飞灰含碳量是影响锅炉热效率的一个重要因素，但飞灰含碳量受煤种、锅炉设计结构、运行参数等多种因素影响，其难以采用简单的公式进行计算。国内外有较多关于飞灰含碳量预测的研究：通过对影响飞灰含碳量主要因素的讨论，提出了利用BP神经网络对特定机组的飞灰含碳量进行短期预测的一种实用模型;基于支持向量机，建立了大型电厂锅炉飞灰含量碳预测模型;借助于正交试验设计，对某台200MW机组燃煤锅炉飞灰含碳量特性进行了多工况热态测试，采用基于LM算法的BP神经网络，建立了飞灰含碳量软测量模型。
本文在对某电厂700MW机组锅炉燃煤掺烧的飞灰含碳量特性进行多工况热态测试的基础上，建立了大型电站燃煤锅炉飞灰含碳量特性的神经网络模型，并对该模型进行了校验。同时，结合遗传算法对燃煤掺烧工况进行了全局寻优和改变磨煤机掺烧的组合方式，以探求磨煤机掺烧的组合方式对飞灰含碳量的影响，从而为通过燃烧调整提高锅炉燃煤掺烧的燃烧效率提供有效手段。
一、飞灰含碳量预测模型
除锅炉结构设计之外，锅炉的运行参数如锅炉负荷、磨煤机一次风总量、各二次风挡板开度、燃尽风挡板开度、煤种特性及各磨煤机给煤量、炉膛与风箱差压和一次风总风压等对燃煤锅炉的飞灰含碳量均有影响，而这些影响参数无具体公式能够进行计算。因此，本文采用BP神经网络对飞灰含碳量进行建模预测。
1.1 研究对象
l台700MW机组的MB-FRR型亚临界参数、中间再热、强制循环、单炉膛、悬吊式燃煤锅炉，其额定蒸发量为229Ot/h，炉膛尺寸为21463mm×18605 mm，设计燃用神府东胜煤和进口煤。配置6台直接加压式三菱立式MVM25R型磨煤机，为摆角式四角切圆燃烧系统，共6层一次风喷口与二次风喷口间隔布置，二次风层由下至上分别为AA层、AB层、BC层、CD层、DE层、EF层，最顶层一次风喷口上有4层燃尽风(OFA)喷口，分别为OFA A(2个喷口)、OFA B、OFA C。锅炉结构及燃烧系统见图1。
1.2 模型输入参数的确定
本模型中采用传统的由输入层、隐含层和输出层组成的3层BP神经网络。隐含层中的神经元通常采用sigmoid函数即f(x)=1/(1+e-x);输出层采用纯线性变换函数，学习算法可以概括为反复进行前向计算、反向计算、修正权值的过程。当信息输入时，输入信号从输入层经隐含层传向输出层，若在输出层未得到期望的输出值则反向传输，且误差信号沿原来的联接通路返回，通过修改各神经元之间的联系权重使误差减小，经过连续迭代，直至达到满意的误差范围。
燃煤锅炉飞灰含碳量受到如煤种、运行参数和锅炉设计、制造、安装等因素的影响，如果将锅炉考虑为黑箱模型，由于运行锅炉的设计和安装参数均已确定，因此将影响飞灰含碳量的运行参数(锅炉负荷、磨煤机一次风总量、各二次风挡板开度、燃尽风挡板开度、各磨煤机给煤量和炉膛与风箱差压等)作为模型的输入量，飞灰含碳量作为模型的输出量。锅炉运行参数均从机组DCS中获得，本模型共采集30组工况数据，部分节选数据见表1、表2。表1中印尼煤与国产煤掺烧比例有O:5,1:4,2:3和3:2，表2中国产煤不单指某具体国产煤。
试验过程中有些工况采取在不同磨煤机投用不同煤种进行掺烧，典型国产煤和印尼煤的煤质特性见表3。
1.3 神经网络训练和结果分析
选用39个输入节点，1个输出节点，20个隐节点的3层BP神经网络结构，训练函数为traingdx。取表1、表2中工况1～27对应的样本数据来训练神经网络，从而建立锅炉运行参数和飞灰含碳量关系的神经网络数学模型。工况28～30用来检验神经网络的准确度，训练过程见图2。
训练的具体结果见图3、表4。由图3可见，神经网络的模拟值与实测值吻合很好。表4中，神经网络用于检验的样本其绝对误差最大不超过0.05，相对误差最大为2.45%，平均相对误差为1.57%。
二、基于遗传算法的飞灰含碳量寻优
基于BP神经网络的飞灰含碳量特性模型。结合全局寻优算法，以锅炉的运行调节参数为优化目标函数的自变量，飞灰含碳量作为寻优目标，采用遗传算法(GA)作为优化算法，可获得某个具体工况下的最佳操作参数。
由于遗传算法寻优时不要求目标函数具有明确的数学表达式或导数等信息，只要求优化目标是可计算的，因此本文将基于BP神经网络的飞灰含碳量特性模型作为寻优目标函数。同时，锅炉实际运行中影响飞灰含碳量的可调节参数主要是磨煤机一次总风量、各二次风挡板开度、燃尽风挡板开度和炉膛与风箱差压，因此在对某些具体工况进行优化时假定负荷、给煤量、煤种和一次风总风压为定值，且由于AA二次风挡板的开度固定为80%，仅将其它二次风挡板开度磨煤机一次风总量、燃尽风挡板开度和炉膛与风箱差压4个参数作为优化函数的自变量。考虑到运行安全以及操作习惯，将EF、DE、DC风挡板的开度变化范围取为20%～45%,CB、BA风挡板的开度变化范围取为70%～95%，燃尽风挡板开度变化范围取为70%～80%。
优化方法是在已建立的神经网络模型基础上结合锅炉试验，分别对工况6、工况9和工况16进行寻优，得出该工况下的最佳运行参数。以工况9和工况16为基础，对采用不同燃烧层磨煤机和不同燃烧层磨煤机组合进行燃煤掺烧对飞灰含碳量的影响分别进行寻优，得出最佳的磨煤机掺烧组合方式，其寻优过程和结果见图4和表5、表6。
选取工况6、工况9、工况16进行优化，其分别代表无印尼煤掺混、C磨煤机掺混印尼煤、C和D磨煤机掺混印尼煤3种典型工况。通过对磨煤机一次风总量、二次风挡板和燃尽风挡板的开度、炉膛差压进行调整，其飞灰含碳量分别由2.25%、1.96%和1.08%降至1.87%、1.69%和0.73%。
由表5可见，3种工况优化后的磨煤机一次风总量都比优化前要高，各二次风挡板开度有增有减，其总体开度增大，二次风量增加。一次风量和二次风量的增加使得煤粉在锅炉内燃烧时其过量空气系数增大，过量空气系数的增大使得煤粉煤粉在锅炉中的燃烧越充分，从而使其飞灰含碳量相对降低。值得注意的是，风量的增加也会导致炉膛温度的降低，因此风量也不能过分增大。有印尼煤掺烧的工况无论是优化前还是优化后，其飞灰含碳量均较未掺烧印尼煤的低，并且2台磨煤机掺烧印尼煤的飞灰含碳量比1台磨煤机掺烧印尼煤的要低。这是因为，印尼煤的挥发分比国产煤高，易于燃烧;印尼煤的热值相对国产煤较低，采用较大比例的印尼煤掺混不仅不会对燃烧有利，反而会由于锅炉温度的下降而降低锅炉效率。实际运行中，印尼煤掺混比例也仅为1/5或者2/5。因此，可以得出采用适当印尼煤进行掺烧，有助于降低飞灰含碳量，减少锅炉的不完全燃烧损失，提高锅炉效率。
由表6可见，采用1台磨煤机掺烧印尼煤的情况下，B磨煤机掺烧的结果优于C和D磨煤机，C磨煤机的掺烧结果优于D磨煤机;采用2台磨煤机掺烧的情况下，采用B与C磨煤机组合与采用C与D磨煤机或D与E磨煤机组合相比其飞灰含碳量为最低。这是由于印尼煤相对国产煤其挥发分较高，将其投入位置相对较低燃烧层的B层和C层，有助于燃煤的充分燃烧，若将其投入位置相对较高燃烧层的D层、E层、F层，挥发分较低的国产煤在主燃烧区，不利于煤粉在锅炉内的充分燃烧，从而使得飞灰含碳量增大。因此，针对某电厂700MW机组在选用单磨煤机或者多磨煤机组合进行印尼煤掺烧时，建议采用B和C磨煤机进行掺烧，可获得较低的飞灰含碳量，提高锅炉效率。
三、结论
(1) 在对某电厂700MW机组锅炉燃煤掺烧进行多工况实炉热态测试的基础上，建立了该炉飞灰含碳量特性的BP神经网络模型，检验样本的平均相对误差为1.57%，最大相对误差为2.45%，表明该模型能根据燃煤特性及各种操作参数较准确地预测锅炉在不同工况下的飞灰含碳量。
(2) 用遗传算法对该炉的3个特定工况进行了寻优，通过对磨煤机一次风总风量、二次风挡板和燃尽风挡板的开度以及炉膛差压的调整，其飞灰含碳量分别由2.25%、1.96%和1.08%降至1.87%、1.69%和0.73%，为该炉的优化燃烧提供了有效手段，使用印尼煤掺混有助于降低飞灰含碳量和提高锅炉效率。
(3) 采用B和C磨煤机进行印尼煤掺烧有利于降低飞灰含碳量和提高锅炉效率。
