摘要：

隨著環境保護要求的日益嚴格和燃煤價格的不斷上漲，在“廠網分開，競價上網”的運行機制下，電站鍋爐面臨降低運行成本與降低污染物排放的雙重要求，高效率、低污染的燃燒優化技術口益引起人們的關注。大量實踐經驗表明，通過燃燒調整可以獲得較高的燃燒效率和降低NOx排放量，是一種經濟而有效的辦法。

鍋爐燃燒調整的主要任務是根據不同的負荷和煤種，進行合理的配風、配煤。但是影響鍋爐熱效率與NOx排放的因素很多，如煤質特性、負荷、配風方式、燃燒器型式、護溫、過剩空氣系數、煤粉細度等，而燃燒調整試驗一般只能做有限的幾個工況點，因此鍋爐實際運行工況一般與試驗工況有較大差異。如果仍根據原有的優化運行規程進行燃燒調整必然會造成偏差，因此需要建立鍋爐熱效率和NOx排放優化模型，用于指導電站鍋爐的經濟運行。

一般而育，煤粉高效棋燒與NOx低排放是互為矛盾的，但理論上存在一個最佳點，而燃燒調整試驗往往難以確定這個點，運行人員只能根據自己長期積累的經驗進行調整.這就給燃燒調整操作帶來很大隨意性。很多燃燒優化方案僅僅只是針對燃燒效率或者NOx低排放中某一個或兩者的其種加權和進行優化，兩者不能兼顧且需要依賴試驗人員根據經驗來設定加權系數。本文采用多目標遺傳算法對這一優化問題進行求解，優化結果可以同時兼顧鍋爐高效率燃燒與NOx較低的排放水平，直觀地反應燃燒效率和污染物排放量，實現最大的綜合效益。

一、鍋爐燃燒優化問題的神經網絡模型

1.1 人工神經網絡模型

在多種神經網絡模型中，較為常用的是BP網絡模型，其網絡模刮結構見圖1。網絡由一個輸入層、若干個隱含層和一個輸出層組成，每一層均有一個或多個神經元節點，信息從輸入層依次經各隱含層向輸出層傳遞，層間的連接關系強弱由連接權值來表征。通過樣本集對網絡的連接權進行調整，以使得網絡實現給定的輸入一輸出映射關系。連接權的調整采用反向傳播學習算法，即BP算法。BP算法采用梯度搜索技術，使網絡的實際輸出與期望輸出的均方差達到一定的要求。

BP網絡的主要優點是：網絡結構簡單，算法易于編程實現;只要有足夠的隱層和隱節點，BP網絡可以逼近任意的非線性映射關系;BP網絡的學習算法屬于全局逼近的方法，因而具有較好的泛化能力。

1.2 基于BP網絡的燃燒優化模型

鍋爐的燃燒過程是一個復雜的物理、化學過程，影響因素眾多，且具有強耦合、非線性等特征，對于這些復雜的過程，難以用機理模型來描述。基于神經網絡的模型屬于黑盒模型，其模型輸入一輸出之間的非線性函數關系由神經網絡實現。

本文利用文獻提供的性能試驗結果建立鍋爐的神經網絡模型。模型以煤種特性、煤粉細度、磨煤機數量、排煙溫度和爐膛出口氧體積分數為輸入，以鍋爐效率和NOx排放為輸出，見圖2。

神經網絡訓練的所有樣本數據從電廠煤質分析和DCS系統中采集，具體數據見表1。

利用文獻提供的燃燒特性數據，建立BP神經網絡的響應模型。輸入和輸出層分別為11個輸入節點和2個輸出節點，共13組試驗工況，其中前12組作為訓練樣本，第13組樣本用來驗證模型的準確性。神經網絡的訓練結果見圖3, 訓練樣本和驗證樣本均勻分布在基準線附近，模型的估計值很好地逼近了非線性系統輸出的實際值，較好地反映了鍋爐燃燒特性。