楊建國(guó)， 葉凌云， 趙 敏， 趙 虹， 酈宜進(jìn),李 敏， 俞 逾， 鄧芙蓉

(1. 浙江大學(xué) 能源清潔利用國(guó)家重點(diǎn)實(shí)驗(yàn)室， 杭州 310027； 2. 浙江浙能蘭溪發(fā)電有限責(zé)任公司，浙江蘭溪 321100； 3. 浙江天地環(huán)保工程有限公司， 杭州 310003)

基于煤種摻燒模式的鍋爐燃燒NOx預(yù)測(cè)模型

楊建國(guó)1， 葉凌云1， 趙 敏1， 趙 虹1， 酈宜進(jìn)2,李 敏2， 俞 逾2， 鄧芙蓉3

(1. 浙江大學(xué) 能源清潔利用國(guó)家重點(diǎn)實(shí)驗(yàn)室， 杭州 310027； 2. 浙江浙能蘭溪發(fā)電有限責(zé)任公司，浙江蘭溪 321100； 3. 浙江天地環(huán)保工程有限公司， 杭州 310003)

結(jié)合某660 MW鍋爐入爐煤種煤質(zhì)、磨煤機(jī)組合方式、配風(fēng)方式和鍋爐運(yùn)行參數(shù)等，利用支持向量機(jī)建立了鍋爐燃燒NOx預(yù)測(cè)模型，并利用該模型進(jìn)行了應(yīng)用模擬，在保持其他參數(shù)不變的情況下，研究了氧體積分?jǐn)?shù)、燃盡風(fēng)率、配風(fēng)方式、煤種及磨煤機(jī)組合方式對(duì)NOx質(zhì)量濃度的影響.結(jié)果表明：模型具有較好的準(zhǔn)確性和泛化能力以及理想的調(diào)節(jié)性能；模型包含煤種及磨煤機(jī)組合方式信息，對(duì)于煤種煤質(zhì)多變機(jī)組，提高了預(yù)測(cè)NOx質(zhì)量濃度的準(zhǔn)確性，這對(duì)降低NOx質(zhì)量濃度和保證穩(wěn)定燃燒的優(yōu)化調(diào)整，尤其是對(duì)指導(dǎo)入爐煤調(diào)配及煤炭采購(gòu)甚至實(shí)現(xiàn)“智慧燃料”具有重要意義.

爐內(nèi)摻燒； NOx； 預(yù)測(cè)模型； 支持向量機(jī)； 多煤種； 磨煤機(jī)組合方式

NOx是燃煤鍋爐排放的主要?dú)怏w污染物之一，隨著環(huán)保意識(shí)和要求的提升，燃煤機(jī)組超低排放已受到廣泛的重視與應(yīng)用，其中NOx排放質(zhì)量濃度上限由國(guó)家標(biāo)準(zhǔn)規(guī)定的最低限值100 mg/m3進(jìn)一步降低到50 mg/m3[1-2].目前，燃煤電廠一般采取低NOx燃燒技術(shù)與煙氣選擇性催化還原(SCR)脫硝技術(shù)相結(jié)合來(lái)控制NOx排放[3].過(guò)低地控制NOx濃度會(huì)影響鍋爐的安全經(jīng)濟(jì)運(yùn)行[4]，過(guò)高的脫硝效率可能會(huì)導(dǎo)致氨逃逸率增加從而帶來(lái)空氣預(yù)熱器運(yùn)行的安全隱患[5-6]，因此低NOx燃燒控制與SCR脫硝效率之間存在協(xié)調(diào)關(guān)系[7].另外，由于SCR脫硝的噴氨與反應(yīng)具有一定滯后性[8]，當(dāng)NOx濃度變化較大時(shí)，很容易導(dǎo)致SCR出口NOx濃度短時(shí)間超標(biāo)，因而有時(shí)在實(shí)際運(yùn)行中不得不提高穩(wěn)態(tài)下的脫硝效率使NOx排放濃度更低.燃煤鍋爐的NOx生成特性較為復(fù)雜，與燃燒器結(jié)構(gòu)形式[9]、鍋爐運(yùn)行控制(如鍋爐負(fù)荷、氧量、燃盡風(fēng)率、配風(fēng)方式、磨煤機(jī)組合方式等)[10]、燃用的煤種[11]及其摻燒的上煤方式[12]等都有密切關(guān)系，如果能夠預(yù)測(cè)NOx濃度及其關(guān)鍵影響因素，則對(duì)燃燒優(yōu)化控制、入爐煤優(yōu)化調(diào)配和SCR優(yōu)化運(yùn)行等具有顯著意義.

劉吉臻等[13-14]應(yīng)用支持向量機(jī)(SVM)和神經(jīng)網(wǎng)絡(luò)(ANN)等多種非線性數(shù)學(xué)工具建立了鍋爐燃燒NOx預(yù)測(cè)模型，但是基本上沒(méi)有考慮入爐煤種對(duì)NOx的影響，這對(duì)煤種穩(wěn)定的機(jī)組的影響可能不大；而對(duì)煤種變化較大的機(jī)組的影響則不容忽視，甚至煤種對(duì)NOx的影響超過(guò)燃燒調(diào)整對(duì)NOx的影響[11,15].Smrekar等[16]提出在構(gòu)建模型時(shí)需要考慮燃料變化、燃煤機(jī)組的運(yùn)行狀況及蒸汽參數(shù)等因素.煤種因素被忽略的主要原因在于目前絕大多數(shù)電廠的燃料數(shù)據(jù)不能與鍋爐運(yùn)行數(shù)據(jù)自動(dòng)實(shí)時(shí)關(guān)聯(lián)，數(shù)據(jù)采集難度較大，實(shí)際應(yīng)用中也得不到實(shí)時(shí)入爐煤數(shù)據(jù).隨著智慧電廠、數(shù)字化煤場(chǎng)及智慧燃料等概念的興起與技術(shù)的逐步深入，“燃料為鍋爐服務(wù)”逐漸得到關(guān)注，只有建立包含燃料信息的鍋爐效率與NOx濃度等預(yù)測(cè)模型，更加完善的鍋爐燃燒優(yōu)化、煤炭摻配摻燒優(yōu)化和燃料采購(gòu)優(yōu)化等“智慧”功能才能真正得以實(shí)施.

筆者綜合考慮煤種、磨煤機(jī)組合方式和配風(fēng)方式等影響NOx質(zhì)量濃度的關(guān)鍵因素，以某660 MW鍋爐為研究對(duì)象，建立鍋爐燃燒NOx預(yù)測(cè)模型，并進(jìn)行驗(yàn)證分析，以用于指導(dǎo)鍋爐燃燒優(yōu)化、SCR優(yōu)化控制和入爐煤摻配摻燒等.

1 模型算法

支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用廣泛的預(yù)測(cè)建模工具.支持向量機(jī)采用結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理，模型更具泛化性，與神經(jīng)網(wǎng)絡(luò)模型相比避免了在小樣本條件下神經(jīng)網(wǎng)絡(luò)模型出現(xiàn)的過(guò)學(xué)習(xí)和低泛化現(xiàn)象，模型預(yù)測(cè)效果更好[17]，因此采用支持向量機(jī)建立鍋爐燃燒NOx預(yù)測(cè)模型.

在非線性回歸情況下，支持向量機(jī)可以采用一個(gè)核函數(shù)將數(shù)據(jù)映射到高維特征空間中，然后在高維特征空間中進(jìn)行線性回歸，以獲得相關(guān)的函數(shù)關(guān)系[18].對(duì)于非線性回歸情況，Huang等[19]建議支持向量機(jī)建模中采用高斯核函數(shù)，因此本文中核函數(shù)也采用高斯核函數(shù).支持向量機(jī)建模中除了核函數(shù)需要人為設(shè)定之外，相應(yīng)的核函數(shù)參數(shù)g和懲罰系數(shù)C也要進(jìn)行設(shè)定.g和C的取值并沒(méi)有統(tǒng)一的方法，一般通過(guò)各種尋優(yōu)算法來(lái)確定其最優(yōu)組合，如利用遺傳算法(GA)和交叉驗(yàn)證法相結(jié)合的方式確定合適的(C，g)參數(shù)組合[20].

2 鍋爐燃燒NOx預(yù)測(cè)模型

2.1研究對(duì)象

研究對(duì)象為Bamp;WB-1903/25.40-M超臨界鍋爐，燃燒器布置方式為前后墻對(duì)沖燃燒，共3×2層燃燒器和1×2層燃盡風(fēng)噴口.其中每層有6只燃燒器，每只燃燒器通過(guò)相應(yīng)的小二次風(fēng)門來(lái)調(diào)節(jié)相關(guān)的配風(fēng).機(jī)組配備6臺(tái)磨煤機(jī)(編號(hào)為A、B、C、D、E、F)，對(duì)應(yīng)的燃燒器自下而上前墻為C、A、F，后墻為D、B、E.鍋爐設(shè)計(jì)煤種為淮南煙煤，校核煤種為煙混煤，實(shí)際燃用煤種主要有優(yōu)混煤、蒙煤和澳煤等.

2.2模型輸入輸出參數(shù)選擇

針對(duì)特定的機(jī)組，一些固定設(shè)備或手動(dòng)調(diào)節(jié)設(shè)備在運(yùn)行中基本不變，因此燃燒器類型、旋流強(qiáng)度、煤粉細(xì)度及煤粉分配均勻性等因素雖然影響燃燒，但可作為固定參數(shù)予以忽略，僅考慮運(yùn)行中的可調(diào)變量，將其作為輸入?yún)?shù).

模型中考慮了煤種對(duì)鍋爐燃燒的影響，尤其是對(duì)鍋爐燃燒有顯著影響的關(guān)鍵煤質(zhì)參數(shù)，主要包括w(Mad)、w(Vdaf)、w(FCad)、w(Aar)和Qnet,ar等.每臺(tái)磨煤機(jī)分別對(duì)應(yīng)一個(gè)煤種，采用磨煤機(jī)給煤量來(lái)確定磨煤機(jī)的運(yùn)行狀態(tài)，采用煤質(zhì)與給煤量來(lái)確定磨煤機(jī)的組合方式.

對(duì)于前后墻對(duì)沖燃燒鍋爐，燃燒器配風(fēng)方式(如均等配風(fēng)、碗式配風(fēng)等)對(duì)燃燒有明顯的影響，因此模型輸入?yún)?shù)中包括各燃燒器的二次風(fēng)門開度.

總之，模型的輸入?yún)?shù)包括機(jī)組負(fù)荷、爐膛出口氧體積分?jǐn)?shù)、二次風(fēng)溫、燃盡風(fēng)率、磨煤機(jī)一次風(fēng)量、磨煤機(jī)給煤量、磨煤機(jī)出口溫度、磨煤機(jī)煤質(zhì)和燃燒器二次風(fēng)門開度等共計(jì)55個(gè)變量.模型輸出變量為折算到6%氧體積分?jǐn)?shù)下的NOx質(zhì)量濃度(即SCR入口NOx質(zhì)量濃度).

2.3模型建立

采集了鍋爐4個(gè)月的運(yùn)行數(shù)據(jù)和入爐煤種煤質(zhì)數(shù)據(jù)，選取其中的穩(wěn)定工況(負(fù)荷波動(dòng)在5 MW內(nèi)，入爐煤種變化12 h后)下的數(shù)據(jù)點(diǎn)作為建模樣本，并結(jié)合部分試驗(yàn)數(shù)據(jù)，最后得到105組數(shù)據(jù)，該樣本涵蓋了鍋爐30%～100%負(fù)荷段，基本覆蓋了該鍋爐正常運(yùn)行時(shí)的所有負(fù)荷段.同時(shí)，該樣本涵蓋了該鍋爐正常運(yùn)行時(shí)燃用的多數(shù)煤種、磨煤機(jī)組合方式及配風(fēng)方式.選取其中14組數(shù)據(jù)作為校驗(yàn)樣本，剩余數(shù)據(jù)作為訓(xùn)練樣本進(jìn)行建模.將所有數(shù)據(jù)歸一化到[0,1]內(nèi)，歸一化公式為：

(1)

式中：xmax為樣本最大值；xmin為樣本最小值；x為樣本歸一化前的值；x′為樣本歸一化后的值.

通過(guò)遺傳算法和5折交叉驗(yàn)證法來(lái)確定最佳(C，g)組合.遺傳算法的參數(shù)設(shè)置如下：初始種群數(shù)量為20，最大迭代數(shù)為100，初始交叉概率和變異概率分別為0.9和0.009.C和g的尋優(yōu)范圍分別為[0,100]和[0,1 000]，適應(yīng)度函數(shù)為5折交叉驗(yàn)證法均方誤差，不敏感系數(shù)ε取0.01.選取均方誤差最小的(C，g)組合，若出現(xiàn)多個(gè)組合則選取懲罰系數(shù)最小的那組參數(shù)，以避免過(guò)大的懲罰系數(shù)造成模型過(guò)學(xué)習(xí).經(jīng)計(jì)算，模型的C=16.911 2，g=0.021 9.

2.4模型驗(yàn)證

為了對(duì)模型的預(yù)測(cè)精度進(jìn)行分析，定義平均相對(duì)誤差來(lái)描述模型的預(yù)測(cè)能力，其定義如下：

(2)

式中：e為平均相對(duì)誤差；i為樣本編號(hào)；n為樣本個(gè)數(shù)；f(xi)和yi分別為預(yù)測(cè)值和實(shí)測(cè)值.

圖1給出了模型在訓(xùn)練樣本上的預(yù)測(cè)情況，其預(yù)測(cè)平均相對(duì)誤差e=2.2%.從圖1可以看出，模型預(yù)測(cè)值較好地分布在直線y=x上，說(shuō)明模型的學(xué)習(xí)能力較好.圖2給出了模型在校驗(yàn)樣本上的預(yù)測(cè)情況，其平均相對(duì)誤差e=5.2%.從圖2可以看出，模型預(yù)測(cè)值較緊密地分布在直線y=x兩側(cè)，說(shuō)明模型也具有較好的泛化能力.由此可見，模型根據(jù)輸入?yún)?shù)可以準(zhǔn)確地預(yù)測(cè)NOx質(zhì)量濃度.

圖1 模型在訓(xùn)練樣本上的預(yù)測(cè)效果Fig.1 Prediction results of model on training samples

圖2 模型在校驗(yàn)樣本上的預(yù)測(cè)效果Fig.2 Prediction results of model on calibration samples

3 模型應(yīng)用模擬

在校驗(yàn)樣本中選取一組數(shù)據(jù)作為基礎(chǔ)工況，在其他條件不變的情況下，利用模型來(lái)研究單個(gè)因素對(duì)NOx質(zhì)量濃度的影響.在實(shí)際中，燃燒調(diào)整不僅會(huì)影響NOx質(zhì)量濃度，還會(huì)影響鍋爐效率等，控制目標(biāo)需要綜合平衡，以下僅探討各參數(shù)對(duì)NOx質(zhì)量濃度的影響規(guī)律.

基礎(chǔ)工況負(fù)荷為524 MW，爐膛出口氧體積分?jǐn)?shù)為3.28%，燃盡風(fēng)率為30%，BD磨煤機(jī)燃用澳煤，ACF磨煤機(jī)燃用優(yōu)混煤.

3.1氧體積分?jǐn)?shù)對(duì)NOx質(zhì)量濃度的影響

根據(jù)所建立的模型，保持其他運(yùn)行條件不變，研究氧體積分?jǐn)?shù)對(duì)NOx質(zhì)量濃度的影響，結(jié)果見圖3.

從圖3可以看出，氧體積分?jǐn)?shù)對(duì)NOx質(zhì)量濃度的影響非常顯著，兩者呈線性正相關(guān)變化，氧體積分?jǐn)?shù)每增加1%，NOx質(zhì)量濃度升高55 mg/m3.因此，在實(shí)際運(yùn)行時(shí)應(yīng)適當(dāng)控制氧體積分?jǐn)?shù)，這對(duì)降低NOx質(zhì)量濃度具有顯著的作用.

圖3 氧體積分?jǐn)?shù)對(duì)NOx質(zhì)量濃度的影響Fig.3 Effect of oxygen concentration on the NOx concentration

3.2燃盡風(fēng)率對(duì)NOx質(zhì)量濃度的影響

在其他參數(shù)不變的條件下，僅改變?nèi)急M風(fēng)率進(jìn)行模型預(yù)測(cè)，得到燃盡風(fēng)率對(duì)NOx質(zhì)量濃度的影響，如圖4所示.從圖4可以看出，NOx質(zhì)量濃度隨燃盡風(fēng)率的增加呈線性下降趨勢(shì).燃盡風(fēng)率在可調(diào)節(jié)范圍內(nèi)(26%～30%)，NOx質(zhì)量濃度變化了30 mg/m3，變化幅度約為10%，燃盡風(fēng)率對(duì)NOx質(zhì)量濃度的影響沒(méi)有氧體積分?jǐn)?shù)對(duì)NOx質(zhì)量濃度的影響顯著.

圖4 燃盡風(fēng)率對(duì)NOx質(zhì)量濃度的影響Fig.4 Effect of OFA rate on the NOx concentration

3.3配風(fēng)方式對(duì)NOx質(zhì)量濃度的影響

對(duì)于前后墻對(duì)沖燃燒鍋爐，其顯著的特點(diǎn)是鍋爐尾部CO濃度分布嚴(yán)重不均，呈現(xiàn)兩邊高中間低的狀態(tài)(氧體積分?jǐn)?shù)分布與之相反)，導(dǎo)致平均CO排放濃度很高，因此一般采用碗式配風(fēng)(即每層的兩側(cè)燃燒器小二次風(fēng)門開度大于中間燃燒器小二次風(fēng)門開度)的方法來(lái)調(diào)節(jié)爐內(nèi)燃燒的均勻性.由于氧體積分?jǐn)?shù)對(duì)NOx質(zhì)量濃度的影響較顯著，配風(fēng)方式改變了爐內(nèi)的氧體積分?jǐn)?shù)分布，對(duì)NOx質(zhì)量濃度的影響并不一定是單向的.

利用模型研究燃燒器的配風(fēng)方式對(duì)NOx質(zhì)量濃度的影響，設(shè)置了3種配風(fēng)方式：均等配風(fēng)、碗式配風(fēng)(習(xí)慣運(yùn)行方式)和深碗式配風(fēng).每層6只燃燒器的小二次風(fēng)門開度分別如下：均等配風(fēng)全部為100%;碗式配風(fēng)依次為100%、60%、40%、40%、60%和100%;深碗式配風(fēng)依次為100%、40%、20%、20%、40%和100%.其他運(yùn)行參數(shù)均保持不變，預(yù)測(cè)結(jié)果如圖5所示.

采用均等配風(fēng)時(shí)NOx質(zhì)量濃度為325 mg/m3；采用碗式配風(fēng)時(shí)NOx質(zhì)量濃度下降到285 mg/m3，下降了12.3%；采用深碗式配風(fēng)時(shí)NOx質(zhì)量濃度又上升到288 mg/m3，說(shuō)明碗式配風(fēng)對(duì)降低NOx質(zhì)量濃度有利，而碗式配風(fēng)幅度加深對(duì)NOx質(zhì)量濃度的影響相差不大.

圖5 配風(fēng)方式對(duì)NOx質(zhì)量濃度的影響Fig.5 Effect of air distribution mode on the NOx concentration

3.4煤種及磨煤機(jī)組合方式對(duì)NOx質(zhì)量濃度的影響

入爐煤種及磨煤機(jī)組合方式對(duì)NOx質(zhì)量濃度的影響較大，但是入爐煤從上煤到燃燒具有較長(zhǎng)的滯后性(一般約為8～10 h)，因此在入爐煤調(diào)配時(shí)，對(duì)NOx質(zhì)量濃度的預(yù)判顯得尤其重要，這是建立包含入爐煤信息的預(yù)測(cè)模型的重要價(jià)值所在.

利用模型對(duì)幾種入爐煤組合進(jìn)行研究，除基礎(chǔ)工況的澳煤與優(yōu)混煤外，增加蒙煤作為調(diào)整煤種，煤質(zhì)信息如表1所示.

表1 煤質(zhì)信息

保持其他運(yùn)行參數(shù)不變，改變3種入爐煤及磨煤機(jī)組合方式，研究其對(duì)NOx質(zhì)量濃度的影響，結(jié)果如圖6所示.從圖6可以看出，燃用蒙煤具有顯著的降低NOx效果，2臺(tái)磨煤機(jī)摻燒蒙煤與2臺(tái)磨煤機(jī)摻燒澳煤相比，NOx質(zhì)量濃度下降了58 mg/m3，下降幅度達(dá)20%.1臺(tái)磨煤機(jī)摻燒蒙煤也具有一定的降低NOx作用，不過(guò)如果1臺(tái)磨煤機(jī)摻燒蒙煤位于下層時(shí)其降低NOx效果不明顯.與澳煤相比，蒙煤的水分高、灰分低，其著火性能和燃盡性更好[11]，因此空氣分級(jí)深度更大，降低NOx效果更好.下層磨煤機(jī)摻燒蒙煤與中層磨煤機(jī)摻燒蒙煤相比，火焰中心有所上移，空氣分級(jí)的深度下降，降低NOx效果減弱，NOx質(zhì)量濃度上升.

圖6 煤種及磨煤機(jī)組合方式對(duì)NOx質(zhì)量濃度的影響Fig.6 Effect of coal category and combination way of coal mills on the NOx concentration

4 結(jié) 論

(1) 根據(jù)煤種煤質(zhì)、磨煤機(jī)組合方式、配風(fēng)方式和鍋爐運(yùn)行參數(shù)等，建立了基于遺傳算法與交叉驗(yàn)證法相結(jié)合的支持向量機(jī)鍋爐燃燒NOx預(yù)測(cè)模型，模型在訓(xùn)練樣本上的平均相對(duì)誤差為2.2%，在校驗(yàn)樣本上的平均相對(duì)誤差為5.2%，模型具有較好的準(zhǔn)確性和泛化能力.

(2) 減小氧體積分?jǐn)?shù)或增加燃盡風(fēng)率都有利于降低NOx質(zhì)量濃度，在可調(diào)節(jié)范圍內(nèi)氧體積分?jǐn)?shù)對(duì)NOx質(zhì)量濃度的影響更明顯；碗式配風(fēng)有利于降低NOx質(zhì)量濃度，但碗式配風(fēng)的深度對(duì)NOx質(zhì)量濃度的影響不大；煤種對(duì)NOx質(zhì)量濃度的影響較大，且多入爐煤種摻燒時(shí)的磨煤機(jī)組合方式對(duì)NOx質(zhì)量濃度的影響也較為顯著.應(yīng)用模擬結(jié)果驗(yàn)證了模型具有理想的調(diào)節(jié)性能.

(3) 模型包含煤種及磨煤機(jī)組合方式信息，對(duì)于煤種煤質(zhì)多變機(jī)組，提高了預(yù)測(cè)NOx質(zhì)量濃度的準(zhǔn)確性，這對(duì)降低NOx質(zhì)量濃度和保證穩(wěn)定燃燒的優(yōu)化調(diào)整，尤其是對(duì)指導(dǎo)入爐煤調(diào)配及煤炭采購(gòu)甚至實(shí)現(xiàn)“智慧燃料”具有重要意義.

[1] 張軍, 鄭成航, 張涌新, 等. 某1 000 MW燃煤機(jī)組超低排放電廠煙氣污染物排放測(cè)試及其特性分析[J].中國(guó)電機(jī)工程學(xué)報(bào), 2016, 36(5): 1310-1314.

ZHANG Jun, ZHENG Chenghang, ZHANG Yongxin, et al. Experimental investigation of ultra-low pollutants emission characteristics from a 1 000 MW coal-fired power plant[J].ProceedingsoftheCSEE, 2016, 36(5): 1310-1314.

[2] 李博, 趙錦洋, 呂俊復(fù). 燃煤電廠超低排放技術(shù)方案應(yīng)用[J].中國(guó)電力, 2016, 49(8): 144-147, 153.

LI Bo, ZHAO Jinyang, Lü Junfu. Application of ultra-low emission technical roadmaps of coal-fired power plants[J].ElectricPower, 2016, 49(8): 144-147, 153.

[3] 周俊虎, 趙琛杰, 許建華, 等. 電站鍋爐空氣分級(jí)低NOx燃燒技術(shù)的應(yīng)用[J].中國(guó)電機(jī)工程學(xué)報(bào), 2010, 30(23): 19-23.

ZHOU Junhu, ZHAO Chenjie, XU Jianhua, et al. Application of air-staged and low NOxemission combustion technology in plant boiler[J].ProceedingsoftheCSEE, 2010, 30(23): 19-23.

[4] 李建強(qiáng), 汪安明, 潘文凱, 等. 燃煤電站鍋爐低NOx燃燒運(yùn)行參數(shù)優(yōu)化[J].動(dòng)力工程學(xué)報(bào), 2016, 36(5): 337-342, 403.

LI Jianqiang, WANG Anming, PAN Wenkai, et al. Operating parameters optimization for low NOxcombustion of coal-fired boilers[J].JournalofChineseSocietyofPowerEngineering, 2016, 36(5): 337-342, 403.

[5] 楊建國(guó), 胡勁逸, 趙虹, 等. 660 MW超超臨界機(jī)組運(yùn)行方式對(duì)SCR系統(tǒng)氨逃逸率的影響[J].動(dòng)力工程學(xué)報(bào), 2015, 35(6): 476-480.

YANG Jianguo, HU Jinyi, ZHAO Hong, et al. Effects of boiler control mode on ammonia escape of the SCR system in a 660 MW ultra-supercritical unit[J].JournalofChineseSocietyofPowerEngineering, 2015, 35(6): 476-480.

[6] 馬雙忱, 鄧悅, 吳文龍, 等. SCR脫硝過(guò)程中硫酸氫銨形成特性實(shí)驗(yàn)研究[J].動(dòng)力工程學(xué)報(bào), 2016, 36(2): 143-150.

MA Shuangchen, DENG Yue, WU Wenlong, et al. Experimental research on ABS formation characteristics in SCR denitrification process[J].JournalofChineseSocietyofPowerEngineering, 2016, 36(2): 143-150.

[7] 梁志宏. 基于我國(guó)新大氣污染排放標(biāo)準(zhǔn)下的燃煤鍋爐高效低NOx協(xié)調(diào)優(yōu)化系統(tǒng)研究及工程應(yīng)用[J].中國(guó)電機(jī)工程學(xué)報(bào), 2014, 34(增刊1): 122-129.

LIANG Zhihong. Study and engineering application of high efficiency and low NOxcoordinated optimization control system for coal-fired boilers based on new air pollutant emission standard[J].ProceedingsoftheCSEE, 2014, 34(Sup1): 122-129.

[8] 武寶會(huì), 崔利. 火電廠SCR煙氣脫硝控制方式及其優(yōu)化[J].熱力發(fā)電, 2013, 42(10): 116-119, 126.

WU Baohui, CUI Li. SCR flue gas denitrification control and optimization in thermal power plants[J].ThermalPowerGeneration, 2013, 42(10): 116-119, 126.

[9] 張伯興, 呂華兵. 600 MW鍋爐氮氧化物整體控制實(shí)踐[J].中國(guó)電力, 2016, 48(2): 159-163, 169.

ZHANG Boxing, Lü Huabing. The practice of general NOxcontrol of a 600-MW boiler[J].ElectricPower, 2016, 48(2): 159-163, 169.

[10] 梁立剛, 孟勇, 吳生來(lái). 1 025 t/h鍋爐運(yùn)行優(yōu)化調(diào)整及NOx排放特性試驗(yàn)研究[J].動(dòng)力工程學(xué)報(bào), 2010, 30(10): 727-732.

LIANG Ligang, MENG Yong, WU Shenglai. Experimental study on optimal adjustment and NOxemission of a 1 025 t/h boiler[J].JournalofChineseSocietyofPowerEngineering, 2010, 30(10): 727-732.

[11] 趙虹, 張清福, 楊建國(guó). 不同煤種及其燃燒特性對(duì)NOx排放濃度的影響[J].熱力發(fā)電, 2013, 42(12): 59-63.

ZHAO Hong, ZHANG Qingfu, YANG Jianguo. Effect of different coals and their combustion characteristics on NOxemission[J].ThermalPowerGeneration, 2013, 42(12): 59-63.

[12] 夏季, 彭鵬, 華志剛, 等. 燃煤電廠分磨摻燒方式下磨煤機(jī)組合優(yōu)化模型及應(yīng)用[J].中國(guó)電機(jī)工程學(xué)報(bào), 2011, 31(29): 1-8.

XIA Ji, PENG Peng, HUA Zhigang, et al. Optimization of pulverizers combination for power plant based on blended coal combustion[J].ProceedingsoftheCSEE, 2011, 31(29): 1-8.

[13] 劉吉臻, 呂游, 楊婷婷. 基于變量選擇的鍋爐NOx排放的最小二乘支持向量機(jī)建模[J].中國(guó)電機(jī)工程學(xué)報(bào), 2012, 32(20): 102-107.

LIU Jizhen, Lü You, YANG Tingting. Least squares support vector machine modeling on NOxemission of boilers based on variable selection[J].ProceedingsoftheCSEE, 2012, 32(20): 102-107.

[14] 李慶偉, 陳慧楓, 姚桂煥. 基于距離學(xué)習(xí)粒子群算法的NOx減排優(yōu)化[J].動(dòng)力工程學(xué)報(bào), 2016, 36(5): 404-410.

LI Qingwei, CHEN Huifeng, YAO Guihuan. NOxreduction optimization based on distance learning particle swarm algorithm[J].JournalofChineseSocietyofPowerEngineering, 2016, 36(5): 404-410.

[15] 楊冬, 路春美, 王永征. 不同種類煤粉燃燒NOx排放特性試驗(yàn)研究[J].中國(guó)電機(jī)工程學(xué)報(bào), 2007, 27(5): 18-21.

YANG Dong, LU Chunmei, WANG Yongzheng. Experimental study on the characteristics of NOxemission with different pulverized coal combusting[J].ProceedingsoftheCSEE, 2007, 27(5): 18-21.

[17] ZHENG L G, ZHOU H, WANG C L, et al. Combining support vector regression and ant colony optimization to reduce NOxemissions in coal-fired utility boilers[J].Energyamp;Fuels, 2008, 22(2): 1034-1040.

[18] 孫德山. 支持向量機(jī)分類與回歸方法研究[D]. 長(zhǎng)沙: 中南大學(xué), 2004: 10-20.

[19] HUANG C L, LIAO H C, CHEN M C. Prediction model building and feature selection with support vector machines in breast cancer diagnosis[J].ExpertSystemswithApplications, 2008, 34(1): 578-587.

[20] 李良敏, 溫廣瑞, 王生昌. 基于遺傳算法的回歸型支持向量機(jī)參數(shù)選擇法[J].計(jì)算機(jī)工程與應(yīng)用, 2008, 44(7): 23-26.

LI Liangmin, WEN Guangrui, WANG Shengchang. Parameters selection of support vector regression based on genetic algorithm[J].ComputerEngineeringandApplications, 2008, 44(7): 23-26.

NOxPredictionModelforMulti-coalAdmixingCombustioninBoiler

YANGJianguo1,YELingyun1,ZHAOMin1,ZHAOHong1,LIYijin2,LIMin2,YUYu2,DENGFurong3

(1. State Key Laboratory of Clean Energy Utilization, Zhejiang University, Hangzhou 310027, China;2. Zhejiang Zheneng Lanxi Power Generation Co., Ltd., Lanxi 321100, Zhejiang Province, China;3. Zhejiang Tiandi Environmental Protection Engineering Co., Ltd., Hangzhou 310003, China)

Taking into account the category and quality of the coal fired, the combination way of coal mills, the air distribution mode and the operating parameters of a 660 MW boiler, a NOxprediction model was established using support vector machine (SVM), which was used to carry out application simulation and to research the effects of following factors on the NOxconcentration, such as the oxygen concentration, OFA rate, air distribution mode, coal category and the combination way of coal mills, etc. Results show that the model has good accuracy and high generalization ability as well as ideal regulation performance, which comprises information on coal category and combination way of coal mills, and therefore is of great significance for multi-coal units in improving the NOxprediction accuracy, reducing the NOxconcentration, carrying out the adjustment and optimization for stable combustion, especially in guiding the coal procurement and blending, and even for purchasing of "intelligent fuel".

admixing combustion in boiler; NOx; prediction model; support vector machine; multi-coal; combination mode of coal mills

2016-11-01

浙江省自然科學(xué)基金資助項(xiàng)目(LYl5E060002)

楊建國(guó)(1973-)，男，安徽巢湖人，副研究員，博士，主要從事煤的安全高效清潔燃燒理論與技術(shù)方面的研究．

電話(Tel.)：0571-87951322；E-mail：yjg@zju.edu.cn．

1674-7607(2017)11-0870-06

TK229.6

A

470.30