空氣從四角送入，在爐膛中呈四角切圓方式燃燒。在額定負(fù)荷條件下投用A~D層一次風(fēng)，E 層一次風(fēng)備用。配備5 臺中速磨煤機(jī)和5 臺給煤機(jī)組成的直吹式制粉系統(tǒng)，每臺中速磨供一層一次風(fēng)，額定負(fù)荷下投用5 套制粉系統(tǒng)。

3.1 訓(xùn)練BP 神經(jīng)網(wǎng)絡(luò)模型

本文收集了25 000 組運(yùn)行參數(shù)數(shù)據(jù)，數(shù)據(jù)采集時間間隔為1 min，對數(shù)據(jù)進(jìn)行了初步整理作為訓(xùn)練樣本，同時又選取50 組數(shù)據(jù)進(jìn)行預(yù)測對比；每次采集28 項(xiàng)數(shù)據(jù)，其中前28 項(xiàng)作為網(wǎng)絡(luò)的輸入層數(shù)據(jù)，最后1 項(xiàng)作為網(wǎng)絡(luò)的輸出層數(shù)據(jù)，通過BP 算法訓(xùn)練已采集的各項(xiàng)數(shù)據(jù)，經(jīng)過20 000 次訓(xùn)練，耗時18 min，誤差趨于穩(wěn)定，建立鍋爐燃燒優(yōu)化數(shù)據(jù)模型，運(yùn)用建立的優(yōu)化模型進(jìn)行NOx排放濃度預(yù)測，結(jié)果如圖2 所示。

圖2 網(wǎng)絡(luò)模型預(yù)測值與樣本值對比圖

由以上可知，BP 神經(jīng)網(wǎng)絡(luò)的泛化能力很強(qiáng)，訓(xùn)練樣本預(yù)測值與樣本值非常接近，NOx排放值預(yù)測相對誤差最大為6.1%，最小為0.01%，平均相對誤差為2.8%，預(yù)測精度達(dá)97.2%以上，證明網(wǎng)絡(luò)模型具有很好的擬合性，利用網(wǎng)絡(luò)模型預(yù)測燃燒優(yōu)化是可行的，能夠較為準(zhǔn)確地預(yù)測鍋爐NOx排放值，為后續(xù)的鍋爐運(yùn)行參數(shù)優(yōu)化奠定了可信的基礎(chǔ)。

3.2 優(yōu)化調(diào)整熱態(tài)工況

根據(jù)機(jī)組運(yùn)行狀況，從中選擇10 種不同工況，應(yīng)用遺傳算法優(yōu)化的BP 神經(jīng)網(wǎng)絡(luò)模型進(jìn)行燃燒優(yōu)化計(jì)算，指導(dǎo)現(xiàn)場燃燒調(diào)整，具體工況調(diào)整參數(shù)略。分析具體工況調(diào)整參數(shù)可知，遺傳算法—反向傳播GA-BP（genetic algorithm-back propagation）極值尋優(yōu)模型指導(dǎo)運(yùn)行調(diào)整時，同時減小了上層D 磨、E磨的燃料風(fēng)和二次風(fēng)，增加了下層B 磨、A 磨的燃料風(fēng)和二次風(fēng)，促使?fàn)t膛燃燒區(qū)域配風(fēng)方式趨近于束腰型，使?fàn)t內(nèi)燃燒區(qū)形成三級燃燒區(qū)，下層區(qū)域富燃料，中層區(qū)域形成還原性氣氛區(qū)，上層區(qū)域?yàn)槿紶a區(qū)域，這樣就減少了NOx生成量。優(yōu)化前后參數(shù)如圖3 所示。

圖3 GA-BP 模型尋優(yōu)參數(shù)與運(yùn)行參數(shù)對比圖

4 結(jié)束語

根據(jù)遺傳算法優(yōu)化的BP 神經(jīng)網(wǎng)絡(luò)模型，能夠很好地吻合330 MW 超臨界機(jī)組鍋爐運(yùn)行特性。用歸一化處理輸入輸出數(shù)據(jù)，權(quán)值和閾值初始化采用正態(tài)分布法，同時給輸出樣本增加噪聲，達(dá)到一定的正則效果，提高輸出數(shù)據(jù)的魯棒性，使神經(jīng)網(wǎng)絡(luò)的泛化能力大大增強(qiáng)，訓(xùn)練精度和預(yù)測精度也大為提高，在對鍋爐運(yùn)行參數(shù)優(yōu)化的過程中，實(shí)現(xiàn)了鍋爐運(yùn)行參數(shù)的實(shí)時優(yōu)化指導(dǎo)，有效降低了鍋爐NOx的排放，提升了電廠的運(yùn)行水平。