PDF《变尺度混沌蚁群算法在 NOx 排放优化中的应用》

第28 卷第11 期中国电机工程学报Vol.

28 No.11 Apr.15,

2008 18

2008 年4月15 日Proceedings of the CSEE ?2008 Chin.Soc.for Elec.Eng. 文章编号:0258-8013 (2008) 11-0018-06 中图分类号:TK

223 文献标识码:A 学科分类号:470?10 变尺度混沌蚁群算法在 NOx 排放优化中的应用 郑立刚,周昊,王春林,岑可法 (能源清洁利用国家重点实验室(浙江大学),浙江省 杭州市 310027) Application of Scaleable Chaotic Ant Colony Algorithm in NOx Emissions Optimization ZHENG Li-gang, ZHOU Hao, WANG Chun-lin, CEN Ke-fa (State Key Laboratory of Clean Energy Utilization (Zhejiang University), Hangzhou 310027, Zhejiang Province, China) ABSTRACT: In order to control the nitric oxide emissions in coal-fired power plants, support vector regression (SVR) was employed to establish a mathematic model predicting the characteristics of nitric oxide emissions in large capacity corner-fired boilers. A large number of field test data from a full-scale operating boiler was used to train and validate the SVR model. Combining with NOx emission model, a scaleable chaotic ant colony optimization(SCACO) was used to optimize the operating parameters of the boiler. The inherent control parameters of the optimization algorithm were quantitatively analyzed in detail. The computational results show that SVR, compared to BPNN, predicts NOx emissions with better accuracy. ACO reduces NOx emissions significantly with high stability and robustness. One point eight minutes for optimization process is suitable for on line applications. The hybrid algorithm combining SVR and SCACO provides an efficient approach to reduce NOx emissions from the coal-fired utility boiler. KEY WORDS: combustion optimization;

coal-fired utility boiler;

support vector regression;

chaos;

ant colony optimization 摘要:为了控制燃煤电厂 NOx 排放,应用支持向量回归建 立了大型四角切圆燃烧电站锅炉 NOx 排放特性模型.利用 大样本量的热态实炉 NOx 排放试验数据对模型进行了训练 和验证,结合 NOx 排放模型采用一种变尺度混沌蚁群算法 对锅炉运行参数进行优化, 定量分析优化算法参数对优化 结果的影响.计算结果表明,相对于 BP 神经网络,支持向 量回归模型能更好地预测锅炉 NOx 排放;

变尺度混沌蚁群 算法能明显降低 NOx 排放,且具有较高的稳定性与鲁棒性, 1.8 min 的优化时间也便于在线应用;

支持向量回归与变尺 度蚁群混合算法能有效降低燃煤锅炉 NOx 排放,是锅 基金项目:新世纪优秀人才支持计划项目(NCET-07-0761);

全国优 秀博士学位论文作者专项资金项目(200747);

浙江省自然科学基金项目 (R107532). 炉NOx 排放控制的有效工具. 关键词:燃烧优化;

燃煤锅炉;

支持向量回归;

混沌;

蚁群 优化

0 引言 锅炉的燃烧优化调整可以较大幅度地降低锅 炉的 NOx 排放浓度. 燃烧调整主要通过空气分级[1] 、 降低火焰温度和火焰中的氧气浓度[2] 来达到降低 NOx 排放量的目的.通过热态实验,可以调节运行 参数以获得最低的 NOx 排放.然而,一旦运行工况 (如负荷)发生改变,这些运行参数便不再有效.因此, 为了降低 NOx 排放, 必须建立 NOx 排放与锅炉 运行参数之间的关系. 人工智能技术因其良好的处理非线性的能力, 在模拟锅炉排放方面得到应用[3] .神经网络和遗传 算法是其中的典型代表[4-9] . 几种商业燃烧优化软件 的成功应用表明,基于神经网络与寻优技术结合的 燃烧调整是降低锅炉 NOx 排放的一种有效途 径[10-11] .国内学者为此开展了不少相关研究,但都 处于理论研究阶段[5,12-13] .由于 NOx 排放与锅炉运 行参数之间的函数关系是多维、高度非线性的[14] , 因此为了准确捕捉锅炉的 NOx 排放特性, 需要足够 数量的训练样本,但获取代表性的数据样本非常费 时费力,所以目前这些研究所采用的数据量都非常 少[5,12] .另外,神经网络固有的缺点使其不利于在 线应用. 近年来,基于统计学习理论的支持向量回归 (support vector regression, SVR)受到广泛关注, SVR 可以克服神经网络设计困难、结果不确定等缺点. 本文作者前期工作中利用 SVR 建立了大型电站锅 炉的 NOx 排放模型, 并采用实炉多工况试验数据进 行了 NOx 排放的 SVR 建模研究[15-16] . 第11 期 郑立刚等: 变尺度混沌蚁群算法在 NOx 排放优化中的应用

19 蚁群算法是近来年出现的一种新的寻优技术, 该算法具有执行速度快、 性能好等特点[17] . 基于此, 本文首先应用 SVR 建立了大型电站锅炉的排放特 性模型,进而应用 ACO 寻优 NOx 排放模型,结果 表明,蚁群优化(ant colony optimization,ACO)与SVR 结合可降低 NOx 排放, 为该算法的实际推广应 用提供基础依据.

1 NOx 排放特性的支持向量回归模型 作为一种新的统计学习方法,支持向量回归应 用结构风险最小化原则,有效解决了机器学习理论 中的泛化问题.最小化结构风险目标函数有效抑制 了欠学习和过学习现象,可以获得良好的泛化能 力;

该算法最终转化为一个二次规划问题,得到全 局最优点,解决了神经网络中的局部极小值问题;

其拓扑结构只与支持向量有关,减小了计算量,计 算速度快,更适于在线应用;

该方法适合于小样本 学习. 对于回归问题,支持向量回归在引入精度ε后 就可以应用分类问题的方法.对于线性回归,设所 有训练数据都可以在精度ε下无误差地用线性函数 拟合,考虑到会有样本点在目标函数的ε之外的情 况,引入松弛因子ξi≥0 和*iξ≥0,这时回归问题就 可转化为最小化结构风险函数的问题[16] : T * ,

1 1 min ( )

2 l i i w b i R C ξ ξ = = + + ∑ w w (1) T T * * ( ( ) )

0 s.t.0 , 0, 1... i i i i i i i i y x b y x b i l φ ε ξ φ ε ξ ξ ξ ? ? ? ? ≥ = ? ? w w (2) 式中:φ(x)为影射用的非线性函数;

w 为回归系数;

b 为偏置.式(1)中的第

1 项使回归函数更为平坦, 泛化能力更好,第2项则为减少误差,常数 C>

0 控 制对超出误差ε 的样本的惩罚程度.f(xi)(样本实际 值) 与yi (预测值)的差别小于ε 时不计入误差(ξi, * i ξ =0),大于ε 时误差计为| f(xi)?yi|?ε. 本文研究对象为一台

300 MW 四角切圆燃烧锅 炉,该锅炉由上海锅炉厂有限公司生产的 SGC 1025/16.77CM849 型1025 t/h 双切圆燃烧控制循环 汽包炉,炉膛水冷壁采用一次上升管圈(即UP 型), 锅炉为单炉体双炉膛Π型布置,炉膛中间由双面水 冷壁将炉膛分隔成左右

2 个相同大小的燃烧室,炉 膛断面尺寸为宽

17 m,深8.475 m,后烟井深度为 8.5 m, 水平烟道深度为

5 m, 炉顶管标高为 45.5 m. 燃烧设备为直流式四角切圆布置,双炉膛共

8 组燃 烧器,分别布置在前后墙水冷壁上,每组燃烧器由

4 层一层风喷嘴和

6 层二次风喷嘴组成,中心标高 15.6 m,假想切圆直径为

500 mm. 通过热态多工况实炉测试采集了 NOx 排放量 及锅炉运行参数,对影响锅炉燃烧特性的

21 个运 行参数如锅炉负荷、煤种、二次风速(分别用 A-F 表示)、一次风速(分别用 A-D 表示)、氧量等进行了 变工况试验[16] ,共采集了

670 个工况的数据.NOx 排放量从 530.33 mg/m3 变化到 834.8 mg/m3 .本文 利用支持向量回归建立了 NOx 排放与这

21 个参数 之间的函数关系,即CNOx=f(一次风速(4 层), 二次风速(6 层), 氧量, 磨煤机转速(4 台),负荷,煤质) SVR 模型中有一对参数(C,γ )需要确定,目前 尚无完备理论给出这两个参数.遗传算法[16,18] 常被 用来确定(C,γ ),但这种方法耗时较多........