基于鯨魚優(yōu)化算法的超超臨界機組多目標燃燒優(yōu)化

秦立柱，周澤陽

（國家能源費縣發(fā)電有限公司，山東 臨沂 276000）

0 引言

在“雙碳”戰(zhàn)略目標新形勢下，新能源發(fā)電發(fā)展迅速。然而，新能源發(fā)電具有間歇性、波動性特點，這就需要火電機組為其提供有力支撐[1]。在一定時期內(nèi)，我國發(fā)電仍然是以燃煤機組火力發(fā)電為主力。目前，超（超）臨界大型火電機組已成為目前我國電力生產(chǎn)的主要力量[2]。

面對能源與環(huán)境和諧發(fā)展戰(zhàn)略目標的要求，在傳統(tǒng)煤炭燃燒發(fā)電生產(chǎn)過程中，實現(xiàn)鍋爐高效低污染燃燒具有重要意義。燃燒優(yōu)化技術(shù)的運用是大型火電機組降低污染排放和提高燃燒效率的有效手段。

為了降低NOx排放量并挖掘大型火電機組節(jié)能潛力，學者們展開了相關(guān)研究。文獻[3]在原爐膛燃燒器布置的基礎(chǔ)上進行改造，以抑制NOx的生成。文獻[4]提出了時延特性分析結(jié)合深度學習的建模方法，實現(xiàn)了在提高NOx排放量預測精度的同時，提高鍋爐熱效率。文獻[5]采用改進的K-means聚類算法，從不同燃燒工況的歷史數(shù)據(jù)中搜尋出熱效率最高時的相關(guān)參數(shù)數(shù)值，并以此指導現(xiàn)場參數(shù)調(diào)整。文獻[6]借助改進的遺傳算法建立了鍋爐效率相關(guān)預測模型。以上研究均對單一目標進行了優(yōu)化，研究結(jié)果尚不能滿足如今電站鍋爐燃燒優(yōu)化的實際需求。

為實現(xiàn)多目標優(yōu)化，文獻[7]針對深調(diào)峰下超超臨界機組運行，通過開展二次風配風方式等調(diào)整實驗，找出各因素與濃度、熱效率的變化關(guān)系。文獻[8]采用優(yōu)化后的果蠅算法，通過優(yōu)化支持向量機（SVM），建立了鍋爐模型，并以此為基礎(chǔ)進行多目標優(yōu)化。文獻[9]基于約束模糊關(guān)聯(lián)規(guī)則，在鍋爐實際運行數(shù)據(jù)中挖掘得到了符合目標狀況的控制器參數(shù)值，實現(xiàn)了對控制系統(tǒng)設(shè)定值的改進。文獻[10]采用改進的模糊減法聚類算法，計算了鍋爐當前工況最佳燃燒參數(shù)，并用于指導實際參數(shù)設(shè)置。文獻[11]基于神經(jīng)網(wǎng)絡(luò)建立了鍋爐燃燒模型，通過調(diào)節(jié)二次風門開度和燃燒器角度，使燃燒效率和 NOx排放水平達到最優(yōu)。文獻[12]給出了一套完整的智能優(yōu)化控制回路，實現(xiàn)了鍋爐氧量及二次風門設(shè)定值在線控制。

本文針對某超超臨界660 MW火電機組鍋爐進行多目標燃燒優(yōu)化：首先采用主成分分析對多種相關(guān)輔助變量進行降維。然后，借助最小二乘支持向量機（LSSVM）算法建立綜合預測模型；利用鯨魚優(yōu)化算法（WOA）對LSSVM的關(guān)鍵參數(shù)尋優(yōu)。利用WOA算法對模型輸入變量中的可調(diào)參數(shù)尋優(yōu)，以達到多目標優(yōu)化的目的。

1 超超臨界火電機組概況

超超臨界機組蒸汽溫度高于 593 ℃[13]。某660 MW 火電機組鍋爐為超超臨界∏型直流鍋爐，其二次風和燃盡風形成四角切圓燃燒方式。最大連續(xù)蒸發(fā)量下，該鍋爐主要設(shè)計參數(shù)見表1。

表1 鍋爐主要設(shè)計參數(shù)Tab. 1 Main design parameters of the boiler

本文以該廠DCS系統(tǒng)中實際采集到的數(shù)據(jù)為研究對象，以選擇性催化還原裝置脫硝入口 NOx濃度和鍋爐熱效率作為優(yōu)化目標。熱效率由反平衡計算得到，NOx濃度由煙氣分析儀得到。

2 WOA-LSSVM模型原理

2.1 LSSVM算法

LSSVM的核心思想是通過對傳統(tǒng)SVM的擴展改進，從源頭上加快求解速度。

2.2 WOA算法

基于LSSVM算法建模有著較強的泛化能力，但內(nèi)部的正則化懲罰參數(shù)δ和核函數(shù)參數(shù)σ的取值會在很大程度上直接影響著建模精度[14]。因此引入WOA對參數(shù)尋優(yōu)，以提高模型的性能。

WOA主要過程包含包圍獵物、狩獵行為和搜索獵物[15]。

2.3 綜合模型建立步驟

以鍋爐熱效率和NOx濃度為優(yōu)化目標時，由于兩者間相互制約，且受到諸多因素的影響，因此選擇兩者相對誤差之和作為目標函數(shù)，建立適應(yīng)度函數(shù)為：

借助 LSSVM 算法結(jié)合相關(guān)輔助變量，建立鍋爐熱效率與脫硝入口NOx排放濃度雙輸出的綜合優(yōu)化模型。模型建立的具體步驟如圖1所示。

圖1 綜合模型建模步驟Fig. 1 Modeling steps of comprehensive model

為減少建模訓練時的復雜程度，借助主成分分析法對變量特征集進行降維，將多個變量組合為少數(shù)幾個綜合變量，即：通過計算貢獻率和累積貢獻率，并根據(jù)累積貢獻率大于信息保留率的準則確定主成分個數(shù)[16]；進一步篩選出輔助變量，計算新的樣本作為模型的輸入。

此外，為了提高模型預測精度，針對LSSVM中的δ和σ，利用 WOA對參數(shù)尋優(yōu)。將鯨魚的位置用于表示模型的參數(shù)δ和σ，即W′(δ,)σ。WOA算法優(yōu)化模型參數(shù)流程圖如圖2所示。

圖2 WOA算法優(yōu)化流程Fig. 2 The process of WOA algorithm optimization

3 鍋爐燃燒優(yōu)化綜合模型

3.1 實驗數(shù)據(jù)與輔助變量選取

仿真實驗數(shù)據(jù)取自電廠DCS系統(tǒng)，部分運行數(shù)據(jù)如圖3所示，采樣周期為20 s，采樣點為2 000個。

圖3 DCS系統(tǒng)實際數(shù)據(jù)Fig. 3 Actual data of DCS system

由圖3可知，優(yōu)化目標NOx濃度CNOx的范圍為180～250 mg/m3，熱效率η的范圍為92%～94%。

根據(jù)NOx生成原理以及熱效率反平衡計算，在分析兩者相關(guān)性后，初步選取影響因素13種，包括：負荷Ne、空預器煙氣進口溫度tf、燃盡風門擋板開度（低位燃盡風 BG1、BG2、BG3，高位燃盡風UG1、UG2、UG3）、二次風門開度（A層、B層、C層、D層、E層、F層）、鍋爐尾部煙道煙氣含氧量CO2、磨煤機電流I、給煤量G、磨煤機入口一次風溫度t1、磨煤機入口一次風風量F1、磨煤機出口溫度t2、飛灰含碳量Cfa、SCR氨混合氣流量Q、煤質(zhì)特性（燃煤發(fā)熱量Qnet.ar、煤水分Mar和煤灰分Aar）。

考慮 6臺磨煤機（A、B、C、D、E、F）采取五運一備的原則，且常以D磨煤機備運，因此各磨相關(guān)數(shù)據(jù)以5臺（A、B、C、E、F）磨煤機數(shù)據(jù)為主。

篩選出高、中、低3種負荷（50%、75%、100%）運行條件下輔助變量和目標變量數(shù)據(jù)各60組，部分實驗數(shù)據(jù)如表2所示。隨機選取每種負荷下各20組數(shù)據(jù)作為模型的測試樣本，其余120組數(shù)據(jù)作為模型的訓練樣本。

表2 部分實驗數(shù)據(jù)Tab. 2 Some experimental data

為了降低數(shù)據(jù)處理以及模型建立的難度，采用PCA實現(xiàn)對 45個鍋爐原始變量樣本進行降維處理。利用SPSS分析軟件以PCA為提取方法進行因子分析，計算得到各變量的貢獻率等信息見表3。

表3 變量特征值及貢獻率Tab. 3 Variable eigenvalues and contribution rates

取確定信息保留率為0.90。由表3可知，選取前6個主成分后，其方差累計貢獻率為90.032%，達到了保留率的要求。

用這6個主成分代表原來多個變量的特征信息，并作為建模所需的輸入變量。各主成分Fi對原始變量的影響程度如表4所示。

表4 主成分對原始變量的影響Tab. 4 The influence of principal components on original variables

結(jié)合表3和表4，可以確定這6個主成分的表達式如下：

式中：x1、x2、x3、x4、x5、x6、x7、x8、x9、······、x44、x45分別代表標準化后的負荷、空預器煙氣進口溫度、低位燃盡風BG1、低位燃盡風BG2、低位燃盡風 BG3、高位燃盡風 UG1、高位燃盡風UG2、高位燃盡風UG3、A層二次風門開度、···、煤水分和煤灰分。

3.2 綜合模型仿真結(jié)果

按照圖1對模型參數(shù)進行尋優(yōu)。設(shè)置最大迭代次數(shù)為 200，鯨魚數(shù)量為 50，懲罰參數(shù)δ范圍為0～1 000，核函數(shù)參數(shù)σ范圍為0～100。模型適應(yīng)度曲線如圖4所示。

圖4 綜合模型適應(yīng)度曲線Fig. 4 Comprehensive model fitness curve

圖4中，當?shù)螖?shù)大概到40時，曲線基本處于穩(wěn)定狀態(tài)。尋優(yōu)結(jié)果確定為：δ=698.51，σ2= 118.42。

按照公式（20）的適應(yīng)度函數(shù)，利用MATLAB平臺建立LSSVM綜合預測模型。用120組訓練樣本進行模型訓練仿真試驗。

訓練后，模型輸出鍋爐效率和NOx濃度的訓練結(jié)果與實際值對比如圖5和圖6所示。

圖5 訓練后鍋爐效率輸出結(jié)果Fig. 5 Results of boiler efficiency output after training

圖6 訓練后NOx濃度輸出結(jié)果Fig. 6 Results of NOx concentration output after training

由圖5—6可以看出，用該120組訓練樣本建立的 WOA-LSSVM 綜合模型對鍋爐效率和 NOx濃度有較好跟隨性，擬合度較精確。

將綜合模型預測結(jié)果與實際值進行對比：鍋爐效率的平均相對誤差僅為0.045%，NOx濃度的平均相對誤差為0.733%。

為檢驗所建立綜合模型的性能，用剩余60組測試樣本進行仿真驗證實驗。實驗結(jié)果如圖7和圖8所示。

圖7 模型的鍋爐效率測試結(jié)果Fig. 7 Test results of model boiler efficiency

圖8 模型的NOx濃度測試結(jié)果Fig. 8 Test results of model NOx concentration

由圖7和圖8可以看出，該模型能較精確地預測出鍋爐熱效率和 NOx濃度。因此，可以將所建立的 LSSVM 綜合模型運用到多目標燃燒優(yōu)化中。

4 多目標燃燒優(yōu)化實例分析

在WOA-LSSVM鍋爐效率和NOx濃度綜合模型的基礎(chǔ)上，進一步明確燃燒優(yōu)化目標函數(shù)為：

式中：α、β為指標權(quán)值；yη、yNOx為鍋爐熱效率和NOx濃度預測值；max(fη)、min(fη)為實際鍋爐熱效率的最大值和最小值；max(fNOx)、min(fNOx)為實際NOx濃度的最大值和最小值；x為可調(diào)參數(shù)。

利用 WOA算法對模型輸入量中的可調(diào)參數(shù)進行尋優(yōu)，找到最優(yōu)參數(shù)值。需要優(yōu)化的可調(diào)參量，如下式：

式中：x1為尾部煙道煙氣含氧量CO2；x2,···,x6為給煤量；x7,···,x12為二次風門開度；x13,···,x18為燃盡風門開度。

根據(jù)本文對象NOx濃度情況以及熱效率，暫先設(shè)定權(quán)重值α= 0.4、β= 0 .6。根據(jù)實際情況，適當調(diào)節(jié)這2個權(quán)值以滿足不同優(yōu)化需求。

使用 WOA算法對高、中、低不同工況下可調(diào)參數(shù)尋優(yōu)。優(yōu)化前后各個可調(diào)參量以及優(yōu)化目標η和CNOx的對比結(jié)果如表5所示。

表5 多目標優(yōu)化后各參量對比結(jié)果Tab. 5 Comparison results of various parameters after multi-objective optimization

分析表5可知，多目標尋優(yōu)后：

當工況在 50%時，樣本數(shù)據(jù)中的熱效率由原來的92.65%提高到93.03%，增加了0.41%；NOx排放量由原來的214.03 mg/m3降至188.47 mg/m3，降低了11.94%。

在 75%工況下，樣本數(shù)據(jù)中的熱效率由原來的93.50%提高到94.01%，增加了0.54%；NOx排放量由原來的199.88 mg/m3降至178.16 mg/m3，降低了10.87%。

在100%工況下，樣本數(shù)據(jù)中的熱效率由原來的93.42%提高到93.95%，增加了0.57%；NOx排放量由原來的237.58 mg/m3降至214.21 mg/m3，降低了9.83%。

由于熱效率的權(quán)重值較大，因此優(yōu)化結(jié)果使得鍋爐熱效率整體范圍優(yōu)化為93%～95%，NOx排放量范圍優(yōu)化為170～220 mg/m3，達到了預期綜合優(yōu)化效果。

5 結(jié)論

本文針對某超超臨界火電機組，基于WOA-LSSVM建立了熱效率與NOx濃度綜合預測模型，以 WOA算法優(yōu)化了模型參數(shù)。仿真實驗結(jié)果表明，該模型擁有較好的預測精度。

在所建立的綜合模型基礎(chǔ)上，針對不同工況，以 WOA算法可調(diào)參量尋優(yōu)，以實現(xiàn)了熱效率以及NOx排放量的多目標燃燒優(yōu)化。

本文研究結(jié)果可在經(jīng)濟、環(huán)保方面為大型火電機組優(yōu)化方案設(shè)計提供參考。