马晓东，刘 扬，李永华，牛海宝

(1.大唐国际发电股份有限公司张家口发电厂，河北张家口075133;2.华北电力大学能源动力与机械工程学院，河北保定071003)

0 引言

炉膛出口运行氧量是机组运行中调整最频繁、变化范围最宽、与其它运行指标耦合性最强、对经济性影响最大的参数之一［1］。然而，实际运行操作中仅凭经验确定运行氧量及其控制参数的方法很难保证锅炉安全经济运行。近年来，以供电煤耗率作为机组经济性评价准则来确定机组运行氧量基准值的研究取得了一定的成果，本文对其中四种确定锅炉运行氧量基准值的方法进行了分析比较。

氧量设定值偏小或偏大都不利于机组经济性，在同一负荷下存在一个使各项损失之和达到最小的氧量值，即氧量基准值［2］。炉膛出口运行氧量发生变化时，对经济性的最直接影响来自烟气量引起的排烟热损失的变化，同时，它还会引起其它运行参数的改变，这些参数包括：灰渣未燃烬碳含量、排烟温度、送引风机总电耗、主汽温度和减温水量、再热汽温度和减温水量，这些都可通过供电煤耗率综合体现出来。因此，可利用供电煤耗率作为机组经济性评价准则来确定运行氧量基准值［1］。

1 基于最佳烟气含氧量偏微分方程的运行氧量基准值的确定

1.1 基于烟气含氧量变化的供电煤耗率定量分析计算模型

电站锅炉运行过程中烟气含氧量O2的变化，会同时引起灰渣平均含碳量、烟气中可燃气体一氧化碳含量CO、排烟温度tpy和送、引风机总电耗Wsy等热经济性参数的变化，进而通过引起锅炉热效率ηgl和辅机设备耗电份额ζ的变化对机组供电煤耗率bg产生综合影响，将供电煤耗率bg表示为各主要热经济性参数的函数，可以得到：

将式(1)对烟气含氧量求导，可以得到供电煤耗率bg对电站锅炉运行过程中烟气含氧量O2变化的偏导数关系：

式中：∂F/∂ηgl，∂F/∂ξ分别为锅炉热效率和辅机设备耗电份额引起的锅炉供电煤耗率的变化率;∂ηgl/∂O2，∂ηgl/，∂ηgl/∂CO，∂ηgl/∂tpy分别为各热经济性参数引起的锅炉热效率的变化率;∂ξ/∂Wsy为送、引风机总电耗引起的辅机设备耗电份额的变化率;/∂O2，∂CO/∂O2，∂tpy/∂O2，∂Wsy/∂O2分别为运行过程中烟气含氧量变化引起的各热经济性参数的变化率。

式(2)即为电站锅炉运行过程中基于烟气含氧量变化的供电煤耗率定量分析计算模型计算表达式［3］。

1.2 电站锅炉最佳烟气含氧量偏微分方程

根据最优化控制理论，当供电煤耗率bg对电站锅炉运行过程中烟气含氧量O2变化的偏导数关系式(2)右边各项之和等于0时，可以使供电煤耗率bg达到最小值，此时的烟气含氧量即为最佳烟气含氧量。因此使电站锅炉运行过程中在不同负荷和运行工况下供电煤耗率bg达到最小值的最佳烟气含氧量设定值应满足以下偏微分方程：

式(3)即为以最小供电煤耗率bg为目标的电站锅炉运行过程中最佳烟气含氧量偏微分方程。通过求解式(3)，可以确定电站锅炉运行过程中不同负荷和运行工况下对应的最佳烟气含氧量设定值。在计算过程中，对于某一负荷，首先根据初始运行工况下的各热经济性参数计算出最佳烟气含氧量偏微分方程中的各偏导数，然后给定不同的烟气含氧量，将烟气含氧量的变化量乘以各热经济性参数对烟气含氧量变化的偏导数可以预测计算出各热经济性参数的变化，并利用各热经济性参数的预测值对各偏导数进行重新计算，采用逐次逼近的方法使最佳烟气含氧量偏微分方程中左边各项之和最终为0，最后一次给定的烟气含氧量即为所求的最佳烟气含氧量设定值。

2 基于增量式模糊数值型关联规则挖掘的运行氧量基准值的确定

增量式模糊数值型关联规则挖掘算法是将数据增量式挖掘技术引入到参数最优值确定中，并利用关联规则挖掘算法确定各负荷、各工况下参数的基准值，而且解决了当数据库发生改变后优化目标值的增量更新问题，并将其用于火电机组锅炉运行氧量基准值的确定中［2］。

采用增量式挖掘算法确定运行氧量基准值的基本思路为：充分挖掘出对氧量有影响的某些参数及相关效率与氧量之间的多维关联规则，选择该规则中相关效率较高区间所对应的氧量区间作为氧量在这些影响因素下的基准值区间。当数据库发生改变时，充分利用原有挖掘结果，仅对少量更新数据进行挖掘，即得到更新后的关联规则。

3 基于BP神经网络模型和遗传算法的运行氧量基准值的确定

3.1 基于BP神经网络的运行氧量基准值模型

人工神经网络是由大量模拟生物神经元的人工神经元广泛互联而成的网络，BP网络即误差反向传播神经网络，是神经网络模型中使用最广泛的一类，具有极强的非线性拟合能力，可以将低维空间的非线性问题转化为高维空间的线性问题求解。借助BP网络的非线性动力学特性及自学习特性，构建锅炉运行氧量与机组供电煤耗率之间关系的神经网络模型［4］。

采用BP神经网络模型和遗传算法确定运行氧量基准值的基本思路为：对于已投运的锅炉，其炉膛结构参数已经确定，锅炉运行氧量主要受煤质特性和锅炉运行工况的影响，因此可将煤质特性参数和锅炉运行工况作为神经网络的输入量，锅炉运行氧量和机组的供电煤耗率作为神经网络的输出量。确定隐含层和神经元的数目，分别采用双曲正切激活函数和对数激活函数，输出层采用线性结构，对试验数据进行处理，使之成为网络模型的样本数据。在此基础上建立锅炉运行参数和炉膛出口烟气含氧量、锅炉热效率关系的神经网络模型。以此模型为基础，应用遗传算法进行运行氧量寻优。

3.2 遗传算法实现运行氧量的优化

在众多的优化算法中，遗传算法(geneticalgorithms，GA)是一种基于生物自然选择与遗传机理的随机搜索算法［5］，它与传统的搜索方式不同，以模拟自然界生物进化过程，采用人工进化的方式对目标空间进行搜索，对于处理复杂优化问题通用性强。而且遗传算法从多个初始点开始寻优，沿多路径搜索实现全局或准全局最优，优化求解过程与梯度信息无关，对优化问题没有太多的数学约束，可以处理任意形式的目标函数和约束条件。因此与传统的优化方法相比，遗传算法可以更有效地找到全局最优，并以其运行过程简单、计算效率高、搜索速度快而被广泛应用。

由于优化对象是由BP神经网络建立的模型，输入和输出之间的函数关系具有高度的非线性特性，对其求导相当困难，因此在对氧量基准值进行优化时就需要寻找一个简单直接的优化算法。将上述已完成训练的BP网络模型作为求解目标函数值的数学表达式，采用遗传算法对其进行优化处理。根据优化求得的各输入变量，带入BP网络模型，即得供电煤耗率最低时的氧量值。

4 基于支持向量回归和遗传算法的运行氧量基准值的确定

支持向量机是在统计学理论的基础之上发展起来的算法，将该法用于解决回归问题即支持向量回归(support vector regression，SVR)。

SVR可以表述为：由k组样本组成的训练集T={(x1，y1)，(x2，y2)，…，(xk，yk)}∈(X × T)k，其中的变量x和 y的区间为，xi∈X=Rn，yi∈T=R，i=1，2，…，k。在线性函数集 F={f(x，∂)=(w·x)+b，∂∈Λ}中寻找回归函数 f(x，∂0)，使损失函数 L(y，f(x，∂))在训练集上最小［6］。

采用SVR模型和遗传算法确定运行氧量基准值的基本思路为：借助于现场运行数据，建立基于支持向量回归的锅炉氧量特性模型，然后根据锅炉运行氧量的特性进行二次建模，获得了运行氧量、机组供电煤耗率与各运行参数之间的关系模型，最后以机组的供电煤耗率为优化目标，并结合遗传算法对输入参数进行寻优，最终确定了优化后的锅炉运行氧量基准值。

5 结束语

(1)最佳烟气含氧量偏微分方程，给出了机组变氧量运行经济性理论分析方法，用数学关系全面深入地反映了电站锅炉运行过程中烟气含氧量变化引起各热经济性参数变化，进而通过各热经济性参数影响锅炉热效率和辅机设备耗电份额，并最终引起供电煤耗率bg变化的本质过程。通过求解该方程，可以确定电站锅炉运行过程中不同负荷和运行工况下对应的最佳烟气含氧量设定值。但是所需的试验计算与理论推导较为繁琐，在实际的操作中存在一定的困难。

(2)采用增量式挖掘算法确定运行氧量基准值，这种新的挖掘算法具有良好的快速性，大大减少了候选项集的数目，因而大量减少了重复计算的费用。充分利用数据库中现有的实时和历史的海量数据资源，探讨目标值的多种影响因素，从而得出在各种影响因素变化下符合当前机组实际运行状态的氧量基准值。但是局限于煤质和外界条件变化不大时的稳定运行工况。

(3)采用BP神经网络模型和遗传算法确定运行氧量基准值，该方法借助了神经网络较强的非线性拟合能力、网络泛化及容错能力，同时结合了运行过程简单、计算效率高、搜索速度快的遗传算法。其预测结果和基于燃烧机理的定量分析结果一致，相对误差仅为0.033%［7］，表明该模型具有较高的准确性。但是，当训练样本相同时，BP模型的测试精度明显低于SVR模型［6］。

(4)采用SVR模型和遗传算法确定运行氧量基准值，该方法借助了SVR较高的回归精度和较好的泛化能力以及高效率的遗传算法。计算结果表明该模型具有较高的准确性［6］，通过全局寻优得到的氧量值具有可操作性，很好地解决了锅炉变工况运行参数基准值的确定问题。但SVR存在着一些缺陷，如建模所需的样本数量较多，建模训练时间较长，不适于在线学习和优化等。

［1］ 刘福国，郝卫东等.电厂锅炉变氧量运行经济性分析及经济氧量的优化确定［J］.中国电机工程学报，2003，23(2)：172-176.

［2］ 刘吉臻，牛成林等.锅炉经济性分析及最优氧量的确定［J］.动力工程，2009，29(3)：245-248.

［3］ 古俊杰，孔德奇等.电站锅炉燃烧优化中最佳烟气含氧量设定值的计算［J］.华北电力大学学报，2007，34(6)：61-65.

［4］ 苍国超，吴海姬等.锅炉运行氧量基准值确定方法的研究［J］.锅炉技术，2008，39(2)：22-24.

［5］ 雷英杰，张善文等.MATLAB遗传算法工具箱及应用［M］.西安电子科技大学出版社.2005，3-4.

［6］ 周建新，司风琪等.基于SVR和GA的锅炉运行氧量基准值的优化确定［J］.东南大学学报，2008，38(6)：22-1066.

［7］ 赵绪新.基于人工智能技术的电站锅炉最优氧量预测［J］.技术交流，2006，10：42-44.