本文在一台125 MW燃用无烟煤锅炉热态试验的基础上，利用人工神经网络对这台锅炉的效率与煤质特性及运行工况进行建模；并从DCS系统下载实时工况数据，根据建立的锅炉效率模型运用遗传算法对该锅炉进行了燃烧工况寻优，意甲直播cctv5销售生物质锅炉，生物质锅炉主要燃烧木屑颗粒机压制的木屑生物质颗粒燃料。
1、建立锅炉效率神经网络模型
人工神经网络是基于生物学中的神经网络的基本原理而建立的。现在几种典型神经网络有BP神经网络、竞争型神经网络及Hopfield神经网络。BP神经网络是目前应用最为广泛的，BP网络中隐单元可以根据需要自由设定，一个三层网络可以实现以任意精度近似任何连续函数。因此，本文所取的锅炉效率的模型训练采用了3层BP神经网络。
1.1 锅炉效率热态试验分析
在125 MW燃用无烟煤锅炉上进行了热态试验，从热态试验的结果分析，在相同煤质的情况下，配风方式为正宝塔配风时，锅炉效率较优。根据负荷，煤质，配风方式的不同，总共进行丁47个工况的热态试验。在47个工况中，选取41个工况为神经网络的训练样本，另外6个工况作为检验样本来验证网络是否合理。
1.2 神经网络训练及结果分析
由于锅炉已经投入运行，其设计和安装参数已经确定，锅炉效率主要受实际运行工况和煤质特性参数的影响。因此，将煤质特性（包括挥发分、灰分、固定碳、发热量）、锅炉负荷、热风温度、一次总风压、二次风门开度（上二次风门、中二次风门、下二次风门）、氧量共11个参数作为神经网络的输入量，锅炉效率作为神经网络的输出量。
本文采用3层神经网络，输入层为11个输入节点，输出层为一个输出节点，经过试验选用10个隐节点的网络结构，利用自适应学习速率的动量法对网络进行训练，学习速率为0.1，动量因子为0.9，当系统的均方误差小于0. 001或训练次数大于50 000次时训练结束。
神经网络训练结果如图1和表1、表2所示，对于41组训练样本，网络的输出值与实测值非常接近，最大相对误差为0.348%；对于6组检验样本，网络的输出值与实测值的相对误差均在3%以内，可以认为此网络具有良好的泛化能力。
2、遗传算法对锅炉效率进行优化
遗传算法是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型，其主要特点是简单、通用、鲁棒性强、适用于并行分布处理、应用范围广，但也存在着早熟收敛和收敛速度慢的问题。而小种群自适应遗传算法能够在种群规模较小的情况下进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敛到全局最优解，是一种快速而又全局收敛的算法。
2.1 优化数学模型
在对锅炉效率进行神经网络建模之后，就可以根据已经建立的锅炉效率模型来优化锅炉的燃烧过程。整个优化过程是根据已经训练好的神经网络所建立的映射关系，求得锅炉效率达到最大值时，各个输入参数的值。因此，锅炉效率优化的问题就转变成求目标函数最大值的优化问题。在电厂锅炉运行中，运行人员调节最为频繁的参数主要是配风方式、氧量等，其余影响锅炉燃烧的因素，如负荷和煤种，对于运行人员而言在某一工况下是不可调节因素。因此本文选择各二次风门开度和氧量为优化参数，并根据实际情况对优化参数设置了一定的优化范围，实现锅炉效率的优化。
2.2优化结果及分析
本文采用小种群自适应遗传算法对锅炉实时工况进行优化，选择的参数种群规模为5，交换概率为0.5，突变概率为0.02，迭代次数200次，优化参数4个，计算获得优化后的各风门开度、氧量及锅炉效率。
实际运行工况如表3所示，表中所列工况均从某台125 MW锅炉的DCS系统下载，对应的煤种特性由人工输入；遗传算法优化后的结果与实际工况运行结果的比较如表4所示，并且优化后工况的配风方式均为正宝塔配风，与锅炉热态试验的结果是相符的。通过对这些工况的优化过程分析，优化结果均达到了收敛，表明遗传算法选取的计算参数是合理的。
3、结论
(1)针对某台125 MW燃用无烟煤锅炉，在热态试验的基础上运用人工神经网络对锅炉效率进行建模，建立了这台锅炉的锅炉效率与锅炉运行参数及煤质特性之间的关系，网络模型具有良好的泛化能力。
(2)利用DCS系统采集实时数据，通过人工神经网络建立的锅炉效率模型，运用遗传算法对这台锅炉的氧量及各二次风门开度进行优化，优化获得的配风方式为正宝塔配风，与锅炉热态试验的结果一致，优化结果能够用于锅炉燃烧优化调整。
意甲直播cctv5销售生产生物质锅炉，同时我们还大量销售木屑颗粒机压制的杨木木屑颗粒燃料。
