楊瓊

(華電湖北發(fā)電有限公司，湖北 武漢 430071)

0 引言

在經(jīng)濟(jì)調(diào)度及節(jié)能減排的大環(huán)境下，新能源發(fā)電及核電的發(fā)展越來越成為電力發(fā)展的新趨勢，而傳統(tǒng)的火力發(fā)電企業(yè)的經(jīng)濟(jì)運行面臨的壓力越來越大，而鍋爐效率對機(jī)組的供電煤耗影響很大［1］。提高鍋爐效率雖然可以通過優(yōu)化運行參數(shù)，采用新技術(shù)等改進(jìn)［2］，然而從威等人認(rèn)為“十二五”時期控制煤炭產(chǎn)量必然受到控制［3］，因而非坑口電站已經(jīng)無法獲得機(jī)組燃用的設(shè)計煤種，鍋爐燃煤摻燒是火電企業(yè)的必然選擇，如何讓鍋爐在摻配煤種的條件下，獲得最優(yōu)燃燒效率是一項有巨大經(jīng)濟(jì)效益的工作［4］，作為電力系統(tǒng)信息化的眾多技術(shù)中，鍋爐燃燒優(yōu)化技術(shù)必將被采用。

當(dāng)前火力發(fā)電機(jī)組已基本實現(xiàn)DCS系統(tǒng)控制，機(jī)組的可控性得到大大的提高。鍋爐運行優(yōu)化控制系統(tǒng)作為機(jī)組運行控制的優(yōu)化決策層，而DCS作為機(jī)組運行控制的執(zhí)行層，DCS能夠很好地完成優(yōu)化決策層下達(dá)的控制任務(wù)。目前很多在線分析儀表已經(jīng)進(jìn)入實用階段［5］，如飛灰含碳測量，煙氣連續(xù)NOx測量等，為鍋爐運行性能指標(biāo)的在線模型計算提供了精確的反饋量［6］。自動化領(lǐng)域的人工神經(jīng)網(wǎng)絡(luò)建模，多變量預(yù)測控制等的理論與實踐進(jìn)入了實用階段，為鍋爐運行優(yōu)化提供了建模和控制手段［7-8］。

1 基于神經(jīng)網(wǎng)絡(luò)的鍋爐優(yōu)化燃燒技術(shù)

1.1 神經(jīng)網(wǎng)絡(luò)的技術(shù)介紹

人工神經(jīng)網(wǎng)絡(luò) (Artificial Neural Networks，ANN)是一種模仿動物神經(jīng)網(wǎng)絡(luò)行為特征，進(jìn)行分布式并行信息處理的算法數(shù)學(xué)模型。人工神經(jīng)網(wǎng)絡(luò)的特點是具有自學(xué)習(xí)和自適應(yīng)的能力，可以通過早前提供的一批具有對應(yīng)關(guān)系的輸入—輸出數(shù)據(jù)，自學(xué)習(xí)而掌握兩者之間潛在的規(guī)律，并根據(jù)這些規(guī)律，用新的輸入數(shù)據(jù)來演繹輸出結(jié)果，即通過對模型的“訓(xùn)練”獲得推理數(shù)據(jù)［9］。

最初提出的神經(jīng)網(wǎng)絡(luò)稱為MP模型。到80年代美國物理學(xué)家J.J.Hopfield提出了Hopfield神經(jīng)網(wǎng)格模型［10］，引入了“計算能量”概念和提出了連續(xù)時間Hopfield神經(jīng)網(wǎng)絡(luò)模型，有力推動了神經(jīng)網(wǎng)絡(luò)的研究，隨后又有學(xué)者提出了波耳茲曼模型，提出了并行分布處理的理論。美國、日本非常重視神經(jīng)網(wǎng)絡(luò)研究。目前，已有近40種神經(jīng)網(wǎng)絡(luò)模型［11］。

人工神經(jīng)網(wǎng)絡(luò)模型主要考慮網(wǎng)絡(luò)連接的拓?fù)浣Y(jié)構(gòu)、神經(jīng)元的特征、學(xué)習(xí)規(guī)則等。根據(jù)連接的拓?fù)浣Y(jié)構(gòu)，神經(jīng)網(wǎng)絡(luò)模型可以分為:

(1)前向網(wǎng)絡(luò)。網(wǎng)絡(luò)中各個神經(jīng)元接受前一級的輸入，并輸出到下一級，網(wǎng)絡(luò)中沒有反饋，可以用一個有向無環(huán)路圖表示。這種網(wǎng)絡(luò)實現(xiàn)信號從輸入空間到輸出空間的變換，它的信息處理能力來自于簡單非線性函數(shù)的多次復(fù)合;

(2)反饋網(wǎng)絡(luò)。網(wǎng)絡(luò)內(nèi)神經(jīng)元之間有反饋，可以用一個無向的完備圖表示。這種神經(jīng)網(wǎng)絡(luò)的信息處理是狀態(tài)的變換，可以用動力學(xué)系統(tǒng)理論處理。系統(tǒng)的穩(wěn)定性與聯(lián)想記憶功能有密切關(guān)系。Hopfield網(wǎng)絡(luò)、波耳茲曼機(jī)均屬于這種類型。

1.2 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種單向傳播的多層前向網(wǎng)絡(luò)，一般具有三層或三層以上的神經(jīng)網(wǎng)絡(luò)，具體包括輸入層、中間層(隱層)和輸出層。上層和下層之間實現(xiàn)全連接，每層的神經(jīng)元之間沒有任何連接。當(dāng)一對學(xué)習(xí)樣本的數(shù)據(jù)提供給網(wǎng)絡(luò)后，神經(jīng)元的激活值就從輸入層經(jīng)過中間層向輸出層傳播，在輸出層的各神經(jīng)元就獲得了網(wǎng)絡(luò)的輸入響應(yīng)值。隨后按照減少目標(biāo)輸出與實際誤差的方向，從輸出層逐級經(jīng)過各中間層一一修正各層連接權(quán)值，最后回到輸入層，這種算法被稱為“誤差逆?zhèn)鞑ニ惴ā?，簡稱即是BP算法。隨著這種誤差逆向的傳播修正的不斷進(jìn)行，網(wǎng)絡(luò)對輸入模式的響應(yīng)正確率也不斷上升［12］。

(1)BP神經(jīng)網(wǎng)絡(luò)的設(shè)計方式

MATLAB是數(shù)學(xué)編程的快捷工具，包含豐富的神經(jīng)網(wǎng)絡(luò)模型可供調(diào)用。通過調(diào)用MATLAB指令: net=newff(PR，［S1 S2 SN］，{TF1 TF2 TFN}，BTF，BLF，PF)創(chuàng)建BP神經(jīng)網(wǎng)絡(luò)模型。其中PR為輸入量的取值范圍;Si為第i層的神經(jīng)元個數(shù)，共n層; TFi為第i層的傳遞函數(shù);BTF為BP網(wǎng)絡(luò)的訓(xùn)練函數(shù);BLF為BP神經(jīng)網(wǎng)絡(luò)中權(quán)值和閾值學(xué)習(xí)函數(shù);PF為性能函數(shù)。對于如何確定BP網(wǎng)絡(luò)中隱含層的神經(jīng)元個數(shù)，往往需要根據(jù)多次實驗和設(shè)計者的經(jīng)驗來確定，因而不存在一個理想的解析式可以表示［13］。本研究中，筆者經(jīng)過多次嘗試，最后確定隱層神經(jīng)元數(shù)為9，BP網(wǎng)絡(luò)調(diào)用的各主要函數(shù)如下。

(2)BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和仿真

BP網(wǎng)絡(luò)生成和初始化后，可以對訓(xùn)練參數(shù)net.trainParam進(jìn)行適當(dāng)設(shè)置，再調(diào)用train函數(shù)來對網(wǎng)絡(luò)進(jìn)行訓(xùn)練。train函數(shù)的常用格式如下。

式中 Pn——輸入樣本矢量集;

Tn——對應(yīng)的目標(biāo)樣本矢量集;

等號左、右兩側(cè)net——用于表示訓(xùn)練前、后的神經(jīng)網(wǎng)絡(luò)對象;

tr——存儲訓(xùn)練過程中的步數(shù)信息和誤差信息。

1.3 構(gòu)建鍋爐燃燒優(yōu)化的神經(jīng)網(wǎng)絡(luò)

鍋爐的燃燒是一個復(fù)雜的過程，影響鍋爐NOx排放、飛灰含碳量的因素有很多，每一個影響因素都表現(xiàn)出明顯的非線性特性。傳統(tǒng)的計算方法難以準(zhǔn)確描述這一潛在規(guī)律。人工神經(jīng)網(wǎng)絡(luò)模型是一種人工智能技術(shù)，具有擬合任意非線性函數(shù)的特性和擁有良好的泛化能力，具有對復(fù)雜問題的自適應(yīng)和自學(xué)習(xí)能力，因而在非線性系統(tǒng)辨識方面得到了廣泛的研究和應(yīng)用。

由于BP神經(jīng)網(wǎng)絡(luò)能夠自適應(yīng)模擬的非線性輸入輸出，利用這一原理把衡量鍋爐氮氧化物排放及燃燒效率的參數(shù)指標(biāo)作為神經(jīng)網(wǎng)絡(luò)的輸出，把參與鍋爐燃燒的相關(guān)參數(shù)作為燃燒模型的輸入?yún)?shù)指標(biāo)，從而實現(xiàn)構(gòu)建鍋爐燃燒優(yōu)化模型，并通過輸入鍋爐燃燒的歷史運行數(shù)據(jù)和標(biāo)準(zhǔn)工況下的試驗數(shù)據(jù)，對鍋爐燃燒模型進(jìn)行學(xué)習(xí)訓(xùn)練，達(dá)到鍋爐燃燒在不同的干擾量下(如負(fù)荷，環(huán)境溫度等)，以及鍋爐的各種可調(diào)量如煙氣含氧量［14］、一次風(fēng)壓、二次風(fēng)壓、不同的二次風(fēng)門開度組合、給粉偏置等，和鍋爐運行性能(NOx和效率)之間的非線性動態(tài)模型;通過BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練，獲取鍋爐的輸入輸出的燃燒特性，根據(jù)不同的輸入?yún)?shù)，利用神經(jīng)網(wǎng)絡(luò)尋優(yōu)鍋爐在此條件下可以達(dá)到的最佳性能的各可調(diào)量，指導(dǎo)鍋爐的燃燒的動態(tài)控制，使機(jī)組達(dá)到最佳運行狀態(tài)。采用神經(jīng)網(wǎng)絡(luò)建立鍋爐燃燒的模型如下。

2 模型設(shè)計

2.1 常規(guī)機(jī)組控制模型及優(yōu)化設(shè)計

通常情況下的機(jī)組控制采用的模型如圖1，通過熱力試驗及廠家說明書設(shè)定鍋爐燃燒運行參數(shù)，經(jīng)過各級相關(guān)的控制器對機(jī)組運行進(jìn)行調(diào)節(jié)，然后采用性能計算得出相關(guān)的參數(shù)指標(biāo)。在火電機(jī)組執(zhí)行機(jī)構(gòu)完成控制器下達(dá)的控制指令后，經(jīng)過安全性閉環(huán)控制進(jìn)行反饋，確保控制安全，而鍋爐優(yōu)化燃燒控制系統(tǒng)則是在傳統(tǒng)的控制系統(tǒng)上增加機(jī)組性能尋優(yōu)反饋環(huán)節(jié)，確保機(jī)組運行的經(jīng)濟(jì)性，如圖1。

圖1 機(jī)組優(yōu)化運行原理圖

燃燒優(yōu)化控制系統(tǒng)的基礎(chǔ)是DCS控制系統(tǒng)，在機(jī)組DCS系統(tǒng)控制基礎(chǔ)之上，建立優(yōu)化運行控制系統(tǒng)對鍋爐進(jìn)行尋優(yōu)控制，其控制系統(tǒng)與原系統(tǒng)接口控制如圖2所示，優(yōu)化指令和其他通訊采用安全的通訊接口，保留異常情況下的運行人員人工干預(yù)接口，確保機(jī)組的安全穩(wěn)定運行。

圖2 鍋爐優(yōu)化燃燒實現(xiàn)方式

2.2 鍋爐燃燒穩(wěn)態(tài)性能的神經(jīng)網(wǎng)絡(luò)模型

本文根據(jù)鍋爐穩(wěn)態(tài)試驗的一些數(shù)據(jù)，采用BP人工神經(jīng)網(wǎng)絡(luò)方法，構(gòu)建鍋爐效率和NOx排放預(yù)測模型。

(1)鍋爐燃燒優(yōu)化模型的參數(shù)

將鍋爐燃燒系統(tǒng)視為黑箱，應(yīng)用人工神經(jīng)網(wǎng)絡(luò)方法對鍋爐燃燒系統(tǒng)進(jìn)行建模，神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)選擇影響鍋爐燃燒的各因素，其輸出參數(shù)選擇排煙溫度、飛灰含碳和NOx排放量。

通過對鍋爐穩(wěn)態(tài)試驗數(shù)據(jù)和運行狀況的分析發(fā)現(xiàn)，影響鍋爐燃燒性能的主要因素為一次風(fēng)壓、二次風(fēng)各層擋板開度等操作量、負(fù)荷及氧量等。由于我國電站鍋爐現(xiàn)階段燃煤相對緊缺，采用摻燒手段導(dǎo)致進(jìn)入鍋爐中的煤質(zhì)變化很大，偏離設(shè)計值較多，這將會導(dǎo)致燃燒性能發(fā)生較大的變化;另外，電網(wǎng)調(diào)度不受電廠制約的因素，導(dǎo)致鍋爐負(fù)荷經(jīng)常出現(xiàn)較大變化，其燃燒性能也會隨著鍋爐負(fù)荷變化呈現(xiàn)出變化，因此將燃煤熱值和機(jī)組負(fù)荷作為模型的干擾量加以考慮。

(2)鍋爐燃燒系統(tǒng)神經(jīng)網(wǎng)絡(luò)模型

如圖3所示，預(yù)測鍋爐效率和NOx排放的人工神經(jīng)網(wǎng)絡(luò)模型按下圖模式構(gòu)建。輸入?yún)?shù)選擇一次風(fēng)壓、二次風(fēng)擋板開度和環(huán)境溫度、負(fù)荷、煙氣含氧量、給煤機(jī)總轉(zhuǎn)速等15個變量，輸出參數(shù)選擇鍋爐效率和NOx排放，分別建立人工神經(jīng)網(wǎng)絡(luò)模型。

鍋爐熱效率按照鍋爐的燃燒特性的機(jī)理分析，主要受飛灰含碳量和排煙溫度兩個變量影響，而這兩個變量受鍋爐的操作參數(shù)如一次風(fēng)、二次風(fēng)、環(huán)境溫度和煙氣含氧量等影響。根據(jù)NOx排放機(jī)理可知，鍋爐NOx排放與爐膛燃燒溫度有著較強(qiáng)的直接聯(lián)系，而爐膛溫度也受到操作量的直接影響。根據(jù)上述機(jī)理，構(gòu)建的鍋爐燃燒系統(tǒng)模型如下

圖3 鍋爐燃燒性能神經(jīng)網(wǎng)絡(luò)混合模型

式中 Mv——一次風(fēng)壓、二次風(fēng)等操作量、煙氣含氧量;

Dv——給煤總轉(zhuǎn)速(表征燃煤熱值)，環(huán)境溫度和負(fù)荷等干擾量;

Tpy——排煙溫度;

Tf——爐膛溫度;

f1——排煙溫度計算函數(shù);

f2——鍋爐爐膛溫度計算函數(shù);

f3——飛灰含碳計算函數(shù);

f4——NOx排放計算函數(shù);

f5——鍋爐效率計算函數(shù);

Cfh——飛灰含碳量;

NOx——NOx排放值;

η——效率。

基于試驗數(shù)據(jù)，采用人工神經(jīng)網(wǎng)絡(luò)建立上述函數(shù)f1、f2、f3、f4，則可以建立如圖3所示的鍋爐燃燒神經(jīng)網(wǎng)絡(luò)混合模型。其中，ANN1擬合計算函數(shù)f1，是預(yù)測鍋爐排煙溫度的神經(jīng)網(wǎng)絡(luò)模型;ANN2擬合計算函數(shù)f2，是預(yù)測鍋爐爐膛溫度的神經(jīng)網(wǎng)絡(luò)模型; ANN3擬合計算函數(shù)f3，是預(yù)測飛灰含碳的神經(jīng)網(wǎng)絡(luò)模型;ANN4擬合計算函數(shù)f4，是預(yù)測NOx排放的神經(jīng)網(wǎng)絡(luò)模型;f5為鍋爐效率計算函數(shù)。

飛灰含碳由于受到鍋爐煤質(zhì)和運行參數(shù)的影響非常大，常規(guī)的計算公式很難表達(dá)其相互關(guān)系，因此選取煙氣含氧量、一次風(fēng)壓、二次風(fēng)擋板開度和環(huán)境溫度、負(fù)荷、給煤總轉(zhuǎn)速等15個變量作為神經(jīng)網(wǎng)絡(luò)ANN3的輸入，輸出為鍋爐飛灰含碳。

3 應(yīng)用實例

選取某電廠型號為WGZ1004/18.34-1的鍋爐，為四角切圓燃燒方式，中儲式鋼球磨制粉系統(tǒng)。根據(jù)神經(jīng)網(wǎng)絡(luò)建模原理對鍋爐進(jìn)行了正交試驗和分組試驗，并根據(jù)試驗數(shù)據(jù)建立了鍋爐燃燒的穩(wěn)態(tài)模型。由于該機(jī)組采用摻燒模式，其燃用煤質(zhì)變化較大，燃用煤種熱值分布區(qū)域較寬。試驗共獲得227組有效試驗數(shù)據(jù)，部分試驗數(shù)據(jù)如表1所示。將試驗數(shù)據(jù)綜合進(jìn)行建模，燃煤高位熱值在14.72 MJ/ kg到23.15 MJ/kg范圍內(nèi)變化，使得模型充分包含了煤質(zhì)變化后燃燒特性的變化信息。

隨機(jī)選取了136組試驗工況數(shù)據(jù)作為模型的訓(xùn)練樣本，修正飛灰含碳模型的各層參數(shù)值，訓(xùn)練算法采用LM學(xué)習(xí)規(guī)則，訓(xùn)練結(jié)果如圖4所示。

鍋爐飛灰含碳測試集的預(yù)測結(jié)果如圖5所示。對比測試集的試驗數(shù)據(jù)與網(wǎng)絡(luò)預(yù)測的輸出參數(shù)得出，實測值和預(yù)測值之間的最大絕對誤差為1.724，最大相對誤差27.9%，說明訓(xùn)練得到的神經(jīng)網(wǎng)絡(luò)模型能夠滿足預(yù)測飛灰含碳量的值的要求，達(dá)到鍋爐燃燒優(yōu)化準(zhǔn)確性和實時性的要求。

表1 鍋爐熱態(tài)試驗工況表

圖4 飛灰含碳訓(xùn)練集預(yù)測值與實際值的比較

圖5 飛灰含碳測試集預(yù)測值與實際值的比較

圖6 排煙溫度訓(xùn)練集預(yù)測值與實際值的比較

圖7 排煙溫度測試集預(yù)測值與實際值的比較

同樣，應(yīng)用人工神經(jīng)網(wǎng)絡(luò)方法建立鍋爐排煙溫度的預(yù)測模型ANN1，進(jìn)一步根據(jù)鍋爐排煙溫度、飛灰含碳量和燃煤的熱值、灰分等即可計算得到鍋爐熱效率。

結(jié)合兩個神經(jīng)網(wǎng)絡(luò)模型，得到鍋爐效率在測試集上的平均相對誤差為0.63%。

根據(jù)對穩(wěn)態(tài)試驗數(shù)據(jù)的分析和鍋爐NOx生成的機(jī)理的分析，選取爐膛溫度作為NOx排放模型的中間變量。由于爐膛溫度是受操作量控制而需要預(yù)測的未知變量之一，所以預(yù)測NOx排放需首先預(yù)測爐膛溫度，ANN2即為爐膛溫度的預(yù)測模型。在NOx排放模型訓(xùn)練階段，為提高模型預(yù)測精度，采用實際測量的爐膛溫度作為NOx排放模型的輸入，選取環(huán)境溫度、負(fù)荷、給煤總轉(zhuǎn)速，煙氣含氧量、一次風(fēng)壓、二次風(fēng)擋板開度、爐膛溫度等作為神經(jīng)網(wǎng)絡(luò)ANN4的輸入，煙氣NOx排放作為輸出參數(shù);而在鍋爐燃燒優(yōu)化過程模型應(yīng)用階段則使用爐膛溫度的預(yù)測值。

任意選取機(jī)組熱態(tài)試驗數(shù)據(jù)中的79組數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集，用來進(jìn)行網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練，其余作為測試集用來測試網(wǎng)絡(luò)的泛化能力。神經(jīng)網(wǎng)絡(luò)訓(xùn)練采用LM算法，通過多次訓(xùn)練后發(fā)現(xiàn)，網(wǎng)絡(luò)的隱層、輸出層均采用sigmoid激勵函數(shù)，隱層節(jié)點數(shù)為8時神經(jīng)網(wǎng)絡(luò)的泛化能力最強(qiáng)。圖8為NOx模型訓(xùn)練集預(yù)測值與實際值的比較。

圖8 NOx訓(xùn)練集預(yù)測值與實際值的比較

泛化能力是衡量人工神經(jīng)網(wǎng)絡(luò)模型的性能的主要指標(biāo)，泛化能力表征網(wǎng)絡(luò)通過訓(xùn)練能否找出蘊含在樣本數(shù)據(jù)中輸入與輸出之間的本質(zhì)聯(lián)系。為了驗證NOx排放模型的泛化能力，采用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對未參加訓(xùn)練的54個工況進(jìn)行測試，預(yù)測結(jié)果如圖9所示。

圖9 NOx測試集預(yù)測值與實際值的比較

由測試集數(shù)據(jù)分析得出:NOx排放的預(yù)測值和實際值之間的平均相對誤差為5.7%，說明訓(xùn)練得到的神經(jīng)網(wǎng)絡(luò)模型能夠滿足預(yù)測NOx排放值的要求。

4 試驗結(jié)果

鍋爐負(fù)荷為100%負(fù)荷工況時，選擇在鍋爐燃燒優(yōu)化裝置投運前(即切除動態(tài)燃燒優(yōu)化裝置效率優(yōu)化功能)，運用ASME PTC4.1的方法，采用低位發(fā)熱量測試鍋爐的熱效率，作為工況1予以定義。定義工況2為在動態(tài)燃燒優(yōu)化裝置效率優(yōu)化功能投運后的運行工況。

鍋爐負(fù)荷為100%負(fù)荷工況時，在動態(tài)燃燒優(yōu)化裝置NOx優(yōu)化功能投運前，測試空預(yù)器出口煙氣中NOx排放量，并換算到O2=6%情況下的NOx值，定義為工況3。工況4則定義為在動態(tài)燃燒優(yōu)化裝置NOx優(yōu)化功能投運后的工況。

4.1 鍋爐效率的計算

在測試鍋爐效率時，工況1和工況2采用煤質(zhì)連續(xù)取樣，樣品按標(biāo)準(zhǔn)混合縮分后進(jìn)行化驗，鍋爐熱效率的計算結(jié)果見表2。

在300 MW情況下，工況1和工況2實測鍋爐效率分別為88.68%和89.86%，修正后的鍋爐效率分別為88.36%和89.52%。燃燒優(yōu)化裝置效率優(yōu)化功能投運后，鍋爐實測效率和修正效率分別提高了1.18和1.17個百分點，鍋爐燃燒效率的優(yōu)化作用非常顯著。

表2 鍋爐熱效率計算

熱損失及鍋爐效率鍋爐效率修正煙氣溫度 tG″/℃ 134.4 131.2未燃碳熱損失 Luc/［%］ 2.71 1.84干煙氣熱損失 LG/［%］ 7.62 7.40其他熱損失 Lmf/［%］ 0.09 0.9熱損失總和 L/［%］ 11.32 10.14鍋爐效率 η/［%］ 88.68 89.86空預(yù)器入口煙溫 tG＇/℃ 379.01 378保證進(jìn)風(fēng)溫度 tD/℃ 20 20修正后的排煙溫度 tG/℃ 128.47 125.33低位發(fā)熱量 LHV/kJ·kg-1 19854 19854修正后排煙溫度對應(yīng)水蒸氣焓 h″c/kJ·kg-1 2717.83 2713.50保證進(jìn)風(fēng)溫度對應(yīng)飽和蒸汽焓 hRV＇/kJ·kg-12538.19 2538.19實際燒掉的碳 Cb＇/［%］ 0.5224 0.5276修正后干空氣量 WA″c/kg·kg-1 10.59 10.45修正后干煙氣量 WG″c/kg·kg-1 10.82 10.67修正后干煙氣熱損失 LG＇/［%］ 8.04 7.76修正后燃料水分熱損失 Lmf＇/［%］ 0.08 0.07修正后氫生成的水的熱損失 LH＇/［%］ 0.16 0.16修正后空氣中的水分熱損失 LmA＇/［%］ 0.19 0.18修正后熱損失總和 L/［%］ 11.64 10.48修正后的鍋爐效率 η＇/［%］88.36 89.52

4.2 鍋爐NOx排放的計算

在工況3和工況4情況下，測試鍋爐NOx排放量時，煤質(zhì)采取連續(xù)取樣，樣品混合縮分后進(jìn)行化驗，鍋爐的NOx排放量的計算結(jié)果及測試結(jié)果見表3。

在300 MW的負(fù)荷下，工況3和工況4測得的NOx分別為692.02 mg/m3和616.13 mg/m3，投運燃燒優(yōu)化裝置NOx優(yōu)化功能后，鍋爐的NOx降低了75.92 mg/m3，降幅為10.97%，鍋爐NOx排放功能的優(yōu)化作用比較顯著。

5 結(jié)論

通過測試的鍋爐效率可以得出如下結(jié)論，在300 MW情況下，燃燒優(yōu)化裝置投運前實測的鍋爐效率為88.68%，修正后為88.36%，而投運后實測值為89.86%，修正后為89.52%。分別提高了1.18和1.17個百分點，鍋爐效率優(yōu)化的作用非常顯著。同時根據(jù)測試鍋爐NOx排放量的情況看，在300 MW的運行負(fù)荷下，鍋爐燃燒優(yōu)化裝置NOx優(yōu)化功能投運前測得的NOx為692.02 mg/m3，投運后為616.13 mg/m3，說明投運鍋爐燃燒優(yōu)化裝置NOx優(yōu)化功能后降低了 75.92 mg/m3，降低幅度達(dá)10.97%，鍋爐NOx優(yōu)化排放功能表現(xiàn)非常突出。由于采用該技術(shù)不需要對現(xiàn)有設(shè)備進(jìn)行比較大的改動，改造成本很低，該技術(shù)性價比高值得在火電廠廣泛推廣。

［1］王強(qiáng)，夏成軍，唐智文.分布式能源在數(shù)據(jù)中心應(yīng)用的可行性探析［J］.電網(wǎng)與清潔能源，2013，29(9):87-92.

［2］陳祿，杜和沖，田樺.超臨界機(jī)組鍋爐試運期間的節(jié)能措施與技術(shù)［J］.節(jié)能技術(shù)，2011，29(6):544-547.

［3］叢威，孫清磊.“十二五”時期控制煤炭產(chǎn)量的必要性及對策［J］.節(jié)能技術(shù)，2011.29(3):281-284.

［4］時元田，亓磊，孫建軍.提高鍋爐效率的適應(yīng)性改造［J］.中國設(shè)備工程，2006(1):31.

［5］周昊.大型電站鍋爐氮氧化物控制和燃燒優(yōu)化中若干關(guān)鍵性問題的研究［D］.杭州:浙江大學(xué)，2004.

［6］閻維平，梁秀俊，陳寶康，等.基于在線監(jiān)測數(shù)據(jù)的電站鍋爐效率實時計算方法的研究［J］.熱能動力工程，2001 (3):189-191.

［7］張智煥，王樹青，王讓定.非線性多模型控制及仿真研究［J］.系統(tǒng)仿真學(xué)報，2003(7):919-921.

［8］盧勇.數(shù)據(jù)信息采掘與熱工過程控制優(yōu)化［D］.北京:清華大學(xué)，2003.

［9］韓力群.人工神經(jīng)網(wǎng)絡(luò)理論、設(shè)計及應(yīng)用［M］.北京:化學(xué)工業(yè)出版社，2002.

［10］周昊，朱洪波，岑可法.基于人工神經(jīng)網(wǎng)絡(luò)和遺傳算法的火電廠鍋爐實時燃燒優(yōu)化系統(tǒng)［J］.動力工程，2003 (5):2665-2669.

［11］Booth R C，Roland J W.Neural network-based combustion optimization reduces NOx emissions while improving performance.，Chicago，IL，USA，1998，Illinois Inst of Technology，1998:667-672.

［12］飛思科技產(chǎn)品研發(fā)中心.神經(jīng)網(wǎng)絡(luò)理論與MATLAB7實現(xiàn)［M］.北京:電子工業(yè)出版社，2005:101-105.

［13］WANG Fang CHENG Shui-yuan LI Ming-jun.Optimizing neural networks by genetic algorithms for predicting particulate matter concentration in summer in Beijing.《Journal of Chongqing University》［J］.2010(3):117-123.

［14］楊洪澤，王鵬，游本虎.鍋爐煙氣參數(shù)在負(fù)荷率及相關(guān)熱損失計算中的應(yīng)用［J］.節(jié)能技術(shù)，2012，30(2):182-185