CN103939941B - 一种融入了不可逆热力学的锅炉燃烧优化方法 - Google Patents

Abstract

本发明专利公开了一种融入了不可逆热力学的锅炉燃烧优化方法。其特性包括：（1）在对锅炉进行燃烧优化调整时，每调节一次参数作为一个原始工况，对所研究的锅炉进行整体建模，基于CFX平台对这些工况进行数值模拟，模拟结果可给出各工况的飞灰含碳量和NOx的排放数值，同时可获得计算辐射熵产和对流熵产所需的原始数据；（2）计算各受热面的辐射熵产、对流传热熵产和流阻熵产；（3）将受热面总熵产、锅炉热效率、飞灰含碳量及NOx排放量作为目标函数，采用最小二乘支持向量机对燃烧模型进行优化。本发明方法将不可逆热力学融入了锅炉燃烧优化，能更好的指导锅炉实际运行。

Description

一种融入了不可逆热力学的锅炉燃烧优化方法

技术领域

本发明属于燃烧的调节或控制领域，具体涉及一种融入了不可逆热力学的锅炉燃烧优化方法。

背景技术

电站锅炉的安全、经济、稳定运行对整个电厂有举足轻重的作用，而燃烧系统作为电站锅炉的重要环节，其燃烧工况的好坏在很大程度上决定着锅炉设备乃至整个发电厂运行的经济性和安全性，因此，加强对锅炉燃烧工况的优化也成为锅炉运行中最主要的内容及目的之一。

目前，锅炉的燃烧优化是以确保锅炉的安全性、提高锅炉热效率和降低污染物排放等为目标，通过调节与燃烧相关的各种参数而得到燃烧最优的方法。实际中锅炉的燃烧优化主要是靠调试人员对风机电流、调节挡板开度、给粉机转速、一次风压、烟气含氧量等参数进行调节来进行不同工况的试验，此种方法费时、费力，并且无法直观的观测到火焰中心的分布状况，这使得对参数的调整较为困难。由于各方面条件的限制，锅炉燃烧工况的数值模拟需要耗费较多的时间，不能满足锅炉燃烧工况实时优化、在线运行的要求。并未考虑到在调节各运行参数的过程中改变了炉内的燃烧状态，进而直接影响到各受热面的换热，烟气流速和烟气温度的变化使得换热器传热过程中产生的不可逆损失发生变化，这些参数的变化是否有利于受热面的安全、经济运行，此项研究内容在国内外尚未见有报道。

基于热力学第二定律进行熵产分析，从能量利用的质量角度来评价换热器热力性能的完善程度，已经成为当今研究的热点问题之一。但到目前为止，这些研究也只是局限于定性的分析，其研究成果主要用于评价换热器热力性能和优化换热器设计，很少将其应用于指导电厂实际运行。

发明内容

本发明的目的在于提供一种将不可逆热力学、数值计算和优化算法结合起来的更加完善的锅炉燃烧优化方法。

本发明的技术方案是通过不但考虑锅炉热效率、飞灰含碳量及NOx排放量，还将各受热面在换热过程中产生的熵产作为考虑，建立燃烧优化的目标函数，确立了一种融入了不可逆热力学的锅炉燃烧优化方法。

本发明的一种融入了不可逆热力学的锅炉燃烧优化方法，具体包括以下步骤：

（1）进行离线建模

对锅炉进行燃烧优化调整时，每调节一次参数作为一个原始工况，根据实际电站锅炉的具体结构和锅炉运行参数构建三维仿真模型，并基于CFX平台对这些工况进行数值模拟，得到燃烧特征；

（2）建立辐射熵产模型和对流熵产模型

由步骤（1）数值模拟结果计算得出的炉膛出口烟温、炉膛出口烟气流速、炉膛出口烟气组成、炉膛内辐射受热面出口工质温度、炉内温度分布或在线采集的数据计算辐射熵产和对流熵产，得到受热面总熵产；

（3）采用最小二乘支持向量机对燃烧模型进行优化

将受热面总熵产和燃烧特征作为目标函数，采用最小二乘支持向量机对燃烧模型进行优化。

进一步的，步骤（1）中所述的锅炉运行参数包括：一次风速、二次风速、三次风速、一次风温、二次风温、三次风温、燃烧器摆角、炉膛负压、燃料的元素分析和工业分析指标。

进一步的，步骤（1）中所述的燃烧特征包括飞灰含碳量、NOx排放浓度、锅炉热效率、炉膛壁面热负荷。

进一步的，步骤（2）所述的受热面总熵产通过以下步骤计算：

步骤a 辐射熵产计算模型

传统的炉内换热计算基于双灰体假设模型，在这种假设下，炉膛辐射壁面的辐射熵产可以表达为：

（1）

式中：

--辐射换热量，kJ/kg;

--炉膛辐射面的平均温度，K；

--火焰面的平均温度，K；

由于式（1）中的参数和较难确定，因此运用公式（1）很难确定辐射熵产。为了解决上述问题，可以从基本的辐射传递方程推倒，具体如下：基于燃烧产物中的三原子气体CO₂、SO₂和H₂O对辐射具有选择性，因此，从光谱学对三原子气体的辐射和吸收进行分析；对于气体，散射常可忽略不计，忽略了散射的光谱能量传递方程为：

（2）

其中， （3）

式中：

--单位时间内的辐射传热量，W；

--光谱吸收系数；

--温度为时的黑体辐射强度，W/m²；

为辐射通量，W/m²；

--温度为时的光谱黑体辐射强度；

--波数，1/m；

为普朗克常量，J·s；

为真空中的光速，m/s；

为玻尔兹曼常量，kW/(m²·K)；

为介质温度，K；

与之对应的光谱辐射熵产可表达为：

（4）

式中：

为光谱吸收系数；

为发射点的温度，K；

为吸收点的温度，K；

光谱辐射熵产求出后，可通过在整个波谱上积分求出总的辐射熵产：

（5）

要想求解光谱能量传递方程，进而求取辐射熵产，需要确定，此时，需要求解光谱辐射传递方程，忽略了散射的光谱辐射传递方程可表达为：

（6）

其漫射边界条件为：

（7）

式（6）可以通过宽带关联模型来进行求解，对于任意的只依赖于吸收系数的辐射量，它在波数上的积分可以用在吸收系数上的积分来代替：

（8）

式中：

是在内气体吸收系数的正态分布函数；

代表在的波数分数，在此区间内，气体吸收系数介于与之间，在波数上的积分被在气体吸收系数上的积分代替时，气体谱吸收系数就用来表示；

定义累积分布函数，则方程（6）和（7）可分别改写为：

（9）

（10）

式中：，则辐射变量在谱带上的平均值仅依赖于吸收系数，它可表示为：

（11）

式（11）采用Gauss积分方法来计算：

（12）

式中：为积分点；为求积的权；

步骤b 对流熵产计算模型

对流熵产由温差传热熵产和流阻熵产两部分组成，式（13）中第一项为温差传热引起的熵产，第二项为流阻熵产：

（13）

式中：

--蒸汽的流量，kg/s；

--烟气温度，K；

--管内到管外的总传热系数，；

--管内径，m;

--蒸汽比热，kJ/(kg.K)；

--蒸汽进口温度，K；

--管子长度，m;

--烟气密度，kg/m3；

--烟气流速，m/s；

n--横向管排数；

z--管圈数；

--局部阻力系数；

--环境温度，K；

步骤C 总熵产计算模型

（14）。

进一步的，步骤（3）所述的采用最小二乘支持向量机对燃烧模型进行优化，具体通过以下方式实现：

最小二乘支持向量机将误差的二次平方项作为损失函数，给定有n个数据的训练集{(x₁,y₁),(x₂,y₂),...(x_k,y_k),...,(x_n,y_n)}，根据统计学习理论，解决如下的最优化问题便可以产生范化能力最优的模型：

（15）

约束条件：

（16）

其中：误差变量∈R，偏置b∈R，做为调整参数，调整误差所起的作用，称为正则化参数。

定义核函数：

（17）

优化问题转化为：

（18）

（19）

其中，k=1,2,...,n；求解由上述n+1个方程组成的方程组，得出、、...、、b的值，得到如下回归估计模型：

（20）

采用上述模型可以针对不同的锅炉燃烧指标或指标组合进行锅炉燃烧参数配置的优化。

与现有技术相比，本发明取得的有益效果为：

本发明优化方法通过离线建模、数值模拟的方法预先对多个工况进行计算，对此结果进行计算分析作为机器学习的依据，挖掘出运行参数与燃烧指标之间的关系模型，然后结合优化算法对锅炉燃烧工况进行优化是很有效的方法。

在电厂实际运行中，从不可逆热力学角度出发，基于热力学第二定律对锅炉机组的不可逆能量损失进行分析，发现引起能量损失的不可逆因素很多例如：燃料燃烧、温差传热、冷热流体换热过程中与壁面摩擦、流体流动节流、扩容、不同热力学性质流体交混、具有一定能量的流体排放到环境、有时还存在非平衡相变及化学反应等不可逆因素。从热力学第一、第二定律出发，采用熵分析对换热器进行设计，能够揭示系统内部存在的能量“质”的贬值和损耗，深刻揭示能量损耗的本质，因此科学地表征了能量的可利用程度。

本发明针对数值计算所得结果及受热面的熵产进行建模，结合基于最小二乘的支持向量机对锅炉的运行进行优化，以达到高效、低污染的燃烧目标。

本发明中的锅炉燃烧优化方法将受热面的熵产也作为优化目标之一，使燃烧优化更加完善，克服了仅靠优化飞灰含碳量、NOx排放和锅炉效率给锅炉运行带来的负面影响，可以得到更为理想的燃烧工况，进一步提高燃烧效率，对提高锅炉运行的安全性、经济性，提高机组可用率，都具有十分重要的意义。

具体实施方式

下面将结合具体实施例对本发明进行进一步详细的说明。

将融入了不可逆热力学的锅炉燃烧优化方法对锅炉燃烧模型进行优化的步骤如下：

（1）进行离线建模，根据实际电站锅炉的具体结构构建三维仿真模型。具体的锅炉运行参数通过DCS系统获取，或直接通过仪器设备在线测量获取，这些参数作为初始条件进行炉膛的数值模拟。此类参数包括：一次风速、二次风速、三次风速、一次风温、二次风温、三次风温、燃烧器摆角、炉膛负压、燃料的元素分析和工业分析。

数值模拟结果可以直接得到一些燃烧特征指标，如：飞灰含碳量、NOx排放浓度等，锅炉热效率也可通过上述结果计算得到。

上述过程是一个积累数据的过程，通过采集不同工况下的原始数据，可计算得到不同工况下的上述燃烧特征指标，给燃烧优化算法提供数据支持。

（2）建立辐射熵产模型和对流熵产模型

不可逆过程热力学是系统地研究熵产和熵产率的一门科学。在换热过程中，熵产由于温差、流阻等不可逆因素而不断产生，而且具有可加性。以熵产为指标来衡量换热设备、乃至整个换热网络的热力学完善性具有普遍意义。对于工程上大量存在的用于一般换热过程的换热器，其性能评价的出发点应该是改善换热器传热的不可逆过程，同时考虑传热量多少和经济性因素等。

辐射熵产计算模型

传统的炉内换热计算基于双灰体假设模型，此时，火焰面具有平均火焰温度，黑度；炉膛辐射壁面具有平均温度，黑度。在这种假设下，炉膛辐射壁面的辐射熵产可以表达为：

（1）

式中：为辐射换热量，kJ/kg; ，为炉膛辐射面和火焰面的平均温度，K。

由于公式（1）中的参数和较难确定，因此运用公式（1）很难确定辐射熵产。

为了解决上述问题，就要从基本的辐射传递方程推倒辐射熵产的计算公式。燃烧产物中的三原子气体CO₂、SO₂和H₂O对辐射具有选择性，其辐射和吸收与波长有关，因此，需要从光谱学对三原子气体的辐射和吸收进行分析。对于气体，散射常可忽略不计，此时光谱能量传递传递方程为：

（2）

式中：为光谱吸收系数； 为温度为时的黑体辐射强度（表达式见公式（3）），W/m²；为辐射通量，W/m²；为温度为时的光谱黑体辐射强度；为波数，1/m。

（3）

式中：为普朗克常量，J·s；为真空中的光速，m/s；为玻尔兹曼常量，kW/(m²·K)；为介质温度，K。

与之对应的光谱辐射熵产可表达为：

（4）

式中：为光谱吸收系数；、分别为发射点和吸收点的温度，K。

光谱辐射熵产求出后，可通过在整个波谱上积分求出总的辐射熵产：

（5）

由式（4）可以看出，要想求解光谱能量传递方程，进而求取辐射熵产，需要确定。此时，需要求解光谱辐射传递方程，忽略了散射的光谱辐射传递方程可表达为：

（6）

其漫射边界条件为：

（7）

式（6）可以通过宽带关联模型来进行求解。对于任意的只依赖于吸收系数的辐射量，它在波数上的积分可以用在吸收系数上的积分来代替：

（8）

式中：是在内气体吸收系数的正态分布函数，代表在的波数分数，在此区间内，气体吸收系数介于与之间。在波数上的积分被在气体吸收系数上的积分代替时，气体谱吸收系数就用来表示，因为它现在是独立变量，而不是波数的函数。

定义累积分布函数，则方程（6）和（7）可分别改写为：

（9）

（10）

式中：，则辐射变量在谱带上的平均值仅依赖于吸收系数，它可表示为：

（11）

式（10）采用Gauss积分方法来计算：

（12）

式中：为积分点；为求积的权。

对流熵产计算模型

对流熵产由温差传热熵产和流阻熵产两部分组成，式（13）中第一项为温差传热引起的熵产，第二项为流阻熵产。

（13）

式中：为烟气温度，K；为管内到管外的总传热系数，；为管内径，m; 为蒸汽的流量，kg/s；为蒸汽比热，kJ/(kg.K)；为蒸汽进口温度，K；l为管子长度，m；为烟气密度，kg/m³；为烟气流速，m/s；n为横向管排数；z为管圈数；为局部阻力系数；为环境温度，K。

总熵产计算模型

（14）

（3）采用基于最小二乘支持向量机的优化算法对燃烧模型进行优化

在对炉内的传热和流动进行了不可逆热力学分析后，得到了受热面的总熵产。将数值计算得出的飞灰含碳量、NOx排放量、锅炉热效率等指标与受热面总熵产作为支持向量机模型的训练样本，采用基于最小二乘支持向量机的方法对模型进行优化。

最小二乘支持向量机将误差的二次平方项作为损失函数。给定有n个数据的训练集{(x₁,y₁),(x₂,y₂),...(x_k,y_k),...,(x_n,y_n)}，根据统计学习理论，解决如下的最优化问题便可以产生范化能力最优的模型：

（15）

约束条件：

（16）

其中：误差变量∈R，偏置b∈R，做为调整参数，调整误差所起的作用，称为正则化参数。

定义核函数：

（17）

优化问题转化为：

（18）

（19）

其中，k=1,2,...,n。求解由上述n+1个方程组成的方程组，得出、、...、、b的值，得到如下回归估计模型：

（20）

采用上述模型可以针对不同的锅炉燃烧指标或指标组合进行锅炉燃烧参数配置的优化。

以上所述实施方式仅为本发明的优选实施例，而并非本发明可行实施的穷举。对于本领域一般技术人员而言，在不背离本发明原理和精神的前提下对其所作出的任何显而易见的改动，都应当被认为包含在本发明的权利要求保护范围之内。

Claims (5)

1.一种融入了不可逆热力学的锅炉燃烧优化方法，其特征在于：具体包括以下步骤：

(1)进行离线建模

对锅炉进行燃烧优化调整时，每调节一次参数作为一个原始工况，根据实际电站锅炉的具体结构和锅炉运行参数构建三维仿真模型，并基于CFX平台对这些工况进行数值模拟，得到燃烧特征；

(2)建立辐射熵产模型和对流熵产模型

由步骤(1)数值模拟结果计算得出的炉膛出口烟温、炉膛出口烟气流速、炉膛出口烟气组成、炉膛内辐射受热面出口工质温度、炉内温度分布或在线采集的数据计算辐射熵产和对流熵产，得到受热面总熵产；

(3)采用最小二乘支持向量机对燃烧模型进行优化

将受热面总熵产和燃烧特征作为目标函数，采用最小二乘支持向量机对燃烧模型进行优化。

2.根据权利要求1所述的一种融入了不可逆热力学的锅炉燃烧优化方法，其特征在于：所述步骤(1)中所述的锅炉运行参数包括：一次风速、二次风速、三次风速、一次风温、二次风温、三次风温、燃烧器摆角、炉膛负压、燃料的元素分析和工业分析指标。

3.根据权利要求1所述的一种融入了不可逆热力学的锅炉燃烧优化方法，其特征在于：所述步骤(1)中所述的燃烧特征包括飞灰含碳量、NOx排放浓度、锅炉热效率、炉膛壁面热负荷。

4.根据权利要求1所述的一种融入了不可逆热力学的锅炉燃烧优化方法，其特征在于：所述步骤(2)所述的受热面总熵产通过以下步骤计算：

步骤a辐射熵产计算模型

传统的炉内换热计算基于双灰体假设模型，在这种假设下，炉膛辐射壁面的辐射熵产可以表达为：

$S_g=Q\·(\frac{1}{T_b}-\frac{1}{T_{hy}})---\left(1\right)$

式中：

Q--辐射换热量，kJ/kg；

T_b--炉膛辐射面的平均温度，K；

T_hy--火焰面的平均温度，K；

由于式(1)中的参数T_b和T_hy较难确定，因此运用式(1)很难确定辐射熵产，为了解决上述问题，可以从基本的辐射传递方程推倒，具体如下：基于燃烧产物中的三原子气体CO₂、SO₂和H₂O对辐射具有选择性，因此，从光谱学对三原子气体的辐射和吸收进行分析；对于气体，散射常可忽略不计，忽略了散射的光谱能量传递方程为：

dQ_η＝k_a·η(4πI_b·η-E_η)dVdη (2)

其中，

式中：

dQ_η--单位时间内的辐射传热量，W；

k_a·η--光谱吸收系数；

I_b·η--温度为T时的黑体辐射强度，W/m²；

为辐射通量，W/m²；Ω表示立体角，立体弧度；

I_η--温度为T时的光谱黑体辐射强度，W/m²；

η--波数，1/m；

V-体积，m³；

h＝6.626×10^-34为普朗克常量，J·s；

c＝3.0×10⁸为真空中的光速，m/s；

σ₀＝5.67×10^-11为玻尔兹曼常量，kW/(m²·K)；

T为介质温度，K；

与之对应的光谱辐射熵产可表达为：

${\mathrm{dS}}_{g\·\mathrm{\η}}=\[4{\mathrm{\πk}}_{a\·\mathrm{\η}}{I}_{b\·\mathrm{\η}}(\frac{1}{T_{em\·\mathrm{\η}}}-\frac{1}{T})-k_{a\·\mathrm{\η}}{E}_{\mathrm{\η}}\left(\frac{1}{T_{ex\·\mathrm{\η}}}-\frac{1}{T}\right)\]dVd\mathrm{\η}---\left(4\right)$

式中：

k_a·η为光谱吸收系数；

T_em·η为发射点的温度，K；

T_ex·η为吸收点的温度，K；

光谱辐射熵产求出后，可通过在整个波谱上积分求出总的辐射熵产：

ΔS_辐射＝∫_ΔηdS_g·η (5)

要想求解光谱能量传递方程，进而求取辐射熵产，需要确定I_η，此时，需要求解光谱辐射传递方程，忽略了散射的光谱辐射传递方程可表达为：

$\frac{{\mathrm{dI}}_{\mathrm{\η}}}{ds}=k_{a\·\mathrm{\η}}{I}_{b\mathrm{\η}}+k_{a\·\mathrm{\η}}{I}_{\mathrm{\η}}---\left(6\right)$

式中：

s表示熵流密度，W/(m²·K)；

其漫射边界条件为：

$I_{\mathrm{\&eta;}}=I_{w\mathrm{\&eta;}}={\mathrm{\&epsiv;}}_w{I}_{bw\mathrm{\&eta;}}+(1-{\mathrm{\&epsiv;}}_w)\frac{1}{\mathrm{\&pi;}}{\&Integral;}_{\hat{n}\&CenterDot;\hat{s}<0}{I}_{\mathrm{\&eta;}}|\hat{n}\&CenterDot;\hat{s}|d\mathrm{\&Omega;}---\left(7\right)$

式中：

I_wη表示温度为T时谱带的辐射强度，单位W/m²；

ε_w表示谱带发射率；

I_bwη表示温度为T时谱带的黑体辐射强度，单位W/m²；

表示法向当量辐射；

表示带宽方向上的当量辐射；

Ω表示立体角，单位：立体弧度；

式(6)可以通过宽带关联k模型来进行求解，对于任意的只依赖于吸收系数的辐射量I，它在波数η上的积分I_η可以用在吸收系数k上的积分来代替：

$I_{\mathrm{\&eta;}}=\frac{1}{\mathrm{\&Delta;}\mathrm{\&eta;}}{\&Integral;}_{\mathrm{\&Delta;}\mathrm{\&eta;}}I\left(k_{a\&CenterDot;\mathrm{\&eta;}}\right)d\mathrm{\&eta;}={\&Integral;}_0^{\mathrm{\&infin;}}f\left(k_{a\&CenterDot;\mathrm{\&eta;}}\right)I\left(k_{a\&CenterDot;\mathrm{\&eta;}}\right){\mathrm{dk}}_{a\&CenterDot;\mathrm{\&eta;}}---\left(8\right)$

式中：

I(k_a·η)表示I是k_a·η的函数；

Δη表示谱带上、下限的差值，单位μm；

在Δη内气体吸收系数的正态分布函数；

f(k_a·η)dk_a·η代表在Δη的波数分数，在此区间内，气体吸收系数介于k_a与k_a+dk_a之间，在波数上的积分被在气体吸收系数上的积分代替时，气体谱吸收系数k_a·η就用k_a来表示；

定义累积分布函数其中，k_a为定值，而k_a′是一个自变量，此式是对此变量求积分的过程；

则方程(6)和(7)可分别改写为：

$\frac{{\mathrm{dI}}_g}{ds}=k_a(I_{b\mathrm{\&eta;}}+I_g)---\left(9\right)$

$I_g=I_{wg}={\mathrm{\&epsiv;}}_w{I}_{bw}+(1-{\mathrm{\&epsiv;}}_w)\frac{1}{\mathrm{\&pi;}}{\&Integral;}_{\hat{n}\&CenterDot;\hat{s}<0}{I}_g|\hat{n}\&CenterDot;\hat{s}|d\mathrm{\&Omega;}---\left(10\right)$

式中：

I_g表示用累积分布函数g(k_a)表达的光谱辐射强度，单位W/m²；

s表示熵流密度，单位W/(m²·K)；

I_g表示用累积分布函数g(k_a)表达的光谱辐射强度，单位W/m²；

I_wg表示用累积分布函数g(k_a)表达的谱带辐射强度，单位W/m²；

ε_w表示谱带发射率；

I_bw表示温度为T时用累积分布函数g(k_a)表达谱带的黑体辐射强度，单位W/m²；

表示法向当量辐射；

表示带宽方向上的当量辐射；

Ω表示立体角，单位：立体弧度；

I_g＝∫_ΔηI_ηδ(k_a-k_aη)dη/f(k_a)，则辐射变量在谱带上的平均值仅依赖于吸收系数，它可表示为：

$I={\&Integral;}_{\mathrm{\&Delta;}\mathrm{\&eta;}}{I}_{\mathrm{\&eta;}}d\mathrm{\&eta;}={\&Integral;}_0^1{I}_{g}dg---\left(11\right)$

式中：

k_aη表示光谱吸收系数k_a在波数η上的积分；

δ(k_a-k_aη)表示关于吸收系数k_a的狄拉克函数；

Δη表示谱带上、下限的差值，单位μm；

I_g表示用累积分布函数g(k_a)表达的光谱辐射强度，单位W/m²；

式(11)采用Gauss积分方法来计算：

$I=\underset{i=1}{\overset{N}{\&Sigma;}}{w}_i{I}_{gi}---\left(12\right)$

式中：N为积分点；w_i为求积的权；I_gi表示在i点用累积分布函数g(k_a)表达的光谱辐射强度，单位W/m²；

步骤b对流熵产计算模型

对流熵产由温差传热熵产和流阻熵产两部分组成，式(13)中第一项为温差传热引起的熵产，第二项为流阻熵产：

式中：

G--蒸汽的流量，kg/s；

T_∞--烟气温度，K；

K--管内到管外的总传热系数，W/(m²·K)；

d_i--管内径，m；

c_pi--蒸汽比热，kJ/(kg.K)；

T_fii--蒸汽进口温度，K；

l--管子长度，m；

ρ--烟气密度，kg/m3；

U_∞--烟气流速，m/s；

n--横向管排数；

z--管圈数；

C_D--局部阻力系数；

T₀--环境温度，K；

T_∞--表示烟气温度，K

步骤C总熵产计算模型

ΔS_g＝ΔS_辐射+ΔS_对流 (14)。

5.根据权利要求1-4任一项所述的一种融入了不可逆热力学的锅炉燃烧优化方法，其特征在于：所述步骤(3)所述的采用最小二乘支持向量机对燃烧模型进行优化，具体通过以下方式实现：

最小二乘支持向量机将误差的二次平方项作为损失函数，给定有n个数据的训练集{(x₁，y₁)，(x₂，y₂)，...(x_k，y_k)，...，(x_n，y_n)}，根据统计学习理论，解决如下的最优化问题便可以产生范化能力最优的模型：

$\min J(w,e_k)=\frac{1}{2}\left|\right|w|{|}^2+\mathrm{\&gamma;}\underset{k=1}{\overset{n}{\&Sigma;}}{e}_k^2---\left(15\right)$

约束条件：

其中：误差变量e_k∈R，偏置b∈R，γ做为调整参数，调整误差所起的作用，称为正则化参数；

定义核函数：

优化问题转化为：

α₁+α₂+...+α_n＝0 (18)

${\mathrm{\&alpha;}}_{1}K(x_1,x_k)+{\mathrm{\&alpha;}}_{2}K(x_2,x_k)+...+{\mathrm{\&alpha;}}_{k}K(x_k,x_k)+...+{\mathrm{\&alpha;}}_{n}K(x_n,x_k)+b+\frac{{\mathrm{\&alpha;}}_k}{\mathrm{\&gamma;}}=y_k---\left(19\right)$

其中，k＝1，2，...，n；求解由上述n+1个方程组成的方程组，得出α₁、α₂、...、α_n、b的值，得到如下回归估计模型：

$y=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_{i}K(x,x_i)+b---\left(20\right)$

采用上述模型可以针对不同的锅炉燃烧指标或指标组合进行锅炉燃烧参数配置的优化。