一、摘要：
为降低某电厂循环流化床锅炉污染物排放，同时提高锅炉燃烧运行经济性，本文采用数据驱动技术实现循环流化床锅炉多目标燃烧优化。基于改进粒子群优化长短期记忆神经网络建立循环流化床锅炉NOx/SO2排放数学模型和锅炉排烟温度数学模型，以相对误差为预测性评估指标以确定最佳网络参数；其次，基于改进粒子群优化长短期记忆神经网络（IPSO-LSTM）、长 短期记忆神经网络（LSTM）、广义回归神经网络（GRNN）和反向传播神经网络（BPNN）分别构建NOx/SO2排放数学模型和锅炉排烟温度数学模型，通过比较预测性评估指标，证明本文构建预测模型有效性；最后，基于非支配排序遗传算法（NSGA-Ⅱ）获 取不同运行工况下循环流化床锅炉燃烧优化调整方案，以降低NOx/SO2排放浓度，同时维持排烟温度稳定性。结果表明：相比优化前，优化后NOx排放浓度平均降低了10.58%，SO2排放浓度平均降低了25.81%，最大降低了650 mg/m3 ，且排烟温度平均降 低0.14%。
二、前言
随社会生产需要和人民生活水平的提高，电力行业在工业发展中占据主要位置。国家能源局发布2023年全国电力工业统计数据显示，截至2023年12月，全国发电装机容量达291965万kW，其中火电装机容量达139 032万kW，占总发电装机容量 47.62%，“燃煤发电”仍为我国发电主要方式。然而，煤炭燃烧释放的污染物不符合我国可持续发展要求，对人类赖以生存的环境也会造成巨大影响，如酸雨、臭氧层破坏和全球变暖等。
循环流化床技术属于洁净煤燃烧技术，循环流化床锅炉具备燃料适应性广、负荷调节范围宽和污染物排放少等优点，它对我国燃煤电厂污染物排放有一定的遏制作用。此外，电厂企业要实现循环流化床的高效低污染燃烧，循环流化床锅炉多目标燃烧优化研究必不可少。
目前，主要有3种方法实现循环流化床锅炉燃烧优化：
方法1：对循环流化床锅炉进行炉型改造和设备设计，实现锅炉燃烧优化；
方法2：利用实时监测技术和锅炉试验技术调整锅炉燃烧运行参数， 实现锅炉燃烧优化；
方法3：基于数据驱动技术，实现循环流化床锅炉的建模和优化。
对于方法1，炉型改造工程和设备设计耗时耗力且成本较高，对于方法2，获取准确的实时监测数据是实现锅炉燃烧优化的前提和保证，然而电厂检测仪表的检测精度随运行时间的增加而逐年降低，需要定期检查并更新检测仪表，且个别监测点安装困难，限制了该方法的使用。对于方法3，该技术依靠机器学习、神经网络和智能优化等技术实现循环流化床锅炉燃烧优化，与前 2 种方法比，方法3 耗费成本较低，且不存在定期检查和仪表更新等问题，已成为实现循环流化床锅炉燃烧优化的主流方法。
经过学者们深入研究，数据驱动技术可以成功地应用于实际燃煤电厂，实现锅炉燃烧优化。丁 翔基于核极端学习机建立循环流化床锅炉燃烧数学模型，并提出一种混合鸡群算法对锅炉可调参数进行寻优，获得最佳锅炉运行参数，提升锅炉效率，并降低污染物排放浓度。张殿朝等结合粒子群优化算法和最小二乘支持向量机构建循环流化床锅 炉燃烧综合模型，实现锅炉燃烧综合模型的可调参数寻优，促进循环流化床锅炉的高效低污染燃烧。王薪凯结合萤火虫算法和长短期记忆神经网络对循环流化床锅炉燃烧过程进行建模，以NOx排放、锅炉热效率和蒸汽流量为输出参数，基于多目标粒子群优化算法建立锅炉多目标燃烧优化模型，实现循 环流化床锅炉经济低污染运行。范好好基于长短期记忆神经网络构建300 MW循环流化床锅炉燃烧数学模型，以NOx排放、SO2排放和锅炉热效率作为输出参数，采用量子遗传算法获取燃烧优化调整规则，降低NOx和SO2排放，同时提高锅炉热效率，实现循环流化床锅炉高效低污染运行。然而，鲜少有研究者对 660 MW 超临界循环流化床锅炉高效低污染燃烧展开研 究，本文以 660 MW 超临界循环流化床锅炉为研究对象，开展流化床锅炉多目标燃烧优化研究，旨在降低NOx/SO2 排放和维持锅炉排烟温度稳定，实现超临界循环流化床锅炉的高效低污染燃烧。
三、试验方法
1、研究对象
以某电厂660 MW循环流化床锅炉为研究对象，该锅炉为某公司生产的DG2162.3/25.4-Ⅱ 1 型超临界循环流化床直流炉，双布风板、单炉膛、H型布置、平衡通风、一次中间再热、循环流化床燃烧方式，采用外置式换热器调节床温及再热蒸汽温度，采用高温冷却式旋风分离器进行气固分离。锅炉整体呈左右对称布置，支吊在锅炉钢架上。该锅炉由3部分组成。第1部分为主循环回路，包括炉膛、高温气冷式旋风分离器、“U”型阀、外置式换热器及 一、二次风系统等；第2部分为竖井烟道，包括低温 过热器、低温再热器和两级省煤器等；第3部分为尾部烟道，包括2台四分仓式回转空气预热器、静电除 尘器、引风机、脱硫反应塔及湿式电除尘器等。锅炉主要结构尺寸如表1所示。
2、运行数据分析
由煤燃烧过程中NOx生成机理可知，燃料型NOx 排放占煤燃烧NOx总排放量的约75%~90%，是煤燃烧产生NOx的主要来源。在一般燃烧条件下，随炉内温度升高，煤燃料中氮有化合物被分解为氰化氢 （HCN）、氨（NH3 ）和CN等中间产物，在富氧燃烧区， HCN和NH3均被氧化为NO，在富燃料燃烧区，HCN 先被还原为NH和N2，随炉内燃烧区域变化（由富燃 料区转为富氧区），NH 会被再次氧化为 NO。综上所述，总煤量、炉内燃烧氛围及炉内燃烧温度为循环流化床锅炉内煤燃烧产生NOx的重要因素。炉内燃烧氛围由总煤量、一次风量、二次风总风量及炉内氧量等参数控制，炉内燃烧温度由送风量、密相区上下部床温、各分离器出口烟温及排烟温度等因素决定。
此外，锅炉负荷与总给煤量间呈正相关关系，即随着锅炉负荷升高或降低，总给煤量升高或降低。
由煤燃烧过程中 SO2生成机理可知，铁矿硫氧化、有机硫氧化和元素硫氧化是煤燃烧过程中 SO2析出的主要反应。当煤燃料加热至400 ℃，且锅炉燃烧环境为氧化性氛围时，有机硫氧化反应会析出大量的SO2；当炉内温度升高至650 ℃，且炉内仍以“富氧”环境为主时，黄铁矿硫氧化反应会析出大量的SO2，若炉内燃烧环境存在还原性区域，黄铁矿硫将会被分解为FeS，随炉内温度升高，FeS将进一步被分解，可燃硫以 H2S 形式析出，降低 SO2生成量。 元素硫在高温且氧化性氛围下，将析出 SO2。综上所述，炉内燃烧氛围及炉内燃烧温度是循环流化床锅炉内煤燃烧产生SO2的重要因素。其中，总给煤量、一次风量、二次风总风量及炉内氧量等参数决定炉内燃烧氛围；送风量、密相区上下部床温、各分离器出口烟温及排烟温度等因素反应了炉内燃烧温度。
由机组热平衡原理可知，排烟温度是衡量锅炉运行效率的重要指标，可以直接反映锅炉煤料燃烧效率的高低和热交换是否充分，排烟温度每提高 5 ℃，锅炉的运行效率将降低2‰，因此对排烟温度的控制是有效降低锅炉能耗的关键。与排烟温度相关参数包含总煤量、一次风量、总二次风量、炉内 氧量、床温及分离器出口烟温等。
3、模型构建
（1）改进粒子群优化算法（IPSO）
粒子群优化算法（particle swarm optimization, PSO）通过模拟鸟集群飞行觅食行为，寻找问题最优解，具备精度高、收敛快、参数少及算法简单易实现等优点，同时，在处理多纬度优化问题时具有优秀 竞争力，因此被广泛地用于各个领域以解决实际优化问题，如：神经 网络训练、模糊控制器设计、目标跟踪及路径规划等，然而，种群进化方式单一性，导致优化算法在迭代后期，出现种群多样性损失，陷入局部最优等问题，这也限制了粒子群优化算法在实际工程中的应用。为解决上述问题，XU等提出一种基于放射性圆思维粒子群优化算法，以增强进化后期种群多样性，并以燃煤锅炉实际运行数据验证该方法有效性。基于放射性圆思维粒子群优化算法的核心思想为：在种群迭代后期，利用放射性圆思维为每一迭代进程下全局最优解产生变异粒子，以当前迭代进程下全局最优解为中心，以动态变异步长为半径作圆，落在该圆上的点为变异粒子，该变异方式在一定程度上增强种群迭代后期种群粒子多样性，有利于种群个体跳出局部最优。此外，基于放射性圆思维的变异方式，考虑变异方向和变异步长对全局最优个体的影响，该变异方式提高了优化算法搜索真正最佳优秀个体的能力。该变异表达式如式（1） 所示。
（2）长短期记忆神经网络（LSTM）
为解决循环神经网络（recurrent neural network, RNN）梯度消失或梯度爆炸问题，HOCHREITER 等提出长短期记忆神经网络（LSTM），与RNN不同的是LSTM设置遗忘门和更新门，这种“门机制”控制历史信息的保留与更新，解决RNN长期依赖问题，并强化网络学习能力。因此，LSTM神经网络善于处理时间序列样本。LSTM神经网络结构由多个神经网络细胞连接组成，神经网络细胞如图1所示，该细胞由3个sigmod激活函数和2个tanh激活函数 组成。其中，σ1设置在遗忘门，用于处理被舍弃的信息；σ2设置在更新门，用于处理被更新的信息；σ3设置在输出门，用于处理输出部分信息；tanh1设置在更新门，用于生成更新内容；tanh2设置在输出门，用 于更新t时刻神经网络细胞状态；Ct-1表示上一个细胞状态；ht-1表示上一个细胞层输出；xt 表示当前细胞的输入。
LSTM神经网络细胞更新机制如下： 面对细胞输入信息，遗忘门被用于确定需要被 丢弃的信息，遗忘门计算如式2所示：
（3）基于改进粒子群优化长短期记忆神经网络
本文采用基于改进粒子群优化的双层长短期记忆神经网络（IPSO-LSTM）构建循环流化床锅炉燃烧过程中NOx排放数学模型、SO2排放数学模型和排烟温度数学模型。其中，采用IPSO以确定一组最佳的神经网络结构参数，在参数优化过程中，目标函数为测试样本预测输出与实际输出间均方根误差，输入变量为隐含层神经元个数（Num1, Num2），基于最佳网络结构参数建立NOx排放数学模型、SO2排放数学模型和排烟温度数学模型。参数优化过程如图2所示。
（4）预测结果及分析
基于IPSO-LSTM构建循环流化床锅炉燃烧过程中NOx排放浓度数学模型、SO2排放浓度数学模型和排烟温度数学模型。为了验证IPSO-LSTM方法构建上述数学模型的有效性，本文采用 BPNN、GRNN、LSTM、IPSO-LSTM、PSO-LSTM和 GA-LSTM 方法分别建立流化床锅炉燃烧过程中NOx排放浓度数学模型、SO2排放浓度数学模型和排烟温度数学模型。不同方法构建预测模型的预测结果如图3—5所示。 图 3(a)~(f)分别表示基于 BPNN、GRNN、LSTM、 IPSO-LSTM、PSO-LSTM 和 GA-LSTM 建立的 NOx排放浓度预测模型在测试样本上的预测结果。预测结果显示：在 BPNN、GRNN、LSTM、IPSO-LSTM、PSO-LSTM和GA-LSTM预测方法下，NOx排放浓度相对误差分别集中于-30%~80%、-20%~50%、-10%~50%、1.5%~0.2%、10%~80% 和 10%~78% 之间。结果表 明：在测试样本上，相比于其他建模方法（如：BPNN、 GRNN、LSTM、PSO-LSTM 和 GA-LSTM），IPSOLSTM有能力搜索一组最佳LSTM网络参数，为循环流化床锅炉燃烧过程建立一个高精度NOx排放预测模型，同时，IPSO方法的有效性被证明。
图4(a)—(f) 分别表示基于BPNN、GRNN、LSTM、 IPSO-LSTM、PSO-LSTM 和 GA-LSTM 建立的SO2排 放浓度预测模型在测试样本上的预测结果。SO2排放浓度相对误差绝对值最大值分别达到36%、30%、 26%、1%、25% 和 45%；结果表明：基于IPSO-LSTM 构建SO2 模型预测精度优于基于BPNN、GRNN、 LSTM、PSO-LSTM和GA-LSTM构建SO2模型预测精度，IPSO-LSTM能为循环流化床锅炉燃烧过程建立一个准确的SO2排放预测模型。
图5(a)~(f) 分别表示基于 BPNN、GRNN、LSTM、 IPSO-LSTM、PSO-LSTM和GA-LSTM建立的排烟温度预测模型在测试样本上的预测结果。排烟温度相对误差分别集中于 6.0%~20%、1.0%~15%、－30%~ 3.0%、-1.0%~0.2%、-15%~0.2%和-15%~0.1%，预测结果显示：基于IPSO-LSTM方法构建的循环流化床锅炉排烟温度预测模型能使测试样本实际排烟温度与预测排烟温度间相对误差达到最低。结果表明：IPSO能够获得一组优秀的LSTM网络参数以构建循 环流化床锅炉排烟温度预测模型，此外，相比BPNN、 GRNN、LSTM、PSO-LSTM 和 GA-LSTM，IPSO-LSTM 有能力构建一个高精度的排烟温度预测模型。
综上所述，相比BPNN、GRNN、LSTM、PSO-LSTM 和 GA-LSTM，IPSO-LSTM 有能力构建一个高精度的NOx排放浓度数学模型、SO2排放浓度数学模型和排烟温度数学模型。
四、多目标燃烧优化
1、多目标优化函数
本文旨在降低循环流化床锅炉燃烧过程中NOx 排放浓度和SO2排放浓度，同时，维持锅炉燃烧过程排烟温度稳定性。本文采用锅炉排烟温度这一参数变量来衡量循环流化床锅炉燃烧过程中炉内燃烧氛围（环境）对锅炉热效率的影响（即：采用优化 前后排烟温度变化趋势，用以评估循环流化床锅炉 多目标燃烧优化解对锅炉热效率的影响）。提高循环流化床锅炉排烟温度稳定性，有利于提高锅炉热经济性。循环流化床锅炉多目标燃烧优化函数如式（5）所示。
式中：xinvNOx 表示循环流化床锅炉NOx排放浓度预测模型输入参数，mg/m3 ；xinvSO2 表示循环流化床锅炉SO2排放浓度预测模型输入参数，mg/m3 ；xinvTem表示循环流化床给锅炉排烟温度预测模型输入参数，mg/m3 ；XTem表示排烟温度向量。
2、多目标优化结果及分析
本文基于非支配遗传算法（non-dominated sorting genetic algorithm，NSGA-Ⅱ）求解循环流化床锅炉多目标燃烧优化函数，获取不同运行工况下循环流化床锅炉燃烧优化调整方案，以降低NOx 排放和SO2排放，同时保证炉膛排烟温度维持在一个相对稳定的水平。部分不同运行工况下循环流化床锅炉燃烧优化调整方案如表2所示。
锅炉燃烧优化前后，NOx排放浓度、SO2排放浓度和炉膛排烟温度变化曲线分别如图6~8所示。由图6可知，优化前，NOx排放浓度范围主要在20~ 60 mg/m3 范围内，且波动幅度较大；优化后，NOx排放浓度主要集中在35~40 mg/m3 范围内，且排放浓度分布较集中，上下波动幅度较小。由图7可知，优化前，循环流化床锅炉中SO2排放浓度最小值达到1 000 mg/m3 ，远远高于SO2排放浓度规定上限，且相邻两实验样本SO2排放浓度差较高，即SO2排放浓度波动幅度较大；基于NSGA-Ⅱ 多目标优化方法优化后，SO2排放浓度明显地降低，其排放浓度值集中在900 mg/m3 ，同时降低相邻两实验样本SO2排放浓度波动幅度。 由图8可知，循环流化床锅炉燃烧优化前，实验样本工况下，锅炉排烟温度值主要分布在128~134 ℃之间；优化后，锅炉排烟温度值分布在 130~ 131 ℃之间，同时，缩小相邻两实验样本工况下排烟温度间波动幅度。
优化结果表明：基于NSGA-Ⅱ多目标优化方法所获取的燃烧优化调整方案，不仅降低NOx排放浓度和SO2排放浓度，还能提高循环流化床锅炉NOx排 放和SO2排放稳定性。此外，该燃烧优化调整方案 还能使锅炉排烟温度维持在一个相对稳定的数值区间，有利于提高循环流化床锅炉运行稳定性。
五、结论
1、建模过程中，对于相同测试样本，NOx/SO2排放浓度和排烟温度预测模型相对误差绝对值的最大值分别达到1.5%，1.0%和1.0%。IPSO-LSTM有能力搜索出最佳LSTM网络参数，构建循环流化床锅炉NOx/ SO2排放浓度数学模型和排烟温度数学模型。
2、多目标优化过程中，NOx排放浓度平均降低 了10.583%，SO2排放浓度平均降低了25.812%，最大 降低了650 mg/m3 ，且排烟温度平均降低0.143%。