人工智能技术在锅炉燃烧优化中的应用初探

方案中，可以提高燃料的燃烧的充足性，可以保证锅炉稳定运行，还能降低运行的成本，有利于控制污染物，可以实现锅炉燃烧优化。锅炉设备的构造比较复杂，在运行的过程中，燃料的性质会出现较大的变化。在对锅炉进行燃烧优化时，主要是提高热效率，采用人工智能技术，可以提高优化设计的质量，可以降低NOx的排放量，有利于实现锅炉运行的低污染效果，下面笔者对人工智能技术在应用效果进行简单的介绍。

关键词：人工智能技术;锅炉;燃烧;优化;应用

锅炉是一种常见的能量转换设备，在工业企业中比较常见，而且发挥着重要的作用。锅炉在运行的过程中，会释放大量的热量，其可以转化为动能，可以保证生产系统的高效运行。在对锅炉进行优化时，要保证锅炉的热效率，还要控制污染物的排放，这达到节能、降耗的效果。在锅炉燃烧优化中应用人工智能技术，可以保证优化的效果，相关工作人员利用十进制遗传算法，可以保证计算结果的准确性，还可以提高锅炉中燃料燃烧的充分性，可以提高热效率，从而保证锅炉的运行效果。

1 锅炉热效率与NOx排放的特性

锅炉在运行的过程中，会生成燃烧产物，而燃料的性质具有多变性，所以，燃烧产物也具有复杂性。NOx是锅炉最主要的排放物，具有一定污染性，在对锅炉进行燃烧优化时，提高燃料燃烧的充分性，这样才能降低污染物的排放。锅炉的热效率与设备的性能有着较大的关系，在优化的过程中，需要先对锅炉的结构以及燃烧系统进行优化。锅炉排放物会受到较多因素的影响，锅炉作业人员要了解这些因素，才能提高锅炉的热效率。锅炉运行时，还要做好通风操作，要控制风门的开度，还要保证入炉的空气量，了解燃烧氧量等因素对燃烧特性的影响。作业人员还要保证风箱与炉膛差压的标准化，配风方式对燃烧热效率有着较大的影响，燃烧器的摆动速度以及摆角也对锅炉内燃烧的充分性有着较大的影响。

利用人工智能技术对锅炉燃烧进行优化，还需要建立神经网络模型，要计算排烟氧量以及飞灰含碳量，根据这些数据，可以对排烟的温度进行调整，还要对燃料的水分进行调整，这样才能提高锅炉的热效率，才能优化锅炉热效率模型。NOx是锅炉最主要的排放物，对周围环境有着一定污染，工作人员要采用有效的措施减少排放物。锅炉燃烧特性响应模型如图1所示。

图1 锅炉NOx排放与效率特性的响应模型

2 优化问题的数学描述

本文燃烧优化的实质是在限制（或降低）NOx排放的基础上提高锅炉热效率，是一个多目标优化问题。在此采用加权因子，将多目标优化问题转化为单目标问题，进而通过权值的不同组合，获得不同的优化解，为优化决策提供支持。下面给出包括优化目标和优化约束条件的优化问题数学描述。

2.1 目标函数

（1）

ηC、ηFC分别为当前炉效率及优化后预测炉效率，%;[NOx]C、[NOx]FC分别为NOx排放物的当前值及优化后的预测值，mg/m3;a、b分别为锅炉效率项和NOx浓度项的权重。

2.2 被优化的操作参数及其约束条件

根据对锅炉热效率和对NOx排放产生的重要影响，并且是在运行中可控操作量的原则，本文选择送入锅炉的总空气量A、二次风门开度SAIR（i）（i=1，2，…，6）、燃尽风门开度SOFA（i）（i=1，2）及燃烧器摆动角Cs共10个参数作为优化变量。

考虑到总空气量与锅炉热负荷（燃料量B）有关，样本数据中总空气量与燃料量之比A/B=9.658～10.629，取总空气量的变化范围为9B～11.5B;结合样本数据，并考虑到操作习惯和安全性，分别取二次风门开度SAIR的变化范围为20%～90%，燃尽风开度SOFA（i）的变化范围为0～100%，燃烧器摆动角Cs的变化范围为0.3～0.7。

3 优化算法研究及其在燃烧优化中的应用

遗传算法（GA）是基于生物进化过程中优胜劣汰规则与群体内部染色体信息交换机制、处理复杂优化问题的一类通用性强的新方法。GA利用简单的编码技术和算法机制来模拟复杂的优化过程，它只要求优化问题是可计算的，而对目标函数和约束条件的具体形式、优化变量的类型和数目不作限制，在搜索空间中进行自适应全局并行搜索，运行过程简单而计算结果丰富，特别适合于处理复杂优化问题。

针对本文燃烧优化问题的特点，本文采用实数编码遗传优化算法（简称RGA）。

设RGA优化问题的数学描述为

minf（x（1），x（2），，x（p））   （2）

式中a（j）≤x（j）≤b（j），j=1，2，，p;x（j）为第j个优化变量;[a（j），b（j）]为x（j）的变化区间;p为优化变量的数目;f为目标函数。

RGA包括如下几个步骤：

（1）经归一化处理，完成编码与群体初始化

x（j）=a（j）+y（j）[b（j）-a（j）]（j=1，2，...，p）   （3）

把变化区间为[a（j），b（j）]的第j个优化变量x（j）转化为[0，1]区间上的实数y（j）。

（2）结合目标函数f（i），计算个体适应度定义排序后第i个个体的适应度函数值为

F（i）=exp（-f（i））   （4）

（3）选择操作

定义父代个体y（j，i）的选择概率为

（5）

（4）杂交操作

根据式（5）的选择概率选择一对父代个体y（j，i1）和y（j，i2），进行如下随机线性组合产生一个子代个体为

（6）

其中，uc∈（0，1）是随机数。

（5）变异操作

对于p个随机数，RGA的变异操作为

（7）

式中u（j）（j=1～p）、um均为（0，1）上的随机数，pm（i）=1-ps（i）

（6）进化生成子代

由前面的第（3）～（5）步得到了3n个子代个体，按其适应度值由大到小排序，取最前面的n个子代个体作为新的父代群体。算法转入第（2）步，进入下一轮演化计算。

4 锅炉燃烧优化算例与分析

根据上述数学模型，取神经网络样本数据（表2）中NOx排放情况最严重的第4组工况进行优化计算。该工况下的NOx排放浓度为1085.316mg/m3，锅炉热效率为93.404%。优化结果如图2。

锅炉热效率和NOx排放浓度呈现共同增大和减小的趋势，意味着片面强调提高锅炉热效率或者控制NOx排放都是不可取的，这一特点与有关NOx排放机理的定性分析结论是一致的。上述优化计算可以提供如下选择：在保证污染排放不超标的前提下，追求尽可能高的锅炉热效率。

结束语

锅炉是一种常见的工业设备，在电厂、工厂中比较常见，可以将热能转化为其他形式的能量，可以提高企业生产系统的运行效率。锅炉在燃烧的过程中，会产物一定NOx污染物，这对大气环境以及生态环境有着不利的影响，为了解决这一问题，相关工作人员对锅炉燃烧进行了优化。利用人工智能技术，可以建立科学的数学模型，利用遗传算法，可以了解影响锅炉热效率的因素，相关工作人员要找到优化的措施，要条热效率，降低污染物，这样才能保证锅炉应用的高效性。采用人工智能技术，工作人员可以制定降低NOx排放浓度的措施。

参考文献

[1]朱玉璧，程相利，陶新建，李琢，王志军.智能控制在锅炉燃烧优化中的应用[J].中国电机工程学报，2008（11）.

[2]王培红，李磊磊，陈强，董益华.电站锅炉高效低污染燃烧优化算法研究[J].动力工程，2004（4）.

[3]王春林，周昊，李国能，凌忠钱，岑可法.基于遗传算法和支持向量机的低NOx燃烧优化[J].中国电机工程学报，2007（11）.

[4]孙丹萍，方庆艳，汪华剑，周怀春.电站锅炉燃烧优化信息库的建立与应用[J].动力工程，2008（6）.

[5]梁绍华，李秋白，黄磊，鲁松林，赵恒斌，岑可法.锅炉在线燃烧优化技术的开发及应用[J].动力工程，2008（1）.

推荐访问:人工智能 初探 锅炉 燃烧 优化