论文部分内容阅读
锅炉低NOx燃烧优化运行是指通过合理地组织炉内燃烧以实现低NOx排放和高效率燃烧,但炉内NOx生成的控制措施与炉内稳定燃烧及燃尽的技术原则存在不同,因此如何兼顾降低NOx排放量和提升锅炉效率使得锅炉排污和煤耗的综合成本最低是锅炉低NOx燃烧优化的目标。燃煤电站锅炉高效低NOx燃烧优化过程通常分为两个阶段:第一个阶段为建立NOx排放和锅炉效率预测模型,所建模型须能依据历史运行数据和当前运行状况映射出NOx排放和锅炉效率与锅炉各输入运行变量的变化关系;第二个阶段为利用约束优化技术求取低NOx排放的优化运行方案,然后依据此方案指导运行人员实时运行(开环模式)或在一定条件下通过集散控制系统(DCS)将优化运行方案自动输入到锅炉,调整可调运行参数(闭环模式)以实现低NOx燃烧优化运行。本文首先对燃煤电站锅炉低NOx燃烧优化运行进行了探讨和综述,它包括电站煤粉炉NOx生成机理及主要控制方法、影响电站煤粉炉NOx排放特性的主要因素、煤粉炉燃烧时NOx生成量预测及模型优化算法。然后分别以300MW机组单炉体双炉膛八角切圆和300MW机组单炉堂四角切圆燃烧锅炉为研究对象,以现场热态燃烧调整试验数据为基础,利用基于贝叶斯规范化的L-M改进BP算法建立了NOx排放特性和锅炉效率与各操作运行变量之间的经验预测模型,并对所建模型进行了预测能力的测试,测试结果表明该模型可相对快速准确地预测出锅炉实时运行工况下的NOx排放量和锅炉效率值。BP神经网络在非线性系统建模和控制方面得到广泛应用,且也已经被应用到燃煤电站锅炉NOx排放预测控制。但BP神经网络在获得训练成功的预测模型之前要求大量的、信息丰富的历史数据,它要求有计划地把锅炉实时运行数据添加到模型中,使模型不断更新以能够充分体现锅炉动态运行状况。而基于梯度下降法的BP学习算法具有建模耗费时间长和容易陷入“过拟合”的缺陷,从而限制了模型的更新和预测推广能力。为解决此问题,文中研究了利用具有计算速度快、泛化能力强的最小二乘支持向量机建立了NOx排放特性和锅炉效率的预测模型,并将其与利用BP神经网络建立的预测模型作了比较,结果表明前者既能够准确预测在不同运行工况下的NOx排放量又具有更强的泛化能力,与其它建模方法相比该方法更适合NOx排放的在线预测。建立NOx排放特性和锅炉效率的预测模型后,文中结合所建模型和遗传算法实现了三种不同优化目标下的运行方案优化搜索,优化目标分别是:单独优化NOx排放量、单独优化锅炉效率及兼顾NOx排放量和锅炉效率实施综合优化。所得优化运行方案具有实际可操作性,可为锅炉低NOx燃烧优化运行的闭环/开环控制提供模型基础。