基于支持向量机和遗传算法的燃煤电站锅炉多目标燃烧优化.pdf

基于支持向量机和遗传算法的 燃煤 电站锅炉多 目标燃烧优化 安恩科宋尧 同济大学热能与环境工程研究所 摘要 本文采用支持向量机方法建立了3 5 0 M W 燃煤电站锅炉N 0 x 预测模型和锅炉效率预测模型， 并采用遗传算法对N 0 x 和锅炉效率进行多目 标优化，表明支持向量机和遗传算法可以用 于指导参数调节，进行燃烧优化。 关键词 N 0 x ；支持向量机 ； 遗传算法；燃烧优化。 1 ． 前言 在节能与环保 日益受到重视的今天 ，电厂 作为能源消耗大户，尤其是在国民经济迅速发 展对 电力需求急剧增加、峰谷差达 5 0 ％的背景 下，如何在满足负荷变动的情形下提高 电站锅 炉的燃烧效率、减少污染物的排放 已经成为热 能工程 的一个重要 的研究方向。燃烧优化技术 则是解决这个问题 的最经济 的方法之一 ， 燃烧 优化就是以确保锅炉的安全性 、提高燃烧效率 和降低污染物为 目标 ，通过调节与燃烧相关的 各种参数而响应 负荷的变化达到燃烧最优的方 法。而煤粉炉炉内的燃烧工况十分复杂，受到 机组负荷 、燃煤的种类、煤粉 的浓度和细度 、 风速、各次风的比例等诸 多因素的影响。而且 这些因素又往往互相影响，更增加 了燃烧过程 的复杂性 。如果只凭表面现象和直观经验，已 经很难对运行工况做 出准确的判断和合理的调 整 ⋯。所以建立影响 电站锅炉排放特性的函数 模型并针对模型进行多 目标优化是燃烧优化研 究的重点 。支持 向量机 S u p p o r t Ve c t o r Ma c h i n e 是近年来发展起来的新型机器学习方 法 ， 由于统计学习理论和支持向量机建立了一 套较好的有限样本下机器学 习的理论框架和通 用方法 ， 能较好地解决小样本、非线性 、高维 数和局 部极 小点 等实 际 问题 [ 2 】 。遗 传 算法 G e n e t i c Al g o ri t h m 是基于适者生存思想的一 种寻优方法 ，特别适用于传统搜索方法难以解 决的复杂的非线性问题，作为一种随机优化技 术在求解优化问题 中显示了优于传统优化算法 的性能 ，遗传算法是一种全局寻优算法 ，具有 不易陷入局部最优解、寻优的效率高、速度快 等特点 【 3 】 。所以本文采用支持向量机方法建立 起电站锅炉 NO x排放模型和效率模型，然后 采用并行遗传算法进行多 目标燃烧优化。 2 ．基于支持 向量机 的电站锅炉预测模型 2 ． 1 样本数据 数据的采集试验在某电厂锅炉上进行，锅 炉蒸发量为 l 1 6 0 t ／ h，主蒸汽 温度 为 5 4 0 ℃， 压力为 1 6 ． 8 2 Mp a ，配用 3 5 0 MW 的凝汽式发 电机组单元布置。锅炉采用直吹式磨煤系统， 燃烧器为煤、高炉煤气、焦炉煤气混烧，四角 布置，切向燃烧。锅炉设计可全烧煤，高炉煤 气 B F G和焦炉煤气 C O G的最大混烧 比为 6 5 ％。 样本数据共有 9 6组 见表 1 、表 2 ，只列 出有部分代表性的工况 ，其中全负荷 5 0 组， 9 0 ％负荷 2 0 ，8 0 ％负荷2 0 组，7 0 ％负荷 6 组， 数据如表 1 表 2 所示，燃烧工况为纯煤燃烧和 煤粉与 B F G混烧 ，E D层二次风为 B F G配风 ， G G到KK层均为煤粉配风，其中KK层在最 上层作为燃烬风。 2 ． 2支持向量机简介 支持向量机的基本思想是通过引入核函数 用一非线性映射将输入空间映射到高维的特征 空间 ，利用一个定义在高维空间中的线性函数 表 1 现场试验工况数据 1 F ． 1 Th e o p e r a t i n g c o n d i t i o n o f t h e b o i l e r 表 2 现场试验工况数据 2 、 F i g． 2 T h e o per a t i n g c o n d i t i o n o f t h e b o i l e r c o n t i n u e d 集来进行回归估计，目标函数除经验风险外还 包括一个用来控制回归函数复杂性的i E ,l 化部 分【2 】 0 给定样本集{ x ， x ∈ 为输人 变量的值，Y i ∈R R为相应的输出值，N为样 本个数 ，n输人变量的维数 。S VM 所用拟合 N 函 数为y f x - ∑W i b， { xi ， 。 i l 是从输入空间到高维特征空间的非线性映射 ， 系数{ w 。 N b 由 最小化方程式 来估算， 即 一 2一 圭 I1w II c y ， x i I y ． f x IJ ⋯其 他 1 I I l x T I I 2 式中第 l 项 ” w”为正则化部分；第2 项是经验风险，由式 3 给出的不敏感损失函 数来度量 ；C为用来平衡两者 的权 重参数 ，称 为正则化参数 。S VM 并不需要 知道样本在特 征空间 中的向量表达或者 甚至不需要知道特征 空间的维数。它只需要知道任意两个样例映射 到此空间后 向量的内积 ，而这样 的内积可 以在 样本 训练集或测试集中的 被映射成某个不 可琢磨 的特征空间 中的向量之前被计算出来 ， 完成这样计算的函数叫核函数。支持向量机较 常用的核函数有线性 函数多项式函数、高斯函 数和 S i g mo i d函数等 。本文 中选取高斯 函数 II ， 2 K X ； ， e x p ． 作为核函数 ，6 是高斯 口 核函数的宽度参数。为了得到准确的预测精度， 还必须精心选择 S VM 的超参数 。正则化参数 C决定着模型复杂度与训练误差在 目标函数 中 的比重 ；高斯核 函数的宽度参数 6隐含地定义 了从输入空间到高维特征空间的非线性映射 ， 决定了特征空间的结构，控制了最终解的复杂 性。￡ 不敏感损失函数 中 ￡的值越大 ，支撑向 量的数 目就越少 ，因而解 的表达就越稀疏 ，然 而大的 ￡ 会降低回归函数的逼近精度 ，即它被 用来平衡解的稀疏程度和回归函数的逼近精度 。 2 ． 3 基于支持向量机的污染物排放预测模 型 燃煤锅炉 NOx排放特性受到如煤 种、运 行参数和锅炉设计、制作、安装等因素的影响 ， 关系较为复杂 。但如将锅炉考虑成黑箱模 型 ， 由于锅炉 已经建成运行 ，其设计和安装参数均 已确定 ，因此将锅炉负荷、总煤量、B OG投入 量 、煤种特性、含氧量、各层煤量 、二次风开 度运行参数作为模型的输入量 【 4 ， 5 I 。 采用锅炉负荷 、人炉总煤量、B OG投入量 描述锅炉负荷对 NO x的影响 ；5 层磨煤机给煤 量用 以描述风煤量沿炉高分配对炉内燃烧的影 响。二次风 7 层 ，以描述二次风配风方式对燃 烧的影响；取炉膛出口烟气含氧量平均值作为 1 个输人参数，描述燃烧氧量的影响；煤种特 性取低位发热量、挥发分、含碳量、灰分和水 分共 5 个参数 ，以描述煤种特性的影响；电站 锅炉尾部 NO x含量作为输出量 ，建立起 NO x 的预测模型。 本文利用遗传算法的来寻找 C与 6 的最佳 组 合 ，寻优区间分 别为 O，2 0 0 ， O，2 0 ， 该区间的没定兼颐了优化速度j} Ⅱ 效率，取￡0 ． 0 1 ， 遗传算法的群体规模选为 1 0 ，重组概率为0 ． 7 ， 变异概率为 0 ． 2 5 ，进化代数设为 1 0 0 0 代，选 择检验样本的均方差作为适应度函数 ，当适应 度 函数取最小值时获取最优参数。经过寻优得 到 C 1 8 7 ． 6 8 9 4 ，5 2 0 ． 6 7 3 3 。 2 ． 4基于支持向量机的锅炉效率预测模型 锅炉效率是表征锅炉经济运行 的主要技术 指标 ，影响锅炉效率的主要有排烟损失、气体 不完全燃烧损失、机械不完全燃烧损失和散热 损失 ，因此将锅炉负荷 、总煤量 、BF G、煤种 特性、排烟温度 、飞灰含碳量、各层配煤和各 层二次风开度作为影响锅炉效率的参数 ，建立 锅炉效率预测模型。利用遗传算法 的来寻找 C 与 6 2 的最佳组合 ，经过寻优得到 C 1 7 6 ． 4 2 8 6 ， 6 1 ． 4 4 9 4 。NOx排放和锅炉效率预测模型 如图 1 所示。 3 ． 基于遗传算法的多 目标燃烧优化 在建立 NO x和锅炉效率的预测模型后， 采用优化算法对可操作变量进行寻优 ，进行燃 烧优化。单纯的以提高锅炉效率为 目 标，就会 导致 NO x生成量增大 ，而只以降低 NOx为目 标 ，又会导致锅炉效率下降，故而为了兼顾两 者 ，采用遗传算法对燃烧过程采用多 目标优化， 因为遗传算法内在的并行机制和全局优化的特 点适合于多目标问题 的解决。 ～ 3一 负荷 总煤量 B 煤种特性一 氧量一 各层煤粉流量 一 各层二 次风开度一 NOX 排放量 图 1 NO x排放和锅炉效率预测模型 Fi g l P r e d i c t i o n mo d e l o f b o i l e r NOx e mi s s i o n a n d e f f i c i e n c y a NO x适应度函数变化 a t h e f i t n e s s o f NOX b 锅炉效率适应度函数变化 b t h e f i t n e s s o f t he e f fic i n c y 图 2寻优过程图 Fi g． 2 Op t i m i z i ng pr o c e s s o f GA 对于某个具体的工况，主要的调节参数是 二次配风，本文主要对七层二次风风门、锅炉 尾部氧量进行调节 ，采用 X表示烟气氧量 、二 次风 风 门开度 等组 成 的控 制 向量 ，Xmi n、 X l n a x为操作量的约束范围，D表示由燃料量 煤 量 ，B F G 、燃煤 热值等干扰 向量 ，Y表示飞 灰含碳量和排烟温度组成的干扰量，F N O x 为基于支持向量机的NO x预测函数 ，F N Ox 表示 锅炉效率 的预测 函数 ，【 NOx 】 表示 NO x预 测值 ，【 q】 表示锅炉效率的预测值 ，遗传算法 的目标函数为 mi n [ N Ox ] ma x [ r ／ 】 s ．t ．F NOx F X， D F r／ F X， D， X mi n X Xma x 其 中 二 次 风 风 门 开 度 取 值 区 间 为 [ 3 0 ， 1 0 0 】 ， 氧量的取值范围为 【 2 ． 5 ， 6 】 。遗传算 法的群体规模选为2 0 0 ，重组概率为 0 ． 8 ，变 异概率为 0 ． 2 ，进化代数设为 1 0 0代 ，选择工 况一进行燃烧优化 ，以归一化后的预测值作为 适应度函数，寻优过程见图2 ，优化结果见表 3 炉 率 锅效 一 站炉率型 一 一 电锅效模 一 表 3 工况 3 8 优化结果 Ta b． 3 t he o p t i mi z e d r e s u l t o f c o n d i t i o n 6 从优化结果看 ，通过遗传算法得到各层二 次风的最佳优化组合，优化前 N O x 为 4 0 1 ． 0 6 p p m， 而优化后变为 3 3 8 7 8 p p m，使得 NOx降低 了 1 5 ． 5 3 ％ ，优化 结果 符 合通 过优 化配 风 降低 N O x的理论 ，也与炉尾部含氧量低生成的 NO x 低的经验相符合，所以利用支持向量机对 N O x 进行非线性建模 ，并采用优化算法进行燃烧优 化是控制 N O x的_ ． 一 种好方法。 4 ． 结论 本文提出了基于支持 向量机的燃煤 电站锅 炉 N O x 预测模型和锅炉效率预测模型 ，可将 电 站锅炉 N Ox 特性和锅炉效率与各个运行参数之 间的复杂关系及参数之间的耦合关系简单地表 示出来。同时采用遗传算法对 N Ox 和锅炉效率 进行多目标优化，达到了降低 N O x 的效果，支 持向量机方法和遗传算法为电站锅炉在线实时 优化控制提供了一种更为准确迅速的手段。 参考文献 【 1 】 林新 队 ．基于神 经网络的锅炉燃烧监 督控制方法研究．机电工程技术，2 0 0 6 ，3 5 2 71～ 7 3． 【 2 】 张国云 ． 支持向量机算法及其应用研究 【 D 】 ． 湖南大学 ， 2 0 0 6 ． 2 1 ～3 9 【 3 】 Ug u r K e s i n ． Ge n e t i c a l g o r i t h m a n d a r t i - f l c i a l n e u r a l n e t wo r k f o r e n g i n e o p t i mi z ．a t i o n o f e ffic i e n c y a n d N Ox e mi s s i o n ． F u e 1 ． 2 0 0 4 8 3 ． 8 8 5 ～ 8 9 5 【 4 】 Ho i Mi n g C h i ， O k an K． E r s o y a ， He r b e r t Mo s k o wi t z， J i m W a r d ． M o d e l i n g an d o p t i mi z ing a ve n d or ma n a g e d r e p l e n i s h me n t s y s t e m u s i n g ma c h ine l e a r n i ng an d g e n e t i c alg or i t h ms ．Eu r o p e a l l J o u r n a l o f Op e r a t i o na l Re s e a r c h， 2 O o 7。 1 7 4～ 1 9 3 【 5 】 Ha o Z h o u ， K e f a C e n ， J i a n r e n F a n ． Mo d - e l i n g and o p t i mi z a t i o n o f t h e NOx e mi s s i o n c h ar- a c t e r i s t i c s o f a t a n g e n ti all y fi r e d b o i l e r wi t h a r t i - fi c i a l n e u r a l n e t wo r k s ． En e r g y ，2 0 0 4 ， 2 9 1 6 7 - t 8 3 5一