人工智能技术在电站锅炉燃烧优化中的应用研究

[摘 要]从优化方法谈，我国人工智能控制算法真正在工业应用的成果不多，大都停留在研究、试验阶段。将人工智能控制算法应用于电站锅炉燃烧优化，实现锅炉燃烧优化控制，在未来会有很大的发展，将为进一步提高电厂燃煤锅炉的热效率奠定良好的工作基础。

[关键词]人工智能技术；电站锅炉燃烧优化；技术应用

中图分类号：TK227.1；TP18 文献标识码：A 文章编号：1009-914X（2014）35-0093-01

当前，我国电力行业正在由计划经济体制逐步向市场经济体制过渡，发电企业一方面面临厂网分开、竞价上网的电力市场竞争，另一方面由于能源紧张导致煤价上涨，生产成本进一步加大。因此发电企业迫切要求挖掘机组运行的潜力，提高机组运行效率，降低生产成本，提高企业竞争能力。同时，随着国家对电站NOx排放的限制，如何有效降低NOx排放的技术也是电厂当前关注的热点。

锅炉是实现能源转化的主要设备之一，在能源工业中起着重要的作用。电力、机械、冶金、化工、纺织、造纸、食品等行业及民用采暖都需要锅炉供给大量的蒸汽。据不完全统计，能源浪费很严重，每年多燃用原煤600Ot，这其中一大部分是煤粉炉。基于这种情况，世界各国的专家学者一直试图找到可行的方法来提高锅炉的热效率，保持其燃烧的经济性。

由于人工智能技术在电站锅炉燃烧优化中能够有效提高机组运行效率，降低发电成本，并能够降低锅炉NOx排放，因此受到发电企业的普遍关注。

电站锅炉燃烧是个复杂的物理化学过程，涉及到燃烧学、流体力学、热力学、传热传质学等学科领域。电站锅炉燃烧产物（简称排放物）的生成机制很复杂，受多种因素的制约，诸如煤种、锅炉热负荷、风煤比、配风方式、炉膛温度以及其分布的均匀性等。锅炉燃烧过程具有非线性、强耦合、大延迟、大热惯性和时变多变量的特征，是复杂的热力反应过程，其输入与输出参数间存在的强烈非线性关系。

由于电力市场的原因，使得很多燃煤机组参与调峰，因此仅仅考虑锅炉燃烧的稳态优化是不够的，一个能够长期投运有效的燃烧优化人工智能控制软件必须能够实现机组动态变化过程中的燃烧优化控制。

燃料在锅炉的炉膛中燃烧释放热能，经过金属壁面传热使锅炉中的水转化成具有一定压力和温度的过热蒸汽，随后把蒸汽送入汽轮机，由汽轮驱动进行发电。人工智能化燃烧优化技术能够有效提高锅炉燃烧的效率并减少污染。

从锅炉燃烧优化技术角度看，锅炉燃烧优化技术可以分为三类：第一类通过在线检测锅炉燃烧的重要参数，指导运行人员调节锅炉燃烧，这类燃烧优化技术目前在国内占据着主导地位。第二类燃烧优化技术是在DCS的基础上，作为锅炉运行的监督控制系统，通过采用先进的控制逻辑、控制算法或人工智能技术，实现锅炉的燃烧优化。随着先进控制和人工智能技术的逐步成熟和在工业上成功的应用，这类燃烧优化技术发展迅猛。第三类燃烧优化技术在设备层面，通过对燃烧器、受热面等的改造实现锅炉的燃烧优化调整。上述三类技术在实际中各有优点和应用，但其中第二类技术成为很多电厂首选的燃烧优化技术。

我国经济发展逐渐从粗放型转入集约型，对电站锅炉的燃烧不仅要追求经济效益还要实现安全性及环保性。20世纪70年代测量技术的改进有效促进煤炭燃烧效率的提高。先进的燃烧优化技术是煤炭消耗降低的重要原因之一。

人工智能技术应用于电站锅炉燃烧优化中，着重针对我国电站锅炉的燃烧特点进行了研究。应用人工智能神经网络技术设计的燃煤电厂燃烧优化控制系统，主要功能是以提高锅炉热效率和降低NOx排放为目标的稳态优化。人工智能系统利用DCS本身具有的数据库的数据作为数据分析的基础，经过神经网络模型在线分析，迅速得出运行参数的最优值，然后输出到DCS，DCS系统通过控制偏移量，进而实现NeuSIGHT对锅炉燃烧的优化控制。

从国外的情况看，人工智能控制算法已经开始在电站锅炉燃烧优化上实现大规模应用，取得了很好的效果。日本的某些人利用燃烧区域火焰图像处理技术对燃煤锅炉炉膛出口未燃尽炭进行预测，根据得到的预测值调整锅炉的燃烧，使锅炉热效率提高了3%。

人工智能技术应用于电站锅炉燃烧优化中解决了下述问题：一，锅炉燃烧煤质的自动辨识问题。煤质多变是我国电站锅炉的特点，不同的煤质下锅炉表现出不同的燃烧特性，必须首先辨识出不同的煤质，进而进行相应的优化控制。二，锅炉运行特性的非线性动态建模问题，并研究了模型的自适应更新问题。锅炉燃烧是一个非线性的动态过程，如果只是建立线性模型或者稳态模型，往往不能进行很好的燃烧优化控制，并且模型自适应也是成功进行燃烧优化控制的关键。三，基于多目标优化的锅炉运行优化控制问题。

人工智能技术主要包括人工神经元网络系统、模糊控制方法以及遗传算法。

人工神经元网络系统是人类大脑和思维活动的数字模型，它也称为神经网络、神经计算机、并行处理器。近年来人工神经元网络理论研究及其在锅炉燃烧优化领域中的应用特别引人注目，并取得了可喜的成绩。

神经网络系统是一套在线、实时、闭环控制的锅炉燃烧优化系统，该系统最初采集与燃烧优化过程相关的特殊数据，以建立相关的神经网络模型，用于系统的控制和优化。多达1000个输入变量，例如：机组出力、排放、运行环境、设备性能等，可以应用于模型，来分配和平衡炉内燃料量与空气量，达到燃烧优化控制的目的）燃烧优化控制系统引入到电厂燃烧控制这一重要领域。只需在电厂现有的DCS、PLC、DDC控制系统的基础上，嵌入NeuSIGHT系统，既利用了原有DCS控制系统采集的锅炉参数，又利用了先进的控制分析软件对数据进行优化处理，达到燃烧控制优化目的。

模糊控制方法是模仿人脑思考方式，根据人的经验对燃烧系统进行计算内部规划参数，它对人的知识经验有很强的依赖性，在对其进一步改造时，也是依据人的经验的丰富与否，这就是不便于再次开发的原因。但是，由于其实用性强、算法简单、跟踪迅速等，因此，在当今还是有很广泛的应用。遗传算法是根据达尔文的进化论观点演化而来的，采用概率寻优。从理论上讲，最优控制也只是在概率的接近最优，按照一定的适应度去接近最优化，遗传算法的策略大多是针对特定的问题求解而言，而且首先需要系统模型的构建，而锅炉燃烧模型又是简化的，这便注定了算法偏差的存在。运用神经网络方法优化系统时，可以不必建立系统的模型，通过改进算法，控制DCS的动作，这无疑使系统改造方面变得简化，是解决问题的一个新途径。自寻优方法使用了经典控制理论，把智能自寻优控制器利用到系统中去，把两套系统即PID系统、智能寻优系统通过监测时段的不同巧妙的结合起来，使系统有很好的动态性能。可以说，这种方法很适合一些老的燃烧系统的优化改造，因为它保留了部分老的PID系统，又把人工智能应用到系统中来，节约了资金，提高了燃烧效率。以炉膛热量信号为被控量的风煤比模糊自寻优控制算法，引入用于优化燃烧状态的智能控制系统，以取代传统的燃烧控制系统。

遗传算法（GeneticAlgorithm）是一类借鉴生物界的进化规律（适者生存，优胜劣汰遗传机制）演化而来的随机化搜索方法，由美国的J.Holland教授1975年首先提出，其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定，具有内在的并行性和更好的全局寻优能力，采用概率化的寻优方法，能自动获取指导优化的搜索空间，自适应地调整搜索主向，不需要确定的规则。遗传算法的这些性质，已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。它是现代有关智能计算中的关键技术之一。

从优化方法谈，我国人工智能控制算法真正在工业应用的成果不多，大都停留在研究、试验阶段。将人工智能控制算法应用于电站锅炉燃烧优化，实现锅炉燃烧优化控制，在未来会有很大的发展，将为进一步提高电厂燃煤锅炉的热效率奠定良好的工作基础。

参考文献

[1]吴智群，黄廷辉，胡洪华，吕文良.电站锅炉智能燃烧优化技术的应用研究.热力发电.2008.09期

[2]王兴龙，姜志锋，李哲安.先控技术在电站锅炉燃烧优化中的应用.能源工程.2013.01期

[3] 孔亮，张毅，丁艳军，吴占松.电站锅炉燃烧优化控制技术综述.电力设备.2006.02期

作者简介

王贵忠（1983―），男，吉林省人，毕业于东北电力大学，助理工程师，现从事火力发电厂集控运行工作。