金鵬

（ 遼寧工程職業(yè)學(xué)院，遼寧 鐵嶺 112008 ）

0 引言

燃煤鍋爐既是優(yōu)質(zhì)能源的主要創(chuàng)造者，同時也是一次能源消耗和污染物排放大戶[1]。在保障鍋爐安全運(yùn)行前提下，降低能耗、減少氮氧化物（NOx）等污染物排放的鍋爐燃燒優(yōu)化技術(shù)得到了眾多研究學(xué)者的重視[2]。降低NOx排放與提高鍋爐效率存在相互制約與矛盾，降低NOx排放就要保證爐內(nèi)高溫和煤粉高濃度不可同時存在，但是兩者不同時存在又會造成鍋爐的燃燒熱效率降低[3]。鍋爐燃燒優(yōu)化技術(shù)是一種能夠調(diào)節(jié)這兩種矛盾的有效方法。因此建立合理、有效的鍋爐燃燒模型顯得尤為重要。

目前關(guān)于建立鍋爐燃燒模型的研究一般采用機(jī)理建模法，建模是在諸多假設(shè)和簡化條件下得到的，與真正的實際過程有一定程度出入，得到的結(jié)果也并不十分準(zhǔn)確[4]。隨著工業(yè)信息化的快速發(fā)展，監(jiān)控信息系統(tǒng)被廣泛應(yīng)用于監(jiān)測、控制領(lǐng)域，大量運(yùn)行數(shù)據(jù)得以保存。

本文利用在線極限學(xué)習(xí)機(jī)算法對歷史數(shù)據(jù)和實時運(yùn)行數(shù)據(jù)進(jìn)行訓(xùn)練，得到NOx排放濃度預(yù)測模型和燃燒熱效率預(yù)測模型；結(jié)合NOx排放濃度和燃燒熱效率建立一體化適應(yīng)度函數(shù)。最后，利用混沌粒子群算法對鍋爐燃燒系統(tǒng)參數(shù)進(jìn)行參數(shù)尋優(yōu)求解。

1 建模原理

在線極限學(xué)習(xí)機(jī)算法（Online Sequential Extreme Learning Machine，OS-ELM）是機(jī)器學(xué)習(xí)算法中的一種，算法通過對預(yù)測模型的輸入樣本、輸出樣本進(jìn)行多次迭代輸出預(yù)測模型。在線極限學(xué)習(xí)機(jī)的訓(xùn)練過程分為兩個部分，第一部分是離線階段，通過少量訓(xùn)練樣本計算得出網(wǎng)絡(luò)的輸出權(quán)重，第二部分是在線學(xué)習(xí)階段，利用單個樣本或者樣本塊更新初始階段的輸出權(quán)值矩陣[3]，進(jìn)而求得系統(tǒng)預(yù)測模型。

建模時將影響鍋爐燃燒熱效率和NOx排放濃度的主要數(shù)據(jù)（鍋爐負(fù)荷、爐膛密相區(qū)溫度、一次風(fēng)流量、一次風(fēng)溫度、二次風(fēng)總流量、風(fēng)機(jī)入口溫度、煙氣溫度、煙氣含氧量）作為建模的輸入樣本，鍋爐燃燒熱效率和NOx排放濃度作為建模的輸出樣本。鍋爐燃燒熱效率模型和NOx排放濃度預(yù)測模型結(jié)構(gòu)，見圖1。

圖1 鍋爐預(yù)測模型

2 建模過程

2.1 參數(shù)選取

本文選取影響鍋爐燃燒熱效率和NOx排放濃度的主要參數(shù)：鍋爐負(fù)荷、爐膛密相區(qū)溫度、一次風(fēng)流量、一次風(fēng)溫度、二次風(fēng)總流量、風(fēng)機(jī)入口溫度、煙氣溫度、煙氣含氧量。

2.2 數(shù)據(jù)歸一化處理

由于實驗所采集的各樣本參數(shù)量綱不同，將數(shù)據(jù)直接輸入OS-ELM算法中訓(xùn)練必然影響機(jī)器學(xué)習(xí)的訓(xùn)練效果。因此，應(yīng)采用歸一化方式，將數(shù)據(jù)歸一化到[-1，1]。

2.3 建立預(yù)測模型

1）燃燒熱效率預(yù)測模型

將影響燃燒熱效率的各相關(guān)采樣值（歷史值、實時值）作為燃燒系統(tǒng)的輸入值，燒熱效率作為燃燒系統(tǒng)的輸出值，基于OS-ELM 算法建立燃燒熱效率的預(yù)測模型。該算法分為兩個階段：離線階段處理歷史數(shù)據(jù)；在線階段處理在線數(shù)據(jù)。

2）NOx排放濃度預(yù)測模型

將影響NOx排放濃度的各相關(guān)采樣值（歷史值、實時值）為燃燒系統(tǒng)的輸入值，NOx排放濃度作為燃燒系統(tǒng)的輸出值，基于OS-ELM算法建立NOx排放量的預(yù)測模型。該算法分為兩個階段：離線階段處理歷史數(shù)據(jù)；在線階段處理在線數(shù)據(jù)。

3）預(yù)測模型參數(shù)尋優(yōu)

由于普通粒子群算法（Particle Swarm Optimization，PSO）較易產(chǎn)生陷入局部最優(yōu)，無法求得全局最優(yōu)解的缺點，本文選用混沌粒子群算法（Chaotic Particle Swarm Optimization，CPSO）求解鍋爐預(yù)測模型的參數(shù)。利用混沌算法的隨機(jī)性和遍歷性初始化粒子群，使粒子均勻分布在解集空間內(nèi)，算法避免陷入局部最優(yōu)。根據(jù)燃燒系統(tǒng)熱效率和NOx排放濃度建立一體化多目標(biāo)適應(yīng)度函數(shù)，如式（1），盡可能尋求二者平衡點，實現(xiàn)高效率低污染最優(yōu)平衡。

3 建模驗證

為驗證建模方法的有效性，在鍋爐監(jiān)控信息系統(tǒng)中采集一臺鍋爐的100組熱力數(shù)據(jù)（鍋爐負(fù)荷、爐膛密相區(qū)溫度、一次風(fēng)流量、一次風(fēng)溫度、二次風(fēng)總流量、風(fēng)機(jī)入口溫度、煙氣溫度、煙氣含氧量）。其中，35組作為歷史數(shù)據(jù)，65組作為在線數(shù)據(jù)。經(jīng)歸一化處理后的數(shù)據(jù)作為建模輸入樣本，鍋爐熱效率和NOx排放濃度作為系統(tǒng)輸出樣本。鍋爐燃燒熱效率采樣值與模型預(yù)測值的對比曲線見圖2；NOx排放濃度采樣值與模型預(yù)測值對比曲線見圖3。從圖2和圖3中可以看出預(yù)測值曲線與采樣值曲線高度擬合，建模精度高。

圖2 鍋爐燃燒熱效率對比

圖3 鍋爐NOx排放濃度對比

4 結(jié)語

通過鍋爐燃燒熱效率預(yù)測模型和NOx排放濃度預(yù)測模型的建模精度可以看出，OS-ELM算法建立的鍋爐預(yù)測模型更能體現(xiàn)鍋爐真實運(yùn)行狀態(tài)?；阱仩t燃燒熱效率和NOx排放濃度的多目標(biāo)CPSO算法使鍋爐燃燒系統(tǒng)實現(xiàn)了高效率與低污染最優(yōu)平衡。