童 曉，孫衛(wèi)紅，李 強

(1.中國計量學院 機電工程學院，杭州 310018；2.新疆維吾爾自治區(qū)特種設(shè)備檢驗研究院實驗中心，烏魯木齊 830011)

0 引言

鍋爐燃燒是一個非常復雜的非線性過程，而鍋爐效率和NOX排放量是表征鍋爐燃燒是否完全的重要指標，也是目前鍋爐行業(yè)節(jié)能減排工作重要指標。實際運行過程中很難根據(jù)經(jīng)驗或調(diào)試結(jié)果將鍋爐燃燒工況調(diào)整到一個理想狀態(tài)，所以建立適當模型并結(jié)合合適的優(yōu)化算法獲得可行的鍋爐燃燒運行參數(shù)是很有意義的。

研究開發(fā)者已對鍋爐燃燒優(yōu)化方法進行了研究。利用人工神經(jīng)網(wǎng)絡(luò)(ANN)[1～3]結(jié)合遺傳算法可實現(xiàn)鍋爐的燃燒優(yōu)化，但網(wǎng)絡(luò)結(jié)構(gòu)有一定的難度，存在過學習及易陷入局部極小點等缺點；而基于統(tǒng)計理論的支持向量機(SVM)與優(yōu)化算法結(jié)合有很好的效果[4]，但是SVM計算復雜[5]，在實際應用中有很大的限制性。最小二乘支持向量機(LSSVM)是在SVM的基礎(chǔ)上用等式約束替代不等式約束，避免了求解二次回歸問題[6]，以任意精度逼近非線性系統(tǒng)，是非線性系統(tǒng)建模的有力工具[7～9]。通過文獻中比較可知，LSSVM模型的精度更高，且在模型訓練和收斂速度上較其他模型要快。

本文利用LSSVM分別建立鍋爐燃燒特性模型，并對模型訓練和校驗，結(jié)果表明LSSVM模型可很好地表示鍋爐主要物理量之間關(guān)系，具有良好的泛化性。再結(jié)合改進粒子群優(yōu)化算法對鍋爐運行工況進行尋優(yōu)，為鍋爐使用單位的燃燒優(yōu)化調(diào)整得到高效低NOX提供有效的手段。

1 LSSVM建鍋爐燃燒過程模型

1.1 LSSVM

鍋爐燃燒過程是一個高度非線性的復雜動態(tài)過程，其建模一般采用ANN和SVM等。ANN建模需要大量樣本數(shù)據(jù)，無法避免出現(xiàn)局部極小和過度擬合的現(xiàn)象，且收斂速度得不到保證；SVM建模方法用結(jié)構(gòu)風險最小化代替了經(jīng)驗風險最小化[10]，克服了ANN建模存在的缺點[11]。LSSVM是標準支持向量機理論[12]的一種擴展利用，把求解二次規(guī)劃問題轉(zhuǎn)化為求解線性方程組問題，提高了求解問題的速度從而縮短了求解時間。

1.2 LSSVM模型的輸入和輸出

LSSVM模型是以歷史數(shù)據(jù)作為訓練樣本，樣本輸入直接影響模型精度。根據(jù)優(yōu)化目標結(jié)合鍋爐實際燃燒特性選取必要的變量經(jīng)數(shù)據(jù)預處理后作為模型訓練樣本。鍋爐燃燒特性LSSVM模型如圖1所示。

圖1 鍋爐燃燒特性LSSVM模型

調(diào)用數(shù)據(jù)庫中必要運行參數(shù)作為模型輸入，通過數(shù)據(jù)預處理后進行訓練和測試。如圖1所示，模型結(jié)構(gòu)分3層，輸入層為30個運行操作量的輸入，中間層得NOX排放量、飛灰含碳量和排煙氧量3個輸出點，輸出層是包括飛灰含碳量、排煙氧量等7個輸入點，最后獲得一個鍋爐效率的輸出點。

1.3 LSSVM模型仿真結(jié)果分析

本文利用文獻[1,2]的12組試驗工況數(shù)據(jù)建立LSSVM模型。取工況1～11數(shù)據(jù)作訓練樣本，訓練LSSVM鍋爐特性模型，并用工況12進行驗證。

首先對樣本數(shù)據(jù)進行歸一化處理，歸一到[0,1]區(qū)間，歸一化公式為：

其中x和x'分別是樣本歸一化前、后的值。設(shè)置LSSVM模型的懲罰因子和徑向基核參數(shù)分別為C=100，利用交叉驗證優(yōu)化參數(shù)后對模型進行訓練得到歸一化后的預測值，再進行反歸一化計算出預測值和實際值的相對誤差，圖2(a)、(b)和(c)分別表示NOX排放量、飛灰含碳量和排煙氧量的預測值和實測值對比圖。由結(jié)果可知對于前11組訓練樣本，模型輸出值與實測值基本接近，對工況12的NOX排放量、飛灰含碳量和排煙氧量的預測值分別為788.55mg/m3、1.167%和3.13808%，相對誤差分別為0.16304%、0.5893%和1.58942%。

圖2 LSSVM模型輸出值和實測值對比

與文獻[2]神經(jīng)網(wǎng)絡(luò)預測結(jié)果比較如表1所示。表明對于同樣測試樣本，神經(jīng)網(wǎng)絡(luò)的預測相對誤差比LSSVM要大，說明LSSVM具有良好的泛化能力，預測結(jié)果更為準確。

鍋爐效率是表征鍋爐運行經(jīng)濟性的重要技術(shù)指標。利用鍋爐熱效率模型，計算結(jié)果如表2所示。

表1 2種模型的預測結(jié)果比較

表2 鍋爐熱效率響應特性

2 改進PSO優(yōu)化鍋爐燃燒工況

控制參數(shù)尋優(yōu)問題指從大量數(shù)據(jù)中搜索出最優(yōu)的一個或者幾個的組合使系統(tǒng)的性能指標要求取得最優(yōu)的數(shù)據(jù)。本文先討論粒子群優(yōu)化算法(PSO)并對算法提出改進，通過對可調(diào)參數(shù)優(yōu)化配置改善鍋爐燃燒工況。本文選取工況1進行優(yōu)化調(diào)整。

2.1 PSO算法簡介

粒子群優(yōu)化算法(PSO)是一種隨機搜索、并行的優(yōu)化算法[9]，與遺傳算法比，它沒有選擇、交叉、變異等操作，通過粒子在解空間追隨最優(yōu)粒子進行搜索，快速有效的解決預測控制器設(shè)計中目標函數(shù)優(yōu)化問題，有較強的全局收斂能力和魯棒性等特點。

本文針對非線性多目標優(yōu)化問題，根據(jù)送風量和燃料量隨著鍋爐負荷的變化而變化，采用粒子群算法對送風調(diào)節(jié)系統(tǒng)最佳的氧量設(shè)定進行大范圍的全局搜索。標準PSO中粒子在搜索空間的速度和位置根據(jù)下面公式確定[15]：

2.2 對PSO算法的改進

為克服PSO算法固有飛行后期失去粒子多樣性的不足及過早收斂于局部最優(yōu)值，根據(jù)PSO改進方法[15]，針對本文內(nèi)容將粒子狀態(tài)更新策略作改進：先任選兩個粒子群，一個粒子群的粒子采用增加擾動因子n的策略來變化粒子位置和速度，當粒子搜索到全局最優(yōu)適應值連續(xù)n步迭代無更新，則重置粒子速度或位置，強迫粒子跳出局部極小點；另一個粒子群的粒子，則在迭代中前期使粒子在搜索時只追逐自己搜索到的最優(yōu)值，而不追逐當前的全局最優(yōu)值，在后期則重新由式(3)、式(4)進行運行變化，目的是避免粒子追逐局部最優(yōu)極值，從而錯過全局最優(yōu)極值；其他群體粒子仍根據(jù)式(3)、式(4)進行變化。優(yōu)化流程圖如圖3所示。

圖3 粒子群優(yōu)化流程圖

改進PSO是利用底層的每個粒子的獨立搜索來保證搜索可在大范圍內(nèi)進行，同時又利用頂層粒子群追逐當前全局最優(yōu)點來保證算法的收斂性，兼顧優(yōu)化過程的精度和效率。

3 鍋爐燃燒多目標優(yōu)化實例仿真

根據(jù)實際情況分析可知，降低NOX排放量與提高鍋爐效率兩者是一種矛盾關(guān)系，為兼顧兩方面影響需調(diào)整運行參數(shù)達到燃燒優(yōu)化。過程為：

表3 優(yōu)化前后對應鍋爐運行參數(shù)及輸出結(jié)果

PSO參數(shù)設(shè)置：種群粒子數(shù)為50；算法迭代進化次數(shù)為200；慣性權(quán)值采用加速因子算法設(shè)置為連續(xù)40次迭代中函數(shù)的值沒有變化或達到了最大設(shè)定值則優(yōu)化終止。

優(yōu)化輸出結(jié)果與工況1參數(shù)相比較如表4所示。由表格可以看出，在該優(yōu)化策略下，NOX排放量下降到642.3147mg/m3。雖然鍋爐的熱效率有所下降，但達到預設(shè)的效果。結(jié)果表明，LSSVM與改進的PSO算法結(jié)合是一種可行的鍋爐燃燒優(yōu)化方法。

4 結(jié)束語

通過上述建模和優(yōu)化調(diào)整表明，LSSVM算法在建立鍋爐燃燒特性模型方面有良好性能，可很好預測和表示鍋爐燃燒特性關(guān)系；改進PSO在鍋爐燃燒優(yōu)化問題上有效的降低了NOX排放，為鍋爐高效低NOX的實現(xiàn)提供了一種有效方法，為鍋爐燃燒優(yōu)化控制奠定基礎(chǔ)。如果對模型內(nèi)部參數(shù)進行修正將會得到更好的優(yōu)化品質(zhì)。

[1]周昊,朱洪波,岑可法.基于人工神經(jīng)網(wǎng)絡(luò)和遺傳算法的火電廠鍋爐試試燃燒優(yōu)化系統(tǒng)[J].動力工程,2003,23(5):2665-2669.

[2]王培紅,李磊磊,陳強,董益華.人工智能技術(shù)在電站鍋爐燃燒優(yōu)化中的應用研究[J].中國電機工程學報,2004,24(4):184-188.

[3]凡榮榮,姚翠蘭,楊巨生,等.基于PSO優(yōu)化鍋爐氮氧化物的排放[J].熱力發(fā)電,2012,41(8):28-31.

[4]費洪曉,黃勤徑,戴戈,肖新華.基于SVM與遺傳算法的燃煤鍋爐燃燒多目標優(yōu)化系統(tǒng)[J].計算機應用研究,2008,25(3):811-813.

[5]陳冰梅,樊曉平,周志明,李雪榮.支持向量機原理及展望[J].制造業(yè)自動化,2010,32(12):136-138.

[6]Suykens J A K,Vandewalle J.Least square support machine classfier[J].Neural Processing Letters,1999,9(3):293-300.

[7]Esen H, Ozgen F, Esen M.Modeling of a new solar air heater through least square support vector machine[J].Expert Systems with Applications,2009,36(7):10673-10682.

[8]顧燕萍,趙文杰,吳占松.基于最小二乘支持向量機的電站鍋爐燃燒優(yōu)化[J].中國電機工程學報,2010,30(17):91-97.

[9]龍文,梁昔明,龍祖強.基于混合PSO優(yōu)化的LSSVM鍋爐煙氣含氧量預測控制[J].中南大學學報(自然科學版),2012,43(3): 980-985.

[10]朱樹元,張仁杰.支持向量機核函數(shù)選擇的研究[J].科學技術(shù)與工程,2008,8(16):4513-4517.

[11]Vapnik V.The Nature of Statistical Learning Theory[M].New York:Springer Verlag,1995:123-180.

[12]Nello Cristianini, John Shawe-Taylor.支持向量機導論[M].李國正,王猛,曾華軍譯.北京:電子工業(yè)出版社,2004.

[13]楊海燕,周永權(quán).一種支持向量機的混合核函數(shù)[J].計算機應用,2009,29:173-178.

[14]Keerthi S S, Lin C J.Asymptotic behaviors of support vector machines with Gaussian kernel[J].Neural Computation, 2003, 15(7):1667-1689.

[15]覃建波,陸安山.粒子群算法的改進研究[J].欽州學院學報,2011,26(6):20-24.