張文廣，　孫亞洲，　劉吉臻，　高明明，　陳　峰

(1．華北電力大學(xué) 新能源電力系統(tǒng)國(guó)家重點(diǎn)實(shí)驗(yàn)室，北京 102206；

2．華北電力大學(xué) 控制與計(jì)算機(jī)工程學(xué)院，北京 102206；

3．北京國(guó)電智深控制技術(shù)有限公司，北京 102200)

?

基于自適應(yīng)模糊推理辨識(shí)方法和果蠅優(yōu)化算法的CFB鍋爐燃燒優(yōu)化

張文廣1，孫亞洲2，劉吉臻1，高明明2，陳峰3

(1．華北電力大學(xué) 新能源電力系統(tǒng)國(guó)家重點(diǎn)實(shí)驗(yàn)室，北京 102206；

2．華北電力大學(xué) 控制與計(jì)算機(jī)工程學(xué)院，北京 102206；

3．北京國(guó)電智深控制技術(shù)有限公司，北京 102200)

摘要：為提高循環(huán)流化床(CFB)鍋爐效率、降低污染物排放，利用國(guó)內(nèi)某超臨界CFB鍋爐歷史運(yùn)行數(shù)據(jù)，基于自適應(yīng)模糊推理辨識(shí)方法建立了鍋爐效率、NOx和SO2排放特性的自適應(yīng)模糊推理模型，提出了3種優(yōu)化策略，使用果蠅優(yōu)化算法對(duì)CFB鍋爐運(yùn)行工況的可調(diào)參數(shù)在一定范圍內(nèi)進(jìn)行尋優(yōu)，并進(jìn)一步仿真驗(yàn)證了所提CFB鍋爐燃燒優(yōu)化方法的有效性.結(jié)果表明：該模型用時(shí)較短、誤差較小，對(duì)CFB鍋爐的節(jié)能減排有重要借鑒意義.

關(guān)鍵詞：CFB鍋爐效率； NOx； SO2； 自適應(yīng)模糊推理辨識(shí)方法； 果蠅優(yōu)化算法； 燃燒優(yōu)化

燃煤發(fā)電成本中燃料成本一般要占70%以上，提高鍋爐燃燒過(guò)程的運(yùn)行水平對(duì)機(jī)組的節(jié)能降耗具有重要意義.2030年我國(guó)的供電煤耗目標(biāo)為310 g/(kW·h)，而目前我國(guó)火電平均供電煤耗達(dá)到321 g/(kW·h)，距離目標(biāo)還有一定差距.同時(shí)，大氣污染中90%二氧化硫、67%氮氧化物均來(lái)源于燃煤.從2014年7月起現(xiàn)有火力發(fā)電機(jī)組正式實(shí)施排放新標(biāo)準(zhǔn)，要求二氧化硫和氮氧化物排放限值分別為200 mg/m3和100 mg/m3[1].在節(jié)能環(huán)保要求日益嚴(yán)格的情況下，燃煤機(jī)組的燃燒優(yōu)化控制是一種快捷、簡(jiǎn)單、有效的節(jié)能降耗措施[2-3].

循環(huán)流化床(CFB)燃燒技術(shù)是一項(xiàng)潔凈煤燃燒技術(shù)，具有燃燒效率較高、燃料適應(yīng)性廣、氮氧化物排放少、石灰石爐內(nèi)脫硫成本低和負(fù)荷調(diào)節(jié)范圍大等突出優(yōu)點(diǎn)，在近幾十年內(nèi)得到重視并快速發(fā)展.然而由于CFB鍋爐比普通煤粉爐有更多的變量參數(shù)，且各變量之間相互耦合嚴(yán)重，很難建立相應(yīng)的機(jī)理分析模型[4-8].隨著基于電站鍋爐運(yùn)行數(shù)據(jù)的統(tǒng)計(jì)分析和數(shù)據(jù)挖掘等技術(shù)日益得到重視，電站鍋爐燃燒優(yōu)化技術(shù)進(jìn)入了新的發(fā)展時(shí)期.

鍋爐燃燒優(yōu)化模型是進(jìn)行燃燒優(yōu)化的關(guān)鍵所在，目前主要方法有人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)等[9-12].筆者基于自適應(yīng)模糊推理辨識(shí)方法建立相應(yīng)CFB鍋爐燃燒優(yōu)化模型，并對(duì)該模型進(jìn)行仿真驗(yàn)證.隨后利用果蠅優(yōu)化算法對(duì)鍋爐效率以及NOx和SO2排放質(zhì)量濃度進(jìn)行多目標(biāo)尋優(yōu)，所提出的3種優(yōu)化策略均能達(dá)到預(yù)定優(yōu)化目標(biāo)，對(duì)實(shí)際工程應(yīng)用具有重要借鑒意義.

1自適應(yīng)模糊推理辨識(shí)方法

1985年，Takagi和Sugeno提出了T-S模糊模型，該模型的模糊規(guī)則后件是前件各輸入變量的線性組合，該模型在許多實(shí)際問(wèn)題中得到了成功運(yùn)用.其中較為成熟的方法有自適應(yīng)神經(jīng)模糊推理系統(tǒng)(ANFIS)方法和模糊聚類方法.然而隨著輸入維數(shù)的增加，ANFIS方法存在“規(guī)則爆炸”的問(wèn)題，模糊聚類方法也難以避免不必要的模糊規(guī)則和計(jì)算量，這2種方法都具有很大的局限性.Mao等[13]提出基于樹(shù)結(jié)構(gòu)的自適應(yīng)模糊推理辨識(shí)方法，其主要思想就是對(duì)輸入空間進(jìn)行自適應(yīng)劃分，這就意味著在線性逼近誤差和輸出數(shù)據(jù)密度大的地方子空間劃分精細(xì)，而在線性逼近誤差和輸出數(shù)據(jù)密度小的地方子空間劃分粗糙，其輸入空間的劃分情況以一棵二叉樹(shù)來(lái)形象描述.

(1)

模糊規(guī)則中的線性參數(shù)ctl可以使用最小二乘法求解：

(2)

具體算法如下：

(1) 假設(shè)給出M組輸入輸出數(shù)據(jù)集合(xi，yi)，i=1,2，…,M，xi∈Rn，yi∈R，最大葉節(jié)點(diǎn)數(shù)為L(zhǎng).

(3) 劃分該節(jié)點(diǎn)，計(jì)算劃分后左右子節(jié)點(diǎn)上的隸屬度函數(shù)，求出所有葉節(jié)點(diǎn)上的線性參數(shù).

(4) 根據(jù)式(3)計(jì)算均方根誤差，如果均方根誤差小于劃分前模型輸出的均方根誤差Rmse，則保存此次劃分，否則此次劃分無(wú)效，處理當(dāng)前層的下一個(gè)節(jié)點(diǎn).

(3)

2果蠅優(yōu)化算法

目前，被應(yīng)用于尋優(yōu)的算法主要有遺傳算法、蟻群算法、免疫算法和粒子群算法等，但都由于其各自的缺點(diǎn)：遺傳算法容易出現(xiàn)早熟收斂，計(jì)算量大；蟻群算法過(guò)于復(fù)雜；免疫算法復(fù)雜、計(jì)算量大；粒子群算法容易陷入局部極點(diǎn)[14]，導(dǎo)致上述算法不易被廣泛應(yīng)用于解決實(shí)際問(wèn)題.筆者所采用的果蠅優(yōu)化算法簡(jiǎn)單、易于實(shí)現(xiàn)、全局尋優(yōu)能力較強(qiáng)、尋優(yōu)精度高，比較容易應(yīng)用于解決實(shí)際問(wèn)題中，步驟[15]簡(jiǎn)述如下：

(1) 初始化果蠅種群個(gè)數(shù)M、種群迭代次數(shù)N和隨機(jī)初始果蠅群體的坐標(biāo)位置xaxis和yaxis.

(2) 賦予果蠅個(gè)體利用嗅覺(jué)尋找食物的隨機(jī)距離與方向：

(4)

其中，Ran為區(qū)間[-1,1]中的隨機(jī)值.

(3) 計(jì)算果蠅個(gè)體到原點(diǎn)的距離Di和相應(yīng)的味道濃度判定值Si：

(5)

(4) 將味道濃度判定值Si代入味道濃度判定函數(shù)，求出該果蠅個(gè)體位置的味道濃度值：

(6)

(5) 找出該果蠅群體中味道濃度最佳的果蠅：

(7)

(6) 保留最佳味道濃度值與X、Y坐標(biāo)，并且

(8)

(7) 進(jìn)行迭代尋優(yōu)，重復(fù)執(zhí)行步驟(2)~步驟(5)，判斷味道濃度值是否優(yōu)于前一次迭代.若是，則

執(zhí)行步驟(6)；若否，繼續(xù)循環(huán)直到滿足最大迭代次數(shù).

3CFB鍋爐燃燒優(yōu)化模型的建立

3.1樣本采集及預(yù)處理

所用驗(yàn)證數(shù)據(jù)來(lái)自某超臨界CFB鍋爐的歷史運(yùn)行數(shù)據(jù)，如表1所示，其中VrA和VrB為一次風(fēng)門左、右擋板開(kāi)度，%；SEA和SEB為上二次風(fēng)門左、右擋板開(kāi)度，%；SEC和SED為下二次風(fēng)門左、右擋板開(kāi)度，%；φ(O2)為煙氣含氧量，%；pE和pA為床壓和一次風(fēng)壓，kPa；Q為燃料熱值，MJ/kg；mca為加入石灰石量，kg；mc為加入燃料總量，kg；tB為爐膛溫度，℃；tE為外置床溫度，℃；tp為排煙溫度，℃；tS為二次風(fēng)溫度，℃；ηB為鍋爐效率，%；ρNOx和ρSO2分別為NOx和SO2排放質(zhì)量濃度，mg/m3.由于樣本集中輸入?yún)?shù)的取值范圍不同，參數(shù)大小不一，為使各參數(shù)所起作用大致相同，需要對(duì)輸入數(shù)據(jù)進(jìn)行歸一化處理，即將樣本數(shù)據(jù)歸一化到[-1,1]內(nèi)，歸一化公式為

(9)

表1　國(guó)內(nèi)某超臨界CFB鍋爐歷史運(yùn)行數(shù)據(jù)

3.2模型結(jié)構(gòu)

所建立的自適應(yīng)模糊推理模型結(jié)構(gòu)如圖1所示，輸出變量分別為鍋爐效率ηB(通過(guò)文獻(xiàn)[16]中的正平衡方法計(jì)算得出)以及NOx和SO2排放質(zhì)量濃度，通過(guò)對(duì)CFB鍋爐燃燒系統(tǒng)的動(dòng)態(tài)特性進(jìn)行分析，選取相應(yīng)的變量參數(shù)作為各模型的輸入變量.

3.3建模結(jié)果

按照?qǐng)D1的模型結(jié)構(gòu)，分別選取相應(yīng)變量參數(shù)對(duì)鍋爐效率ηB以及NOx和SO2排放質(zhì)量濃度建立自適應(yīng)模糊推理模型，選用200組工況數(shù)據(jù)進(jìn)行建模，前190組數(shù)據(jù)作為訓(xùn)練樣本，后10組數(shù)據(jù)作為預(yù)測(cè)樣本.圖2~圖4為建模效果圖.

圖1　CFB鍋爐燃燒優(yōu)化模型結(jié)構(gòu)

圖2　CFB鍋爐效率模型

圖3　CFB鍋爐NOx排放質(zhì)量濃度模型

圖4　CFB鍋爐SO2排放質(zhì)量濃度模型

由圖2~圖4可以看出，所建立的自適應(yīng)模糊推理模型對(duì)工況數(shù)據(jù)有著較好的擬合與預(yù)測(cè)效果.為對(duì)比該模型的建模效果，分別建立NOx和SO2排放質(zhì)量濃度的基于遺傳算法的神經(jīng)網(wǎng)絡(luò)模型(GA-BPNN).表2給出了2種建模方法的數(shù)據(jù)對(duì)比.由表2可知，與GA-BPNN相比，自適應(yīng)模糊推理辨識(shí)方法的建模時(shí)間很短(小于1 s)，且誤差較小.

表2　2種建模方法的數(shù)據(jù)對(duì)比

3.4多目標(biāo)尋優(yōu)策略

電站鍋爐燃燒優(yōu)化的實(shí)質(zhì)是在降低NOx和SO2排放質(zhì)量濃度的基礎(chǔ)上，盡可能提高鍋爐效率ηB，因此這是一個(gè)多目標(biāo)優(yōu)化問(wèn)題.由于3個(gè)優(yōu)化目標(biāo)之間是相互耦合甚至是矛盾的，提出了以下3種優(yōu)化策略：(1)SO2和NOx排放質(zhì)量濃度滿足排放標(biāo)準(zhǔn)條件，鍋爐效率ηB尋求最高；(2)鍋爐效率ηB和SO2排放質(zhì)量濃度滿足約束條件，NOx排放質(zhì)量濃度尋求最低；(3)鍋爐效率ηB和NOx排放質(zhì)量濃度滿足約束條件，SO2排放質(zhì)量濃度尋求最低.多目標(biāo)尋優(yōu)過(guò)程通過(guò)引入罰函數(shù)實(shí)現(xiàn).

優(yōu)化策略(1)的味道濃度判定函數(shù)為

(10)

優(yōu)化策略(2)的味道濃度判定函數(shù)為

(11)

優(yōu)化策略(3)的味道濃度判定函數(shù)為

(12)

3.5約束條件

在CFB鍋爐燃燒優(yōu)化中，最易控制的可調(diào)參數(shù)主要是一次風(fēng)門和二次風(fēng)門擋板開(kāi)度.為保證鍋爐燃燒安全性，在機(jī)組運(yùn)行時(shí)各風(fēng)門擋板開(kāi)度都有一定的調(diào)節(jié)范圍，根據(jù)CFB鍋爐實(shí)時(shí)運(yùn)行情況，確定各風(fēng)門擋板開(kāi)度的上下限(見(jiàn)表3).

表3　可調(diào)參數(shù)限值

3.6優(yōu)化結(jié)果

選取45組工況數(shù)據(jù)，分別以式(10)、式(11)和式(12)作為尋優(yōu)目標(biāo)，在自適應(yīng)模糊推理模型的基礎(chǔ)上，采用果蠅優(yōu)化算法對(duì)表3中的可調(diào)參數(shù)變量進(jìn)行尋優(yōu)，進(jìn)而得到3種尋優(yōu)策略下的優(yōu)化結(jié)果，其中果蠅種群個(gè)數(shù)M=10，種群迭代次數(shù)N=50.圖5為SO2和NOx排放質(zhì)量濃度滿足優(yōu)化策略(1)的設(shè)定條件，鍋爐效率ηB尋求最優(yōu)的效果圖.圖6為鍋爐效率ηB和SO2排放質(zhì)量濃度滿足優(yōu)化策略(2)的設(shè)定條件，NOx排放質(zhì)量濃度尋求最優(yōu)的效果圖.圖7為鍋爐效率ηB和NOx排放質(zhì)量濃度滿足優(yōu)化策略(3)的設(shè)定條件，SO2排放質(zhì)量濃度尋求最優(yōu)的效果圖.

(a) 鍋爐效率優(yōu)化

(b) NOx排放質(zhì)量濃度優(yōu)化

(c) SO2排放質(zhì)量濃度優(yōu)化

(a) 鍋爐效率優(yōu)化

(b) NOx排放質(zhì)量濃度優(yōu)化

(c) SO2排放質(zhì)量濃度優(yōu)化

(a) 鍋爐效率優(yōu)化

(b) NOx排放質(zhì)量濃度優(yōu)化

(c) SO2排放質(zhì)量濃度優(yōu)化

由圖5~圖7可以看出，每次尋優(yōu)過(guò)程中都能保證鍋爐效率ηB維持在設(shè)定值(89%)以上，且優(yōu)化后得到提高，NOx和SO2排放質(zhì)量濃度也能維持在設(shè)定的排放標(biāo)準(zhǔn)以下(低于2014年起實(shí)施的新標(biāo)準(zhǔn))，且優(yōu)化后有了較大幅度的降低.

表4給出了3種優(yōu)化策略下的優(yōu)化結(jié)果.通過(guò)對(duì)比優(yōu)化前與優(yōu)化后的平均值可以明顯看出，優(yōu)化后鍋爐效率ηB有所提高，在3種不同優(yōu)化策略下，均能實(shí)現(xiàn)其中兩目標(biāo)滿足限定值，另一目標(biāo)尋求最優(yōu)的預(yù)定設(shè)想.

表4　不同優(yōu)化策略下的優(yōu)化結(jié)果

選取歷史工況中鍋爐效率ηB最低、NOx排放質(zhì)量濃度最高、SO2排放質(zhì)量濃度最高的3組最差工況，以式(10)、式(11)和式(12)作為多目標(biāo)尋優(yōu)函數(shù)，分別對(duì)表3中的可調(diào)參數(shù)進(jìn)行尋優(yōu).表5給出了3種工況下的尋優(yōu)結(jié)果.由表5可以看出，3種工況分別對(duì)鍋爐效率ηB、NOx排放質(zhì)量濃度、SO2排放質(zhì)量濃度進(jìn)行了最大限度的優(yōu)化，且可調(diào)參數(shù)變化不大，使得風(fēng)門擋板在較小范圍內(nèi)擺動(dòng)，從而保證了風(fēng)機(jī)動(dòng)葉的安全穩(wěn)定運(yùn)行，實(shí)用性較強(qiáng).

表5　最差工況下的優(yōu)化結(jié)果

4結(jié)論

利用自適應(yīng)模糊推理辨識(shí)方法，針對(duì)CFB鍋爐效率以及NOx和SO2排放質(zhì)量濃度建立了自適應(yīng)模糊推理模型，該模型精度在誤差允許范圍內(nèi)且建模時(shí)間較短.隨后提出了3種優(yōu)化策略，利用果蠅優(yōu)化算法對(duì)鍋爐效率以及NOx和SO2排放質(zhì)量濃度進(jìn)行多目標(biāo)尋優(yōu).仿真結(jié)果表明，這3種優(yōu)化策略均得到較好的優(yōu)化結(jié)果，實(shí)現(xiàn)了提高CFB鍋爐效率的同時(shí)降低污染物排放的優(yōu)化目標(biāo)，對(duì)實(shí)際工程應(yīng)用具有重要借鑒意義.

參考文獻(xiàn)：

[1]環(huán)境保護(hù)部. GB 13223—2011火電廠大氣污染排放標(biāo)準(zhǔn)[S]. 北京：中國(guó)環(huán)境科學(xué)出版社，2011.

[2]TAN Peng, XIA Ji, ZHANG Cheng,etal. Modeling and optimization of NOxemission in a coal-fired power plant using advanced machine learning methods[C]//The 6th International Conference on Applied Energy. Taipei, China：Energy Procedia, 2014.

[3]高明明，劉吉臻，牛玉廣，等. 基于EKF技術(shù)的CFB鍋爐殘?zhí)剂抗烙?jì)[J]. 熱能動(dòng)力工程，2013，28(5)：492-496.

GAO Mingming, LIU Jizhen, NIU Yuguang,etal. The estimation of carbon in CFB boiler basing on the EKF technology[J]. Journal of Engineering for Thermal Energy and Power, 2013, 28(5): 492-496.

[4]高芳，翟永杰，卓越，等. 基于共享最小二乘支持向量機(jī)模型的電站鍋爐燃燒系統(tǒng)的優(yōu)化[J]. 動(dòng)力工程學(xué)報(bào)，2012，32(12)：928-933.

GAO Fang, ZHAI Yongjie, ZHUO Yue,etal. Combustion optimization for utility boilers based on sharing LSSVM model[J]. Journal of Chinese Society of Power Engineering, 2012, 32(12): 928-933.

[5]高明明，岳光溪，雷秀堅(jiān)，等. 循環(huán)流化床鍋爐石灰石控制研究[J]. 動(dòng)力工程學(xué)報(bào)，2014，34(10)：759-764.

GAO Mingming, YUE Guangxi, LEI Xiujian,etal. Research on limestone control of circulation fluidized bed boiler[J]. Journal of Chinese Society of Power En-gineering, 2014, 34(10): 759-764.

[6]黃中，潘貴濤，張品高，等. 300 MW大型循環(huán)流化床鍋爐運(yùn)行分析與發(fā)展建議[J]. 鍋爐技術(shù)，2014，45(6)：35-41.

HUANG Zhong, PAN Guitao, ZHANG Pingao,etal. Operation analysis and development suggestions of 300 MW CFB[J]. Boiler Technology, 2014, 45(6): 35-41.

[7]高明明，劉吉臻，牛玉廣，等. 褲衩腿結(jié)構(gòu)循環(huán)流化床鍋爐熱量與殘?zhí)剂康难芯縖J]. 動(dòng)力工程學(xué)報(bào)，2013，33(2)：93-99.

GAO Mingming, LIU Jizhen, NIU Yuguang,etal. Study on heat release and carbon residue of CFB boiler with breeches legs[J]. Journal of Chinese Society of Power Engineering, 2013, 33(2): 93-99.

[8]李鵬飛，趙明，賽俊聰，等. 300 MW循環(huán)流化床鍋爐動(dòng)態(tài)特性的試驗(yàn)研究[J]. 熱能動(dòng)力工程，2014，29(5)：526-531.

LI Pengfei, ZHAO Ming, SAI Juncong,etal. Experimental study on the dynamic characteristics of 300 MW CFB[J]. Journal of Engineering for Thermal Energy and Power, 2014, 29(5): 526-531.

[9]SAJAN K S, KUMAR V, TVAGI B. Genetic algorithm based support vector machine for on-line voltage stability monitoring[J]. Electrical Power and Energy Systems, 2015, 73: 200-208.

[10]牛玉廣，沙超，康俊杰. 基于數(shù)值模擬與試驗(yàn)運(yùn)行數(shù)據(jù)的電站鍋爐燃燒系統(tǒng)復(fù)合建模[J]. 動(dòng)力工程學(xué)報(bào)，2014，34(10)：765-770.

NIU Yuguang, SHA Chao, KANG Junjie. Hybrid modeling of boiler combustion system based on numerical simulation and experimental data[J]. Journal of Chinese Society of Power Engineering, 2014, 34(10): 765-770.

[11]顧燕萍，趙文杰，吳占松. 基于最小二乘支持向量機(jī)的電站鍋爐燃燒優(yōu)化[J]. 中國(guó)電機(jī)工程學(xué)報(bào)，2010，30(17)：91-97.

GU Yanping, ZHAO Wenjie, WU Zhansong. Combustion optimization for utility boiler based on least square-support vector machine[J]. Proceedings of the CSEE, 2010, 30(17): 91-97.

[12]高明明，劉吉臻，高明帥，等. 基于補(bǔ)償模糊神經(jīng)網(wǎng)絡(luò)的灰循環(huán)系統(tǒng)控制研究[J]. 動(dòng)力工程學(xué)報(bào)，2012，32(7)：532-537.

GAO Mingming, LIU Jizhen, GAO Mingshuai,etal. Control study for ash recycling systems based on compensatory fuzzy neural network[J]. Journal of Chinese Society of Power Engineering, 2012, 32(7): 532-537.

[13]MAO Jianqin, ZHANG Jiangang, YUE Yufang,etal. Adaptive-tree-structure based fuzzy inference system [J]. IEEE Transactions on Fuzzy Systems, 2005, 13(1): 1-12.

[14]吳小文，李擎. 果蠅算法和5種群智能算法的尋優(yōu)性能研究[J]. 火力與指揮控制，2013，38(4)：17-20.

WU Xiaowen, LI Qing. Research of optimizing performance of fruit fly optimization algorithm and five kinds of intelligent algorithm[J]. Fire Control & Command Control, 2013, 38(4): 17-20.

[15]潘文超. 果蠅最佳化演算法—最新演化式計(jì)算技術(shù)[M]. 臺(tái)灣：滄海書局，2011.

[16]宋波.循環(huán)流化床鍋爐燃燒系統(tǒng)熱效率優(yōu)化控制研究[D]. 廈門：廈門大學(xué)，2008.

Combustion Optimization of CFB Boilers Based on Adaptive Fuzzy Inference Method and Fruit Fly Optimization Algorithm

ZHANGWenguang1,SUNYazhou2,LIUJizhen1,GAOMingming2,CHENFeng3

(1. State Key Laboratory for Alternate Electrical Power System with Renewable Energy Sources,North China Electric Power University, Beijing 102206, China; 2. School of Control and Computer Engineering, North China Electric Power University, Beijing 102206, China;3. Beijing Guodian Zhishen Control Technology Co., Ltd., Beijing 102200, China)

Abstract：To improve the combustion efficiency and reduce the pollutant emission of circulating fluidized bed (CFB) boilers, soft measurement models were firstly established for the boiler efficiency and the emission of NOx and SO2 based on adaptive fuzzy inference method using the historical data of a domestic supercritical CFB boiler. Then, three optimization strategies were proposed based on above measurement models to optimize the adjustable parameters of the CFB boiler in a certain range using fruit fly optimization algorithm (FOA). Finally, the effectiveness of the combustion optimization method was further verified by numerical simulation. Results show that the models proposed are fast in modeling and accurate in calculation, which may serve as a reference for energy conservation and pollution reduction of CFB boilers.

Key words：CFB boiler efficiency; NOx; SO2; adaptive fuzzy inference method; FOA; combustion optimization

文章編號(hào)：1674-7607(2016)02-0084-07

中圖分類號(hào)：TK223

文獻(xiàn)標(biāo)志碼：A學(xué)科分類號(hào)：470.10

作者簡(jiǎn)介：張文廣(1975-)，男，山東海陽(yáng)人，副教授，博士，研究方向?yàn)槿济簷C(jī)組燃燒優(yōu)化. 電話(Tel.)：010-61772843；E-mail：zwg@ncepu.edu.cn.

基金項(xiàng)目：國(guó)家重點(diǎn)基礎(chǔ)研究發(fā)展計(jì)劃(973計(jì)劃)資助項(xiàng)目(2012CB215203)；中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金資助項(xiàng)目(2015MS33)

收稿日期：2015-03-26

修訂日期：2015-05-20