本文在一臺125 MW燃用無煙煤鍋爐熱態試驗的基礎上，利用人工神經網絡對這臺鍋爐的效率與煤質特性及運行工況進行建模；并從DCS系統下載實時工況數據，根據建立的鍋爐效率模型運用遺傳算法對該鍋爐進行了燃燒工況尋優，富通新能源銷售生物質鍋爐，生物質鍋爐主要燃燒木屑顆粒機壓制的木屑生物質顆粒燃料。
1、建立鍋爐效率神經網絡模型
人工神經網絡是基于生物學中的神經網絡的基本原理而建立的。現在幾種典型神經網絡有BP神經網絡、競爭型神經網絡及Hopfield神經網絡。BP神經網絡是目前應用最為廣泛的，BP網絡中隱單元可以根據需要自由設定，一個三層網絡可以實現以任意精度近似任何連續函數。因此，本文所取的鍋爐效率的模型訓練采用了3層BP神經網絡。
1.1 鍋爐效率熱態試驗分析
在125 MW燃用無煙煤鍋爐上進行了熱態試驗，從熱態試驗的結果分析，在相同煤質的情況下，配風方式為正寶塔配風時，鍋爐效率較優。根據負荷，煤質，配風方式的不同，總共進行丁47個工況的熱態試驗。在47個工況中，選取41個工況為神經網絡的訓練樣本，另外6個工況作為檢驗樣本來驗證網絡是否合理。
1.2 神經網絡訓練及結果分析
由于鍋爐已經投入運行，其設計和安裝參數已經確定，鍋爐效率主要受實際運行工況和煤質特性參數的影響。因此，將煤質特性（包括揮發分、灰分、固定碳、發熱量）、鍋爐負荷、熱風溫度、一次總風壓、二次風門開度（上二次風門、中二次風門、下二次風門）、氧量共11個參數作為神經網絡的輸入量，鍋爐效率作為神經網絡的輸出量。
本文采用3層神經網絡，輸入層為11個輸入節點，輸出層為一個輸出節點，經過試驗選用10個隱節點的網絡結構，利用自適應學習速率的動量法對網絡進行訓練，學習速率為0.1，動量因子為0.9，當系統的均方誤差小于0. 001或訓練次數大于50 000次時訓練結束。
神經網絡訓練結果如圖1和表1、表2所示，對于41組訓練樣本，網絡的輸出值與實測值非常接近，最大相對誤差為0.348%；對于6組檢驗樣本，網絡的輸出值與實測值的相對誤差均在3%以內，可以認為此網絡具有良好的泛化能力。
2、遺傳算法對鍋爐效率進行優化
遺傳算法是模擬達爾文的遺傳選擇和自然淘汰的生物進化過程的計算模型，其主要特點是簡單、通用、魯棒性強、適用于并行分布處理、應用范圍廣，但也存在著早熟收斂和收斂速度慢的問題。而小種群自適應遺傳算法能夠在種群規模較小的情況下進行有效的全局搜索和局部搜索，避免了早熟，并能以很快的速度收斂到全局最優解，是一種快速而又全局收斂的算法。
2.1 優化數學模型
在對鍋爐效率進行神經網絡建模之后，就可以根據已經建立的鍋爐效率模型來優化鍋爐的燃燒過程。整個優化過程是根據已經訓練好的神經網絡所建立的映射關系，求得鍋爐效率達到最大值時，各個輸入參數的值。因此，鍋爐效率優化的問題就轉變成求目標函數最大值的優化問題。在電廠鍋爐運行中，運行人員調節最為頻繁的參數主要是配風方式、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。因此本文選擇各二次風門開度和氧量為優化參數，并根據實際情況對優化參數設置了一定的優化范圍，實現鍋爐效率的優化。
2.2優化結果及分析
本文采用小種群自適應遺傳算法對鍋爐實時工況進行優化，選擇的參數種群規模為5，交換概率為0.5，突變概率為0.02，迭代次數200次，優化參數4個，計算獲得優化后的各風門開度、氧量及鍋爐效率。
實際運行工況如表3所示，表中所列工況均從某臺125 MW鍋爐的DCS系統下載，對應的煤種特性由人工輸入；遺傳算法優化后的結果與實際工況運行結果的比較如表4所示，并且優化后工況的配風方式均為正寶塔配風，與鍋爐熱態試驗的結果是相符的。通過對這些工況的優化過程分析，優化結果均達到了收斂，表明遺傳算法選取的計算參數是合理的。
3、結論
(1)針對某臺125 MW燃用無煙煤鍋爐，在熱態試驗的基礎上運用人工神經網絡對鍋爐效率進行建模，建立了這臺鍋爐的鍋爐效率與鍋爐運行參數及煤質特性之間的關系，網絡模型具有良好的泛化能力。
(2)利用DCS系統采集實時數據，通過人工神經網絡建立的鍋爐效率模型，運用遺傳算法對這臺鍋爐的氧量及各二次風門開度進行優化，優化獲得的配風方式為正寶塔配風，與鍋爐熱態試驗的結果一致，優化結果能夠用于鍋爐燃燒優化調整。
富通新能源銷售生產生物質鍋爐，同時我們還大量銷售木屑顆粒機壓制的楊木木屑顆粒燃料。
