CN105674326A - 一种工业燃气锅炉多目标多约束燃烧优化方法 - Google Patents

Abstract

本发明公开了一种工业燃气锅炉多目标多约束燃烧优化方法，包括如下步骤：S100：采集燃气锅炉运行中的可调参数和表征燃烧状态的特征指标作为基础数据；S200：建立燃气锅炉燃烧的数学模型；S300：确定目标函数和约束条件；S400：根通过遗传算法搜索出各负荷下可调参数的最佳组合。提高了锅炉低氮技术的匹配度，并实现燃气锅炉的高效、节能、低污染运行。

Description

一种工业燃气锅炉多目标多约束燃烧优化方法

技术领域

本发明涉及锅炉，特别涉及一种工业燃气锅炉多目标多约束燃烧优化方法。

背景技术

燃料分级和烟气再循环是燃气锅炉NOx燃烧控制的常用方法。目前，一二次燃料比例、烟气循环量及过剩空气系数等运行参数的确定仍是人工调试，费时耗力，通常难以找到最佳运行工况且无法实现多目标优化。目前涉及多目标燃烧优化的方法限于锅炉效率和NOx排放两个优化目标，多数适用于燃煤锅炉，鲜有燃气锅炉的燃烧优化方法。就国内情况而言，燃气锅炉采取低氮技术大多通过低氮改造实现，在原有锅炉上更换燃烧器或加烟气再循环，不改造炉膛，火焰外形与炉膛尺寸的匹配就至关重要，如果火焰过长，则会出现火焰直接冲刷受热面，造成未燃尽碳或气体的急冷而在受热面上积炭；若火焰过短，则会出现火焰充满度差，影响受热面的有效利用。

发明内容

针对现有技术的缺陷，本发明提供了一种工业燃气锅炉多目标多约束燃烧优化方法。

一种工业燃气锅炉多目标多约束燃烧优化方法，包括如下步骤：S100：采集燃气锅炉运行中的可调参数和表征燃烧状态的特征指标作为基础数据，所述可调参数包括总燃料量、二次燃料比例、氧含量和烟气循环率，所述特征指标包括NOx浓度值、CO浓度值和火焰长度值；S200：以基础数据作为训练数据，建立燃气锅炉燃烧的数学模型，所述数学模型包括；NOx的SVM模型、CO的SVM模型和火焰长度的SVM模型；

S300：确定目标函数和约束条件，所述目标函数为：min:NOx+a(CO-CO’)+b(L-L’)；所述约束条件为：四个可调参数的调节范围；

其中，CO’为锅炉运行允许的最大值，CO为采集的浓度值，a、b为加权系数，当CO＞CO’时，a取10³，当CO≤CO’时，a＝0；L’是炉膛允许的最大火焰长度，L为采集到的火焰长度，当L＞L’时，b取10³，当L≤L’时，b＝0；

S400：根据所建立的数学模型、目标函数和约束条件，通过遗传算法搜索出各负荷下可调参数的最佳组合。

可选的，所述烟气循环率β由下式计算：

其中：β是烟气循环率，γ_O′是风道含氧量，V_烟是理论烟气量，γ_O是烟气含氧量，V_空是理论空气量，V'_烟是实际烟气量。

可选的，所述NOx浓度值是将烟气分析仪测得的NOx浓度值折算至氧含量为3.5％时的值，折算公式：

其中氧含量为烟气分析仪测得的烟气氧含量。

可选的，所述步骤S200具体包括：S201：数据预处理，将所有基础数据做归一化处理；S202：选取训练集，以总燃料量、二次燃料比例、氧含量和烟气循环率为输入，对应的NOx浓度值、CO浓度值和火焰长度的值为输出，通过matlab加载工具箱libsvm-faruto训练NOx的SVM模型、CO的SVM模型和火焰长度的SVM模型，其中工具箱libsvm-faruto中核函数参数g和惩罚因子c，采用工具箱默认值；S203：通过试算法调整核函数参数g和惩罚因子c。

可选的，所述步骤S203包括：以训练集以外数据作为测试集，用所建模型预测测试集的输入所对应的输出作为预测值，对比预测值与实际值，计算预测值与实际值的相关系数、平均误差和最大误差；若相关系数、平均误差和最大误差大于相应设定阈值时，则通过试算法调整g和c，通过网格寻优方法确定g、c的较优范围，在此范围内任选5-10组g、c组合，返回步骤S202，直至模型预测效果满足需要

本发明的有益效果是：通过优化运行参数配比，可以适当调整火焰长度，提高锅炉低氮技术的匹配度，同时实现了燃气锅炉的高效、节能、低污染运行。

附图说明

图1是本发明工业燃气锅炉系统的结构示意图；

图2是本发明燃烧优化方法的流程图；

图3是步骤S200的流程图；

图4是步骤S400的优化流程图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明，使本发明的上述及其它目的、特征和优势将更加清晰。在全部附图中相同的附图标记指示相同的部分。并未刻意按比例绘制附图，重点在于示出本发明的主旨。

图1为本发明工业燃气锅炉系统的结构示意图，其采用低氮燃烧器，低氮技术为燃料分级加烟气再循环。系统由以下几部分组成：1.燃料系统：燃料为天然气，燃气由主管道经阀组后进入一次燃料管道和二次燃料管道，主燃料管道和二次燃料管道上分别装有流量计，计量总燃料量和二次燃料量；2.送风系统：空气和循环烟气由风机送入燃烧器，风道上装有氧化锆测量空气与循环烟气混合后的氧含量；3.排烟系统：燃料与空气在炉膛燃烧反应后经锅炉本体换热，经过省煤器，最终烟气由烟囱排出。烟气分析仪可测定尾部烟气组分，包括氧含量、NOx实测浓度值、CO浓度值；4.控制系统：通过控制系统调节总燃料量、二次燃料量、空气量和烟气循环量(试验系统图中未显示)；5.火焰观测：炉膛中轴线侧壁设有间距为200mm的12个观测孔，每个观测孔距燃烧器入口(即火焰根部)距离可知，以可观测到火焰的最后一个观测孔距燃烧器入口的距离为火焰长度。

请参考图2，其为本发明实施例的燃烧优化方法的流程示意图，本发明的优化方法包括以下步骤：

S100：采集燃气锅炉运行中的可调参数和表征燃烧状态的特征指标作为基础数据，所述可调参数包括总燃料量、二次燃料比例、氧含量和烟气循环率，所述特征指标包括NOx浓度值、CO浓度值和火焰长度值。

燃气锅炉运行中确定影响NOx、CO和火焰长度的可调参数，负荷、二次燃料比例、空气过剩系数和烟气循环率对于NOx、CO和火焰长度有重要影响。其中，负荷由总燃料量表征，二次燃料比例根据总燃料量和二次燃料量得到，空气过剩系数直接测量较困难，空气量测量准确度低，但是它与氧含量有直接对应关系，因此用氧含量表征。烟气循环率通过风道含氧量和烟气含氧量确定，风道含氧量指循环烟气与空气混合后氧含量，烟气氧含量即烟气分析仪测得的氧含量。公式如下：

其中：β是烟气循环率，γ_O′是风道含氧量，V_烟是理论烟气量，γ_O是烟气含氧量，V_空是理论空气量，V'_烟是实际烟气量。其中，理论烟气量、理论空气量和实际烟气量的计算方法为现有技术，不再赘述。综上，本发明将总燃料量、二次燃料比例、氧含量和烟气循环率确定为可调参数。所述特征指标包括NOx浓度值、CO浓度值和火焰长度值，特征指标用来表征燃烧状态。

为了采集可调参数和特征指标，本发明采用单因素轮回法设置试验工况。每个工况获取一组数据，包括可调参数：总燃料量、二次燃料比例、氧含量、烟气循环率，特征指标：NOx浓度值、CO浓度值和火焰长度的值，共7个量。此处NOx浓度值是将烟气分析仪测得的NOx浓度值折算至氧含量为3.5％时的值(标准中规定)，折算公式：氧含量是烟气分析仪测得的烟气氧含量。本实例共获取160组样本数据，表1为其中的5组部分采样值。

表1

S200：用基础数据建立燃气锅炉燃烧的数学模型，所述数学模型包括；NOx的SVM模型、CO的SVM模型和火焰长度的SVM模型。首先建立NOx的SVM模型，如图3所示，包括以下步骤：

S201：数据预处理，将基础数据做归一化处理。将获取的160组可调参数及对应的折算后NOx浓度值导入matlab，将所有数据归一化至(0,1)，表1中数据归一化处理的结果如表2所示。

表2

组数	燃料量	氧含量	二次燃料比例	烟气循环率	折算后NOx
						1	1	0.1036	0	0	1
2	0.954	0.098	0.9986	0	0.9311
						3	0.9695	0	1	0.2238	0.4577
4	0	0.2017	0	0.4376	0.2551
						5	0.0227	1	0	1	0

S202：选取训练集，以总燃料量、二次燃料比例、氧含量和烟气循环率为输入，对应的NOx浓度值为输出，通过matlab加载工具箱libsvm-faruto训练NOx的SVM模型，其中核函数参数g和惩罚因子c，采用工具箱默认值。

本发明从160组样本中选120组(可为其它，样本覆盖工况尽可能全面，否则影响模型精度)作为训练集，训练SVM模型，使该模型能够反映输入与输出的数学关系。训练过程由matlab加载工具箱libsvm-faruto实现，该工具箱除了需要给定输入输出，还需设定核函数参数g和惩罚因子c，初始使用工具箱默认值。SVM的理论可归结为：对一个给定样本集S：{(x_i,y_i)，i＝1,2,...,n},其中xi∈Rm样本中各属性值构成的m维向量(该实例为四个可调参数)，y_i是被控变量(该实例中为折算后NO_x浓度值)，试图找到一个函数y^＝f(x)，使得计算出的值与真实值最接近，即|y-f(x)|≤ε，ε为不敏感损失函数：L(y,f(x,ɑ))＝L(|y-f(x,ɑ)|ε)，使损失函数最小化则可得到回归模型，通过最小化风险泛函，就将上述回归问题转化为下述优化问题：

目标函数： $\underset{w,b,\mathrm{\ξ},{\mathrm{\ξ}}^{*}}{min}\frac{1}{2}{w}^{T}w+C(\mathrm{\ν}\mathrm{\ϵ}+\frac{1}{l}\underset{i=1}{\overset{l}{\Σ}}({\mathrm{\ξ}}_i+{\mathrm{\ξ}}_i^{*}\left)\right)$

约束条件：

${\mathrm{\ξ}}_i,{\mathrm{\ξ}}_i^{*}\≥0,i=1,...,1,\mathrm{\ϵ}\≥0$

求解得到回归模型为：

$f\left(x\right)=\underset{i=1}{\overset{l}{\Σ}}({\mathrm{\α}}_i^{*}-{\mathrm{\α}}_i)K(x_i,x)+b$

其中核函数K(x_i,x)＝exp(-γ||x-x_i||²)。

S203：通过试算法调整核函数参数g和惩罚因子c。以训练集以外数据作为测试集，用所建模型预测测试集的输入所对应的输出作为预测值，对比预测值与实际值，计算预测值与实际值的相关系数、平均误差和最大误差。若相关系数、平均误差和最大误差大于相应设定阈值时，则通过试算法调整g和c，通过网格寻优方法确定g、c的较优范围，在此范围内任选5-10组g、c组合，返回步骤S202，直至模型预测效果满足需要。多数研究直接采用网格寻优得到的c、g最优值，但该组参数只是对于训练模型本身效果最优，可能导致过拟合现象，对测试集预测效果并非最好，因此本实例采用上述试算法。

将输出依次换成CO浓度值和火焰长度，输入不变，重复上述步骤S201、S202、S203，分别建立CO的SVM模型和火焰长度的SVM模型，所建立的三个模型即为燃气锅炉燃烧的数学模型。

S300：确定目标函数和约束条件。多目标优化：实现燃烧器与炉膛匹配，且锅炉能够高效、节能、低污染，稳定地运行。低污染、高燃烧效率和燃烧器与炉膛匹配通过目标函数实现，节能和稳定运行通过约束条件实现。

目标函数：min:NOx+a(CO-CO’)+b(L-L’),其中，CO’为锅炉运行允许的最大值，该实例设为0，当CO＞CO’时，a取大值，如10³，当CO≤CO’时，a＝0；L’是炉膛允许的最大火焰长度，依据锅炉类型确定，当L＞L’时，b取大值，如10³，当L≤L’时，b＝0。本发明中所采用炉膛较短，所以限制火焰最大长度，如遇其它情况，可调整目标函数，限制火焰最短长度，或使火焰长度在某一范围内。

约束条件：即四个可调参数的调节范围。氧含量O₂％是节能的关键指标，通常认为锅炉的经济运行范围氧含量在3.5％以内，因此氧含量范围为0-3.5％；二次燃料比例α和烟气循环率β根据实验过程中找到的稳定运行范围确定；燃料量为定值，例如，点火负荷的燃料量为50Nm³/h，约束条件为：0≤O₂％≤3.5％、40％≤α≤80％、0≤β≤30％、F＝50，α表示二次燃料比例，β表示烟气循环率，O₂％表示氧含量，F表示燃料量。

S400：根据所建立的数学模型、目标函数和约束条件，通过遗传算法搜索出该负荷下可调参数的最佳组合。通过优化过程则找到点火负荷的最优运行参数，改变F直至100％负荷，本实例找点火负荷到满负荷等分的15个负荷点对应的最优运行参数。采用遗传算法实现上述优化，整个过程由matlab遗传算法工具箱完成，需输入适应度函数、约束条件和终止条件，将上述S300中目标函数作为遗传算法的适应度函数，约束条件即为上述S300中约束条件，设置种群代数(如1000)作为终止条件，搜索出最优运行参数。优化流程见图4。更改上述约束条件F值，重复步骤S400，直至搜索出15个负荷点对应的最优运行参数，用这些运行参数指导控制系统运行，实现燃气锅炉高效、低污染、稳定运行。数据采集实现自动采集，例如火焰长度用红外探测仪测得传输到计算机，则可以实现在线优化。

在以上的描述中阐述了很多具体细节以便于充分理解本发明。但是以上描述仅是本发明的较佳实施例而已，本发明能够以很多不同于在此描述的其它方式来实施，因此本发明不受上面公开的具体实施的限制。同时任何熟悉本领域技术人员在不脱离本发明技术方案范围情况下，都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围内。

Claims (5)

1.一种工业燃气锅炉多目标多约束燃烧优化方法，其特征在于，包括如下步骤：

S100：采集燃气锅炉运行中的可调参数和表征燃烧状态的特征指标作为基础数据，所述可调参数包括总燃料量、二次燃料比例、氧含量和烟气循环率，所述特征指标包括NOx浓度值、CO浓度值和火焰长度值；

S200：用基础数据建立燃气锅炉燃烧的数学模型，所述数学模型包括；NOx的SVM模型、CO的SVM模型和火焰长度的SVM模型；

S300：确定目标函数和约束条件，所述目标函数为：min:NOx+a(CO-CO’)+b(L-L’)；所述约束条件为：四个可调参数的调节范围；

其中，CO’为锅炉运行允许的最大值，CO为采集的浓度值，a、b为加权系数，当CO＞CO’时，a取10³，当CO≤CO’时，a＝0；L’是炉膛允许的最大火焰长度，L为采集到的火焰长度，当L＞L’时，b取10³，当L≤L’时，b＝0；

S400：根据所建立的数学模型、目标函数和约束条件，通过遗传算法搜索出各负荷下可调参数的最佳组合。

2.根据权利要求1所述的工业燃气锅炉多目标多约束燃烧优化方法，其特征在于，优选的，所述烟气循环率β由下式计算：

其中：β是烟气循环率，γ′_O是风道含氧量，V_烟是理论烟气量，γ_O是烟气含氧量，V_空是理论空气量，V′_烟是实际烟气量。

3.根据权利要求1所述的工业燃气锅炉多目标多约束燃烧优化方法，其特征在于，所述NOx浓度值是将烟气分析仪测得的NOx浓度值折算至氧含量为3.5％时的值，折算公式：

其中氧含量为烟气分析仪测得的烟气氧含量。

4.根据权利要求1所述的工业燃气锅炉多目标多约束燃烧优化方法，其特征在于，所述步骤S200具体包括：

S201：数据预处理，将可调参数总燃料量、二次燃料比例、氧含量和烟气循环率和特征指标NOx浓度值、CO浓度值和火焰长度的值全部做归一化处理；

S202：选取训练集，以总燃料量、二次燃料比例、氧含量和烟气循环率为输入，对应的NOx浓度值、CO浓度值和火焰长度的值为输出，通过matlab加载工具箱libsvm-faruto分别训练NOx的SVM模型、CO的SVM模型和火焰长度的SVM模型，其中工具箱libsvm-faruto中核函数参数g和惩罚因子c，采用工具箱默认值；

S203：通过试算法调整核函数参数g和惩罚因子c。

5.根据权利要求4所述的工业燃气锅炉多目标多约束燃烧优化方法，其特征在于，所述步骤S203包括：以训练集以外数据作为测试集，用所建模型预测测试集的输入所对应的输出作为预测值，对比预测值与实际值，计算预测值与实际值的相关系数、平均误差和最大误差；若相关系数、平均误差和最大误差大于相应设定阈值时，则通过试算法调整g和c，通过网格寻优方法确定g、c的较优范围，在此范围内任选5-10组g、c组合，返回步骤S202，直至模型预测效果满足需要。