关 闭

新闻中心

EEPW首页 > 工控自动化 > 设计应用 > 锅炉燃烧系统神经网络建模及多目标优化研究

锅炉燃烧系统神经网络建模及多目标优化研究

作者:时间:2012-07-26来源:网络收藏

摘要:

本文引用地址:http://www.eepw.com.cn/article/201278.htm

随着环境保护要求的日益严格和燃煤价格的不断上涨,在“厂网分开,竞价上网”的运行机制下,电站锅炉面临降低运行成本与降低污染物排放的双重要求,高效率、低污染的燃烧优化技术口益引起人们的关注。大量实践经验表明,通过燃烧调整可以获得较高的燃烧效率和降低NOx排放量,是一种经济而有效的办法。

锅炉燃烧调整的主要任务是根据不同的负荷和煤种,进行合理的配风、配煤。但是影响锅炉热效率与NOx排放的因素很多,如煤质特性、负荷、配风方式、燃烧器型式、护温、过剩空气系数、煤粉细度等,而燃烧调整试验一般只能做有限的几个工况点,因此锅炉实际运行工况一般与试验工况有较大差异。如果仍根据原有的优化运行规程进行燃烧调整必然会造成偏差,因此需要建立锅炉热效率和NOx排放优化模型,用于指导电站锅炉的经济运行。

一般而育,煤粉高效棋烧与NOx低排放是互为矛盾的,但理论上存在一个最佳点,而燃烧调整试验往往难以确定这个点,运行人员只能根据自己长期积累的经验进行调整.这就给燃烧调整操作带来很大随意性。很多燃烧优化方案仅仅只是针对燃烧效率或者NOx低排放中某一个或两者的其种加权和进行优化,两者不能兼顾且需要依赖试验人员根据经验来设定加权系数。本文采用多目标遗传算法对这一优化问题进行求解,优化结果可以同时兼顾锅炉高效率燃烧与NOx较低的排放水平,直观地反应燃烧效率和污染物排放量,实现最大的综合效益。

一、锅炉燃烧优化问题的模型

1.1 人工模型

在多种模型中,较为常用的是BP网络模型,其网络模刮结构见图1。网络由一个输入层、若干个隐含层和一个输出层组成,每一层均有一个或多个神经元节点,信息从输入层依次经各隐含层向输出层传递,层间的连接关系强弱由连接权值来表征。通过样本集对网络的连接权进行调整,以使得网络实现给定的输入一输出映射关系。连接权的调整采用反向传播学习算法,即BP算法。BP算法采用梯度搜索技术,使网络的实际输出与期望输出的均方差达到一定的要求。

锅炉燃烧系统神经网络建模及多目标优化研究

BP网络的主要优点是:网络结构简单,算法易于编程实现;只要有足够的隐层和隐节点,BP网络可以逼近任意的非线性映射关系;BP网络的学习算法属于全局逼近的方法,因而具有较好的泛化能力。

1.2 基于BP网络的燃烧优化模型

锅炉的燃烧过程是一个复杂的物理、化学过程,影响因素众多,且具有强耦合、非线性等特征,对于这些复杂的过程,难以用机理模型来描述。基于神经网络的模型属于黑盒模型,其模型输入一输出之间的非线性函数关系由神经网络实现。

本文利用文献提供的性能试验结果建立锅炉的神经网络模型。模型以煤种特性、煤粉细度、磨煤机数量、排烟温度和炉膛出口氧体积分数为输入,以锅炉效率和NOx排放为输出,见图2。

锅炉燃烧系统神经网络建模及多目标优化研究

神经网络训练的所有样本数据从电厂煤质分析和DCS系统中采集,具体数据见表1。

锅炉燃烧系统神经网络建模及多目标优化研究

利用文献提供的燃烧特性数据,建立BP神经网络的响应模型。输入和输出层分别为11个输入节点和2个输出节点,共13组试验工况,其中前12组作为训练样本,第13组样本用来验证模型的准确性。神经网络的训练结果见图3, 训练样本和验证样本均匀分布在基准线附近,模型的估计值很好地逼近了非线性系统输出的实际值,较好地反映了锅炉燃烧特性。


上一页 1 2 下一页

评论


相关推荐

技术专区

关闭