优化前的第个培训样本出现最大误差4.61%，优化后降至0.85%。验证数据样本值跨度大，证明模型泛化能力强。

目前，煤电站污染物排放备受瞩目，从火电站大气污染物排放标准(GB1323-2011)的发布[1]到目前为止提出的煤电站大气污染物超低排放，NOX、SO2和粉尘排放限制分别为50、35、10mg/m3(中东部地区为5mg/m3)，煤电站锅炉需要更高效、低污染地运行。

国内大部分燃煤电站通过选择性催化还原法SCR脱硝设备控制NOX排放浓度，但为了减少氨的逃脱问题，SCR脱硝效率一般设计为90%以下[2]。因此，达到超低排放限制值，炉内燃烧优化非常重要。随着计算机领域的快速发展，人工神经网络逐渐应用于燃煤电站锅炉控制系统[3-5]。

电站锅炉内燃烧非常复杂，尤其是NOX的生成机制，至今无函数映射精确描述，人工神经网络处理复杂的非线性映射问题优势明显，精度好，泛化能力强，容错率高，是一种可广泛应用的黑箱模式。应用人工神经网络不必考虑复杂的燃烧过程和NOX生成机制，以可靠的数据样本作为输入和输出学习，保证网络的性能要求[6-7]。

部分学者在神经网络应用于锅炉燃烧优化领域已有一些研究成果。BOOTH等[8]从降低NOX排放浓度入手，建立锅炉NOX排放模型，对其运行参数进行优化，优化后的锅炉NOX排放量降低了16%，锅炉效率提高了0.3%。王斌忠等[9]在研究锅炉灰渣渣中采用SVM模型预测生成。

周昊等[10][11]对某30万单元的锅炉飞灰含碳量和污染物排放构建了BP神经网络模型。董文波以某电厂锅炉为原型，应用RBF神经网络建立了锅炉主蒸汽温度监控系统，在常见PID的基础上，建立了RBF网络的PID控制器。以上研究在控制优化方面有很多独特的见解，但在模型建立上相对单一，本研究在建立锅炉NOX排放神经网络模型的基础上，应用遗传算法优化模型，大大提高了网络的性能。

1研究对象

本文研究对象为某发电公司660MW超临界参数变压直流锅炉，BMCR工况下主蒸汽参数为2060t/h、26.15Mpa、605℃，一次再热、变压直流、单炉膛、固态排渣、全悬吊结构Ⅱ型锅炉。制粉系统是中速磨煤机直吹式正压冷一次风制粉系统，运行设计煤种，每炉配备6台磨煤机，备用1台。采用前后墙对冲燃烧，燃烧器布置3层，每层前后墙各6只低氮旋流燃烧器。

2BP神经网络建模

BP神经网络是少有的误差信号反向传输，包含多个隐含层的前馈神经网络。外界信号通过输入层传递到中间隐含层，这是BP神经网络的核心计算处，信号在这里处理完毕后传递到输出层，判断是否符合输出误差，决定是完成训练还是反馈误差继续训练。不断调整各层之间的权值和门槛，当误差范围符合要求时，网络完成培训[12-13]。

2.1模型建立

本研究的电站锅炉已投运，炉型、燃烧方式等主要设备一般不变。在电厂经常运行的负荷和煤种下，氧量对NOX的生成有很大影响，因此输入各二次门的开度反映氧量对NOX的生成量的影响。5台磨煤机的给粉反映了煤粉量对NOX生成的影响，炉膛和风箱压差描述了风速的影响，研究燃烧的风会影响NOX的生成量，因此将2个燃烧的风口开度也作为输入参数，共计14个输入参数，输出为NOX排出浓度。建模实验数据见表1。

表1建模实验数据

BP神经网络的sigmod传输函数要求数据区间为[0、1]或[-1、1]，因此在训练前将数据样本进行统一处理，在输出结果中对输出数据进行统一处理。

本研究采用含有一层隐藏层的三层BP神经网络结构对锅炉进行排放特性建模，其中输入层网络的神经元节点为14个，输出层节点为1个，隐藏层节点为16个，各层之间用log-sigmoid函数连接，学习效率为0.8。针对热态试验的每一个工况，取18个培训样本数据用于网络培训学习，3个检验样本数据用于测试网络性能，当培训均方误差小于0.001时结束培训。再结合遗传算法优化网络初始权值和门槛，对比网络优化前后的性能差异。

2.2建模结果

从图1可以看出，训练的真实值与神经网络的模拟值相对一致，大部分情况都可以模拟，模拟平均误差为1.37%，其中最大的相对误差出现在训练样本9，最大的相对误差为4.61%。

图1、模拟

3个检验样本的相对误差分别为0.46%、0.59%、2.34%，一般省煤器出口NOX排放值约为400mg/m3，模拟误差完全满足发电站运行的需要。NOX排放神经网络模型的三个验证数据相对较大，但神经网络模型的模拟误差小，证明神经网络模型的泛化能力强。

3网络优化

遗传算法是基于环境选择和生物繁殖行为进化的优化方法，利用仿生技术解决实际问题，利用遗传学中的基因重组、基因变异产生适应性高的新个体，通过多代遗传，最终取得最佳结果。在锅炉NOX排放神经网络模模型，结合遗传算法优化模型，优化后网络性能更好。本研究以网权和门槛为目标函数，初始种群数为35，交叉概率为0.4，变异概率为0.2，设置进化代数为100代，图2为适应度曲线。

图2适应度曲线

优化结果如图3所示。从图3可以看出，优化后的模型精度更高，平均模拟误差为0.18%，训练样本9的误差在优化后降至0.85%。3个检测样本的相对误差分别为0.39%、0.51%、0.80%，平均模拟误差为0.57%。

图3优化后的模拟

对BP神经网进行线性回归分析，结果表明训练数据线性回归分析基本准确，测试数据线性回归有些偏差，整个网络的大部分数据基本上可以保持小误差的模拟，有些数据点分布在直线两侧，在可接受范围内。优化结果表明，遗传算法优化BP神经网络是有效的，可以提高网络的准确性和泛化能力。

表2模型性能对比

4结论

(1)对某660MW超临界锅炉的NOX排放特性构建了BP神经网络模型，模型的平均模拟误差为1.37%，检验样品的平均相对误差为1.13%

(2)结合遗传算法，优化建立的BP神经网络NOX排放模型，优化后的平均模拟误差为0.18%，比优化前下降，检验样本的数据跨度大，但模拟误差小，证明模型的泛化能力强。结果表明，遗传算法优化神经网络可以提高其性能。