趙 剛， 朱華昕， 李蘇輝， 朱 民， 韋曉峰

(1．鄭州燃?xì)獍l(fā)電有限公司，鄭州 450010； 2．清華大學(xué) 能源與動(dòng)力工程系，熱科學(xué)與動(dòng)力工程教育部重點(diǎn)實(shí)驗(yàn)室，北京 100084)

符號(hào)說(shuō)明：

P——機(jī)組功率，MW

A——燃燒室振動(dòng)加速度，m/s2

H——燃燒室壓力脈動(dòng)，Pa

Tamb——環(huán)境溫度，℃

Tgas——天然氣溫度，℃

Tout——透平出口溫度(OTC)，℃

θIGV——壓氣機(jī)進(jìn)口導(dǎo)葉開(kāi)度，%

qm,pil——值班火焰燃料質(zhì)量流量，kg/s

p2——燃燒室進(jìn)口壓力，Pa

qm,pre——預(yù)混火焰燃料質(zhì)量流量，kg/s

pdel——燃燒室壓降，Pa

g——重力加速度，m/s2

當(dāng)環(huán)境溫度波動(dòng)時(shí)，燃?xì)廨啓C(jī)的NOx排放會(huì)偏離正常范圍，污染物排放量增加，燃燒穩(wěn)定性降低。因此，每當(dāng)季節(jié)交替時(shí)往往需要對(duì)燃?xì)廨啓C(jī)進(jìn)行燃燒調(diào)整，在保證機(jī)組安全運(yùn)行的前提下，盡量減少NOx排放。

燃燒調(diào)整前必須要掌握NOx排放與燃?xì)廨啓C(jī)運(yùn)行參數(shù)之間的函數(shù)關(guān)系，才能在調(diào)整時(shí)針對(duì)性地改變關(guān)鍵參數(shù)，使之達(dá)標(biāo)。對(duì)于NOx排放與燃?xì)廨啓C(jī)參數(shù)之間的關(guān)聯(lián)，已有大量基于物理分析的經(jīng)驗(yàn)和半經(jīng)驗(yàn)公式。Lefebvre[1]根據(jù)航空發(fā)動(dòng)機(jī)燃燒室排放數(shù)據(jù)得出NOx排放量經(jīng)驗(yàn)公式，認(rèn)為影響NOx排放量的主要因素為燃?xì)馔Ａ魰r(shí)間、混合速率和化學(xué)反應(yīng)速率。Lewis[2]總結(jié)出在貧燃情況下NOx生成量經(jīng)驗(yàn)公式，認(rèn)為NOx生成量只與燃燒時(shí)的溫度和壓力有關(guān)。R?kke等[3]基于多臺(tái)燃用天然氣的燃?xì)廨啓C(jī)實(shí)驗(yàn)數(shù)據(jù)得出NOx排放量經(jīng)驗(yàn)公式，認(rèn)為燃空比和燃燒壓力對(duì)NOx生成的影響最大。這些研究揭示了燃燒室中影響NOx排放的關(guān)鍵運(yùn)行參數(shù),但是這些經(jīng)驗(yàn)公式往往針對(duì)某一具體型號(hào)或工況，適用范圍窄(泛化性能差)，如Lefebvre的經(jīng)驗(yàn)公式僅適用于非預(yù)混燃燒的航空發(fā)動(dòng)機(jī)，而R?kke等的經(jīng)驗(yàn)公式?jīng)]有考慮不同工況下值班火焰(非預(yù)混燃燒)燃料與主火焰(預(yù)混燃燒)燃料質(zhì)量流量之間的比例對(duì)NOx排放的影響?，F(xiàn)代燃?xì)廨啓C(jī)燃燒室往往采用預(yù)混燃燒+非預(yù)混燃燒的復(fù)合燃燒模式，并實(shí)時(shí)根據(jù)燃?xì)廨啓C(jī)負(fù)荷調(diào)整燃燒模態(tài)，在燃?xì)廨啓C(jī)實(shí)際運(yùn)行過(guò)程中，NOx生成量受到環(huán)境溫度、燃燒室壓力和各個(gè)燃料噴嘴間的流量分配等諸多因素的影響，以往從負(fù)荷、當(dāng)量比、值班火焰燃料與預(yù)混火焰燃料質(zhì)量流量比例及流場(chǎng)組織結(jié)構(gòu)得出的經(jīng)驗(yàn)公式往往只適合一種工況，不能滿(mǎn)足全負(fù)荷范圍的預(yù)測(cè)。而且國(guó)外的燃?xì)廨啓C(jī)燃燒室對(duì)我國(guó)保密，很難準(zhǔn)確獲得其流場(chǎng)組織結(jié)構(gòu)。綜上所述，由實(shí)驗(yàn)確定的NOx排放規(guī)律的泛化性能較差，不能很好地預(yù)測(cè)特定燃?xì)廨啓C(jī)的NOx排放。因此，在全工況范圍確定這些變量與NOx排放量之間的映射關(guān)系是燃燒調(diào)整的首要任務(wù)。

近年來(lái)，數(shù)據(jù)科學(xué)與人工智能相結(jié)合，為這類(lèi)多參數(shù)、強(qiáng)耦合問(wèn)題提供了新的解決方法。在電站鍋爐的NOx排放預(yù)測(cè)上，基于數(shù)據(jù)和人工智能的方法有了很大的發(fā)展。Zhou等[4]使用人工神經(jīng)網(wǎng)絡(luò)建立了大容量煤粉燃燒鍋爐的NOx排放模型，并采用遺傳算法優(yōu)化工況點(diǎn)的NOx排放量。王文廣等[5]基于某燃煤機(jī)組實(shí)際運(yùn)行數(shù)據(jù)，利用邏輯門(mén)控制循環(huán)神經(jīng)網(wǎng)絡(luò)建模，成功預(yù)測(cè)了該燃煤鍋爐的NOx排放量。吳禎祥[6]利用最小二乘支持向量機(jī)建立模型，該模型可以描述鍋爐的NOx排放量與熱效率之間的函數(shù)關(guān)系。王培紅等[7]建立了預(yù)測(cè)電站鍋爐NOx排放量、熱效率的神經(jīng)網(wǎng)絡(luò)與解析函數(shù)的混合模型，并利用遺傳算法進(jìn)行燃燒優(yōu)化。周昊等[8]調(diào)用電站鍋爐運(yùn)行數(shù)據(jù)，利用人工神經(jīng)網(wǎng)絡(luò)對(duì)鍋爐熱力參數(shù)建模，并實(shí)現(xiàn)了操作參數(shù)的實(shí)時(shí)尋優(yōu)。這些研究都使用電站運(yùn)行數(shù)據(jù)訓(xùn)練人工智能模型，得到了NOx排放量與運(yùn)行參數(shù)間的響應(yīng)特性，再建立優(yōu)化模型來(lái)優(yōu)化NOx排放量等相關(guān)指標(biāo)。

值得注意的是，燃?xì)廨啓C(jī)的NOx優(yōu)化應(yīng)同時(shí)考慮燃燒穩(wěn)定性問(wèn)題以及NOx排放問(wèn)題，即保證燃燒室壓力脈動(dòng)(H)和燃燒室振動(dòng)加速度(A)在運(yùn)行標(biāo)準(zhǔn)之內(nèi)的情況下，減少NOx排放，確保機(jī)組在給定工況下安全、穩(wěn)定、清潔地運(yùn)行。

針對(duì)燃?xì)廨啓C(jī)的燃燒調(diào)整問(wèn)題，筆者采用神經(jīng)網(wǎng)絡(luò)建立NOx排放預(yù)測(cè)模型，使用燃?xì)廨啓C(jī)電廠的運(yùn)行數(shù)據(jù)訓(xùn)練該模型，并利用訓(xùn)練好的模型對(duì)影響燃?xì)廨啓C(jī)NOx排放的運(yùn)行參數(shù)進(jìn)行敏感性分析，從中選取關(guān)鍵參數(shù)，在保證燃燒穩(wěn)定性的條件下優(yōu)化NOx排放。

1 NOx排放及燃燒穩(wěn)定性預(yù)測(cè)模型

1.1 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

圖1為單隱藏層神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，ANN)示意圖。

圖1 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

輸入層從x1至xNi共有Ni個(gè)神經(jīng)元，每個(gè)神經(jīng)元的值為數(shù)據(jù)集的輸入變量。對(duì)應(yīng)地，輸出層從y1至yNo共有No個(gè)神經(jīng)元，每個(gè)神經(jīng)元的目標(biāo)值為數(shù)據(jù)集的輸出變量。隱藏層從a1至aNh共有Nh個(gè)神經(jīng)元，將輸入數(shù)據(jù)經(jīng)sigmoid函數(shù)g(x)(式(1))激活后傳入輸出層。

(1)

以輸入層到隱藏層為例，輸入隱藏層第i個(gè)節(jié)點(diǎn)的值xi：

(2)

式中：θi,k為輸入層第k個(gè)節(jié)點(diǎn)到隱藏層第i個(gè)節(jié)點(diǎn)的權(quán)重。

隱藏層的輸出為：

ai=g(xi)

(3)

根據(jù)上述算法，神經(jīng)網(wǎng)絡(luò)從輸入層向輸出層正向傳播，由數(shù)據(jù)集原始輸入數(shù)據(jù)以及神經(jīng)元間的權(quán)重可以計(jì)算出輸出層的值，將輸出層計(jì)算得到的值與數(shù)據(jù)集中的值進(jìn)行比較，利用誤差反向傳播法(BP算法)不斷更新神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)連接權(quán)重，從而不斷縮小模型輸出與數(shù)據(jù)集輸出的誤差，優(yōu)化擬合效果。最終的輸出模型包含神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)、神經(jīng)元激活函數(shù)的選取以及神經(jīng)元間的連接權(quán)重。

燃燒穩(wěn)定性參數(shù)由H和A來(lái)表征，NOx排放量和燃燒穩(wěn)定性參數(shù)受到環(huán)境溫度、燃燒室溫度和壓力、壓氣機(jī)進(jìn)口導(dǎo)葉(IGV)開(kāi)度、預(yù)混和非預(yù)混火焰燃料質(zhì)量流量等參數(shù)的影響。這些參數(shù)有強(qiáng)耦合性，對(duì)燃燒性能的影響表現(xiàn)出強(qiáng)非線(xiàn)性。因此，燃燒性能具有多變量、強(qiáng)耦合性、強(qiáng)非線(xiàn)性的特點(diǎn)，直接由物理規(guī)律推導(dǎo)模型較為困難。針對(duì)電站燃燒性能的建模問(wèn)題，基于大量的電站運(yùn)行數(shù)據(jù)，運(yùn)用神經(jīng)網(wǎng)絡(luò)來(lái)擬合NOx排放預(yù)測(cè)模型以及燃燒穩(wěn)定性預(yù)測(cè)模型是一個(gè)很好的選擇。

1.2 神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)集

燃燒性能預(yù)測(cè)模型示意圖如圖2所示。選取機(jī)組功率(P)、NOx質(zhì)量濃度ρNOx、A和H4個(gè)運(yùn)行性能參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸出，環(huán)境溫度(Tamb)、天然氣溫度(Tgas)、透平出口溫度(Tout)、IGV開(kāi)度(θIGV)、值班火焰燃料質(zhì)量流量(qm,pil)、預(yù)混火焰燃料質(zhì)量流量(qm,pre)、燃燒室進(jìn)口壓力(p2)和燃燒室壓降(pdel)8個(gè)變量作為神經(jīng)網(wǎng)絡(luò)的輸入。

圖2 燃燒性能預(yù)測(cè)模型

圖2中的輸入、輸出向量x，y可表示為：

x=[TambTgasToutθIGVqm,pilqm,prep2pdel]T

(4)

y=[PρNOxAH]T

(5)

除了上述運(yùn)行參數(shù)，很多非穩(wěn)態(tài)擾動(dòng)對(duì)H和A也有影響。如頻率就是一個(gè)相對(duì)重要的參數(shù)，不同頻率的H和A對(duì)燃燒穩(wěn)定性有不同程度的影響。對(duì)于本次建模，由于所提供的電廠數(shù)據(jù)取樣間隔較長(zhǎng)，不能準(zhǔn)確地捕捉到模型的非穩(wěn)態(tài)特性，加之影響因素多、規(guī)律復(fù)雜，所以重點(diǎn)研究穩(wěn)態(tài)下的燃燒穩(wěn)定性，所選參數(shù)對(duì)燃燒穩(wěn)定性的預(yù)測(cè)效果能滿(mǎn)足需求。

神經(jīng)網(wǎng)絡(luò)的擬合效果不僅依賴(lài)于數(shù)據(jù)集輸入、輸出特征量的選取，而且與數(shù)據(jù)量多少有很大關(guān)系。一般情況下，數(shù)據(jù)量越大，模型擬合效果越好，泛化能力越強(qiáng)(不容易過(guò)擬合)。

本文所用數(shù)據(jù)均來(lái)自于某V94.3A型燃?xì)廨啓C(jī)機(jī)組2018年的實(shí)時(shí)運(yùn)行數(shù)據(jù)，數(shù)據(jù)點(diǎn)分布如圖3所示。

圖3 數(shù)據(jù)集中的機(jī)組功率和環(huán)境溫度分布

圖3中有來(lái)自不同季節(jié)5個(gè)月份的1 613個(gè)數(shù)據(jù)點(diǎn)，環(huán)境溫度變化范圍為0～35 ℃，機(jī)組功率變化范圍為250～400 MW，基本覆蓋了燃?xì)廨啓C(jī)運(yùn)行的所有工況。

1.3 神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練

1.3.1 創(chuàng)建神經(jīng)網(wǎng)絡(luò)

首先確定神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)，主要包括隱藏層層數(shù)、隱藏層節(jié)點(diǎn)數(shù)、訓(xùn)練算法及各層的傳遞函數(shù)。

理論上，多隱藏層的結(jié)構(gòu)對(duì)多變量非線(xiàn)性的映射關(guān)系具有更好的擬合效果，但在實(shí)際擬合過(guò)程中，雙隱藏層的神經(jīng)網(wǎng)絡(luò)并沒(méi)有使模型更加精確，反而大大增加了運(yùn)行時(shí)間?？赡艿脑蚴菃坞[藏層已經(jīng)能夠很好地學(xué)習(xí)到輸入輸出數(shù)據(jù)集之間的關(guān)系，增加隱藏層層數(shù)反而會(huì)導(dǎo)致網(wǎng)絡(luò)過(guò)擬合。最終選取的神經(jīng)網(wǎng)絡(luò)為傳統(tǒng)的單隱藏層神經(jīng)網(wǎng)絡(luò)。

隱藏層節(jié)點(diǎn)數(shù)的選取與隱藏層層數(shù)選取類(lèi)似，增加節(jié)點(diǎn)數(shù)可以更好地?cái)M合非線(xiàn)性的關(guān)系，但是同時(shí)增加了過(guò)擬合的可能性和時(shí)間成本，因此在考慮輸入輸出特征量個(gè)數(shù)和確保擬合準(zhǔn)確度的條件下，應(yīng)該盡量減少節(jié)點(diǎn)數(shù)。最終確定的隱藏層節(jié)點(diǎn)數(shù)為24。

訓(xùn)練算法是根據(jù)誤差調(diào)節(jié)神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)連接權(quán)重的算法，選取適合擬合數(shù)據(jù)的trainlm算法。隱藏層選取sigmoid函數(shù)(式1)，此函數(shù)有很強(qiáng)的學(xué)習(xí)能力，對(duì)于多變量非線(xiàn)性的問(wèn)題有很好的擬合效果，輸出值在(0,1)。輸出層選取purelin函數(shù)，僅對(duì)輸入?yún)?shù)作線(xiàn)性輸出。

1.3.2 數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理包括數(shù)據(jù)導(dǎo)入、數(shù)據(jù)分類(lèi)和數(shù)據(jù)歸一化處理。數(shù)據(jù)分類(lèi)將數(shù)據(jù)集分為訓(xùn)練集、驗(yàn)證集和測(cè)試集3部分，分別占比70%、15%和15%。訓(xùn)練集用于更新權(quán)重?cái)M合網(wǎng)絡(luò)，不斷提高精度。驗(yàn)證集和測(cè)試集用于檢驗(yàn)?zāi)Ｐ蛯?duì)未參與訓(xùn)練的數(shù)據(jù)的匹配程度，即檢驗(yàn)由訓(xùn)練集訓(xùn)練出的模型的泛化能力。通過(guò)改變權(quán)重提高3個(gè)數(shù)據(jù)集的精度和優(yōu)化模型。數(shù)據(jù)歸一化處理將輸入數(shù)據(jù)及輸出數(shù)據(jù)全部化歸到(-1,1)(見(jiàn)式6)，避免由于變量數(shù)量級(jí)的差異而引起模型不準(zhǔn)確。

(6)

1.3.3 神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練

調(diào)用Matlab軟件的神經(jīng)網(wǎng)絡(luò)訓(xùn)練包，運(yùn)用trainlm算法訓(xùn)練已經(jīng)搭建的神經(jīng)網(wǎng)絡(luò)。通過(guò)調(diào)整訓(xùn)練目標(biāo)(均方誤差MSE)及迭代次數(shù)上限等參數(shù)優(yōu)化神經(jīng)網(wǎng)絡(luò)性能。最終發(fā)現(xiàn)，增加迭代上限或減小訓(xùn)練目標(biāo)并沒(méi)有得到更好的擬合結(jié)果，經(jīng)過(guò)60～80次迭代后，訓(xùn)練結(jié)果沒(méi)有明顯減小，模型權(quán)重也基本趨于穩(wěn)定。利用該神經(jīng)網(wǎng)絡(luò)改變輸入變量可以預(yù)測(cè)不同工況下的燃燒性能參數(shù)。

2 模型預(yù)測(cè)結(jié)果及分析

隨機(jī)挑選數(shù)據(jù)集中53個(gè)數(shù)據(jù)點(diǎn)的輸入向量代入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中，將預(yù)測(cè)值與原始數(shù)據(jù)點(diǎn)輸出值(以下簡(jiǎn)稱(chēng)原始值)進(jìn)行比較，結(jié)果如圖4～圖7所示。

圖4 NOx質(zhì)量濃度預(yù)測(cè)結(jié)果

圖5 機(jī)組功率預(yù)測(cè)結(jié)果

圖6 H預(yù)測(cè)結(jié)果

由圖4～圖7可知，機(jī)組功率和NOx質(zhì)量濃度的擬合結(jié)果比A和H的擬合結(jié)果好，而同為燃燒穩(wěn)定性參數(shù)的H的擬合結(jié)果優(yōu)于A的擬合結(jié)果。

圖7 A預(yù)測(cè)結(jié)果

由此可見(jiàn)，8個(gè)輸入特征量(式(4))可以很好地?cái)M合機(jī)組功率，即針對(duì)同一機(jī)組，在環(huán)境溫度、燃料質(zhì)量流量和空氣質(zhì)量流量確定之后，就可以準(zhǔn)確地確定機(jī)組功率。而NOx質(zhì)量濃度的擬合效果較機(jī)組功率有所欠缺，其原因是NOx的生成機(jī)理決定了此變量具有更強(qiáng)的耦合性和非線(xiàn)性，神經(jīng)網(wǎng)絡(luò)沒(méi)能很好地捕捉到這種強(qiáng)耦合性。A和H相較于NOx質(zhì)量濃度具有更強(qiáng)的耦合性，因此擬合結(jié)果相較NOx質(zhì)量濃度有一定差距。

總體來(lái)說(shuō)，預(yù)測(cè)值與原始值基本一致。機(jī)組功率通過(guò)輸入變量的簡(jiǎn)單線(xiàn)性運(yùn)算即可得到，而NOx質(zhì)量濃度、A和H的生成機(jī)理比機(jī)組功率復(fù)雜得多，在數(shù)據(jù)擬合中具有更強(qiáng)的耦合性和非線(xiàn)性，還有進(jìn)一步優(yōu)化模型的可能性。

3 模型敏感性分析

3.1 敏感性分析

燃燒優(yōu)化的目標(biāo)是使燃燒性能參數(shù)保持在燃?xì)廨啓C(jī)健康運(yùn)行的范圍內(nèi)，因此需要對(duì)影響燃燒性能參數(shù)的變量進(jìn)行敏感性分析，確定它們對(duì)燃燒性能參數(shù)的影響大小及正負(fù)相關(guān)性。針對(duì)已建立的神經(jīng)網(wǎng)絡(luò)模型，利用式(7)進(jìn)行A、H和NOx質(zhì)量濃度3個(gè)參數(shù)的敏感性計(jì)算。

(7)

第i個(gè)輸入變量對(duì)第k個(gè)輸出變量的敏感性因子即為這2個(gè)節(jié)點(diǎn)通過(guò)隱藏層所有節(jié)點(diǎn)的乘積之和。將3個(gè)變量的敏感性因子整理成圖8。

如圖8所示，NOx質(zhì)量濃度對(duì)qm,pil、qm,pre和p2的敏感性因子最大，且都為正相關(guān)，IGV開(kāi)度與NOx質(zhì)量濃度為負(fù)相關(guān)，這與燃燒物理機(jī)理相一致，燃料質(zhì)量流量和燃燒室壓力對(duì)燃燒室燃燒狀態(tài)影響最大，且加大燃料質(zhì)量流量直接導(dǎo)致NOx質(zhì)量濃度升高。增大IGV開(kāi)度即增加空氣質(zhì)量流量，可以有效降低NOx質(zhì)量濃度。

圖8 敏感性分析

H與A對(duì)8個(gè)輸入變量的正負(fù)相關(guān)性保持一致。這符合電站實(shí)際運(yùn)行情況，H和A的變化基本是同時(shí)同方向的，對(duì)IGV開(kāi)度、環(huán)境溫度和燃燒室壓降的敏感性最大，其中IGV開(kāi)度增大會(huì)顯著增大A和H，可能是由于IGV開(kāi)度增大使燃燒溫度降低，燃燒的穩(wěn)定性變差。值得注意的是，增加值班火焰燃料質(zhì)量流量可以減小H和A，原因是值班火焰為非預(yù)混火焰，其作用就是穩(wěn)定火焰。

上述8個(gè)輸入變量中，Tamb和Tgas為環(huán)境變量不可調(diào)，Tout、pdel和p2是其他變量的因變量，且不是直接可調(diào)的參數(shù)。因此，針對(duì)NOx排放的優(yōu)化問(wèn)題，應(yīng)著眼于qm,pil、qm,pre和IGV開(kāi)度3個(gè)獨(dú)立變量的調(diào)整。綜上所述，NOx質(zhì)量濃度對(duì)燃料質(zhì)量流量表現(xiàn)出正相關(guān)性，對(duì)IGV開(kāi)度表現(xiàn)出負(fù)相關(guān)性。因此，想要降低NOx質(zhì)量濃度，需要增大IGV開(kāi)度或減少燃料質(zhì)量流量。但是減少qm,pil可能會(huì)導(dǎo)致A和H增大，燃燒穩(wěn)定性變差，而增大IGV開(kāi)度會(huì)同時(shí)導(dǎo)致A和H增大。因此，在優(yōu)化NOx排放的同時(shí)要密切關(guān)注A和H，避免燃燒穩(wěn)定性發(fā)生惡化。

3.2 基于敏感性分析的NOx排放優(yōu)化

由于大幅度改變?nèi)剂腺|(zhì)量流量或IGV開(kāi)度均會(huì)導(dǎo)致偏離原工況點(diǎn)，故要小幅微調(diào)相關(guān)變量，選取3%的調(diào)整范圍。選取NOx質(zhì)量濃度較高的數(shù)據(jù)點(diǎn)進(jìn)行優(yōu)化，優(yōu)化結(jié)果見(jiàn)表1。

由表1可知，不論是哪種調(diào)節(jié)方式，機(jī)組功率的變化均在2%以?xún)?nèi)，可以認(rèn)為機(jī)組運(yùn)行工況沒(méi)有發(fā)生明顯改變。IGV開(kāi)度增大3%，機(jī)組功率減小3%以及qm,pre減少3%對(duì)應(yīng)的NOx質(zhì)量濃度分別降低了7.73%、3.20%和15.86%，故3種方式均可有效降低NOx質(zhì)量濃度，其中減少qm,pre對(duì)降低NOx質(zhì)量濃度最有效。減少燃料質(zhì)量流量，A和H均減小，燃燒穩(wěn)定性加強(qiáng)；增大θIGV，A和H分別增大了1.2%和1.7%。

表1 NOx排放優(yōu)化結(jié)果

需要注意的是，為了保證Tout及機(jī)組功率達(dá)到需求值，燃料質(zhì)量流量和IGV開(kāi)度總是同時(shí)調(diào)整，所以實(shí)際情況中NOx排放調(diào)節(jié)是3種調(diào)節(jié)方式的耦合。

4 結(jié) 論

(1) 所建立的預(yù)測(cè)NOx排放與燃燒穩(wěn)定性的神經(jīng)網(wǎng)絡(luò)模型的敏感性分析揭示了影響NOx排放和燃燒穩(wěn)定性的關(guān)鍵因素。

(2) 隨著環(huán)境溫度降低，NOx排放減少，燃燒穩(wěn)定性變差。NOx質(zhì)量濃度隨值班火焰燃料質(zhì)量流量和預(yù)混火焰燃料質(zhì)量流量的增加而升高，隨IGV開(kāi)度的增大而降低。與之相反，燃燒室的壓力脈動(dòng)和振動(dòng)加速度隨值班火焰燃料質(zhì)量流量增加而減小，隨IGV開(kāi)度增大而增大。

(3) 根據(jù)敏感性分析結(jié)果，對(duì)實(shí)際工況點(diǎn)參數(shù)進(jìn)行微調(diào)，實(shí)現(xiàn)了在保持燃燒穩(wěn)定性的前提下同時(shí)降低NOx質(zhì)量濃度的效果。