基于反向传播-向量评价遗传算法模型的燃煤电站锅炉燃烧多目标优化.pdf-_矿业文库_煤矿文库_有色文库_金属矿山文库_矿山安全_煤矿安全_采矿技术措施

资源描述：

第一作者余廷芳，男，１９７４年生，博士，副教授，研究方向为锅炉燃烧优化与人工智能应用。＃通讯作者。＊国家自然科学基金资助项目（Ｎｏ．６１２６２０４８）。基于反向传播－向量评价遗传算法模型的燃煤电站锅炉燃烧多目标优化＊余廷芳耿平＃曹孟冰霍二光（南昌大学机电工程学院，江西南昌３３００３１）摘要基于ＭＡＴＬＡＢ智能工具箱对某３００ＭＷ电站锅炉进行燃烧优化。利用反向传播（ＢＰ）神经网络分别建立了锅炉热效率和ＮＯｘ排放预测模型，用以预测锅炉热效率和ＮＯｘ排放特性。锅炉热效率预测的校验样本相对误差平均绝对值为０．２１００％，ＮＯｘ排放量预测的校验样本相对误差平均绝对值为２．４１００％，表明模型具有良好的准确性和泛化性。借助向量评价遗传算法（ＶＥＧＡ）优化模型得到锅炉热效率和ＮＯｘ排放量的优质解集合。３００ＭＷ负荷下锅炉热效率优质解集合为９２．９３％～９３．６４％，ＮＯｘ排放量优质解集合为３６７～４１３ｍｇ／ｍ３；２７０ＭＷ负荷下锅炉热效率优质解集合为９２．２６％～９３．５６％，ＮＯｘ排放量优质解集合为３６０～４１６ｍｇ／ｍ３。研究结果对实际的电站锅炉燃烧具有一定的指导意义。关键词电站锅炉锅炉热效率ＮＯｘ排放量多目标优化ＤＯＩ１０．１５９８５／ｊ．ｃｎｋｉ．１００１－３８６５．２０１６．１０．００３Ｃｏｍｂｕｓｔｉｏｎｍｕｌｔｉ－ｏｂｊｅｃｔｉｖｅｏｐｔｉｍｉｚａｔｉｏｎｆｏｒｕｔｉｌｉｔｙｂｏｉｌｅｒｓｂａｓｅｄｏｎＢＰ－ＶＥＧＡｍｏｄｅｌＹＵＴｉｎｇｆａｎｇ，ＧＥＮＧＰｉｎｇ，ＣＡＯＭｅｎｇｂｉｎｇ，ＨＵＯＥｒｇｕａｎｇ．（ＳｃｈｏｏｌｏｆＭｅｃｈａｎｉｃａｌ＆ＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，ＮａｎｃｈａｎｇＵｎｉｖｅｒｓｉｔｙ，ＮａｎｃｈａｎｇＪｉａｎｇｘｉ３３００３１）ＡｂｓｔｒａｃｔＢａｓｅｄｏｎＭＡＴＬＡＢａｒｔｉｆｉｃｉａｌｉｎｔｅｌｌｉｇｅｎｃｅｔｏｏｌｂｏｘ，ｍｕｌｔｉ－ｏｂｊｅｃｔｉｖｅｏｐｔｉｍｉｚａｔｉｏｎｃｏｍｂｕｓｔｉｏｎｍｏｄｅｌｏｆａ３００ＭＷｕｔｉｌｉｔｙｂｏｉｌｅｒｗａｓｅｓｔａｂｌｉｓｈｅｄ．ＭｏｄｅｌｓｏｆｂｏｉｌｅｒｔｈｅｒｍａｌｅｆｆｉｃｉｅｎｃｙａｎｄＮＯｘｅｍｉｓｓｉｏｎｓｗｅｒｅｅｓｔａｂｌｉｓｈｅｄｔｏｐｒｅ－ｄｉｃｔｂｏｉｌｅｒｔｈｅｒｍａｌｅｆｆｉｃｉｅｎｃｙａｎｄＮＯｘｅｍｉｓｓｉｏｎｓｂｙｂａｃｋｐｒｏｐａｇａｔｉｏｎ（ＢＰ）ｎｅｕｒａｌｎｅｔｗｏｒｋ．Ｓｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｓｓｈｏｗｅｄｔｈａｔｔｈｅａｖｅｒａｇｅａｂｓｏｌｕｔｅｖａｌｕｅｓｏｆｒｅｌａｔｉｖｅｅｒｒｏｒｓｗｅｒｅ０．２１００％ａｎｄ２．４１００％ｆｏｒｂｏｉｌｅｒｔｈｅｒｍａｌｅｆｆｉｃｉｅｎｃｙａｎｄＮＯｘｅｍｉｓｓｉｏｎｓ，ｒｅｓｐｅｃｔｉｖｅｌｙ，ｉｎｄｉｃａｔｉｎｇｔｈａｔｔｈｅｍｏｄｅｌｓｈａｄｇｏｏｄａｃｃｕｒａｃｙａｎｄｇｅｎｅｒａｌｉｚａｔｉｏｎａｂｉｌｉｔｙ．Ｔｈｅｎｃｏｍｂｉｎｅｄｗｉｔｈｔｈｅｖｅｃｔｏｒｅｖａｌｕａｔｅｄｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍ（ＶＥＧＡ）ｏｐｔｉｍｉｚａｔｉｏｎｔｏｏｌ，ｈｉｇｈ－ｑｕａｌｉｔｙｓｏｌｕｔｉｏｎｓｅｔｆｏｒｂｏｉｌｅｒｍｕｌｔｉ－ｏｂｊｅｃｔｉｖｅｏｐｔｉｍｉｚａｔｉｏｎｃｏｍｂｕｓｔｉｏｎｗａｓｏｂｔａｉｎｅｄ．Ｕｎｄｅｒｔｈｅｌｏａｄｏｆ３００ＭＷ，ｔｈｅｈｉｇｈ－ｑｕａｌｉｔｙｓｏｌｕｔｉｏｎｓｅｔｏｆｂｏｉｌｅｒｔｈｅｒｍａｌｅｆｆｉ－ｃｉｅｎｃｙｗａｓ９２．９３％－９３．６４％，ａｎｄｔｈｅｈｉｇｈ－ｑｕａｌｉｔｙｓｏｌｕｔｉｏｎｓｅｔｏｆＮＯｘｅｍｉｓｓｉｏｎｓｗａｓ３６７－４１３ｍｇ／ｍ３．Ｕｎｄｅｒｔｈｅｌｏａｄｏｆ２７０ＭＷ，ｔｈｅｈｉｇｈ－ｑｕａｌｉｔｙｓｏｌｕｔｉｏｎｓｅｔｏｆｂｏｉｌｅｒｔｈｅｒｍａｌｅｆｆｉｃｉｅｎｃｙｗａｓ９２．２６％－９３．５６％，ａｎｄｔｈｅｈｉｇｈ－ｑｕａｌｉｔｙｓｏｌｕ－ｔｉｏｎｓｅｔｏｆＮＯｘｅｍｉｓｓｉｏｎｓｗａｓ３６０－４１６ｍｇ／ｍ３．Ｔｈｅｒｅｓｕｌｔｓｃｏｕｌｄｂｅａｃｅｒｔａｉｎｓｉｇｎｉｆｉｃａｎｔｇｕｉｄｅｆｏｒｔｈｅｕｔｉｌｉｔｙｂｏｉｌｅｒｃｏｍｂｕｓｔｉｏｎｏｐｅｒａｔｉｏｎ．Ｋｅｙｗｏｒｄｓｕｔｉｌｉｔｙｂｏｉｌｅｒ；ｂｏｉｌｅｒｔｈｅｒｍａｌｅｆｆｉｃｉｅｎｃｙ；ＮＯｘｅｍｉｓｓｉｏｎｓ；ｍｕｌｔｉ－ｏｂｊｅｃｔｉｖｅｏｐｔｉｍｉｚａｔｉｏｎ影响电站锅炉热效率和ＮＯｘ排放的因素复杂，对于既定锅炉，锅炉负荷、炉膛氧量、炉内配风方式以及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，造成燃煤锅炉的燃烧数据分析困难。当前，智能算法在电站锅炉热效率和ＮＯｘ排放等方面的预测优化建模中取得了一定成果。谷丽景等［１］和吕玉坤等［２］借助人工神经网络建立了锅炉热效率和ＮＯｘ排放的混合预测模型；王伟等［３］借助自适应矫正加权最小二乘支持向量机（ＷＬＳＳＶＭ）实现了飞灰含碳量的软测量；孙卫红等［４］借助于改进的粒子群优化算法（ＰＯＳ）优化参数的最小二乘支持向量机（ＬＳＳＶＭ）建立ＮＯｘ排放预测模型；何勇超［５］借助误差反向传播（ＢＰ）－遗传算法（ＧＡ）神经网络建立了锅炉燃烧预测模型；卢洪波等［６］、王金龙等［７］、吴锋等［８］和顾燕萍等［９］借助支持向量机建立了锅炉热效率、ＮＯｘ排放和飞灰含碳量预测模型，同时在此基础上借助ＧＡ、粒子群算法、微分进化算法分别建立了锅炉燃烧优化模型，并进行了对比；张振星等［１０］借助果蝇优化算法建立了锅炉高效率低ＮＯｘ燃烧优化模型。上述研究工作虽然在燃煤锅炉优化中取得了一２１环境污染与防治第３８卷第１０期２０１６年１０月定效果，但均需要在燃烧特性预测建模及优化算法上花费大量的编程精力，导致应用效果往往取决于研究者的建模和算法编程能力。专业的ＭＡＴＬＡＢ智能工具箱在此方面存在巨大优势［１１－１３］。ＭＡＴ－ＬＡＢ智能工具箱主要包括神经网络、ＧＡ、控制系统、小波分析、信号处理等多种工具箱，这些工具箱是一系列函数的集合，使用工具箱解决问题时不需要编写相应函数的具体程序，只需调用函数即可，并且大部分函数可根据所解决的具体问题而更改相应的参数设置，节省了编程时间，可以帮助专业研究人员从大量的智能建模算法中解放出来，将主要精力放在研究对象的专业领域，建立有针对性的锅炉燃烧多目标优化模型。本研究基于某３００ＭＷ电站锅炉的运行数据，借助ＭＡＴＬＡＢ智能工具箱，以ＢＰ神经网络分别建立锅炉热效率和ＮＯｘ排放预测模型，在此基础上以向量评价遗传算法（ＶＥＧＡ）建立锅炉燃烧的优化模型，寻求锅炉热效率和ＮＯｘ排放量的优质解集合，实现锅炉热效率和ＮＯｘ排放多目标优化。１研究对象介绍３００ＭＷ电站锅炉为亚临界、四角切圆燃烧、自然循环汽包炉。锅炉采用单炉膛型露天布置，燃用烟煤，一次中间再热，平衡通风，固态排渣，全钢架、全悬吊结构，炉顶带金属防雨罩。锅炉燃烧器采用水平浓淡型直流摆动煤粉燃烧器，浓淡两股风、粉气流从炉膛四角喷入，每角燃烧器共布置１３层喷口，包括５层一次风口、８层二次风口（包括１层消旋二次风（ＯＦＡ）喷口）。采用中速磨煤机／冷一次风机／正压直吹式制粉系统，配５台磨煤机与５台给煤机。２ＢＰ神经网络预测模型２．１建立ＢＰ神经网络预测模型从电站热态试验测试数据和运行数据库中精选出１００组数据作为本次试验的样本，每个样本的数据是工况稳定运行２ｈ以上的平均值，保证了样本数据的可靠性与合理性。其中，８０组作为ＢＰ神经网络的训练样本，２０组作为校验样本。每组数据有２２个维度，１～２０维包括锅炉负荷、炉膛氧量、一次风、二次风、燃尽风和给煤机给煤量等参数，２１～２２维为ＮＯｘ排放量和锅炉热效率，部分数据见表１和表２。飞灰含碳量数据通过飞灰含碳量在线检测系统（试验期间经过了标定）获取，煤质数据按照试验要求采样检测，锅炉热效率通过离线计算获得，其余均为在线采集的表盘数据。由于ＶＥＧＡ优化模型的需要，借助ＢＰ神经网络分别建立锅炉热效率和ＮＯｘ排放预测模型，输入每组数据的１～２０维，它们分别代表了锅炉负荷，一、二次风配比，过量空气系数等因素对锅炉燃烧的影响，以同样的训练数据分别训练锅炉效率和ＮＯｘ排放预测模型，模型如图１所示。采用ＭＡＴＬＡＢ神经网络工具箱自带的ｆｅｅｄ－ｆｏｒｗａｒｄｎｅｔ函数创建ＢＰ神经网络，采用３层网络，隐含层设为１层，ｔｒａｉｎｌｍ函数作为网络的训练函数，传递函数、学习速率等采用ｆｅｅｄｆｏｒｗａｒｄｎｅｔ函数的默认设置，经过试验，隐含层节点设置为２３个时训练效果最佳。２．２ＢＰ神经网络预测模型效果验证表１试验数据样本的给煤量和一次风风速Ｔａｂｌｅ１Ｔｈｅｃｏａｌａｍｏｕｎｔａｎｄｐｒｉｍａｒｙｗｉｎｄｓｐｅｅｄｏｆｅｘｐｅｒｉｍｅｎｔａｌｄａｔａｓａｍｐｌｅｓ试验数据样本负荷／ＭＷ给煤量１）／（ｔｈ－１）１＃２＃３＃４＃５＃一次风风速１）／（ｍｓ－１）１＃２＃３＃４＃５＃１３０３．９４５０．００２４．０６２９．７１３９．９７３２．７４３０．９８３５．７２３０．２０４３．７６３６．５８４０３０６．７１５２．００２８．０２３７．２４３８．００３４．８８３７．６７３６．２０３３．８１４５．５０３８．１４４１２９７．０５５０．００２６．４０３６．５６３８．００２９．８４３４．７５３７．０４３２．５０４４．６９３５．００４２２９９．２１５１．００２４．７５３２．５７４７．１６３１．７９３４．８７３５．９０３１．２１４２．１７３６．９２４３２９７．８６５５．００２８．４５３６．２０４３．３４２３．７０３２．４９３６．８９３３．４９３８．８１３６．２８４４３０４．４９４６．００２９．５３３４．７９４１．４２３６．４７３０．１６３８．４８２９．５６４０．８３３４．４５９６２７４．５７４０．００２５．３２３３．６８３３．０９３５．７１３３．７５３６．８１３４．４１４７．４５３７．３８９７２７４．４８３８．００２２．９１２７．９３３１．６２２６．３３３３．００３４．８２３２．２５４２．２５３１．３９９８２７５．９４４０．００２４．２７３０．６１３５．７２２９．６１３３．８５３５．０５３２．２１４３．１９３３．１７９９２７８．６１４２．００２５．２８２７．３３３４．３４２７．８６３１．７９３６．４７３１．４２４２．４６３５．３６１００２７２．１２４３．００２５．０２３１．０５３７．７２３０．７９３１．０２３７．２９３０．４３４４．６６３４．７６注１）１＃、２＃、３＃、４＃、５＃分别为不同给煤机。３１余廷芳等基于反向传播－向量评价遗传算法模型的燃煤电站锅炉燃烧多目标优化表２试验数据样本的二次风开度、炉膛氧量、ＯＦＡ开度、ＮＯｘ排放量与锅炉热效率Ｔａｂｌｅ２Ｔｈｅｓｅｃｏｎｄａｒｙｗｉｎｄｄｉｓｔｒｉｂｕｔｉｏｎ，ｆｕｒｎａｃｅｏｘｙｇｅｎ，ＯＦＡｄｉｓｔｒｉｂｕｔｉｏｎ，ＮＯｘｅｍｉｓｓｉｏｎｓａｎｄｂｏｉｌｅｒｔｈｅｒｍａｌｅｆｆｉｃｉｅｎｃｙｓｏｆｅｘｐｅｒｉｍｅｎｔａｌｄａｔａｓａｍｐｌｅｓ试验数据样本二次风开度１）／％ＡＡＡＢＢＣＣＣＤＤＤＥＥＥ炉膛氧量２）／％ＯＦＡ开度／％ＮＯｘ排放量／（ｍｇｍ－３）锅炉热效率／％１６４．９０４８．９３４２．７９３３．３４４５．８５５２．４６５８．６４３．０２７２．３３４１２．７６９２．２６４０７０．６４６１．８３５３．７５３６．５９４４．９２４３．６９４４．８８２．４３５９．４２５８６．２９９１．１１４１７５．６９６２．９８５３．１４３７．４２４９．２２５６．５４５３．０２３．０３７２．２７５０６．２６９０．９８４２６８．９２５９．０７４９．２５３３．５１４４．６５５２．５２５２．１０３．２５６７．６４５４０．３８９１．１９４３６９．０２５９．０７４９．２５３３．５１４４．５３５４．３９５５．２４３．８８６９．３３４５８．０４９０．７２４４６６．９９５３．９３４３．８４３３．５１４４．２３５０．０５５１．２４３．４９６６．４６４０２．６５９１．５６９６７０．５９６２．００５２．１６３５．４６４４．７７４６．９６４８．４１３．７９４６．７２４２８．３４９１．９７９７６３．１７５０．２５４０．４５２９．２１３９．９３５１．５７５３．３６４．２１６８．８４４７３．６２９１．９１９８６３．２８５０．２５４０．４５２９．３２４０．０３５１．４７５３．３９４．０３６８．３２４９９．７３９２．０６９９６９．１０５６．２１４４．８２３４．０５４７．９３５１．９７５７．７４３．１７６２．２２４３２．７６９１．９６１００７２．２５５０．９１４０．９０２７．５２３７．４５４８．８０５０．３０３．７６７５．６８４３７．６１９２．２７注１）ＡＡ、ＡＢ、ＢＣ、ＣＣ、ＤＤ、ＤＥ和ＥＥ分别为不同风口；２）以质量分数计。图１锅炉燃烧系统ＢＰ神经网络预测模型Ｆｉｇ．１ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｍｏｄｅｌｏｆｂｏｉｌｅｒｃｏｍｂｕｓｔｉｏｎｓｙｓｔｅｍ为了直观地分析所建立的ＢＰ神经网络预测模型，分别绘制了锅炉热效率和ＮＯｘ排放量的训练效果图和校验图（见图２至图５）。由于锅炉热效率的变化范围狭窄，对其精确度要求较高，将其相对误差控制在０．５％以内；ＮＯｘ排放量的变化范围较大，对其精确度要求相对较低，故将其相对误差控制在５％以内。锅炉热效率的训练效果如图２所示。图２表征了锅炉热效率预测模型训练过程预测值与实际值的重合度。该模型的训练样本相对误差最大绝对值为０．３０００％，最小绝对值为０．０００２％，平均绝对值为０．０５００％，训练准确度满足要求。已经训练完成的锅炉热效率预测模型的校验样本相对误差如图３所示。图３表征了该预测模型的泛化性及精确度。校验样本相对误差最大绝对值为０．３８００％，最小绝对值为０．０２６０％，平均绝对值为０．２１００％，表明锅炉热效率预测模型具有良好的泛化性和较高的精确度。ＮＯｘ排放量的训练效果如图４所示。图４表征了ＮＯｘ排放预测模型训练过程预测值与实际值的重合度。该模型的训练样本相对误差最大绝对值为３．６８００％，最小绝对值为０．００７０％，平均绝对值为１．３３００％，训练准确度满足本次试验的要求。已经训练完成的ＮＯｘ排放预测模型的校验样本相对误差如图５所示。图５表征了该模型的泛化性和精确度，校验样本相对误差最大绝对值为４．０７００％，最小绝对值为０．３２００％，平均绝对值为２．４１００％，表明ＮＯｘ排放预测模型的泛化性和精确度符合要求。３基于ＢＰ－ＶＥＧＡ模型的锅炉燃烧优化模型３．１模型的建立ＶＥＧＡ是ＳＣＨＡＦＦＥＲ在研究多目标优化问题时，在扩展简单遗传算法（ＳＧＡ）的基础上提出［１４］。该算法的基本思想是将总种群个体均分，均分的数量取决于待优化目标函数的个数。本次建模有两个目标函数，即锅炉热效率和ＮＯｘ排放量，对于均分后的每个子种群，都有各自的目标函数，这些目标函数都是独立且互不影响，在各自的子种群中进行选择运算。选择出适应度高的个体重新组成新的子种群，适应度函数来自前面所建立的锅炉热效率和ＮＯｘ排放预测模型。将新生成的子种群重新合并成总种群，这个总种群再继续进行交叉、变异，生成下一代新的总种群，如此往复循环，最终会求得锅炉燃烧多目标问题的优质解集合，ＶＥＧＡ流程图如图６所示。４１环境污染与防治第３８卷第１０期２０１６年１０月图２锅炉热效率的训练效果Ｆｉｇ．２Ｔｈｅｔｒａｉｎｉｎｇｒｅｓｕｌｔｏｆｔｈｅｂｏｉｌｅｒｔｈｅｒｍａｌｅｆｆｉｃｉｅｎｃｙ图３锅炉热效率校验样本的相对误差Ｆｉｇ．３Ｔｈｅｒｅｌａｔｉｖｅｅｒｒｏｒｏｆｔｈｅｂｏｉｌｅｒｔｈｅｒｍａｌｅｆｆｉｃｉｅｎｃｙｏｆｃａｌｉｂｒａｔｉｏｎｓａｍｐｌｅｓ图４ＮＯｘ排放量的训练效果Ｆｉｇ．４ＴｈｅｔｒａｉｎｉｎｇｒｅｓｕｌｔｏｆＮＯｘｅｍｉｓｓｉｏｎｓ图５ＮＯｘ排放量校验样本的相对误差Ｆｉｇ．５ＴｈｅｒｅｌａｔｉｖｅｅｒｒｏｒｏｆＮＯｘｅｍｉｓｓｉｏｎｓｏｆｃａｌｉｂｒａｔｉｏｎｓａｍｐｌｅｓ设置ＶＥＧＡ优化模型的技术参数和ＳＧＡ相同，种群个体全部采用二进制编码，总种群个体数目设为１００，根据待优化目标函数将总群体分为两个子群体，初始子群体各有５０个个体，每个个体有２０维变量，设每个变量的二进制位数为２０，代沟为０．９，交叉概率为０．７００，变异概率为０．０３５，设置其迭代次数为５０。为了提高优化结果的合理性，将种群中每个个体的变量（即锅炉燃烧参数）约束到一定的范围内，５１余廷芳等基于反向传播－向量评价遗传算法模型的燃煤电站锅炉燃烧多目标优化注ｎ为子种群总数；ｉ为迭代次数。图６ＶＥＧＡ流程图Ｆｉｇ．６ＦｌｏｗｃｈａｒｔｏｆＶＥＧＡ约束范围根据电站实际运行经验确定，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，这样能够缩小寻优范围，提高优化结果的可行性，找到锅炉优化燃烧参数的最优组合集，如一、二次配风方式，给煤机给煤量分配等锅炉可调参数的最优组合方式。３．２模型优化结果选择该燃煤锅炉３００、２７０ＭＷ两种运行负荷进行优化，考虑到两种负荷下某些锅炉运行参数的约束范围不同，故分为两组分别进行优化。两种负荷下所得到的锅炉热效率和ＮＯｘ排放量多目标优化的优质解集合分别见图７和图８。５０次迭代的结果，就是５０组锅炉热效率优质解集合与５０组ＮＯｘ排放量优质解集合，可根据燃煤锅炉的实际情况，以锅炉热效率或者ＮＯｘ排放量为依据选取优质解所对应的锅炉优化参数组合。图７３００ＭＷ负荷下锅炉热效率和ＮＯｘ排放量的优质解集合Ｆｉｇ．７Ｔｈｅｈｉｇｈ－ｑｕａｌｉｔｙｓｏｌｕｔｉｏｎｓｅｔｓｏｆｂｏｉｌｅｒｔｈｅｒｍａｌｅｆｆｉｃｉｅｎｃｙａｎｄＮＯｘｅｍｉｓｓｉｏｎｓｏｆ３００ＭＷｂｏｉｌｅｒ从图７可以看出，优化后的锅炉热效率优质解集合为９２．９３％～９３．６４％，与优化前相比，锅炉热效率平均约提高１百分点。优化后ＮＯｘ排放量优质解集合为３６７～４１３ｍｇ／ｍ３，比优化前的ＮＯｘ排放图８２７０ＭＷ负荷下锅炉热效率和ＮＯｘ排放量的优质解集合Ｆｉｇ．８Ｔｈｅｈｉｇｈ－ｑｕａｌｉｔｙｓｏｌｕｔｉｏｎｓｅｔｓｏｆｂｏｉｌｅｒｔｈｅｒｍａｌｅｆｆｉｃｉｅｎｃｙａｎｄＮＯｘｅｍｉｓｓｉｏｎｓｏｆ２７０ＭＷｂｏｉｌｅｒ量明显减少。由图８可以看出２７０ＭＷ负荷下锅炉热效率优质解集合为９２．２６％～９３．５６％，稍低于３００ＭＷ负荷下的锅炉热效率优质解集合；ＮＯｘ排放量优质解集合为３６０～４１６ｍｇ／ｍ３，ＮＯｘ排放量优化效果更明显。但是，在迭代２０次后，２７０ＭＷ负荷下锅炉热效率与ＮＯｘ排放量的优质解变化趋于停滞，而３００ＭＷ负荷下锅炉热效率与ＮＯｘ排放量的优质解在迭代近４０次时才趋于停滞。因此，满足锅炉热效率与ＮＯｘ排放量的优质解集合的前提下，３００ＭＷ负荷下可选择的锅炉运行参数组合多于２７０ＭＷ负荷。４结论（１）借助ＢＰ神经网络分别建立锅炉热效率和ＮＯｘ排放预测模型。锅炉热效率预测模型的训练样本相对误差平均绝对值为０．０５００％，校验样本的相对误差平均绝对值为０．２１００％；ＮＯｘ排放预测模型的训练样本相对误差平均绝对值为１．３３００％，校验样本的相对误差平均绝对值为２．４１００％，预测模型均具有较高的准确度、精确度和泛化性。（２）基于已经训练完成的锅炉热效率和ＮＯｘ排放预测模型，结合ＶＥＧＡ优化模型对锅炉负荷分别为３００、２７０ＭＷ时进行燃烧多目标优化，分别得到了不同负荷下的锅炉热效率和ＮＯｘ排放量优质解集合。３００ＭＷ负荷下锅炉热效率优质解集合为９２．９３％～９３．６４％，ＮＯｘ排放量优质解集合为３６７～４１３ｍｇ／ｍ３；２７０ＭＷ负荷锅炉热效率优质解集合为９２．２６％～９３．５６％，ＮＯｘ排放量优质解集合为（下转第３２页）６１环境污染与防治第３８卷第１０期２０１６年１０月３结论筛选风车草、香根草、再力花、芦荻、美人蕉５种湿地植物作为反硝化碳源。结果表明，５种湿地植物释碳能力为风车草＞再力花＞芦荻＞香根草＞美人蕉，风车草ＣＯＤ释放量最高，为（１２９．２６．２）ｍｇ／（ｇＬ），美人蕉ＣＯＤ释放量最低，为（５３．８７．９）ｍｇ／（ｇＬ）；５种湿地植物在静态碳源释放过程中ＴＮ、ＴＰ释放量均较低，对出水水质影响较小。静态反硝化脱氮实验中，风车草和再力花脱氮效果最好，反硝化出水中硝态氮质量浓度降低至３ｍｇ／Ｌ左右，硝态氮去除率均达８８％左右，出水ＣＯＤ在１００ｍｇ／Ｌ左右，ＣＯＤ去除率均达到８４％左右。在低Ｃ／Ｎ生活污水反硝化脱氮中试实验中，以风车草作为反硝化碳源材料，在１０ｄ的反硝化过程中，出水ＣＯＤ稳定在３５ｍｇ／Ｌ左右，出水ＴＮ在４．３ｍｇ／Ｌ，达到ＧＢ１８９１８２００２中的一级Ａ标准，因此风车草可以作为低Ｃ／Ｎ比生活污水的反硝化碳源。参考文献［１］谢冰，徐亚同．废水生物处理原理和方法［Ｍ］．北京中国轻工业出版社，２００７．［２］邵留，徐祖信，尹海龙．污染水体脱氮工艺中外加碳源的研究进展［Ｊ］．工业水处理，２００７，２７（１２）１０－１４．［３］袁宁，金蒙蒙．以纤维素物质为反硝化碳源的研究进展［Ｊ］．辽宁化工，２０１３，４２（７）．［４］陈翔．固体碳源生物反硝化去除水源水中的硝酸盐［Ｄ］．南京南京林业大学，２００８．［５］谢林花，丁绍兰，陈晓娇，等．壳类农业废弃物固体碳源释碳性能研究［Ｊ］．陕西科技大学学报（自然科学版），２０１３，３１（５）３９－４４．［６］金赞芳，陈英旭，小仓纪雄．以棉花为碳源去除地下水硝酸盐的研究［Ｊ］．农业环境科学学报，２００４，２３（３）５１２－５１５．［７］熊剑锋，徐华，阎宁，等．梧桐树叶作为反硝化碳源的研究［Ｊ］．环境科学，２０１２，３３（１１）４０５７－４０６１．［８］ＯＶＥＺＢ，ＯＺＧＥＮＳ，ＹＵＫＳＥＬＭ．ＢｉｏｌｏｇｉｃａｌｄｅｎｉｔｒｉｆｉｃａｔｉｏｎｉｎｄｒｉｎｋｉｎｇｗａｔｅｒｕｓｉｎｇＧｌｙｃｙｒｒｈｉｚａｇｌａｂｒａａｎｄＡｒｕｎｄａｄｏｎａｘａｓｔｈｅｃａｒｂｏｎｓｏｕｒｃｅ［Ｊ］．ＰｒｏｃｅｓｓＢｉｏｃｈｅｍｉｓｔｒｙ，２００６，４１（７）１５３９－１５４４．［９］宋雪红，蒋新元，赵梦婕．湿地水生植物的水质净化与资源化利用［Ｊ］．环境保护与循环经济，２０１１，３１（１１）５９－６２．［１０］邵留，徐祖信，金伟，等．农业废物反硝化固体碳源的优选［Ｊ］．中国环境科学，２０１１，３１（５）７４８－７５４．［１１］ＬＩＮＹＦ，ＪＩＮＧＳＲ，ＷＡＮＧＴＷ，ｅｔａｌ．Ｅｆｆｅｃｔｓｏｆｍａｃｒｏ－ｐｈｙｔｅｓａｎｄｅｘｔｅｒｎａｌｃａｒｂｏｎｓｏｕｒｃｅｓｏｎｎｉｔｒａｔｅｒｅｍｏｖａｌｆｒｏｍｇｒｏｕｎｄｗａｔｅｒｉｎｃｏｎｓｔｒｕｃｔｅｄｗｅｔｌａｎｄｓ［Ｊ］．ＥｎｖｉｒｏｎｍｅｎｔａｌＰｏｌ－ｌｕｔｉｏｎ，２００２，１１９（３）４１３－４２０．［１２］廖新俤，骆世明．香根草和风车草人工湿地对猪场废水氮磷处理效果的研究［Ｊ］．应用生态学报，２００２，１３（６）７１９－７２２．［１３］李晓崴，贾亚红，李冰，等．人工湿地植物缓释碳源的预处理方式及释碳性能研究［Ｊ］．水处理技术，２０１３，３９（１２）４６－４８．［１４］谷晓琳，王陆黎，李洪斌，等．风车草的化学成分［Ｊ］．吉林大学学报（理学版），２０１１，４９（４）７７２－７７６．［１５］李斌，郝瑞霞．固体纤维素类废物作为反硝化碳源滤料的比选［Ｊ］．环境科学，２０１３，３４（４）１４２８－１４３４．［１６］王丽丽，赵林，谭欣，等．不同碳源及其碳氮比对反硝化过程的影响［Ｊ］．环境保护科学，２００４，３０（１）１５－１８．［１７］钟胜强，杨扬，陶然，等．５种植物材料的水解释碳性能及反硝化效率［Ｊ］．环境工程学报，２０１４，８（５）１８１７－１８２４．［１８］傅利剑，郭丹钊，史春龙，

展开阅读全文

基于反向传播-向量评价遗传算法模型的燃煤电站锅炉燃烧多目标优化.pdf

资源标签

最新标签