基于降低飞灰含碳量的火电厂锅炉燃烧过程运行优化研究

燃烧过程运行优化研究
黄林敏
（国能（泉州）热电有限公司，福建 泉州 362800）
摘要：将某300MW火电厂的DCS数据作为分析对象，以降低锅炉燃烧过程的飞灰含碳量为研究目标，通过主成分分析法筛选出主要的锅炉工况参数，将其作为BP神经网络的输入层，进而预测飞灰含碳量与工况参数之间的关系。

再利用狼群算法对锅炉运行参数进行寻优，依托MATLAB实施模型训练和检验，经过多次迭代后达到收敛，并且飞灰中的含碳量明显下降。

关键词：飞灰碳含量；火电锅炉；燃烧过程；运行优化
Ｏｐｔｉｍｉｚａｔｉｏｎ　ｏｆ　Ｂｏｉｌｅｒ　Ｃｏｍｂｕｓｔｉｏｎ　Ｐｒｏｃｅｓｓ　Ｏｐｅｒａｔｉｏｎ　ｉｎ　Ｔｈｅｒｍａｌ　Ｐｏｗｅｒ　Ｐｌａｎｔｓ　Ｂａｓｅｄ　ｏｎ　Ｒｅｄｕｃｉｎｇ　Ｃａｒｂｏｎ　
Ｃｏｎｔｅｎｔ　ｉｎ　Ｆｌｙ　Ａｓｈ　ｒｅｓｅａｒｃｈ
Huang Linmin
(Guoneng (Quanzhou) Thermal Power Co�, Ltd�, Quanzhou 362800, China)
Abstract: Taking the DCS data of a 300MW thermal power plant as the analysis object, with the aim of reducing the carbon content in fly ash during the boiler combustion process as the research objective, the main boiler operating parameters were selected through principal component analysis, which was used as the input layer of the BP neural network to predict the relationship between the carbon content in fly ash and operating parameters. Then, the wolf swarm algorithm was used to optimize the operating parameters of the boiler, and the model was trained and tested using MATLAB. After multiple iterations, convergence was achieved, and the carbon content in fly ash significantly decreased.
Key Words: Carbon content of fly ash; Thermal power boilers; Combustion process; Operational optimization
作者简介：黄林敏（1988-），男，福建莆田人，助理工程师，研究方向：火力发电。

煤粉燃烧不充分是导致飞灰中含碳量偏高的直接原因，由此也造成了化石燃料的浪费。

锅炉运行的工况参数影响煤粉的燃烧程度，各类参数之间存在耦合作用机制，在调节过程中形成了相互制约性。

以算法为基础的计算机模拟方法能够建立科学的锅炉燃烧过程模型，进而在此基础上实现各类参数的综合调节，达到降低飞灰含碳量的目标，探索相关的算法具有突出的工程实践价值。

1　火电锅炉燃烧过程工况参数对飞灰 含碳量的影响预测
1.1　确定影响飞灰含碳量的锅炉燃烧过程主变量1�1�1　飞灰碳含量相关的锅炉工况参数
在锅炉燃烧系统中，煤粉与O2发生化学反应，其主要产物为CO2，在燃烧不充分的情况下，还可能生成CO，部分残留碳未发生反应，随飞灰排向大气。

以某300MW锅炉的四角切圆燃烧系统为例，影响飞灰碳含量的因素包括煤粉细度、灰分含量、配风方式、一次风速、二次风挡开度、煤种等。

1�1�2　影响飞灰碳含量的主变量
飞灰含碳量过高是各种工况参数共同作用的结果，但不同工况参数的影响程度有所差异。

为了构建飞灰含碳量预测模型，首先要确定主要影响因素，减少模型输入参数的数量，降低模型复杂度[1]。

以下利用主成分分析法（PCA）确定模型中的主要输入变量。

（1）主成分分析的应用原理。

假设存在n组数据样本，每组样本中含有n个值，则数据样本可表示为n×n的矩阵，该矩阵中的任一元素可表示为x ij，于是有i，j∈[1，n]。

可将该矩阵表示成n维的随机样本x，则有x=（x1，样本集x表示为矩阵，其结构形式如下：
C
x
n
n
n n nn
X
C C C
C C C
C C C
==
cov()
11121
21222
12
（1）式中，C x为协方差矩阵，C ij的计算方法如下：C
x x
ij
n
ik jk
=
⋅
−
=
∑~~
（2）
C ij表示样本集x中同一列的第i个指标与第j个指标的相关系数，C ij = C ji，C ii = 1。

计算C x的特征值λ1，λ2，…，λi，…，λn，与λi对应的特征向量为
u i，i∈[1，n]，按照从大到小的顺序对特征值进行排序。

从影响因素中选出p个主成分，先计算特征值λi的信息贡献率b i，再计算对应的累积贡献率αp，当αp≥0.85时，认为主成分选择合理[2]。

b i和a p 表达式如下：
∑
=
=
p
k
j
i
i
b
1
/λ
λ （3）
∑∑
==
=
p
i
n
j
j
i
p
11
/λ
λ
α （4）（2）主变量确认。

在初始阶段，设置40个有可能影响飞灰含碳量的因素，包括四角的进风压力（记为x1、
x
2
、x3、x4）、燃烧器摆角（x5）、燃尽风门开度（x6）、膛温（x7）、膛压（x8）、一次风速（x9）、灰分含量（x10）、四角煤粉浓度（x11、
x
12
、x13、x14）等。

按照主成分分析法计算40个参数对飞灰含碳量影响的贡献度，表1为各因素贡献度的示例。

将x1～x20选为主成分，20项因素的累积贡献率计算结果为0.97，超过了0.85，说明所选因素合理，可作为模型输入的主变量。

表1　飞灰含碳量影响因素主成分分析的贡献率计算结果示例
影响因素x1x2x3x4x5x6x7贡献率0.0830.0800.0760.0750.0730.0700.068
在飞灰含碳量预测中采用BP神经网络技术，将主成分分析确定的主要影响因素作为输入层变量，涵盖燃烧器摆角、煤粉的精细度、煤粉送入炉膛的浓度、锅炉负荷水平、灰分等，输出层为锅炉燃烧飞灰中的含碳量[3]。

以计算机程序实现算法训练，下面分析具体的实施过程。

（1）收集数据。

以输入层工况参数为依据，从火电厂的DCS 系统中收集各参数的运行数据，总量为1000组，其中900组用于模型训练，剩余100组用于模型检验，表2为数据示例。

表2　火电厂锅炉工况参数运行数据示例
工况挥发分(%)灰分含量(%)
一次风速(m/s)
负荷(MW)
热风温度(℃)
煤粉细度R90(%)
129.6613.5926.7220308.913.11228.3411.7727.4180307.212.903
31.25
8.599
33.5
270
311.4
13.78
（2）数据预处理。

为了降低计算机的运算量，采用min-max方法对初步采集的数据进行归一化处理，计算方法如下：
k
k k x x x x x −−=
∗max min
（5）
式中，将同类工况参数中的最大和最小数值分别记为x max 、x min ，x k 为待处理的数据，预处理结果为x k *。

1�2�2　预测过程实现
（1）确定隐含层节点数量。

隐含层的节点数量记为l ，其计算方法为
α++=m n l ，n 表示输入层节点数量，m 为输出层节点数量，α为常数，α∈[1，10]。

n 和m 数值固定，但α取值需要通过最佳决定系数进行确定。

对α取不同值，结果显示，l =10时，决定系
数R =0.9612，为最佳值。

因此隐含层节点数量为10个。

（2）算法实现及结果分析。

模型训练采用MATLAB，该软件中集成了多种函数，可使用newff函数实现BP神经网络，将预处理后的数据输入训练模型，分析锅炉燃烧工况参数与飞灰含碳量的关系，结果如下：
①飞灰含碳量与热风温度呈负相关，提高热风温度有利于降低飞灰含碳量。

②燃烧器摆角角度与飞灰含碳量呈正相关，降低摆角角度有利于降低飞灰含碳量。

③锅炉负荷水平与飞灰含碳量呈负相关，提高负荷水平有利于降低飞灰含碳量。

④在0～21.8%之间提高一次风率，可降低飞灰含碳量，超过21.8%后，飞灰含碳量随一次风率的提高而上升，相应的算法预测数据如表3所示。

表3　一次风率对飞灰含碳量的算法预测结果
一次风率（%）121416182021.8222426飞灰含碳量（%）
5.25
4.58
3.51
2.71
2.39
2.29
2.36
2.509
2.78
2　降低飞灰含碳量的锅炉燃烧过程运行优化
飞灰含碳量受到多种因素的综合作用，且各
种工况参数之间存在一定的耦合关系，调整某一参数有可能影响其他参数，以降低飞灰含碳量为目标，需要采取有效的算法，寻找该问题的最优
测模型的基础上，采用狼群算法求出最优解。

2.1　狼群算法的应用原理和实施过程2�1�1　狼群算法的应用原理介绍
（1）选择头狼。

狼群算法模拟了狼群的捕猎过程，头狼的选择是其中的关键环节。

在初始阶段和算法迭代过程中，每次都要对比狼群中每个个体的适应度，始终将适应度最佳的个体作为头狼[4]。

（2）游走行为。

狼群中分为头狼和探狼，均能感知猎物浓度，将第i 匹探狼感知到的猎物浓度记为Y i ，头狼对应Y leader ，用于表征狼与猎物之间的距离，其值越大，则距离越小。

每次迭代，均对比Y leader 和Y i ，若Y i ＜Y leader ，则探狼向前游走一个步长。

探狼向方向p 前进后，其在d 维空间内的位置可表示为：
x x p h step id p
id a
d =+××sin(/)2π （6）
式中，h 为随机整数，与搜索精度、速度相关；
step a d 为游走的步长；x id 为第i 匹探狼在维度d 上的位置；式中的三角关系为游走方向。

（3）召唤行为。

每次游走之后，都要重新评估头狼，此时需要召唤猛狼，在迭代k +1次后，猛狼在空间维度d 上的位置可表示如下：
x
x step g x jd
k jd k b
d d k jd k d jd
+=+⋅
−−1
（7）
式中，step a
d 为猛狼移动的步长，与之相乘的部分代表猛狼向头狼方向的移动；将第k 头猛狼在d 维空间中的位置表示为g d
k ；第k 头猛狼目前所在的位置
记为x jd k。

（4）围攻行为。

猛狼感受到头狼的呼唤，立刻向头狼位置靠近，在移动的过程中，若其发现猎物的适应度更高，则替代头狼的位置，指挥其他狼的行动，对猎物进行围攻，相应的表达方式为：
x
x step G x id k id k c d d k id
k +=+⋅⋅−1λ （8）
于-1到1的随机系数；将猎物在d 维空间的位置记为
G d k
；攻击前狼在d维空间所在的位置记为x id k [5]。

2�1�2　狼群算法在锅炉燃烧模型优化中的实施 步骤
（1）建立目标函数。

研究目标是通过锅炉燃烧过程运行优化降低飞灰中的含碳量，因此目标函数必须反映出不同锅炉燃烧工况与飞灰含碳量的关系。

狼群算法以输出为目标，反向确定最优的输入参数，其目标函数和表示为：
()(,,),i i Min C f x x X =∈w v
（9）
式中，将飞灰中的含碳量记为C ；f 为BP神经网络模型；输入层和隐含层之间的权值矩阵记为w ；隐含层与输出层之间的权值矩阵记为v ；待优化的锅炉燃烧工况参数记为x i 。

（2）设置工况参数的约束条件。

在降低飞灰含碳量的过程中，必须保证火电厂发电需求、安全运行，因而要对工况参数的调节范围进行限制。

例如，炉膛压力不可超过安全阈值，排烟温度不能超过上限值。

（3）实施优化过程。

将算法的总迭代次数、狼群的种群规模、单匹狼的最大搜索次数、探狼数量分别设设定为400次、40匹、20次、10匹。

在MATLAB中设置相关参
数，执行算法程序。

2.2　基于狼群算法的飞灰含碳量优化结果分析
通过观察适应度的变化，判断算法的优化程度，当适应度不再变化时，算法达到收敛条件。

经检测，当迭代次数为20次时，适应度达到稳定。

锅炉燃烧工况与飞灰碳含量的迭代数据如表4所示。

从表中可知，在狼群算法的寻优迭代之下，锅炉的主要工况参数随之变化，一次风速和燃烧器摆角逐渐下降，一次风率和煤粉浓度逐渐升高，在迭代至20次时达到最优解，飞灰含碳量从6.88%下降至3.32%，达到了最初的优化目标。

迭代次数一次风速（m/s）一次风率（%）煤粉浓度(kgc/kga)燃烧器摆角( °)飞灰含碳量占比（%）134.314.70.3689.7 6.88
431.914.10.3679.4 5.34
830.616.80.3779.3 4.63
1229.317.10.3829.1 4.34
1626.418.10.3888.9 3.57
2027.817.50.3978.4 3.32
3　结语
研究过程利用主成分分析法确定了影响飞灰含碳量的主要锅炉燃烧工况参数，包括煤粉细度、一次风速、燃烧器摆角、炉膛内的煤粉浓度等，将这些参数作为BP神经网络的输入层，计算出隐含层的节点数量，利用电厂DCS数据训练模型，预测各类工况参数与飞灰含碳量的关系。

最后借助狼群算法从反向优化输入层的工况参数，对比迭代后的飞灰含碳量，进而确定最优的参数取值，将其作为电厂锅炉调节的依据。

参考文献
[1]刘德宝,朱珈汛,赵文广,等.计及火电机组深度调
节的含蓄热电锅炉的多源优化调度[J].吉林电力,2022,50(1):24-28.
[2]杨琛琛,苏博,蔡丹,等.超超临界1000MW火电机组
锅炉主控逻辑优化思路探讨[J].工业控制计算机,2022,35(01):23-25+28.
[3]杨玉龙,魏宇含.基于改进粒子群的风电-火电-蓄热
电锅炉联合优化调度[J].电测与仪表,2022,59(12): 117-123.
[4]孔令鹏.火电机组锅炉运行对大气污染物排放控制措
施探讨[J].科学技术创新,2018(29):174-175.
[5]徐凯,魏响.超临界火电机组锅炉管寿命评估知识库
构建[J].冶金与材料,2021,41(2):133-135.。