殷喆，楊春來(lái)，袁曉磊，吳斌，呂游,3

（1.國(guó)網(wǎng)河北能源技術(shù)服務(wù)有限公司，河北 石家莊 050021；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.華北電力大學(xué)電站能量傳遞轉(zhuǎn)化與系統(tǒng)教育部重點(diǎn)實(shí)驗(yàn)室，北京 102206）

為應(yīng)對(duì)氣候變化，實(shí)現(xiàn)我國(guó)既定的碳排放和碳中和目標(biāo)，風(fēng)能、太陽(yáng)能等新能源裝機(jī)容量不斷增加[1]。然而，新能源發(fā)電具有一定的隨機(jī)性和波動(dòng)性，為消納新能源的調(diào)峰，火電機(jī)組運(yùn)行將呈現(xiàn)大幅度頻繁變工況的特征[2]。機(jī)組變負(fù)荷運(yùn)行使得鍋爐出口NOx排放的控制難度增加[3]；同時(shí)，國(guó)家對(duì)火電廠(chǎng)的煙氣排放標(biāo)準(zhǔn)愈加嚴(yán)格[4-5]。因此，實(shí)現(xiàn)深度變工況下鍋爐出口NOx排放優(yōu)化成為一個(gè)亟待解決的問(wèn)題。

隨著人工智能的發(fā)展，神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等機(jī)器學(xué)習(xí)理論在鍋爐NOx排放優(yōu)化中得到了廣泛的應(yīng)用。Yan 等人[6]提出考慮鍋爐運(yùn)行和排放特性的人工神經(jīng)網(wǎng)絡(luò)模型，通過(guò)優(yōu)化配風(fēng)方式對(duì)鍋爐效率和NOx排放進(jìn)行優(yōu)化。秦天牧等[7]利用多尺度核偏最小二乘法建立了選擇性催化還原(SCR)脫硝系統(tǒng)的模型。丁續(xù)達(dá)[8]、Lv 等人[9]采用最小二乘支持向量機(jī)（least square support vector machine,LSSVM）技術(shù)建立了NOx排放預(yù)測(cè)模型。這些研究通過(guò)機(jī)組的運(yùn)行數(shù)據(jù)，利用人工智能等先進(jìn)技術(shù)構(gòu)建了單一模型描述鍋爐NOx排放特性。然而，由于火電機(jī)組調(diào)峰運(yùn)行，鍋爐負(fù)荷并不局限于典型工況點(diǎn)[10]，從而使得單一模型無(wú)法對(duì)機(jī)組全工況運(yùn)行提供有效指導(dǎo)。

基于此，有研究提出利用多模型解決機(jī)組多工況運(yùn)行的問(wèn)題。李偉等[11]針對(duì)機(jī)組大范圍負(fù)荷變動(dòng)工況提出了基于多模型策略的鍋爐蒸汽溫度預(yù)測(cè)及控制方法，但是其受限于機(jī)理建模的局限性，建模過(guò)程中進(jìn)行了過(guò)多簡(jiǎn)化；Xiao 等人[12]提出了一種基于數(shù)據(jù)分組處理方法的選擇集成模型，并將該模型應(yīng)用于能源消費(fèi)預(yù)測(cè)，該集成混合預(yù)測(cè)模型與傳統(tǒng)模型相比有更好的預(yù)測(cè)性能。在NOx排放預(yù)測(cè)方面，甄成剛等[13]提出了一種基于多模型聚類(lèi)集成的鍋爐NOx排放量建模方法，但其基于模型輸出結(jié)果進(jìn)行工況劃分，導(dǎo)致該模型對(duì)于新的樣本數(shù)據(jù)工況類(lèi)型無(wú)法判斷；Liu 等人[14]提出了一種基于LSSVM的集成學(xué)習(xí)系統(tǒng)預(yù)測(cè)燃煤鍋爐NOx排放特性，然而該研究在構(gòu)建集成預(yù)測(cè)模型時(shí)未考慮實(shí)際應(yīng)用中鍋爐NOx排放優(yōu)化的問(wèn)題。

采用多模型預(yù)測(cè)時(shí)需構(gòu)建多個(gè)相互關(guān)聯(lián)的子模型，因此在基于模型實(shí)施優(yōu)化過(guò)程中要考慮每個(gè)子模型對(duì)尋優(yōu)參數(shù)的影響。本文在上述研究的基礎(chǔ)上提出了一種基于不可調(diào)參數(shù)聚類(lèi)的鍋爐燃燒系統(tǒng)全工況多模型集成預(yù)測(cè)與優(yōu)化策略，通過(guò)合理調(diào)整運(yùn)行參數(shù)，降低鍋爐出口NOx排放。首先根據(jù)對(duì)鍋爐燃燒狀態(tài)的影響將運(yùn)行參數(shù)劃分為可調(diào)參數(shù)和不可調(diào)參數(shù)；基于不可調(diào)參數(shù)，采用模糊c均值聚類(lèi)（fuzzy c-means clustering，F(xiàn)CM）算法對(duì)樣本進(jìn)行子集劃分，然后對(duì)每個(gè)子集分別建立LSSVM模型，通過(guò)引入隸屬度聚合策略得到最終的預(yù)測(cè)結(jié)果；基于上述模型，利用粒子群優(yōu)化（particle swarm optimization，PSO）算法對(duì)可調(diào)參數(shù)進(jìn)行優(yōu)化，從而實(shí)現(xiàn)鍋爐出口NOx排放的有效降低。

1 多模型預(yù)測(cè)策略

1.1 基于FCM 的運(yùn)行工況劃分

從鍋爐燃燒特性和NOx生成機(jī)理可知，影響鍋爐燃燒與鍋爐出口NOx排放的參數(shù)包括機(jī)組負(fù)荷、煤質(zhì)、給煤量、配風(fēng)方式等，將負(fù)荷、給煤量和總風(fēng)量定義為不可調(diào)參數(shù)，作為工況劃分的特征變量。提出利用FCM 對(duì)鍋爐不可調(diào)參數(shù)進(jìn)行工況劃分，構(gòu)建多個(gè)子模型來(lái)描述機(jī)組在不同工況下的運(yùn)行特性。

FCM 算法是通過(guò)引入隸屬度函數(shù)來(lái)確定樣本屬于各個(gè)類(lèi)的程度，假設(shè)采集的樣本集合x(chóng)={x1,x2,…,xn}∈Rp×n（n為樣本數(shù)，p為變量數(shù)），將采集的樣本xi所有變量記作不可調(diào)變量和可調(diào)變量組合，即其中為不可調(diào)變量，ui∈Rd為可調(diào)變量（其中將集合分為c類(lèi)，c∈{2,3,…,n}，每個(gè)樣本點(diǎn)與c個(gè)類(lèi)別之間關(guān)系表示為1 個(gè)隸屬度矩陣μ。記μki(k=1,2,…,c)為第i個(gè)樣本屬于第k類(lèi)的隸屬度，聚類(lèi)中心所構(gòu)成的矩陣為，最佳的隸屬度矩陣μ與聚類(lèi)中心矩陣h可通過(guò)以下迭代過(guò)程求解：

式中：m表征影響隸屬度矩陣模糊化程度的權(quán)重系數(shù)表示樣本到中心hk歐幾里德距離；隸屬度μkj初始值為(0,1)之間的隨機(jī)數(shù)。

1.2 鍋爐出口NOx 排放預(yù)測(cè)模型構(gòu)建

煤質(zhì)和配風(fēng)對(duì)鍋爐燃燒狀態(tài)具有較大影響，直接影響著燃燒過(guò)程中NOx的生成，實(shí)際工程中很少對(duì)煤質(zhì)分析，因此選擇二次風(fēng)風(fēng)門(mén)開(kāi)度和燃盡風(fēng)風(fēng)門(mén)開(kāi)度作為鍋爐燃燒系統(tǒng)的可調(diào)參數(shù)，通過(guò)優(yōu)化配風(fēng)方式對(duì)鍋爐燃燒系統(tǒng)燃燒狀態(tài)進(jìn)行調(diào)整。將可調(diào)參數(shù)及負(fù)荷、給煤量、總風(fēng)量等不可調(diào)參數(shù)共同構(gòu)成子模型的輸入變量。

選擇LSSVM 算法構(gòu)建子模型，將采集的樣本記作(xi,yi)，i=1,2,…,n，xi∈Rp，yi∈R，其中xi表征輸入變量，yi表征輸出變量，n為樣本數(shù)，p為變量數(shù)。通過(guò)LSSVM 算法構(gòu)建xi到y(tǒng)i非線(xiàn)性模型，實(shí)現(xiàn)鍋爐出口NOx排放的預(yù)測(cè)，模型求解過(guò)程可轉(zhuǎn)換為以下優(yōu)化問(wèn)題：

式中：φ(·)為非線(xiàn)性映射函數(shù)；ω為權(quán)重向量；γ為懲罰因子；ξi為誤差；b為偏置。

可使用拉格朗日法求解式(3)優(yōu)化問(wèn)題，并得到最終的預(yù)測(cè)模型為：

式中：α(·)=[α1,α2,…,αn]為拉格朗日因子向量；K(x,xi)為核函數(shù)，通常選擇采用高斯徑向基核函數(shù)（radial basis function，RBF）作為模型核函數(shù)。

引入隸屬度聚合策略得到最終的預(yù)測(cè)結(jié)果，建立鍋爐出口NOx排放預(yù)測(cè)模型，即為：

式中：g(·)為最終對(duì)鍋爐出口NOx排放預(yù)測(cè)各子模型集成后的輸出；fk(·)為樣本x聚類(lèi)劃分到所屬類(lèi)別下的子LSSVM 模型（僅需對(duì)x的不可調(diào)子集作為特征變量進(jìn)行聚類(lèi)）；μki為樣本聚類(lèi)時(shí)的隸屬度值，可由式(2)計(jì)算得到。

構(gòu)建的鍋爐出口NOx排放多模型預(yù)測(cè)結(jié)構(gòu)如圖1 所示。由圖1 可見(jiàn)，模型輸入基于不可調(diào)參數(shù)聚類(lèi)劃分工況，利用不可調(diào)參數(shù)與二次風(fēng)風(fēng)門(mén)開(kāi)度、燃盡風(fēng)風(fēng)門(mén)開(kāi)度共同作為輸入變量建立子模型。

圖1 鍋爐出口NOx 排放多模型預(yù)測(cè)結(jié)構(gòu)Fig.1 Structure of the multi-model for prediction of NOx emission at boiler outlet

2 基于粒子群算法的NOx 排放優(yōu)化

2.1 PSO 算法優(yōu)化理論

選擇以鍋爐燃燒系統(tǒng)側(cè)4 層二次風(fēng)風(fēng)門(mén)開(kāi)度、2 層燃盡風(fēng)風(fēng)門(mén)開(kāi)度6 個(gè)可調(diào)參數(shù)作為優(yōu)化變量，通過(guò)PSO 算法得到最優(yōu)值來(lái)降低鍋爐出口NOx排放。PSO 算法是一種基于群體協(xié)作的智能優(yōu)化算法，具有很好的全局優(yōu)化能力[17]。在PSO 算法優(yōu)化過(guò)程中，種群中的每個(gè)粒子代表1 個(gè)可行解。設(shè)待優(yōu)化變量為d維，則粒子i的位置記為ui=[ui1,ui2,...,uid]，對(duì)應(yīng)的粒子速度vi=[vi1,vi2,...,vid]，此時(shí)粒子自身的最優(yōu)位置pi=[pi1,pi2,...,pid]，整個(gè)種群的最優(yōu)位置pg=[ug1,ug2,...,ugd]。尋優(yōu)過(guò)程中，粒子的位置和速度需要根據(jù)ui和pg不斷更新，向最優(yōu)值靠近，直到滿(mǎn)足誤差要求或者達(dá)到所設(shè)定的最大迭代次數(shù)。其更新公式為：

式中：λ為慣性權(quán)重；c1和c2為加速因子；r1和r2為(0,1)之間的隨機(jī)數(shù)；t為迭代次數(shù)。

2.2 NOx 排放優(yōu)化

式中：uj為可調(diào)變量u的第j維；ujmax和ujmin分別為uj的上、下限，通過(guò)歷史運(yùn)行數(shù)據(jù)中各參數(shù)出現(xiàn)的最大值和最小值來(lái)確定；g(u)為鍋爐出口NOx排放預(yù)測(cè)值。

整個(gè)NOx排放優(yōu)化過(guò)程如圖2 所示。由圖2 可見(jiàn)，首先將負(fù)荷、給煤量和總風(fēng)量3 個(gè)不可調(diào)參數(shù)作為特征變量，并基于式(1)—式(2)實(shí)現(xiàn)工況劃分；然后考慮二次風(fēng)風(fēng)門(mén)開(kāi)度和燃盡風(fēng)風(fēng)門(mén)開(kāi)度6 個(gè)可調(diào)參數(shù)，并將該6 個(gè)可調(diào)參數(shù)共同作為輸入變量，基于式(3)—式(5)構(gòu)建NOx排放預(yù)測(cè)模型；最后選擇可調(diào)參數(shù)作為待優(yōu)化變量，以式(8)作為目標(biāo)函數(shù)，基于式(6)—式(7)利用PSO 算法進(jìn)行求解，并將得到的最優(yōu)參數(shù)設(shè)定值輸出至可調(diào)參數(shù)，實(shí)現(xiàn)NOx排放的優(yōu)化。

圖2 NOx 排放優(yōu)化過(guò)程Fig.2 The process of NOx emission optimization

3 樣本采集與仿真

3.1 數(shù)據(jù)采集與處理

選擇某1 000 MW 燃煤發(fā)電機(jī)組為例，其鍋爐為SG-3040/27.56-M538 超超臨界直流鍋爐。單爐膛采用塔式布置和四角切圓燃燒方式。鍋爐燃燒系統(tǒng)按照中速磨正壓直吹系統(tǒng)設(shè)計(jì)，每個(gè)磨煤機(jī)引出4 根煤粉管道到爐膛四角，每角燃燒器為12 層直流式燃燒器。分別在緊挨頂層燃燒器和燃燒器組上部設(shè)置有2 層燃盡風(fēng)（S1—S2）和4 層二次風(fēng)（A—D），每層擋板開(kāi)度統(tǒng)一操作，故每層擋板開(kāi)度可以認(rèn)為是1 個(gè)操作變量，因此共有6 個(gè)可調(diào)參數(shù)。此外，為了實(shí)現(xiàn)工況聚類(lèi)劃分與各子模型構(gòu)建，還需考慮鍋爐負(fù)荷、給煤量、總風(fēng)量3 個(gè)不可調(diào)參數(shù)。

從廠(chǎng)級(jí)監(jiān)控信息系統(tǒng)（supervisory information system，SIS）運(yùn)行數(shù)據(jù)庫(kù)中采集上述變量的數(shù)據(jù)樣本，采集時(shí)間跨度為7 天，采樣頻率為5 min。對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，包含刪除離群點(diǎn)數(shù)據(jù)和歸一化處理，共得到不同工況下2 956 組數(shù)據(jù)樣本。將處理后的數(shù)據(jù)用于鍋爐出口NOx排放預(yù)測(cè)模型建立，其中2 406 組數(shù)據(jù)作為訓(xùn)練集，550 組數(shù)據(jù)作為測(cè)試集。本文的仿真實(shí)驗(yàn)基于MATLAB R2020a 環(huán)境，所采用的計(jì)算機(jī)硬件設(shè)備信息為intel(R) Core(TM)i5-6200 處理器，主頻為2.3 GHz，內(nèi)存為4 GB。

3.2 工況聚類(lèi)劃分

采集的運(yùn)行數(shù)據(jù)負(fù)荷跨度在500～1 010 MW 之間，單一模型無(wú)法準(zhǔn)確表征不同工況下NOx排放特性，因此建立機(jī)組多工況下子模型，并實(shí)現(xiàn)其集成預(yù)測(cè)。利用FCM 算法基于負(fù)荷、給煤量、總風(fēng)量3 個(gè)不可調(diào)參數(shù)進(jìn)行聚類(lèi)。圖3 為以給煤量、負(fù)荷和總風(fēng)量作為坐標(biāo)變量的樣本聚類(lèi)分布情況，由圖3 可見(jiàn)，樣本圍繞各類(lèi)的中心集中在5 個(gè)局部區(qū)域內(nèi)。

圖3 不可調(diào)參數(shù)聚類(lèi)分布Fig.3 Clustering distribution of non-manipulatable parameters

聚類(lèi)后各數(shù)據(jù)子集中機(jī)組負(fù)荷分布如圖4 所示。由圖4 可見(jiàn)，經(jīng)FCM 聚類(lèi)后得到的5 個(gè)子集運(yùn)行工況分布存在顯著差異。子集1 中的樣本負(fù)荷主要集中在700～750 MW，子集2 中的樣本負(fù)荷主要集中在500～535 MW，子集3 為740～820 MW，子集4 為870～950 MW，子集5 為940～1010 MW。

圖4 聚類(lèi)后子集負(fù)荷分布Fig.4 Load distribution of clustering subset

表1 為各子集樣本數(shù)據(jù)量分布比例。由表1 可見(jiàn)，該機(jī)組在500～1 010 MW 負(fù)荷內(nèi)變工況運(yùn)行，通過(guò)FCM 聚類(lèi)可以將全工況范圍樣本分割成5 個(gè)工況變化較小的子集，每個(gè)子集的工況變化范圍在80 MW 以?xún)?nèi)，從而使得建立的子模型能在相對(duì)穩(wěn)定的工況下進(jìn)行預(yù)測(cè)。

表1 各子集樣本數(shù)據(jù)量分布比例Tab.1 Proportion of sample data size distribution for each subset

3.3 子模型構(gòu)建和集成

采用LSSVM 在各子集上構(gòu)建預(yù)測(cè)子模型，利用隸屬度關(guān)系進(jìn)行模型集成來(lái)得到鍋爐出口NOx排放特性。建立的預(yù)測(cè)模型包含5 個(gè)LSSVM 子模型，為驗(yàn)證多個(gè)模型集成預(yù)測(cè)的優(yōu)勢(shì)，在全工況范圍內(nèi)構(gòu)建單一LSSVM 預(yù)測(cè)模型進(jìn)行對(duì)比。建立LSSVM 模型時(shí)，采用RBF 作為核函數(shù)，各子模型與單一LSSVM 模型的懲罰因子γ與核函數(shù)寬度σ值見(jiàn)表2。

表2 LSSVM 模型參數(shù)Tab.2 Parameters of the LSSVM model

4 結(jié)果與討論

4.1 評(píng)價(jià)標(biāo)準(zhǔn)

為了更加準(zhǔn)確地評(píng)價(jià)模型的預(yù)測(cè)精度，引入平均相對(duì)誤差（average relative error）δARE與均一化相對(duì)均方根誤差（normalized root mean square error）δNRMSE來(lái)衡量模型預(yù)測(cè)效果，其表達(dá)式為：

式中：yi表示實(shí)際測(cè)量值；表示模型預(yù)測(cè)值；ymax與ymin分別表示yi的最大值和最小值；表示實(shí)際測(cè)量值的平均值。

4.2 NOx 排放預(yù)測(cè)結(jié)果分析

構(gòu)建的各子模型對(duì)鍋爐出口NOx排放預(yù)測(cè)結(jié)果如圖5 所示。

圖5 各子模型對(duì)鍋爐出口NOx 排放預(yù)測(cè)結(jié)果Fig.5 Prediction results of NOx emission at the boiler outlet by different sub-models

由圖5 可以看出，各工況訓(xùn)練出的子模型具有較高的精度，子模型的預(yù)測(cè)值與實(shí)際測(cè)量值表現(xiàn)出較高的一致性。以子模型1 為例，子集1 工況包含640 個(gè)樣本，模型得到的預(yù)測(cè)誤差δARE為6.95%，δNRMSE為6.19%。各子模型預(yù)測(cè)誤差見(jiàn)表3。

表3 各子模型預(yù)測(cè)誤差 單位：%Tab.3 Prediction errors of each sub-model

基于式(5)對(duì)上述構(gòu)建的子模型進(jìn)行集成，得到鍋爐出口NOx排放的預(yù)測(cè)結(jié)果。此外為了對(duì)比多模型預(yù)測(cè)精度，還構(gòu)建了單一LSSVM 模型。多模型和單一LSSVM 模型對(duì)訓(xùn)練集和測(cè)試集的預(yù)測(cè)結(jié)果分別如圖6 和圖7 所示，單一LSSVM 模型與多模型的預(yù)測(cè)誤差見(jiàn)表4。

圖6 模型對(duì)鍋爐出口NOx 排放預(yù)測(cè)結(jié)果（訓(xùn)練集）Fig.6 Prediction results of NOx emission at boiler outlet(training set)

圖7 模型對(duì)鍋爐出口NOx 排放預(yù)測(cè)結(jié)果（測(cè)試集）Fig.7 Prediction results of NOxemission at boiler outlet (test set)

表4 單一LSSVM 模型與多模型的預(yù)測(cè)誤差比較 單位：%Tab.4 Comparison of prediction error between single LSSVM model and multi-model

從圖6、圖7 和表4 可以看出，單一LSSVM 模型對(duì)訓(xùn)練集樣本預(yù)測(cè)得到的δARE和δNRMSE相對(duì)較小，而對(duì)測(cè)試集樣本預(yù)測(cè)得到誤差較大，表明單一LSSVM 模型具有更好的逼近能力，但泛化能力與多模型相比較弱。其主要原因在于機(jī)組在運(yùn)行過(guò)程中工況分布范圍廣，單模型無(wú)法準(zhǔn)確地表征不同工況下的運(yùn)行特性。本文提出的多模型策略對(duì)訓(xùn)練集樣本預(yù)測(cè)得到的δARE和δNRMSE均稍大于單一模型，但對(duì)測(cè)試集樣本預(yù)測(cè)得到的δARE和δNRMSE分別為1.47%和4.32%，相比單一LSSVM 模型顯著降低，表明多模型具有更好的泛化能力。同時(shí)，由于多模型對(duì)訓(xùn)練集進(jìn)行了聚類(lèi)，將2 406 組訓(xùn)練樣本分為5 個(gè)子集，大大降低了訓(xùn)練時(shí)間。單一模型與多模型時(shí)長(zhǎng)比較見(jiàn)表5。

表5 單一模型與多模型時(shí)長(zhǎng)比較 單位：sTab.5 Comparison of time length between single model and multi-model

由表5 可以看出，多模型的訓(xùn)練過(guò)程會(huì)消耗更少的時(shí)間，僅需要6.4 s，是單一LSSVM 模型訓(xùn)練時(shí)間的14.3%左右，而二者的預(yù)測(cè)時(shí)間都相對(duì)較小。因此，與單一模型相比，多模型預(yù)測(cè)的方法更適用于實(shí)時(shí)訓(xùn)練和現(xiàn)場(chǎng)實(shí)施。

4.3 NOx 排放優(yōu)化結(jié)果分析

基于構(gòu)建的預(yù)測(cè)模型，利用PSO 算法對(duì)測(cè)試集樣本可調(diào)參數(shù)進(jìn)行優(yōu)化，以此降低鍋爐出口NOx排放。設(shè)種群數(shù)為40，迭代次數(shù)為200，為確保機(jī)組安全穩(wěn)定運(yùn)行，待優(yōu)化參數(shù)的尋優(yōu)范圍設(shè)定在各參數(shù)歷史運(yùn)行數(shù)據(jù)的最大值與最小值之間。以第1 個(gè)測(cè)試樣本所在工況為例，PSO 算法迭代過(guò)程中目標(biāo)函數(shù)（即鍋爐出口NOx排放）變化情況如圖8 所示。

圖8 PSO 算法迭代過(guò)程中鍋爐出口NOx 變化Fig.8 Change of NOx concentration at boiler outlet during PSO algorithm iteration

從圖8 可以看出，經(jīng)過(guò)13 次迭代，鍋爐出口NOx排放趨于穩(wěn)定且收斂到270.2 mg/m3，即經(jīng)過(guò)PSO 算法優(yōu)化后，此樣本所在工況下最優(yōu)NOx排放為270.2 mg/m3，相較于優(yōu)化前降低23.0 mg/m3，優(yōu)化前后的參數(shù)對(duì)比見(jiàn)表6。

表6 優(yōu)化前后參數(shù)對(duì)比Tab.6 Comparison of parameters before and after optimization

經(jīng)優(yōu)化后，測(cè)試集鍋爐出口NOx排放結(jié)果及降低比例如圖9 和圖10 所示。從圖9 和圖10 可以看出，經(jīng)過(guò)PSO 算法優(yōu)化后，鍋爐出口NOx排放平均降低了9.98%，優(yōu)化效果明顯。在優(yōu)化過(guò)程中，不可調(diào)參數(shù)不發(fā)生改變，可調(diào)參數(shù)在預(yù)設(shè)范圍內(nèi)變化，即通過(guò)改變鍋爐的配風(fēng)方式控制燃燒狀態(tài)，可得到二次風(fēng)風(fēng)門(mén)開(kāi)度、燃盡風(fēng)風(fēng)門(mén)開(kāi)度的最佳操作參數(shù)。

圖9 測(cè)試集優(yōu)化結(jié)果Fig.9 Optimization results of the data in test set

圖10 優(yōu)化后NOx 排放降低比例Fig.10 NOx emission reduction ratio after optimization

此外，需要注意的是，通過(guò)對(duì)配風(fēng)方式優(yōu)化實(shí)現(xiàn)NOx排放降低的同時(shí)，可能會(huì)引起煙氣飛灰含碳量及排煙溫度的變化，進(jìn)而導(dǎo)致鍋爐運(yùn)行效率下降等問(wèn)題，但本研究?jī)H聚焦于鍋爐出口NOx排放的優(yōu)化，在此并未考慮對(duì)鍋爐效率等參數(shù)的影響。

5 結(jié)論

考慮火電機(jī)組多工況運(yùn)行的特點(diǎn)，基于鍋爐負(fù)荷、給煤量、總風(fēng)量等不可調(diào)參數(shù)將樣本聚類(lèi)為多類(lèi)，在不同的穩(wěn)定工況下建立子模型，并對(duì)各子模型的預(yù)測(cè)輸出集成得到鍋爐出口NOx排放特性。然后，基于PSO 算法對(duì)可調(diào)參數(shù)4 層二次風(fēng)風(fēng)門(mén)開(kāi)度及2 層燃盡風(fēng)風(fēng)門(mén)開(kāi)度進(jìn)行優(yōu)化，得到不同工況下的最優(yōu)操作參數(shù)。最終基于某1 000 MW 火電機(jī)組歷史運(yùn)行數(shù)據(jù)進(jìn)行仿真，結(jié)果表明通過(guò)優(yōu)化后機(jī)組鍋爐出口NOx排放平均降低了9.98%，對(duì)火電機(jī)組低污染運(yùn)行有指導(dǎo)意義。