基于最小二乘支持向量机的电站锅炉高效率低NO x 的多目标优化研究

doi:10.12096/j.2096-4528.pgt.22108

发电技术 ›› 2023, Vol. 44 ›› Issue (6): 809-816.DOI: 10.12096/j.2096-4528.pgt.22108

基于最小二乘支持向量机的电站锅炉高效率低NO _x 的多目标优化研究

梁中荣¹, 蓝茂蔚²^,³, 郑国¹, 何荣强¹, 屈可扬³, 甘云华³

^1.湛江电力有限公司，广东省湛江市 524099
^2.中国能源建设集团广东省电力设计研究院有限公司, 广东省广州市 510663
^3.华南理工大学电力学院，广东省广州市 510640

收稿日期:2023-02-23 出版日期:2023-12-31 发布日期:2023-12-28
通讯作者: 甘云华
作者简介:梁中荣(1974)，男，高级工程师，研究方向为火电机组智能控制优化技术研究与应用，13560538632@126.com；
甘云华(1979)，男，博士，教授，研究方向为新型燃烧、高效传热、能源系统智能优化等，本文通信作者，ganyh@scut.edu.cn。
基金资助:
国家自然科学基金项目(52376108);广东省基础与应用基础研究基金项目(2020B1515020040)

Study on Multi-Objective Optimization of High-Efficiency and Low-NO _x Emissions of Power Station Boilers Based on Least Squares Support Vector Machines

Zhongrong LIANG¹, Maowei LAN²^,³, Guo ZHENG¹, Rongqiang HE¹, Keyang QU³, Yunhua GAN³

^1.Zhanjiang Electric Power Co. , Ltd. , Zhanjiang 524099, Guangdong Province, China
^2.China Energy Engineering Group Guangdong Electric Power Design Institute Co. , Ltd. , Guangzhou 510663, Guangdong Province, China
^3.School of Electric Power Engineering, South China University of Technology, Guangzhou 510640, Guangdong Province, China

Received:2023-02-23 Published:2023-12-31 Online:2023-12-28
Contact: Yunhua GAN
Supported by:
National Natural Science Foundation of China(52376108);Basic and Applied Basic Research Foundation of Guangdong Province(2020B1515020040)

摘要/Abstract

摘要：

针对锅炉燃烧系统的多目标优化，在所建立的锅炉燃烧系统预测模型的基础上，分别采用加权-粒子群算法和多目标粒子群优化(multi-objective particle swarm optimization，MOPSO)算法优化锅炉系统的可调整运行参数，以实现锅炉高效率低NO _x 排放。分析表明，2种优化算法所得的运行参数相近，趋势与燃烧特性分析和燃烧调整试验结果相符合，说明智能算法优化电站锅炉燃烧系统有效可行。但是加权-粒子群优化算法主观依赖性严重，难以选取合适的权值，优化时间长且结果少；而MOPSO算法优化时间远远小于加权-粒子群算法优化时间，并且优化结果更多，优化效率更高，更有利于指导锅炉的实际运行。

关键词: 电站锅炉, 多目标优化, 加权-粒子群算法, 多目标粒子群优化 (MOPSO)

Abstract:

Aiming at the multi-objective optimization of boiler combustion system, on the basis of the established prediction model of boiler combustion system, the weighted-particle swarm algorithm and the multi-objective particle swarm optimization (MOPSO) algorithm were used to optimize the adjustable operating parameters of the boiler, which can realize the operating state of the boiler with high efficiency and low NO_x emission. The analysis shows that the operating parameters obtained by the two optimization algorithms are similar, and the trend is consistent with the combustion characteristics analysis and combustion adjustment test results. It indicates that the intelligent algorithm is effective and feasible to optimize the combustion system of the power plant boiler. However, the weighted-particle swarm optimization algorithm has serious subjective dependence. It is difficult to select appropriate weights, and the optimization time is long and the results are few. However, the optimization time of the MOPSO algorithm is far less than the optimization time of the weighted-particle swarm optimization algorithm, the optimization results are more, and the optimization efficiency is higher. Therefore, the MOPSO algorithm is more beneficial to guide the actual operation of the boiler.

Key words: power station boiler, multi-objective optimization, weighted-particle swarm optimization, multi-objective particle swarm optimization (MOPSO)

中图分类号:

TK 227

梁中荣, 蓝茂蔚, 郑国, 何荣强, 屈可扬, 甘云华. 基于最小二乘支持向量机的电站锅炉高效率低NO _x 的多目标优化研究[J]. 发电技术, 2023, 44(6): 809-816.

Zhongrong LIANG, Maowei LAN, Guo ZHENG, Rongqiang HE, Keyang QU, Yunhua GAN. Study on Multi-Objective Optimization of High-Efficiency and Low-NO _x Emissions of Power Station Boilers Based on Least Squares Support Vector Machines[J]. Power Generation Technology, 2023, 44(6): 809-816.

图/表 10

图1 MOPSO算法流程图

Fig. 1 Flowchart of MOPSO algorithm

表1 样本煤质参数

Tab. 1 Sample coal quality parameters

C_ar/%	H_ar/%	O_ar/%	N_ar/%	S_ar/%	M_t/%	A_ar/%	Q_net，ar/(kJ/kg)
55.412	3.408	9.393	0.831	0.630	13.500	16.826	20 740

表2 操作量的变化范围

Tab. 2 Variation range of operation volume

变量	氧量/%	燃尽风风门开度前墙A、B侧/%	燃尽风风门开度后墙A、B侧/%	外二次风风门(1—8)开度/%
下限	2	10	10	10
上限	7	100	100	100

表3 高负荷下2种算法优化性能对比

Tab. 3 Comparison of optimization performance of two algorithms under high load conditions

优化算法	优化结果数量	优化用时/s
加权-粒子群	9	345.62
MOPSO	37	58.99

图2 高负荷工况下燃烧优化结果

Fig. 2 Combustion optimization results under high load conditions

表4 中负荷下2种算法优化性能对比

Tab. 4 Comparison of optimization performance of two algorithms under medium load conditions

优化算法	优化结果数量	优化用时/s
加权-粒子群	9	260.19
MOPSO	30	72.16

图3 中负荷工况下燃烧优化结果

Fig. 3 Combustion optimization results under medium load conditions

表5 低负荷下2种算法优化性能对比

Tab. 5 Comparison of optimization performance of two algorithms under low load conditions

优化算法	优化结果数量	优化用时/s
加权-粒子群	9	210.48
MOPSO	68	59.26

图4 低负荷工况下燃烧优化结果

Fig. 4 Combustion optimization results under low load conditions

表6 中负荷下锅炉燃烧综合优化前后参数对比

Tab. 6 Comparison of parameters before and after comprehensive optimization of boiler combustion under medium load conditions

ρ(NO _x )/

(mg⋅m^-3)

原始工况

724.958

4.106

100.000/32.899/

100.000/32.298

20.388/50.048/

99.687/99.880/

99.580/95.478/

49.943/20.462

92.580

344.440

加权-粒子群算法

a=0.5，b=0.5

724.958

3.839

100.000/97.965/

100.000/85.562

20.415/50.045/

99.669/99.763/

99.434/95.463/

49.933/20.458

95.934/76.255/

98.967/97.221

20.462/50.048/

99.674/99.717/

99.593/95.454/

49.933/20.456

92.626

291.955

参考文献 24

1	赵敏华，胡毅，李金，等．使用博弈差分算法的电站锅炉高效低污染燃烧均衡优化[J]．化工学报，2017，68(6)：2455-2464． doi:10.11949/j.issn.0438-1157.20161480
	ZHAO M H， HU Y， LI J，et al. Equilibrium optimization for high efficiency and low pollution combustion of power-generation boilers using game differential evolution algorithm[J]．CIESC Journal，2017，68(6)：2455-2464． doi:10.11949/j.issn.0438-1157.20161480
2	关新河，李彦，朱群志，等．1 000 MW超超临界锅炉低NO _x 燃烧器改造的数值模拟研究[J]．中国电机工程学报，2019，39(8)：2376-2383． doi:10.13334/j.0258-8013.pcsee.181513
	GUAN X H， LI Y， ZHU Q Z，et al ．Numerical simulation study on retrofit of low NO _x burner for 1 000 MW ultra-supercritical boiler[J]．Proceedings of the CSEE，2019，39(8)：2376-2383． doi:10.13334/j.0258-8013.pcsee.181513
3	张志勇，莫华，王猛，等．600 MW燃煤机组烟气污染物控制研究[J]．中国电力，2022，55(5)：204-210．
	ZHANG Z Y， MO H， WANG M，et al ．Study of flue gas pollutant control in a 600 MW coal-fired unit[J]．Electric Power，2022，55(5)：204-210．
4	温佳鑫，卜思齐，陈麒宇，等．基于数据学习的新能源高渗透电网频率风险评估[J]．发电技术，2021，42(1)：40-47． doi:10.12096/j.2096-4528.pgt.20105
	WEN J X， BU S Q， CHEN Q Y，et al ．Data learning-based frequency risk assessment in a high-penetrated renewable power system[J]．Power Generation Technology，2021，42(1)：40-47． doi:10.12096/j.2096-4528.pgt.20105
5	时浩，肖海平，刘彦鹏．基于BP神经网络和最小二乘支持向量机的灰熔点预测和对比[J]．发电技术，2022，43(1)：139-146． doi:10.12096/j.2096-4528.pgt.20003
	SHI H， XIAO H P， LIU Y P ．Prediction and comparison of ash fusion temperatures based on BP neural network and least squares support vector machine[J]．Power Generation Technology，2022，43(1)：139-146． doi:10.12096/j.2096-4528.pgt.20003
6	唐晨琪，陈林根，王文华，等．基于NSGA-II算法的变温热源内可逆简单MCBC的性能优化[J]．发电技术，2020，41(3)：301-316．
	TANG C Q， CHEN L G， WANG W H，et al ．Performance optimization of the endoreversible simple MCBC coupled to variable-temperature reservoirs based on NSGA-II Algorithm[J]．Power Generation Technology，2020，41(3)：301-316．
7	朱建华，李振清，许立长．基于随机子空间方法的光伏变流器模态识别和分析[J]．发电技术，2021，42(2)：201-206． doi:10.12096/j.2096-4528.pgt.19141
	ZHU J H， LI Z Q， XU L C ．Modal identification and analysis of photovoltaic converter based on random subspace[J]．Power Generation Technology，2021，42(2)：201-206． doi:10.12096/j.2096-4528.pgt.19141
8	TAN P， XIA J， ZHANG C，et al ．Modeling and reduction of NO _x emissions for a 700 MW coal-fired boiler with the advanced machine learning method[J]．Energy，2016，94：672-679． doi:10.1016/j.energy.2015.11.020
9	SHIN Y， KIM Z， YU J，et al ．Development of NO _x reduction system utilizing artificial neural network (ANN) and genetic algorithm (GA)[J]．Journal of Cleaner Production，2019，232：1418-1429． doi:10.1016/j.jclepro.2019.05.276
10	TUTTLE J F， VESEL R， ALAGARSAMY S， et al ．Sustainable NO _x emission reduction at a coal-fired power station through the use of online neural network modeling and particle swarm optimization[J]．Control Engineering Practice，2019，93：104167． doi:10.1016/j.conengprac.2019.104167
11	王培红，李磊磊，陈强，等．人工智能技术在电站锅炉燃烧优化中的应用研究[J]．中国电机工程学报，2004，24(4)：184-188． doi:10.3321/j.issn:0258-8013.2004.04.034
	WANG P H， LI L L， CHEN Q，et al ．Research on applications of artificial intelligence to combustion optimization in a coal-fired boiler[J]．Proceedings of the CSEE，2004，24(4)：184-188. doi:10.3321/j.issn:0258-8013.2004.04.034
12	周昊，朱洪波，茅建波，等．大型四角切圆燃烧锅炉NO _x 排放特性的神经网络模型[J]．中国电机工程学报，2002，22(1)：33-37． doi:10.3321/j.issn:0258-8013.2002.01.007
	ZHOU H， ZHU H B， MAO J B，et al ．An artificial neural network model on NO _x emission property of a high capacity tangentially firing boiler[J]. Proceedings of the CSEE，2002，22(1)：33-37． doi:10.3321/j.issn:0258-8013.2002.01.007
13	周昊，朱洪波，岑可法．基于人工神经网络和遗传算法的火电厂锅炉实时燃烧优化系统[J]．动力工程，2003，23(5)：2665-2669． doi:10.3321/j.issn:1000-6761.2003.05.012
	ZHOU H， ZHU H H， CEN K F ．An on-line boiler operating optimization system based on the neural network and the genetic algorithms[J]．Power Engineering，2003，23(5)：2665-2669． doi:10.3321/j.issn:1000-6761.2003.05.012
14	ZHENG L L， ZHOU H， WANG C L，et al ．Combining support vector regression and ant colony optimization to reduce NO _x emissions in coal-fired utility boilers[J]．Energy & Fuels，2008，22(2)：1034-1040． doi:10.1021/ef700451v
15	SMOLA A J， SCHöLKOPF B ．A tutorial on support vector regression[J]．Statistics and Computing，2004，14(3)：199-222． doi:10.1023/b:stco.0000035301.49549.88
16	ZHOU H， TANG Q， YANG L，et al ．Support vector machine based online coal identification through advanced flame monitoring[J]．Fuel，2014，117：944-951． doi:10.1016/j.fuel.2013.10.041
17	AHMED F， CHO H J， KIM J K，et al. A real-time model based on least squares support vector machines and output bias update for the prediction of NO _x emission from coal-fired power plant[J]．Korean Journal of Chemical Engineering，2015，32(6)：1029-1036． doi:10.1007/s11814-014-0301-2
18	赵国钦，蓝茂蔚，李杨，等．基于最小二乘支持向量机的火电厂烟气含氧量预测模型优化研究[J]．发电技术，2023，44(4)：534-542． doi:10.12096/j.2096-4528.pgt.21088
	ZHAO G Q， LAN M W， LI Y，et al. Study on optimization of prediction model of flue gas oxygen content in thermal power plant based on least squares support vector machine[J]．2023，44(4)：534-542． doi:10.12096/j.2096-4528.pgt.21088
19	李杨，蓝茂蔚，赵国钦，等．基于PCA-PSO-LSSVM的电站锅炉效率预测模型研究[J]．热力发电，2021，50(12)：43-50．
	LI Y， LAN M W， ZHAO G Q，et al ．Study on prediction model of utility boiler efficiency based on PCA-PSO-LSSVM[J]．Thermal Power Generation，2021，50(12)：43-50．
20	孙黎霞，鞠平，白景涛，等．计及蓄电池寿命的冷热电联供型微电网多目标经济优化运行[J]．发电技术，2020，41(1)：64-72． doi:10.12096/j.2096-4528.pgt.19175
	SUN L X， JU P， BAI J T，et al. Multi-objective economic optimal operation of microgrid based on combined cooling， heating and power considering battery life[J]．Power Generation Technology，2020，41(1)：64-72． doi:10.12096/j.2096-4528.pgt.19175
21	吕玉坤，彭鑫，赵锴．电站锅炉热效率和NO _x 排放混合建模与优化[J]．中国电机工程学报，2011，31(26)：16-22．
	LÜ Y K， PENG X， ZHAO K ．Hybrid modeling optimization of thermal efficiency and NO _x emission of utility boiler[J]．Proceedings of the CSEE，2011，31(26)：16-22．
22	蓝茂蔚，李杨，赵国钦，等．基于MAPSO优化LSSVM的锅炉燃烧建模研究[J]．中南大学学报(自然科学版)，2022，53(4)：1506-1515．
	LAN M W， LI Y， ZHAO G Q，et al ．Study on boiler combustion modeling based on MAPSO optimizing LSSVM model parameters[J]．Journal of Central South University (Science and Technology)，2022，53(4)：1506-1515．
23	COELLO C A C， PULIDO G T， LECHUGA M S ．Handling multiple objectives with particle swarm optimization[J]．IEEE Transactions on Evolutionary Computation，2004，8(3)：256-279． doi:10.1109/tevc.2004.826067
24	徐旭常，周力行．燃烧技术手册[M]．北京：化学工业出版社，2008：1368-1378．
	XU X C， ZHOU L X ．Combustion technology manual[M]．Beijing：Chemical Industry Press，2008：1368-1378．

[1]	张立峰, 李晶, 王智. 基于主成分分析和深度神经网络的声学层析成像温度分布重建[J]. 发电技术, 2023, 44(3): 399-406.
[2]	刘君, 邓毅, 杨延西, 魏永贵, 薛燕辉, 史雯雯. 基于深度学习的空预器转子红外补光图像积灰状态识别[J]. 发电技术, 2022, 43(3): 510-517.
[3]	刘福国, 刘科, 王守恩. 基于机会约束的电厂混煤煤质和成本的Pareto前沿[J]. 发电技术, 2022, 43(1): 160-167.
[4]	唐晨琪,陈林根,王文华,冯辉君,夏少军. 基于NSGA-Ⅱ算法的变温热源内可逆简单MCBC的性能优化[J]. 发电技术, 2020, 41(3): 301-316.
[5]	杨彬,陈瑞华,赵力. 基于非共沸工质的喷射式功冷并供循环㶲经济性分析[J]. 发电技术, 2020, 41(3): 261-268.
[6]	蒋猛,黄宇,廖伟涵,张简炼,张又文,郭创新. 基于改进NSGA-Ⅱ算法的电-气-热综合能源系统多目标优化[J]. 发电技术, 2020, 41(2): 131-136.
[7]	孙黎霞,鞠平,白景涛,刘甜甜. 计及蓄电池寿命的冷热电联供型微电网多目标经济优化运行[J]. 发电技术, 2020, 41(1): 64-72.

基于最小二乘支持向量机的电站锅炉高效率低NO _x 的多目标优化研究

Study on Multi-Objective Optimization of High-Efficiency and Low-NO _x Emissions of Power Station Boilers Based on Least Squares Support Vector Machines

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 10

参考文献 24

相关文章 7

编辑推荐

Metrics

本文评价

基于最小二乘支持向量机的电站锅炉高效率低NO x 的多目标优化研究

Study on Multi-Objective Optimization of High-Efficiency and Low-NO x Emissions of Power Station Boilers Based on Least Squares Support Vector Machines

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 10

参考文献 24

相关文章 7

编辑推荐

Metrics

本文评价

基于最小二乘支持向量机的电站锅炉高效率低NO _x 的多目标优化研究

Study on Multi-Objective Optimization of High-Efficiency and Low-NO _x Emissions of Power Station Boilers Based on Least Squares Support Vector Machines