资源描述：
第３ ６卷 第８期 ２ ０ １ ６年８月 动 力 工 程 学 报 Ｊ ｏ ｕ ｒ ｎ ａ ｌ ｏ ｆ Ｃ ｈ ｉ ｎ ｅ ｓ ｅ Ｓ ｏ ｃ ｉ ｅ ｔ ｙ ｏ ｆ Ｐ ｏ ｗ ｅ ｒ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ Ｖ ｏ ｌ ． ３ ６Ｎ ｏ ． ８ Ａ ｕ ｇ ． ２ ０ １ ６ 收稿日期２ ０ １ ５－０ ８－０ ５ 修订日期 ２ ０ １ ５－０ ９－２ ９ 基金项目 国家自然科学基金资助项目（６ １ ２ ６ ２ ０ ４ ８） 作者简介 余廷芳（１ ９ ７ ４－） ， 男， 江西乐平人， 副教授， 博士， 研究方向为锅炉燃烧优化及人工智能应用． 耿 平（ 通信作者） ， 男， 硕士研究生， 电话（Ｔ ｅ ｌ ．） １ ８ ２ ７ ０ ８ ７ ２ ０ １ ３；Ｅ－ｍ ａ ｉ ｌ１ ３ ９ ８ ６ ２ ４ ８ ２ ２＠ｑ ｑ ． ｃ ｏ ｍ． 文章编号１ ６ ７ ４－７ ６ ０ ７（ ２ ０ １ ６）０ ８－０ ５ ９ ４－０ ６ 中图分类号Ｔ Ｋ ２ ２ ７． １ 文献标志码Ａ 学科分类号４ ７ ０． ３ ０ 基于智能算法的燃煤电站锅炉燃烧优化 余廷芳， 耿 平， 霍二光， 曹孟冰 （ 南昌大学 机电工程学院， 南昌３ ３ ０ ０ ３ １） 摘 要基于 Ｍ ａ ｔ ｌ ａ ｂ人工智能工具包对某３ ０ ０ＭＷ 燃煤电站锅炉进行了燃烧优化混合建模 利用 Ｂ Ｐ神经网络建立了锅炉燃烧特性的 Ｂ Ｐ神经网络模型， 用以预测锅炉热效率和 ＮＯｘ排放质量浓 度． 基于该模型， 以锅炉热效率和 ＮＯｘ排放质量浓度为目标， 结合 Ｍ ａ ｔ ｌ ａ ｂ遗传算法工具包对锅炉 进行燃烧优化， 并采用权重系数法将多目标优化问题转化为单目标优化问题． 结果表明 锅炉热效 率和 ＮＯｘ排放质量浓度校验样本的相对误差平均绝对值分别为０． １ ４ ２％和１． ７ ９ ０％ ， 该模型具有 良好的准确性和泛化能力； 权重系数法可根据实际情况， 以锅炉热效率或 ＮＯｘ排放质量浓度为优 化重点选取相应的权重系数， 对燃烧优化具有一定的指导意义． 关键词电站锅炉；锅炉热效率；ＮＯ ｘ排放；遗传算法；多目标优化 Ｃ ｏ ｍ ｂ ｕ ｓ ｔ ｉ ｏ ｎ Ｏ ｐ ｔ ｉ ｍ ｉ ｚ ａ ｔ ｉ ｏ ｎ ｏ ｆ ａ Ｃ ｏ ａ ｌ－ｆ ｉ ｒ ｅ ｄ Ｂ ｏ ｉ ｌ ｅ ｒ Ｂ ａ ｓ ｅ ｄ ｏ ｎ Ｉ ｎ ｔ ｅ ｌ ｌ ｉ ｇ ｅ ｎ ｔ Ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ Ｙ Ｕ Ｔ ｉ ｎ ｇ ｆ ａ ｎ ｇ， Ｇ ＥＮＧ Ｐ ｉ ｎ ｇ， ＨＵ Ｏ Ｅ ｒ ｇ ｕ ａ ｎ ｇ， Ｃ Ａ Ｏ Ｍ ｅ ｎ ｇ ｂ ｉ ｎ ｇ （ Ｓ ｃ ｈ ｏ ｏ ｌ ｏ ｆ Ｍ ｅ ｃ ｈ ａ ｎ ｉ ｃ ａ ｌ ａ ｎ ｄ Ｅ ｌ ｅ ｃ ｔ ｒ ｉ ｃ ａ ｌ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ，Ｎ ａ ｎ ｃ ｈ ａ ｎ ｇ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ，Ｎ ａ ｎ ｃ ｈ ａ ｎ ｇ ３ ３ ０ ０ ３ １，Ｃ ｈ ｉ ｎ ａ） Ａ ｂ ｓ ｔ ｒ ａ ｃ ｔＡ ｈ ｙ ｂ ｒ ｉ ｄ ｍ ｏ ｄ ｅ ｌ ｗ ａ ｓ ｓ ｅ ｔ ｕ ｐ ｕ ｓ ｉ ｎ ｇ Ｍ ａ ｔ ｌ ａ ｂ ａ ｒ ｔ ｉ ｆ ｉ ｃ ｉ ａ ｌ ｉ ｎ ｔ ｅ ｌ ｌ ｉ ｇ ｅ ｎ ｃ ｅ ｔ ｏ ｏ ｌ ｋ ｉ ｔ ｔ ｏ ｏ ｐ ｔ ｉ ｍ ｉ ｚ ｅ ｔ ｈ ｅ ｃ ｏ ｍ ｂ ｕ ｓ ｔ ｉ ｏ ｎ ｉ ｎ ａ ３ ０ ０ＭＷ ｃ ｏ ａ ｌ－ｆ ｉ ｒ ｅ ｄ ｂ ｏ ｉ ｌ ｅ ｒ ．Ｔ ｈ ｅ ｓ ｐ ｅ ｃ ｉ ｆ ｉ ｃ ｗ ａ ｙ ｉ ｓ ｔ ｏ ｅ ｓ ｔ ａ ｂ ｌ ｉ ｓ ｈ ａ Ｂ Ｐ（ｂ ａ ｃ ｋ ｐ ｒ ｏ ｐ ａ ｇ ａ ｔ ｉ ｏ ｎ）ｎ ｅ ｕ ｒ ａ ｌ ｎ ｅ ｔ ｗ ｏ ｒ ｋ ｍ ｏ ｄ ｅ ｌ ｆ ｏ ｒ ｂ ｏ ｉ ｌ ｅ ｒ ｃ ｏ ｍ ｂ ｕ ｓ ｔ ｉ ｏ ｎ ｐ ｒ ｏ ｐ ｅ ｒ ｔ ｉ ｅ ｓ ｔ ｏ ｐ ｒ ｅ ｄ ｉ ｃ ｔ ｔ ｈ ｅ ｔ ｈ ｅ ｒ ｍ ａ ｌ ｅ ｆ ｆ ｉ ｃ ｉ ｅ ｎ ｃ ｙ ａ ｎ ｄ ＮＯｘｅ ｍ ｉ ｓ ｓ ｉ ｏ ｎ ｃ ｏ ｎ ｃ ｅ ｎ ｔ ｒ ａ ｔ ｉ ｏ ｎ ｏ ｆ ｔ ｈ ｅ ｂ ｏ ｉ ｌ ｅ ｒ，ａ ｎ ｄ ｔ ｈ ｅ ｎ ｔ ｏ ｏ ｐ ｔ ｉ ｍ ｉ ｚ ｅ ｔ ｈ ｅ ｂ ｏ ｉ ｌ ｅ ｒ ｃ ｏ ｍ ｂ ｕ ｓ ｔ ｉ ｏ ｎ ｗ ｉ ｔ ｈ Ｍ ａ ｔ ｌ ａ ｂ ａ ｒ ｔ ｉ ｆ ｉ ｃ ｉ ａ ｌ ｉ ｎ ｔ ｅ ｌ ｌ ｉ ｇ ｅ ｎ ｃ ｅ ｔ ｏ ｏ ｌ ｋ ｉ ｔ ｂ ａ ｓ ｅ ｄ ｏ ｎ ｔ ｈ ｅ ｍ ｏ ｄ ｅ ｌ ｂ ｙ ｔ ａ ｋ ｉ ｎ ｇ ｔ ｈ ｅ ｔ ｈ ｅ ｒ ｍ ａ ｌ ｅ ｆ ｆ ｉ ｃ ｉ ｅ ｎ ｃ ｙ ａ ｎ ｄ ＮＯｘｅ ｍ ｉ ｓ ｓ ｉ ｏ ｎ ｃ ｏ ｎ ｃ ｅ ｎ ｔ ｒ ａ ｔ ｉ ｏ ｎ ａ ｓ ｔ ｈ ｅ ｔ ａ ｒ ｇ ｅ ｔ ｖ ａ ｒ ｉ ａ ｂ ｌ ｅ ｓ ，ｄ ｕ ｒ ｉ ｎ ｇ ｗ ｈ ｉ ｃ ｈ ｔ ｈ ｅ ｍ ｕ ｌ ｔ ｉ－ｏ ｂ ｊ ｅ ｃ ｔ ｉ ｖ ｅ ｏ ｐ ｔ ｉ ｍ ｉ ｚ ａ ｔ ｉ ｏ ｎ ｐ ｒ ｏ ｂ ｌ ｅ ｍ ｓ ｗ ｅ ｒ ｅ ｔ ｒ ａ ｎ ｓ ｆ ｏ ｒ ｍ ｅ ｄ ｉ ｎ ｔ ｏ ｓ ｉ ｎ ｇ ｌ ｅ－ｏ ｂ ｊ ｅ ｃ ｔ ｉ ｖ ｅ ｏ ｐ ｔ ｉ ｍ ｉ ｚ ａ ｔ ｉ ｏ ｎ ｐ ｒ ｏ ｂ－ ｌ ｅ ｍ ｓ ｂ ｙ ｗ ｅ ｉ ｇ ｈ ｔ ｃ ｏ ｅ ｆ ｆ ｉ ｃ ｉ ｅ ｎ ｔ ｍ ｅ ｔ ｈ ｏ ｄ ． Ｒ ｅ ｓ ｕ ｌ ｔ ｓ ｓ ｈ ｏ ｗ ｔ ｈ ａ ｔ ｔ ｈ ｅ ａ ｖ ｅ ｒ ａ ｇ ｅ ｒ ｅ ｌ ａ ｔ ｉ ｖ ｅ ｅ ｒ ｒ ｏ ｒ ｓ ｏ ｆ ｂ ｏ ｉ ｌ ｅ ｒ ｔ ｈ ｅ ｒ ｍ ａ ｌ ｅ ｆ ｆ ｉ ｃ ｉ ｅ ｎ － ｃ ｙ ａ ｎ ｄ ＮＯｘｅ ｍ ｉ ｓ ｓ ｉ ｏ ｎ ａ ｒ ｅ ０． １ ４ ２％ａ ｎ ｄ １． ７ ９ ０％ｒ ｅ ｓ ｐ ｅ ｃ ｔ ｉ ｖ ｅ ｌ ｙ，ｉ ｎ ｄ ｉ ｃ ａ ｔ ｉ ｎ ｇ ｇ ｏ ｏ ｄ ａ ｃ ｃ ｕ ｒ ａ ｃ ｙ ａ ｎ ｄ ｓ ｔ ｒ ｏ ｎ ｇ ｇ ｅ ｎ ｅ ｒ ａ ｌ ｉ ｚ ａ－ ｔ ｉ ｏ ｎ ａ ｂ ｉ ｌ ｉ ｔ ｙ ｏ ｆ ｔ ｈ ｅ ｍ ｏ ｄ ｅ ｌ ． Ｂ ｙ ｗ ｅ ｉ ｇ ｈ ｔ ｃ ｏ ｅ ｆ ｆ ｉ ｃ ｉ ｅ ｎ ｔ ｍ ｅ ｔ ｈ ｏ ｄ，ｂ ｏ ｉ ｌ ｅ ｒ ｔ ｈ ｅ ｒ ｍ ａ ｌ ｅ ｆ ｆ ｉ ｃ ｉ ｅ ｎ ｃ ｙ ａ ｎ ｄ ＮＯｘｅ ｍ ｉ ｓ ｓ ｉ ｏ ｎ ｃ ｏ ｎ ｃ ｅ ｎ－ ｔ ｒ ａ ｔ ｉ ｏ ｎ ｃ ａ ｎ ｂ ｅ ｃ ｈ ｏ ｓ ｅ ｎ ａ ｓ ｔ ｈ ｅ ｋ ｅ ｙ ｏ ｐ ｔ ｉ ｍ ｉ ｚ ａ ｔ ｉ ｏ ｎ ｏ ｂ ｊ ｅ ｃ ｔ ｉ ｖ ｅ ｓ ｂ ｙ ｓ ｅ ｌ ｅ ｃ ｔ ｉ ｎ ｇ ｃ ｏ ｒ ｒ ｅ ｓ ｐ ｏ ｎ ｄ ｉ ｎ ｇ ｗ ｅ ｉ ｇ ｈ ｔ ｃ ｏ ｅ ｆ ｆ ｉ ｃ ｉ ｅ ｎ ｔ ｓ， ｗ ｈ ｉ ｃ ｈ ｔ ｈ ｅ ｒ ｅ ｆ ｏ ｒ ｅ ｍ ａ ｙ ｓ ｅ ｒ ｖ ｅ ａ ｓ ａ ｒ ｅ ｆ ｅ ｒ ｅ ｎ ｃ ｅ ｆ ｏ ｒ ｃ ｏ ｍ ｂ ｕ ｓ ｔ ｉ ｏ ｎ ｏ ｐ ｔ ｉ ｍ ｉ ｚ ａ ｔ ｉ ｏ ｎ ｏ ｆ ｓ ｉ ｍ ｉ ｌ ａ ｒ ｃ ｏ ａ ｌ －ｆ ｉ ｒ ｅ ｄ ｂ ｏ ｉ ｌ ｅ ｒ ｓ ． Ｋ ｅ ｙ ｗ ｏ ｒ ｄ ｓｕ ｔ ｉ ｌ ｉ ｔ ｙ ｂ ｏ ｉ ｌ ｅ ｒ；ｂ ｏ ｉ ｌ ｅ ｒ ｔ ｈ ｅ ｒ ｍ ａ ｌ ｅ ｆ ｆ ｉ ｃ ｉ ｅ ｎ ｃ ｙ；ＮＯｘｅ ｍ ｉ ｓ ｓ ｉ ｏ ｎ；ｇ ｅ ｎ ｅ ｔ ｉ ｃ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ；ｍ ｕ ｌ ｔ ｉ－ｏ ｂ ｊ ｅ ｃ ｔ ｉ ｖ ｅ ｏ ｐ ｔ ｉ－ ｍ ｉ ｚ ａ ｔ ｉ ｏ ｎ 影响燃煤电站锅炉热效率和 ＮＯｘ排放的因素 较复杂， 对于既定锅炉， 锅炉负荷、 炉膛氧量、 炉内配 风方式和给煤机组合方式等因素都会影响锅炉热效 率和 ＮＯｘ排放， 并且这些影响因素相互耦合， 呈现 出复杂的非线性关系， 使得锅炉燃烧数据的分析较 困难． 目前， 智能算法在燃煤电站锅炉热效率和 ＮＯｘ 排放建模中被大力推广． 尹凌霄等［ １－５］基于智能算 法， 借助 Ｂ Ｐ神经网络和支持向量机建立了 ＮＯｘ排 放浓度和锅炉热效率的预测模型； 谷丽景等［ ６－７］基于 神经网络建立了锅炉燃烧的混合模型， 实现了 ＮＯｘ 排放量、 飞灰含碳量及锅炉热效率等多种参数的软 测量； 吕玉坤等［ ８－１ １］借助遗传算法实现了对锅炉燃 烧的优化． 以上建模与优化的很多思想和方法都有 各自的特色， 值得借鉴． 笔者在前人研究的基础上， 使用３ ０ ０ＭＷ 燃煤 电站锅炉的运行数据， 基于 Ｍ ａ ｔ ｌ ａ ｂ人工智能工具 包， 利用 Ｂ Ｐ神经网络建立锅炉热效率和 ＮＯｘ排放 质量浓度的锅炉燃烧特性 Ｂ Ｐ神经网络模型． 在此 基础上， 利用遗传算法（ＧＡ） 建立锅炉燃烧的优化模 型， 通过权重系数法变换权重系数将锅炉热效率和 ＮＯｘ排放质量浓度多目标优化问题转化为单目标 优化问题， 从而实现锅炉热效率和 ＮＯｘ排放质量浓 度多目标优化． １ 研究对象 某３ ０ ０ＭＷ 燃煤电站锅炉为东方锅炉股份有 限公司制造的 Ｄ Ｇ－１ ０ ２ ５／１ ７． ５－ Ⅱ４型亚临界参数、 四角切圆燃烧、 自然循环汽包炉． 锅炉采用单炉膛、 露天布置、 一次中间再热、 平衡通风、 固态排渣、 全钢 架、 全悬吊结构， 燃用烟煤， 炉顶带金属防雨罩． 燃烧 器采用水平浓淡型直流型摆动煤粉燃烧器， 浓淡两 股风、 粉气流从炉膛四角喷入， 每角燃烧器共布置 １ ３层喷口， 包括５层一次风口（Ａ、Ｂ、 Ｃ、Ｄ、Ｅ ） 和８ 层二次风口（ 包括一层燃尽风（Ｏ Ｆ Ａ） 喷口和７层二 次风口（ＡＡ、Ａ Ｂ、 Ｂ Ｃ、Ｃ Ｃ、Ｄ Ｄ、Ｄ Ｅ、Ｅ Ｅ） ）． 制粉系统 采用中速磨煤机、 冷一次风机、 正压直吹式制粉系 统， 配备５台磨煤机（Ａ、 Ｂ、Ｃ、Ｄ、Ｅ）． ２ Ｂ Ｐ神经网络模型 ２． １ 建立Ｂ Ｐ神经网络模型 利用Ｂ Ｐ神经网络建立锅炉热效率和 ＮＯｘ排 放质量浓度的锅炉燃烧特性 Ｂ Ｐ神经网络模型， 该 模型有２ ０维输入， 其中包括发电机功率、 炉膛氧量、 一次风风速、 二次风门开度和燃尽风门开度等参数， 分别代表了锅炉负荷、 过量空气系数、 一二次风配比 和燃尽风等因素对锅炉燃烧特性的影响， 输出为锅 炉热效率和 ＮＯｘ排放质量浓度． 该模型示意图如图 １所示． 本次建模所选工况均在额定负荷３ ０ ０ ＭＷ 附 近， 锅炉燃烧特性的 Ｂ Ｐ神经网络模型仅针对满负 荷工况． 试验精选１ ０ ０组锅炉运行数据， 其中８ ５组 数据用来训练Ｂ Ｐ神经网络， １ ５组数据用于校验． 样 本数据如表１所示， 其中ρ 为 ＮＯ ｘ排放质量浓度， η 为锅炉热效率． 在建立锅炉热效率和 ＮＯｘ排放质量 浓度锅炉燃烧特性的 Ｂ Ｐ神经网络模型时， 网络的 训练不能过于饱和， 即网络训练误差不能过低， 网络 训练过饱和会降低网络的泛化性， 应该将其训练误 差控制在一个合理的区间之内． 对于锅炉热效率， 由 于其本身的变化范围比较狭窄， 故对其预测的训练 误差应控制在０． ５％范围内； 而 ＮＯｘ排放质量浓度 的变化范围较大， 训练误差应控制在５％以内， 在训 练网络时要将训练误差与校验误差结合并进行对 比， 使锅炉燃烧特性的 Ｂ Ｐ神经网络模型同时满足 训练误差要求和网络泛化性要求． 图１ 锅炉燃烧特性的Ｂ Ｐ神经网络模型 Ｆ ｉ ｇ ． １ Ｂ Ｐ ｎ ｅ ｕ ｒ ａ ｌ ｎ ｅ ｔ ｗ ｏ ｒ ｋ ｍ ｏ ｄ ｅ ｌ ｆ ｏ ｒ ｃ ｏ ｍ ｂ ｕ ｓ ｔ ｉ ｏ ｎ ｐ ｒ ｏ ｐ ｅ ｒ ｔ ｉ ｅ ｓ ｏ ｆ ｔ ｈ ｅ ｂ ｏ ｉ ｌ ｅ ｒ 采用Ｂ Ｐ神经网络自带的ｆ ｅ ｅ ｄ ｆ ｏ ｒ ｗ ａ ｒ ｄ ｎ ｅ ｔ函数 创建 Ｂ Ｐ 神经网络， 采用３层网络， 隐含层设为一 层， 采用ｔ ｒ ａ ｉ ｎ ｌ ｍ 函数作为网络的训练函数， 传递函 数和学习速率等采用ｆ ｅ ｅ ｄ ｆ ｏ ｒ ｗ ａ ｒ ｄ ｎ ｅ ｔ函数的默认设 置， 经过试验， 当隐含层节点数为２ ４时的训练效果 最佳． ２． ２ Ｂ Ｐ神经网络模型的效果验证 为了直观地观察和对比， 对Ｂ Ｐ神经网络模型 的二维输出（ 即锅炉热效率和ＮＯｘ排放质量浓度） 分别进行整理， 将锅炉热效率的８ ５组训练样本和 １ ５组校验样本的训练效果和相对误差汇总， 分别整 理在同一个图中， 并将 ＮＯｘ排放质量浓度训练效果 和相对误差汇总和整理， 结果见图２～图５． 图２给出了锅炉热效率的训练效果． 图３为锅 炉热效率样本的相对误差图． 由图３可知， 锅炉热效 率训练样本的最大相对误差绝对值为０． １ ７ ６％， 相 ５９５ 第８期 余廷芳， 等 基于智能算法的燃煤电站锅炉燃烧优化文章标题 表１ 试验样本数据 Ｔ ａ ｂ ． １ Ｅ ｘ ｐ ｅ ｒ ｉ ｍ ｅ ｎ ｔ ａ ｌ ｄ ａ ｔ ａ ｏ ｆ ｖ ａ ｒ ｉ ｏ ｕ ｓ ｓ ａ ｍ ｐ ｌ ｅ ｓ 序号 功率／ ＭＷ 各一次风风速／ （ｍｓ－１） 各给煤机给煤量／ （ｔｈ－１） Ａ Ｂ Ｃ Ｄ Ｅ Ａ Ｂ Ｃ Ｄ Ｅ １ ３ ０ ３． ９ ３ ０． ９ ８ ３ ５． ７ ２ ３ ０． ２ ０ ４ ３． ７ ６ ３ ６． ５ ８ ５ ０ ２ ４． ０ ６ ２ ９． ７ １ ３ ９． ９ ７ ３ ２． ７ ４ １ ８ ２ ９ ７． ０ ３ ４． ７ ５ ３ ７． ０ ４ ３ ２． ５ ０ ４ ４． ６ ９ ３ ５． ０ ０ ４ ２ ２ ６． ４ ０ ３ ６． ５ ６ ３ ８． ０ ０ ２ ９． ８ ４ １ ９ ３ ０ ７． ４ ３ ２． ４ ６ ３ ３． ５ １ ２ ５． ７ ５ ４ １． ０ ９ ３ ７． ８ ４ ４ ４ ２ ５． ４ ９ ３ １． ２ ６ ４ ２． ８ ５ ２ ６． ４ ７ ２ ０ ３ ０ ６． ３ ２ ６． ０ １ ２ ８． ８ ３ ３ ５． ５ ８ ３ ７． ３ ５ ３ ２． ６ ０ ４ ５ ２ ３． ３ ０ ３ ４． ７ ５ ３ ９． ３ ６ ２ ９． ７ ６ ９ ９ ３ ０ ５． ０ ３ ４． ８ １ ３ ３． ４ ８ ３ ０． ９ ０ ４ ３． ５ ４ ３ １． ３ ９ ４ ４ ２ ２． ２ ６ ３ ０． ３ １ ３ ２． １ ５ ３ ９． ６ ５ １ ０ ０ ３ ０ ５． ７ ３ ０． ２ ５ ３ ３． ２ ６ ３ １． ０ ３ ４ ０． ６ １ ３ １． ７ ０ ４ ０ ２ ６． ７ ９ ３ ３． １ ９ ４ ３． ６ ７ ２ ４． ２ ４ 序号 氧质量 分数／％ 各二次风门开度／％ ＡＡ Ａ Ｂ Ｂ Ｃ Ｃ Ｃ Ｄ Ｄ Ｄ Ｅ Ｅ Ｅ 燃尽风门 开度／％ ρ ／ （ｍ ｇｍ－３） η ／％ １ ３． ０ ２ ６ ４． ９ ０ ４ ８． ９ ３ ４ ２． ７ ９ ３ ３． ３ ４ ４ ５． ８ ５ ５ ２． ４ ６ ５ ８． ６ ４ ７ ２． ３ ３ ４ １ ２． ７ ６ ９ ２． ２ ６ １ ８ ４． ３ ３ ７ ５． ６ ９ ６ ２． ９ ８ ５ ３． １ ４ ３ ７． ４ ２ ４ ９． ２ ２ ５ ６． ５ ４ ５ ３． ０ ２ ３ ３． ７ ２ ４ ９ ６． ２ ６ ９ １． ９ ８ １ ９ ３． １ ０ ７ １． １ ８ ６ ４． ９ ７ ４ ５． １ ８ ４ ０． ２ ０ ４ ９． ６ １ ５ ２． ３ ６ ５ １． ７ ０ ６ ９． ５ ６ ３ ９ ４． ４ ５ ９ １． ３ ２ ２ ０ ２． ５ ８ ５ ３． ２ ５ ４ ２． ７ ９ ４ ２． ７ ５ ４ １． ５ ５ ５ ４． ８ ９ ６ ６． ３ ３ ７ ０． ６ ９ ６ １． ０ ５ ３ ５ ３． ０ ９ ９ １． ３ ７ ９ ９ ２． ６ ９ ６ ８． ８ ２ ４ ７． ９ １ ４ ５． ３ ３ ３ １． ３ ８ ４ ０． ４ ９ ４ ９． ４ ４ ４ ９． ８ ５ ６ ３． ３ ４ ４ ３ ２． ０ ４ ９ ２． ０ ７ １ ０ ０ ２． ９ ９ ６ ９． ０ ９ ５ ８． ９ ９ ４ ９． １ ７ ３ ５． ３ ７ ４ ６． ５ ９ ５ ２． ０ ２ ３ ５． ８ ８ ２ ２． ９ ５ ４ ０ ４． ４ ５ ９ ２． ３ ４ 图２ 锅炉热效率的训练效果 Ｆ ｉ ｇ ． ２ Ｔ ｒ ａ ｉ ｎ ｉ ｎ ｇ ｃ ｏ ｎ ｓ ｅ ｑ ｕ ｅ ｎ ｔ ｏ ｆ ｂ ｏ ｉ ｌ ｅ ｒ ｔ ｈ ｅ ｒ ｍ ａ ｌ ｅ ｆ ｆ ｉ ｃ ｉ ｅ ｎ ｃ ｙ 图３ 锅炉热效率样本的相对误差 Ｆ ｉ ｇ ． ３ Ｒ ｅ ｌ ａ ｔ ｉ ｖ ｅ ｓ ａ ｍ ｐ ｌ ｉ ｎ ｇ ｅ ｒ ｒ ｏ ｒ ｏ ｆ ｂ ｏ ｉ ｌ ｅ ｒ ｔ ｈ ｅ ｒ ｍ ａ ｌ ｅ ｆ ｆ ｉ ｃ ｉ ｅ ｎ ｃ ｙ 对误差的平均绝对值为０． ０ ４ ８％； 校验样本的最大 相对误差绝对值为０． ３ １ ４％， 相对误差平均绝对值 为０． １ ４ ２％， 训 练 精 度 满 足 要 求， 具 有 较 高 的 泛 化性． 图４ ＮＯｘ排放质量浓度的训练效果 Ｆ ｉ ｇ ． ４ Ｔ ｒ ａ ｉ ｎ ｉ ｎ ｇ ｃ ｏ ｎ ｓ ｅ ｑ ｕ ｅ ｎ ｔ ｏ ｆ ＮＯｘｅ ｍ ｉ ｓ ｓ ｉ ｏ ｎ ｃ ｏ ｎ ｃ ｅ ｎ ｔ ｒ ａ ｔ ｉ ｏ ｎ 图５ ＮＯｘ排放质量浓度样本的相对误差 Ｆ ｉ ｇ ． ５ Ｒ ｅ ｌ ａ ｔ ｉ ｖ ｅ ｓ ａ ｍ ｐ ｌ ｉ ｎ ｇ ｅ ｒ ｒ ｏ ｒ ｏ ｆ ＮＯｘｅ ｍ ｉ ｓ ｓ ｉ ｏ ｎ ｃ ｏ ｎ ｃ ｅ ｎ ｔ ｒ ａ ｔ ｉ ｏ ｎ ６９５ 动 力 工 程 学 报 第３ ６卷 图４给出了 ＮＯｘ排放质量浓度的训练效果． 图 ５为 ＮＯｘ排放质量浓度样本的相对误差图． 由图５ 可知，ＮＯ ｘ排放质量浓度训练样本的最大相对误差 绝 对 值 为 ３． ３ １ ２％，相 对 误 差 平 均 绝 对 值 为 ０． ４ ６ ９％； 校验样本的最大相对误差绝对值为４％， 相对误差平均绝对值为１． ７ ９ ０％， 训练和校验的精 度都达到了要求． ３ 基于遗传算法的锅炉燃烧优化模型 ３． １ 燃烧优化模型的建立 基于前文已建立的锅炉热效率和 ＮＯｘ排放质 量浓度锅炉燃烧特性的 Ｂ Ｐ神经网络模型， 建立基 于遗传算法的锅炉燃烧优化模型， 优化模型中的适 应度函数采用Ｂ Ｐ神经网络模型来代替， 用Ｂ Ｐ神经 网络模型来评估优化效果， 优化的目标为锅炉热效 率和 ＮＯｘ排放质量浓度， 本质上属于多目标优化的 范畴． 笔者对２个要优化的目标分别给定一个权重 系数， 并进行线性相加， 将多目标优化问题转化为单 目标优化问题， 由于锅炉热效率和 ＮＯｘ排放质量浓 度两者数量级不同， 直接分配权重系数进行优化得 不到理想的优化结果， 所以要进行数据归一化处理， 分别将两者的数据归一化到［ ０，１］． 遗传算法的适应度函数可以表示为 ｍ ｉ ｎ Ｆ（ｘ）＝α（－η）＋β ρ ＋１（１） 式中 α、 β为锅炉热效率和 ＮＯｘ 排放质量浓度的权 重系数， 分别取０． ３、０． ７，０． ４、０． ６，０． ５、０． ５，０． ６、 ０． ４，０． ７、０． ３； 最后一项加１是为了保证适应度值始 终为正值． 种群个体全部采用二进制编码， 总种群个体数 设为５ ０， 每个变量的二进制位数为２ ０ ， 共计２ ０维， 交叉概率为０． ７， 变异概率为０． ０ ３ ５， 设置其最大迭 代次数为６ ０． 为了保证优化结果的合理性， 要将种 群中每个个体的变量即锅炉燃烧参数约束到一定范 围之内， 约束范围根据电厂实际运行经验确定， 即将 每个变量的二进制编码所代表的十进制参数约束在 一定范围内， 这样能缩小寻优范围， 提高优化结果的 可行性， 参数的约束范围见表２． 表２ 参数约束范围 Ｔ ａ ｂ ． ２ Ｐ ａ ｒ ａ ｍ ｅ ｔ ｅ ｒ ｃ ｏ ｎ ｓ ｔ ｒ ａ ｉ ｎ ｔ ｓ 参数 各一次 风风速／ （ｍｓ－１） 各给煤机 给煤量／ （ｔｈ－１） 各二次 风门开 度／％ 燃尽风 门开 度／％ 氧质量 分数／ ％ 约束范围２ ５～４ ５ ０～５ ０ ２ ０～１ ０ ０ ２ ０～１ ０ ０ ２～５． ５ ３． ２ 优化结果 不同权重系数比例下锅炉热效率和 ＮＯｘ排放 质量浓度的优化结果见图６～图１ ０． 为了更好地对 比优化结果， 表３列出了２组锅炉原始运行数据和 ５组不同权重系数比例下的优化结果， 其中第１组 和第２组数据为原始运行数据， 第３组～第７组对 应锅炉热效率与 ＮＯｘ排放质量浓度的权重系数比 例分别为０． ３ ∶ ０． ７、０． ４ ∶ ０． ６、０． ５ ∶ ０． ５、０． ６ ∶ ０． ４、 ０． ７ ∶ ０． ３时的优化结果． 当α＝０． ３、 β＝０． ７ （ 见图６ ） ， 即锅炉热效率的权 重系数比例为３ ０％，ＮＯｘ排放质量浓度的权重系数 比例为７ ０％时， 更应关注的是 ＮＯｘ排放质量浓度， 此时 ＮＯｘ排放质量浓度降低到３ １ ６． ７ ７ｍ ｇ ／ｍ ３， 比 １ ０ ０组运行数据的 ＮＯｘ排放质量浓度平均值（４ ４ ０ ｍ ｇ ／ｍ ３） 降低了近２ ８％， ＮＯｘ排放质量浓度优化效 果显著． 同时， 锅炉热效率提升到９ ２． ３％， 比１ ０ ０组 运行 数 据的 锅 炉热 效率平均值 （ ９ １． ７％） 提升了 ０． ６％， 其优化效果没有 ＮＯｘ排放质量浓度的优化 效果明显． 由表３可知， 与原始运行数据相比， 优化 后的锅炉燃烧参数表现为各层给煤量更加均匀， 配 风形式为下部缺氧燃烧的方式， 锅炉热效率和 ＮＯｘ 排放质量浓度均有所改善． 当α＝０． ４、 β＝０． ６ （ 见图７ ） ， 即锅炉热效率的权 重系数比例为４ ０％，ＮＯｘ排放质量浓度的权重系数 比例为６ ０％时， 较为关注的是 ＮＯｘ排放质量浓度， ＮＯｘ排放质量浓度由平均值降低到 ３ ６ １． ６ ８ ｍ ｇ／ ｍ ３， 降低约１ ８％， ＮＯｘ排放质量浓度优化效果比较 显著； 此时， 锅炉热效率由平均值提升到９ ２． ７ ５％， 提升了１． ０ ５％， 其优化效果比α＝０． ３、β ＝０． ７时的 优化效果更明显． 当α＝０． ５、 β＝０． ５ （ 见图８ ） ， 即锅炉热效率与 ＮＯｘ排放质量浓度的权重系数比例相同时， 两者的 关注程度也相同，ＮＯ ｘ排放质量浓度由平均值降低 到３ ７ ９． ０ ４ｍ ｇ ／ｍ ３， 降低约１ ４％； 锅炉热效率由平均 值提升到９ ３． ３ ７％， 提升了１． ６ ７％， 相对锅炉热效率 的现状来说， 其优化效果显著， 这个权重系数比例也 是大部分电厂比较倾向的， 在这个权重系数比例下 可以进行更深层次的研究． 当α＝０． ６、 β＝０． ４（ 见图９） ， 即锅炉热效率的权 重系数比例为６ ０％，ＮＯｘ排放质量浓度的权重系数 比例为４ ０％时， 比较关注的是锅炉热效率， 希望进 一步提升锅炉热效率， 此时ＮＯｘ排放质量浓度降低 到４ ２ ３． ９ ４ｍ ｇ ／ｍ ３， 较平均值降低了近４％， 优化效 果明显比之前的权重系数比例（ ７ ０％，６ ０％和５ ０％） 差了许多； 锅炉热效率由平均值提升到９ ３． ７ １％， 提 升了２． ０ １％， 其优化效果显著， 但这是以牺牲了一定 的 ＮＯ ｘ排放质量浓度为前提的． ７９５ 第８期 余廷芳， 等 基于智能算法的燃煤电站锅炉燃烧优化文章标题 图６ α＝０． ３、 β＝０． ７时的优化结果 Ｆ ｉ ｇ ． ６ Ｏ ｐ ｔ ｉ ｍ ｉ ｚ ａ ｔ ｉ ｏ ｎ ｒ ｅ ｓ ｕ ｌ ｔ ｓ（α＝０． ３，β＝０． ７） 图７ α＝０． ４、 β＝０． ６时的优化结果 Ｆ ｉ ｇ ． ７ Ｏ ｐ ｔ ｉ ｍ ｉ ｚ ａ ｔ ｉ ｏ ｎ ｒ ｅ ｓ ｕ ｌ ｔ ｓ（α＝０． ４，β＝０． ６） 图８ α＝０． ５、 β＝０． ５时的优化结果 Ｆ ｉ ｇ ． ８ Ｏ ｐ ｔ ｉ ｍ ｉ ｚ ａ ｔ ｉ ｏ ｎ ｒ ｅ ｓ ｕ ｌ ｔ ｓ（α＝０． ５，β＝０． ５） 图９ α＝０． ６、 β＝０． ４时的优化结果 Ｆ ｉ ｇ ． ９ Ｏ ｐ ｔ ｉ ｍ ｉ ｚ ａ ｔ ｉ ｏ ｎ ｒ ｅ ｓ ｕ ｌ ｔ ｓ（α＝０． ６，β＝０． ４） 表３ 优化前后运行参数的对比 Ｔ ａ ｂ ． ３ Ｃ ｏ ｍ ｐ ａ ｒ ｉ ｓ ｏ ｎ ｏ ｆ ｏ ｐ ｅ ｒ ａ ｔ ｉ ｏ ｎ ｐ ａ ｒ ａ ｍ ｅ ｔ ｅ ｒ ｓ ｂ ｅ ｆ ｏ ｒ ｅ ａ ｎ ｄ ａ ｆ ｔ ｅ ｒ ｏ ｐ ｔ ｉ ｍ ｉ ｚ ａ ｔ ｉ ｏ ｎ 序号 功率／ ＭＷ 各一次风风速／ （ｍｓ－１） 各给煤机给煤量／ （ｔｈ－１） Ａ Ｂ Ｃ Ｄ Ｅ Ａ Ｂ Ｃ Ｄ Ｅ １ ２ ９ ７． ６ ７ ３ ０． ４ ５ ３ ３． ７ ９ ３ ０． ７ ３ ３ ８． ６ ９ ３ ４． ３ ６ ４ ７． ０ ０ ２ ４． １ ６ ３ ３． ６ ５ ２ ７． １ ４ ３ ５． ８ ４ ２ ３ ０ ５． ０ ７ ３ ２． ６ ０ ３ ５． ３ １ ３ ２． ９ ６ ４ ２． ９ ９ ３ ４． ７ ４ ４ ９． ０ ０ ２ ７． ４ ９ ３ ９． ４ ９ ２ ８． ９ ７ ２ ７． ５ １ ３ ３ ０ ０． ０ ０ ２ ６． ６ ７ ２ ６． ９ ３ ２ ６． ６ ０ ３ ３． １ ６ ３ ０． ２ ０ ３ ９． ４ ９ ３ ６． ６ ３ ３ ３． ４ ３ ３ ０． ８ ２ ２ ７． ３ １ ４ ３ ０ ０． ０ ０ ２ ７． ５ １ ２ ７． ４ ９ ２ ８． ５ ７ ３ ２． ２ ５ ２ ９． ８ ８ ３ ８． １ １ ３ ３． ３ ９ ３ ０． ６ ９ ３ ６． ４ ２ ２ ８． ８ ７ ５ ３ ０ ０． ０ ０ ２ ７． ９ ８ ２ ８． ９ ２ ２ ７． ２ ６ ３ ４． ８ ７ ３ １． ９ ６ ３ ５． ６ ７ ３ ２． ８ ３ ３ ５． ４ ２ ３ ０． ６ ９ ３ ２． ８ ５ ６ ３ ０ ０． ０ ０ ２ ８． ５ ７ ２ ９． ３ １ ２ ８． １ ２ ３ ３． １ １ ３ ０． ４ １ ３ ４． ３ ３ ３ ０． ２ ２ ３ ４． ５ ３ ３ ３． １ ９ ３ ４． ２ ４ ７ ３ ０ ０． ０ ０ ２ ８． １ ７ ２ ９． ５ １ ２ ９． １ ３ ３ ５． ６ ６ ３ １． ９ ６ ３ ２． ９ ６ ３ ０． ０ ２ ３ ４． ２ ０ ３ ３． ２ １ ３ ５． ２ １ 序号 氧质量 分数／％ 各二次风门开度／％ ＡＡ Ａ Ｂ Ｂ Ｃ Ｃ Ｃ Ｄ Ｄ Ｄ Ｅ Ｅ Ｅ 燃尽风门 开度／％ ρ ／ （ｍ ｇｍ－３） η ／％ １ ２． ７ ３ ７ ０． ６ ０ ４ ４． ９ ９ ４ ４． １ ９ ３ ５． ４ ６ ３ ４． ８ ３ ５ ２． ２ ５ ４ ６． ３ ２ ６ ９． ７ ６ ４ ８ ９． ８ ４ ９ ２． １ ２ ９ ２ ３． １ ９ ６ ５． ５ ５ ４ ９． ８ ７ ４ ０． ３ ３ ３ ９． ６ ２ ４ ０． ５ １ ５ ６． ９ ８ ４ ９． １ ６ ７ ０． ４ ６ ４ ２ ９． １ ９ ９ ０． ９ ６ ０ ３ ２． ５ ９ ３ ４． ０ ６ ４ ４． ２ ０ ５ ８． ５ ６ ７ ３． ８ ４ ４ ５． ２ ３ ５ ６． ４ ３ ５ １． ４ ３ ７ １． １ ５ ３ １ ６． ７ ７ ９ ２． ３ ０ ０ ４ ２． ７ ３ ３ ６． ４ ５ ４ ６． ０ ０ ６ ２． ７ ９ ７ ０． ８ ３ ４ ９． ５ ４ ５ ３． ９ ２ ５ ３． ５ １ ６ １． ５ ６ ３ ６ １． ６ ８ ９ ２． ７ ５ ０ ５ ２． ９ ５ ４ ５． ５ ５ ３ ５． １ ８ ６ ３． ２ ６ ６ ８． ２ ８ ４ ６． ０ ８ ５ ６． ３ ８ ５ １． ０ ７ ５ ５． ８ ２ ３ ７ ９． ０ ４ ９ ３． ３ ７ ０ ６ ３． ２ ８ ５ １． ９ ７ ６ １． ８ ３ ４ ９． ６ ３ ６ ３． ０ ２ ５ ３． ０ ７ ４ ６． １ ９ ５ ５． ０ １ ５ ０． ２ ４ ４ ２ ３． ９ ４ ９ ３． ７ １ ０ ７ ３． ５ ４ ４ ９． １ ９ ５ ９． ５ ７ ５ ５． ４ ７ ６ ５． ２ １ ６ ５． １ ８ ５ １． ０ ０ ５ ６． ２ ３ ４ ２． １ ８ ４ ７ ７． ５ ０ ９ ３． ９ ６ ０ 当α＝０． ７、 β＝０． ３ （ 见图１ ０） ， 即锅炉热效率的 权重系数比例为７ ０％，ＮＯｘ排放质量浓度的权重系 数比例为３ ０％时， 更应关注的是锅炉热效率， 这种 方案大部分是将 ＮＯｘ排放质量浓度控制在某个限 定值之内， 寻求锅炉热效率最大化， 此时 ＮＯｘ的排 放质量浓度优化到４ ７ ７． ５ ０ｍ ｇ ／ｍ ３， ＮＯｘ排放质量 浓度没有得到有效的降低， 而此时锅炉热效率却达 到最高， 由平均值提升到９ ３． ９ ６％， 提升了２． ２ ６％， 达到本次优化锅炉热效率的最高值． 从表３中第７ 组优化后的运行数据来看， 氧质量分数提高了， 二次 ８９５ 动 力 工 程 学 报 第３ ６卷 风基本对应均等配风， 对应的锅炉热效率提高， 但 ＮＯｘ排放质量浓度明显升高， 可见锅炉热效率的提 高是以 ＮＯｘ排放质量浓度提高为代价的． 这种方案 的前提是 ＮＯｘ排放质量浓度在后续的脱氮工艺流 程中会得到有效控制， 从而达到国家规定排放标准． 图１ ０ α＝０． ７、 β＝０． ３时的优化结果 Ｆ ｉ ｇ ． １ ０ Ｏ ｐ ｔ ｉ ｍ ｉ ｚ ａ ｔ ｉ ｏ ｎ ｒ ｅ ｓ ｕ ｌ ｔ ｓ（α＝０． ７，β＝０． ３） ４ 结 论 （１） 锅炉热效率训练样本的相对误差平均绝对 值为０． ０ ４ ８％， 校验样本的相对误差平均绝对值为 ０． １ ４ ２％，ＮＯｘ排放质量浓度训练样本的相对误差 平均绝对值为０． ４ ６ ９％， 校验样本的相对误差平均 绝对值为１． ７ ９ ０％， 可以满足要求． （ ２ ） 当 α＝０． ３、 β＝０． ７时， ＮＯｘ排放质量浓度 降低了近２ ８％， 锅炉热效率提升了０． ６％； 当α＝ ０． ４、 β＝０． ６时， ＮＯｘ排放质量浓度降低约１ ８％， 锅 炉热效率提升了１． ０ ５％； 当α＝０． ５、 β＝０． ５时， ＮＯｘ 排放 质 量 浓 度 降 低 约 １ ４％， 锅 炉 热 效 率 提 升 了 １． ６ ７％ ； 当 α＝０． ６、 β＝０． ４时， ＮＯｘ排放质量浓度 降低了近４％， 锅炉热效率提升了２． ０ １％； 当α＝ ０． ７、 β＝０． ３时， ＮＯｘ排放质量浓度没有得到有效降 低， 而锅炉热效率却提升了２． ２ ６％． （ ３） 优化后的一次风风速在保证煤粉输运的前 提下较原始运行数据有所降低， 各层给煤量基本均 匀， 燃烧器下部缺氧燃烧及提高燃尽风量有利于抑 制 ＮＯ ｘ的生成， 而适当提高氧质量分数及采用均等 配风有利于提高锅炉热效率． 参考文献 ［１］ 尹凌霄， 王明春， 尚强． 燃煤锅炉 ＮＯｘ排放浓度的智 能预报 ［Ｊ］． 热 能 动 力 工 程， ２ ０ １ ４，２ ９（３） ２ ７ ９－２ ８ ３， ３ ４ ３． Ｙ Ｉ Ｎ Ｌ ｉ ｎ ｇ ｘ ｉ ａ ｏ，ＷＡＮＧ Ｍ ｉ ｎ ｇ ｃ ｈ ｕ ｎ，Ｓ ＨＡＮＧ Ｑ ｉ ａ ｎ ｇ ． Ｉ ｎ ｔ ｅ ｌ ｌ ｉ ｇ ｅ ｎ ｔ ｐ ｒ ｅ ｄ ｉ ｃ ｔ ｉ ｏ ｎ ｏ ｆ ｔ ｈ ｅ ＮＯｘｅ ｍ ｉ ｓ ｓ ｉ ｏ ｎ ｓ ｃ ｏ ｎ ｃ ｅ ｎ ｔ ｒ ａ－ ｔ ｉ ｏ ｎ ｏ ｆ ａ ｃ ｏ ａ ｌ－ｆ ｉ ｒ ｅ ｄ ｂ ｏ ｉ ｌ ｅ ｒ［Ｊ］． Ｊ ｏ ｕ ｒ ｎ ａ ｌ ｏ ｆ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ ｆ ｏ ｒ Ｔ ｈ ｅ ｒ ｍ ａ ｌ Ｅ ｎ ｅ ｒ ｇ ｙ ａ ｎ ｄ Ｐ ｏ ｗ ｅ ｒ，２ ０ １ ４，２ ９（ ３） ２ ７ ９－ ２ ８ ３，３ ４ ３． ［２］ 顾燕萍， 赵文杰， 吴占松．基于最小二乘支持向量机的 电站锅炉燃烧优化［Ｊ］．中国电机工程学报， ２ ０ １ ０，３ ０ （１ ７） ９ １－９ ７． ＧＵ Ｙ ａ ｎ ｐ ｉ ｎ ｇ，Ｚ ＨＡＯ Ｗ ｅ ｎ ｊ ｉ ｅ，ＷＵ Ｚ ｈ ａ ｎ ｓ ｏ ｎ ｇ ．Ｃ ｏ ｍ－ ｂ ｕ ｓ ｔ ｉ ｏ ｎ ｏ ｐ ｔ ｉ ｍ ｉ ｚ ａ ｔ ｉ ｏ ｎ ｆ ｏ ｒ ｕ ｔ ｉ ｌ ｉ ｔ ｙ ｂ ｏ ｉ ｌ ｅ ｒ ｂ ａ ｓ ｅ ｄ ｏ ｎ ｌ ｅ ａ ｓ ｔ ｓ ｑ ｕ ａ ｒ ｅ－ｓ ｕ ｐ ｐ ｏ ｒ ｔ ｖ ｅ ｃ ｔ ｏ ｒ ｍ ａ ｃ ｈ ｉ ｎ ｅ［Ｊ］． Ｐ ｒ ｏ ｃ
展开阅读全文
