350MW电站锅炉燃烧优化技术研究.pdf

摘要 摘要 电站锅炉燃烧优化技术是实现低污染物排放与高效燃烧技术的最有效、最 经济的方法之一。氮氧化物(N0x)作为电站锅炉排放的一种主要污染物，其影 响因素众多，并且各种因素之间相互耦合、相互影响，本文通过人工智能算法 对电站锅炉的燃烧过程进行了非线性建模和燃烧优化研究。 利用现场采集到的350MW电站锅炉燃烧试验数据作为BP神经网络和支持向 量机(SVM)的样本数据，将锅炉负荷、总煤量、煤种特性、配煤方式、各层一 次风和二次风等23个因素作为输入量，建立了N0x排放的预测函数，检验样本 的最大误差分别为±3．94％和±0．11％，表明了神经网络和SVM具有极强的非线 性建模能力。 运用BP网络模型对二次风风门开度与NOx排放的关系进行了模拟，随着 K层风门开度的增加NOx排放浓度增加，KK层随着开度的增加而NOx排放浓 度减小，即从二次风风门开度变化来看，其调节趋势成的“谷峰交替”的形式 可以减小NOx排放浓度。 采用支持向量机NOx模型预测了电站锅炉空气分级和燃料分级NOx排放情 况。对于三种倒宝塔配风方式的空气分级，随着梯度的增大，NOx排放浓度比 均匀配风分别降低1．03％、2．47％和5．56％；对于三种正宝塔配煤方式的燃料分 级，随着梯度的增大，NOx排放浓度比均匀配煤分别降低1．07％、4．81％和8．75 ％。这与文献CFD数值模拟的计算结果基本一致。 用BP神经网络遗传算法对全负荷纯燃煤工况(350MW，02=5％)和混烧 工况(350MW，02=5％，掺混BFG15％)进行单目标优化，得到了从GG至 KK层二次风最佳配比，分别为： 70％：48％：72％：98％：67％：97％年n72 持向量机模型对全负荷纯燃煤工况(350MW，O，=5％)和混烧工况(350MW， 15％)进行单目标优化，得到了从GG至KK层二次风最佳 02=4％，掺混BFG 81％：55％：44％：89 配比，分别为：87％：42％：99％：96％：65％：92％署1：1 摘要 分别降低了NOx排放浓度15．8％、12．3％。以上结果说明优化操作参数可以降 低NOx排放浓度。 多目标燃烧优化采取权重系数法将多目标问题转化为单目标问题处理，通 过Elman神经网络模型对N0x、飞灰含碳量和排烟温度进行建模，对于混烧工况 (350MW，02=4．318％，掺混BFG10％)得到了从ED到KK各层二次风最佳配比为 78．46％：38．11％：78．15％：39．39％：31．12％：48．51％：99．45％时，N0x排放浓度 度也降低了3．52K。 多目标燃烧优化采用并列选择法利用支持向量机遗传算法对全负荷混烧工 况(350MW，02=4．318％，掺混BFG10％)得到了从ED到KK层二次风最佳配比为 41．53％：32．22％：66．32％：95．69％：71．09％：57．92％：99．98％时，N0x排放浓 度由401．06ppm降低344．56ppm，锅炉效率从88．839％提高到89．02％。 多目标燃烧优化采用并列选择法利用BP神经网络遗传算法对全负荷混烧工 况(350MW，02=4．318％，掺混BFG10％)得到了从ED到KK层二次风最佳配比为 69．55％：41．04％：80．74％：92．96％：83．29％：71．85％：98．46％时，NOx排放浓 综上所述，无论是单目标优化还是多目标优化，从ED层到KK层的二次风 门变化规律呈现出谷峰交替的趋势对于降低NOx排放、提高燃烧效率都具有非 常好的效果。 关键词：电站锅炉氮氧化物燃烧优化神经网络支持向量机遗传算法多目 标优化 ABSTRACT ABSTRACT Inthe combustion of boilerisoneofthe technologyutility present optimization toreduceemissionandtoadvance