盧洪波,王金龍
(東北電力大學(xué)能源與動力工程學(xué)院,吉林吉林 132012)
目前,電站鍋爐排煙溫度的影響因素很多,預(yù)測和控制比較困難[1-3],實(shí)際運(yùn)行時依據(jù)經(jīng)驗(yàn)和有限的調(diào)試結(jié)果難以將燃燒工況調(diào)整到最佳狀態(tài)。而利用支持向量機(jī)對鍋爐燃燒特性和對求解灰熔點(diǎn)問題進(jìn)行建模對鍋爐實(shí)際運(yùn)行具有一定的指導(dǎo)意義。沈利等人利用遺傳算法實(shí)現(xiàn)運(yùn)行工況尋優(yōu)從而獲得鍋爐燃燒優(yōu)化的調(diào)整方式[4-8],王春林等人利用遺傳算法對支持向量機(jī)模型的參數(shù)進(jìn)行了優(yōu)化,獲得了最優(yōu)的模型參數(shù),優(yōu)化后的支持向量機(jī)模型實(shí)現(xiàn)了對單煤和混煤灰熔點(diǎn)較精確的預(yù)測[9-10]。蔡杰進(jìn)和王春林等人應(yīng)用支持向量機(jī)算法建立了燃煤電站鍋爐飛灰含碳量特性的模型,并利用鍋爐實(shí)際運(yùn)行的數(shù)據(jù)對模型進(jìn)行了校驗(yàn),上述方法分析結(jié)果表明支持向量機(jī)比其他建模方法泛化能力強(qiáng)、計(jì)算速度快、預(yù)測精度高[11-12]。因此,本文運(yùn)用改進(jìn)的支持向量機(jī)算法,建立了某1 000 MW電站燃煤鍋爐排煙溫度與運(yùn)行參數(shù)之間關(guān)系的模型,利用電廠實(shí)際運(yùn)行數(shù)據(jù)訓(xùn)練和驗(yàn)證模型,并運(yùn)用智能算法對模型優(yōu)化,得出相應(yīng)的參數(shù)調(diào)整策略,對指導(dǎo)電站鍋爐運(yùn)行有一定的參考價值。
超臨界鍋爐排煙溫度的支持向量機(jī)模型如圖1所示,模型輸入?yún)?shù)為給水流量、主蒸汽溫度、給煤量、爐膛總風(fēng)量等,這些參數(shù)反映了鍋爐工況。給水溫度對排煙溫度的影響很大,給水溫度降低,在省煤器處會增大省煤器的傳熱溫壓,增加省煤器的吸熱量,降低排煙溫度;給水溫度增高,省煤器處的傳熱溫壓降低,吸熱量減少,排煙溫度升高。過熱器一、二級減溫水量不直接影響鍋爐的排煙溫度,但是,在現(xiàn)場調(diào)節(jié)中,減溫水量的增大說明過熱器中工質(zhì)的吸熱量大,煙氣換熱能力增強(qiáng),從而在一定程度上降低了排煙溫度??疹A(yù)器漏風(fēng)率對排煙溫度的影響很大,空預(yù)器熱端漏風(fēng)會造成排煙溫度升高,嚴(yán)重影響機(jī)組的安全運(yùn)行。空預(yù)器的換熱能力強(qiáng),熱風(fēng)溫度高,改善了爐膛內(nèi)的燃燒狀況,使飛灰含碳量、排煙溫度降低,同時二次風(fēng)量、各磨的一次風(fēng)量的配比和爐膛風(fēng)箱壓力,對組織爐膛的空氣動力場和燃燒熱流密度在爐膛中的分配起到重要作用??紤]到電廠用煤在一段時間內(nèi)不會改變,所以不將煤質(zhì)因素考慮在內(nèi)。
圖1 排煙溫度的支持向量機(jī)模型圖
綜合上述分析,將以上因素作為模型的輸入?yún)?shù),以排煙溫度為輸出參數(shù)建立模型:
由于核函數(shù)的選擇對支持向量機(jī)回歸分析具有一定的影響,因此本文選擇高斯函數(shù)f(x)=ae-(x-b)2/c2作為核函數(shù)。分別取前40組數(shù)據(jù)作為訓(xùn)練樣本,后33組數(shù)據(jù)作為驗(yàn)證樣本,對支持向量機(jī)模型進(jìn)行訓(xùn)練和驗(yàn)證,采用高斯函數(shù)進(jìn)行回歸分析,并應(yīng)用選擇好的參數(shù)對工況1進(jìn)行預(yù)測。模型的不敏感損失函數(shù)參數(shù)e取為10-3,設(shè)定當(dāng)訓(xùn)練誤差ε<10-5時停止訓(xùn)練,拉格朗日乘子上界C取為100,寬度d取為3。經(jīng)訓(xùn)練和驗(yàn)證后,訓(xùn)練樣本的均方誤差為1.16%,驗(yàn)證樣本的均方誤差為1.33%。訓(xùn)練樣本排煙溫度計(jì)算值與實(shí)際值的比較如圖2所示。
從圖2可以看出,排煙溫度的計(jì)算輸出與實(shí)際輸出非常接近,說明該模型能夠正確的反映出輸入量與輸出量之間的非線性關(guān)系,能夠應(yīng)用于實(shí)際的工程預(yù)測。驗(yàn)證樣本的最大相對誤差為1.75%,平均相對誤差為1.375%,滿足工程實(shí)際要求。
圖3為驗(yàn)證樣本的相對誤差曲線圖,紅色線為現(xiàn)場的實(shí)際運(yùn)行數(shù)據(jù),藍(lán)色線為模型的計(jì)算數(shù)據(jù)。
從圖3可以看出,除個別點(diǎn)誤差相對大一點(diǎn)外,其他各個工況的模型計(jì)算數(shù)據(jù)與現(xiàn)場的實(shí)際運(yùn)行數(shù)據(jù)非常穩(wěn)合,說明該模型能夠模擬鍋爐內(nèi)復(fù)雜的燃燒過程。
應(yīng)用支持向量機(jī)建模的目的是為了對系統(tǒng)進(jìn)行優(yōu)化,即以排煙溫度為目標(biāo),在保證鍋爐出力和安全運(yùn)行的前提下調(diào)整燃燒工況的可調(diào)參數(shù),使排煙溫度達(dá)到最優(yōu)值,定義優(yōu)化目標(biāo)為
式中f表示由已訓(xùn)練好的支持向量機(jī)所建立的映射關(guān)系。f可以表述為
式中:f為排煙溫度;Xi為支持向量機(jī)輸入層第i個變量;Xl為支持向量機(jī)訓(xùn)練樣本;Ei為第i個輸入變量的取值范圍;δ為核參數(shù);i=1,2,3……19,a、b分別為支持向量機(jī)的拉格朗日乘子和偏差量[7]。
針對排煙溫度較高工況1進(jìn)行優(yōu)化,樣本歸一時有最大值和最小值,尋優(yōu)范圍就在最大值和最小值的基礎(chǔ)上分別加減10%。為了保證負(fù)荷穩(wěn)定,給水溫度不宜過低,故在優(yōu)化時限定給水溫度的取值范圍為257~296℃。另外,排煙溫度過低會加重尾部煙道的低溫腐蝕,排煙溫度的取值范圍應(yīng)大于120℃。
利用人工智能算法進(jìn)行排煙溫度優(yōu)化,初始化種群規(guī)模為20,最大進(jìn)化代數(shù)為50,優(yōu)化函數(shù)選擇徑向基函數(shù)f(x)=ae-(x-b)2/c2,尋優(yōu)流程如圖4所示。
圖4 智能算法尋優(yōu)流程圖
經(jīng)過計(jì)算,優(yōu)化排煙溫度至124.85℃,該工況下的運(yùn)行參數(shù)調(diào)整情況如表1所示。從表1可以看出,對于此優(yōu)化工況,運(yùn)用遺傳算法優(yōu)化后的排煙溫度為129.29℃,比原始值降低了8.31℃,而運(yùn)用粒子群算法和微分進(jìn)化算法優(yōu)化后的排煙溫度值為124.85℃,比原始值降低了12.75℃,后兩種方法比遺傳算法優(yōu)化效果更好。運(yùn)用相應(yīng)的參數(shù)調(diào)整策略,能夠提高底層燃燒器所對應(yīng)的A磨的一次風(fēng)量,降低頂層燃燒器所對應(yīng)的C磨和D磨的一次風(fēng)量,使整個火焰中心下移、爐膛內(nèi)的輻射換熱增加、爐膛出口煙氣溫度減小,最后達(dá)到降低排煙溫度的結(jié)果。在此基礎(chǔ)上,降低煙氣含氧量、給水溫度、二次風(fēng)量,也能降低排煙溫度。
表1 優(yōu)化后的參數(shù)調(diào)整情況表
圖5是3種優(yōu)化方法對排煙溫度的尋優(yōu)過程圖。從圖5可以看出,遺傳算法的尋優(yōu)過程曲線比較平緩,達(dá)到最大進(jìn)化代數(shù)時的尋優(yōu)結(jié)果為129.29℃,尋優(yōu)過程耗時比較長,優(yōu)化結(jié)果不理想,不適合在線優(yōu)化。然而,粒子群算法和微分進(jìn)化算法的尋優(yōu)過程曲線前期下降非常明顯,在進(jìn)化代數(shù)達(dá)到19代左右即尋得最優(yōu)排煙溫度,速度非???,非常適合在線進(jìn)行優(yōu)化。相比于粒子群算法,微分進(jìn)化算法的優(yōu)化效果更好,尋優(yōu)曲線趨于穩(wěn)定的過程更快。
圖5 GA、PSO、DE算法的尋優(yōu)過程圖
1)運(yùn)用改進(jìn)的支持向量機(jī)算法建立了某1 000 MW電站燃煤鍋爐排煙溫度與運(yùn)行參數(shù)之間關(guān)系的模型,訓(xùn)練樣本的均方誤差為1.16%,驗(yàn)證樣本的均方誤差為1.33%,誤差表明模型能夠?qū)㈦娬惧仩t排煙溫度與運(yùn)行參數(shù)之間的復(fù)雜關(guān)系、系統(tǒng)內(nèi)的相互耦合關(guān)系準(zhǔn)確表達(dá)出來,可以應(yīng)用于排煙溫度的預(yù)測。
2)采用智能算法對模型進(jìn)行優(yōu)化,得出參數(shù)調(diào)整策略:提高底層燃燒器所對應(yīng)的A磨煤機(jī)的一次風(fēng)量,降低頂層燃燒器所對應(yīng)的C、D磨煤機(jī)的一次風(fēng)量,可以使整個火焰中心下移,使?fàn)t膛內(nèi)的輻射換熱增加,爐膛出口煙氣溫度減小,最后達(dá)到降低排煙溫度的結(jié)果。
3)比較微分進(jìn)化算法、粒子群算法和遺傳算法,微分進(jìn)化算法的優(yōu)化效果最好,趨于穩(wěn)定的過程最快,是3種算法中最優(yōu)的。粒子群算法雖然最終優(yōu)化結(jié)果與微分進(jìn)化算法相同,但所需時間比較長,遺傳算法無論從最終結(jié)果還是優(yōu)化所需時間都是最差的;如果用于在線優(yōu)化,微分進(jìn)化算法是不錯的選擇。
[1]沈利,楊建國,趙虹.基于燃煤特性的電站鍋爐排煙溫度預(yù)測模型研究[J].熱力發(fā)電,2011,40(7):19-23.
[2]Hoi Ming Chi,Okan K.Ersoya,Herbert Moskowitz,et al.Modeling and optimizing a vendor managed replenishment system using machine learning and genetic algorithms[J].European Journal of Operational Research,2007,18(5):174-193.
[3]佐雙吉.回轉(zhuǎn)式空氣預(yù)熱器漏風(fēng)改造[J].熱力發(fā)電,2007,12(4):44-48.
[4]費(fèi)洪曉,黃勤徑,戴戈,等.基于SVM與遺傳算法的燃煤鍋爐燃燒多目標(biāo)優(yōu)化系統(tǒng)[J].計(jì)算機(jī)應(yīng)用研究,2008,25(3):811-813.
[5]Kalogirou S A.Artificial intelligence for the modeling and control of combustion processes:a review[J].Progress in Energy and Combustion Science,2003,29(6):515-566.
[6]劉定平,蔡泓銘,葉向榮.基于LSSVM-MODE的鍋爐效率與NOx排放優(yōu)化研究[J].熱力發(fā)電,2010,39(7):23-26.
[7]劉定平,肖蔚然.應(yīng)用最小二乘支持向量機(jī)和混合遺傳算法的制粉系統(tǒng)優(yōu)化控制[J].動力工程,2007,27(5):728-731.
[8]魏輝,陸方,羅永浩,等.燃煤鍋爐高效、低NOX運(yùn)行策略的研究[J].動力工程,2008,28(3):361-366.
[9]王春林,周昊,李國能,等.基于支持向量機(jī)與遺傳算法的灰熔點(diǎn)預(yù)測[J].中國電機(jī)工程學(xué)報,2007,27(8):11-15.
[10]趙顯橋,吳勝杰,何國亮,等.支持向量機(jī)灰熔點(diǎn)預(yù)測模型研究[J].熱能動力工程,2011,26(4):436-439.
[11]蔡杰進(jìn),馬曉茜.基于SVM的燃煤電站鍋爐飛灰含碳量預(yù)測[J].燃燒科學(xué)與技術(shù),2006,12(4):312-317.
[12]王春林,周昊,周樟華,等.基于支持向量機(jī)的大型電廠鍋爐飛灰含碳量建模[J].中國電機(jī)工程學(xué)報,2005,25(24):72-76.