河北建投任丘熱電有限責(zé)任公司 侯若盟 肖馳清 莫 佳

當(dāng)前火電機(jī)組普遍存在煤質(zhì)多變、負(fù)荷多變、環(huán)境多變和設(shè)備多變的現(xiàn)象，給深度節(jié)能研究帶來(lái)新的挑戰(zhàn)[1]。特別是在多變的邊界條件下，如何采用恰當(dāng)?shù)呐滹L(fēng)方式，以保證高效燃燒，并降低氮氧化物的排放，減少空氣污染[2]，是目前亟待解決的問(wèn)題。

目前針對(duì)鍋爐配風(fēng)系統(tǒng)的研究主要基于數(shù)值模擬和現(xiàn)場(chǎng)調(diào)整試驗(yàn)為主?；跀?shù)值模擬的方法研究了二次風(fēng)和燃盡風(fēng)的配風(fēng)比例對(duì)鍋爐燃燒特性和NOx 排放的影響[3]。對(duì)一臺(tái)660MW 機(jī)組的燃燒系統(tǒng)進(jìn)行數(shù)值模擬試驗(yàn)[4]，評(píng)估不同SOFA 風(fēng)配比對(duì)NOx 排放和飛灰含碳量的影響。對(duì)鍋爐的燃燒過(guò)程進(jìn)行數(shù)值模擬，分析爐內(nèi)溫度場(chǎng)分布、二次風(fēng)及燃盡風(fēng)的投運(yùn)對(duì)NOx 生成的影響。通過(guò)現(xiàn)場(chǎng)調(diào)整二次風(fēng)配風(fēng)方式、OFA 風(fēng)門(mén)開(kāi)度、燃盡風(fēng)率等因素，研究不同工況下?tīng)t膛出口NOx 濃度和鍋爐熱效率變化規(guī)律。通過(guò)不同神經(jīng)網(wǎng)絡(luò)模型建立了NOx 排放模型，均取得了較好的預(yù)測(cè)結(jié)果，以此調(diào)節(jié)配風(fēng)。

當(dāng)前針對(duì)鍋爐低氮排放和燃燒優(yōu)化的研究有很多，但鍋爐高效燃燒和低氮排放一般來(lái)講是矛盾的目標(biāo)，因此需要采用一種算法來(lái)平衡兩者。

目前，有研究者通過(guò)現(xiàn)場(chǎng)調(diào)整試驗(yàn)的方法來(lái)平衡兩者，但機(jī)組在實(shí)際運(yùn)行中受多變環(huán)境的影響較大，現(xiàn)場(chǎng)調(diào)整試驗(yàn)不能滿(mǎn)足多變的環(huán)境。采用基于大數(shù)據(jù)最優(yōu)目標(biāo)值挖掘的數(shù)據(jù)建模技術(shù)，建立專(zhuān)用的算法庫(kù)模型，往往更能反映機(jī)組真實(shí)運(yùn)行的情況。

本文以某350MW 機(jī)組的配風(fēng)系統(tǒng)為研究對(duì)象，采用深度神經(jīng)網(wǎng)絡(luò)（DNN）對(duì)配風(fēng)系統(tǒng)進(jìn)行建模，模型的建立綜合考慮配風(fēng)對(duì)煤粉燃盡以及NOx 排放的影響，結(jié)合粒子群算法（PSO）對(duì)配風(fēng)系統(tǒng)各層風(fēng)門(mén)開(kāi)度進(jìn)行優(yōu)化，得到合理的配風(fēng)方案。通過(guò)該模型預(yù)測(cè)的配風(fēng)方案進(jìn)行現(xiàn)場(chǎng)調(diào)整試驗(yàn)，NOx 排放顯著降低，鍋爐效率也有明顯提升。

1 研究對(duì)象及原始數(shù)據(jù)

1.1 研究對(duì)象

本文針對(duì)任丘熱電2×350MW 電站直流鍋爐進(jìn)行研究，該鍋爐為螺旋爐膛、一次中間再熱、平衡通風(fēng)。燃用設(shè)計(jì)煤種時(shí)鍋爐主要設(shè)計(jì)參數(shù)：過(guò)熱蒸汽流量1103.2t/h、過(guò)熱蒸汽壓力25.4MPa、過(guò)熱蒸汽溫度571℃、再熱蒸汽流量862t/h、再熱蒸汽進(jìn)口壓力4.46MPa、出口壓力4.28MPa、再熱蒸汽進(jìn)口溫度322℃、出口溫度569℃、給水溫度281℃、鍋爐效率92.3%、燃煤量120t/h、排煙溫度123℃、過(guò)量空氣系數(shù)1.23%.

1.2 原始數(shù)據(jù)

隨著監(jiān)控信息系統(tǒng)（SIS）在火電廠(chǎng)的廣泛應(yīng)用，機(jī)組的大量實(shí)際運(yùn)行數(shù)據(jù)被儲(chǔ)存到實(shí)時(shí)數(shù)據(jù)庫(kù)中。在本試驗(yàn)中，將SIS 系統(tǒng)的機(jī)組運(yùn)行參數(shù)全部同步到本地eDOS 時(shí)序數(shù)據(jù)庫(kù)中，然后調(diào)用接口函數(shù)獲取試驗(yàn)所需的歷史參數(shù)和實(shí)時(shí)參數(shù)，這樣可以根據(jù)試驗(yàn)要求對(duì)數(shù)據(jù)進(jìn)行批量處理。

本文的數(shù)據(jù)是從電廠(chǎng)SIS 系統(tǒng)中選取機(jī)組運(yùn)行一年的歷史數(shù)據(jù)，數(shù)據(jù)起止時(shí)間2018年11月1日00:00至2019年11月1日00:00，采樣周期為30s。該數(shù)據(jù)為機(jī)組運(yùn)行的原始數(shù)據(jù)，對(duì)其進(jìn)行數(shù)據(jù)清洗和數(shù)據(jù)預(yù)處理，剔除掉超溫超限（主蒸汽溫度超過(guò)615℃），超過(guò)環(huán)保指標(biāo)：SO2小于35mg/Nm3、NOx 小于50mg/Nm3（脫硝后NOx 含量）、煙氣含塵濃度小于10mg/Nm3，工況波動(dòng)較大（主汽溫波動(dòng)超過(guò)10℃、主汽壓波動(dòng)超過(guò)1MPa、煙道出口氧量波動(dòng)超過(guò)1.5%）的離群點(diǎn)，根據(jù)負(fù)荷、環(huán)境溫度以及煤質(zhì)信息劃分工況后，篩選出穩(wěn)定工況下的數(shù)據(jù)，數(shù)據(jù)樣本約為15萬(wàn)余條。

2 DNN-PSO 建模及優(yōu)化方法

2.1 DNN-PSO 模型優(yōu)化流程

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network, ANN）是依據(jù)生物神經(jīng)網(wǎng)絡(luò)建立，其結(jié)構(gòu)通常由輸入層、隱含層、輸出層組成，輸入?yún)?shù)經(jīng)過(guò)隱含層運(yùn)算后得到模型的輸出。而DNN 深度神經(jīng)網(wǎng)絡(luò)為具有多層隱含層的神經(jīng)網(wǎng)絡(luò)，隨著隱含層數(shù)的增加，神經(jīng)網(wǎng)絡(luò)進(jìn)行了多次非線(xiàn)性計(jì)算，對(duì)于高維度、大量數(shù)據(jù)的建模，模型表達(dá)效果更優(yōu)。

粒子群算法（PSO）作為一種智能優(yōu)化算法，在解決非線(xiàn)性、多目標(biāo)等問(wèn)題上有著良好的效果，在火電技術(shù)領(lǐng)域有著廣泛應(yīng)用。粒子群算法是通過(guò)適應(yīng)度值來(lái)評(píng)價(jià)所求解的好壞，因此，其適應(yīng)度值的選擇決定了算法的搜索方向。

DNN-PSO 模型優(yōu)化流程就是通過(guò)DNN 神經(jīng)網(wǎng)絡(luò)建立鍋爐配風(fēng)系統(tǒng)模型輸入、輸出之間的關(guān)系，優(yōu)化鍋爐配風(fēng)系統(tǒng)運(yùn)行參數(shù)時(shí)，將待優(yōu)化參數(shù)分為運(yùn)行可調(diào)節(jié)參數(shù)和不可調(diào)節(jié)參數(shù)，把可調(diào)節(jié)參數(shù)作為粒子群算法的優(yōu)化變量進(jìn)行調(diào)節(jié)，不可調(diào)節(jié)參數(shù)作為限制約束條件。以建立的DNN 深度神經(jīng)網(wǎng)絡(luò)模型作為適應(yīng)度函數(shù)評(píng)價(jià)標(biāo)準(zhǔn)，采用粒子群算法對(duì)可調(diào)參數(shù)進(jìn)行優(yōu)化調(diào)整。

2.2 DNN 神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)設(shè)計(jì)

針對(duì)鍋爐配風(fēng)系統(tǒng)的輸入?yún)?shù)選取如下：機(jī)組負(fù)荷，描述機(jī)組運(yùn)行情況；各層磨煤機(jī)給煤量，描述一次風(fēng)沿爐膛高度方向?qū)Ox 排放的影響；總風(fēng)量、各層二次風(fēng)門(mén)及燃盡風(fēng)門(mén)開(kāi)度，描述二次風(fēng)及燃盡風(fēng)對(duì)燃燒和NOx 排放的影響；二次風(fēng)箱與爐膛壓差，考察對(duì)二次風(fēng)速的影響；燃燒器擺角，考察燃燒器連鎖擺動(dòng)的影響，共計(jì)35個(gè)參數(shù)。

本文中配風(fēng)系統(tǒng)優(yōu)化的目標(biāo)是通過(guò)合理的配風(fēng)方式使得機(jī)組在運(yùn)行中同時(shí)兼顧高效燃燒和低氮排放兩方面，即獲得最佳經(jīng)濟(jì)效益與環(huán)保效益。輸出參數(shù)用風(fēng)粉綜合優(yōu)化值表示，計(jì)算公式如下：

式（1）中，Q4為固體不完全燃燒熱損失，%；NOx 為SCR 反應(yīng)器入口處NOx 濃度的平均值，Qfan,forcced為送風(fēng)機(jī)電耗等效熱損失，C1、C2為修正系數(shù)。風(fēng)粉綜合優(yōu)化值公式的建立，綜合考慮了配風(fēng)與Q4、NOx 排放以及送風(fēng)機(jī)電流之間的影響，以此進(jìn)行建模，模型更能反映機(jī)組實(shí)際運(yùn)行情況。

3 模型優(yōu)化及試驗(yàn)結(jié)果討論

3.1 DNN 深度神經(jīng)網(wǎng)絡(luò)模型參數(shù)的確定

本文在鍋爐配風(fēng)系統(tǒng)的建模試驗(yàn)中，針對(duì)DNN深度神經(jīng)網(wǎng)絡(luò)的參數(shù)選取，進(jìn)行多次的試驗(yàn)，不斷調(diào)整神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，計(jì)算得到模型的誤差，選出最小誤差所對(duì)應(yīng)的結(jié)構(gòu)參數(shù)。通過(guò)選取某一工況下的5000組樣本作為訓(xùn)練集進(jìn)行訓(xùn)練，200組樣本作為測(cè)試集進(jìn)行誤差預(yù)測(cè)，訓(xùn)練次數(shù)為3000次，保存每次訓(xùn)練的模型參數(shù)，進(jìn)行具體的分析。

首先選取神經(jīng)網(wǎng)絡(luò)的隱含層數(shù)，DNN 深度神經(jīng)網(wǎng)絡(luò)的特點(diǎn)是隱含層數(shù)較多，選取常用的隱含層數(shù)3-4層作為試驗(yàn)。對(duì)于3層隱含層的神經(jīng)網(wǎng)絡(luò)，訓(xùn)練3000次后，輸出參數(shù)的相對(duì)誤差如表1所示。

表1 三層隱含層神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差表

由表2可知，最小訓(xùn)練誤差為0.673%，對(duì)應(yīng)的的隱含層節(jié)點(diǎn)數(shù)是21，學(xué)習(xí)率是0.02。同理，對(duì)四層隱含層的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行同樣的測(cè)試，訓(xùn)練3000次后，輸出參數(shù)的相對(duì)誤差如表2所示。

表2 四層隱含層神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差表

測(cè)試結(jié)束后，得到更小的誤差0.54%，選擇最優(yōu)的隱含層節(jié)點(diǎn)為20，最優(yōu)的學(xué)習(xí)率為0.02。采用四層隱含層的神經(jīng)網(wǎng)絡(luò)模型的實(shí)際值與預(yù)測(cè)值基本吻合，其原因是針對(duì)同一組數(shù)據(jù)，使用相同的激活函數(shù)，神經(jīng)網(wǎng)絡(luò)在最小化損失函數(shù)的時(shí)候，權(quán)值和閾值更新幅度小，但四層神經(jīng)網(wǎng)絡(luò)對(duì)輸入樣本特征進(jìn)行了多次計(jì)算，取得了更好的預(yù)測(cè)效果，說(shuō)明模型具有較高的可靠性。

綜上所述，本文對(duì)鍋爐配風(fēng)系統(tǒng)建模選取四層隱含層的神經(jīng)網(wǎng)絡(luò)，每層神經(jīng)網(wǎng)絡(luò)的節(jié)點(diǎn)數(shù)為20，學(xué)習(xí)率為0.02。

3.2 通過(guò)模型優(yōu)化前后的結(jié)果討論

本文基于電廠(chǎng)鍋爐現(xiàn)場(chǎng)運(yùn)行數(shù)據(jù)，選擇機(jī)組在穩(wěn)定工況下進(jìn)行試驗(yàn)。將機(jī)組的實(shí)時(shí)數(shù)據(jù)傳入DNN-PSO 模型進(jìn)行尋優(yōu)，根據(jù)模型的尋優(yōu)指導(dǎo)值進(jìn)行了優(yōu)化調(diào)整試驗(yàn)，調(diào)整結(jié)束后穩(wěn)定10分鐘，選取風(fēng)粉綜合優(yōu)化值、SCR 入口處NOx 排放濃度和鍋爐效率進(jìn)行優(yōu)化前后對(duì)比分析。

其預(yù)測(cè)結(jié)果是適當(dāng)增大燃盡風(fēng)門(mén)開(kāi)度，各層二次風(fēng)門(mén)開(kāi)度沿爐膛高度從上至下適當(dāng)減少。由理論分析，增加燃盡風(fēng)可以改善爐內(nèi)上部氣流的充滿(mǎn)程度，使燃燒區(qū)域過(guò)量空氣系數(shù)減小，有利于降低NOx 的排放，此外，燃盡風(fēng)的增加，加速了焦炭的燃盡，避免爐膛出口煙溫上升過(guò)高和飛灰含碳量的增加，有利于Q4的降低。模型預(yù)測(cè)結(jié)果與空氣分級(jí)燃燒降低NOx 排放理論相符，

據(jù)此進(jìn)行現(xiàn)場(chǎng)調(diào)整試驗(yàn)，經(jīng)過(guò)優(yōu)化調(diào)整后，鍋爐的風(fēng)粉綜合優(yōu)化目標(biāo)值降低了0.21， NOx 排放濃度降低了48.45mg/Nm3，并且鍋爐熱效率提高了0.11%。優(yōu)化結(jié)果與上述理論分析基本吻合，表明優(yōu)化調(diào)整后既保證了鍋爐效率，同時(shí)降低了氮氧化物排放，進(jìn)一步證明了模型的可靠性。

4 結(jié)語(yǔ)

為了解決火電機(jī)組實(shí)際運(yùn)行中多變邊界的問(wèn)題及氮氧化物排放與鍋爐效率之間的矛盾，本文提出利用DNN 深度神經(jīng)網(wǎng)絡(luò)對(duì)鍋爐配風(fēng)系統(tǒng)進(jìn)行建模，結(jié)合粒子群優(yōu)化算法，對(duì)各層二次風(fēng)門(mén)和燃盡風(fēng)門(mén)開(kāi)度進(jìn)行優(yōu)化，以此來(lái)指導(dǎo)配風(fēng)。其結(jié)論如下：

通過(guò)數(shù)據(jù)預(yù)處理后篩選出穩(wěn)定工況下的數(shù)據(jù)進(jìn)行配風(fēng)系統(tǒng)建模，神經(jīng)網(wǎng)絡(luò)模型的相對(duì)誤差達(dá)到0.54 %，說(shuō)明模型具有較高的可靠性；通過(guò)現(xiàn)場(chǎng)對(duì)鍋爐進(jìn)行調(diào)整試驗(yàn)，優(yōu)化結(jié)果表明：風(fēng)粉綜合值降低了0.16，鍋爐熱效率提高了0.11%，NOx 排放量降低了48.45mg/Nm3，表明該尋優(yōu)模型在機(jī)組實(shí)際運(yùn)行過(guò)程中具有指導(dǎo)作用；SOFA 風(fēng)對(duì)控制降低風(fēng)粉綜合值和NOx 排放有著明顯的效果。