徐榮田

(神華國能寧夏煤電有限公司， 銀川 750409)

?

貝葉斯神經(jīng)網(wǎng)絡和遺傳算法結合在鍋爐燃燒優(yōu)化上的應用

徐榮田

(神華國能寧夏煤電有限公司， 銀川 750409)

摘要：為了實現(xiàn)既提高鍋爐熱效率又降低污染物排放的目的，應用貝葉斯神經(jīng)網(wǎng)絡對鍋爐燃燒系統(tǒng)進行建模，再用遺傳算法進行多目標優(yōu)化。通過鍋爐熱態(tài)實驗數(shù)據(jù)進行仿真，結果表明該方法可以很好地預測鍋爐的熱效率和氮氧化物質量濃度，并實現(xiàn)有效的多目標尋優(yōu)，為電站的經(jīng)濟環(huán)保運行提供理論指導。

關鍵詞：鍋爐； 燃燒優(yōu)化； 貝葉斯正則化； 神經(jīng)網(wǎng)絡； 遺傳算法； 多目標優(yōu)化

為了提高燃煤電站的經(jīng)濟效益并滿足節(jié)能環(huán)保的需要，電站鍋爐燃燒系統(tǒng)的優(yōu)化是非常重要的一個環(huán)節(jié)，鍋爐熱效率和排煙中NOx質量濃度ρ(NOx)是衡量鍋爐燃燒系統(tǒng)的兩個重要指標。有研究表明，提高鍋爐熱效率與降低ρ(NOx)是相互矛盾的兩個過程[1-2]；同時，電站鍋爐燃燒系統(tǒng)又是一個非常復雜的系統(tǒng)，鍋爐燃燒狀態(tài)不僅受一些可調(diào)參數(shù)的影響，還與煤種、機組負荷和濕度等因素有關[3]。采用人工智能方法可以較好地模擬鍋爐燃燒系統(tǒng)的多影響因素與鍋爐熱效率和ρ(NOx)之間的關系。

目前對于鍋爐燃燒優(yōu)化問題已有很多研究方法，如神經(jīng)網(wǎng)絡、遺傳算法等，筆者綜合集成BP神經(jīng)網(wǎng)絡、貝葉斯正則化法和遺傳算法[4-7]這三種方法，提出一種新方法——貝葉斯正則化BP神經(jīng)網(wǎng)絡與遺傳算法結合的方法，該方法能夠更好地對鍋爐燃燒系統(tǒng)進行優(yōu)化。貝葉斯正則化BP神經(jīng)網(wǎng)絡是對傳統(tǒng)BP神經(jīng)網(wǎng)絡的改進，可以提高神經(jīng)網(wǎng)絡的泛化能力，為后續(xù)優(yōu)化打好基礎。鍋爐燃燒優(yōu)化的目標是通過調(diào)整工況參數(shù)，使鍋爐熱效率提高并且降低ρ(NOx)，這是一個多目標優(yōu)化問題，采用權重系數(shù)變換法可以將多目標優(yōu)化問題轉化成單目標優(yōu)化問題[8-9]。

1理論基礎

1.1 建立貝葉斯神經(jīng)網(wǎng)絡

根據(jù)需要優(yōu)化的目標，即提高燃燒效率和降低ρ(NOx)，確定神經(jīng)網(wǎng)絡的輸出變量為熱效率和ρ(NOx)；由影響輸出變量的因素確定網(wǎng)絡的輸入變量，進而確定神經(jīng)網(wǎng)絡的輸入層、輸出層神經(jīng)元的數(shù)目；還需要確定隱層神經(jīng)元的數(shù)目，一般需要通過多次仿真實驗才能確定，設定隱層神經(jīng)元個數(shù)的一個取值范圍，通過編程可以找到其最佳取值。

對建好的貝葉斯神經(jīng)網(wǎng)絡進行訓練和測試，將測試工況劃分為訓練集和測試集兩部分。用訓練集對建好的神經(jīng)網(wǎng)絡模型進行學習，訓練完之后用測試集進行測試，提高測試結果可以檢測該神經(jīng)網(wǎng)絡的泛化能力，泛化能力好的神經(jīng)網(wǎng)絡說明其預測更加準確，便于后續(xù)與遺傳算法結合進行優(yōu)化。

1.2 應用遺傳算法

遺傳算法首先隨機生成介于約束量上下限之間的種群，將數(shù)值歸一化處理后作為貝葉斯神經(jīng)網(wǎng)絡輸入值，得出該輸入下的預測值，按目標函數(shù)對種群進行適應度評估，適應度高的種群保留進入下一代的概率大，選擇優(yōu)化的個體以一定的概率通過交叉、變異產(chǎn)生新的個體再遺傳到下一代。

2鍋爐燃燒系統(tǒng)優(yōu)化

2.1 鍋爐燃燒系統(tǒng)的建模與仿真

利用文獻[10]提供的燃燒特性試驗數(shù)據(jù)，建立鍋爐燃燒的神經(jīng)網(wǎng)絡模型，燃燒特性試驗包含了12組實驗工況，隨機選取第3個工況作為測試集，其他工況作為訓練集。影響鍋爐熱效率和ρ(NOx)的因素有29個，于是建立BP神經(jīng)網(wǎng)絡模型時選用29個輸入節(jié)點，2個輸出節(jié)點，輸出量為鍋爐熱效率和ρ(NOx)。仿真實驗在Matlab7.11下進行，通過大量仿真模擬發(fā)現(xiàn)，當隱層神經(jīng)元數(shù)取32時誤差最小，于是確定該貝葉斯神經(jīng)網(wǎng)絡的結構為29-32-2。貝葉斯正則化可以應用神經(jīng)網(wǎng)絡工具箱中的trainbr函數(shù)來實現(xiàn)，部分Matlab程序代碼如下：

net=newff(inputn,outputn,32,

{'tansig','purelin'},'trainbr').

訓練結束后，對訓練過的和未訓練過的工況分別進行預測，預測結果見表1、表2。可以看出ρ(NOx)最大相對誤差為第3個工況時的2.451 4%，其他相對工況誤差都小于1%。由此可知，網(wǎng)絡具有很好的泛化能力，可以作為進行鍋爐熱效率和ρ(NOx)預測的模型。

表1　鍋爐熱效率的預測結果　%

表2　ρ(NOx)的預測結果

2.2 鍋爐燃燒系統(tǒng)的多目標優(yōu)化

采用遺傳算法對鍋爐可調(diào)參數(shù)進行尋優(yōu)，遺傳算法計算過程中采用的計算參數(shù)為:種群規(guī)模為50，交換概率為0.8，突變概率為0.15。適應度函數(shù)為：

f=aρ(NOx)-bη

(1)

式中：ρ(NOx)為氮氧化物質量濃度；η為鍋爐熱效率；a取0.1；b取0.6。部分Matlab程序代碼如下：

[x, val]=ga(@funh,29, [],[],[],[],

t1,t2,[], options).

以工況1的優(yōu)化為例，可調(diào)變量為六層二次風門開度(AA層、AB層、BC層、CD層、DE層、EF層)、二層燃盡風門開度(OAF層、OFB層)、排煙含氧體積分數(shù)。結合樣本數(shù)據(jù)，并考慮到操作慣例和安全性，分別取二次風門開度的變化范圍為50%～100%，燃盡風開度OAF、OFB變化范圍為40%～100%，含氧體積分數(shù)的范圍是2.0%～3.5%，這些可調(diào)范圍構成了自變量的定義域。通過對可調(diào)參數(shù)的優(yōu)化配置可使ρ(NOx)由原來的746 mg/m3下降到604.31 mg/m3，下降幅度達19.03%，而熱效率提升了0.28%。優(yōu)化后的風門開度見表3。

表3　遺傳算法對工況1的優(yōu)化結果

從表3可以看出：該方法既能提高鍋爐熱效率又能使ρ(NOx)下降，從理論上達到了提高效率降低污染物排放的目的。

3結語

通過利用貝葉斯正則化方法對BP神經(jīng)網(wǎng)絡進行改進，提高了BP神經(jīng)網(wǎng)絡的泛化能力。這樣建立的模型更能反映鍋爐燃燒的實際情況，再利用遺傳算法對工況進行參數(shù)優(yōu)化，可以實現(xiàn)提高鍋爐熱效率，大幅降低ρ(NOx)，達到節(jié)能減排的目的，可為電站鍋爐高效低排放運行提供理論指導。

參考文獻：

[1] 王培紅，李磊磊，陳強，等．電站鍋爐NOx排放與效率的響應特性模型[J]．動力工程，2004，24(2):254-258.

[2] 許昌，呂劍虹，鄭源，等．以效率和低NOx排放為目標的鍋爐燃燒整體優(yōu)化[J]．中國電機工程學報，2006，26(4):46-50.

[3] Xu M, Azevedo J L T，Carvalho M G. Modelling of the combustion process and NOxemission in a utility boiler[J].Fuel,2000(79):1611-1619.

[4] 蔡煜東，姚林生．徑流長期預報的人工神經(jīng)網(wǎng)絡方法[J]. 水科學進展，1995，6(1)：61-65.

[5] 董長虹．Matlab神經(jīng)網(wǎng)絡與應用[M]．2版. 北京:國防工業(yè)出版社，2007:72-103．

[6] 劉學偉，賀昌政．基于貝葉斯正則化BP神經(jīng)網(wǎng)絡的上市公司信用評價研究[J]. 軟科學，2005，19(5)：9-10．

[7] 王麗蓉. 遺傳算法在電站鍋爐燃燒過程建模與優(yōu)化中的應用與研究[D]. 北京:華北電力大學，2006:22-39.

[8] Chu J Z, Shieh S S. Constrained optimization of combustion in a simulated coal-fired boiler using artificial neural network model and information analysis[J].Fuel，2003(82):693-703.

[9] 雷英杰，張善文，李續(xù)武，等. 遺傳算法工具箱及應用[M]. 西安:西安電子科技大學出版社，2005：20-25.

[10] 周昊.大型電站鍋爐氮氧化物控制和燃燒優(yōu)化中若干關鍵性問題的研究[D]. 北京:華北電力大學，2004:84-218.

Combined Application of Bayesian Neural Network and Genetic Algorithm in Boiler Combustion Optimization

Xu Rongtian

(Shenhua Guoneng Ningxia Coal and Power Co., Ltd., Yinchuan 750409, China)

Abstract：To improve the boiler thermal efficiency and reduce the pollutant emission, a model of boiler combustion system was established using Bayesian neural network, to which multi-objective optimization was carried out by genetic algorithm. Simulation results with field test data of a boiler show that the method could well predict both the thermal efficiency of boiler and the mass concentration of nitrogen oxides, achieving multi-objective optimization purposes, which therefore may serve as a reference for boiler operation in an economic and environmental-friendly way.

Keywords：boiler; combustion optimization; Bayesian regularization; neural network; genetic algorithm; multi-objective optimization

中圖分類號：TK16; TP183

文獻標志碼：A

文章編號：1671-086X(2016)02-0085-03

作者簡介：徐榮田(1983—)，男，工程師，主要從事火力發(fā)電廠技術管理工作。E-mail: 17001513@shenhua.cc

收稿日期：2015-09-07