一种新型的以效益为导向的多目标优化框架，用于优化燃煤锅炉的效率、NOx排放和H2S排放

《Fuel》：A novel benefit-oriented multi-objective optimization framework for efficiency, NOx, and H 2S in coal-fired boilers

燃煤锅炉需在效率提升、排放减少和安全生产间协同优化。本研究构建融合实时监测、支持向量回归（SVR）预测及SHAP可解释性分析的多目标优化框架，通过H2S与CO的线性关联实现安全监测数据在线获取，建立锅炉效率、NOx和H2S预测模型，利用SHAP分析筛选关键优化变量，并创新提出经济收益导向的综合评价指数，验证了协同优化对经济效益的显著提升作用。

　　

王聪|杨一清|林 Bowen|马家琪|徐军|徐凯|江龙|苏胜|胡松|向军

中国华中科技大学能源与动力工程学院煤炭燃烧国家重点实验室，武汉430074

摘要

燃煤锅炉继续面临着提高效率、减少排放和保持安全运行的多重挑战。本研究提出了一个综合的多目标优化框架，该框架结合了实时检测、准确且可解释的预测建模以及经济导向的优化方法。部署了一个在线检测系统来收集关键运行参数，包括煤的特性、飞灰中的碳含量和一氧化碳（CO）浓度。构建了支持向量回归（SVR）模型来预测锅炉效率、氮氧化物（NOx）和硫化氢（H₂S）的浓度。使用SHAP（SHapley Additive exPlanations）方法来提高模型的可解释性并识别有效的优化变量。进一步提出了一种新的以效益为导向的评估指标，以经济量化优化结果并评估市场价格的影响。结果表明，H₂S和CO之间存在明显的线性相关性，这使得能够实时获取H₂S数据，并将其纳入优化框架。SVR模型在复杂的锅炉条件下保持了高预测准确性，效率的相对误差为0.077%，NOx的相对误差为0.59%。SHAP分析确定功率、挥发物和总过火空气流量分别是预测效率、NOx和H₂S的最具影响力的特征。直接优化效益函数与先进行多目标优化再评估效益的方法相比，实现了显著更高的整体经济效益。在高煤价条件下，即使效率有中等程度的提高也能带来可观的成本节约。这加强了采用先进燃烧优化和减排技术的经济合理性，为燃煤电厂的运行提供了重要指导。

引言

在当前能源结构转型和环境法规日益严格的背景下，作为电力系统稳定性的基本保障，燃煤发电单元同时面临着高效利用、清洁排放和安全运行等多重挑战[1]，[2]。锅炉通过其燃烧效率和排放特性在决定整个系统的性能中起着关键作用。传统上，增加氧气含量是提高锅炉热效率的常见方法，但这通常会导致NOx排放量显著增加[3]。另一方面，低NOx燃烧技术在减少NOx形成方面被证明是有效的，但它们也会加剧燃烧区的还原气氛，导致H₂S浓度升高。在复杂的炉膛条件下，高H₂S水平会严重腐蚀水冷壁，导致壁厚减薄、管子破裂，甚至机组停运，最终造成重大经济损失和安全风险[4]。这三个因素相互关联，单独优化一个目标往往无法平衡其他目标，可能会引入新的运行风险。因此，基于实时锅炉运行条件进行多目标优化对于有效协调效率提升、NOx减排和H₂S控制之间的权衡至关重要，对于实现更清洁、更安全和更高效的燃煤发电单元运行至关重要。

一般来说，锅炉燃烧系统的多目标优化遵循一个系统化的过程，包括数据采集和预处理、关键性能指标的预测建模、优化变量的选择以及多目标优化，以确定最佳运行策略[5]，[6]，[7]。高质量和全面的数据采集是这一过程的基础，因为关键参数的缺失或不准确测量会严重影响预测模型的可靠性和优化结果的有效性。煤的特性、飞灰中的碳含量以及炉膛出口处的一氧化碳（CO）浓度等参数对于计算热效率至关重要，而煤的特性也在NOx形成中起着关键作用[8]，[9]，[10]。此外，炉膛燃烧区内的一氧化碳（CO）和硫化氢（H₂S）的浓度是水冷壁腐蚀风险的重要指标。目前，许多电厂缺乏上述关键参数的可靠实时测量数据，这阻碍了实现高效、清洁和安全的锅炉运行的综合优化目标。虽然高质量的数据为有效优化奠定了基础，但优化变量的适当选择也非常重要[11]，[12]，因为它直接影响最终优化结果的质量和可靠性。在许多先前的研究[13]，[14]，[15]，[16]中，优化变量的选择主要依赖于经验知识——例如选择风门开度——而没有全面评估每个变量对模型预测的影响。因此，可能没有完全识别出最适合优化的变量，特别是对于这三个目标的协同优化。这可能导致冗余或无效的优化维度，并降低多目标优化结果的稳健性。因此，增强预测模型的依赖性分析以支持更合适的优化变量的识别和选择至关重要。近年来，SHapley Additive exPlanations（SHAP）分析为提高预测模型的可解释性提供了有力支持。Sharma Timilsina等人[17]应用SHAP方法量化了每个输入变量对废物高位发热值预测模型的贡献，从而为模型输出提供了可解释性。与传统特征重要性分析方法相比，SHAP不仅量化了每个特征对目标输出的正面或负面影响，还以一致的方式提供了局部和全局的可解释性[18]，[19]。这提高了变量选择过程的透明度和可靠性。然而，SHAP分析在锅炉燃烧建模领域中的应用较少。当与在线监测数据结合使用时，它可以提供对燃烧建模过程的更深入洞察。因此，在本研究中，采用SHAP方法来指导优化变量的选择。

研究人员从多个角度对锅炉燃烧进行了优化。Blackburn等人[20]通过将循环神经网络与元启发式优化器集成到现有的锅炉控制系统中，开发了一个先进的优化框架，在模拟中实现了0.953%的效率提升和每年991000美元的成本节约。Rahat等人[21]使用高斯过程模型来捕捉预测NOx和未燃煤含量的不确定性，并结合进化多目标优化算法构建了NOx和效率之间的概率权衡前沿，实现了锅炉燃烧效率和排放的系统性优化。Zheng等人[22]建立了一个燃烧优化规则库，并使用最小二乘支持向量回归（LSSVR）开发了一个锅炉燃烧模型。通过应用改进的多目标粒子群优化算法，他们获得了帕累托最优解集，使平均NOx排放量减少了29.63%，效率提高了0.69%。然而，大多数现有的燃烧优化研究都集中在单目标优化或效率与NOx排放之间的权衡上，而炉内H₂S形成的控制则被忽视了。在高温和缺氧条件下，高H₂S水平会导致水冷壁管的严重腐蚀和变薄[23]，可能导致管子破裂，对锅炉的安全运行构成重大威胁。因此，将H₂S浓度作为优化目标之一对于减轻水壁腐蚀的风险至关重要。

多目标优化通常通过多目标优化算法调整优化变量的值来获得一组帕累托最优解，从而为电厂操作员提供运行指导[6]。Wu等人[24]使用长短期记忆（LSTM）和一维记忆技术开发了锅炉效率和NOx排放的动态预测模型，并应用了邻近策略优化算法，使锅炉效率提高了0–0.61%，NOx排放量减少了0–65 mg/m³。Xu等人[25]为变负荷条件下的锅炉构建了一个动态燃烧模型，并应用了在线优化策略，使锅炉效率提高了0.21%，NOx排放量减少了32.13 mg/m³，壁温波动的布林带宽度从32.685减小到10.249。然而，大多数研究仅提供帕累托解集，缺乏统一的定量评估标准来帮助从多个解决方案中选择最佳运行方案。在实际应用中，决策往往依赖于操作员的经验，从而增加了不确定性。鉴于运行成本和整体效益是单元性能的关键指标，构建一个将多目标优化结果与成本或效益变化映射起来的综合评估指标对于选择和实施最佳运行策略具有重要的实际意义。

基于对现有研究差距的分析，本研究提出了一种新的以效益为导向的多目标优化框架，用于锅炉效率、NOx排放和H₂S浓度。所提出的框架系统地将实时数据采集、预测建模、变量选择和多目标优化结合成一个连贯的工作流程。一个关键创新是将H₂S作为安全目标与效率和排放一起系统地纳入其中，将这些相互冲突的目标转化为统一的经济指标，以便于实际决策。此外，首次在现场部署了在线监测系统来捕获关键运行参数。值得注意的是，CO和H₂S之间的验证线性相关性使得能够实时估计H₂S浓度，克服了直接测量H₂S的挑战。在数据预处理和分析之后，建立了准确的效率、NOx和H₂S预测模型。为了提高模型的可解释性并指导优化变量的选择，应用了SHAP分析，从而系统地识别并对具有重要影响的变量进行优先排序以进行优化。然后使用多目标优化算法生成了帕累托最优解集。为了便于决策，引入了一个以效益为导向的全面评估指标，将效率、NOx和H₂S的变化转化为相应的成本影响，从而量化了整体优化结果。此外，该框架明确考虑了价格波动对总效益的影响，增强了优化过程的经济合理性，并为电厂操作员提供了安全、高效和环保运行的可操作性指导。这种综合方法不仅解决了效率、排放和安全性之间的联合权衡问题，还提高了现有方法的可解释性和实用性，为燃煤电厂的智能燃烧优化提供了一种可转移的方法论模板。

锅炉和在线检测系统的基本信息

现场锅炉是一个330兆瓦的亚临界一次通过式控制循环蒸汽鼓锅炉，采用四角切向燃烧模式。为了获取关键运行参数，锅炉配备了在线检测系统，用于测量煤的特性、CO浓度和飞灰中的碳含量。这些系统提供了实时运行数据，如图1所示。在线监测的工作原理和准确性验证的详细描述

运行参数对关键燃烧产物的影响

在我们之前的研究[26]中，分析了NOx排放、煤的特性和空气分布之间的关系。结果表明，煤的特性和炉膛氧气浓度对NOx的形成有显著影响。具体来说，随着挥发物的增加，NOx排放量减少，而主燃烧区较高的过剩空气系数和较高的二次空气比例会导致NOx排放量增加。为了更好地支持开发

结论

燃煤锅炉面临多重挑战，包括高效利用、清洁排放和安全运行。多目标燃烧优化为解决这些问题提供了一种有效的方法。在本研究中，基于关键参数的在线监测系统开发了准确的效率、NOx和H₂S预测模型。使用SHAP方法识别了优化变量，并提出了一种新的综合评估指标。

CRediT作者贡献声明

王聪：撰写——原始草稿、方法论、数据管理。杨一清：验证、正式分析。林 Bowen：数据管理。马家琪：正式分析。徐军：撰写——审阅与编辑、资金获取、概念化。徐凯：验证、资源管理。江龙：软件、调查。苏胜：撰写——审阅与编辑、验证。胡松：资源管理、项目行政。向军：监督、资金获取。

利益冲突声明

作者声明他们没有已知的竞争财务利益或个人关系可能会影响本文报告的工作。

致谢

本工作得到了国家重点研发计划[资助编号 2022YFB4100801]和国家自然科学基金[资助编号 52176110]的支持。