引言氮氧化物(NOx)是燃煤锅炉燃烧过程产生的主要气体污染物，由于其生成机理的多样性（热力型、温度型、燃料型）和受到燃煤机组多项因素影响（入炉煤质、锅炉负荷、配风方式等），通过锅炉运行参数预测氮氧化物排放量一直是研究重点。相较于单煤，混煤燃烧特性难以测量，国内外学者致力以混煤作为入炉煤质的燃煤锅炉氮氧化物排放量研究。文献[1]~文献[3]通过搭建沉降炉试验台，对混煤氮氧化物排放量受混煤煤质影响因素进行了机理研究。但实际燃煤锅炉运行中，上述研究无法给予实时、准确的运行方案为运行人员提供指导。文献[4]指出燃煤锅炉NOx的排放特性与锅炉多种运行因素相关，输入相应运行操作参数，即有对应的NOx排放浓度输出。文献[5]~文献[7]均采用BP单隐含层神经网络对燃煤锅炉的氮氧化物排放量进行预测输出，其误差波动区间在0~9.55%。采用预测样品空间较小，最大的预测样品空间仅为80组，BP神经网络难以得到充分训练，预测值与实际值差距较大。随着神经网络算法的发展，更多网络算法被用于数据预测。以国内某600 MW前后墙对冲旋流燃烧器锅炉燃烧优化调整时DCS数据选取特性参数作为输入变量，以脱硝装置入口氮氧化物排放量作为预测变量，使用BP神经网络（单隐含层）、BP神经网络（双隐含层）、遗传算法优化BP神经网络(GABP)、广义回归(GRNN)神经网络作为氮氧化物排放量预测模型，对该燃煤锅炉的氮氧化物排放量进行预测，寻找误差更小、预测精度更高的神经网络，用于该燃煤锅炉氮氧化物排放量预测。1算法模型人工神经网络容错性高、非线性映射能力强、自学习能力强，本质是实现多元输出的非线性映射[8-9]。1.1BP神经网络BP神经网络是一种多层的数据前馈网络，网络将信号向前传递，误差则反向传播。若输出层与期望值有较大偏差，将误差反向传播，根据预测误差调整权值与阈值，使网络预测值不断逼近期望值[10]。单隐含层BP神经网络、双隐含层BP神经网络结构如图1所示。图1BP神经网络结构10.3969/j.issn.1004-7948.2022.08.007.F1a1（a）单隐含层10.3969/j.issn.1004-7948.2022.08.007.F1a2（b）双隐含层输入变量包括燃煤机组负荷、一次风压力、给煤量、各台磨煤机出口温度、二次风风门开度、燃烬风门风开度、入炉煤工业分析等共计60个输入节点，以脱硝装置入口氮氧化物排放量作为输出节点。隐含层激励函数：fx=11+e-x (1)对网络超参数进行寻优，选取10-8作为网络学习率，3×10-8为误差限制，单隐含层隐含层节点个数为3个，双隐含层隐含层节点个数为3∶3。1.2遗传算法优化神经网络(GABP)GABP神经网络通过遗传算法优化BP神经网络的权值与阈值，BP神经网络利用遗传算法优化后的权值和阈值训练模型输出预测结果。遗传算法实现需要经历：（1）种群初始化，输入层连接权值、隐含层阈值、输出层连接权值及输出层阈值构成个体。（2）对个体中的初始权值和阈值，使用BP神经网络预测输出，以预测误差和E作为适应度值F：F=k(∑i=1nabs(yi-ai)) (2)（3）采用轮盘赌法，基于适应度比例对个体进行宣策，个体i的选择概率Pi为：fi=kFi (3)Pi=fi∑i=1Nfi (4)式中：Fi——个体适应度；k——系数；N——种群个体数目。（4）对选中个体进行染色体交叉操作，第k个染色体αk和第l个染色体αj在j位的交叉操作方法：akj=akj1+b-aljb (5)alj=alj1-b-akjb (6)（5）选取第i个体和第j个基因αij进行变异：aij=aij+(aij-amin)×f(g) , r≥0.5 (7)aij=aij+(amax-aij)×f(g) , r0.5 (8)f(g)=r2(1-g/Gmax) (9)式中：amax——基因aij上界；amin——基因aij下界；r2——随机数；g——迭代次数；Gmax——最大进化次数。文中的遗传算法设置种群规模为8，进化次数50次，交叉概率为0.3，变异概率为0.1。1.3广义回归神经网络(GRNN)GRNN神经网络结构由4层组成，即输入层、模式层、求和层和输出层。GRNN神经网络结构如图2所示。10.3969/j.issn.1004-7948.2022.08.007.F002图2GRNN神经网络结构GRNN神经网络依据非线性回归分析，使用独立变量x回归分析非独立变量Y的实质是计算具有最大概率值的y。已知x观测值为X，y相对于X的回归条件均值为：Y^=E(y/X)=∫x1xiyf(X,y)dy∫x1xif(X,y)dy (10)式中：Y^——输入为X条件下，Y的预测输出。输入层与输入变量维度相同，直接将输入变量传递给模式层。模式层神经元传递函数为：pi=exp[-(X-Xi)T(X-Xi)2σ2]  (i=1,2,3,...,n) (11)式中：X——GRNN模型输入变量；Xi——第i个神经元对应的学习样本。在求和层进行算数求和，模式层与各神经元的连接权值为1，传递函数为：∑i=1nexp[-(X-Xi)T(X-Xi)2σ2] (12)SD=∑i=1nPi (13)将各输出向量与求和层输出相除，得到输出结果。2研究对象介绍国内某电厂600 MW超临界直流锅炉，一次中间再热，配内置式再循环泵启动系统。固态排渣、单炉膛、最大连续蒸发量1 890 t/h，过热器蒸汽出口温度571 ℃，再热器蒸汽温度569 ℃，给水温度283.7 ℃。水冷壁为膜式水冷壁，下部水冷壁及灰斗采用螺旋管圈，上部水冷壁为垂直管屏。制粉系统为中速磨直吹系统，配置6台HP1003型中速磨煤机。燃烧方式为前后墙对冲燃烧，采用30台低NOx轴向旋流燃烧器，前墙、后墙各15只，分3层对冲布置。除渣方式为固态连续排渣，采用1台刮板式捞渣机，装于炉膛冷灰斗下部。3预测结果分析本文采集了该锅炉燃烧优化调整期间DCS历史数据，平均10 min一个样品，训练样品空间为310组，预测样品空间为46组，为消除各参数量纲对模型训练影响，使用模型各参数进行归一化：Xi,j=xi,j-xjminxjmax-xjmin (14)式中：xjmin——参数最小值；xjmax——参数最大值。以6台给煤机给煤量、磨煤机出口温度描述沿炉膛高度一次风粉量对炉内燃烧的影响；风箱入口挡板开度分前墙、后墙共3层，每层分A、B侧，共计12个；燃烬风挡板开度分前墙、后墙，每层分A、B侧，共计4个；以锅炉负荷、一次风压力描述燃煤锅炉工况；以6台磨煤机出口煤质水分、灰分、挥发分、固定碳、硫分共计30个参数描述入炉煤质参数。该直流锅炉省煤器出口氧量受热控逻辑控制，仅受负荷影响，采集省煤器出口氧量作为输入参数与负荷重复，不采用氧量作为输入参数。某电厂600 MW超临界直流锅炉部分参数如表1所示，入炉煤种、煤质工业分析如表2、表3所示。10.3969/j.issn.1004-7948.2022.08.007.T001表1某电厂600 MW超临界直流锅炉部分预测参数项目工况/组12060130260310负荷/MW496.70497.54378.14376.67299.69518.95一次风压/Pa8.828.278.087.867.958.29给煤量/tA41.742.338.838.240.939.6B41.341.838.539.843.440.2C41.036.239.038.7048.5D040.100035.9E43.642.339.039.343.740.8出口温度/℃A81.577.781.883.971.984.9B82.287.088.984.479.084.5C82.487.783.185.991.472.5D79.479.786.189.987.279.6E81.978.983.185.581.186.2F14.117.614.922.922.423.0前挡板开度/%上层A34.524.625.522.422.251.4上层B33.433.724.921.521.750.0中层A56.254.545.245.431.355.4中层B56.354.445.545.231.355.4下层A63.442.136.245.242.043.4下层B63.242.136.245.342.243.3后挡板开度/%上层A14.120.414.220.220.521.9上层B14.320.314.220.320.522.1中层A47.451.736.545.436.455.3中层B47.451.536.245.236.153.6下层A63.345.472.445.142.157.3下层B64.146.372.846.042.857.9风门开度/%前墙A25.214.214.220.614.820.6前墙B24.914.214.214.920.127.0后墙A25.314.114.115.120.028.1后墙B25.714.314.415.420.828.6NOX排放量/（mg/m3）303.05277.87289.12273.94239.95307.3410.3969/j.issn.1004-7948.2022.08.007.T002表2入炉煤种项目工况/组12060120260310A磨煤种A煤种A煤种A煤种C煤种D煤种DB磨煤种B煤种B煤种B煤种C煤种D煤种DC磨煤种A煤种A煤种A煤种C—煤种DD磨煤种B煤种B———煤种DE磨煤种A煤种A煤种A煤种C煤种D煤种D10.3969/j.issn.1004-7948.2022.08.007.T003表3入炉煤质工业分析项目煤种A煤种B煤种C煤种DRMSEMAPERMSEMAPERMSEMAPERMSEMAPE水分15.0215.0214.3014.3011.3611.3614.6314.63灰分16.5716.5715.8615.8618.9218.9214.1414.14挥发分25.6025.6025.7825.8725.5125.5125.9425.94固定碳42.8442.8444.1744.1744.2144.2145.3045.30硫分0.380.380.460.460.460.460.410.41%锅炉炉膛尺寸如图3所示。10.3969/j.issn.1004-7948.2022.08.007.F003图3锅炉炉膛尺寸/mm3.1单隐含层与双隐含层神经网络误差对比单隐含层与双隐含层神经网络氮氧化物预测误差对比如图4所示。10.3969/j.issn.1004-7948.2022.08.007.F004图4单、双隐含层神经网络误差对比由图4可知，单隐含层神经网络预测误差整体波动幅度较小，最大误差12.88%，最小误差0.30%；双隐含层最大误差14.53%，最小误差0.09%，与实际值逼近能力较好。为了进一步探究2种网络误差精度，采用均方根误差(RMSE)和平均绝对百分误差(MAPE)，均方根误差、平均绝对百分比误差计算公式：RMSE=1N∑i=1N(yi-yi^)2 (15)MAPE=1N∑i=1Nyi-yi^yi×100% (16)式中：yi——第i个样本的实际值；yi^——第i个样本的预测值；N——样本总数。计算可得单隐含层BP神经网络RMSE与MAPE分别为5.91 mg/m3、0.98%，双隐含层BP神经网络RMSE与MAPE分别为7.45 mg/m3、0.78%。单隐含层BP神经网络MAPE略高于双隐含层BP神经网络，但单隐含层BP神经网络RMSE大幅度缩小，认为单隐含层BP神经网络预测精度高于双隐含层BP神经网络。3.2单隐含层与GABP神经网络误差对比单隐含层BP神经网络与GABP神经网络氮氧化物预测误差对比如图5所示。10.3969/j.issn.1004-7948.2022.08.007.F005图5单隐含层与GABP神经网络误差对比单隐含层BP神经网络预测误差整体波动幅度较小，最大误差12.88%，最小误差0.30%，GABP神经网络最大误差25.86%，最小误差0.87%。GABP神经网络RMSE与MAPE分别为11.36 mg/m3、0.83%，均高于单隐含层神经网络，认为单隐含层神经网络预测精度高于GABP网络。3.3单隐含层与GRNN神经网络误差对比单隐含层BP神经网络与GRNN神经网络氮氧化物预测误差对比如图6所示。10.3969/j.issn.1004-7948.2022.08.007.F006图6单隐含层与GRNN神经网络误差对比各神经网络的RMSE与MAPE对比如表4所示。10.3969/j.issn.1004-7948.2022.08.007.T004表4各神经网络的RMSE与MAPE对比误差类别单隐含层双隐含层GABPGRNNRMSE/（mg/m3）5.917.4511.364.81MAPE/%0.980.780.830.91单隐含层BP神经网络在前15个样品误差较小，后续样品有个别较GRNN神经网络误差减小，但整体误差更大。GRNN神经网络最大误差10.80%，最小误差0.04%，RMSE与MAPE分别为4.81 mg/m3、0.91%，较单层神经网络精度均有明显提高。因此，GRNN网络被认为更适用于燃煤锅炉氮氧化物排放量预测。4结语采集国内某600 MW前后墙对冲旋流燃烧器锅炉燃烧优化调整时DCS数据，选取影响燃煤锅炉氮氧化物排放量的各项运行参数，录入单隐含层BP神经网络、双隐含层BP神经网络、遗传算法优化神经网络、GRNN神经网络，训练网络预测氮氧化物排放量。GRNN神经网络预测精度最高，最大误差10.80%，最小误差0.04%，均方根误差(RMSE)4.81 mg/m3，平均绝对百分误差(MAPE)0.91%，可认为GRNN神经网络较单隐含层神经网络更适用于燃煤锅炉氮氧化物排放量预测。10.3969/j.issn.1004-7948.2022.08.007.F007