基于煤种掺烧模式的锅炉燃烧NOx预测模型

杨建国， 叶凌云， 赵 敏， 赵 虹， 郦宜进,李 敏， 俞 逾， 邓芙蓉

(1. 浙江大学 能源清洁利用国家重点实验室， 杭州 310027； 2. 浙江浙能兰溪发电有限责任公司，浙江兰溪 321100； 3. 浙江天地环保工程有限公司， 杭州 310003)

基于煤种掺烧模式的锅炉燃烧NOx预测模型

杨建国1， 叶凌云1， 赵 敏1， 赵 虹1， 郦宜进2,李 敏2， 俞 逾2， 邓芙蓉3

(1. 浙江大学 能源清洁利用国家重点实验室， 杭州 310027； 2. 浙江浙能兰溪发电有限责任公司，浙江兰溪 321100； 3. 浙江天地环保工程有限公司， 杭州 310003)

结合某660 MW锅炉入炉煤种煤质、磨煤机组合方式、配风方式和锅炉运行参数等，利用支持向量机建立了锅炉燃烧NOx预测模型，并利用该模型进行了应用模拟，在保持其他参数不变的情况下，研究了氧体积分数、燃尽风率、配风方式、煤种及磨煤机组合方式对NOx质量浓度的影响.结果表明：模型具有较好的准确性和泛化能力以及理想的调节性能；模型包含煤种及磨煤机组合方式信息，对于煤种煤质多变机组，提高了预测NOx质量浓度的准确性，这对降低NOx质量浓度和保证稳定燃烧的优化调整，尤其是对指导入炉煤调配及煤炭采购甚至实现“智慧燃料”具有重要意义.

炉内掺烧； NOx； 预测模型； 支持向量机； 多煤种； 磨煤机组合方式

NOx是燃煤锅炉排放的主要气体污染物之一，随着环保意识和要求的提升，燃煤机组超低排放已受到广泛的重视与应用，其中NOx排放质量浓度上限由国家标准规定的最低限值100 mg/m3进一步降低到50 mg/m3[1-2].目前，燃煤电厂一般采取低NOx燃烧技术与烟气选择性催化还原(SCR)脱硝技术相结合来控制NOx排放[3].过低地控制NOx浓度会影响锅炉的安全经济运行[4]，过高的脱硝效率可能会导致氨逃逸率增加从而带来空气预热器运行的安全隐患[5-6]，因此低NOx燃烧控制与SCR脱硝效率之间存在协调关系[7].另外，由于SCR脱硝的喷氨与反应具有一定滞后性[8]，当NOx浓度变化较大时，很容易导致SCR出口NOx浓度短时间超标，因而有时在实际运行中不得不提高稳态下的脱硝效率使NOx排放浓度更低.燃煤锅炉的NOx生成特性较为复杂，与燃烧器结构形式[9]、锅炉运行控制(如锅炉负荷、氧量、燃尽风率、配风方式、磨煤机组合方式等)[10]、燃用的煤种[11]及其掺烧的上煤方式[12]等都有密切关系，如果能够预测NOx浓度及其关键影响因素，则对燃烧优化控制、入炉煤优化调配和SCR优化运行等具有显著意义.

刘吉臻等[13-14]应用支持向量机(SVM)和神经网络(ANN)等多种非线性数学工具建立了锅炉燃烧NOx预测模型，但是基本上没有考虑入炉煤种对NOx的影响，这对煤种稳定的机组的影响可能不大；而对煤种变化较大的机组的影响则不容忽视，甚至煤种对NOx的影响超过燃烧调整对NOx的影响[11,15].Smrekar等[16]提出在构建模型时需要考虑燃料变化、燃煤机组的运行状况及蒸汽参数等因素.煤种因素被忽略的主要原因在于目前绝大多数电厂的燃料数据不能与锅炉运行数据自动实时关联，数据采集难度较大，实际应用中也得不到实时入炉煤数据.随着智慧电厂、数字化煤场及智慧燃料等概念的兴起与技术的逐步深入，“燃料为锅炉服务”逐渐得到关注，只有建立包含燃料信息的锅炉效率与NOx浓度等预测模型，更加完善的锅炉燃烧优化、煤炭掺配掺烧优化和燃料采购优化等“智慧”功能才能真正得以实施.

笔者综合考虑煤种、磨煤机组合方式和配风方式等影响NOx质量浓度的关键因素，以某660 MW锅炉为研究对象，建立锅炉燃烧NOx预测模型，并进行验证分析，以用于指导锅炉燃烧优化、SCR优化控制和入炉煤掺配掺烧等.

1 模型算法

支持向量机和神经网络是目前应用广泛的预测建模工具.支持向量机采用结构风险最小化原理，模型更具泛化性，与神经网络模型相比避免了在小样本条件下神经网络模型出现的过学习和低泛化现象，模型预测效果更好[17]，因此采用支持向量机建立锅炉燃烧NOx预测模型.

在非线性回归情况下，支持向量机可以采用一个核函数将数据映射到高维特征空间中，然后在高维特征空间中进行线性回归，以获得相关的函数关系[18].对于非线性回归情况，Huang等[19]建议支持向量机建模中采用高斯核函数，因此本文中核函数也采用高斯核函数.支持向量机建模中除了核函数需要人为设定之外，相应的核函数参数g和惩罚系数C也要进行设定.g和C的取值并没有统一的方法，一般通过各种寻优算法来确定其最优组合，如利用遗传算法(GA)和交叉验证法相结合的方式确定合适的(C，g)参数组合[20].

2 锅炉燃烧NOx预测模型

2.1研究对象

研究对象为Bamp;WB-1903/25.40-M超临界锅炉，燃烧器布置方式为前后墙对冲燃烧，共3×2层燃烧器和1×2层燃尽风喷口.其中每层有6只燃烧器，每只燃烧器通过相应的小二次风门来调节相关的配风.机组配备6台磨煤机(编号为A、B、C、D、E、F)，对应的燃烧器自下而上前墙为C、A、F，后墙为D、B、E.锅炉设计煤种为淮南烟煤，校核煤种为烟混煤，实际燃用煤种主要有优混煤、蒙煤和澳煤等.

2.2模型输入输出参数选择

针对特定的机组，一些固定设备或手动调节设备在运行中基本不变，因此燃烧器类型、旋流强度、煤粉细度及煤粉分配均匀性等因素虽然影响燃烧，但可作为固定参数予以忽略，仅考虑运行中的可调变量，将其作为输入参数.

模型中考虑了煤种对锅炉燃烧的影响，尤其是对锅炉燃烧有显著影响的关键煤质参数，主要包括w(Mad)、w(Vdaf)、w(FCad)、w(Aar)和Qnet,ar等.每台磨煤机分别对应一个煤种，采用磨煤机给煤量来确定磨煤机的运行状态，采用煤质与给煤量来确定磨煤机的组合方式.

对于前后墙对冲燃烧锅炉，燃烧器配风方式(如均等配风、碗式配风等)对燃烧有明显的影响，因此模型输入参数中包括各燃烧器的二次风门开度.

总之，模型的输入参数包括机组负荷、炉膛出口氧体积分数、二次风温、燃尽风率、磨煤机一次风量、磨煤机给煤量、磨煤机出口温度、磨煤机煤质和燃烧器二次风门开度等共计55个变量.模型输出变量为折算到6%氧体积分数下的NOx质量浓度(即SCR入口NOx质量浓度).

2.3模型建立

采集了锅炉4个月的运行数据和入炉煤种煤质数据，选取其中的稳定工况(负荷波动在5 MW内，入炉煤种变化12 h后)下的数据点作为建模样本，并结合部分试验数据，最后得到105组数据，该样本涵盖了锅炉30%～100%负荷段，基本覆盖了该锅炉正常运行时的所有负荷段.同时，该样本涵盖了该锅炉正常运行时燃用的多数煤种、磨煤机组合方式及配风方式.选取其中14组数据作为校验样本，剩余数据作为训练样本进行建模.将所有数据归一化到[0,1]内，归一化公式为：

(1)

式中：xmax为样本最大值；xmin为样本最小值；x为样本归一化前的值；x′为样本归一化后的值.

通过遗传算法和5折交叉验证法来确定最佳(C，g)组合.遗传算法的参数设置如下：初始种群数量为20，最大迭代数为100，初始交叉概率和变异概率分别为0.9和0.009.C和g的寻优范围分别为[0,100]和[0,1 000]，适应度函数为5折交叉验证法均方误差，不敏感系数ε取0.01.选取均方误差最小的(C，g)组合，若出现多个组合则选取惩罚系数最小的那组参数，以避免过大的惩罚系数造成模型过学习.经计算，模型的C=16.911 2，g=0.021 9.

2.4模型验证

为了对模型的预测精度进行分析，定义平均相对误差来描述模型的预测能力，其定义如下：

(2)

式中：e为平均相对误差；i为样本编号；n为样本个数；f(xi)和yi分别为预测值和实测值.

图1给出了模型在训练样本上的预测情况，其预测平均相对误差e=2.2%.从图1可以看出，模型预测值较好地分布在直线y=x上，说明模型的学习能力较好.图2给出了模型在校验样本上的预测情况，其平均相对误差e=5.2%.从图2可以看出，模型预测值较紧密地分布在直线y=x两侧，说明模型也具有较好的泛化能力.由此可见，模型根据输入参数可以准确地预测NOx质量浓度.

图1 模型在训练样本上的预测效果Fig.1 Prediction results of model on training samples

图2 模型在校验样本上的预测效果Fig.2 Prediction results of model on calibration samples

3 模型应用模拟

在校验样本中选取一组数据作为基础工况，在其他条件不变的情况下，利用模型来研究单个因素对NOx质量浓度的影响.在实际中，燃烧调整不仅会影响NOx质量浓度，还会影响锅炉效率等，控制目标需要综合平衡，以下仅探讨各参数对NOx质量浓度的影响规律.

基础工况负荷为524 MW，炉膛出口氧体积分数为3.28%，燃尽风率为30%，BD磨煤机燃用澳煤，ACF磨煤机燃用优混煤.

3.1氧体积分数对NOx质量浓度的影响

根据所建立的模型，保持其他运行条件不变，研究氧体积分数对NOx质量浓度的影响，结果见图3.

从图3可以看出，氧体积分数对NOx质量浓度的影响非常显著，两者呈线性正相关变化，氧体积分数每增加1%，NOx质量浓度升高55 mg/m3.因此，在实际运行时应适当控制氧体积分数，这对降低NOx质量浓度具有显著的作用.

图3 氧体积分数对NOx质量浓度的影响Fig.3 Effect of oxygen concentration on the NOx concentration

3.2燃尽风率对NOx质量浓度的影响

在其他参数不变的条件下，仅改变燃尽风率进行模型预测，得到燃尽风率对NOx质量浓度的影响，如图4所示.从图4可以看出，NOx质量浓度随燃尽风率的增加呈线性下降趋势.燃尽风率在可调节范围内(26%～30%)，NOx质量浓度变化了30 mg/m3，变化幅度约为10%，燃尽风率对NOx质量浓度的影响没有氧体积分数对NOx质量浓度的影响显著.

图4 燃尽风率对NOx质量浓度的影响Fig.4 Effect of OFA rate on the NOx concentration

3.3配风方式对NOx质量浓度的影响

对于前后墙对冲燃烧锅炉，其显著的特点是锅炉尾部CO浓度分布严重不均，呈现两边高中间低的状态(氧体积分数分布与之相反)，导致平均CO排放浓度很高，因此一般采用碗式配风(即每层的两侧燃烧器小二次风门开度大于中间燃烧器小二次风门开度)的方法来调节炉内燃烧的均匀性.由于氧体积分数对NOx质量浓度的影响较显著，配风方式改变了炉内的氧体积分数分布，对NOx质量浓度的影响并不一定是单向的.

利用模型研究燃烧器的配风方式对NOx质量浓度的影响，设置了3种配风方式：均等配风、碗式配风(习惯运行方式)和深碗式配风.每层6只燃烧器的小二次风门开度分别如下：均等配风全部为100%;碗式配风依次为100%、60%、40%、40%、60%和100%;深碗式配风依次为100%、40%、20%、20%、40%和100%.其他运行参数均保持不变，预测结果如图5所示.

采用均等配风时NOx质量浓度为325 mg/m3；采用碗式配风时NOx质量浓度下降到285 mg/m3，下降了12.3%；采用深碗式配风时NOx质量浓度又上升到288 mg/m3，说明碗式配风对降低NOx质量浓度有利，而碗式配风幅度加深对NOx质量浓度的影响相差不大.

图5 配风方式对NOx质量浓度的影响Fig.5 Effect of air distribution mode on the NOx concentration

3.4煤种及磨煤机组合方式对NOx质量浓度的影响

入炉煤种及磨煤机组合方式对NOx质量浓度的影响较大，但是入炉煤从上煤到燃烧具有较长的滞后性(一般约为8～10 h)，因此在入炉煤调配时，对NOx质量浓度的预判显得尤其重要，这是建立包含入炉煤信息的预测模型的重要价值所在.

利用模型对几种入炉煤组合进行研究，除基础工况的澳煤与优混煤外，增加蒙煤作为调整煤种，煤质信息如表1所示.

表1 煤质信息

保持其他运行参数不变，改变3种入炉煤及磨煤机组合方式，研究其对NOx质量浓度的影响，结果如图6所示.从图6可以看出，燃用蒙煤具有显著的降低NOx效果，2台磨煤机掺烧蒙煤与2台磨煤机掺烧澳煤相比，NOx质量浓度下降了58 mg/m3，下降幅度达20%.1台磨煤机掺烧蒙煤也具有一定的降低NOx作用，不过如果1台磨煤机掺烧蒙煤位于下层时其降低NOx效果不明显.与澳煤相比，蒙煤的水分高、灰分低，其着火性能和燃尽性更好[11]，因此空气分级深度更大，降低NOx效果更好.下层磨煤机掺烧蒙煤与中层磨煤机掺烧蒙煤相比，火焰中心有所上移，空气分级的深度下降，降低NOx效果减弱，NOx质量浓度上升.

图6 煤种及磨煤机组合方式对NOx质量浓度的影响Fig.6 Effect of coal category and combination way of coal mills on the NOx concentration

4 结 论

(1) 根据煤种煤质、磨煤机组合方式、配风方式和锅炉运行参数等，建立了基于遗传算法与交叉验证法相结合的支持向量机锅炉燃烧NOx预测模型，模型在训练样本上的平均相对误差为2.2%，在校验样本上的平均相对误差为5.2%，模型具有较好的准确性和泛化能力.

(2) 减小氧体积分数或增加燃尽风率都有利于降低NOx质量浓度，在可调节范围内氧体积分数对NOx质量浓度的影响更明显；碗式配风有利于降低NOx质量浓度，但碗式配风的深度对NOx质量浓度的影响不大；煤种对NOx质量浓度的影响较大，且多入炉煤种掺烧时的磨煤机组合方式对NOx质量浓度的影响也较为显著.应用模拟结果验证了模型具有理想的调节性能.

(3) 模型包含煤种及磨煤机组合方式信息，对于煤种煤质多变机组，提高了预测NOx质量浓度的准确性，这对降低NOx质量浓度和保证稳定燃烧的优化调整，尤其是对指导入炉煤调配及煤炭采购甚至实现“智慧燃料”具有重要意义.

[1] 张军, 郑成航, 张涌新, 等. 某1 000 MW燃煤机组超低排放电厂烟气污染物排放测试及其特性分析[J].中国电机工程学报, 2016, 36(5): 1310-1314.

ZHANG Jun, ZHENG Chenghang, ZHANG Yongxin, et al. Experimental investigation of ultra-low pollutants emission characteristics from a 1 000 MW coal-fired power plant[J].ProceedingsoftheCSEE, 2016, 36(5): 1310-1314.

[2] 李博, 赵锦洋, 吕俊复. 燃煤电厂超低排放技术方案应用[J].中国电力, 2016, 49(8): 144-147, 153.

LI Bo, ZHAO Jinyang, LÜ Junfu. Application of ultra-low emission technical roadmaps of coal-fired power plants[J].ElectricPower, 2016, 49(8): 144-147, 153.

[3] 周俊虎, 赵琛杰, 许建华, 等. 电站锅炉空气分级低NOx燃烧技术的应用[J].中国电机工程学报, 2010, 30(23): 19-23.

ZHOU Junhu, ZHAO Chenjie, XU Jianhua, et al. Application of air-staged and low NOxemission combustion technology in plant boiler[J].ProceedingsoftheCSEE, 2010, 30(23): 19-23.

[4] 李建强, 汪安明, 潘文凯, 等. 燃煤电站锅炉低NOx燃烧运行参数优化[J].动力工程学报, 2016, 36(5): 337-342, 403.

LI Jianqiang, WANG Anming, PAN Wenkai, et al. Operating parameters optimization for low NOxcombustion of coal-fired boilers[J].JournalofChineseSocietyofPowerEngineering, 2016, 36(5): 337-342, 403.

[5] 杨建国, 胡劲逸, 赵虹, 等. 660 MW超超临界机组运行方式对SCR系统氨逃逸率的影响[J].动力工程学报, 2015, 35(6): 476-480.

YANG Jianguo, HU Jinyi, ZHAO Hong, et al. Effects of boiler control mode on ammonia escape of the SCR system in a 660 MW ultra-supercritical unit[J].JournalofChineseSocietyofPowerEngineering, 2015, 35(6): 476-480.

[6] 马双忱, 邓悦, 吴文龙, 等. SCR脱硝过程中硫酸氢铵形成特性实验研究[J].动力工程学报, 2016, 36(2): 143-150.

MA Shuangchen, DENG Yue, WU Wenlong, et al. Experimental research on ABS formation characteristics in SCR denitrification process[J].JournalofChineseSocietyofPowerEngineering, 2016, 36(2): 143-150.

[7] 梁志宏. 基于我国新大气污染排放标准下的燃煤锅炉高效低NOx协调优化系统研究及工程应用[J].中国电机工程学报, 2014, 34(增刊1): 122-129.

LIANG Zhihong. Study and engineering application of high efficiency and low NOxcoordinated optimization control system for coal-fired boilers based on new air pollutant emission standard[J].ProceedingsoftheCSEE, 2014, 34(Sup1): 122-129.

[8] 武宝会, 崔利. 火电厂SCR烟气脱硝控制方式及其优化[J].热力发电, 2013, 42(10): 116-119, 126.

WU Baohui, CUI Li. SCR flue gas denitrification control and optimization in thermal power plants[J].ThermalPowerGeneration, 2013, 42(10): 116-119, 126.

[9] 张伯兴, 吕华兵. 600 MW锅炉氮氧化物整体控制实践[J].中国电力, 2016, 48(2): 159-163, 169.

ZHANG Boxing, LÜ Huabing. The practice of general NOxcontrol of a 600-MW boiler[J].ElectricPower, 2016, 48(2): 159-163, 169.

[10] 梁立刚, 孟勇, 吴生来. 1 025 t/h锅炉运行优化调整及NOx排放特性试验研究[J].动力工程学报, 2010, 30(10): 727-732.

LIANG Ligang, MENG Yong, WU Shenglai. Experimental study on optimal adjustment and NOxemission of a 1 025 t/h boiler[J].JournalofChineseSocietyofPowerEngineering, 2010, 30(10): 727-732.

[11] 赵虹, 张清福, 杨建国. 不同煤种及其燃烧特性对NOx排放浓度的影响[J].热力发电, 2013, 42(12): 59-63.

ZHAO Hong, ZHANG Qingfu, YANG Jianguo. Effect of different coals and their combustion characteristics on NOxemission[J].ThermalPowerGeneration, 2013, 42(12): 59-63.

[12] 夏季, 彭鹏, 华志刚, 等. 燃煤电厂分磨掺烧方式下磨煤机组合优化模型及应用[J].中国电机工程学报, 2011, 31(29): 1-8.

XIA Ji, PENG Peng, HUA Zhigang, et al. Optimization of pulverizers combination for power plant based on blended coal combustion[J].ProceedingsoftheCSEE, 2011, 31(29): 1-8.

[13] 刘吉臻, 吕游, 杨婷婷. 基于变量选择的锅炉NOx排放的最小二乘支持向量机建模[J].中国电机工程学报, 2012, 32(20): 102-107.

LIU Jizhen, LÜ You, YANG Tingting. Least squares support vector machine modeling on NOxemission of boilers based on variable selection[J].ProceedingsoftheCSEE, 2012, 32(20): 102-107.

[14] 李庆伟, 陈慧枫, 姚桂焕. 基于距离学习粒子群算法的NOx减排优化[J].动力工程学报, 2016, 36(5): 404-410.

LI Qingwei, CHEN Huifeng, YAO Guihuan. NOxreduction optimization based on distance learning particle swarm algorithm[J].JournalofChineseSocietyofPowerEngineering, 2016, 36(5): 404-410.

[15] 杨冬, 路春美, 王永征. 不同种类煤粉燃烧NOx排放特性试验研究[J].中国电机工程学报, 2007, 27(5): 18-21.

YANG Dong, LU Chunmei, WANG Yongzheng. Experimental study on the characteristics of NOxemission with different pulverized coal combusting[J].ProceedingsoftheCSEE, 2007, 27(5): 18-21.

[17] ZHENG L G, ZHOU H, WANG C L, et al. Combining support vector regression and ant colony optimization to reduce NOxemissions in coal-fired utility boilers[J].Energyamp;Fuels, 2008, 22(2): 1034-1040.

[18] 孙德山. 支持向量机分类与回归方法研究[D]. 长沙: 中南大学, 2004: 10-20.

[19] HUANG C L, LIAO H C, CHEN M C. Prediction model building and feature selection with support vector machines in breast cancer diagnosis[J].ExpertSystemswithApplications, 2008, 34(1): 578-587.

[20] 李良敏, 温广瑞, 王生昌. 基于遗传算法的回归型支持向量机参数选择法[J].计算机工程与应用, 2008, 44(7): 23-26.

LI Liangmin, WEN Guangrui, WANG Shengchang. Parameters selection of support vector regression based on genetic algorithm[J].ComputerEngineeringandApplications, 2008, 44(7): 23-26.

NOxPredictionModelforMulti-coalAdmixingCombustioninBoiler

YANGJianguo1,YELingyun1,ZHAOMin1,ZHAOHong1,LIYijin2,LIMin2,YUYu2,DENGFurong3

(1. State Key Laboratory of Clean Energy Utilization, Zhejiang University, Hangzhou 310027, China;2. Zhejiang Zheneng Lanxi Power Generation Co., Ltd., Lanxi 321100, Zhejiang Province, China;3. Zhejiang Tiandi Environmental Protection Engineering Co., Ltd., Hangzhou 310003, China)

Taking into account the category and quality of the coal fired, the combination way of coal mills, the air distribution mode and the operating parameters of a 660 MW boiler, a NOxprediction model was established using support vector machine (SVM), which was used to carry out application simulation and to research the effects of following factors on the NOxconcentration, such as the oxygen concentration, OFA rate, air distribution mode, coal category and the combination way of coal mills, etc. Results show that the model has good accuracy and high generalization ability as well as ideal regulation performance, which comprises information on coal category and combination way of coal mills, and therefore is of great significance for multi-coal units in improving the NOxprediction accuracy, reducing the NOxconcentration, carrying out the adjustment and optimization for stable combustion, especially in guiding the coal procurement and blending, and even for purchasing of "intelligent fuel".

admixing combustion in boiler; NOx; prediction model; support vector machine; multi-coal; combination mode of coal mills

2016-11-01

浙江省自然科学基金资助项目(LYl5E060002)

杨建国(1973-)，男，安徽巢湖人，副研究员，博士，主要从事煤的安全高效清洁燃烧理论与技术方面的研究．

电话(Tel.)：0571-87951322；E-mail：yjg@zju.edu.cn．

1674-7607(2017)11-0870-06

TK229.6

A

470.30