论文部分内容阅读
燃煤电站锅炉炉内煤的燃烧及NOx生成是一个十分复杂的过程,不仅受到煤的种类、炉的型式等外部因素的影响,还受到如燃烧方式、各一二次风的配风方式等内部因素的影响,此外各个内外部因素之间相互影响、互相耦合。至今,学术界都没有完全探索出其清晰、准确和可靠的数学模型,而伴随着统计学理论的不断完善和计算机人工智能神经网络技术的迅速发展,人工智能技术在燃煤锅炉的NOx生成浓度和锅炉热效率的预测、锅炉燃烧多目标优化等方面取得了一些成就。本文建立了多种基于人工智能的NOx生成浓度和锅炉热效率的预测模型,并成功应用两种不同的多目标优化算法对燃煤锅炉进行燃烧优化研究。首先,以某燃煤电站660MW锅炉为研究对象,基于MATLAB2017b平台软件,分别建立径向基神经网络(RBF)和支持向量机(SVM)锅炉燃烧特性预测模型,以各台磨煤机的给煤量、二次风和燃尽风风门开度、炉膛出口氧量等17个锅炉燃烧参数作为模型的决策变量,以需要预测的NOx生成浓度和锅炉热效率作为2个输出参数。预测模型表明,改进后的RBF神经网络预测模型NOx生成浓度预测结果最大相对误差为4.39%,平均相对误差为1.82%,锅炉热效率预测结果最大相对误差为0.14%,平均相对误差为0.06%;而参数选优后的SVM预测模型NOx生成浓度仿真结果最大误差为3.26%,平均误差为1.17%,锅炉热效率预测结果最大相对误差为0.13%,平均相对误差为0.05%。表明这两种建模方法都具有较好的准确性和泛化能力,通过对两种模型的仿真和预测结果进行量化对比分析,得出支持向量机方法具有比RBF神经网络方法更强的模型预测能力及泛化能力的结论。此外,为了分析不同磨煤机组合方式和二次风配风方式对该电厂锅炉燃烧特性的影响,选取了 ABCDE、ABDEF和BCDEF三种磨煤机组合方式进行磨组合方式对锅炉燃烧特性的影响分析,并使以上三种磨煤机组合与不同的二次风配风方式(均等配风、鼓腰型配风、倒宝塔型配风和正宝塔型配风)进行组合,结果表明,ABCDE磨组合运行方式下的锅炉燃烧NOx生成浓度最低为125mg/m3,而ABDEF磨组合方式下的NOx生成浓度则最高;而对于锅炉热效率来说,不同二次风配风方式对锅炉热效率有很大影响,其中均等配风方式下的锅炉热效率是所有配风方式下的最高热效率为94.9%;而正塔型配风方式下的锅炉热效率则是所有配风方式下的最低热效率。基于上文中建立并完成训练的RBF神经网络预测模型作为基础,将锅炉NOx生成浓度和锅炉热效率预测结果作为多目标优化算法的目标函数,分别采用MOEA/D和NSGA-2智能优化算法进行燃煤锅炉多目标燃烧优化。结果表明,相对MOEA/D算法来说,NSGA-2优化算法所得到的pareto前沿具有更好的收敛性、分布性和运行速度。经过NSGA-2算法优化后,锅炉NOx生成浓度范围为85mg/m3—135mg/m3,相比锅炉历史运行最低生成浓度减少35.3%,锅炉热效率范围为94.6%—95.2%,相比锅炉历史运行最高效率提高0.6个百分点。优化结果中的电厂锅炉各种主要运行数据对电厂提高运行效率、增加经济效益、减少环境污染优化运行具有一定的参考意义。