摘 要：燃煤鍋爐在發(fā)電過程中會(huì)產(chǎn)生大量的NOx，對(duì)環(huán)境和人類健康構(gòu)成嚴(yán)重威脅。因此，本文研究了火力發(fā)電廠燃煤鍋爐節(jié)能優(yōu)化控制方法，采用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)火力發(fā)電廠燃煤鍋爐的NOx排放濃度，以基于鍋爐熱效率約束的NOx排放濃度最小化為優(yōu)化控制目標(biāo)，構(gòu)建一個(gè)燃煤鍋爐節(jié)能優(yōu)化控制模型，通過遺傳算法求解模型，得到最佳火力發(fā)電廠燃煤鍋爐節(jié)能優(yōu)化控制策略。試驗(yàn)結(jié)果表明，設(shè)計(jì)方法優(yōu)化控制下火力發(fā)電廠燃煤鍋爐的NOx排放濃度比優(yōu)化前降低了67.2%，節(jié)能控制效果良好。

關(guān)鍵詞：火力發(fā)電廠；燃煤鍋爐；節(jié)能優(yōu)化；優(yōu)化控制；鍋爐控制

中圖分類號(hào)：TK 229" " 文獻(xiàn)標(biāo)志碼：A

燃煤鍋爐作為我國火力發(fā)電廠的核心設(shè)備之一，其運(yùn)行過程中的能耗與污染物排放問題尤為突出。燃煤鍋爐在日常運(yùn)行過程中，不僅需要消耗大量的煤炭資源，而且會(huì)產(chǎn)生大量的CO2、NOx、SOx等污染物，對(duì)環(huán)境造成嚴(yán)重影響。隨著全球能源危機(jī)加劇和環(huán)境保護(hù)法規(guī)日益嚴(yán)格，如何實(shí)現(xiàn)燃煤鍋爐的高效、低排放運(yùn)行，已成為火力發(fā)電行業(yè)亟待解決的關(guān)鍵問題。

廖彭偉[1]基于鍋爐燃燒模型，設(shè)置經(jīng)濟(jì)和環(huán)保指標(biāo)作為尋優(yōu)判據(jù)，挖掘鍋爐運(yùn)行參數(shù)的動(dòng)態(tài)標(biāo)桿值，以此優(yōu)化控制鍋爐燃燒，使鍋爐熱效率和NOx排放濃度最優(yōu)，但是動(dòng)態(tài)標(biāo)桿值的挖掘困難，實(shí)際應(yīng)用中可能因挖掘誤差影響優(yōu)化控制效果。曹歌瀚等[2]通過機(jī)器學(xué)習(xí)模型在線優(yōu)化鍋爐運(yùn)行參數(shù)，實(shí)現(xiàn)鍋爐燃燒控制，可以在顯著降低NOx排放濃度的基礎(chǔ)上減小鍋爐效率，但是機(jī)器學(xué)習(xí)模型對(duì)計(jì)算資源需求較大，導(dǎo)致這種方法在面對(duì)復(fù)雜多變工況時(shí)實(shí)際控制效果較差。

因此，本文針對(duì)火力發(fā)電廠燃煤鍋爐節(jié)能優(yōu)化控制方法展開進(jìn)一步研究，期望能夠滿足火力發(fā)電行業(yè)的節(jié)能減排和可持續(xù)發(fā)展的需求。

1 預(yù)測(cè)火力發(fā)電廠燃煤鍋爐NOx排放濃度

一般來說，如果火力發(fā)電廠燃煤鍋爐燃燒過程中產(chǎn)生了大量的NOx，那么說明此時(shí)鍋爐內(nèi)燃料的燃燒效率較低，部分煤炭未完全燃燒，造成能源浪費(fèi)，為了實(shí)現(xiàn)火力發(fā)電廠燃煤鍋爐節(jié)能優(yōu)化控制，需要對(duì)燃煤鍋爐NOx排放濃度進(jìn)行精準(zhǔn)預(yù)測(cè)[3]。首先，需要全面收集燃煤鍋爐運(yùn)行過程中的歷史數(shù)據(jù)，這些數(shù)據(jù)包括但不限于燃料類型、給煤量、送風(fēng)量、爐膛溫度、煙氣含氧量等關(guān)鍵參數(shù)。數(shù)據(jù)收集完成后，需要進(jìn)行一系列預(yù)處理，針對(duì)原始火力發(fā)電廠燃煤鍋爐運(yùn)行數(shù)據(jù)中的異常值，本文采用3sigma準(zhǔn)則進(jìn)行剔除，如公式（1）所示。

基于預(yù)處理后的火力發(fā)電廠燃煤鍋爐運(yùn)行數(shù)據(jù)，本文構(gòu)建一個(gè)BP神經(jīng)網(wǎng)絡(luò)作為預(yù)測(cè)模型，學(xué)習(xí)并映射輸入的燃煤鍋爐運(yùn)行數(shù)據(jù)與輸出的NOx排放濃度預(yù)測(cè)數(shù)據(jù)之間的復(fù)雜非線性關(guān)系[4]。在本文構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)模型中包括輸入、隱藏和輸出層，其中輸入層神經(jīng)元數(shù)量對(duì)應(yīng)關(guān)鍵運(yùn)行參數(shù)的數(shù)量，輸出層包括一個(gè)神經(jīng)元，用于輸出預(yù)測(cè)的NOx排放濃度，隱藏層神經(jīng)元數(shù)量如公式（3）所示。

因此，通過輸入層將預(yù)處理后的火力發(fā)電廠燃煤鍋爐運(yùn)行數(shù)據(jù)輸入上述BP神經(jīng)網(wǎng)絡(luò)模型中，經(jīng)過隱藏層上各神經(jīng)元中Sigmoid激活函數(shù)的運(yùn)算，即可得到燃煤鍋爐排放NOx濃度預(yù)測(cè)值，并將其通過輸出層輸出，為后續(xù)節(jié)能優(yōu)化控制提供有力數(shù)據(jù)支持。

2 構(gòu)建火力發(fā)電廠燃煤鍋爐節(jié)能優(yōu)化控制模型

燃煤鍋爐作為火力發(fā)電廠的核心設(shè)備，其運(yùn)行效率與污染物排放水平直接決定了電廠的整體性能。然而，在火力發(fā)電廠燃煤鍋爐燃燒過程中往往存在能源浪費(fèi)嚴(yán)重、污染物排放超標(biāo)等問題，特別是氮氧化物（NOx）作為燃煤鍋爐排放的主要大氣污染物，其排放濃度對(duì)發(fā)電廠的經(jīng)濟(jì)與環(huán)境效益具有重要影響。因此，為實(shí)現(xiàn)火力發(fā)電廠燃煤鍋爐的節(jié)能與環(huán)保雙重目標(biāo)，本文以基于鍋爐熱效率約束的NOx排放濃度最小化為優(yōu)化控制目標(biāo)，構(gòu)建一個(gè)火力發(fā)電廠燃煤鍋爐節(jié)能優(yōu)化控制模型[5]，如公式（5）所示。

如公式（5）所示，本文基于預(yù)測(cè)的燃煤鍋爐NOx排放濃度構(gòu)建了一套以鍋爐熱效率為約束、以NOx排放濃度最小化為目標(biāo)的節(jié)能優(yōu)化控制模型[6]。該模型通過非線性優(yōu)化算法，對(duì)鍋爐的燃燒過程進(jìn)行動(dòng)態(tài)調(diào)整，以實(shí)現(xiàn)熱效率與NOx排放之間的最佳平衡。

3 基于遺傳算法求解模型

在根據(jù)文中上述內(nèi)容構(gòu)建火力發(fā)電廠燃煤鍋爐節(jié)能優(yōu)化控制模型后，為了實(shí)現(xiàn)模型求解，本文引入遺傳算法搜索問題的最優(yōu)解[7]。遺傳算法是基于生物進(jìn)化論中自然選擇和遺傳學(xué)原理的一種優(yōu)化搜索算法。它將問題的潛在解編碼為“染色體”，即一串二進(jìn)制或?qū)崝?shù)編碼的字符串，每個(gè)染色體代表一個(gè)個(gè)體（或解）。算法通過模擬自然選擇、交叉（雜交）和變異等過程，使種群中的個(gè)體不斷進(jìn)化，從而逐步逼近問題的最優(yōu)解。遺傳算法的基本流程包括初始化種群、適應(yīng)度評(píng)估、選擇操作、交叉操作和變異操作等步驟，這些步驟循環(huán)迭代，直至滿足終止條件。其具體步驟如下。

3.1 問題編碼與初始種群生成

在遺傳算法中，問題的潛在解被編碼為染色體，通常是一串二進(jìn)制或?qū)崝?shù)編碼的字符串，每個(gè)染色體代表一個(gè)個(gè)體。在燃煤鍋爐節(jié)能優(yōu)化控制問題中，首先需要將問題的潛在解編碼為染色體。由于燃煤鍋爐的控制參數(shù)多為連續(xù)變量（例如煤粉流量、風(fēng)量、給水溫度等），因此采用實(shí)數(shù)編碼方式更直接、更高效。實(shí)數(shù)編碼將每個(gè)控制參數(shù)映射為染色體上的一個(gè)基因，所有控制參數(shù)的集合構(gòu)成了一個(gè)完整的染色體（即個(gè)體）。那么，利用遺傳算法求解火力發(fā)電廠燃煤鍋爐節(jié)能優(yōu)化控制模型首先需要隨機(jī)生成一組初始種群，每個(gè)個(gè)體代表一個(gè)火力發(fā)電廠燃煤鍋爐節(jié)能優(yōu)化控制模型潛在解，并通過實(shí)數(shù)編碼方式，將每個(gè)潛在解的個(gè)體直接編碼為染色體個(gè)體。其次，針對(duì)每個(gè)個(gè)體使用上述內(nèi)容構(gòu)建的火力發(fā)電廠燃煤鍋爐節(jié)能優(yōu)化控制模型中的目標(biāo)函數(shù)進(jìn)行適應(yīng)度評(píng)價(jià)。

3.2 適應(yīng)度評(píng)估

適應(yīng)度評(píng)估是遺傳算法中的關(guān)鍵環(huán)節(jié)，它決定了每個(gè)個(gè)體在進(jìn)化過程中的生存能力。在燃煤鍋爐節(jié)能優(yōu)化控制問題中，適應(yīng)度函數(shù)通?；跇?gòu)建的節(jié)能優(yōu)化控制模型來定義，用于評(píng)估每個(gè)控制策略下燃煤鍋爐的能耗、排放等性能指標(biāo)。適應(yīng)度值越高，表示該控制策略越優(yōu)。為了構(gòu)建適應(yīng)度函數(shù)，需要先確定燃煤鍋爐的能耗模型、排放模型以及優(yōu)化目標(biāo)（例如最小化能耗、最小化排放等）。其次，將這些模型與優(yōu)化目標(biāo)相結(jié)合，形成適應(yīng)度函數(shù)的數(shù)學(xué)表達(dá)式。在實(shí)際應(yīng)用中，可能還需要考慮其他約束條件（例如鍋爐運(yùn)行的安全限制、參數(shù)的可調(diào)節(jié)范圍等），以確?？刂撇呗缘目尚行院桶踩?。

3.3 選擇操作

在完成各個(gè)個(gè)體的適應(yīng)度評(píng)價(jià)后，需要根據(jù)個(gè)體的適應(yīng)度計(jì)算其被選中的概率，選擇操作是模擬自然選擇的過程，它根據(jù)個(gè)體的適應(yīng)度值來確定哪些個(gè)體將被選中作為父代進(jìn)行后續(xù)的交叉和變異操作。常用的選擇方法包括輪盤賭選擇法、錦標(biāo)賽選擇法等。其中，輪盤賭選擇法是一種基于概率的選擇方法，它根據(jù)個(gè)體的適應(yīng)度值計(jì)算其被選中的概率，然后按照這些概率隨機(jī)選擇個(gè)體作為父代。如公式（6）所示。

3.4 交叉操作

根據(jù)公式（6）計(jì)算的概率選擇個(gè)體作為父代，進(jìn)行單點(diǎn)交叉操作。也就是先確定一個(gè)交叉點(diǎn)，再對(duì)該點(diǎn)后的2個(gè)父代個(gè)體部分進(jìn)行交換，進(jìn)而生成2個(gè)全新的子代個(gè)體。交叉操作是遺傳算法中產(chǎn)生新個(gè)體的主要方式之一。在燃煤鍋爐節(jié)能優(yōu)化控制問題中，交叉操作采用單點(diǎn)交叉或多點(diǎn)交叉的方式進(jìn)行。單點(diǎn)交叉是先在父代染色體上隨機(jī)選擇一個(gè)交叉點(diǎn)，然后將該點(diǎn)后的部分染色體進(jìn)行交換，以生成2個(gè)新的子代染色體。多點(diǎn)交叉則是在父代染色體上選擇多個(gè)交叉點(diǎn)進(jìn)行部分交換。交叉操作有助于在解空間中探索新的區(qū)域，增加種群的多樣性。

3.5 變異操作

完成交叉操作后，為進(jìn)一步增加種群的多樣性，還需要以一定的變異概率隨機(jī)改變子代個(gè)體中某個(gè)基因的值，以此完成個(gè)體變異操作。變異操作是模擬生物進(jìn)化過程中基因突變的過程。在遺傳算法中，變異操作以一定的概率隨機(jī)改變?nèi)旧w上某個(gè)基因的值，從而生成新的個(gè)體。變異操作有助于在局部范圍內(nèi)搜索更優(yōu)解，并防止算法陷入局部最優(yōu)解。在燃煤鍋爐節(jié)能優(yōu)化控制問題中，變異操作的具體實(shí)現(xiàn)方式取決于編碼方式（例如實(shí)數(shù)編碼）和變異概率的設(shè)定。

3.6 迭代進(jìn)化與終止條件

不斷重復(fù)上述選擇、交叉和變異操作，即可生成一個(gè)全新的種群，并用其替換原始種群，替換完成后，再次計(jì)算各個(gè)體適應(yīng)度值，保留適應(yīng)度最高的個(gè)體作為最優(yōu)解，直到遺傳算法的迭代次數(shù)達(dá)到預(yù)設(shè)的最大值，停止算法運(yùn)行。在算法迭代結(jié)束后，將此時(shí)適應(yīng)度最高的個(gè)體作為最終解輸出，即得到最佳的火力發(fā)電廠燃煤鍋爐節(jié)能優(yōu)化控制策略。因此，通過上述流程，遺傳算法能夠系統(tǒng)地搜索燃煤鍋爐的最佳節(jié)能優(yōu)化控制策略，實(shí)現(xiàn)火力發(fā)電廠燃煤鍋爐的節(jié)能運(yùn)行和環(huán)保排放。

4 仿真試驗(yàn)

4.1 試驗(yàn)設(shè)置

針對(duì)火力發(fā)電廠燃煤鍋爐節(jié)能優(yōu)化控制問題，本文將設(shè)計(jì)方法設(shè)置為試驗(yàn)組，并引入基于動(dòng)態(tài)標(biāo)桿值的火力發(fā)電廠燃煤鍋爐節(jié)能優(yōu)化控制方法和基于機(jī)器學(xué)習(xí)的火力發(fā)電廠燃煤鍋爐節(jié)能優(yōu)化控制方法，將其分別設(shè)置為對(duì)照組一和對(duì)照組二，展開仿真對(duì)比試驗(yàn)。試驗(yàn)步驟如下。

步驟1：采用3sigma準(zhǔn)則剔除原始火力發(fā)電廠燃煤鍋爐運(yùn)行數(shù)據(jù)中的異常值，獲取處理后的數(shù)據(jù)F（X）。

步驟2：對(duì)數(shù)據(jù)F（X）進(jìn)行歸一化處理xi。

步驟3：將歸一化后的數(shù)據(jù)輸入構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)模型中，計(jì)算隱藏層神經(jīng)元數(shù)量N。

步驟4：經(jīng)過隱藏層中Sigmoid激活函數(shù)G（x）的運(yùn)算，得到燃煤鍋爐排放NOx濃度預(yù)測(cè)值。

步驟5：以鍋爐熱效率約束的NOx排放濃度最小minQ為優(yōu)化控制目標(biāo)，建立節(jié)能控制模型。

步驟6：采用遺傳算法對(duì)節(jié)能控制模型進(jìn)行求解，獲取個(gè)體被選中的概率R，以該概率作為父代，不斷進(jìn)行交叉、變異操作，當(dāng)?shù)螖?shù)達(dá)到最大值時(shí)，輸出結(jié)果即最佳控制策略。

首先，本文以某火力發(fā)電廠中660MW超超臨界燃煤發(fā)電機(jī)組為試驗(yàn)對(duì)象，其主要設(shè)計(jì)參數(shù)見表1。

其次，在該燃煤鍋爐正常運(yùn)行過程中，收集其在6種不同負(fù)荷工況下的NOx排放濃度作為試驗(yàn)數(shù)據(jù)，見表2。

由表2可知，在該燃煤鍋爐運(yùn)行過程中，為滿足各負(fù)荷工況需求，排放了大量的NOx，其排放濃度嚴(yán)重超標(biāo)，因此需要分別采用試驗(yàn)組方法和對(duì)照組中的2種方法進(jìn)行鍋爐節(jié)能優(yōu)化控制，并對(duì)比控制結(jié)果。

4.2 結(jié)果分析

在完成試驗(yàn)組方法和對(duì)照組中2種方法下的試驗(yàn)燃煤鍋爐節(jié)能優(yōu)化控制后，統(tǒng)計(jì)并整理6種負(fù)荷工況下燃煤鍋爐排放的NOx濃度數(shù)據(jù)，并將其作為試驗(yàn)結(jié)果與優(yōu)化控制前的排放數(shù)據(jù)進(jìn)行對(duì)比，以分析各方法的節(jié)能效果。具體試驗(yàn)結(jié)果數(shù)據(jù)如圖1所示。

經(jīng)過試驗(yàn)組方法與對(duì)照組中的2種方法優(yōu)化控制后，該火力發(fā)電廠燃煤鍋爐在6種不同負(fù)荷工況下的NOx排放濃度均有所降低，說明這3種方法均能改善燃煤鍋爐的能源利用效率，實(shí)現(xiàn)節(jié)能效果。但是，在所有負(fù)荷工況下，本文設(shè)計(jì)方法優(yōu)化控制下燃煤鍋爐NOx排放濃度均顯著低于2個(gè)對(duì)照組，經(jīng)過設(shè)計(jì)方法優(yōu)化控制后，燃煤鍋爐NOx排放濃度的降低率為67.2%，比對(duì)照組中2種方法分別減少8.9%和9.6%。因此，本文設(shè)計(jì)方法是有效且優(yōu)越的，實(shí)際應(yīng)用中在降低火力發(fā)電廠燃煤鍋爐NOx排放、提高能源利用效率方面表現(xiàn)出色，具有顯著的節(jié)能效果。

5 結(jié)語

在本次研究中，針對(duì)火力發(fā)電廠燃煤鍋爐的節(jié)能優(yōu)化控制問題，先通過構(gòu)建NOx排放濃度預(yù)測(cè)模型，并結(jié)合鍋爐熱效率約束，實(shí)現(xiàn)了以最小化NOx排放濃度為目標(biāo)的節(jié)能優(yōu)化控制。仿真試驗(yàn)結(jié)果表明，該方法在提高降低燃煤鍋爐污染物排放方面展現(xiàn)出顯著優(yōu)勢(shì)。然而，本研究仍存在一定的局限性，例如模型復(fù)雜度、實(shí)時(shí)性等問題有待進(jìn)一步探討。未來工作將致力于優(yōu)化算法性能，提高模型精度和實(shí)時(shí)性，并探索更多智能控制技術(shù)在燃煤鍋爐優(yōu)化控制中的應(yīng)用，以期為火力發(fā)電行業(yè)的綠色發(fā)展貢獻(xiàn)更多力量。

參考文獻(xiàn)

[1]廖彭偉.基于動(dòng)態(tài)標(biāo)桿值的電站鍋爐燃燒控制優(yōu)化[J].熱能動(dòng)力工程，2023，38（5）：111-116.

[2]曹歌瀚，黃亞繼，徐文韜，等.基于機(jī)器學(xué)習(xí)的燃煤鍋爐分工況建模與燃燒優(yōu)化[J].鍋爐技術(shù)，2023，54（5）：41-47.

[3]楊春來，袁曉磊，殷喆，等.考慮時(shí)延特性優(yōu)化的燃煤鍋爐主蒸汽溫度預(yù)測(cè)模型[J].熱力發(fā)電，2022，51（8）：124-129.

[4]楊春來，殷喆，袁曉磊，等.基于神經(jīng)網(wǎng)絡(luò)模型的鍋爐主蒸汽溫度預(yù)測(cè)控制[J].鍋爐技術(shù)，2023，54（5）：30-36.

[5]殷喆，楊春來，袁曉磊，等.基于模糊聚類的NO_x排放多模型預(yù)測(cè)優(yōu)化[J].熱力發(fā)電，2022，51（4）：105-111.

[6]唐振浩，朱得宇，李揚(yáng).基于數(shù)據(jù)驅(qū)動(dòng)的燃煤鍋爐NO_x排放濃度動(dòng)態(tài)修正預(yù)測(cè)模型[J].中國電機(jī)工程學(xué)報(bào)，2022，42（14）：5182-5194.

[7]丁志龍，王鵬，王永剛，等.改進(jìn)自適應(yīng)遺傳算法優(yōu)化的船用增壓鍋爐上鍋筒水位滑?？刂品椒╗J].中國艦船研究，2024，19（2）：181-186.