论文部分内容阅读
将智能算法应用于锅炉燃烧多目标优化是节能减排的重要措施,本文基于多种智能算法,对锅炉燃烧进行多目标优化。首先,以某660MW燃煤锅炉为研究对象,利用BP人工神经网络建立该锅炉660MW负荷下的燃烧特性预测模型,以23维锅炉燃烧运行参数为输入,锅炉热效率和NO_x排放量为输出。所建模型训练误差在-1.1′10-9~1.33′10-9之间,NO_x排放校验样本的绝对值平均误差为3.0398%,锅炉热效率的校验样本的绝对值平均误差为0.1129%,该预测模型具有较高的精确性和良好的泛化性。基于该燃烧预测模型,建立锅炉燃烧优化模型,优化算法采用遗传算法,其中,利用权重系数法将多目标优化问题转化为单目标优化问题,并且在不同的权重比例系数(0.1-0.9、0.2-0.8、0.3-0.7、0.4-0.6、0.5-0.5、0.6-0.4、0.7-0.3、0.8-0.2)下分别进行优化,不同权重比例下的优化结果不同,随着NO_x排放量与锅炉热效率的权重比例由1-9逐步增加到8-2,NO_x排放量的值由176mg/m3逐步下降到111 mg/m3,锅炉燃烧的热损失由4.24%(锅炉热效率95.76%)逐步上升到6.05%(锅炉热效率93.95%),其所有解集合构成了Pareto解集,并且呈现出凹形Pareto前沿。文章第四章将基于分解的多目标进化算法引进到锅炉燃烧多目标优化中,采用切比雪夫的分解策略进行优化,优化后的NO_x排放量范围为112 mg/m3~183mg/m3,锅炉热损失为4.3%~5.8%,与传统的遗传算法相比,优化效果稍差,两种算法各有优缺点。本文同时采用另外某330MW锅炉为研究对象,首先针对该锅炉满负荷运行工况,对原有遗传算法进行改进,得到了改进的BP-GA优化模型,该模型以在锅炉热效率某个可接受范围内寻求NO_x排放的最优化为目的。取锅炉热效率的量化约束为93.5%、93%、92.5%、92%时,NO_x的值经过优化后分别降低到380mg/m3、350 mg/m3、320mg/m3、310 mg/m3左右,优化效果比较明显。针对该锅炉,基于其300MW和270MW负荷下的运行数据,借助于向量评价的遗传算法建立了两个负荷下的优化模型,300 MW工况下锅炉热效率和NO_x排放优质解集合分别为92.93%~93.64%与367 mg/m3~413 mg/m3,270 MW负荷锅炉热效率和NO_x排放优质解集合的范围分别为92.26%~93.56%和360 mg/m3~416 mg/m3,都取得了较好的优化值集合。