机器学习驱动锅炉燃烧优化技术的现状与展望

姚顺春,李龙千,卢志民,李峥辉

(1.华南理工大学 电力学院,广东 广州 510640; 2. 广东省能源高效清洁利用重点实验室,广东 广州 510640)

0 引 言

为应对气候变化,实现双碳目标,中国火电装机容量增速放缓,新能源装机容量不断攀升。据统计,截至2023年5月底,全国太阳能、风电总装机已达8.3亿kW,约占全国发电机容量的31.13%[1]。但火电总装机量仍高达50.63%,2022年我国煤电发电量50 792亿kWh,占全口径发电量的58.4%。煤炭仍是中国经济社会发展的主体能源,发挥电力供应基础保障和灵活性调峰的重要作用[2]。为落实绿色低碳发展政策,火电行业为实现燃煤电站锅炉高效率、低污染且安全经济的运行,开展了包括对燃烧设备的设计和改造、基于参数调整的现场试验、基于燃烧理论的数值模拟技术、燃烧参数的检测技术优化、基于机器学习算法的锅炉参数预测等一系列燃烧优化技术[3]。

随着人工智能与机器学习算法的快速发展,机器学习技术层出不穷,燃烧优化技术中的参数预测得到了强有力的技术支持[4]。在污染物排放浓度预测的相关研究中,建模对象包括垃圾焚烧锅炉[5]、燃煤锅炉[6]等,建模算法包括随机森林[7]等集成建模方法、结合卷积层的长短期记忆神经网络[8]等深度学习模型,所建立的锅炉参数预测模型准确性较高且在相关应用场景中得到验证。但在深度调峰的过程中锅炉负荷快速变化,机组低负荷运行会导致锅炉炉膛流动均匀性下降,燃烧稳定性变差,炉膛温度降低,导致污染物生成增加造成排放量超标。……