董胡適，蔣國璋，段現(xiàn)銀

（武漢科技大學機械自動化學院，湖北 武漢 430081）

1 引言

目前，節(jié)能與環(huán)保是世界上極為受到重視的兩大主題，隨著國家對發(fā)電站NO 排放的限制，如何有效降低NO 排放的技術(shù)也是發(fā)電站當前關(guān)注的熱點[1]。由于鍋爐燃燒優(yōu)化控制技術(shù)可以降低發(fā)電成本，并有效提高鍋爐燃燒效率和降低鍋爐NO 排放，因此研究鍋爐燃燒優(yōu)化控制技術(shù)早已是一項重要的研究話題。

針對鍋爐燃燒過程是一個多變量、非線性和大滯后等問題，目前一些學者研究報道，文獻[2]針對鍋爐燃燒系統(tǒng)運行數(shù)據(jù)建立排氣溫度模型，提出一種最小二乘支持向量機模型的自適應算法，對鍋爐燃燒系統(tǒng)進行自適應實時控制。文獻[3]針對鍋爐燃燒的輸入變量和排煙溫度、飛灰的含碳量和NO 排放量，建立基于人工神經(jīng)網(wǎng)絡的直接燃燒優(yōu)化模型和混合燃燒優(yōu)化模型，來提高預測精度。文獻[4]建立鍋爐在線應用燃燒優(yōu)化框架模型，提出一種改進人工蜂群算法，對鍋爐燃燒系統(tǒng)具有較好的在線優(yōu)化和預測控制。文獻[5]針對鍋爐燃燒優(yōu)化中反向傳播神經(jīng)網(wǎng)絡泛化能力較差問題，提出一種貝葉斯正則化BP 神經(jīng)網(wǎng)絡和遺傳算法的混合算法，優(yōu)化結(jié)果表明該方法較好預測熱效率和NOx排放，解決了鍋爐燃燒的多目標優(yōu)化問題。文獻[6]建立了鍋爐燃燒優(yōu)化系統(tǒng)，利用神經(jīng)網(wǎng)絡和遺傳算法結(jié)合的方法，實現(xiàn)燃煤鍋爐高效低排放的要求。以上這些方法都具有各自的特色和優(yōu)點，但是算法收斂速度慢、泛化能力弱，不滿足現(xiàn)場對鍋爐燃燒快速優(yōu)化和預測控制的要求。

綜上所述，鍋爐燃燒優(yōu)化技術(shù)大部分針對燃燒熱效率和污染物排放量的優(yōu)化目標，但由于各自優(yōu)化方法獨特性。研究以燃燒效率和氮氧化物的排放為優(yōu)化目標，建立發(fā)電站鍋爐燃燒特性的神經(jīng)網(wǎng)絡模型進行預測，再利用量子遺傳算法尋找最佳送風量和燃燒器優(yōu)化值，來調(diào)節(jié)風門開度和燃燒器擺度，從而達到鍋爐燃燒優(yōu)化控制目標。仿真實驗證明，提出量子遺傳算法的神經(jīng)網(wǎng)絡來優(yōu)化鍋爐燃燒控制是一種有效的優(yōu)化方法。

2 鍋爐燃燒控制優(yōu)化方案設(shè)計

2.1 風門開度和燃燒器系統(tǒng)圖

為使鍋爐燃燒熱效率和污染物排放量達到最佳，通過改變風門開度和燃燒器擺角來控制燃燒。以實現(xiàn)爐膛內(nèi)的燃料充分燃燒，達到鍋爐燃燒優(yōu)化控制的最優(yōu)燃燒效率[7]。下圖為風門開度-燃燒器擺角系統(tǒng)圖，如圖1 所示。

圖1 風門開度-燃燒器擺角系統(tǒng)圖Fig.1 Air Door Opening-Burner Angle System

通過改變風門開度和燃燒器擺角來控制燃燒情況，同時也對鍋爐爐膛燃燒狀況檢測，從而進行反饋調(diào)整風門開度和燃燒器擺角大小，保證燃燒系統(tǒng)充分燃燒。

2.2 優(yōu)化方案

采用量子遺傳算法（QGA）尋找最佳風門開度和燃燒器擺度的值，從而實現(xiàn)鍋爐的高效低污染燃燒。使用量子遺傳算法來優(yōu)化燃燒效率和氮氧排放量，來實現(xiàn)神經(jīng)網(wǎng)預測。算法優(yōu)化方案圖，如圖2 所示。

圖2 算法優(yōu)化方案圖Fig.2 Algorithm Optimization Scheme

3 鍋爐燃燒系統(tǒng)控制建模

鍋爐燃燒過程中伴隨著多擾動，變周期、多變量的情況，其系統(tǒng)建模復雜多變，常規(guī)方法難以解決復雜模型問題。由于神經(jīng)網(wǎng)絡具有很強的非線性映射能力和良好的泛化能力，因此對鍋爐燃燒系統(tǒng)控制采用BP 神經(jīng)網(wǎng)絡來建立模型。

3.1 鍋爐燃燒特性與神經(jīng)網(wǎng)絡樣本數(shù)據(jù)

發(fā)電站鍋爐燃燒系統(tǒng)具有多輸入和多輸出的特點，燃燒效率和氮氧化物排放與很多影響因素有關(guān)，根據(jù)燃燒特性試驗表1主要影響因素共進行了12 組試驗工況[8]，建立鍋爐燃燒的神經(jīng)網(wǎng)絡模型，特性試驗數(shù)據(jù)，如表1 所示。

表1 鍋爐燃燒特性工況表Tab.1 Boiler Combustion Characteristics

3.2 鍋爐燃燒過程神經(jīng)網(wǎng)絡模型

在分析了鍋爐燃燒特性的基礎(chǔ)上，根據(jù)表1 主要影響因素試驗數(shù)據(jù)，本網(wǎng)絡模型采用輸入層為10 個節(jié)點和輸出層為2 個結(jié)點，一個單隱層的網(wǎng)絡結(jié)構(gòu)，建立3 層BP 網(wǎng)絡模型，選擇燃燒效率和氮氧化物排放10 個因素作為神經(jīng)網(wǎng)絡輸入（總風量、燃料量、二次風門開度、燃盡風門開度、風箱爐膛差壓、磨煤機通風量、給煤機的開度、燃燒器擺動角、空預器出口溫度、燃料成分），神經(jīng)網(wǎng)絡輸出為燃燒效率和氮氧排放量[9]，如圖3 所示。

圖3 基于量子遺傳算法的神經(jīng)網(wǎng)絡鍋爐燃燒優(yōu)化模型Fig.3 Neural Network Boiler Combustion Optimization Model Based on Quantum Genetic Algorithm

4 量子遺傳算法

4.1 量子比特編碼

量子比特是一個雙態(tài)量子系統(tǒng)，主要作用在量子計算機中充當信息存儲單元的物理介質(zhì)。量子比特不同之處在于，它可以處在兩個量子態(tài)的疊加態(tài)中

式中：（α，β）—兩個幅常數(shù)。

式中：|0〉—自旋向下態(tài)；|1〉—為自旋向上態(tài)。因此一個量子比特表示|0〉和|1〉兩種態(tài)。

在量子遺傳算法中，基因表示為量子比特?；蚩梢允侨我獐B加態(tài)，也可以是0 態(tài)或1 態(tài)。在此基因表示是一種包含所有有用信息的集合，而不再是一個確定值，而對該基因作出任何操作會作用在所有有用信息上[10]。以染色體的多個態(tài)疊加來表達量子比特編碼，與經(jīng)典遺傳算法相比，量子遺傳算法具有更好的多樣性特征，算法的全局搜索性能更強，同時也可以獲得較好的收斂性。當量子比特編碼上無限趨于0 或1 時，染色體將收斂成為一個單一態(tài)，種群的多樣性就越不明顯。

4.2 量子門更新

量子門是量子遺傳算法的演化過程中的關(guān)鍵，先針對問題進行判斷，利用量子遺傳算法的計算優(yōu)點，選擇較好的量子旋轉(zhuǎn)門。量子旋轉(zhuǎn)門的調(diào)整為：

其更新過程如下：

利用量子遺傳算法對風門開度和燃燒器擺度進行優(yōu)化調(diào)整，減少鍋爐排煙含碳量和排煙氧量，從而使得鍋爐燃燒效率和NOx排放量達到最佳。采用的適應度函數(shù)為：

式中：f′—理想鍋爐燃燒效率；f—實際燃燒效率；［NOX］′—理想氮氧化合物排放量；［NOX］—實際氮氧化物排放量；α、β—燃燒效率和氮氧化物的加權(quán)系數(shù)，大小取決于效率和氮氧排放的比值。

量子遺傳算法的計算流程圖，如圖4 所示。

圖4 量子遺傳算法的計算流程圖Fig.4 Flow Chart of Quantum Genetic Algorithm

5 仿真實驗

5.1 神經(jīng)網(wǎng)絡模型訓練結(jié)果

利用表1 提供的燃燒特性實驗數(shù)據(jù)，進行仿真計算。以鍋爐燃燒特性為基礎(chǔ)，構(gòu)建一個單隱層的10 個輸入和2 個輸出的神經(jīng)網(wǎng)絡模型。其中神經(jīng)網(wǎng)絡的隱層和輸出層分別采用線性函數(shù)和對數(shù)型函數(shù)，訓練精度為0．0001，最大訓練步數(shù)為2 000。

神經(jīng)網(wǎng)絡模型預測訓練結(jié)果，如表2 所示?？梢钥闯銮?0組訓練樣本數(shù)據(jù)，實際測量值與神經(jīng)網(wǎng)絡訓練輸出值誤差不大。但從非訓練的最后兩組數(shù)據(jù)結(jié)果可以看出，對鍋爐燃燒熱效率和氮氧化物排量的神經(jīng)網(wǎng)絡預測的對比誤差為0．8602%和0．5425%、0．9321%和 2．5438%，得到預測的結(jié)果之間誤差較小，證明神經(jīng)網(wǎng)絡作為燃燒熱效率和氮氧化物排量預測的模型，可以有效解決鍋爐燃燒系統(tǒng)復雜模型問題。

表2 神經(jīng)網(wǎng)絡模型預測訓練結(jié)果Tab.2 Neural Network Model Prediction Training Results

5.2 量子遺傳算法尋優(yōu)

采用量子比特編碼長度為20，算法種群規(guī)模為40，選擇一種量子旋轉(zhuǎn)角度調(diào)整策略來實現(xiàn)優(yōu)化操作，如表3 所示。

表3 旋轉(zhuǎn)角選擇策略Tab.3 Rotation Angle Selection Strategy

為了使鍋爐燃燒效率和氮氧化物排放量過大影響整體的優(yōu)化水平，必須同時兼顧兩者優(yōu)化的比值，取適應值函數(shù)系數(shù)分別為11.5 和0.15。由于工況氮氧排放最高，以環(huán)境污染的考慮，優(yōu)化工況，仿真結(jié)果，如圖5～圖7 所示。仿真優(yōu)化前后結(jié)果參數(shù)對比，如表4 所示。從表中可以看出，鍋爐氮氧化物的排放有著顯著的降低，同時燃燒效率有輕微的升高，證明通過量子遺傳算法優(yōu)化，可以實現(xiàn)爐燃燒效率和氮氧化物排放量整體優(yōu)化。

表4 優(yōu)化前后參數(shù)比較表Tab.4 Parameter Comparison Table Before and After Optimization

圖5 鍋爐燃燒效率和NOx 排放最佳適應圖Fig.5 Best Fit Diagram for Boiler Combustion Efficiency and NOx Emission

圖6 二次風門開度優(yōu)化圖Fig.6 Optimization Diagram for Opening of Two Air Doors

圖7 燃燒器擺動值圖Fig.7 Burner Swing Value

6 結(jié)論

（1）與量子遺傳算法優(yōu)化得到的優(yōu)化結(jié)果前后對比可得，二次風門開度和燃燒器擺角都有所增大，鍋爐氮氧化物的排放量降低到257.2947mg.m，而鍋爐燃燒效率升高了0.0481%，證明提出的混合算法能夠優(yōu)化燃燒效率和氮氧化物排放量，實現(xiàn)鍋爐燃燒優(yōu)化控制的整體優(yōu)化。

（2）量子遺傳算法迭代到40 代左右基本上收斂，而且整個優(yōu)化過程能在很短的時間內(nèi)完成，綜合考慮到鍋爐熱效率和氮氧化物的排放量的適應度值約為5.304，得到相對應的優(yōu)化后鍋爐熱效率和氮氧化物的排放量，從而證明算法的有效性。

（3）優(yōu)化后采用不同的二次風門開度和比以前大得多的燃盡風開度，增大氧氣量，讓鍋爐達到充分燃燒。燃燒器擺動則稍向上傾斜，傾角為（0.5533-0.5）×180°＝9.594°，針對二次風門開度和燃燒器擺角調(diào)整，從而達到對鍋爐燃燒工況的改善。