鍋爐燃燒系統(tǒng)神經(jīng)網(wǎng)絡(luò)建模及多目標(biāo)優(yōu)化研究
二、電站鍋爐多目標(biāo)燃燒優(yōu)化
近年來(lái),進(jìn)化計(jì)算已在多目標(biāo)優(yōu)化領(lǐng)域得到廣泛的應(yīng)用,并形成了多種多目標(biāo)進(jìn)化算法,如NSGA2(非劣排序遺傳算法)、 SPEA2(強(qiáng)度Pareto遺傳算法)等。多目標(biāo)進(jìn)化算法通過(guò)對(duì)整個(gè)種群進(jìn)行選擇、交叉和變異等遺傳操作,使種群不斷進(jìn)化,可一次性獲得大量的多目標(biāo)優(yōu)化間題的非劣解,本文以文獻(xiàn)所提出的改進(jìn)多目標(biāo)算法為例進(jìn)行分析。
2.1 鍋爐燃燒優(yōu)化的多目標(biāo)模型
鍋爐燃燒優(yōu)化就是在降低NOx排放的同時(shí)提高熱效率,這在本質(zhì)上是一個(gè)多目標(biāo)優(yōu)化問(wèn)題,其數(shù)學(xué)描述為:
其中yη和yNOx分別為鍋爐熱效率和NOx質(zhì)量濃度;f1、f2表示由神經(jīng)網(wǎng)絡(luò)模型建好的非線性關(guān)系;x(i)為第i個(gè)優(yōu)化變量,a(i)和b(i)是其取值范圍。
根據(jù)運(yùn)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(xì)度、爐膛出口φ(O2)為優(yōu)化變量??紤]到操作習(xí)慣與安全性,本文根據(jù)文獻(xiàn)中熱力試驗(yàn)取排煙溫度為150~186℃,煤粉細(xì)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(jì)算及優(yōu)化結(jié)果分析
對(duì)已建立的神經(jīng)網(wǎng)絡(luò)模型,利用多目標(biāo)遺傳算法進(jìn)行優(yōu)化計(jì)算,分別以表1中鍋爐熱效率最高的第6組和NOx質(zhì)量濃度最低的第9組運(yùn)行工況進(jìn)行優(yōu)化研究。遺傳算法的參數(shù)設(shè)置為:種群大小30,進(jìn)化代數(shù)500,交叉概率0.9,變異概率0.1。計(jì)算所得到的Pareto前沿見(jiàn)圖4。從圖4可以看出,較低的鍋爐NOx質(zhì)量濃度和較高的熱效率顯然是相互矛盾的。
運(yùn)行人員可以結(jié)合具體的需要選擇優(yōu)化后的參數(shù)來(lái)調(diào)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(dāng)?shù)膮?shù),以及另一組與第9組工況NOx質(zhì)量濃度相當(dāng)?shù)膮?shù),以便于進(jìn)行優(yōu)化前后的對(duì)比。對(duì)應(yīng)的具體參數(shù)見(jiàn)表2。
從表2可以看出,對(duì)于第6組參數(shù),優(yōu)化后的鍋爐效率與優(yōu)化前相當(dāng),但是NOx質(zhì)量濃度由459.6mg/m3降低到了457.9mg/m3;對(duì)于第9組參數(shù),優(yōu)化后的NOx質(zhì)量濃度與優(yōu)化前相當(dāng),鍋爐效率由優(yōu)化前的90.15%略提高到了90.23%, 說(shuō)明通過(guò)多目標(biāo)優(yōu)化計(jì)算,合理設(shè)置燃燒參數(shù),可以在NOx質(zhì)量濃度與鍋爐效率之間找到較好的平衡點(diǎn),從而達(dá)到對(duì)鍋爐燃燒工況的改善。
三、結(jié)論
本文利用BP神經(jīng)網(wǎng)絡(luò),結(jié)合具體的鍋爐對(duì)象,建立了電站鍋爐燃燒系統(tǒng)模型。神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)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(yù)測(cè)。另外,在所得到的模型的基礎(chǔ)上,針對(duì)鍋爐效率與污染物排放這一多目標(biāo)問(wèn)題進(jìn)行了優(yōu)化,優(yōu)化時(shí)將運(yùn)行過(guò)程中可調(diào)的參數(shù)作為變量,相比以往根據(jù)經(jīng)驗(yàn)設(shè)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(zhì)量分?jǐn)?shù);并且一次優(yōu)化可以得到多組運(yùn)行參數(shù),運(yùn)行人員還可以根據(jù)不同的需要進(jìn)行折中選擇。
評(píng)論