锅炉燃烧系统神经网络建模及多目标优化研究

二、电站锅炉多目标燃烧优化

近年来，进化计算已在多目标优化领域得到广泛的应用，并形成了多种多目标进化算法，如NSGA2(非劣排序遗传算法)、 SPEA2(强度Pareto遗传算法)等。多目标进化算法通过对整个种群进行选择、交叉和变异等遗传操作，使种群不断进化，可一次性获得大量的多目标优化间题的非劣解，本文以文献所提出的改进多目标算法为例进行分析。

2.1 锅炉燃烧优化的多目标模型

锅炉燃烧优化就是在降低NOx排放的同时提高热效率，这在本质上是一个多目标优化问题，其数学描述为：

其中yη和yNOx分别为锅炉热效率和NOx质量浓度;f1、f2表示由神经网络模型建好的非线性关系;x(i)为第i个优化变量，a(i)和b(i)是其取值范围。

根据运行中可控操作量的原则，本文选取模型输入中排烟温度、煤粉细度、炉膛出口φ(O2)为优化变量。考虑到操作习惯与安全性，本文根据文献中热力试验取排烟温度为150～186℃，煤粉细度为7.4%～16.8%，炉膛出口烟气杯φ(O2)为3.30%～5.10%。

2.2 仿真计算及优化结果分析

对已建立的神经网络模型，利用多目标遗传算法进行优化计算，分别以表1中锅炉热效率最高的第6组和NOx质量浓度最低的第9组运行工况进行优化研究。遗传算法的参数设置为：种群大小30，进化代数500，交叉概率0.9，变异概率0.1。计算所得到的Pareto前沿见图4。从图4可以看出，较低的锅炉NOx质量浓度和较高的热效率显然是相互矛盾的。

运行人员可以结合具体的需要选择优化后的参数来调整锅炉燃烧工况。这里分别从两组Pareto解集中选择与表1中第6组工况锅炉效率相当的参数，以及另一组与第9组工况NOx质量浓度相当的参数，以便于进行优化前后的对比。对应的具体参数见表2。

从表2可以看出，对于第6组参数，优化后的锅炉效率与优化前相当，但是NOx质量浓度由459.6mg/m3降低到了457.9mg/m3;对于第9组参数，优化后的NOx质量浓度与优化前相当，锅炉效率由优化前的90.15%略提高到了90.23%, 说明通过多目标优化计算，合理设置燃烧参数，可以在NOx质量浓度与锅炉效率之间找到较好的平衡点，从而达到对锅炉燃烧工况的改善。

三、结论

本文利用BP神经网络，结合具体的锅炉对象，建立了电站锅炉燃烧系统模型。神经网络训练结果表明：模型具有很高的精确度，可以反映锅炉的燃烧清况，用于锅炉效率和污染物排放预测。另外，在所得到的模型的基础上，针对锅炉效率与污染物排放这一多目标问题进行了优化，优化时将运行过程中可调的参数作为变量，相比以往根据经验设定各种参数值，优化后具有更高的燃烧效率和更低的污染物排放质量分数;并且一次优化可以得到多组运行参数，运行人员还可以根据不同的需要进行折中选择。