燃煤锅炉NOx排放建模及优化研究.docx

《燃煤锅炉NOx排放建模及优化研究.docx》由会员分享，可在线阅读，更多相关《燃煤锅炉NOx排放建模及优化研究.docx（5页珍藏版）》请在第一文库网上搜索。

1、燃煤锅炉NOx排放建模及优化研究摘要：以超临界燃煤锅炉为研究对象,应用人工神经网络对其建立NOX排放模型。该模型具有较高的准确性，仿真平均误差为1.37版真实值与仿真值吻合度高。结合遗传算法对模型进行优化，优化后的人工神经网络性能进一步提高，仿真平均误差为0. 18%,较优化前降低1.19百分点。优化前的第9个训练样本出现最大误差4. 61临 优化后降低到0.85虬 校验数据样本值跨度较大，证明模型的泛化能力较强。关键词：NOX排放，神经网络，超低排放，遗传算法目前，燃煤电站污染物排放备受关注，从火电厂大气污染物排放标准(GB13223-2011)的出台1,到如今提出的燃煤电站大气污染物超低排

2、放，均规定NOX,S02和粉尘的排放限值分别为50、35、10mg/m3 (中东部地区为5mg/m3),因而燃煤电站锅炉需要更加高效低污染地运行。国内大部分燃煤电站通过加装选择性催化还原法SCR脱硝设备控制NOX排放浓度，然而为了减少氨逃逸所带的问题，SCR脱硝效率一般设计为不高于90机2。监控系统，在常见PID基础上，创建了 RBF网络的PID控制器。以上研究在控制优化方面有很多独到的见解，但在模型建立上较为单一，本研究在建立锅炉NOX排放神经网络模型的基础上，应用遗传算法对模型进行优化，使网络的性能大大提高。1研究对象本文研究对象为某发电公司660MW超临界参数变压直流锅炉，BMCR工况下

3、主蒸汽参数为2060t/h、26. 15Mpa 605,为一次再热、变压直流、单炉膛、固态排渣、全悬吊结构H型锅炉。制粉系统为中速磨煤机直吹式正压冷一次风制粉系统，运行设计煤种，每炉配6台磨煤机，1台备用。采用前后墙对冲燃烧，燃烧器布置3层，每层前后墙各6只低氮旋流燃烧器。2BP神经网络建模BP神经网络是少有的误差信号反向传递，含有多个隐含层的前馈神经网络。外界信号通过输入层传递给中间隐含层，这是BP神经网络的核心计算处，信号在此处理完后传递至输出层，并判断是否满足输出误差，进而决定完成训练还是反馈误差继续训练。不断调整各层之间的权值和阈值，当误差范围满足要求时，网络完成训练12-13。2.

4、1模型建立本研究的电站锅炉已经投运，炉型、燃烧方式和其他主要设备一般不会改变。在电厂经常运行的负荷和煤种下，氧量对NOX生成影响较大，因此将各个二次风门开度作为输入来反映氧量对N0X生成量的影响。5台磨煤机的给粉反映了煤粉量对NOX生成的影响，炉膛与风箱压差描述风速的影响，经研究燃尽风能够影响NOX的生成量，因此将两个燃尽风口开度也作为输入参数，总计14个输入参数,输出为NOX排放浓度。建模实验数据见表1。表1建模实验数据献机给煤上(1犷)燃尽风:%二次风门北度外恂I?与NOxtt1 风箱氏 i况 A C DEFA-OFAB-OFAAAABBCCDDEEF均kPa / (mg mbI48.54

5、9.647.748.742.550.564.997.915.045.253.398.7S4.50.R99393.410 51.8 47.5 46.4 463 41.949.998.938.898 J59.30.901377.916 45.0 48.1 47.4 45.2 44.265359.899.016.()98 J58.80.877408.121 56.8 50.3 51.2 36.6 41.865.460.098.230.128.59820.885456.2BP神经网络的sigmod传递函数要求数据区间为0, 1或T, 1,因此在训练之前对数据样本进行归一化处理，在输出的结果中再对输出数

6、据进行返归一化处理。本研究采用含有1个隐含层的3层BP神经网络结构对锅炉进行排放特性建模，其中输入层网络的神经元节点为14个，输出层节点为1个，隐含层节点16个，各层之间通过log-sigmoid函数连接，学习效率取0. 8O对热态试验的每个工况取18个训练样本数据用于网络训练学习，3个校验样本数据用来测试网络的性能，当训练均方误差小于0.001时结束训练。再结合遗传算法优化网络初始权值和阈值，比较网络优化前后的性能差异。2.2建模结果由图1可以看出，训练真实值与神经网络仿真值比较吻合，大部分工况都能很好的模拟，仿真平均误差为1.37%,其中最大相对误差出现在训练样本9,最大相对误差为4. 6

7、1%。图1模型仿真3个校验样本的相对误差分别为0 . 4696、0.59%、2. 34%, 一般省煤器出DNOX排放值大约在400mg/ni3,仿真误差完全可以满足电厂运行的需要。NOX排放神经网络模型的3个校验数据相差比较大，但神经网络模型的仿真误差很小，证明神经网络模型的泛化能力很强。3网络优化遗传算法是基于环境抉择和生物繁衍行为中演化而成的优化方法，运用仿生技术解决实际问题，借助遗传学中的基因重组、基因变异产生适应度高的新个体，通过多代的遗传，最终得到最优结果。在锅炉NOX排放神经网络模型基础上，结合遗传算法对模型进行优化，优化后网络性能更佳。本研究以网络权值和阈值作为目标函数，初始种群

8、数为35,交叉概率为0.4,变异概率为0.2,设置进化代数为100代，图2为适应度曲线。图2适应度曲线优化结果如图3所示。由图3可看出，优化后的模型精确度更高，平均仿真误差为0. 18%,训练样本9的误差在优化后降低到了 0. 85%o 3个校验样本的相对误差分别为0.39%、0. 51% 0. 80%,平均仿真误差为0.57%。图3优化后的模型仿真对BP神经网络进行线性回归分析，结果表明训练数据的线性回归分析基本准确,测试数据线性回归稍有偏差，整个网络大部分数据基本能够保持较小误差的仿真模拟，也有部分数据点分布在直线两侧，在可接受范围内。优化结果表明，遗传算法优化BP神经网络是有效的，能够提

9、高网络的精确性，泛化能力。表2模型性能对比模型仿真平均误差/%仿真最大误差/%校验样本平均误差;%校验样本最大误差/%优化前1.374.611.132.34优化后0.180.850.570.84结论(1)对某660MW超临界锅炉的N0X排放特性建立了 BP神经网络模型，模型的平均仿真误差为1. 37%,校验样本平均相对误差为1. 13%,证明网络精确度较高，基本可以满足电站运行需要。(2)结合遗传算法，对所建立的BP神经网络N0X排放模型进行优化，优化后的平均仿真误差为0.1896,较优化前有所降低，校验样本的数据跨度较大，但仿真误差小，证明模型的泛化能力强。结果表明，遗传算法优化神经网络能够提高其性能。