基于BP神经网络与遗传算法的锅炉排放特性研究

氮氧化物(NOx)是燃煤电站锅炉排放的主要污染物之一。随着环保要求的提高,现代发电企业面临降低运行成本和降低污染物排放双重要求。电站锅炉是一个复杂的多变量系统,其NOx排放特性复杂,很难用简单公式进行估算,往往根据试验结果摸索降低NOx的方法。但现场实炉测试工作量大,测试工况有限,各参数对NOx排放均有影响,且互相叠加,导致数据分析困难,而无法根据实测结果获得估算公式和具体计算模型,不能将试验结果进一步推广。神经网络建模的一个重要特征就是其输入输出之间的黑箱特性,如果将锅炉视为黑箱,则一定的输入必然对应确定的输出,因此应用人工神经网络对锅炉排放特性建模。 本文在分析了燃煤锅炉NOx生成和破坏机理的基础上,讨论了影响燃煤锅炉NOx排放的各因素。利用锅炉热态试验数据,采用3层BP神经网络构建了锅炉排放特性模型。针对常规BP算法学习效率低,收敛速度慢等缺陷,采用批量学习、附加动量项、自适应学习系数等措施加以改进。通过锅炉的实测数据验证,BP神经网络对NOx、排烟温度、飞灰含碳量、排烟氧量的相对预测误差分别为0.49%,-1.954%、8.14%、-5.134%。从检验的结果来看,NOx、排烟温度的预测结果非常接近实测值。 针对初始权值和阈值对网络的收敛速度和误差精度影响较大这一问题,采用实数编码遗传算法先对网络权值优化,然后采用改进BP神经网络进行优化。综合利用遗传算法的全局搜索能力和BP神经网络局部搜索能力的特点。设计并实现了基于遗传算法和BP网络结合的锅炉排放特性网络模型,GA—BP网络对NOx、排烟温度、飞灰含碳量、排烟氧量的相对预测误差分别为0.863%,-0.89%、-5.13%、-2.722%。检验结果表明利用遗传算法和BP网络结合的锅炉排放特性网络模型的收敛速度、学习误差较之改进的BP算法建立的模型均为最佳。 通过人工神经网络建立大型电厂锅炉的NOx排放特性模型后,即可根据输入参数预报锅炉排放特性,如果结合全局寻优算法,可以寻找出最优的操作参数,以获得低的NOx排放浓度。