基于自適應模糊推理辨識方法和果蠅優(yōu)化算法的CFB鍋爐燃燒優(yōu)化

張文廣，　孫亞洲，　劉吉臻，　高明明，　陳　峰

(1．華北電力大學 新能源電力系統(tǒng)國家重點實驗室，北京 102206；

2．華北電力大學 控制與計算機工程學院，北京 102206；

3．北京國電智深控制技術有限公司，北京 102200)

?

基于自適應模糊推理辨識方法和果蠅優(yōu)化算法的CFB鍋爐燃燒優(yōu)化

張文廣1，孫亞洲2，劉吉臻1，高明明2，陳峰3

(1．華北電力大學 新能源電力系統(tǒng)國家重點實驗室，北京 102206；

2．華北電力大學 控制與計算機工程學院，北京 102206；

3．北京國電智深控制技術有限公司，北京 102200)

摘要：為提高循環(huán)流化床(CFB)鍋爐效率、降低污染物排放，利用國內(nèi)某超臨界CFB鍋爐歷史運行數(shù)據(jù)，基于自適應模糊推理辨識方法建立了鍋爐效率、NOx和SO2排放特性的自適應模糊推理模型，提出了3種優(yōu)化策略，使用果蠅優(yōu)化算法對CFB鍋爐運行工況的可調(diào)參數(shù)在一定范圍內(nèi)進行尋優(yōu)，并進一步仿真驗證了所提CFB鍋爐燃燒優(yōu)化方法的有效性.結果表明：該模型用時較短、誤差較小，對CFB鍋爐的節(jié)能減排有重要借鑒意義.

關鍵詞：CFB鍋爐效率； NOx； SO2； 自適應模糊推理辨識方法； 果蠅優(yōu)化算法； 燃燒優(yōu)化

燃煤發(fā)電成本中燃料成本一般要占70%以上，提高鍋爐燃燒過程的運行水平對機組的節(jié)能降耗具有重要意義.2030年我國的供電煤耗目標為310 g/(kW·h)，而目前我國火電平均供電煤耗達到321 g/(kW·h)，距離目標還有一定差距.同時，大氣污染中90%二氧化硫、67%氮氧化物均來源于燃煤.從2014年7月起現(xiàn)有火力發(fā)電機組正式實施排放新標準，要求二氧化硫和氮氧化物排放限值分別為200 mg/m3和100 mg/m3[1].在節(jié)能環(huán)保要求日益嚴格的情況下，燃煤機組的燃燒優(yōu)化控制是一種快捷、簡單、有效的節(jié)能降耗措施[2-3].

循環(huán)流化床(CFB)燃燒技術是一項潔凈煤燃燒技術，具有燃燒效率較高、燃料適應性廣、氮氧化物排放少、石灰石爐內(nèi)脫硫成本低和負荷調(diào)節(jié)范圍大等突出優(yōu)點，在近幾十年內(nèi)得到重視并快速發(fā)展.然而由于CFB鍋爐比普通煤粉爐有更多的變量參數(shù)，且各變量之間相互耦合嚴重，很難建立相應的機理分析模型[4-8].隨著基于電站鍋爐運行數(shù)據(jù)的統(tǒng)計分析和數(shù)據(jù)挖掘等技術日益得到重視，電站鍋爐燃燒優(yōu)化技術進入了新的發(fā)展時期.

鍋爐燃燒優(yōu)化模型是進行燃燒優(yōu)化的關鍵所在，目前主要方法有人工神經(jīng)網(wǎng)絡和支持向量機等[9-12].筆者基于自適應模糊推理辨識方法建立相應CFB鍋爐燃燒優(yōu)化模型，并對該模型進行仿真驗證.隨后利用果蠅優(yōu)化算法對鍋爐效率以及NOx和SO2排放質(zhì)量濃度進行多目標尋優(yōu)，所提出的3種優(yōu)化策略均能達到預定優(yōu)化目標，對實際工程應用具有重要借鑒意義.

1自適應模糊推理辨識方法

1985年，Takagi和Sugeno提出了T-S模糊模型，該模型的模糊規(guī)則后件是前件各輸入變量的線性組合，該模型在許多實際問題中得到了成功運用.其中較為成熟的方法有自適應神經(jīng)模糊推理系統(tǒng)(ANFIS)方法和模糊聚類方法.然而隨著輸入維數(shù)的增加，ANFIS方法存在“規(guī)則爆炸”的問題，模糊聚類方法也難以避免不必要的模糊規(guī)則和計算量，這2種方法都具有很大的局限性.Mao等[13]提出基于樹結構的自適應模糊推理辨識方法，其主要思想就是對輸入空間進行自適應劃分，這就意味著在線性逼近誤差和輸出數(shù)據(jù)密度大的地方子空間劃分精細，而在線性逼近誤差和輸出數(shù)據(jù)密度小的地方子空間劃分粗糙，其輸入空間的劃分情況以一棵二叉樹來形象描述.

(1)

模糊規(guī)則中的線性參數(shù)ctl可以使用最小二乘法求解：

(2)

具體算法如下：

(1) 假設給出M組輸入輸出數(shù)據(jù)集合(xi，yi)，i=1,2，…,M，xi∈Rn，yi∈R，最大葉節(jié)點數(shù)為L.

(3) 劃分該節(jié)點，計算劃分后左右子節(jié)點上的隸屬度函數(shù)，求出所有葉節(jié)點上的線性參數(shù).

(4) 根據(jù)式(3)計算均方根誤差，如果均方根誤差小于劃分前模型輸出的均方根誤差Rmse，則保存此次劃分，否則此次劃分無效，處理當前層的下一個節(jié)點.

(3)

2果蠅優(yōu)化算法

目前，被應用于尋優(yōu)的算法主要有遺傳算法、蟻群算法、免疫算法和粒子群算法等，但都由于其各自的缺點：遺傳算法容易出現(xiàn)早熟收斂，計算量大；蟻群算法過于復雜；免疫算法復雜、計算量大；粒子群算法容易陷入局部極點[14]，導致上述算法不易被廣泛應用于解決實際問題.筆者所采用的果蠅優(yōu)化算法簡單、易于實現(xiàn)、全局尋優(yōu)能力較強、尋優(yōu)精度高，比較容易應用于解決實際問題中，步驟[15]簡述如下：

(1) 初始化果蠅種群個數(shù)M、種群迭代次數(shù)N和隨機初始果蠅群體的坐標位置xaxis和yaxis.

(2) 賦予果蠅個體利用嗅覺尋找食物的隨機距離與方向：

(4)

其中，Ran為區(qū)間[-1,1]中的隨機值.

(3) 計算果蠅個體到原點的距離Di和相應的味道濃度判定值Si：

(5)

(4) 將味道濃度判定值Si代入味道濃度判定函數(shù)，求出該果蠅個體位置的味道濃度值：

(6)

(5) 找出該果蠅群體中味道濃度最佳的果蠅：

(7)

(6) 保留最佳味道濃度值與X、Y坐標，并且

(8)

(7) 進行迭代尋優(yōu)，重復執(zhí)行步驟(2)~步驟(5)，判斷味道濃度值是否優(yōu)于前一次迭代.若是，則

執(zhí)行步驟(6)；若否，繼續(xù)循環(huán)直到滿足最大迭代次數(shù).

3CFB鍋爐燃燒優(yōu)化模型的建立

3.1樣本采集及預處理

所用驗證數(shù)據(jù)來自某超臨界CFB鍋爐的歷史運行數(shù)據(jù)，如表1所示，其中VrA和VrB為一次風門左、右擋板開度，%；SEA和SEB為上二次風門左、右擋板開度，%；SEC和SED為下二次風門左、右擋板開度，%；φ(O2)為煙氣含氧量，%；pE和pA為床壓和一次風壓，kPa；Q為燃料熱值，MJ/kg；mca為加入石灰石量，kg；mc為加入燃料總量，kg；tB為爐膛溫度，℃；tE為外置床溫度，℃；tp為排煙溫度，℃；tS為二次風溫度，℃；ηB為鍋爐效率，%；ρNOx和ρSO2分別為NOx和SO2排放質(zhì)量濃度，mg/m3.由于樣本集中輸入?yún)?shù)的取值范圍不同，參數(shù)大小不一，為使各參數(shù)所起作用大致相同，需要對輸入數(shù)據(jù)進行歸一化處理，即將樣本數(shù)據(jù)歸一化到[-1,1]內(nèi)，歸一化公式為

(9)

表1　國內(nèi)某超臨界CFB鍋爐歷史運行數(shù)據(jù)

3.2模型結構

所建立的自適應模糊推理模型結構如圖1所示，輸出變量分別為鍋爐效率ηB(通過文獻[16]中的正平衡方法計算得出)以及NOx和SO2排放質(zhì)量濃度，通過對CFB鍋爐燃燒系統(tǒng)的動態(tài)特性進行分析，選取相應的變量參數(shù)作為各模型的輸入變量.

3.3建模結果

按照圖1的模型結構，分別選取相應變量參數(shù)對鍋爐效率ηB以及NOx和SO2排放質(zhì)量濃度建立自適應模糊推理模型，選用200組工況數(shù)據(jù)進行建模，前190組數(shù)據(jù)作為訓練樣本，后10組數(shù)據(jù)作為預測樣本.圖2~圖4為建模效果圖.

圖1　CFB鍋爐燃燒優(yōu)化模型結構

圖2　CFB鍋爐效率模型

圖3　CFB鍋爐NOx排放質(zhì)量濃度模型

圖4　CFB鍋爐SO2排放質(zhì)量濃度模型

由圖2~圖4可以看出，所建立的自適應模糊推理模型對工況數(shù)據(jù)有著較好的擬合與預測效果.為對比該模型的建模效果，分別建立NOx和SO2排放質(zhì)量濃度的基于遺傳算法的神經(jīng)網(wǎng)絡模型(GA-BPNN).表2給出了2種建模方法的數(shù)據(jù)對比.由表2可知，與GA-BPNN相比，自適應模糊推理辨識方法的建模時間很短(小于1 s)，且誤差較小.

表2　2種建模方法的數(shù)據(jù)對比

3.4多目標尋優(yōu)策略

電站鍋爐燃燒優(yōu)化的實質(zhì)是在降低NOx和SO2排放質(zhì)量濃度的基礎上，盡可能提高鍋爐效率ηB，因此這是一個多目標優(yōu)化問題.由于3個優(yōu)化目標之間是相互耦合甚至是矛盾的，提出了以下3種優(yōu)化策略：(1)SO2和NOx排放質(zhì)量濃度滿足排放標準條件，鍋爐效率ηB尋求最高；(2)鍋爐效率ηB和SO2排放質(zhì)量濃度滿足約束條件，NOx排放質(zhì)量濃度尋求最低；(3)鍋爐效率ηB和NOx排放質(zhì)量濃度滿足約束條件，SO2排放質(zhì)量濃度尋求最低.多目標尋優(yōu)過程通過引入罰函數(shù)實現(xiàn).

優(yōu)化策略(1)的味道濃度判定函數(shù)為

(10)

優(yōu)化策略(2)的味道濃度判定函數(shù)為

(11)

優(yōu)化策略(3)的味道濃度判定函數(shù)為

(12)

3.5約束條件

在CFB鍋爐燃燒優(yōu)化中，最易控制的可調(diào)參數(shù)主要是一次風門和二次風門擋板開度.為保證鍋爐燃燒安全性，在機組運行時各風門擋板開度都有一定的調(diào)節(jié)范圍，根據(jù)CFB鍋爐實時運行情況，確定各風門擋板開度的上下限(見表3).

表3　可調(diào)參數(shù)限值

3.6優(yōu)化結果

選取45組工況數(shù)據(jù)，分別以式(10)、式(11)和式(12)作為尋優(yōu)目標，在自適應模糊推理模型的基礎上，采用果蠅優(yōu)化算法對表3中的可調(diào)參數(shù)變量進行尋優(yōu)，進而得到3種尋優(yōu)策略下的優(yōu)化結果，其中果蠅種群個數(shù)M=10，種群迭代次數(shù)N=50.圖5為SO2和NOx排放質(zhì)量濃度滿足優(yōu)化策略(1)的設定條件，鍋爐效率ηB尋求最優(yōu)的效果圖.圖6為鍋爐效率ηB和SO2排放質(zhì)量濃度滿足優(yōu)化策略(2)的設定條件，NOx排放質(zhì)量濃度尋求最優(yōu)的效果圖.圖7為鍋爐效率ηB和NOx排放質(zhì)量濃度滿足優(yōu)化策略(3)的設定條件，SO2排放質(zhì)量濃度尋求最優(yōu)的效果圖.

(a) 鍋爐效率優(yōu)化

(b) NOx排放質(zhì)量濃度優(yōu)化

(c) SO2排放質(zhì)量濃度優(yōu)化

(a) 鍋爐效率優(yōu)化

(b) NOx排放質(zhì)量濃度優(yōu)化

(c) SO2排放質(zhì)量濃度優(yōu)化

(a) 鍋爐效率優(yōu)化

(b) NOx排放質(zhì)量濃度優(yōu)化

(c) SO2排放質(zhì)量濃度優(yōu)化

由圖5~圖7可以看出，每次尋優(yōu)過程中都能保證鍋爐效率ηB維持在設定值(89%)以上，且優(yōu)化后得到提高，NOx和SO2排放質(zhì)量濃度也能維持在設定的排放標準以下(低于2014年起實施的新標準)，且優(yōu)化后有了較大幅度的降低.

表4給出了3種優(yōu)化策略下的優(yōu)化結果.通過對比優(yōu)化前與優(yōu)化后的平均值可以明顯看出，優(yōu)化后鍋爐效率ηB有所提高，在3種不同優(yōu)化策略下，均能實現(xiàn)其中兩目標滿足限定值，另一目標尋求最優(yōu)的預定設想.

表4　不同優(yōu)化策略下的優(yōu)化結果

選取歷史工況中鍋爐效率ηB最低、NOx排放質(zhì)量濃度最高、SO2排放質(zhì)量濃度最高的3組最差工況，以式(10)、式(11)和式(12)作為多目標尋優(yōu)函數(shù)，分別對表3中的可調(diào)參數(shù)進行尋優(yōu).表5給出了3種工況下的尋優(yōu)結果.由表5可以看出，3種工況分別對鍋爐效率ηB、NOx排放質(zhì)量濃度、SO2排放質(zhì)量濃度進行了最大限度的優(yōu)化，且可調(diào)參數(shù)變化不大，使得風門擋板在較小范圍內(nèi)擺動，從而保證了風機動葉的安全穩(wěn)定運行，實用性較強.

表5　最差工況下的優(yōu)化結果

4結論

利用自適應模糊推理辨識方法，針對CFB鍋爐效率以及NOx和SO2排放質(zhì)量濃度建立了自適應模糊推理模型，該模型精度在誤差允許范圍內(nèi)且建模時間較短.隨后提出了3種優(yōu)化策略，利用果蠅優(yōu)化算法對鍋爐效率以及NOx和SO2排放質(zhì)量濃度進行多目標尋優(yōu).仿真結果表明，這3種優(yōu)化策略均得到較好的優(yōu)化結果，實現(xiàn)了提高CFB鍋爐效率的同時降低污染物排放的優(yōu)化目標，對實際工程應用具有重要借鑒意義.

參考文獻：

[1]環(huán)境保護部. GB 13223—2011火電廠大氣污染排放標準[S]. 北京：中國環(huán)境科學出版社，2011.

[2]TAN Peng, XIA Ji, ZHANG Cheng,etal. Modeling and optimization of NOxemission in a coal-fired power plant using advanced machine learning methods[C]//The 6th International Conference on Applied Energy. Taipei, China：Energy Procedia, 2014.

[3]高明明，劉吉臻，牛玉廣，等. 基于EKF技術的CFB鍋爐殘?zhí)剂抗烙媅J]. 熱能動力工程，2013，28(5)：492-496.

GAO Mingming, LIU Jizhen, NIU Yuguang,etal. The estimation of carbon in CFB boiler basing on the EKF technology[J]. Journal of Engineering for Thermal Energy and Power, 2013, 28(5): 492-496.

[4]高芳，翟永杰，卓越，等. 基于共享最小二乘支持向量機模型的電站鍋爐燃燒系統(tǒng)的優(yōu)化[J]. 動力工程學報，2012，32(12)：928-933.

GAO Fang, ZHAI Yongjie, ZHUO Yue,etal. Combustion optimization for utility boilers based on sharing LSSVM model[J]. Journal of Chinese Society of Power Engineering, 2012, 32(12): 928-933.

[5]高明明，岳光溪，雷秀堅，等. 循環(huán)流化床鍋爐石灰石控制研究[J]. 動力工程學報，2014，34(10)：759-764.

GAO Mingming, YUE Guangxi, LEI Xiujian,etal. Research on limestone control of circulation fluidized bed boiler[J]. Journal of Chinese Society of Power En-gineering, 2014, 34(10): 759-764.

[6]黃中，潘貴濤，張品高，等. 300 MW大型循環(huán)流化床鍋爐運行分析與發(fā)展建議[J]. 鍋爐技術，2014，45(6)：35-41.

HUANG Zhong, PAN Guitao, ZHANG Pingao,etal. Operation analysis and development suggestions of 300 MW CFB[J]. Boiler Technology, 2014, 45(6): 35-41.

[7]高明明，劉吉臻，牛玉廣，等. 褲衩腿結構循環(huán)流化床鍋爐熱量與殘?zhí)剂康难芯縖J]. 動力工程學報，2013，33(2)：93-99.

GAO Mingming, LIU Jizhen, NIU Yuguang,etal. Study on heat release and carbon residue of CFB boiler with breeches legs[J]. Journal of Chinese Society of Power Engineering, 2013, 33(2): 93-99.

[8]李鵬飛，趙明，賽俊聰，等. 300 MW循環(huán)流化床鍋爐動態(tài)特性的試驗研究[J]. 熱能動力工程，2014，29(5)：526-531.

LI Pengfei, ZHAO Ming, SAI Juncong,etal. Experimental study on the dynamic characteristics of 300 MW CFB[J]. Journal of Engineering for Thermal Energy and Power, 2014, 29(5): 526-531.

[9]SAJAN K S, KUMAR V, TVAGI B. Genetic algorithm based support vector machine for on-line voltage stability monitoring[J]. Electrical Power and Energy Systems, 2015, 73: 200-208.

[10]牛玉廣，沙超，康俊杰. 基于數(shù)值模擬與試驗運行數(shù)據(jù)的電站鍋爐燃燒系統(tǒng)復合建模[J]. 動力工程學報，2014，34(10)：765-770.

NIU Yuguang, SHA Chao, KANG Junjie. Hybrid modeling of boiler combustion system based on numerical simulation and experimental data[J]. Journal of Chinese Society of Power Engineering, 2014, 34(10): 765-770.

[11]顧燕萍，趙文杰，吳占松. 基于最小二乘支持向量機的電站鍋爐燃燒優(yōu)化[J]. 中國電機工程學報，2010，30(17)：91-97.

GU Yanping, ZHAO Wenjie, WU Zhansong. Combustion optimization for utility boiler based on least square-support vector machine[J]. Proceedings of the CSEE, 2010, 30(17): 91-97.

[12]高明明，劉吉臻，高明帥，等. 基于補償模糊神經(jīng)網(wǎng)絡的灰循環(huán)系統(tǒng)控制研究[J]. 動力工程學報，2012，32(7)：532-537.

GAO Mingming, LIU Jizhen, GAO Mingshuai,etal. Control study for ash recycling systems based on compensatory fuzzy neural network[J]. Journal of Chinese Society of Power Engineering, 2012, 32(7): 532-537.

[13]MAO Jianqin, ZHANG Jiangang, YUE Yufang,etal. Adaptive-tree-structure based fuzzy inference system [J]. IEEE Transactions on Fuzzy Systems, 2005, 13(1): 1-12.

[14]吳小文，李擎. 果蠅算法和5種群智能算法的尋優(yōu)性能研究[J]. 火力與指揮控制，2013，38(4)：17-20.

WU Xiaowen, LI Qing. Research of optimizing performance of fruit fly optimization algorithm and five kinds of intelligent algorithm[J]. Fire Control & Command Control, 2013, 38(4): 17-20.

[15]潘文超. 果蠅最佳化演算法—最新演化式計算技術[M]. 臺灣：滄海書局，2011.

[16]宋波.循環(huán)流化床鍋爐燃燒系統(tǒng)熱效率優(yōu)化控制研究[D]. 廈門：廈門大學，2008.

Combustion Optimization of CFB Boilers Based on Adaptive Fuzzy Inference Method and Fruit Fly Optimization Algorithm

ZHANGWenguang1,SUNYazhou2,LIUJizhen1,GAOMingming2,CHENFeng3

(1. State Key Laboratory for Alternate Electrical Power System with Renewable Energy Sources,North China Electric Power University, Beijing 102206, China; 2. School of Control and Computer Engineering, North China Electric Power University, Beijing 102206, China;3. Beijing Guodian Zhishen Control Technology Co., Ltd., Beijing 102200, China)

Abstract：To improve the combustion efficiency and reduce the pollutant emission of circulating fluidized bed (CFB) boilers, soft measurement models were firstly established for the boiler efficiency and the emission of NOx and SO2 based on adaptive fuzzy inference method using the historical data of a domestic supercritical CFB boiler. Then, three optimization strategies were proposed based on above measurement models to optimize the adjustable parameters of the CFB boiler in a certain range using fruit fly optimization algorithm (FOA). Finally, the effectiveness of the combustion optimization method was further verified by numerical simulation. Results show that the models proposed are fast in modeling and accurate in calculation, which may serve as a reference for energy conservation and pollution reduction of CFB boilers.

Key words：CFB boiler efficiency; NOx; SO2; adaptive fuzzy inference method; FOA; combustion optimization

文章編號：1674-7607(2016)02-0084-07

中圖分類號：TK223

文獻標志碼：A學科分類號：470.10

作者簡介：張文廣(1975-)，男，山東海陽人，副教授，博士，研究方向為燃煤機組燃燒優(yōu)化. 電話(Tel.)：010-61772843；E-mail：zwg@ncepu.edu.cn.

基金項目：國家重點基礎研究發(fā)展計劃(973計劃)資助項目(2012CB215203)；中央高?；究蒲袠I(yè)務費專項資金資助項目(2015MS33)

收稿日期：2015-03-26

修訂日期：2015-05-20