唐永基，李前宇，陈虎亮

（1.宁夏京能宁东发电有限责任公司，宁夏 银川 750409；2.北京京能电力股份有限公司，北京 100124；3.北京源深节能技术有限责任公司，北京 100036）

0 引言

目前我国火电厂普遍采用高效率选择性催化还原法SCR（selective catalytic reduction） 脱硝装置、低NOx燃烧等技术对锅炉进行改造[1-3]，使NOx的排放浓度显著下降[4]。大量试验表明，煤质差异不大时，不同的运行方式会造成锅炉省煤器出口NOx质量浓度差异明显，同时也会影响锅炉热效率。因此，对锅炉进行低氮燃烧优化意义重大。本文以某330 MW 超临界机组为研究对象，利用反向传播BP（back propagation）神经网络对锅炉特性建模，并利用遗传算法实现操作参数的实时寻优[5-7]。结果表明：该模型通过对运行参数进行实时优化控制，有效降低了NOx排放浓度。

1 BP 神经网络建模

BP 神经网络学习规则是使用梯度下降法计算得到预测输出值和样本值进行误差分析，不断反向传播来调整网络中权值和阈值，使网络的输出值接近所期望的输出值，最终误差满足要求[8-9]。

1.1 模型参数选择

本文依据燃烧原理与现场燃烧优化试验，分析影响锅炉效率与NOx质量浓度的可控必要因素，确定采用入炉煤量、入炉总风量来代表锅炉负荷的影响，其中现场投用5 台磨煤机和5 台给煤机，取5台给煤机煤量代表磨煤机的组合方式及入炉总煤量，取入炉一次风量、二次风量各一个值代表入炉总风量；燃烬风共投用5 层，同层联动，采用1 号角5 个燃烬风风门开度值；燃料风共投运5 层，同层开度联动，采用1 号角5 个燃料风风门开度值；……