毕业设计（论文）
题目： 锅炉运行经济性分析
学 班 级: 专 业：
2013年04月
锅炉运行经济性分析
学生姓名： 陈国宇
学 号： 103213320
班 级： 热动1033
所在院(系): 动力工程系
指导教师： 完成日期:
超临界电站锅炉运行热经济性优化研究
摘要
随着我国改革开放的不断深入，经济的持续、快速的发展，同时也带动了电力工业
进入了快速发展时期，燃煤的消耗也日益增加。电站锅炉热力系统作为火电机组的一个重要的组成部分，它的经济性在很大程度上影响了整个火力发电厂运行的经济性，负荷变化时，电站锅炉热力系统的经济性要发生很大的变化。因此，对锅炉可控因素进行优化是火电厂经济运行的重要目标。本文基于电厂锅炉燃烧系统优化问题，针对锅炉燃烧系统网络建模方法进行分析与研究。本文通过正、反平衡计算原理，分析出影响锅炉运行经济性的重要因素；针对某电厂600MW 四角切圆燃煤锅炉的飞灰含碳量特性，应用
人工神经网络的非线性动力学特征及自学习功能，建立了大型四角切圆燃烧锅炉飞灰含碳量特性的神经网络模型，并进行验证；同时采用遗传算法对锅炉热效率进行优化，获得最佳锅炉运行参数，初步实现了锅炉运行热经济性的最优，为机组的优化运行提供了依据。
关键字：锅炉；热经济性；优化；神经网络；遗传算法
SUPERCRITICAL POWER PLANT BOILER THERMAL
ECONOMIC OF OPTIMIZED RESEARCH
ABSTRACT
With the deepening of China's reform and opening up, the sustained, rapid economic
development, but also led to the electric power industry has entered a period of rapid development, the coal consumption is increasing. Power plant boiler heat system as an important component of thermal power units, its economy is largely affected the economy of the entire thermal power plants running, load change, the economy of the power station boiler heat system has greatly changed. Therefore, optimization is an important goal of the economic operation of thermal power plant boiler uncontrollable factors. Based on the boiler combustion system optimization, network modeling approach for the boiler combustion system analysis and research. Through the principle of positive and negative balance calculation to analyze the important factor to affect the economy of boiler operation; characteristics of fly ash carbon content of the circular coal-fired boilers for a power plant 600MW four corners cut, nonlinear dynamical characteristics of the application of artificial neural networks and self-learning function, the establishment of TANGENTIALLY fired boiler fly ash carbon content characteristics of neural network model, and validation; using genetic algorithms to optimize boiler thermal efficiency, the best boiler operating parameters, the initial realization of boiler operation the optimum thermal economy, provides a basis for the optimization of operation of the unit.
Key words: boiler; optimization; neural networks; genetic algorithms; thermal
economization
目 录
第1章 绪论.............................................................. 1
1.1 课题的背景和意义…………………………………………………………………… 1
1.2 国内外研究现状……………………………………………………………………… 2
1.3 本课题的主要内容…………………………………………………………………… 3
第2章 电站锅炉经济性能分析与模型的建立……………. ……. ……………………….. 4
2.1 常用的锅炉效率计算模型与各项热损失分析……………………………………...4
2.1.1 锅炉输入、输出法（正平衡）效率计算模型…………………………………4
2.1.2 热损失法（反平衡）锅炉效率计算模型………………………………………7
2.1.3 ASME PTC 标准下热损失法（反平衡）锅炉效率计算简化模型………12
2.2 影响锅炉运行经济性的因素分析…………………………………….......................13
2.3 本章小结……………………………………………………………………………...16
第3章 基于BP 神经网络的锅炉运行参数预测……………………………………………17
3.1 人工神经网络………………………………………………………………………...17
3.1.1 BP 神经网络简介…………………………………………………………...17
3.1.2 BP 神经网络的实现工具——matlab 介绍………………………………...17
3.2 飞灰含碳量的BP 神经网络模型的建立…………………………………………..18
3.2.1 飞灰含碳量测量辅助变量的选择……………………………………………18
3.2.2 飞灰含碳量BP 神经网络模型结构的确定………………………………...18
3.2.3 飞灰含碳量BP 神经网络模型的建立…………………………. ……….........19
3.3 实际、仿真及结果对比分析………………………………………………. ………24
3.4 本章小结……………………………………………………………………………...24
第4章 锅炉运行热经济性参数的优化…………………………………………………….25
4.1 遗传算法简介………………………………………………………………………...25
4.1.1 遗传算法的起源………………………………………………………………25
4.2 利用遗传算法对神经网络训练结果进行寻优……………………………………...26
4.3 燃煤锅炉热效率的优化结果…………………………………………………. ……..28
4.4 本章小结……………………………………………………………………………...31
第5章 结论及展望…………………………………………………………………………32
5.1 本文的主要工作和特点………......................... ……………………………………...32
5.2 后续工作的展望………….... ……..................... …………................................ ……...32
参考文献......... …………………………………………………………………………34 致谢......... ……………………………………………………………………….... …36 附录A MATLAB中锅炉飞灰含碳量的编码程序........ …………………….... …37 附录B 建模训练仿真数据表....... ……........... ………………………….... …39
第1章 绪论
1.1 课题的背景和意义
能源是国民经济的重要物资基础之一。节约能源，降低能耗，是我国的一项
长期的基本国策。在人类当今所使用的能源中，大约有百分之九十九的来自煤炭、天然气、石油等化石矿物资源，这些资源在地球上的储量是有限的，而且是不可再生。
同时在当今社会中很多的国家和地区，都是用的燃煤机组，“十一五”规划
之后，很多地区响应国家的号召实行“上大压小”的政策降低能源消耗，减少污染排放，压缩落后生产能力。这就促使国家关掉了很大一部分的小机组。现在600MW 及以上的超临界的燃煤机组已经成为了火力发电厂的中坚力量，而电站锅炉热力系统又是火力发电机组的一个重要组成部分，它的经济性在很大程度上也影响了整个火力发电厂运行的经济性，负荷变化时，电站锅炉热力系统的经济性要发生很大的变化。合理优化电厂锅炉热经济性是每个火力发电厂迫在眉睫的事情。这不仅与电厂的经济效益挂钩，而且与保护环境，节能减排又有着千丝万缕的联系。因此，对锅炉可控因素进行优化是火电厂经济运行的重要目标。
电站锅炉热力系统是火电机组的一个重要组成部分，它的经济性在很大程度
上也影响了整个火力发电厂运行的经济性，负荷变化时，电站锅炉热力系统的经济性要发生很大的变化。因此，对锅炉可控因素进行优化是火电厂经济运行的重要目标，对此进行研究也就具有很大的现实意义。
（1）研究锅炉运行热经济性优化意义及目的
锅炉效率的高低直接反映了锅炉经济性的好坏，锅炉效率是由多个因素决定
的，包括锅炉墙壁的隔热性，风煤比的投入，锅炉的灰飞含碳量，煤粉的低位发热量等等。其中锅炉的飞灰含碳量和煤粉的低位发热量是影响锅炉效率的最重要指标。
（2）锅炉飞灰含碳量对锅炉效率的影响
影响燃煤锅炉飞灰含碳量过高的因素很多，例如锅炉燃用煤种、设计安装水
平、锅炉运行操作水平都是其影响因素，这就很难采用简单的公式进行估算，往往需采用实炉测试方法加以确定并摸索降低如何控飞灰含碳量的运行方法。但实炉测试工作量大，测试工况有限，各运行参数和煤种对锅炉飞灰含碳量都存在影响，互相叠加，导致数据分析困难。而锅炉燃用煤种和操作参数千变万化，不可能保证在试验工况下运行，导致偏离燃烧调整获得的最佳工况下而无法获得最低的飞灰含碳量。相对而言，影响锅炉热效率的其他几项热损失根据运行参数可以有明确的计算公式可以求得，影响因素比较简单。获得飞灰含碳量与煤种和运行参数之间的关系对于锅炉的运行优化是有意义的。
（3）低位发热量对锅炉效率的影响
单位质量的燃料在完全燃烧时所发出的热量称为燃料的发热量，高位发热量
是指1Kg 燃料完全燃烧时放出的全部热量，包括烟气中水蒸汽已凝结成水所放出的汽化潜热。从燃料的高位发热量中扣除烟气中水蒸汽的汽化潜热时，称燃料的低位发热量。低位发热量因为最接近工业锅炉燃烧时的实际发热量，常用于设计计算。通过相关计算，当低位发热量不变的情况下灰分每升高1%，固体末完全燃烧损失升高0.058%；当低位发热量每降低500kJ/kg，影响固体末完全燃烧损失由0.0438%至0.0856%间有加速升高趋势。如不考虑其它因素影响，当入炉煤由设计值低位发热量21350kJ/kg、收到基灰分31.5%，降至14706kJ/kg对应收到基灰分44.78%时，假定其它指标不变的情况下锅炉效率降低1.8842%。
因此，通过对锅炉的飞灰含碳量以及燃煤的低位发热量的计算研究对锅炉的
经济运行起着至关重要的作用。同时，在本文中通过一定的分析发现任何影响锅炉效率的因素，均可转化为相应飞灰含碳量与锅炉效率的影响因素，所以在本文当中，我采用的是BP 人工神经网络建模的方法来分析锅炉的灰飞含碳量。
1.2 国内外研究现状
我国开展节能优化的工作已经几十年的历史，电站锅炉热力系统是火电机组
的一个重要的组成部分，它的经济性在很大程度上也影响了整个火力发电厂运行
的经济性，负荷变化时，电站锅炉热力系统的经济性要发生很大的变化。同时在这个期间各电厂提高锅炉运行经济性的手段和措施主要有以下几个方法：
(1)控制煤粉细度合格。煤粉细度的规格有很大的影响，它主要由磨煤机钢
球装载数量，分离器效率及一次风压决定。此方法，对于目前技术而言，难度比较大。
(2)合理控制制粉系统的启起与停止。因为磨煤机启停在运行时影响比较大，
尤其是停止制粉运行时，因制粉系统风量的不稳定及磨煤机料位的波动，导致造成飞灰量增大。但是针对不同煤种，磨煤机的出口温度也有严格的限制，所以这样就导致了此类方法的局限性。
(3)提高一次风温，限制一次风的数量，有利于迅速完全燃烧。增加了燃烧
速度和进入空气预热器的风量，达到了降低排烟温度和飞灰可燃物含碳量、提高锅炉效率的目的。但是一次风温会随着负荷的变化而变化。会给整个系统带来不利影响。
(4)足够的燃烧时间。锅炉负荷不能过高，炉膛负压适当。
(5)选择合适的过剩空气系数。过剩空气系数太大，一方面造成排烟损失，
同时降低燃烧区温度，影响燃烧效果。过小，氧量不足，达不到完全燃烧。
现在锅炉的经济性研究逐渐把重心转移到锅炉的灰飞含碳量以及煤粉的低
位含碳量，这是锅炉效率的具体体现。而研究这些参数需要用基于神经网络建模的方法。神经网络的魅力在于它超强的映射能力，单层感知机可实现分类，多层前向网络则可以逼近任何非线性函数。
1.3 本课题的主要内容
本论文的电站锅炉热力系统是火电机组的一个重要的组成部分，它的经济性
在很大程度上也影响了整个火力发电厂运行的经济性，负荷变化时，电站锅炉热力系统的经济性要发生很大的变化。因此，对锅炉可控因素进行优化是火电厂经济运行的重要目标。课题的主要内容如下：
（1）完善超临界直流锅炉经济性的分析模型的推导与理论证明，实现电站
锅炉经济性能分析与监测；
（2）建立直流锅炉飞灰含碳量特性的数学模型；
（3）对锅炉各运行参数进行优化。
第2章 电站锅炉经济性能分析与模型的建立
本章重点介绍锅炉效率计算模型，并对所介绍的模型进行了比较，通过系统
的比较得到了锅炉效率计算简化模型。以完善超临界直流锅炉经济性的分析模型的推导与理论证明及实现电站锅炉经济性能分析与监测。
2.1 常用的锅炉效率计算模型与各项热损失分析
能源作为国民经济重要物资基础之一，我国电厂每年都有1／4的煤炭用于
发电。节约能源，降低能耗，是我国的一项长期的基本国策。在这个大的背景下，目前我国发电总装机容量和总发电量位于世界前列，但是，我国人均装机容量不到世界人均水平的一半，与发达国家相比，我们国家的发电煤耗非常高。在目前我们国家以煤为主的能源消费格局下短时间是不会改变的，国家能源的供应又十分紧张，提高火力发电业的节能意思和加强能源能效管理，降低煤耗就成为了迫在眉睫，势在必行的事。锅炉作为火电机组的重要设备之一，电站锅炉的运行性能直接影响整个机组的经济效益，电站锅炉系统的主要经济性能指标又是锅炉效率。进入锅炉的燃煤在并不能得到充份燃烧放热，又同时燃烧放出的热也并不能完全被利用来得到水蒸气的情况下，提高锅炉燃烧效率是提高锅炉经济性的重要手段，也是锅炉燃烧优化的重要目标。
锅炉效率计算的正、反平衡法，主要是以锅炉设备的输入和输出热量以及各
项热损失的能量平衡为基础。正平衡法，也称为输入、输出法，即由直接测量的锅炉输入和输出热量，来求出锅炉效率的方法；反平衡法，也称为热损失法，由已确定的各项热损失，来求出锅炉效率的方法。针对上述两种计算方法，目前国内常用的有ASME PTC和GB PTC两个计算标准。ASME PTC是美国机械工程师学会的电站性能试验规程，GB PTC是中国国家标准的电站性能试验规程。
2.1.1 锅炉输入、输出法（正平衡）效率计算模型
针对正平衡法锅炉效率计算，两个标准基本相同。计算公式如下：
ηg =
Q 1Q r
⨯100
（2-1）
式中: ηg —锅炉效率，%； Q 1—锅炉输出热量，kJ h ； Q r —锅炉输入热量，kJ h ；
Q r =Q y B +
式中：B —锅炉燃料消耗量，kg h ；
Q y —根据实验室分析并经过实验室测定的燃料水分修正所得的应用基的热量，kJ kg ；
B e —除了炉燃料的化学热之外，附加入锅炉机组的热量的总和，
kJ h ；
B e=B A e +B Z e +B F e +B X e +B mA
B e （2-2）
（2-3）
式中：B A e —来自暖风器之类设备的空气所提供的热量，kJ h ； B Z e —雾化蒸汽提供的热量，kJ h ； B F e —以燃料显热形式提供的热量，kJ h ；
B X e —在热平衡范围内由辅助设备作功所提供的热量，kJ h ； B m A —由进入锅炉机组的空气带入的水提供的热量，kJ h 。 按下式计算：
B Ae =(W A -W AS ) BC PA (T A -T RA ) +W AS BC PA (T AS -T RA )
（2-4）
式中：C PA —空预器进口温度下空气的比热，kJ (kg *︒C )； T A —空预器进口温度，°C ；
T RA —基准空气温度，°C ；
W A S —对应于单位入炉燃料的磨煤机冷风量，kg Air . kg ； T AS —磨煤机冷风温度，°C ；
W A —对应于单位入炉燃料的干空气量，kg Air . kg 。
B Z e =W Ze (H W F -H RA )
（2-5）
式中：W Ze —测得的雾化蒸汽流量，kg h ；
H W F —在测量点处的压力和温度下，雾化蒸汽的焓，kJ kg ； H RA —基准温度下的饱和蒸汽焓，kJ kg 。
B Fe =B C pf (T f -T RA )
（2-6）
式中：C pf —燃料的平均比热，kJ (kg *︒C )； T f —燃料进口温度，°C 。
B Xe =W Xe (H sx -H ix ) ηx （2-7）
式中：W Xe —蒸汽流量，kg h ；
H sx —供驱动辅助设备用的蒸汽焓，kJ kg ； H ix —排汽焓，kJ kg ；
ηx —总的传动效率，包括汽轮机和齿轮箱的效率。 对于电动的辅助设备，所提供的热量为：
η) B X e =3413k (w h x （2-8）
式中： ηx —为总的传动效率，包括电动机效率、电力和液力联轴节效率及齿轮箱效率。
B mA =W mA W Ae C Ps (T A -T RA ) （2-9）
式中： W m A —单位空气中水蒸汽含量，kg AF . kg ；
W Ae —进入锅炉机组的空气流量，kg h ； C P s —蒸汽的平均比热，kJ (kg *︒C )。 2.1.2 热损失法（反平衡）锅炉效率计算模型
针对反平衡法锅炉效率计算，则差别比较大，则下面将分开介绍其相应的计算模型：
ASME PTC标准下反平衡法效率计算如下：
η=100
-L H
10 0 f
+B
⨯
e e
式中： L —锅炉总的热损失，kJ kg ； H f —煤的应用基低位发热量，kJ kg ；
B ee —每单位入炉燃料以显热形式带入锅炉总的物理热，锅炉总的热损失L 的组成如下：
L C fh
C lz U C =3373⨯0A ⨯
100-C ⨯r fh +
fh
10-0C r lz ) lz
式中： r fh —飞灰比率； r lz —炉渣比率；
C fh —飞灰可燃物含量； C lz —炉渣可燃物含量； A —煤的应用基灰分。 (1)干烟气热损失
L '
G =W ' G C pg (t G
-t RA ) 式中： t '
G —烟气温度；
W ' G —干烟气量； C pg —烟气平均比热；
（2-10）
kJ kg 。 （2-11）
（2-12）
t R A —参考温度。 (2)入炉燃料中水分引起的热损失
L mf =m f (h ' -h RW ) （2-13） 式中： m f —煤的应用基水分，%；
h ' —烟气中相应水蒸气分压力和出口温度下的焓，kJ kg ； h R W —基准温度下饱和水焓，kJ kg 。 (3)氢燃烧生成的水分热损失
' 6h (- L H =8. 93H
R W
h
) （2-14）
式中： H —煤的应用基氢，%。 (4)空气中水分引起的热损失
L H =W M A W A ' (h ' -h RV ) （2-15） 式中： W M A —单位质量干空气中水的质量，kJ kg ； W A ' —对应入炉燃料的干空气量； h R V —基准空气温度下饱和蒸汽焓。 (5)未燃尽碳生成一氧化碳造成的热损失
L co =
[C O ]
'
'
'
[C O 2]+[C O ]
23560C b
（2-16）
式中： [C O ]' —一氧化碳在干烟气中的容积百分数，%； [C O 2]' —二氧化碳在干烟气中的容积百分数，%； C b —实际烧掉的碳。 (6)表面辐射和对流引起的热损失
L R =L B 1L B 2Q
y
（2-17）
式中： L B 1—散热辐射损失修正系数由ASME 表查得；
L B 2—空气速度修正系数；
Q y —煤的发热量。 (7)其他热损失
L U N =0.5%
（2-18）
所以总的热损失为：
L =L U
C
+L G +L m f +L
H
+L
M A
+L
C O
+L +L R
（2-19）
如不考虑输入锅炉物理热，则锅炉效率为
η=100-
L H
f
⨯100 （2-20）
GB PTC标准下反平衡法效率计算如下：
ηgl =100-
Q 2+Q 3+Q 4+Q 5+Q 6
Q rb
（2-21）
式中： Q 2—单位燃料的排烟损失热量，kJ kg ；
Q 3—单位燃料的可燃气体未完全燃烧损失热量，kJ kg ； Q 4—单位燃料的固体不完全燃烧损失热量，kJ kg ； Q 5—单位燃料的锅炉散热损失热量，kJ kg ； Q 6—单位燃料的灰渣物理显热损失热量，kJ kg ； Q rb —单位燃料的锅炉输入热量，kJ kg 。
(1)排烟损失热量
锅炉排烟损失热量为末级热交换器后排出的烟气带走热。按下式计算：
Q 2=Q 2+Q 22
gy
h o
（2-22）
式中： Q 2gy —干烟气带走的热量，kJ kg ；
Q 2h o —烟气所含水蒸气的显热，kJ kg 。
2
Q 2=V gy C pgy (T py -T RA ) （2-23）
gy
式中： T py —排烟温度，︒C ；
T RA —基准空气温度，︒C ；
C pgy —干烟气的平均定压比热，kJ Nm 3. K ；
V gy —单位燃料生成的干烟气体积，m 3kg 。按下式计算：
c
V gy =V gy
()
c
+(a py -1)V gy
0()
c
（2-24）
)—按应用基燃料成分，由实烧掉的碳计算的理论燃烧干烟气 式中： (V gy
量，m 3kg 。
(V )
0gy
c
=1. 866-
C r +0. 375S
100
y r
y y
+0. 79V
()
0gk
c
+0. 8
N
y
100
（2-25）
C =C
c fh c fh
y
-
A C 100
c
y
（2-26）
a lm C lm 100-C lm
c c
C =
a ls C ls
c c
100-C ls
+
a fh C
100-C
+
a cjh C cjh 100-C cjh
c
+
（2-27）
式中： C y , S y , N y , A y —分别为燃料应用基碳、硫、氮和灰分质量含量百分率，％；
a ls , a fh , a cjh , a lm
—分别为炉渣、飞灰、沉降灰、漏煤中灰分含量占燃
煤总灰量的质量百分率，％；
C ls , C fh , C cjh , C lm —分别为炉渣、飞灰、沉降灰、漏煤中含碳量，％；
(V )
gk
c
—按应用基燃料成分，由实际燃烧掉的碳计算的理
论燃烧所需干空气量，m 3kg 。
(V )
0gk
c
=0. 089C r +0. 375S
(
y y
)+0. 265H
y
-0. 0333O （2-28）
y
式中： H y , O y —分别为燃料应用基硫、氢、氧质量含量百分率，％； a py —实测排烟过量空气系数，按下式计算：
a py =
21
21-(O 2-2CH
4
-0. 5CO -0. 5H 2)
（2-29）
式中： O 2, CH 4, CO , H 2—分别为排烟的干烟气中氧、甲烷、一氧化碳和氢的容积含量百分率，％。
2
Q 22=V h 2o C ph 2o (T py -T RA ) （2-30）
h o
式中： C ph o —水蒸气平均定压比热，kJ Nm 3. K ；
V h o —烟气中所含水蒸气容积，m 3m 3；
2
V h 2o
⎛9H y +W =1. 24 100⎝
y
+1. 293a py (V gk
0)
c
d k +
D wh ⎫
⎪ （2-31） B ⎪⎭
式中： d k —空气的绝对湿度，kg kg ； D wh —雾化蒸汽流量，kg h ；
W y —燃料应用基水分质量含量百分率，％。
(2)可燃气体未完全燃烧损失热量
Q 3=V gy (126. 36CO +358. 18CH 4+107. 98H 2+590. 79C m H n ) （2-32）
式中： CO 、CH 4、H 2、C m H n —分别为排烟中未完全燃烧产物的含量。 (3)固体未完全燃烧损失热量
Q 4=337. 27A C +
y
B SZ Q dw
B
SZ
（2-33）
式中： B SZ —中速磨煤机排出的煤矸石量，kg h ；
SZ
Q dw —煤矸石的实测低位发热量，kJ kg ；
(4)散热损失热量
Q 5=q
e
5
D
e
D
Q rb （2-34）
式中： q 5e —额定蒸发量下的散热损失，％，可根据图表查得；
D e —锅炉的额定蒸发量；
D —锅炉效率测定时的实际蒸发量，t h 。
(5)灰渣物理损失热量
⎛a C (T -T )a fh C fh (T Ry -T RA )a cjh C cjh (T cjh -T RA
RA ls ls ls Q 6=++c c c
100 100-C 100-C 100-C ls fh cjh ⎝
A
y
)⎫
⎪
⎪⎭
（2-35）
式中 C ls , C fh , C cjh —分别为炉渣、飞灰及沉降灰的比热，kJ (kg *︒C )；
T ls —由炉膛排出的炉渣温度，︒C ；
T cjh
—由烟道排出的沉降灰的温度，可取为沉降灰斗上部空间
的烟气温度，︒C ；
2.1.3 ASME PTC标准下热损失法（反平衡）锅炉效率计算简化模型
上节中以对两种方法分别在不同标准下的锅炉效率计算模型进行了计算，但由于这种计算方法都因为受煤的低微发热量、锅炉入煤煤量、飞灰含碳量及元素分析等多参数测量量的约束，很难实现真正意义上的在线计算，从而无法满足实际实时运行指导需求。下面则为了便于在线计算，以指导锅炉实时实际运行状况并对ASME PTC标准下热损失法进行了适当简化，简化计算模型如下：
(1)干烟气损失
l G =
C py Q
y
d
(k 1+k 2αpy )(t py -t R )100%
（2-36）
式中： α
p y
—排烟过剩空气系数；
αpy =
2121-[O 2]
2
C py =0.9221+0.0009t py -0.000002t py （2-37）
(2)水分热损失
l m =
C pH 2O Q d
y
(k 3+0.01(k 4+k 2αpy ))(t py -t R )100%
（2-38）
式中： C pH O —水蒸气平均比热，简化计算时可以取常数代替；
2
(3)末燃尽碳热损失
l uc =
33730Q d
y
A (0.9
y
C fh 100-C fh
+0.1
C lz 100-C lz
)100% （2-39）
式中： C fh —飞灰可燃物含量，％；
C lz —炉渣可燃物含量，％；
(4)辐射和对流损失
l R =0.33%
（2-40）
(5)其它热损失
l un =0.5%
（2-41）
热损失总和
l =l G +l m +l uc +l R +l un
（2-42）
则锅炉效率
η=100-l （2-43）
式中： t py —排烟温度，︒C ； t R —冷空气温度，︒C ；
k 1, k 2, k 3, k 4是与Q d
y
有关的系数
k 1=0.0576+0.02337
y
Q d
y
1000
（2-44）
k 2=0.699+0.303
Q d
1000Q d
y
（2-45）
k 3=0.9081+0.303
1000
（2-46）
y
k 4=-0.0139+0.0089
Q d
1000
（2-47）
对于ASME PTC标准下得到的简化模型来计算锅炉效率，有如下特点； (1)计算简化，其相应的减少了计算绝对湿度，以及根据煤质分析来计算干烟气量的过程，提高了计算效率。
(2)测量简化，除煤质分析外，测点数目由14个减少到5个，即：飞灰可燃物、煤的发热量、排烟温度、排烟氧量、冷空气温度等
(3)计算误差同标准计算程序相比，较小，能基本满足计算要求。
2.2 影响锅炉运行经济性的因素分析
电站锅炉是利用其燃料（煤）燃烧过程中释放出的热能或其他热能给水加热，从而获得规定参数（ 温度、压力） 和规定品质的蒸汽的设备。锅炉是火力发电厂三大主要设备之一。提高锅炉经济性相应的也就提高了整个电厂的经济性；其次，锅炉又是一次能源大户，而当今世界一次能源供应日益紧张，所以必须注意降低能耗，提高效率以节约能源。因此提高电站锅炉经济性迫在眉睫。
锅炉运行经济性会随着给水温度、过量空气系数、锅炉负荷及锅炉受热面的清洁度等条件变化而变化，锅炉运行经济性又体现在锅炉效率上，前面章节已得到了在锅炉运行当中，锅炉效率主要与排烟氧量（过热空气系数）、锅炉排烟温度、飞灰含碳量以及空气预热器漏风等有关系55。下面则对相应对其影响因素进行分析：
(1)飞灰含碳量的影响
由图2-1可以看出，随着飞灰含碳量的增大，锅炉效率降低，二者之间有接近线性的关系。同时飞灰含碳量的多少与锅炉 燃烧调整有直接的关系，煤种、煤粉细度和过量空气系数对其飞灰含碳量的影响很大。
图2-1 飞灰含碳量与锅炉燃烧效率的关系
(2)排烟温度的影响
运行中常用氧量信号监测过量空气系数，过量空气系数直接影响燃烧过程和
排烟热损失。在一定的负荷范围内，当炉膛出口处的空气过量系数增大时，气体不完全燃烧损失和固体不完全燃烧损失可以得到降低，但是排烟损失却会增大，也使送、引风机耗电量增大。
图2-2 过量空气系数与飞灰含碳量的关系
由图2-2可知，当烟气含氧量的变化，即过量空气系数的变化时，将引起飞
灰含碳量的变化，从而直接影响到锅炉效率。
(3)给水温度的影响
给水温度的降低，在一定程度上可以使锅炉排烟温度降低。但同时为了维持
一定的蒸发量，必须增加燃料量，这样又会使各部烟温升高．两种影响综合作用的结果是不仅使锅炉的经济性降低，还有可能引起锅炉受热面发生结渣。而且，给水温度降低，会使汽轮机组热耗率增大。总的来说，给水温度低于设计值对电厂运行的经济性和安全性都是不利的。
(4)空气预热器漏风的影响
空气预热器的漏风对锅炉效率有着直接的影响，烟气流经空气预热器，与漏
风混合形成锅炉排烟。如果以空气预热器入口处的烟气含氧量为基准，在其他参数不变的条件下，可以根据效率模型，计算漏风对锅炉效率的影响。由图2-3可得，空预器入口氧量与飞灰含碳量之间也存在着某种线性关系，从而也直接影响了锅炉的燃烧效率。
空预器入口氧量/%
图2-3 空预器入口氧量与飞灰含碳量的关系
综上所诉，在任何影响锅炉效率的因素通过一定的分析，都可以转化为相应
飞灰含碳量与锅炉效率的影响因素。所以飞灰含碳量对锅炉效率的影响研究将在下一章着重分析。
2.3 本章小结
本章主要讲了正平衡法和反平衡法两种常用的锅炉效率计算模型方法。在针
对锅炉各项热损失及其各种影响因素的前提下，得出了ASME PTC 标准下热损失法（反平衡）锅炉效率计算简化模型，并分析了飞灰含碳量和排烟温度、给水温度及空气预热器漏风等这些相应量变化对锅炉经济性的影响，得出了飞灰含碳量对锅炉的影响的重要性，则为下一章飞灰含碳量的模型建立打下了基础。
第3章 基于BP 神经网络的锅炉运行参数预测
3.1 人工神经网络
3.1.1 BP神经网络简介
人工神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的
数学模型，由大量的简单处理单元互联而成的自适应、非线性信息处理系统。通过输入信号在各个神经元间的传递，来获得输出，同时可以模拟人类大脑神经网络结构和行为，并具有高度的非线性，且系统可以从大量现有存在的知识样本中，通过学习从而提取出有效地知识和规则，对其自身不断完善、发展和创新。
目前最为广泛使用的是BP 神经网络，它是一中单向性传播的多层前馈神经
网络，BP 网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP 神经网络模型拓扑结构包括输入层、隐层和输出层。
3.1.2 BP神经网络的实现工具——matlab 介绍
MATLAB 是矩阵实验室的简称，是美国MathWorks 公司出品的商业数学软
件，用于算法开发、数据可视化、数据分析以及数值计算的高级技术计算语言和交互式环境，主要包括MATLAB 和Simulink 两大部分。它将数值分析、矩阵计算、科学数据可视化以及非线性动态系统的建模和仿真等诸多强大功能集成在一个易于使用的视窗环境中，为科学研究、工程设计以及必须进行有效数值计算的众多科学领域提供了一种全面的解决方案，并在很大程度上摆脱了传统非交互式程序设计语言（如C 、Fortran ）的编辑模式，代表了当今国际科学计算软件的先进水平。
人工神经网络可以通过软件和硬件的方式来实现。硬件的方式就是神经计算
机。而目前本文采用的，而大多数使用的还是软件的方式。而MATLAB 提供的神经网络工具箱也是大多数采用的，其中最为使用广泛的是BP 算法比较和模糊逻辑与神经网络。
MATLAB 神经网络工具箱介绍：之所以广泛被使用是因为其提供了非常多
的工具箱, 其中神经网络工具箱是以人工神经网络理论为基础, 用MA TLAB 语言构造出了该理论所涉及的矩阵操作、公式运算和方程求解等大部分子程序, 来用于神经网络设计与训练。用户只需根据自己的需要调用相关程序, 免除了自己编写庞大而复杂的算法程序的麻烦。同时里面还包含了现有的许多神经网络成果，分别是：感知器模型、自组织网络模型、BP 网络模型、线性滤波器等。其内容丰富，备受使用者喜爱。同时，其中的一些函数是通用的，几乎可以运用于任何类型的神经网络。
3.2 飞灰含碳量的BP 神经网络模型的建立
3.2.1 飞灰含碳量测量辅助变量的选择
在建立BP 网络模型前，首要解决的是输入层与输入变量的选择。如果变量
的选择数目过小，则不能完全反映过程变化的特点，变量数目太多，同样也会导致“过于参数化”并造成计算结果比较大的误差。前面章节中通过机理的分析详细的介绍了与飞灰含碳量有关的辅助变量。从而本文选用的输入层的输入变量为：燃料风开度、燃烧器摆角、过剩空气系数、煤种特性、一次风总压。
在输入层的输入变量的基础上，如何确定采样的数据是一个非常重要的问
题。首先学习各种条件下的有关的生产过程的各种工况，以确定辅助变量的取值范围，收集的样本空间，要尽量覆盖整个操作范围，选择一个样本，在样本空间，应该有一定的代表性，此外，样本大小选择每个功能点也应该是适中，均匀数据。因此，收集来的样本数据要具均匀性、代表性和精简性。
3.2.2 飞灰含碳量BP 神经网络模型结构的确定
对于任意一非线性或非线性的映射来说，都可以使用三层式向前神经网络对
其进行实现。所以本文可以采用一个三层的BP 神经网络建立预测数学模型。
在确定输入层变量有五个之后，神经网络的设计采用五输入单输出的三层前
馈网络。输入层分为5个神经元，分别是煤种特性、燃烧器摆角和过剩空气系数（烟气含氧量）、一次风总压和燃料风开度。根据本文的设计按照公
式m ≤1，则m=2,3,4,5。如m 太少会较大的大减少模型的精确度，同时，如果太多，会增加网络连接权数，增加其计算量，从而容易出现现隐层的神经元过于冗余现象。所以这次考虑到模型精确度和计算的简易操作，并根据多次实验比较，文中将取m=5。
BP 神经网络结构图如下图3-1所示
图3-1 BP神经网络结构图
3.2.3 飞灰含碳量BP 神经网络模型的建立
使用BP 神经网络来建立预测数学模型, 一般有两步: 1)建立神经网络的结构;
2) 使用大量学习样本来训练网络, 即确定权值和阈值。而衡量权值和阈值的一个重要指标就是最小均方误差 (目标值与实际输出值的差值的平方和) , 如果该值小于期望的误差那就是理想的结果。
上小节，确定了网络结构，接下来，就得使用样本中一部分，用来来训练所
建的神经网络。其样本集中共有十二组数据，其中挑选九组来作为训练样本集合，将剩下的三组来作为仿真的验证样本。同时，输入变量可以用矩阵的形式读入。接着，网络训练采用MATLAB 工具来实现, 并用MATLAB 工具箱自带的traingdm （）函数进行训练。
接着整个学习过程则按以下步骤进行：
（1）初始化，归一化处理各输入输出参数，并给各连接权值和阈值赋予
（-1,+1）间的随机值；
（2）随机选取一输入、出模式供给网络；
（3）用输入模式、连接权值和阈值来计算隐层各单元的输入，接着再用S
函数来计算中间层各单元的输出；
（4）用上步得出的隐层输出、连接权值和阈值来计算输出层各单元的输入，
再用S 函数来计算输出层各单元的响应，所得则为飞灰含碳量的预测参数；
（5）用锅炉运行的实际值和网络实际输出的值来计算输出层各单元的一般
化误差；
（6）用连接权值、输出层的一般化误差、中间层的输出于计算中间层各单
元的一般化的误差；
（7）用输出层各单元的一般化的误差、中间层各单元的输出来修正连接权
和阈值；
（8）用中间层各单元的一般化误差、输入层各单元的输入来修正连接权和
阈值；
（9）随机选出下一个样本学习模式供给网络，然后返回到步骤（3），直到
全部被用于训练网络的样本模式对训练结束；
（10）重新从样本中选取一个模式对，然后返回步骤（3），直到网络全局误
差函数E 小于预设的一个极小值或者网络学习回数大于预设值，即网络无法收敛，到此结束学习。
隐层神经元输出讲采用tansig
函数ϕ(v ) =-1，输出层神经元的输出则
采用purelin 线性函数，运用快速BP 算法Traingdm 训练前馈网络。由于采样点
仅为9个，所以精度要求的取值相对比较小，所以取精度要求的值为0.005，学习速率为0.05，动量系数为0.9。这次将通过10000 多次迭代运算能量函数值来达到精度要求，从得到网络的全部参数。
Matlab 编程的m 文件如下：
（1）数据的输入。
（2）转置归一化处理输入数据。
锅炉运行经济性分析
（3）BP 神经网络的建立以及BP 神经网络的训练学习。
（4）训练曲线
训练次数5000次，完成到0.0200077 目标0.005
图3-1 5000次模拟下的飞灰含碳量训练曲线
训练次数6224次，完成到0.00499988，目标0.005
图3-2 10000次模拟下的飞灰含碳量训练曲线
（5）代入验证样本，调用traingdm 训练BP 神经网络模型仿真。
3.3 实际、仿真及结果对比分析
表3-1 实际、仿真结果对比表
数据组
1
2
3 实际值(%) 2.105 4.56 4.48 仿真值(%) 2.0892 4.6262 4.5782 相对误差（%） 0.751 -1.451 -2.192
通过观察表3-1可以得出，第一组数据对应的仿真误差比较小，且与实际值
相比仿真值有较小的减少。第二三组数据误差都控制在了百分之三以内，基本实现了BP 神经网络建模。在现实实际生产中飞灰含碳量对于电厂锅炉的经济运行和安全方面都有着重要的意义，所以所要求的精确度将会更高。由于本文只是基本的阐明基于BP 神经网络的建模步骤、方法及可行性上，所以，为了满足更高精确度是可以尝试如下操作：
（1）加大训练样本的容量。样本容量越多其精确度越高。
（2）改变隐层神经元个数。目前选取隐层神经元个数没有非常好的办法，
基本上都是靠经验，所以可以改变相应个数，并针对每个逐个建模来求得最佳最合适的神经元个数。
3.4 本章小结
本章分别介绍了BP 神经网络、及BP 神经网络的实现工具，且相应的介绍
其相应功能。为建立飞灰含碳量的BP 神经网络模型选取合适的并合理的辅助变量，并确定相应的BP 神经网络模型结构图，最终建立了其飞灰含碳量BP 模型，并将此用于了飞灰含碳量的仿真训练当中。最后利用matlab 工具箱别写出了模型程序，得到了相应的仿真值，并与实际相比分析，提供了多种适应更高精确度的可行性操作。同时，本章的飞灰含碳量BP 神经网络模型的建立及其相应理论
知识为下一章锅炉运行热经济参数优化打下了坚实的基础。
第4章 锅炉运行热经济性参数的优化
本章在利用上章节人工神经网络技术实现飞灰含碳量与运行参数关系的建模工作的基础上，结合遗传算法对神经网络训练结果进行寻优，对锅炉热效率最优化运行技术进行了研究，实现对锅炉运行热经济性参数的优化。
4.1 遗传算法简介
遗传算法是一种模拟自然界生物进化优胜劣汰的全局随机搜索的方法。这种数值优化方法是在上个世纪的六七十年代被提出，同时到了进一步的发展，其主要思想来源是达尔文的生物进化理论和遗传学的基本知识。 4.1.1 遗传算法的起源
达尔文的进化理论是生物学史上的一个重要里程碑，它解释了自然选择作用下生物的渐进式变化，其内容主要包括遗传、变异、选择三个方面。遗传就是亲代把生物信息交给子代使其具有和亲代相同或者相似的特征；变异是指亲代和子代之间或者子代的个体之间的差异，通过变异来保持生命和种群多样性，其发生具有随机性；选择即自然界中的生存斗争和适者生存，对生存环境适应性强的个体被保留下来而不具备适应性的个体被淘汰，经过一代代生存环境的选择作用，物种变异定向朝着一个方向积累，于是性状逐渐和原先的祖先不同，演变为新的物种。通过不断的遗传、变异和选择，物种不断被进化和发展。
遗传算法从本质上来看是一种基于概率搜索的随机寻优算法，其模拟自然界优胜劣汰的进化现象，把搜索空间映射为遗传空间，把可能的解编码成一个向量—染色体，向量的每个元素成为基因。遗传算法将所产生的染色体进行适应度评价，适应度好的染色体有更多繁殖遗传的机会，适应度差的染色体被逐渐淘汰，
这样就可以进行寻优过程。遗传算法的主要特点是:
（1）直接对结构对象操作，不存在求导和函数连续性的限定； （2）遗传算法不是从单个点，而是从一个点的群体开始搜索； （3）具有内在的隐并行性和较好的全局寻优能力；
（4）采用概率化寻优方式，能自动获取搜索过程中的有关知识并应用于指导优化，自适应地调整搜索方向，不需要确定规则；
（5）鲁棒性较强。
遗传算法特别适用于处理复杂优化问题，主要应用于函数优化、组合优化、神经网络、机器学习等众多领域，本文的研究重点在于利用遗传算法对神经网络训练结果进行寻优。
4.2 利用遗传算法对神经网络训练结果进行寻优
利用一个21 个输入节点，1 个输出节点，24个隐节点的BP 网络来模拟锅炉飞灰含碳量与锅炉运行参数和燃用煤种之间的关系，获得了良好的效果，并证明了采用人工神经网络对锅炉这种黑箱对象建模的有效性。人工神经网络的输入采用锅炉负荷、省煤器出口氧量、各二次风挡板开度、燃尽风挡板开度、燃料风挡板开度、各磨煤机给煤量、炉膛与风箱差压、一次风总风压、燃烧器摆角和煤种特性，除煤种特性这一不可调节因素外，基本上包括了运行人员可以通过DCS 进行调整的所有影响锅炉燃烧的所有参数。
根据锅炉的反平衡计算公式，锅炉热效率η可由下式求得：
η=100-(q 2+q 3+q 4+q 5+q 6) （4-1）
式中：
q 2q 3q 4q 5q 6
—为排烟热损失；
—为可燃气体不完全燃烧热损失； —为固体不完全燃烧损失； —为锅炉散热损失； —为其他热损失。
根据遗传算法的要求，确定锅炉热效率 为遗传算法的目标函数，用式（4-1）计算。对燃煤锅炉，利用DCS 与厂内MIS 网的接口按每6s 下载各运行参数，包括排烟氧量、排烟温度、锅炉负荷、各二次风挡板开度、燃尽风挡板开度、燃料风挡板开度、各磨煤机给煤量、炉膛与风箱差压、一次风总风压、燃烧器摆角等。锅炉飞灰含碳量可由飞灰含碳量监测仪在线监测或人工取样分析，燃用煤种由人工输入。这样锅炉的各项损失即可在线获得，并进而计算出各运行工况下的锅炉实时热效率。将排烟氧量和煤种特性等影响锅炉排烟热损失q 2的参数按热效率计算，标准化为计算公式代入式（4-1），而影响q 4的各参数采用人工神经网络模型代入式（4-1），其中炉渣含碳量对热效率影响由人工测试后输入。具体计算公式可参见锅炉热效率计算标准。
由以上步骤建立了锅炉热效率和锅炉各运行参数及煤种的函数关系，即锅炉热效率作为因变量，而锅炉的各操作参数和煤质特性作为变量，这样就可以利用遗传算法进行寻优计算，获得最佳的锅炉运行条件，实现锅炉热效率的最大化。火电厂锅炉运行中，为考虑到习惯运行方式和各种安全因素的影响，对各种可调因素的选择区域都有一定的范围限制，寻优范围必须控制在这些范围以内，这些限制构成了自变量的定义域。至此，完成了锅炉热效率最优化燃烧的结合神经网络的遗传算法优化过程，具体程序流程见图1。
图4-1建模和优化过程
4.3 燃煤锅炉热效率的优化效果
在电厂锅炉运行中，运行人员调节最为频繁的参数主要是各种配风方式，包括各二次风、燃尽风、由送引风机配合所确定的氧量等，其余影响锅炉燃烧的因素，如负荷和煤种，对于运行人员而言在某一工况下是不可调节因素，燃烧器的摆角出于汽温调节的需要，往往也不会对其调整以实现低的飞灰含碳量。作为示例，我们对影响燃烧的部分参数的寻优过程进行了模拟和验证。
某个实际运行工况如表 4-1所示，除煤种特性为事先取样分析人工输入外，其余参数均由集散控制系统（DCS ）下载。利用软件寻优，遗传算法选择的参数种群规模为50，交换概率为0.8，突变概率为0.15，迭代次数500 次，可调参数7 个，计算获得优化后的各风门开度、氧量及锅炉效率和飞灰含碳量值，优化后的各值如表4-2 所示。图4-2 示出了不同迭代次数下的遗传算法计算得到的飞灰含碳量值和锅炉热效率。
对图 4-2 的寻优过程进行分析，发现飞灰含碳量曲线具有震荡，这是因为氧量同时影响到排烟热损失和飞灰含碳量，优化过程初期氧量较高，飞灰含碳量
相应可以搜索到较低值，但由于排烟热损失比机械不完全燃烧损失数值更大，迫使优化过程向氧量较低的方向寻优，而氧量较低又导致飞灰含碳量有所增加，这种相互反作用的机理使飞灰含碳量曲线呈现震荡性，这种震荡性也是由遗传算法的寻优本质所决定的。
表4-1某实际运行工况
/C 二次风门开度2/% 磨煤机给煤量Q /th
AB BC CD DE EF A B C D E 负荷M/MW 环境温度
-1
T 0
k
298.7 21.35 100 100 100 100 100 26..5 26.5 0 26.5 27
氧量O 2/% 燃料风 燃尽风 风箱炉膛 燃烧器摆角 一次风总压 排烟温度 开度k 1/% 开度k 0/% 压差∆P/kPa 煤种特性 Var/% Aar/% Mar/% Q
ar
net , p
α/% p/kpa T py / 。C
/kJ/kg
3.515 100 88.9 0.825 27 17.5 10.0 23750 41.875 8.57 121.4
表4-2遗传计算获得的优化结果
数 围 优化结果
度k A B 70.84
度k B C 70.27
度k C D 98.41
度k D E 99.31
度k E F 70.54
开度
后氧量 2.0
率η 93.53
碳量
k OFA
95.65
C fh
1.52
图4-3对采用不同的遗传算法计算参数进行了比较，其中曲线1 采用了交换概率为0.8，突变概率为0.15 的计算参数；曲线2 采用了交换概率为0.8，突变概率为0.3 的计算参数；曲线3 采用了交换概率为 0.2，突变概率为0.1 的计算参数。计算表明这几种参数下寻优过程均能成功收敛，但以曲线3 为最佳，说明交换概率和突变概率的选取存在最佳值。增加迭代次数和种群规模，最终结果基本无变化，证明目前的迭代次数和种群规模已基本满足要求。
图4-2遗传算法的寻优过程
图4-3遗传算法不同计算参数比较
由于遗传算法可以对多个自变量同时进行寻优，这为遗传算法在锅炉优化运行中的应用提供了便利。
对锅炉在中等负荷下的热效率优化过程也进行了试验，表4-3示出了某种中等负荷条件下锅炉实际运行工况。表4-4为中等负荷下遗传计算获得的优化结果。
表4-3 某中等负荷下的实际运行工况
负荷M/MW 环境温度T 0/C 二次风门开度k 2/% 磨煤机给煤量Q /th AB BC CD DE EF A B C D E 218.7 22.5 70 70 70 70 70 19 19 18.8 19 0
氧量O 2/% 燃料风 燃尽风 风箱炉膛 燃烧器摆角 一次风总压 排烟温度 开度k 1/% 开度k 0/% 压差∆P/kPa 煤种特性 Var/% Aar/% Mar/% Q
ar
net , p
-1
α/% p/kpa T py / 。C
/kJ/kg
4.1 40 35 0.6 27 17.5 10.0 23750 100 6.8 112
表4-4中等负荷下遗传计算获得的优化结果
数
度k A B 50.1
度k B C 95.25
度k C D 98.3
度k D E 99.9
度k E F 52.75
开度
后氧量 2.0
率 93.70
碳量
k OFA
93.7
C fh
0.89
优化范围 优化结果
对于燃用燃尽性能差和高灰分煤的锅炉，机械不完全燃烧损失占到锅炉效率损失的很大部分，由于排烟热损失的优化比较简单，而本文主要针对机械不完全燃烧损失进行优化，因此对于燃用劣质煤锅炉采取此优化方法具有更好的应用前景，能够确定锅炉最佳氧量和各风门开度。
对锅炉热效率优化另一种方法也进行了研究，即将锅炉热效率与煤种特性、运行参数之间的关系直接采用人工神经网络建模，然后利用遗传算法优化，结果表明这种方法的效果远不如本文的方法。其原因经分析为，人工神经网络方法进行建模时存在一定的误差，由于热效率的绝对值较大对锅炉热效率直接建模，导致误差过大淹没了方案的可行性。
4.4 本章小结
本章介绍了遗传算法，并在大型燃煤电厂锅炉进行实炉多况热态试验和采用人工神经网络进行实现飞灰含碳量与运行参数关系的建模工作的基础上，结合遗传算法对神经网络训练结果进行寻优，对锅炉热效率最优化运行技术进行了研究，通过研究发现采用人工神经网络和遗传算法进行锅炉燃烧优化是可行的。
第5章 结论与展望
5.1 结论
（1）对国内外在锅炉热经济性领域的研究现状进行了介绍，举出其研究中的方法，并对现行的各种方法进行了分析，提出了对现行600MW 及超临界燃煤机组有针对性的方法。
（2）介绍了常用的两种锅炉效率计算方法模型，即正平衡（输入、输出法）和反平衡法（热损失法）。并对于这两种方法针对目前国内常用的计算标准：ASMF PTC（美国机械工程师协会的电站性能试验规程）和GB PTC（中国国家标准的电站性能试验规程）进行了比较分析及简化。
（3）介绍了BP 神经网络及BP 神经网络的实现工具，及相应的功能。并用电厂锅炉的实际运行数据来训练BP 人工神经网络，通过训练结果建立了电站锅炉飞灰含碳量与各运行参数之间关系的飞灰含碳量BP 神经网络模型。利用得到的模型对飞灰含碳量进行了相应的研究。通过模型预测值和实测值的比较，确定了模型的正确性，并提供了多种适应更高精确度的可行性操作。
（4）对遗传算法进行了介绍，并利用遗传算法对神经网络训练结果进行寻优，以提高电站锅炉热效率为目标，针对部分运行参数进行优化，最后实现了对锅炉热经济性的最优化。
5.2 展望
因为本文只是在一定的基础上，对其超临界电站锅炉热经济性进行了研究，远达不到现实中的目标。针对对于在这方面的研究，为以后研究提出了以下几点：
（1）应继续完善超临界直流锅炉经济性的分析模型的推导和理论的证明，争取从机理上来解决电站锅炉热经济性优化所在的各种问题。
（2）在神经网络样本的训练过程中，样本的在线选取与训练需要更进一步的分析与研究。
（3）在利用遗传算法对锅炉热经济性进行优化时，对各可调参数的选取以及各参数运行安全性的考虑。并对现实中存在的安全问题及各方面实际问题需要进一步的研究和论证。
参考文献
[1] 李智，蔡九菊，郭宏，等. 基于神经网络的电站锅炉飞灰含碳量软测量系统[J].节能技术，2004，22(4)：6～7。
[2] 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。
[3] 张盘石. 基于神经网络的电站锅炉燃烧优化系统研究[D]. 中国优秀硕士学位论文全文数据库,2007,(02)。
[4] 曹洪涛. 大型电站锅炉运行热经济性优化研究[D]华北电力大学（河北）, 2004 。
[5] 张春发、曹洪涛、等，锅炉机械不完全燃烧损失q4 解析评估模型研究，锅炉技术，2003 年第34 卷第4 期，8～10。
[6] 于敦喜、孙学信等，应用BP 神经网络对燃煤特性的研究，锅炉压力容器安全技术，2001 年第3 期，7～11。
[7] 罗春雷，基于BP 网络的锅炉优化燃烧指导系统，中国电力，2001 年第34 卷第10 期。
[8] 柏静儒、李少华，电站锅炉运行经济性热偏差计算，东北电力学院学报，2001年第21 卷第4 期，57～60。
[9] 孙伟，火电厂锅炉热经济性的分析模型研究，硕士，华北电力大学，2003。 [10] 周昊、朱洪波等，基于人工神经网络的大型电厂锅炉飞灰含碳量建模，中国电机工程学报，2002 年第22 卷第6 期，96～100。
[11] 刘闯. 基于人工智能方法的烟气含氧量软测量及优化配煤研究[D]. 中国优秀硕士学位论文全文数据库,2008,(05)。
[12] 锅炉机组热力计算标准方法. 北京：机械工业出版社，1997。 [13] 李雪亮, 等. 电站锅炉燃烧分析与诊断系统[J].中国电力，1998，31(1)。 [14] 郭强，赵晓华，孙亮.Matlab 遗传算法工具箱的设计[J].北京工业大学学报， 2001，27(3)：248～352。
[15] 马欣欣. 火电厂优化软件的应用及前景[J].中国电力，1999，（7）：52～56。 [16] 飞思科技产品研发中心. 神经网络理论与MATLAB7实现 [M ]. 第一版, 北京:电子工业出版社, 2005: 44。
[17] 万俊松. 基于人工神经网络和遗传算法的锅炉对流受热面污染监测研究[D]东南大学, 2006。
[18] Klaus Kruger,Rudiger Franke ,Manfred Rode. Optimization of boiler start-up
using a nonlinear boiler model and hard constraints, Energy 29,2004.
[19] Doyle J C, Glover K, Khargonekar P P, Et Al. State - space solutions to standard
H2 and H∞ control problems [J]. IEEE Trans Automat Contr, 1989, 34(8):831～847.
[20] Moheimani S O Reza, Petersen I R. Optimal guaranteed cost control of uncertain
systems via static and dynamic output feedback [J]. Automatica, 1996,
32(4):575～579. =
致谢
本论文是在导师冯老师的细心指导下完成的，在写作的过程中，每次遇到问题时冯老师都不厌其烦、不辞辛苦的帮助我解决。从论文的选题到资料的收集再到最后论文的完成，花费了冯老师很多的时间和精力，倾注了冯老师大量的心血。冯老师严谨的治学态度、开拓进取的精神和高度的责任心都将使我受益终生。在这次论文写作期间，我不仅巩固的知识，更重要的是从冯老师那学到了分析解决问题的技巧，以及踏实认真、勇于创新的治学精神，这些都将为马上走入社会的我给与了重要的法宝。在此由衷地感谢敬爱的冯老师！
同时，也向在此期间一直给与我帮助的家人、同学和朋友表示衷心的感谢！ 由于本人知识学术水平有限，文中难免有不完善之处和学术错误，谨请各位
老师提出批评和给与指导。
附录A MATLAB中锅炉飞灰含碳量的编码程序
P=[3.54 100 25350 50 7.8; 3.05 80 23364 100 7.58 ; 2.88 20 23364 100 7.82; 4.02 83 23820 100 7.5; 3.4 50 22636 20 7.52 ; 3.14 50 22636 20 7.17; 2.35 80 22636 50 7.6; 4.27 38 21810 100 6.8; 4.07 85 21810 100 7.5];
N=P(:,1);Pair1=P(:,2);Tair1=P(:,3);Pmix=P(:,4);Tmix=P(:,5); C=[4.02 8.18 4.56 2.93 4.62 3.06 2.35 1.84 3.8];
N=N';Pair1=Pair1';Tair1=Tair1';Pmix=Pmix';Tmix=Tmix'; N_min=0;N_max=4.07;
n=(N_max-N)./(N_max-N_min); Pair1_min=0;Pair1_max=100;
pair1=(Pair1_max-Pair1)./(Pair1_max-Pair1_min); Tair1_min=0;Tair1_max=25350;
tair1=(Tair1_max-Tair1)./(Tair1_max-Tair1_min); Pmix_min=0;Pmix_max=100;
pmix=(Pmix_max-Pmix)./(Pmix_max-Pmix_min); Tmix_min=0;Tmix_max=7.82;
tmix=(Tmix_max-Tmix)./(Tmix_max-Tmix_min); p=[n;pair1;tair1;pmix;tmix]; C_min=0;C_max=8.18;
c=(C_max-C)./(C_max-C_min); n=5;
net=newff(minmax(p),[5,1],{'tansig','purelin'},'traingdm'); inputWeights=net.IW{1,1}; inputbias=net.b{1};
layerWeights=net.IW{2,1}; layerbias=net.b{2};
net.trainParam.show=500; net.trainParam.lr=0.05; net.trainParam.mc=0.9;
net.trainParam.epochs=10000; net.trainParam.goal=0.005; net=train(net,p,c); A=sim(net,p); E=A-c; M=sse(E) N=mse(E)
P2=[3.68 38 21810 100 6.8; 3.47 100 25350 50 7.52; 3.67 81 23820 100 7.45];
N2=P2(:,1);Pair12=P2(:,2);Tair12=P2(:,3);Pmix2=P2(:,4);Tmix2=P2(:,5); N2=N2';Pair12=Pair12';Tair12=Tair12';Pmix2=Pmix2';Tmix2=Tmix2'; n2=(N_max-N2)./(N_max-N_min);
pair12=(Pair1_max-Pair12)./(Pair1_max-Pair1_min); tair12=(Tair1_max-Tair12)./(Tair1_max-Tair1_min); pmix2=(Pmix_max-Pmix2)./(Pmix_max-Pmix_min); tmix2=(Tmix_max-Tmix2)./(Tmix_max-Tmix_min); p2=[n2;pair12;tair12;pmix2;tmix2]; c2=sim(net,p2);
C2=C_max-(c2.*(C_max-C_min))
附录B 建模训练仿真数据表
氧量 （%） 3.54 3.05 2.88
燃料风开度（%） 100 80 20
煤种特性（kJ/kg） 25350 23364 23364
燃烧器摆角（%） 50 100 100
一次风总压（kPa ） 7.8 7.58 7.82
飞灰含碳量（%） 4.02 8.18 4.56
4.02 3.4 3.14 2.35 4.27 4.07 3.68 3.47 3.67
83 50 50 80 38 85 38 100 81
23820 22636 22636 22636 21810 21810 21810 25350 25350
100 20 20 50 100 100 100 50 100
7.5 7.52 7.17 7.6 6.8 7.5 6.8 7.52 7.45
2.93 4.62 3.06 2.35 1.94 3.88 2.25 3.28 4.2
毕业设计（论文）
题目： 锅炉运行经济性分析
学 班 级: 专 业：
2013年04月
锅炉运行经济性分析
学生姓名： 陈国宇
学 号： 103213320
班 级： 热动1033
所在院(系): 动力工程系
指导教师： 完成日期:
超临界电站锅炉运行热经济性优化研究
摘要
随着我国改革开放的不断深入，经济的持续、快速的发展，同时也带动了电力工业
进入了快速发展时期，燃煤的消耗也日益增加。电站锅炉热力系统作为火电机组的一个重要的组成部分，它的经济性在很大程度上影响了整个火力发电厂运行的经济性，负荷变化时，电站锅炉热力系统的经济性要发生很大的变化。因此，对锅炉可控因素进行优化是火电厂经济运行的重要目标。本文基于电厂锅炉燃烧系统优化问题，针对锅炉燃烧系统网络建模方法进行分析与研究。本文通过正、反平衡计算原理，分析出影响锅炉运行经济性的重要因素；针对某电厂600MW 四角切圆燃煤锅炉的飞灰含碳量特性，应用
人工神经网络的非线性动力学特征及自学习功能，建立了大型四角切圆燃烧锅炉飞灰含碳量特性的神经网络模型，并进行验证；同时采用遗传算法对锅炉热效率进行优化，获得最佳锅炉运行参数，初步实现了锅炉运行热经济性的最优，为机组的优化运行提供了依据。
关键字：锅炉；热经济性；优化；神经网络；遗传算法
SUPERCRITICAL POWER PLANT BOILER THERMAL
ECONOMIC OF OPTIMIZED RESEARCH
ABSTRACT
With the deepening of China's reform and opening up, the sustained, rapid economic
development, but also led to the electric power industry has entered a period of rapid development, the coal consumption is increasing. Power plant boiler heat system as an important component of thermal power units, its economy is largely affected the economy of the entire thermal power plants running, load change, the economy of the power station boiler heat system has greatly changed. Therefore, optimization is an important goal of the economic operation of thermal power plant boiler uncontrollable factors. Based on the boiler combustion system optimization, network modeling approach for the boiler combustion system analysis and research. Through the principle of positive and negative balance calculation to analyze the important factor to affect the economy of boiler operation; characteristics of fly ash carbon content of the circular coal-fired boilers for a power plant 600MW four corners cut, nonlinear dynamical characteristics of the application of artificial neural networks and self-learning function, the establishment of TANGENTIALLY fired boiler fly ash carbon content characteristics of neural network model, and validation; using genetic algorithms to optimize boiler thermal efficiency, the best boiler operating parameters, the initial realization of boiler operation the optimum thermal economy, provides a basis for the optimization of operation of the unit.
Key words: boiler; optimization; neural networks; genetic algorithms; thermal
economization
目 录
第1章 绪论.............................................................. 1
1.1 课题的背景和意义…………………………………………………………………… 1
1.2 国内外研究现状……………………………………………………………………… 2
1.3 本课题的主要内容…………………………………………………………………… 3
第2章 电站锅炉经济性能分析与模型的建立……………. ……. ……………………….. 4
2.1 常用的锅炉效率计算模型与各项热损失分析……………………………………...4
2.1.1 锅炉输入、输出法（正平衡）效率计算模型…………………………………4
2.1.2 热损失法（反平衡）锅炉效率计算模型………………………………………7
2.1.3 ASME PTC 标准下热损失法（反平衡）锅炉效率计算简化模型………12
2.2 影响锅炉运行经济性的因素分析…………………………………….......................13
2.3 本章小结……………………………………………………………………………...16
第3章 基于BP 神经网络的锅炉运行参数预测……………………………………………17
3.1 人工神经网络………………………………………………………………………...17
3.1.1 BP 神经网络简介…………………………………………………………...17
3.1.2 BP 神经网络的实现工具——matlab 介绍………………………………...17
3.2 飞灰含碳量的BP 神经网络模型的建立…………………………………………..18
3.2.1 飞灰含碳量测量辅助变量的选择……………………………………………18
3.2.2 飞灰含碳量BP 神经网络模型结构的确定………………………………...18
3.2.3 飞灰含碳量BP 神经网络模型的建立…………………………. ……….........19
3.3 实际、仿真及结果对比分析………………………………………………. ………24
3.4 本章小结……………………………………………………………………………...24
第4章 锅炉运行热经济性参数的优化…………………………………………………….25
4.1 遗传算法简介………………………………………………………………………...25
4.1.1 遗传算法的起源………………………………………………………………25
4.2 利用遗传算法对神经网络训练结果进行寻优……………………………………...26
4.3 燃煤锅炉热效率的优化结果…………………………………………………. ……..28
4.4 本章小结……………………………………………………………………………...31
第5章 结论及展望…………………………………………………………………………32
5.1 本文的主要工作和特点………......................... ……………………………………...32
5.2 后续工作的展望………….... ……..................... …………................................ ……...32
参考文献......... …………………………………………………………………………34 致谢......... ……………………………………………………………………….... …36 附录A MATLAB中锅炉飞灰含碳量的编码程序........ …………………….... …37 附录B 建模训练仿真数据表....... ……........... ………………………….... …39
第1章 绪论
1.1 课题的背景和意义
能源是国民经济的重要物资基础之一。节约能源，降低能耗，是我国的一项
长期的基本国策。在人类当今所使用的能源中，大约有百分之九十九的来自煤炭、天然气、石油等化石矿物资源，这些资源在地球上的储量是有限的，而且是不可再生。
同时在当今社会中很多的国家和地区，都是用的燃煤机组，“十一五”规划
之后，很多地区响应国家的号召实行“上大压小”的政策降低能源消耗，减少污染排放，压缩落后生产能力。这就促使国家关掉了很大一部分的小机组。现在600MW 及以上的超临界的燃煤机组已经成为了火力发电厂的中坚力量，而电站锅炉热力系统又是火力发电机组的一个重要组成部分，它的经济性在很大程度上也影响了整个火力发电厂运行的经济性，负荷变化时，电站锅炉热力系统的经济性要发生很大的变化。合理优化电厂锅炉热经济性是每个火力发电厂迫在眉睫的事情。这不仅与电厂的经济效益挂钩，而且与保护环境，节能减排又有着千丝万缕的联系。因此，对锅炉可控因素进行优化是火电厂经济运行的重要目标。
电站锅炉热力系统是火电机组的一个重要组成部分，它的经济性在很大程度
上也影响了整个火力发电厂运行的经济性，负荷变化时，电站锅炉热力系统的经济性要发生很大的变化。因此，对锅炉可控因素进行优化是火电厂经济运行的重要目标，对此进行研究也就具有很大的现实意义。
（1）研究锅炉运行热经济性优化意义及目的
锅炉效率的高低直接反映了锅炉经济性的好坏，锅炉效率是由多个因素决定
的，包括锅炉墙壁的隔热性，风煤比的投入，锅炉的灰飞含碳量，煤粉的低位发热量等等。其中锅炉的飞灰含碳量和煤粉的低位发热量是影响锅炉效率的最重要指标。
（2）锅炉飞灰含碳量对锅炉效率的影响
影响燃煤锅炉飞灰含碳量过高的因素很多，例如锅炉燃用煤种、设计安装水
平、锅炉运行操作水平都是其影响因素，这就很难采用简单的公式进行估算，往往需采用实炉测试方法加以确定并摸索降低如何控飞灰含碳量的运行方法。但实炉测试工作量大，测试工况有限，各运行参数和煤种对锅炉飞灰含碳量都存在影响，互相叠加，导致数据分析困难。而锅炉燃用煤种和操作参数千变万化，不可能保证在试验工况下运行，导致偏离燃烧调整获得的最佳工况下而无法获得最低的飞灰含碳量。相对而言，影响锅炉热效率的其他几项热损失根据运行参数可以有明确的计算公式可以求得，影响因素比较简单。获得飞灰含碳量与煤种和运行参数之间的关系对于锅炉的运行优化是有意义的。
（3）低位发热量对锅炉效率的影响
单位质量的燃料在完全燃烧时所发出的热量称为燃料的发热量，高位发热量
是指1Kg 燃料完全燃烧时放出的全部热量，包括烟气中水蒸汽已凝结成水所放出的汽化潜热。从燃料的高位发热量中扣除烟气中水蒸汽的汽化潜热时，称燃料的低位发热量。低位发热量因为最接近工业锅炉燃烧时的实际发热量，常用于设计计算。通过相关计算，当低位发热量不变的情况下灰分每升高1%，固体末完全燃烧损失升高0.058%；当低位发热量每降低500kJ/kg，影响固体末完全燃烧损失由0.0438%至0.0856%间有加速升高趋势。如不考虑其它因素影响，当入炉煤由设计值低位发热量21350kJ/kg、收到基灰分31.5%，降至14706kJ/kg对应收到基灰分44.78%时，假定其它指标不变的情况下锅炉效率降低1.8842%。
因此，通过对锅炉的飞灰含碳量以及燃煤的低位发热量的计算研究对锅炉的
经济运行起着至关重要的作用。同时，在本文中通过一定的分析发现任何影响锅炉效率的因素，均可转化为相应飞灰含碳量与锅炉效率的影响因素，所以在本文当中，我采用的是BP 人工神经网络建模的方法来分析锅炉的灰飞含碳量。
1.2 国内外研究现状
我国开展节能优化的工作已经几十年的历史，电站锅炉热力系统是火电机组
的一个重要的组成部分，它的经济性在很大程度上也影响了整个火力发电厂运行
的经济性，负荷变化时，电站锅炉热力系统的经济性要发生很大的变化。同时在这个期间各电厂提高锅炉运行经济性的手段和措施主要有以下几个方法：
(1)控制煤粉细度合格。煤粉细度的规格有很大的影响，它主要由磨煤机钢
球装载数量，分离器效率及一次风压决定。此方法，对于目前技术而言，难度比较大。
(2)合理控制制粉系统的启起与停止。因为磨煤机启停在运行时影响比较大，
尤其是停止制粉运行时，因制粉系统风量的不稳定及磨煤机料位的波动，导致造成飞灰量增大。但是针对不同煤种，磨煤机的出口温度也有严格的限制，所以这样就导致了此类方法的局限性。
(3)提高一次风温，限制一次风的数量，有利于迅速完全燃烧。增加了燃烧
速度和进入空气预热器的风量，达到了降低排烟温度和飞灰可燃物含碳量、提高锅炉效率的目的。但是一次风温会随着负荷的变化而变化。会给整个系统带来不利影响。
(4)足够的燃烧时间。锅炉负荷不能过高，炉膛负压适当。
(5)选择合适的过剩空气系数。过剩空气系数太大，一方面造成排烟损失，
同时降低燃烧区温度，影响燃烧效果。过小，氧量不足，达不到完全燃烧。
现在锅炉的经济性研究逐渐把重心转移到锅炉的灰飞含碳量以及煤粉的低
位含碳量，这是锅炉效率的具体体现。而研究这些参数需要用基于神经网络建模的方法。神经网络的魅力在于它超强的映射能力，单层感知机可实现分类，多层前向网络则可以逼近任何非线性函数。
1.3 本课题的主要内容
本论文的电站锅炉热力系统是火电机组的一个重要的组成部分，它的经济性
在很大程度上也影响了整个火力发电厂运行的经济性，负荷变化时，电站锅炉热力系统的经济性要发生很大的变化。因此，对锅炉可控因素进行优化是火电厂经济运行的重要目标。课题的主要内容如下：
（1）完善超临界直流锅炉经济性的分析模型的推导与理论证明，实现电站
锅炉经济性能分析与监测；
（2）建立直流锅炉飞灰含碳量特性的数学模型；
（3）对锅炉各运行参数进行优化。
第2章 电站锅炉经济性能分析与模型的建立
本章重点介绍锅炉效率计算模型，并对所介绍的模型进行了比较，通过系统
的比较得到了锅炉效率计算简化模型。以完善超临界直流锅炉经济性的分析模型的推导与理论证明及实现电站锅炉经济性能分析与监测。
2.1 常用的锅炉效率计算模型与各项热损失分析
能源作为国民经济重要物资基础之一，我国电厂每年都有1／4的煤炭用于
发电。节约能源，降低能耗，是我国的一项长期的基本国策。在这个大的背景下，目前我国发电总装机容量和总发电量位于世界前列，但是，我国人均装机容量不到世界人均水平的一半，与发达国家相比，我们国家的发电煤耗非常高。在目前我们国家以煤为主的能源消费格局下短时间是不会改变的，国家能源的供应又十分紧张，提高火力发电业的节能意思和加强能源能效管理，降低煤耗就成为了迫在眉睫，势在必行的事。锅炉作为火电机组的重要设备之一，电站锅炉的运行性能直接影响整个机组的经济效益，电站锅炉系统的主要经济性能指标又是锅炉效率。进入锅炉的燃煤在并不能得到充份燃烧放热，又同时燃烧放出的热也并不能完全被利用来得到水蒸气的情况下，提高锅炉燃烧效率是提高锅炉经济性的重要手段，也是锅炉燃烧优化的重要目标。
锅炉效率计算的正、反平衡法，主要是以锅炉设备的输入和输出热量以及各
项热损失的能量平衡为基础。正平衡法，也称为输入、输出法，即由直接测量的锅炉输入和输出热量，来求出锅炉效率的方法；反平衡法，也称为热损失法，由已确定的各项热损失，来求出锅炉效率的方法。针对上述两种计算方法，目前国内常用的有ASME PTC和GB PTC两个计算标准。ASME PTC是美国机械工程师学会的电站性能试验规程，GB PTC是中国国家标准的电站性能试验规程。
2.1.1 锅炉输入、输出法（正平衡）效率计算模型
针对正平衡法锅炉效率计算，两个标准基本相同。计算公式如下：
ηg =
Q 1Q r
⨯100
（2-1）
式中: ηg —锅炉效率，%； Q 1—锅炉输出热量，kJ h ； Q r —锅炉输入热量，kJ h ；
Q r =Q y B +
式中：B —锅炉燃料消耗量，kg h ；
Q y —根据实验室分析并经过实验室测定的燃料水分修正所得的应用基的热量，kJ kg ；
B e —除了炉燃料的化学热之外，附加入锅炉机组的热量的总和，
kJ h ；
B e=B A e +B Z e +B F e +B X e +B mA
B e （2-2）
（2-3）
式中：B A e —来自暖风器之类设备的空气所提供的热量，kJ h ； B Z e —雾化蒸汽提供的热量，kJ h ； B F e —以燃料显热形式提供的热量，kJ h ；
B X e —在热平衡范围内由辅助设备作功所提供的热量，kJ h ； B m A —由进入锅炉机组的空气带入的水提供的热量，kJ h 。 按下式计算：
B Ae =(W A -W AS ) BC PA (T A -T RA ) +W AS BC PA (T AS -T RA )
（2-4）
式中：C PA —空预器进口温度下空气的比热，kJ (kg *︒C )； T A —空预器进口温度，°C ；
T RA —基准空气温度，°C ；
W A S —对应于单位入炉燃料的磨煤机冷风量，kg Air . kg ； T AS —磨煤机冷风温度，°C ；
W A —对应于单位入炉燃料的干空气量，kg Air . kg 。
B Z e =W Ze (H W F -H RA )
（2-5）
式中：W Ze —测得的雾化蒸汽流量，kg h ；
H W F —在测量点处的压力和温度下，雾化蒸汽的焓，kJ kg ； H RA —基准温度下的饱和蒸汽焓，kJ kg 。
B Fe =B C pf (T f -T RA )
（2-6）
式中：C pf —燃料的平均比热，kJ (kg *︒C )； T f —燃料进口温度，°C 。
B Xe =W Xe (H sx -H ix ) ηx （2-7）
式中：W Xe —蒸汽流量，kg h ；
H sx —供驱动辅助设备用的蒸汽焓，kJ kg ； H ix —排汽焓，kJ kg ；
ηx —总的传动效率，包括汽轮机和齿轮箱的效率。 对于电动的辅助设备，所提供的热量为：
η) B X e =3413k (w h x （2-8）
式中： ηx —为总的传动效率，包括电动机效率、电力和液力联轴节效率及齿轮箱效率。
B mA =W mA W Ae C Ps (T A -T RA ) （2-9）
式中： W m A —单位空气中水蒸汽含量，kg AF . kg ；
W Ae —进入锅炉机组的空气流量，kg h ； C P s —蒸汽的平均比热，kJ (kg *︒C )。 2.1.2 热损失法（反平衡）锅炉效率计算模型
针对反平衡法锅炉效率计算，则差别比较大，则下面将分开介绍其相应的计算模型：
ASME PTC标准下反平衡法效率计算如下：
η=100
-L H
10 0 f
+B
⨯
e e
式中： L —锅炉总的热损失，kJ kg ； H f —煤的应用基低位发热量，kJ kg ；
B ee —每单位入炉燃料以显热形式带入锅炉总的物理热，锅炉总的热损失L 的组成如下：
L C fh
C lz U C =3373⨯0A ⨯
100-C ⨯r fh +
fh
10-0C r lz ) lz
式中： r fh —飞灰比率； r lz —炉渣比率；
C fh —飞灰可燃物含量； C lz —炉渣可燃物含量； A —煤的应用基灰分。 (1)干烟气热损失
L '
G =W ' G C pg (t G
-t RA ) 式中： t '
G —烟气温度；
W ' G —干烟气量； C pg —烟气平均比热；
（2-10）
kJ kg 。 （2-11）
（2-12）
t R A —参考温度。 (2)入炉燃料中水分引起的热损失
L mf =m f (h ' -h RW ) （2-13） 式中： m f —煤的应用基水分，%；
h ' —烟气中相应水蒸气分压力和出口温度下的焓，kJ kg ； h R W —基准温度下饱和水焓，kJ kg 。 (3)氢燃烧生成的水分热损失
' 6h (- L H =8. 93H
R W
h
) （2-14）
式中： H —煤的应用基氢，%。 (4)空气中水分引起的热损失
L H =W M A W A ' (h ' -h RV ) （2-15） 式中： W M A —单位质量干空气中水的质量，kJ kg ； W A ' —对应入炉燃料的干空气量； h R V —基准空气温度下饱和蒸汽焓。 (5)未燃尽碳生成一氧化碳造成的热损失
L co =
[C O ]
'
'
'
[C O 2]+[C O ]
23560C b
（2-16）
式中： [C O ]' —一氧化碳在干烟气中的容积百分数，%； [C O 2]' —二氧化碳在干烟气中的容积百分数，%； C b —实际烧掉的碳。 (6)表面辐射和对流引起的热损失
L R =L B 1L B 2Q
y
（2-17）
式中： L B 1—散热辐射损失修正系数由ASME 表查得；
L B 2—空气速度修正系数；
Q y —煤的发热量。 (7)其他热损失
L U N =0.5%
（2-18）
所以总的热损失为：
L =L U
C
+L G +L m f +L
H
+L
M A
+L
C O
+L +L R
（2-19）
如不考虑输入锅炉物理热，则锅炉效率为
η=100-
L H
f
⨯100 （2-20）
GB PTC标准下反平衡法效率计算如下：
ηgl =100-
Q 2+Q 3+Q 4+Q 5+Q 6
Q rb
（2-21）
式中： Q 2—单位燃料的排烟损失热量，kJ kg ；
Q 3—单位燃料的可燃气体未完全燃烧损失热量，kJ kg ； Q 4—单位燃料的固体不完全燃烧损失热量，kJ kg ； Q 5—单位燃料的锅炉散热损失热量，kJ kg ； Q 6—单位燃料的灰渣物理显热损失热量，kJ kg ； Q rb —单位燃料的锅炉输入热量，kJ kg 。
(1)排烟损失热量
锅炉排烟损失热量为末级热交换器后排出的烟气带走热。按下式计算：
Q 2=Q 2+Q 22
gy
h o
（2-22）
式中： Q 2gy —干烟气带走的热量，kJ kg ；
Q 2h o —烟气所含水蒸气的显热，kJ kg 。
2
Q 2=V gy C pgy (T py -T RA ) （2-23）
gy
式中： T py —排烟温度，︒C ；
T RA —基准空气温度，︒C ；
C pgy —干烟气的平均定压比热，kJ Nm 3. K ；
V gy —单位燃料生成的干烟气体积，m 3kg 。按下式计算：
c
V gy =V gy
()
c
+(a py -1)V gy
0()
c
（2-24）
)—按应用基燃料成分，由实烧掉的碳计算的理论燃烧干烟气 式中： (V gy
量，m 3kg 。
(V )
0gy
c
=1. 866-
C r +0. 375S
100
y r
y y
+0. 79V
()
0gk
c
+0. 8
N
y
100
（2-25）
C =C
c fh c fh
y
-
A C 100
c
y
（2-26）
a lm C lm 100-C lm
c c
C =
a ls C ls
c c
100-C ls
+
a fh C
100-C
+
a cjh C cjh 100-C cjh
c
+
（2-27）
式中： C y , S y , N y , A y —分别为燃料应用基碳、硫、氮和灰分质量含量百分率，％；
a ls , a fh , a cjh , a lm
—分别为炉渣、飞灰、沉降灰、漏煤中灰分含量占燃
煤总灰量的质量百分率，％；
C ls , C fh , C cjh , C lm —分别为炉渣、飞灰、沉降灰、漏煤中含碳量，％；
(V )
gk
c
—按应用基燃料成分，由实际燃烧掉的碳计算的理
论燃烧所需干空气量，m 3kg 。
(V )
0gk
c
=0. 089C r +0. 375S
(
y y
)+0. 265H
y
-0. 0333O （2-28）
y
式中： H y , O y —分别为燃料应用基硫、氢、氧质量含量百分率，％； a py —实测排烟过量空气系数，按下式计算：
a py =
21
21-(O 2-2CH
4
-0. 5CO -0. 5H 2)
（2-29）
式中： O 2, CH 4, CO , H 2—分别为排烟的干烟气中氧、甲烷、一氧化碳和氢的容积含量百分率，％。
2
Q 22=V h 2o C ph 2o (T py -T RA ) （2-30）
h o
式中： C ph o —水蒸气平均定压比热，kJ Nm 3. K ；
V h o —烟气中所含水蒸气容积，m 3m 3；
2
V h 2o
⎛9H y +W =1. 24 100⎝
y
+1. 293a py (V gk
0)
c
d k +
D wh ⎫
⎪ （2-31） B ⎪⎭
式中： d k —空气的绝对湿度，kg kg ； D wh —雾化蒸汽流量，kg h ；
W y —燃料应用基水分质量含量百分率，％。
(2)可燃气体未完全燃烧损失热量
Q 3=V gy (126. 36CO +358. 18CH 4+107. 98H 2+590. 79C m H n ) （2-32）
式中： CO 、CH 4、H 2、C m H n —分别为排烟中未完全燃烧产物的含量。 (3)固体未完全燃烧损失热量
Q 4=337. 27A C +
y
B SZ Q dw
B
SZ
（2-33）
式中： B SZ —中速磨煤机排出的煤矸石量，kg h ；
SZ
Q dw —煤矸石的实测低位发热量，kJ kg ；
(4)散热损失热量
Q 5=q
e
5
D
e
D
Q rb （2-34）
式中： q 5e —额定蒸发量下的散热损失，％，可根据图表查得；
D e —锅炉的额定蒸发量；
D —锅炉效率测定时的实际蒸发量，t h 。
(5)灰渣物理损失热量
⎛a C (T -T )a fh C fh (T Ry -T RA )a cjh C cjh (T cjh -T RA
RA ls ls ls Q 6=++c c c
100 100-C 100-C 100-C ls fh cjh ⎝
A
y
)⎫
⎪
⎪⎭
（2-35）
式中 C ls , C fh , C cjh —分别为炉渣、飞灰及沉降灰的比热，kJ (kg *︒C )；
T ls —由炉膛排出的炉渣温度，︒C ；
T cjh
—由烟道排出的沉降灰的温度，可取为沉降灰斗上部空间
的烟气温度，︒C ；
2.1.3 ASME PTC标准下热损失法（反平衡）锅炉效率计算简化模型
上节中以对两种方法分别在不同标准下的锅炉效率计算模型进行了计算，但由于这种计算方法都因为受煤的低微发热量、锅炉入煤煤量、飞灰含碳量及元素分析等多参数测量量的约束，很难实现真正意义上的在线计算，从而无法满足实际实时运行指导需求。下面则为了便于在线计算，以指导锅炉实时实际运行状况并对ASME PTC标准下热损失法进行了适当简化，简化计算模型如下：
(1)干烟气损失
l G =
C py Q
y
d
(k 1+k 2αpy )(t py -t R )100%
（2-36）
式中： α
p y
—排烟过剩空气系数；
αpy =
2121-[O 2]
2
C py =0.9221+0.0009t py -0.000002t py （2-37）
(2)水分热损失
l m =
C pH 2O Q d
y
(k 3+0.01(k 4+k 2αpy ))(t py -t R )100%
（2-38）
式中： C pH O —水蒸气平均比热，简化计算时可以取常数代替；
2
(3)末燃尽碳热损失
l uc =
33730Q d
y
A (0.9
y
C fh 100-C fh
+0.1
C lz 100-C lz
)100% （2-39）
式中： C fh —飞灰可燃物含量，％；
C lz —炉渣可燃物含量，％；
(4)辐射和对流损失
l R =0.33%
（2-40）
(5)其它热损失
l un =0.5%
（2-41）
热损失总和
l =l G +l m +l uc +l R +l un
（2-42）
则锅炉效率
η=100-l （2-43）
式中： t py —排烟温度，︒C ； t R —冷空气温度，︒C ；
k 1, k 2, k 3, k 4是与Q d
y
有关的系数
k 1=0.0576+0.02337
y
Q d
y
1000
（2-44）
k 2=0.699+0.303
Q d
1000Q d
y
（2-45）
k 3=0.9081+0.303
1000
（2-46）
y
k 4=-0.0139+0.0089
Q d
1000
（2-47）
对于ASME PTC标准下得到的简化模型来计算锅炉效率，有如下特点； (1)计算简化，其相应的减少了计算绝对湿度，以及根据煤质分析来计算干烟气量的过程，提高了计算效率。
(2)测量简化，除煤质分析外，测点数目由14个减少到5个，即：飞灰可燃物、煤的发热量、排烟温度、排烟氧量、冷空气温度等
(3)计算误差同标准计算程序相比，较小，能基本满足计算要求。
2.2 影响锅炉运行经济性的因素分析
电站锅炉是利用其燃料（煤）燃烧过程中释放出的热能或其他热能给水加热，从而获得规定参数（ 温度、压力） 和规定品质的蒸汽的设备。锅炉是火力发电厂三大主要设备之一。提高锅炉经济性相应的也就提高了整个电厂的经济性；其次，锅炉又是一次能源大户，而当今世界一次能源供应日益紧张，所以必须注意降低能耗，提高效率以节约能源。因此提高电站锅炉经济性迫在眉睫。
锅炉运行经济性会随着给水温度、过量空气系数、锅炉负荷及锅炉受热面的清洁度等条件变化而变化，锅炉运行经济性又体现在锅炉效率上，前面章节已得到了在锅炉运行当中，锅炉效率主要与排烟氧量（过热空气系数）、锅炉排烟温度、飞灰含碳量以及空气预热器漏风等有关系55。下面则对相应对其影响因素进行分析：
(1)飞灰含碳量的影响
由图2-1可以看出，随着飞灰含碳量的增大，锅炉效率降低，二者之间有接近线性的关系。同时飞灰含碳量的多少与锅炉 燃烧调整有直接的关系，煤种、煤粉细度和过量空气系数对其飞灰含碳量的影响很大。
图2-1 飞灰含碳量与锅炉燃烧效率的关系
(2)排烟温度的影响
运行中常用氧量信号监测过量空气系数，过量空气系数直接影响燃烧过程和
排烟热损失。在一定的负荷范围内，当炉膛出口处的空气过量系数增大时，气体不完全燃烧损失和固体不完全燃烧损失可以得到降低，但是排烟损失却会增大，也使送、引风机耗电量增大。
图2-2 过量空气系数与飞灰含碳量的关系
由图2-2可知，当烟气含氧量的变化，即过量空气系数的变化时，将引起飞
灰含碳量的变化，从而直接影响到锅炉效率。
(3)给水温度的影响
给水温度的降低，在一定程度上可以使锅炉排烟温度降低。但同时为了维持
一定的蒸发量，必须增加燃料量，这样又会使各部烟温升高．两种影响综合作用的结果是不仅使锅炉的经济性降低，还有可能引起锅炉受热面发生结渣。而且，给水温度降低，会使汽轮机组热耗率增大。总的来说，给水温度低于设计值对电厂运行的经济性和安全性都是不利的。
(4)空气预热器漏风的影响
空气预热器的漏风对锅炉效率有着直接的影响，烟气流经空气预热器，与漏
风混合形成锅炉排烟。如果以空气预热器入口处的烟气含氧量为基准，在其他参数不变的条件下，可以根据效率模型，计算漏风对锅炉效率的影响。由图2-3可得，空预器入口氧量与飞灰含碳量之间也存在着某种线性关系，从而也直接影响了锅炉的燃烧效率。
空预器入口氧量/%
图2-3 空预器入口氧量与飞灰含碳量的关系
综上所诉，在任何影响锅炉效率的因素通过一定的分析，都可以转化为相应
飞灰含碳量与锅炉效率的影响因素。所以飞灰含碳量对锅炉效率的影响研究将在下一章着重分析。
2.3 本章小结
本章主要讲了正平衡法和反平衡法两种常用的锅炉效率计算模型方法。在针
对锅炉各项热损失及其各种影响因素的前提下，得出了ASME PTC 标准下热损失法（反平衡）锅炉效率计算简化模型，并分析了飞灰含碳量和排烟温度、给水温度及空气预热器漏风等这些相应量变化对锅炉经济性的影响，得出了飞灰含碳量对锅炉的影响的重要性，则为下一章飞灰含碳量的模型建立打下了基础。
第3章 基于BP 神经网络的锅炉运行参数预测
3.1 人工神经网络
3.1.1 BP神经网络简介
人工神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的
数学模型，由大量的简单处理单元互联而成的自适应、非线性信息处理系统。通过输入信号在各个神经元间的传递，来获得输出，同时可以模拟人类大脑神经网络结构和行为，并具有高度的非线性，且系统可以从大量现有存在的知识样本中，通过学习从而提取出有效地知识和规则，对其自身不断完善、发展和创新。
目前最为广泛使用的是BP 神经网络，它是一中单向性传播的多层前馈神经
网络，BP 网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP 神经网络模型拓扑结构包括输入层、隐层和输出层。
3.1.2 BP神经网络的实现工具——matlab 介绍
MATLAB 是矩阵实验室的简称，是美国MathWorks 公司出品的商业数学软
件，用于算法开发、数据可视化、数据分析以及数值计算的高级技术计算语言和交互式环境，主要包括MATLAB 和Simulink 两大部分。它将数值分析、矩阵计算、科学数据可视化以及非线性动态系统的建模和仿真等诸多强大功能集成在一个易于使用的视窗环境中，为科学研究、工程设计以及必须进行有效数值计算的众多科学领域提供了一种全面的解决方案，并在很大程度上摆脱了传统非交互式程序设计语言（如C 、Fortran ）的编辑模式，代表了当今国际科学计算软件的先进水平。
人工神经网络可以通过软件和硬件的方式来实现。硬件的方式就是神经计算
机。而目前本文采用的，而大多数使用的还是软件的方式。而MATLAB 提供的神经网络工具箱也是大多数采用的，其中最为使用广泛的是BP 算法比较和模糊逻辑与神经网络。
MATLAB 神经网络工具箱介绍：之所以广泛被使用是因为其提供了非常多
的工具箱, 其中神经网络工具箱是以人工神经网络理论为基础, 用MA TLAB 语言构造出了该理论所涉及的矩阵操作、公式运算和方程求解等大部分子程序, 来用于神经网络设计与训练。用户只需根据自己的需要调用相关程序, 免除了自己编写庞大而复杂的算法程序的麻烦。同时里面还包含了现有的许多神经网络成果，分别是：感知器模型、自组织网络模型、BP 网络模型、线性滤波器等。其内容丰富，备受使用者喜爱。同时，其中的一些函数是通用的，几乎可以运用于任何类型的神经网络。
3.2 飞灰含碳量的BP 神经网络模型的建立
3.2.1 飞灰含碳量测量辅助变量的选择
在建立BP 网络模型前，首要解决的是输入层与输入变量的选择。如果变量
的选择数目过小，则不能完全反映过程变化的特点，变量数目太多，同样也会导致“过于参数化”并造成计算结果比较大的误差。前面章节中通过机理的分析详细的介绍了与飞灰含碳量有关的辅助变量。从而本文选用的输入层的输入变量为：燃料风开度、燃烧器摆角、过剩空气系数、煤种特性、一次风总压。
在输入层的输入变量的基础上，如何确定采样的数据是一个非常重要的问
题。首先学习各种条件下的有关的生产过程的各种工况，以确定辅助变量的取值范围，收集的样本空间，要尽量覆盖整个操作范围，选择一个样本，在样本空间，应该有一定的代表性，此外，样本大小选择每个功能点也应该是适中，均匀数据。因此，收集来的样本数据要具均匀性、代表性和精简性。
3.2.2 飞灰含碳量BP 神经网络模型结构的确定
对于任意一非线性或非线性的映射来说，都可以使用三层式向前神经网络对
其进行实现。所以本文可以采用一个三层的BP 神经网络建立预测数学模型。
在确定输入层变量有五个之后，神经网络的设计采用五输入单输出的三层前
馈网络。输入层分为5个神经元，分别是煤种特性、燃烧器摆角和过剩空气系数（烟气含氧量）、一次风总压和燃料风开度。根据本文的设计按照公
式m ≤1，则m=2,3,4,5。如m 太少会较大的大减少模型的精确度，同时，如果太多，会增加网络连接权数，增加其计算量，从而容易出现现隐层的神经元过于冗余现象。所以这次考虑到模型精确度和计算的简易操作，并根据多次实验比较，文中将取m=5。
BP 神经网络结构图如下图3-1所示
图3-1 BP神经网络结构图
3.2.3 飞灰含碳量BP 神经网络模型的建立
使用BP 神经网络来建立预测数学模型, 一般有两步: 1)建立神经网络的结构;
2) 使用大量学习样本来训练网络, 即确定权值和阈值。而衡量权值和阈值的一个重要指标就是最小均方误差 (目标值与实际输出值的差值的平方和) , 如果该值小于期望的误差那就是理想的结果。
上小节，确定了网络结构，接下来，就得使用样本中一部分，用来来训练所
建的神经网络。其样本集中共有十二组数据，其中挑选九组来作为训练样本集合，将剩下的三组来作为仿真的验证样本。同时，输入变量可以用矩阵的形式读入。接着，网络训练采用MATLAB 工具来实现, 并用MATLAB 工具箱自带的traingdm （）函数进行训练。
接着整个学习过程则按以下步骤进行：
（1）初始化，归一化处理各输入输出参数，并给各连接权值和阈值赋予
（-1,+1）间的随机值；
（2）随机选取一输入、出模式供给网络；
（3）用输入模式、连接权值和阈值来计算隐层各单元的输入，接着再用S
函数来计算中间层各单元的输出；
（4）用上步得出的隐层输出、连接权值和阈值来计算输出层各单元的输入，
再用S 函数来计算输出层各单元的响应，所得则为飞灰含碳量的预测参数；
（5）用锅炉运行的实际值和网络实际输出的值来计算输出层各单元的一般
化误差；
（6）用连接权值、输出层的一般化误差、中间层的输出于计算中间层各单
元的一般化的误差；
（7）用输出层各单元的一般化的误差、中间层各单元的输出来修正连接权
和阈值；
（8）用中间层各单元的一般化误差、输入层各单元的输入来修正连接权和
阈值；
（9）随机选出下一个样本学习模式供给网络，然后返回到步骤（3），直到
全部被用于训练网络的样本模式对训练结束；
（10）重新从样本中选取一个模式对，然后返回步骤（3），直到网络全局误
差函数E 小于预设的一个极小值或者网络学习回数大于预设值，即网络无法收敛，到此结束学习。
隐层神经元输出讲采用tansig
函数ϕ(v ) =-1，输出层神经元的输出则
采用purelin 线性函数，运用快速BP 算法Traingdm 训练前馈网络。由于采样点
仅为9个，所以精度要求的取值相对比较小，所以取精度要求的值为0.005，学习速率为0.05，动量系数为0.9。这次将通过10000 多次迭代运算能量函数值来达到精度要求，从得到网络的全部参数。
Matlab 编程的m 文件如下：
（1）数据的输入。
（2）转置归一化处理输入数据。
锅炉运行经济性分析
（3）BP 神经网络的建立以及BP 神经网络的训练学习。
（4）训练曲线
训练次数5000次，完成到0.0200077 目标0.005
图3-1 5000次模拟下的飞灰含碳量训练曲线
训练次数6224次，完成到0.00499988，目标0.005
图3-2 10000次模拟下的飞灰含碳量训练曲线
（5）代入验证样本，调用traingdm 训练BP 神经网络模型仿真。
3.3 实际、仿真及结果对比分析
表3-1 实际、仿真结果对比表
数据组
1
2
3 实际值(%) 2.105 4.56 4.48 仿真值(%) 2.0892 4.6262 4.5782 相对误差（%） 0.751 -1.451 -2.192
通过观察表3-1可以得出，第一组数据对应的仿真误差比较小，且与实际值
相比仿真值有较小的减少。第二三组数据误差都控制在了百分之三以内，基本实现了BP 神经网络建模。在现实实际生产中飞灰含碳量对于电厂锅炉的经济运行和安全方面都有着重要的意义，所以所要求的精确度将会更高。由于本文只是基本的阐明基于BP 神经网络的建模步骤、方法及可行性上，所以，为了满足更高精确度是可以尝试如下操作：
（1）加大训练样本的容量。样本容量越多其精确度越高。
（2）改变隐层神经元个数。目前选取隐层神经元个数没有非常好的办法，
基本上都是靠经验，所以可以改变相应个数，并针对每个逐个建模来求得最佳最合适的神经元个数。
3.4 本章小结
本章分别介绍了BP 神经网络、及BP 神经网络的实现工具，且相应的介绍
其相应功能。为建立飞灰含碳量的BP 神经网络模型选取合适的并合理的辅助变量，并确定相应的BP 神经网络模型结构图，最终建立了其飞灰含碳量BP 模型，并将此用于了飞灰含碳量的仿真训练当中。最后利用matlab 工具箱别写出了模型程序，得到了相应的仿真值，并与实际相比分析，提供了多种适应更高精确度的可行性操作。同时，本章的飞灰含碳量BP 神经网络模型的建立及其相应理论
知识为下一章锅炉运行热经济参数优化打下了坚实的基础。
第4章 锅炉运行热经济性参数的优化
本章在利用上章节人工神经网络技术实现飞灰含碳量与运行参数关系的建模工作的基础上，结合遗传算法对神经网络训练结果进行寻优，对锅炉热效率最优化运行技术进行了研究，实现对锅炉运行热经济性参数的优化。
4.1 遗传算法简介
遗传算法是一种模拟自然界生物进化优胜劣汰的全局随机搜索的方法。这种数值优化方法是在上个世纪的六七十年代被提出，同时到了进一步的发展，其主要思想来源是达尔文的生物进化理论和遗传学的基本知识。 4.1.1 遗传算法的起源
达尔文的进化理论是生物学史上的一个重要里程碑，它解释了自然选择作用下生物的渐进式变化，其内容主要包括遗传、变异、选择三个方面。遗传就是亲代把生物信息交给子代使其具有和亲代相同或者相似的特征；变异是指亲代和子代之间或者子代的个体之间的差异，通过变异来保持生命和种群多样性，其发生具有随机性；选择即自然界中的生存斗争和适者生存，对生存环境适应性强的个体被保留下来而不具备适应性的个体被淘汰，经过一代代生存环境的选择作用，物种变异定向朝着一个方向积累，于是性状逐渐和原先的祖先不同，演变为新的物种。通过不断的遗传、变异和选择，物种不断被进化和发展。
遗传算法从本质上来看是一种基于概率搜索的随机寻优算法，其模拟自然界优胜劣汰的进化现象，把搜索空间映射为遗传空间，把可能的解编码成一个向量—染色体，向量的每个元素成为基因。遗传算法将所产生的染色体进行适应度评价，适应度好的染色体有更多繁殖遗传的机会，适应度差的染色体被逐渐淘汰，
这样就可以进行寻优过程。遗传算法的主要特点是:
（1）直接对结构对象操作，不存在求导和函数连续性的限定； （2）遗传算法不是从单个点，而是从一个点的群体开始搜索； （3）具有内在的隐并行性和较好的全局寻优能力；
（4）采用概率化寻优方式，能自动获取搜索过程中的有关知识并应用于指导优化，自适应地调整搜索方向，不需要确定规则；
（5）鲁棒性较强。
遗传算法特别适用于处理复杂优化问题，主要应用于函数优化、组合优化、神经网络、机器学习等众多领域，本文的研究重点在于利用遗传算法对神经网络训练结果进行寻优。
4.2 利用遗传算法对神经网络训练结果进行寻优
利用一个21 个输入节点，1 个输出节点，24个隐节点的BP 网络来模拟锅炉飞灰含碳量与锅炉运行参数和燃用煤种之间的关系，获得了良好的效果，并证明了采用人工神经网络对锅炉这种黑箱对象建模的有效性。人工神经网络的输入采用锅炉负荷、省煤器出口氧量、各二次风挡板开度、燃尽风挡板开度、燃料风挡板开度、各磨煤机给煤量、炉膛与风箱差压、一次风总风压、燃烧器摆角和煤种特性，除煤种特性这一不可调节因素外，基本上包括了运行人员可以通过DCS 进行调整的所有影响锅炉燃烧的所有参数。
根据锅炉的反平衡计算公式，锅炉热效率η可由下式求得：
η=100-(q 2+q 3+q 4+q 5+q 6) （4-1）
式中：
q 2q 3q 4q 5q 6
—为排烟热损失；
—为可燃气体不完全燃烧热损失； —为固体不完全燃烧损失； —为锅炉散热损失； —为其他热损失。
根据遗传算法的要求，确定锅炉热效率 为遗传算法的目标函数，用式（4-1）计算。对燃煤锅炉，利用DCS 与厂内MIS 网的接口按每6s 下载各运行参数，包括排烟氧量、排烟温度、锅炉负荷、各二次风挡板开度、燃尽风挡板开度、燃料风挡板开度、各磨煤机给煤量、炉膛与风箱差压、一次风总风压、燃烧器摆角等。锅炉飞灰含碳量可由飞灰含碳量监测仪在线监测或人工取样分析，燃用煤种由人工输入。这样锅炉的各项损失即可在线获得，并进而计算出各运行工况下的锅炉实时热效率。将排烟氧量和煤种特性等影响锅炉排烟热损失q 2的参数按热效率计算，标准化为计算公式代入式（4-1），而影响q 4的各参数采用人工神经网络模型代入式（4-1），其中炉渣含碳量对热效率影响由人工测试后输入。具体计算公式可参见锅炉热效率计算标准。
由以上步骤建立了锅炉热效率和锅炉各运行参数及煤种的函数关系，即锅炉热效率作为因变量，而锅炉的各操作参数和煤质特性作为变量，这样就可以利用遗传算法进行寻优计算，获得最佳的锅炉运行条件，实现锅炉热效率的最大化。火电厂锅炉运行中，为考虑到习惯运行方式和各种安全因素的影响，对各种可调因素的选择区域都有一定的范围限制，寻优范围必须控制在这些范围以内，这些限制构成了自变量的定义域。至此，完成了锅炉热效率最优化燃烧的结合神经网络的遗传算法优化过程，具体程序流程见图1。
图4-1建模和优化过程
4.3 燃煤锅炉热效率的优化效果
在电厂锅炉运行中，运行人员调节最为频繁的参数主要是各种配风方式，包括各二次风、燃尽风、由送引风机配合所确定的氧量等，其余影响锅炉燃烧的因素，如负荷和煤种，对于运行人员而言在某一工况下是不可调节因素，燃烧器的摆角出于汽温调节的需要，往往也不会对其调整以实现低的飞灰含碳量。作为示例，我们对影响燃烧的部分参数的寻优过程进行了模拟和验证。
某个实际运行工况如表 4-1所示，除煤种特性为事先取样分析人工输入外，其余参数均由集散控制系统（DCS ）下载。利用软件寻优，遗传算法选择的参数种群规模为50，交换概率为0.8，突变概率为0.15，迭代次数500 次，可调参数7 个，计算获得优化后的各风门开度、氧量及锅炉效率和飞灰含碳量值，优化后的各值如表4-2 所示。图4-2 示出了不同迭代次数下的遗传算法计算得到的飞灰含碳量值和锅炉热效率。
对图 4-2 的寻优过程进行分析，发现飞灰含碳量曲线具有震荡，这是因为氧量同时影响到排烟热损失和飞灰含碳量，优化过程初期氧量较高，飞灰含碳量
相应可以搜索到较低值，但由于排烟热损失比机械不完全燃烧损失数值更大，迫使优化过程向氧量较低的方向寻优，而氧量较低又导致飞灰含碳量有所增加，这种相互反作用的机理使飞灰含碳量曲线呈现震荡性，这种震荡性也是由遗传算法的寻优本质所决定的。
表4-1某实际运行工况
/C 二次风门开度2/% 磨煤机给煤量Q /th
AB BC CD DE EF A B C D E 负荷M/MW 环境温度
-1
T 0
k
298.7 21.35 100 100 100 100 100 26..5 26.5 0 26.5 27
氧量O 2/% 燃料风 燃尽风 风箱炉膛 燃烧器摆角 一次风总压 排烟温度 开度k 1/% 开度k 0/% 压差∆P/kPa 煤种特性 Var/% Aar/% Mar/% Q
ar
net , p
α/% p/kpa T py / 。C
/kJ/kg
3.515 100 88.9 0.825 27 17.5 10.0 23750 41.875 8.57 121.4
表4-2遗传计算获得的优化结果
数 围 优化结果
度k A B 70.84
度k B C 70.27
度k C D 98.41
度k D E 99.31
度k E F 70.54
开度
后氧量 2.0
率η 93.53
碳量
k OFA
95.65
C fh
1.52
图4-3对采用不同的遗传算法计算参数进行了比较，其中曲线1 采用了交换概率为0.8，突变概率为0.15 的计算参数；曲线2 采用了交换概率为0.8，突变概率为0.3 的计算参数；曲线3 采用了交换概率为 0.2，突变概率为0.1 的计算参数。计算表明这几种参数下寻优过程均能成功收敛，但以曲线3 为最佳，说明交换概率和突变概率的选取存在最佳值。增加迭代次数和种群规模，最终结果基本无变化，证明目前的迭代次数和种群规模已基本满足要求。
图4-2遗传算法的寻优过程
图4-3遗传算法不同计算参数比较
由于遗传算法可以对多个自变量同时进行寻优，这为遗传算法在锅炉优化运行中的应用提供了便利。
对锅炉在中等负荷下的热效率优化过程也进行了试验，表4-3示出了某种中等负荷条件下锅炉实际运行工况。表4-4为中等负荷下遗传计算获得的优化结果。
表4-3 某中等负荷下的实际运行工况
负荷M/MW 环境温度T 0/C 二次风门开度k 2/% 磨煤机给煤量Q /th AB BC CD DE EF A B C D E 218.7 22.5 70 70 70 70 70 19 19 18.8 19 0
氧量O 2/% 燃料风 燃尽风 风箱炉膛 燃烧器摆角 一次风总压 排烟温度 开度k 1/% 开度k 0/% 压差∆P/kPa 煤种特性 Var/% Aar/% Mar/% Q
ar
net , p
-1
α/% p/kpa T py / 。C
/kJ/kg
4.1 40 35 0.6 27 17.5 10.0 23750 100 6.8 112
表4-4中等负荷下遗传计算获得的优化结果
数
度k A B 50.1
度k B C 95.25
度k C D 98.3
度k D E 99.9
度k E F 52.75
开度
后氧量 2.0
率 93.70
碳量
k OFA
93.7
C fh
0.89
优化范围 优化结果
对于燃用燃尽性能差和高灰分煤的锅炉，机械不完全燃烧损失占到锅炉效率损失的很大部分，由于排烟热损失的优化比较简单，而本文主要针对机械不完全燃烧损失进行优化，因此对于燃用劣质煤锅炉采取此优化方法具有更好的应用前景，能够确定锅炉最佳氧量和各风门开度。
对锅炉热效率优化另一种方法也进行了研究，即将锅炉热效率与煤种特性、运行参数之间的关系直接采用人工神经网络建模，然后利用遗传算法优化，结果表明这种方法的效果远不如本文的方法。其原因经分析为，人工神经网络方法进行建模时存在一定的误差，由于热效率的绝对值较大对锅炉热效率直接建模，导致误差过大淹没了方案的可行性。
4.4 本章小结
本章介绍了遗传算法，并在大型燃煤电厂锅炉进行实炉多况热态试验和采用人工神经网络进行实现飞灰含碳量与运行参数关系的建模工作的基础上，结合遗传算法对神经网络训练结果进行寻优，对锅炉热效率最优化运行技术进行了研究，通过研究发现采用人工神经网络和遗传算法进行锅炉燃烧优化是可行的。
第5章 结论与展望
5.1 结论
（1）对国内外在锅炉热经济性领域的研究现状进行了介绍，举出其研究中的方法，并对现行的各种方法进行了分析，提出了对现行600MW 及超临界燃煤机组有针对性的方法。
（2）介绍了常用的两种锅炉效率计算方法模型，即正平衡（输入、输出法）和反平衡法（热损失法）。并对于这两种方法针对目前国内常用的计算标准：ASMF PTC（美国机械工程师协会的电站性能试验规程）和GB PTC（中国国家标准的电站性能试验规程）进行了比较分析及简化。
（3）介绍了BP 神经网络及BP 神经网络的实现工具，及相应的功能。并用电厂锅炉的实际运行数据来训练BP 人工神经网络，通过训练结果建立了电站锅炉飞灰含碳量与各运行参数之间关系的飞灰含碳量BP 神经网络模型。利用得到的模型对飞灰含碳量进行了相应的研究。通过模型预测值和实测值的比较，确定了模型的正确性，并提供了多种适应更高精确度的可行性操作。
（4）对遗传算法进行了介绍，并利用遗传算法对神经网络训练结果进行寻优，以提高电站锅炉热效率为目标，针对部分运行参数进行优化，最后实现了对锅炉热经济性的最优化。
5.2 展望
因为本文只是在一定的基础上，对其超临界电站锅炉热经济性进行了研究，远达不到现实中的目标。针对对于在这方面的研究，为以后研究提出了以下几点：
（1）应继续完善超临界直流锅炉经济性的分析模型的推导和理论的证明，争取从机理上来解决电站锅炉热经济性优化所在的各种问题。
（2）在神经网络样本的训练过程中，样本的在线选取与训练需要更进一步的分析与研究。
（3）在利用遗传算法对锅炉热经济性进行优化时，对各可调参数的选取以及各参数运行安全性的考虑。并对现实中存在的安全问题及各方面实际问题需要进一步的研究和论证。
参考文献
[1] 李智，蔡九菊，郭宏，等. 基于神经网络的电站锅炉飞灰含碳量软测量系统[J].节能技术，2004，22(4)：6～7。
[2] 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。
[3] 张盘石. 基于神经网络的电站锅炉燃烧优化系统研究[D]. 中国优秀硕士学位论文全文数据库,2007,(02)。
[4] 曹洪涛. 大型电站锅炉运行热经济性优化研究[D]华北电力大学（河北）, 2004 。
[5] 张春发、曹洪涛、等，锅炉机械不完全燃烧损失q4 解析评估模型研究，锅炉技术，2003 年第34 卷第4 期，8～10。
[6] 于敦喜、孙学信等，应用BP 神经网络对燃煤特性的研究，锅炉压力容器安全技术，2001 年第3 期，7～11。
[7] 罗春雷，基于BP 网络的锅炉优化燃烧指导系统，中国电力，2001 年第34 卷第10 期。
[8] 柏静儒、李少华，电站锅炉运行经济性热偏差计算，东北电力学院学报，2001年第21 卷第4 期，57～60。
[9] 孙伟，火电厂锅炉热经济性的分析模型研究，硕士，华北电力大学，2003。 [10] 周昊、朱洪波等，基于人工神经网络的大型电厂锅炉飞灰含碳量建模，中国电机工程学报，2002 年第22 卷第6 期，96～100。
[11] 刘闯. 基于人工智能方法的烟气含氧量软测量及优化配煤研究[D]. 中国优秀硕士学位论文全文数据库,2008,(05)。
[12] 锅炉机组热力计算标准方法. 北京：机械工业出版社，1997。 [13] 李雪亮, 等. 电站锅炉燃烧分析与诊断系统[J].中国电力，1998，31(1)。 [14] 郭强，赵晓华，孙亮.Matlab 遗传算法工具箱的设计[J].北京工业大学学报， 2001，27(3)：248～352。
[15] 马欣欣. 火电厂优化软件的应用及前景[J].中国电力，1999，（7）：52～56。 [16] 飞思科技产品研发中心. 神经网络理论与MATLAB7实现 [M ]. 第一版, 北京:电子工业出版社, 2005: 44。
[17] 万俊松. 基于人工神经网络和遗传算法的锅炉对流受热面污染监测研究[D]东南大学, 2006。
[18] Klaus Kruger,Rudiger Franke ,Manfred Rode. Optimization of boiler start-up
using a nonlinear boiler model and hard constraints, Energy 29,2004.
[19] Doyle J C, Glover K, Khargonekar P P, Et Al. State - space solutions to standard
H2 and H∞ control problems [J]. IEEE Trans Automat Contr, 1989, 34(8):831～847.
[20] Moheimani S O Reza, Petersen I R. Optimal guaranteed cost control of uncertain
systems via static and dynamic output feedback [J]. Automatica, 1996,
32(4):575～579. =
致谢
本论文是在导师冯老师的细心指导下完成的，在写作的过程中，每次遇到问题时冯老师都不厌其烦、不辞辛苦的帮助我解决。从论文的选题到资料的收集再到最后论文的完成，花费了冯老师很多的时间和精力，倾注了冯老师大量的心血。冯老师严谨的治学态度、开拓进取的精神和高度的责任心都将使我受益终生。在这次论文写作期间，我不仅巩固的知识，更重要的是从冯老师那学到了分析解决问题的技巧，以及踏实认真、勇于创新的治学精神，这些都将为马上走入社会的我给与了重要的法宝。在此由衷地感谢敬爱的冯老师！
同时，也向在此期间一直给与我帮助的家人、同学和朋友表示衷心的感谢！ 由于本人知识学术水平有限，文中难免有不完善之处和学术错误，谨请各位
老师提出批评和给与指导。
附录A MATLAB中锅炉飞灰含碳量的编码程序
P=[3.54 100 25350 50 7.8; 3.05 80 23364 100 7.58 ; 2.88 20 23364 100 7.82; 4.02 83 23820 100 7.5; 3.4 50 22636 20 7.52 ; 3.14 50 22636 20 7.17; 2.35 80 22636 50 7.6; 4.27 38 21810 100 6.8; 4.07 85 21810 100 7.5];
N=P(:,1);Pair1=P(:,2);Tair1=P(:,3);Pmix=P(:,4);Tmix=P(:,5); C=[4.02 8.18 4.56 2.93 4.62 3.06 2.35 1.84 3.8];
N=N';Pair1=Pair1';Tair1=Tair1';Pmix=Pmix';Tmix=Tmix'; N_min=0;N_max=4.07;
n=(N_max-N)./(N_max-N_min); Pair1_min=0;Pair1_max=100;
pair1=(Pair1_max-Pair1)./(Pair1_max-Pair1_min); Tair1_min=0;Tair1_max=25350;
tair1=(Tair1_max-Tair1)./(Tair1_max-Tair1_min); Pmix_min=0;Pmix_max=100;
pmix=(Pmix_max-Pmix)./(Pmix_max-Pmix_min); Tmix_min=0;Tmix_max=7.82;
tmix=(Tmix_max-Tmix)./(Tmix_max-Tmix_min); p=[n;pair1;tair1;pmix;tmix]; C_min=0;C_max=8.18;
c=(C_max-C)./(C_max-C_min); n=5;
net=newff(minmax(p),[5,1],{'tansig','purelin'},'traingdm'); inputWeights=net.IW{1,1}; inputbias=net.b{1};
layerWeights=net.IW{2,1}; layerbias=net.b{2};
net.trainParam.show=500; net.trainParam.lr=0.05; net.trainParam.mc=0.9;
net.trainParam.epochs=10000; net.trainParam.goal=0.005; net=train(net,p,c); A=sim(net,p); E=A-c; M=sse(E) N=mse(E)
P2=[3.68 38 21810 100 6.8; 3.47 100 25350 50 7.52; 3.67 81 23820 100 7.45];
N2=P2(:,1);Pair12=P2(:,2);Tair12=P2(:,3);Pmix2=P2(:,4);Tmix2=P2(:,5); N2=N2';Pair12=Pair12';Tair12=Tair12';Pmix2=Pmix2';Tmix2=Tmix2'; n2=(N_max-N2)./(N_max-N_min);
pair12=(Pair1_max-Pair12)./(Pair1_max-Pair1_min); tair12=(Tair1_max-Tair12)./(Tair1_max-Tair1_min); pmix2=(Pmix_max-Pmix2)./(Pmix_max-Pmix_min); tmix2=(Tmix_max-Tmix2)./(Tmix_max-Tmix_min); p2=[n2;pair12;tair12;pmix2;tmix2]; c2=sim(net,p2);
C2=C_max-(c2.*(C_max-C_min))
附录B 建模训练仿真数据表
氧量 （%） 3.54 3.05 2.88
燃料风开度（%） 100 80 20
煤种特性（kJ/kg） 25350 23364 23364
燃烧器摆角（%） 50 100 100
一次风总压（kPa ） 7.8 7.58 7.82
飞灰含碳量（%） 4.02 8.18 4.56
4.02 3.4 3.14 2.35 4.27 4.07 3.68 3.47 3.67
83 50 50 80 38 85 38 100 81
23820 22636 22636 22636 21810 21810 21810 25350 25350
100 20 20 50 100 100 100 50 100
7.5 7.52 7.17 7.6 6.8 7.5 6.8 7.52 7.45
2.93 4.62 3.06 2.35 1.94 3.88 2.25 3.28 4.2