锅炉热效率，提高锅炉效率、降低NOx的排放

我司主营，超低氮燃气真空热水锅炉、超低氮燃气蒸汽发生器、燃气蒸汽锅炉，具有超低氮环保，热效率高，热值高，省燃气，使用寿命长，等优势。

针对锅炉燃烧系统智能算法建模，为克服标准粒子群(PSO)优化算法对最小二乘支持向量机(LSSVM)模型参数进行优化时容易陷于局部最优解的缺点，提出一种改进型的蚂蚁-粒子群算法(MAPSO)对LSSVM模型参数进行优化。根据模式搜索的“探测”思想，通过与蚁群算法移动规则的结合改进粒子群算法，增加粒子群算法的小步长局部搜索过程，让每一步迭代所得的最优粒子在其邻域内进行小步长的局部精细搜索，以便找到更好的全局最优解。MAPSO算法的先验性预判断组合共有8种，通过对比先验性粒子各个方向的适应度，保证粒子群在最优粒子邻域内向正确的方向进行小步长局部搜索。研究结果表明：本文提出的改进型MAPSO 算法有效保留了标准PSO 优化算法的全局寻优性能，并增强了算法的局部寻优性能。MAPSO 算法在建立锅炉燃烧系统模型过程中能有效避免陷入局部极小，寻找到全局最优解。所建立的MAPSO-LSSVM模型与标准PSO-LSSVM模型相比，具有更快的收敛速度，更高的预测精度，更强的拟合能力和泛化能力。

关键词：燃气锅炉；锅炉效率；NOx排放；

提高锅炉效率、降低NOx的排放是电站运行的重要目标，然而燃煤电站锅炉效率和NOx排放特性十分复杂，受到煤种、锅炉负荷、配风方式等多种因素的影响，且各参数之间互相耦合，导致数据分析困难[1-2]。燃烧过程还伴随能量转换、物理化学变化、强耦合和非线性等特性，是一个非常复杂的过程，从而难以用机理模型来正确描述。人工智能技术能够有效保留参数之间复杂的非线性关系，因此，在强耦合模型建模上得到了广泛的关注。

SHIN 等[7]利用人工神经网络和遗传算法建立了NOx还原系统模型。TUTTLE 等[8]采用在线神经网络进行建模，利用粒子群优化算法(particle swarm optimization,PSO)实现了燃煤电厂NOx排放浓度的降低。周昊等[9-10]利用神经网络模型对NOx排放建立模型，并用遗传算法进行寻优。马良玉等[11]提出了一种基于改进PSO 和双隐层神经网络的锅炉氧量优化策略，为更快地搜索到最优氧量，提出一种引入变异机制的混沌简化粒子群算法。但人工神经网络模型存在训练时间长、结果不确定性大、容易陷入局部极值和过学习等问题[12]。

支持向量机(support vector machine,SVM)根据结构风险最小化原则，能够有效地抑制欠学习和过学习现象，泛化能力较强[13-14]。ZHOU等[15]利用SVM 提出了新型在线煤识别系统，以实现可变燃烧条件下的在线煤识别，实现电站的连续优化。FAN 等[16]提出了一种使用连续受限玻尔兹曼机和支持向量机的新型深层结构，并使用PSO 算法优化支持向量机的模型参数。TANG等[17]基于最小二乘支持向量机(least squares support vector machines,LSSVM)和差分进化方法自适应地构建了炉温的预测模型，并利用微分进化算法对锅炉燃烧进行了优化。LÜ 等[18]提出了一种自适应LSSVM 模型来对燃煤锅炉NOx进行预测，该模型具有新颖的模型更新方式，通过样品添加和样品替换来更新模型，并进行了带有时变非线性函数的基准仿真，以评估更新算法的有效性。AHMED等[19]将实时更新方案应用于LSSVM，构建了用于预测NOx的实时版本，可增强LSSVM对长期预测的概括能力，并且具有较高的预测精度。LÜ 等[20]提出了一种基于LSSVM 方法和实际运行数据的300 MW 循环流化床的锅炉床层温度预测的动态模型，可以实现对床温的准确预测，有利于减少温度波动。冯磊华等[21-22]针对燃煤锅炉NOx排放的SVM 模型，使用一种改进的PSO 算法，对标准PSO 算法进行了更新，加入自适应变异算子，在一定程度上缓解了未成熟收敛问题。冯旭刚等[23]针对燃气发电锅炉存在的纯滞后、大惯性和参数模型易变等问题，设计了一种改进PSO 优化的主汽压模糊广义预测控制策略，系统受模型失配影响更小，稳定性和抗扰动能力显著提升。孙卫红等[24]采用一种改进的PSO 优化算法对模型参数进行寻优，建立锅炉燃烧NOx排放特性模型，结果表明改进的PSO 与LSSVM 结合可改善模型的预测精度和泛化能力，对NOx 排放预测有指导意义。龙文等[25]采用LSSVM 建立了锅炉烟气含氧量预测模型，在此基础上结合全局寻优的混合PSO 算法，对锅炉烟气含氧量进行控制。由上述研究可以发现，目前大多数研究采用PSO算法对LSSVM模型进行优化时都对标准PSO 算法进行改进，这是因为标准PSO算法局部搜索能力较差，易陷入局部最优解。

针对标准PSO 算法的缺点，改进的方法多种多样，普遍采用的是增强扰动保持粒子多样性的变异算子方法，本文作者提出一种改进型的PSO算法，通过结合蚁群算法的移动规则，增加粒子群的小步长局部搜索，从而增强粒子群算法的局部搜索能力。本文以某电站负荷为1 000 MW的超超临界锅炉作为研究对象，基于标准PSO 智能优化算法进行改进，建立LSSVM目标模型，分析对比改进型PSO 算法与标准PSO 算法所优化建立的LSSVM模型之间的差异。

1 模型算法简介

1.1 最小二乘支持向量机

最小二乘支持向量机(LSSVM)是SUYKENS等[26-27]在支持向量机[13-14](SVM)的基础上提出的一种变形算法。LSSVM 利用二范数对目标函数的优化公式进行变形，并将SVM 中的不等式约束条件转化为等式约束条件。因此，LSSVM 将原来的二次规划问题求解变成了线性方程组的求解，不仅简化了计算，还减少了计算时间。LSSVM 不仅具有SVM 泛化能力强、全局最优等优点，而且其训练时间短，结果更具确定性，在参数估计和函数逼近的问题研究中得到了广泛应用