基于人工智能电站锅炉NOx排放与效率混合建模及优化.pdfVIP

基于人工智能的电站锅炉NOx 排放与效率的 混合建模及优化 吴祯祥 大连理工大学能源与动力学院，辽宁大连（116024 ） 摘 要：燃烧优化是提高电站锅炉效率和降低 （或限制）NOx 排放的一种经济而有效的办 法。由于锅炉设备庞大，运行条件复杂，煤种多变等因素，很难建立锅炉NOx 排放与效率 的函数模型。本文利用最小二乘支持向量机 （LS-SVM ）建立了以锅炉NOx 排放与热效率 为输出的混合模型，并对此模型进行了校验。结果表明，该模型具有调节参数少，运算速 度快，结果稳定，预测精度高等优点，可以根据燃煤特性以及各操作参数准确预报锅炉在 不同工况下的NOx 排放和效率。针对模型的多目标优化问题，采用多目标粒子群优化算法 MOPSO （multiple obje ctive particle swarm optimization ）对某工况进行优化仿真，在提高效 率的同时降低了NOx 排放。 关键词：电站锅炉，氮氧化物，效率，最小二乘支持向量机，多目标粒子群优化算法 1. 引言 降低发电成本和污染物排放是燃煤电站面临的双重要求。燃烧优化可以提高电站锅炉效 率，降低NOx排放，是一种经济而有效的措施。目前电厂最常用的多工况燃烧调整试验耗时 费力，且由于试验时间间隔较长，期间煤种多变，锅炉设备改造频繁，往往导致锅炉偏离最 佳工作状态，使得电站运行效率低，NOx排放偏高。因而建立准确的锅炉燃烧特性模型成为 指导机组运行，优化控制基础和关键。 随着计算机和人工智能技术的发展，基于人工神经网路的电站锅炉燃烧特性非线性建模 受到广泛的关注和研究[1-4] 。这些模型常被称为“黑箱”模型，即不需要了解各运行参数对NOx 排放与效率的影响关系就可建模。由于人工神经网络存在局部最小问题；结构设计 （如隐节 点数目的选择）无规则可循；学习算法收敛速度慢，叠代次数多；回避了经验风险一致收敛 于期望风险问题，泛化能力差。本文采用支持向量机来研究燃煤电站锅炉NOx排放和效率模 型，分析表明模型训练速度快，预测精度高。 针对锅炉燃烧优化的多目标的优化问题，传统的方法是采用加权因子，将多目标优化问 题转化为单目标来求解[5，6] 。这样虽然可以利用成熟的单目标优化算法来解决多目标问题， 但存在一些不可克服的缺点：每次只能得到一个Pareto解；各个Pareto解之间相互独立，不 能有效地利用以前计算的数据，计算量大；依赖决策者的先验知识来改变加权系数，不可避 免地可能漏掉更好的Pareto解。本文采用多目标粒子群算法克服了上述问题，实现了锅炉高 效低NOx排放的多目标优化。 2. 电站锅炉NOx排放与效率的混合模型 2.1 最小二乘支持向量机 支持向量机 （SVM ）是Vapnik[7]等人在统计学理论的基础上提出的一种用于分类与函数 逼近问题的机器学习方法。它采用的结构风险最小原理兼顾了训练误差和泛化能力，能较好 解决小样本、非线性、高维数等问题。另外，支持向量机算法本身是一个凸优化，其局部最 优解一定是全局最优解，克服了基于梯度法的神经网络泛化能力差，易陷于局部最小的问题。 正因为其优越的学习能力，支持向量机在机器学习界已成为研究的热点，并在很多领域得到 -1- 了成功的应用。近年，Suykens[8]提出了最小二乘支持向量机 （LS-SVM ），它把支持向量机 的学习问题转化为解线性方程组问题，减少了计算复杂度，具有较快的运算速度。 最小二乘支持向量机进行函数估计的算法[9] ： l { } n x , y x y