摘要：在对锅炉飞灰含碳量进行人工神经网络建模的基础上，确定了各种运行参数和煤种对锅炉飞灰含碳量的影响关系。由于锅炉煤种的多变性，针对某个煤种进行实炉调整所获得的最佳工况往往与目前燃用煤种所需的最佳工况偏离。文中结合遗传算法和人工神经网络技术，对某台300MW四角切圆燃煤电厂锅炉热效率的优化进行了研究，为大型电厂锅炉通过燃烧调整提高锅炉效率提供有效手段。
关键词：锅炉；锅炉热效率；遗传算法

1引言

锅炉的热效率受到多种热损失的影响，但比较而言，以机械不完全燃烧损失q4受锅炉燃烧状况影响最为复杂，飞灰含碳量受锅炉煤种和运行参数影响很大，相互关系很难以常规的计算公式表达，因此采用了人工神经网络对锅炉的飞灰含碳量特性进行了建模，并利用实炉测试试验数据对模型进行了校验，结果表明，人工神经网络能很好反映大型电厂锅炉各运行参数与飞灰含碳量特性之间的关系。采用锅炉负荷、省煤器出口氧量、各二次风挡板开度、燃尽风挡板开度、燃料风挡板开度、煤种特性，各磨煤机给煤量、炉膛与风箱差压、一次风总风压、燃烧器摆角作为神经网络的输入矢量，飞灰含碳量作为神经网络的输出，利用3层BP网络建模是比较合适的。

目前锅炉运行往往根据试验调试人员针对锅炉的常用煤种进行燃烧调整，以获得最佳的各种锅炉运行参数供运行人员参考，从而实现锅炉的最大热效率。但这种方法会带来如下问题：①由于锅炉燃煤的多变性，针对某一煤种进行调整试验获得的最佳操作工况可能与目前燃用煤种的所需的最佳工况偏离；②由于调试试验进行的工况有限，试验获得的最佳工况可能并非全局最优值，即可能存在比试验最佳值更好的运行工况。

本文在对某300MW四角切圆燃烧锅炉进行实炉工况测试并利用人工神经网络技术实现飞灰含碳量与煤种和运行参数关系的建模工作基础上，结合遗传算法这一全局寻优技术，对锅炉热效率最优化运行技术进行了研究，并在现场得到应用。

2遗传算法和神经网络结合的锅炉热效率寻优算法

利用一个21个输入节点，1个输出节点，24个隐节点的BP网络来模拟锅炉飞灰含碳量与锅炉运行参数和燃用煤种之间的关系，获得了良好的效果，并证明了采用人工神经网络对锅炉这种黑箱对象建模的有效性[1]。人工神经网络的输入采用锅炉负荷、省煤器出口氧量、各二次风挡板开度、燃尽风挡板开度、燃料风挡板开度、各磨煤机给煤量、炉膛与风箱差压、一次风总风压、燃烧器摆角和煤种特性，除煤种特性这一不可调节因素外，基本上包括了运行人员可以通过DCS进行调整的所有影响锅炉燃烧的所有参数。

遗传算法是受生物进化学说和遗传学说启发而发展起来的基于适者生存思想的一种较通用的问题求解方法[2,3]，作为一种随机优化技术在解优化难题中显示了优于传统优化算法的性能。遗传算法目前在优化领域得到了广泛的应用，显示了其在优化方面的巨大能力[3]。遗传算法的一个显著优势是不需要目标函数明确的数学方程和导数表达式，同时又是一种全局寻优算法，不会象某些传统算法易于陷入局部最优解。遗传算法寻优的效率较高，搜索速度快。

根据锅炉的反平衡计算公式，锅炉热效率η可由下式求得：

η=100-(q2 q3 q4 q5 q6)()(1)

式中q2为排烟热损失，q3为可燃气体不完全燃烧热损失，q4为固体不完全燃烧损失，q5为锅炉散热损失，q6为其他热损失。

根据遗传算法的要求，确定锅炉热效率η为遗传算法的目标函数，用式（1）计算。对该300MW锅炉，利用DCS与厂内MIS网的接口按每6s下载各运行参数，包括排烟氧量、排烟温度、锅炉负荷、各二次风挡板开度、燃尽风挡板开度、燃料风挡板开度、各磨煤机给煤量、炉膛与风箱差压、一次风总风压、燃烧器摆角等。锅炉飞灰含碳量可由飞灰含碳量监测仪在线监测或人工取样分析，燃用煤种由人工输入。这样锅炉的各项损失即可在线获得，并进而计算出各运行工况下的锅炉实时热效率。将排烟氧量和煤种特性等影响锅炉排烟热损失q2的参数按热效率计算，标准化为计算公式代入式（1），而影响q4的各参数采用人工神经网络模型代入式（1），其中炉渣含碳量对热效率影响由人工测试后输入。具体计算公式可参见锅炉热效率计算标准。

由以上步骤建立了锅炉热效率和锅炉各运行参数及煤种的函数关系，即锅炉热效率作为因变量，而锅炉的各操作参数和煤质特性作为自变量，这样就可以利用遗传算法进行寻优计算，获得最佳的锅炉运行条件，实现锅炉热效率的最大化。

火电厂锅炉运行中，为考虑到习惯运行方式和各种安全因素的影响，对各种可调因素的选择区域都有一定的范围限制，寻优范围必须控制在这些范围以内，这些限制构成了自变量的定义域。至此，完成了锅炉热效率最优化燃烧的结合神经网络的遗传算法优化过程，具体程序流程见图1。

3燃煤锅炉热效率的优化效果

在电厂锅炉运行中，运行人员调节最为频繁的参数主要是各种配风方式，包括各二次风、燃尽风、由送引风机配合所确定的氧量等，其余影响锅炉燃烧的因素，如负荷和煤种，对于运行人员而言在某一工况下是不可调节因素，燃烧器的摆角出于汽温调节的需要，往往也不会对其调整以实现低的飞灰含碳量。作为示例，我们对影响燃烧的部分参数的寻优过程进行了模拟和验证。

某个实际运行工况如表1所示，除煤种特性为事先取样分析人工输入外，其余参数均由集散控制系统（DCS）下载。考虑对锅炉的排烟氧量和各二次风门开度及燃尽风门开度进行寻优，其余参数维持该工况，利用软件寻优，遗传算法选择的参数种群规模为50，交换概率为0.8，突变概率为0.15，迭代次数500次，可调参数7个，计算获得优化后的各风门开度、氧量及锅炉效率和飞灰含碳量值，优化后的各值如表2所示。图2示出了不同迭代次数下的遗传算法计算得到的飞灰含碳量值和锅炉热效率，图中曲线1表示锅炉效率，曲线2表示省煤器后氧量，曲线3表示飞灰含碳量，可见遗传算法的收敛速度很快。
共2页:1[2]下一页