电站锅炉燃烧

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。

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。

当前节能减排的形势严峻，通过优化控制提升锅炉性能已成为燃煤电厂的必然选择，锅炉燃烧状态的准确掌握是进行优化控制的前提。大型电站燃煤锅炉的燃烧过程中，燃烧工况组织不合理会引起炉膛内燃烧不均匀、火焰中心偏斜、火焰刷墙等情况，导致炉膛结焦、炉膛灭火、炉膛爆炸等运行事故的发生。然而，目前锅炉燃烧状态严重缺乏监测手段，例如炉膛的温度场分布、火焰中心位置、受热面结渣状况等都无法实时获取，往往只能依靠技术人员就地看火、观察参数、专项试验等经验性的工作进行燃烧状态判断，导致锅炉的优化控制缺乏依据，锅炉运行的安全性也得不到保障。 炉膛温度场的分布是影响煤粉的着火、充分燃烧的重要因素，温度场分布直接反映了炉膛的燃烧状态。由于电站燃煤锅炉尺寸大、工作环境恶劣并且炉内燃烧火焰温度高，传统的接触式测温方法很难在现场使用，而激光测温、声学测温等新型非接触式测温方法均存在设备复杂、信号湮灭现象严重等问题，难以稳定地得到炉内温度场。火焰中心位置、受热面结渣状况等更是无法获取。同时，现有机组运行参数如壁温、烟温等只能一定程度地反映炉内燃烧状态，并且依赖人工经验。总之，锅炉燃烧状态难以实时获取已成为燃煤电厂亟待解决的问题。