1、鍋爐熱效率的具體計算公式鍋爐的熱效率受到多種熱損失的影響，但比較而言，以機械不完全燃燒損失q4受鍋爐燃燒狀況影響最為復雜，飛灰含碳量受鍋爐煤種和運行參數影響很大，相互關系很難以常規的計算公式表達，因此采用了人工神經網絡對鍋爐的飛灰含碳量特性進行了建模，并利用實爐測試試驗數據對模型進行了校驗，結果表明，人工神經網絡能很好反映大型電廠鍋爐各運行參數與飛灰含碳量特性之間的關系。采用鍋爐負荷、省煤器出口氧量、各二次風擋板開度、燃盡風擋板開度、燃料風擋板開度、煤種特性，各磨煤機給煤量、爐膛與風箱差壓、一次風總風壓、燃燒器擺角作為神經網絡的輸入矢量，飛灰含碳量作為神經網絡的輸出，利用3層BP網絡建模是比較

2、合適的。目前鍋爐運行往往根據試驗調試人員針對鍋爐的常用煤種進行燃燒調整，以獲得最佳的各種鍋爐運行參數供運行人員參考，從而實現鍋爐的最大熱效率。但這種方法會帶來如下問題：由于鍋爐燃煤的多變性，針對某一煤種進行調整試驗獲得的最佳操作工況可能與目前燃用煤種的所需的最佳工況偏離；由于調試試驗進行的工況有限，試驗獲得的最佳工況可能并非全局最優值，即可能存在比試驗最佳值更好的運行工況。 本文在對某300MW四角切圓燃燒鍋爐進行實爐工況測試并利用人工神經網絡技術實現飛灰含碳量與煤種和運行參數關系的建模工作基礎上，結合遺傳算法這一全局尋優技術，對鍋爐熱效率最優化運行技術進行了研究，并在現場得到應用。2 遺傳算

3、法和神經網絡結合的鍋爐熱效率尋優算法 利用一個21個輸入節點，1個輸出節點，24個隱節點的BP網絡來模擬鍋爐飛灰含碳量與鍋爐運行參數和燃用煤種之間的關系，獲得了良好的效果，并證明了采用人工神經網絡對鍋爐這種黑箱對象建模的有效性1。人工神經網絡的輸入采用鍋爐負荷、省煤器出口氧量、各二次風擋板開度、燃盡風擋板開度、燃料風擋板開度、各磨煤機給煤量、爐膛與風箱差壓、一次風總風壓、燃燒器擺角和煤種特性，除煤種特性這一不可調節因素外，基本上包括了運行人員可以通過DCS進行調整的所有影響鍋爐燃燒的所有參數。 遺傳算法是受生物進化學說和遺傳學說啟發而發展起來的基于適者生存思想的一種較通用的問題求解方法2,3，

4、作為一種隨機優化技術在解優化難題中顯示了優于傳統優化算法的性能。遺傳算法目前在優化領域得到了廣泛的應用，顯示了其在優化方面的巨大能力3。遺傳算法的一個顯著優勢是不需要目標函數明確的數學方程和導數表達式，同時又是一種全局尋優算法，不會象某些傳統算法易于陷入局部最優解。遺傳算法尋優的效率較高，搜索速度快。 根據鍋爐的反平衡計算公式，鍋爐熱效率可由下式求得： =100-(q2+q3+q4+q5+q6)(%) (1)式中 q2為排煙熱損失，q3為可燃氣體不完全燃燒熱損失，q4為固體不完全燃燒損失，q5為鍋爐散熱損失，q6為其他熱損失。 根據遺傳算法的要求，確定鍋爐熱效率為遺傳算法的目標函數，用式（1）

5、計算。對該300MW鍋爐，利用DCS與廠內MIS網的接口按每6s下載各運行參數，包括排煙氧量、排煙溫度、鍋爐負荷、各二次風擋板開度、燃盡風擋板開度、燃料風擋板開度、各磨煤機給煤量、爐膛與風箱差壓、一次風總風壓、燃燒器擺角等。鍋爐飛灰含碳量可由飛灰含碳量監測儀在線監測或人工取樣分析，燃用煤種由人工輸入。這樣鍋爐的各項損失即可在線獲得，并進而計算出各運行工況下的鍋爐實時熱效率。將排煙氧量和煤種特性等影響鍋爐排煙熱損失q2的參數按熱效率計算，標準化為計算公式代入式（1），而影響q4的各參數采用人工神經網絡模型代入式（1），其中爐渣含碳量對熱效率影響由人工測試后輸入。具體計算公式可參見鍋爐熱效率計算標

6、準。由以上步驟建立了鍋爐熱效率和鍋爐各運行參數及煤種的函數關系，即鍋爐熱效率作為因變量，而鍋爐的各操作參數和煤質特性作為自變量，這樣就可以利用遺傳算法進行尋優計算，獲得最佳的鍋爐運行條件，實現鍋爐熱效率的最大化。 火電廠鍋爐運行中，為考慮到習慣運行方式和各種安全因素的影響，對各種可調因素的選擇區域都有一定的范圍限制，尋優范圍必須控制在這些范圍以內，這些限制構成了自變量的定義域。至此，完成了鍋爐熱效率最優化燃燒的結合神經網絡的遺傳算法優化過程，具體程序流程見圖1。3 燃煤鍋爐熱效率的優化效果 在電廠鍋爐運行中，運行人員調節最為頻繁的參數主要是各種配風方式，包括各二次風、燃盡風、由送引風機配合所確

7、定的氧量等，其余影響鍋爐燃燒的因素，如負荷和煤種，對于運行人員而言在某一工況下是不可調節因素，燃燒器的擺角出于汽溫調節的需要，往往也不會對其調整以實現低的飛灰含碳量。作為示例，我們對影響燃燒的部分參數的尋優過程進行了模擬和驗證。某個實際運行工況如表1所示，除煤種特性為事先取樣分析人工輸入外，其余參數均由集散控制系統（DCS）下載。考慮對鍋爐的排煙氧量和各二次風門開度及燃盡風門開度進行尋優，其余參數維持該工況，利用軟件尋優，遺傳算法選擇的參數種群規模為50，交換概率為0.8，突變概率為0.15，迭代次數500次，可調參數7個，計算獲得優化后的各風門開度、氧量及鍋爐效率和飛灰含碳量值，優化后的各值

8、如表2所示。圖2示出了不同迭代次數下的遺傳算法計算得到的飛灰含碳量值和鍋爐熱效率，圖中曲線1表示鍋爐效率，曲線2表示省煤器后氧量，曲線3表示飛灰含碳量，可見遺傳算法的收斂速度很快。 對圖2的尋優過程進行分析，發現飛灰含碳量曲線具有震蕩，這是因為氧量同時影響到排煙熱損失和飛灰含碳量，優化過程初期氧量較高，飛灰含碳量相應可以搜索到較低值，但由于排煙熱損失比機械不完全燃燒損失數值更大，迫使優化過程向氧量較低的方向尋優，而氧量較低又導致飛灰含碳量有所增加，這種相互反作用的機理使飛灰含碳量曲線呈現震蕩性，這種震蕩性也是由遺傳算法的尋優本質所決定的。 圖3對采用不同的遺傳算法計算參數進行了比較，其中曲線1

9、采用了交換概率為0.8，突變概率為0.15的計算參數；曲線2采用了交換概率為0.8，突變概率為0.3的計算參數；曲線3采用了交換概率為0.2，突變概率為0.1的計算參數。計算表明這幾種參數下尋優過程均能成功收斂，但以曲線3為最佳，說明交換概率和突變概率的選取存在最佳值。增加迭代次數和種群規模，最終結果基本無變化，證明目前的迭代次數和種群規模已基本滿足要求。 由于遺傳算法可以對多個自變量同時進行尋優，如果有需要，可以對任何需要的參數進行尋優，甚至對所有影響因素進行尋優，在軟件編程上實現也很方便，這為遺傳算法在鍋爐優化運行中的應用提供了便利。 對鍋爐在中等負荷下的熱效率優化過程也進行了試驗，表3示

10、出了某種中等負荷條件下鍋爐實際運行工況。表4為中等負荷下遺傳計算獲得的優化結果。現場驗證表明，按優化結果推薦的配風方式進行調節，工況調節后由DCS下載數據計算得到的鍋爐效率與優化算法預測的鍋爐效率基本相當。多個試驗結果表明高負荷下的飛灰含碳量的預測和實測基本相當，而中等負荷下的飛灰含碳量預測略有偏低，這可能與神經網絡建模時中等負荷下的樣本數量偏少有一定關系。但由于本文研究的鍋爐燃燒狀況較好，燃料的灰分低而且揮發分和熱值均較高，所以飛灰含碳量都較低，機械不完全燃燒損失也較小，對鍋爐熱效率的影響也較小。因此各工況下預報的鍋爐熱效率值與實測誤差很小，一般在0.2以內。 針對現場實爐測試樣本數據難以大

11、量獲得的問題，可采用DCS數據采集方法解決，獲得穩定工況下的輸入輸出參數保存，利用這些樣本來訓練神經網絡，這樣既可獲得大量的樣本數據，而且樣本數據可不斷更新，從而使神經網絡模型能代表鍋爐的最新特性。對于燃用燃盡性能差和高灰分煤的鍋爐，機械不完全燃燒損失占到鍋爐效率損失的很大部分，由于排煙熱損失的優化比較簡單，而本文主要針對機械不完全燃燒損失進行優化，因此對于燃用劣質煤鍋爐采取此優化方法具有更好的應用前景，能夠確定鍋爐最佳氧量和各風門開度。 對鍋爐熱效率優化另一種方法也進行了研究，即將鍋爐熱效率與煤種特性、運行參數之間的關系直接采用人工神經網絡建模，然后利用遺傳算法優化，結果表明這種方法的效果遠不如本文的方法。其原因經分析為，人工神經網