鍋爐燃燒系統(tǒng)神經網絡建模及多目標優(yōu)化研究

二、電站鍋爐多目標燃燒優(yōu)化

近年來，進化計算已在多目標優(yōu)化領域得到廣泛的應用，并形成了多種多目標進化算法，如NSGA2(非劣排序遺傳算法)、 SPEA2(強度Pareto遺傳算法)等。多目標進化算法通過對整個種群進行選擇、交叉和變異等遺傳操作，使種群不斷進化，可一次性獲得大量的多目標優(yōu)化間題的非劣解，本文以文獻所提出的改進多目標算法為例進行分析。

2.1 鍋爐燃燒優(yōu)化的多目標模型

鍋爐燃燒優(yōu)化就是在降低NOx排放的同時提高熱效率，這在本質上是一個多目標優(yōu)化問題，其數(shù)學描述為：

其中yη和yNOx分別為鍋爐熱效率和NOx質量濃度;f1、f2表示由神經網絡模型建好的非線性關系;x(i)為第i個優(yōu)化變量，a(i)和b(i)是其取值范圍。

根據運行中可控操作量的原則，本文選取模型輸入中排煙溫度、煤粉細度、爐膛出口φ(O2)為優(yōu)化變量?？紤]到操作習慣與安全性，本文根據文獻中熱力試驗取排煙溫度為150～186℃，煤粉細度為7.4%～16.8%，爐膛出口煙氣杯φ(O2)為3.30%～5.10%。

2.2 仿真計算及優(yōu)化結果分析

對已建立的神經網絡模型，利用多目標遺傳算法進行優(yōu)化計算，分別以表1中鍋爐熱效率最高的第6組和NOx質量濃度最低的第9組運行工況進行優(yōu)化研究。遺傳算法的參數(shù)設置為：種群大小30，進化代數(shù)500，交叉概率0.9，變異概率0.1。計算所得到的Pareto前沿見圖4。從圖4可以看出，較低的鍋爐NOx質量濃度和較高的熱效率顯然是相互矛盾的。

運行人員可以結合具體的需要選擇優(yōu)化后的參數(shù)來調整鍋爐燃燒工況。這里分別從兩組Pareto解集中選擇與表1中第6組工況鍋爐效率相當?shù)膮?shù)，以及另一組與第9組工況NOx質量濃度相當?shù)膮?shù)，以便于進行優(yōu)化前后的對比。對應的具體參數(shù)見表2。

從表2可以看出，對于第6組參數(shù)，優(yōu)化后的鍋爐效率與優(yōu)化前相當，但是NOx質量濃度由459.6mg/m3降低到了457.9mg/m3;對于第9組參數(shù)，優(yōu)化后的NOx質量濃度與優(yōu)化前相當，鍋爐效率由優(yōu)化前的90.15%略提高到了90.23%, 說明通過多目標優(yōu)化計算，合理設置燃燒參數(shù)，可以在NOx質量濃度與鍋爐效率之間找到較好的平衡點，從而達到對鍋爐燃燒工況的改善。

三、結論

本文利用BP神經網絡，結合具體的鍋爐對象，建立了電站鍋爐燃燒系統(tǒng)模型。神經網絡訓練結果表明：模型具有很高的精確度，可以反映鍋爐的燃燒清況，用于鍋爐效率和污染物排放預測。另外，在所得到的模型的基礎上，針對鍋爐效率與污染物排放這一多目標問題進行了優(yōu)化，優(yōu)化時將運行過程中可調的參數(shù)作為變量，相比以往根據經驗設定各種參數(shù)值，優(yōu)化后具有更高的燃燒效率和更低的污染物排放質量分數(shù);并且一次優(yōu)化可以得到多組運行參數(shù)，運行人員還可以根據不同的需要進行折中選擇。