基于数据驱动的锅炉燃烧优化节能控制在电厂中的应用研究

摘要：降低发电煤耗和减少环境污染物排放是当前我国火电企业经营和发展所面临的突出问题，同时也是响应和执行国家节能减排战略的必经之路。随着能源需求的增长和环保要求的提高，电厂锅炉的节能优化控制成为关键课题。本文基于数据驱动的方法在电厂锅炉燃烧优化节能控制中进行应用研究，通过对大量运行数据的分析与挖掘，构建精准的锅炉燃烧模型，运用数据驱动的先进算法实现对锅炉燃烧过程的实时监测、预测与优化控制，实现对运行参数的有效调控，最终使锅炉运行在最佳工况，有效提高锅炉燃烧效率，降低能源消耗与污染物排放，为电厂的可持续发展提供有力支持。

关键词：数据驱动；锅炉燃烧；优化控制；节能；火力发电厂

1、引言

在当今社会经济快速发展的背景下，电力需求持续攀升，电厂作为主要的电力供应源，其能源消耗和环境影响备受关注。锅炉作为电厂的核心设备之一，燃烧过程的优化控制对于提高能源利用效率、降低污染物排放具有至关重要的意义。传统的锅炉控制方法往往依赖于经验模型或简化的物理模型，难以适应复杂多变的工况，无法实现精准的优化控制。随着信息技术和数据科学的迅猛发展，数据驱动的方法为锅炉燃烧优化提供了新的途径。通过采集和分析大量的锅炉运行数据，挖掘其中隐藏的规律和信息，建立高精度的数学模型，实现对锅炉燃烧过程的智能化、精准化控制，已成为电厂节能领域的研究热点。本研究旨在深入探讨基于数据驱动的锅炉燃烧优化节能控制策略及其在电厂中的实际应用效果。

2、数据驱动方法概述

2.1支持向量机（SVM）原理

支持向量机是一种基于统计学习理论的机器学习方法，其核心思想是在特征空间中寻找一个最优的分类超平面，使两类样本之间的间隔最大化。对于非线性问题，通过核函数将数据映射到高维空间，转化为线性可分问题进行求解。SVM在处理小样本、非线性和高维数据时具有独特优势，能够有效避免过拟合问题，具有良好的泛化能力。在锅炉燃烧优化中，SVM可用于建立烟气含氧量、燃烧效率等关键参数与运行工况之间的复杂非线性关系模型，为优化控制提供决策依据。

2.2最小二乘支持向量机（LSSVM）特点

LSSVM是在SVM基础上发展而来的改进算法，它将不等式约束转化为等式约束，采用最小二乘损失函数，大大简化了计算复杂度，提高了求解速度。在锅炉燃烧建模中，LSSVM能够快速处理大量的运行数据，准确地逼近燃烧过程的复杂非线性特性，为实时监测和优化控制提供高效的模型支持。例如，以烟气含氧量为输出变量，选取给煤机给煤量、主蒸汽流量、主蒸汽温度、给水流量等多个相关参数作为输入变量，利用LSSVM建立软测量模型，实现对烟气含氧量的准确预测，为后续的燃烧优化控制奠定基础。

2.3遗传算法（GA）优化原理

遗传算法是一种模拟生物进化过程的随机搜索算法，通过选择、交叉和变异等操作，在解空间中不断寻找最优解。在锅炉燃烧优化中，GA常用于对模型参数和控制变量进行优化。例如，对于LSSVM模型中的核函数参数和正则化系数，以及锅炉的二次风量、引风量、给煤机给煤量等控制变量，利用GA进行寻优，以最小化目标函数，如烟气含氧量与设定值之间的偏差、锅炉热损失等，从而实现燃烧过程的优化控制，提高锅炉的燃烧效率和经济性。

3、基于数据驱动的锅炉燃烧优化节能控制策略

3.1烟气含氧量软测量模型构建

对锅炉节煤优化控制中，软测量模型的功能是根据对象的历史运行数据和未来输入量预测其未来输出量。软测量模型能否正确地反映锅炉燃烧的特征，直接关系到软测量控制器的精度和稳定性。因此，建立有效的、高精度的软测量模型是优化控制首要解决的问题。

在燃煤锅炉燃烧过程中，影响烟气含氧量的因素很多，如煤质、一次风量、二次风量、引风量、给煤量、锅炉负荷以及炉膛结构，其中炉膛结构是固定不变的，煤质可以预先对每批煤进行煤质化验，将煤的发热量作为烟气含氧量给定值的参考输入到燃烧优化控制系统中。在以烟气含氧量为优化目标的控制回路中，通常通过调节风量同时参考调节给煤量来控制烟气含氧量稳定在给定值，从而使风煤比达到最佳值，实现锅炉的经济燃烧，提高燃煤锅炉燃烧效率。

利用预测算法以烟气含氧量为输出值对锅炉燃烧进行建模时，输入变量的选择主要依据对锅炉燃烧机理的分析，同时为了保证软测量模型的测量精度，应尽量选择与烟气含氧量有关的信息变量，尤其要选取与烟气含氧量有直接或者隐含关系的可实时测量的变量。烟气含氧量主要受炉膛漏风、煤质变化、炉膛风量以及未完全燃烧等因素的影响，因此需选取反映燃料、负荷以及排烟等信息的变量作为输入量，同时需考虑各变量的延迟时间，对数据进行时间对齐等数据预处理工作。

根据相关性分析，选取与烟气含氧量相关性较强的辅助变量作为模型的输入变量，以给煤量、一次风量、二次风量、引风量等作为自变量，烟气含氧量为因变量建立预测模型。锅炉历史运行数据取自DCS系统数据库，根据此数据以烟气含氧量为系统输出，采用机器学习对锅炉燃烧进行建模。根据建模结果实现烟气含氧量的软测量并利用测试数据来检验软测量的测量性能以及对模型参数进行寻优。

模型使用的评价指标有三个：MAE，MAPE和R2。其中，MAE为0.067，MAPE为1.898%，R2为0.984。实际预测对比效果如图1所示。

图1 氧量预测曲线（局部）

模型特征重要性是对模型可解释性评价的重要指标，本预测模型特征重要性排列如图2所示。

图2：烟气含氧量预测模型特征重要性条形图

3.2可控变量约束模型

在控制模型中，约束模型的作用是在目标函数的优化过程中，对变量的取值进行限制，以满足实际问题中的各种限制条件。这些限制条件可能来自于操作或生产过程中的物理限制、技术限制、资源限制等等。

参考烟气含氧量及主蒸汽流量预测模型，建立主蒸汽压力、炉膛负压等约束限制模型。在预测预测烟气含氧量的基础上，调节锅炉给风等使锅炉短时间内达到所设定的烟气含氧量，并且不超参，如果优化的调节数值输入到限制预测模型中，预测限制参数在下一时刻超参，则挑选次优结果调节锅炉以确保改动设置点变量后，约束指标在合理范围内波动，如表1所示。

表1：可控变量约束限值表

注：约束上下限需参考现场运行技术人员经验及历史运行数据分析确认。

3.3模型评价指标

回归问题模型评价指标一般包括以下几种，平均绝对误差（MAE）、平均绝对百分误差（MAPE）、均方误差（MSE）、决定系数（��2）。

平均绝对误差（MAE）也叫平均绝对离差。这个指标在计算时，先对真实值与预测值的距离（误差绝对值）求和，再取平均值，公式如下：

其中m是样本个数，f(x_i)是预测值，y_i是真实值。

不同数量级下的目标值，MAE值会差别很大，平均绝对百分误差（MAPE）弥补了这方面不足，通过计算真实值与预测的误差百分比避免了数据范围大小的影响，公式定义如下：

该指标可以用于评估回归模型的性能优劣，常用于衡量预测准确性指标，一般MAPE<10%认为是较好的模型。

对平均绝对误差求平方根，就能得到均方误差，这个指标在计算时，先对真实值与预测值的距离平方后求和，再取平均值，公式如下：

决定系数通过计算SSR与SST的比值，反应因变量y的全部变异能通过回归模型被自变量x解释的比例

其中SSR是残差平方和，SST是总平方和，其取值范围往往在0到1之间。

一个较好的回归模型，往往拥有较高的决定系数和较低的平均绝对误差、平均绝对百分误差、均方误差。

模型建立后，通过测试集测试，评估预测结果与真实值的准确性，选择准确性最高的算法模型，

3.4燃烧优化控制算法优化实现

利用遗传算法对目标函数进行优化求解。首先，对控制变量进行编码，初始化种群。然后，根据目标函数计算每个个体的适应度值，通过选择、交叉和变异操作，不断进化种群，寻找最优解。在优化过程中，结合软测量模型，实时预测不同控制变量组合下的烟气含氧量，计算目标函数值，引导遗传算法朝着最优方向搜索。当满足终止条件（如达到最大迭代次数或目标函数值收敛）时，输出最优控制变量值，实现锅炉燃烧的优化控制。

在优化过程中，结合软测量模型，实时预测不同控制变量组合下的烟气含氧量，计算目标函数值，引导遗传算法朝着最优方向搜索。当满足终止条件（如达到最大迭代次数或目标函数值收敛）时，输出最优控制变量值，实现锅炉燃烧的优化控制。

3.5在线优化与实时控制策略

3.5.1数据实时采集与处理

通过与电厂DCS系统的实时通信，在线采集锅炉的运行数据，包括各种传感器测量值、设备状态信息等。对采集到的数据进行预处理，如数据清洗、滤波、归一化等，去除异常值和噪声干扰，提高数据质量，确保后续模型计算和优化控制的准确性。

3.5.2模型在线更新机制

随着锅炉运行时间的增长和工况的变化，运行数据的分布也会发生改变。为了保证软测量模型和优化控制模型的有效性，采用在线更新机制。定期或根据特定条件（如工况大幅变化、模型性能下降等），利用新采集的运行数据对模型进行重新训练和更新，使模型能够及时适应锅炉的实际运行状态，提高预测和控制的精度。

3.5.3实时控制策略实施

锅炉燃烧是一个融合了物理与化学原理的复杂过程。燃料在特定条件下与空气发生化学反应，释放能量并产生高温烟气。这些烟气通过与锅炉受热面的热交换，将热能传递给工作介质。整个过程中，热力学、流体力学和化学反应动力学等多个学科的知识相互交织，影响因素众多，且具有强耦合、非线性等特征，对这些复杂的过程，难以用机理模型来描述。基于机器学习算法的模型属黑盒模型，其模型输入输出之间的非线性函数关系由算法实现，实际上应用已训练好的模型来优化锅炉燃烧过程恰好与训练过程相反，即求取锅炉效率综合最优时（最佳烟气含氧量工况下），各输入参数的值（二次风）。

送风机电动调节动叶控制指令作为优化算法中的决策变量，也就是在实际工况中需通过数据驱动作调整的设置点变量。优化目标是主蒸汽流量最大，为了维持工况稳定，需加入各种约束模型，通过历史数据分析，设置点变量在合理区间内进行寻优，输出为最佳送风机电动调节动叶控制指令。建立主蒸汽流量预测模型，采用人工智能算法进行优化，限制条件为主蒸汽压力、主蒸汽温度、炉膛压力在合理范围内波动，通过二次风优化模型输出二次风（送风机A入口电动调节动叶控制指令和送风机B入口电动调节动叶控制指令）给定，优化具体流程如图3所示。

图3：优化控制流程图

4、仿真优化效果分析

4.1电厂概况与数据来源

以某电厂的燃煤锅炉为例，该锅炉为超临界压力、蒸汽压力参数为超临界，汽轮机热力特性为抽凝式，冷却方式为水冷-闭式循环。电厂DCS系统实时采集并存储了大量的锅炉运行数据，包括机组负荷、烟气含氧量、送风量、给煤量、温度、压力等参数，为基于数据驱动的燃烧优化控制提供了丰富的数据资源。

4.2优化控制前后效果对比

4.2.1燃烧效率提升

在实施基于数据驱动的燃烧优化控制策略后，通过对烟气含氧量的精确控制，优化了风煤比，使燃料能够更加充分地燃烧。经实际测试，锅炉燃烧效率得到显著提高，热损失明显降低。

4.2.2经济效益分析

燃烧效率的提升直接带来了显著的经济效益。我们对优化预测模型进行了模拟仿真，通过调整送风机A入口电动调节动叶控制指令和送风机B入口电动调节动叶控制指令测试了100000条数据，如图6-3所示。橙色线是优化之后的主蒸汽流量，蓝色线是优化之前的，平均节煤量在0.806%。同时，减少了污染物排放的治理费用，综合经济效益十分可观，为电厂的可持续发展提供了有力支撑。

5、结论与展望

本文成功将基于数据驱动的方法应用于电厂锅炉燃烧优化节能控制，取得了显著成果。通过构建烟气含氧量软测量模型，实现了对关键参数的准确预测；设计并实施了燃烧优化控制算法，有效提高了锅炉燃烧效率，降低了能源消耗和污染物排放；在实际应用中，系统表现出良好的运行稳定性和可靠性，为电厂带来了显著的经济效益和环境效益。

参考文献：

[1]王孝伟.数据驱动的燃煤锅炉燃烧优化基础技术研究[D].华北电力大学(北京),2022.

[2]张国斌,张光明,刘永江,等.基于数据挖掘案例推理的电站锅炉燃烧优化[J].热能动力工程,2021,36(03):114-121.

[3]吴坡,段松涛,张江南,等.数据驱动型实时燃烧优化控制架构及应用[J].电力工程技术,2021,40(02):197-204.