基于数值模拟的机器学习与粒子群优化方法在热电厂中用于优化燃烧器燃料分布，以实现更清洁的燃烧过程

《Engineering Applications of Artificial Intelligence》：Numerical simulation-driven machine learning and particle swarm optimization of burner fuel distribution for cleaner combustion in a thermal power plant

本研究综合应用CFD模拟、XGBoost模型和PSO算法，优化大型电厂锅炉煤分布，显著降低NOx排放（30%），验证了实际应用价值及多学科协同优势。

　　

亚历山达尔·米利切维奇（Aleksandar Mili?evi?）| 斯尔贾恩·贝洛谢维奇（Sr?an Belo?evi?）| 伊万·托马诺维奇（Ivan Tomanovi?）| 内纳德·克罗诺马尔科维奇（Nenad Crnomarkovi?）| 邓蕾（Lei Deng）| 何德富（Defu Che）

塞尔维亚贝尔格莱德大学“VIN?A”核科学研究所热能与能源系，地址：Mike Petrovi?a Alasa 12-14, 11351 Vin?a, PO Box 522, 11001, 贝尔格莱德，塞尔维亚

摘要

燃煤发电厂在许多国家仍然是重要的能源来源，但它们会释放大量的氮氧化物（NO_x），对环境和健康造成严重影响。本研究重点关注通过调整燃烧器各层的燃料分布来优化褐煤的燃烧过程，以减少NO_x的排放。所提出的方法结合了自主研发的数值代码、相关性分析、极端梯度提升（XGBoost）模型和粒子群优化（PSO）算法。通过生成计算流体动力学（CFD）模拟数据库，开发了用于预测NO_x排放和炉膛出口气体温度（FEGT）的机器学习（ML）模型。基于这些ML模型，应用PSO算法在保持FEGT接近参考值的同时最小化NO_x排放。该框架已在实际规模的锅炉上得到应用，证明了其实用性和可测量的环境影响。其多学科意义在于将CFD、人工智能和PSO相结合，用于大规模能源系统的燃烧控制。数值模拟验证了基于PSO的优化方法的准确性，预测值与实际测量值之间的吻合度很高。与参考方案相比，优化后的NO_x排放量减少了30%。结果还显示了炉壁局部过热和结渣的风险，以及火焰上升可能存在的问题，这突显了调整运行条件和火焰控制以确保锅炉稳定运行的重要性。所提出的综合方法为通过智能优化燃烧参数来提升热电厂的环境性能提供了新的有效途径。

引言

尽管各国都在努力实现能源部门的脱碳，但由于燃煤发电厂具有经济性和可靠性，它们在许多发展中国家仍发挥着重要作用，支撑着工业化和经济增长（“世界能源展望，2023”）。虽然先进经济体的煤炭消费量正在下降，但由于替代技术获取有限和能源安全问题，发展中国家的转型进程较为缓慢（Minas等人，2024年）。这些因素使得煤炭成为能源结构中的重要组成部分，因此需要制定平衡经济、技术和社会因素的策略，以实现向低碳未来的过渡（Li和Khan，2024年）。

氮氧化物（NO_x）的排放是与煤炭燃烧相关的主要环境问题之一，因为它们会导致空气污染、酸雨和负面健康影响（Yasir等人，2025年）。尽管已有诸多努力，但从燃煤发电厂控制和减少这些污染物仍然是一项具有挑战性的任务，需要开发先进的策略（Milicevic等人，2024年）。

为了解决这一挑战，计算流体动力学（CFD）为锅炉内的复杂物理现象提供了详细的洞察（Rossiello等人，2022年；Tang等人，2025年；Tomanovi?等人，2019年；Wang等人，2020年）。CFD使工程师能够确定能够有效减少NO_x排放的最佳运行条件（Belosevic等人，2016年；Wei等人，2024年）。然而，由于CFD模拟的计算成本高且复杂，最近的研究越来越多地关注将机器学习（ML）模型与CFD数据相结合（Shu等人，2025年）。这种CFD-ML混合框架结合了物理真实性和快速的预测能力（Sousa等人，2024年）。许多研究探讨了减少燃煤锅炉NO_x排放的策略。例如，Yan等人开发了一个基于ML的模型，用于350兆瓦循环流化床锅炉，通过特征工程技术和超参数优化提高了NO_x预测的准确性（Yan等人，2025年）。在Zha等人的研究中，研究人员分析了采用深空气分级燃烧技术的600兆瓦切向燃烧燃煤锅炉的热传递和NO_x生成情况。另一项研究使用了一个全面的CFD模型，研究了630兆瓦切向燃烧锅炉在低负荷条件下的燃烧器倾斜和布置对NO_x排放的影响（Chang等人，2020年）。先进的ML模型也被成功应用于燃煤锅炉的NO_x排放预测，其准确性优于传统的深度学习方法（Huang等人，2025年；Li等人，2025年）。文献表明，有大量研究致力于建模和减少燃煤锅炉的NO_x排放，这激发了对新兴研究趋势和优化方法的进一步分析。

为了系统地研究这一领域的演变和关键研究趋势，使用了VOSviewer软件工具（van Eck和Waltman，2010年）进行文献分析，并基于网络数据创建和可视化图表。分析旨在识别最具影响力的主题、作者和国家，以及研究重点随时间的变化。此前，数据集是根据Scopus数据库中2005年至2024年间发布的包含“煤炭”、“燃烧”、“氮氧化物”和“发电厂”等关键词的文档构建的。多年来，相关文献数量呈增长趋势。

对474个关键词（出现次数至少为5次的关键词）的共现分析产生了6个主题群，如图1所示。红色主题群出现频率最高，包含“氮氧化物”、“化石燃料发电厂”、“煤炭燃烧”和“燃煤锅炉”等术语，表明科学研究的重点仍然集中在基于煤炭的能源生产中的排放形成和控制上。

图2中的时间叠加图显示，近期出版物明显偏向于“CFD建模”、“学习系统”、“燃烧优化”、“深度学习”和“排放预测”等主题（以绿色/黄色显示）。虽然NO_x控制仍然是一个核心主题，但相对较少的研究关注结合CFD和ML的优化框架，这表明这一研究方向尚未得到充分探索。这些文献计量学发现支持了对基于CFD-ML的燃烧优化日益增长的兴趣，并促使人们更深入地研究这些混合方法。

顺应这一趋势，最近的研究探索了结合CFD、ML和优化算法的混合框架，用于燃烧和排放控制。Mubashir等人开发了一个基于ML的CFD优化框架，用于设计燃料分级燃烧器，其中在CFD数据上训练的支持向量回归（SVR）模型指导设计修改（Mubashir等人，2025年）。然而，他们的方法侧重于燃烧器的替代模型设计，而不是完全集成的CFD–ML–粒子群优化（PSO）框架，用于燃煤锅炉中的煤炭分布优化，而这正是本研究的重点。Jalalifar等人将CFD与ML和PSO结合用于反应器优化，但他们的工作没有涉及燃煤锅炉中的燃烧和排放控制，而后者需要考虑空间变化的煤炭和空气分布（Jalalifar等人，2020年）。类似地，Zhao等人展示了一个用于预测焦化过程中热传递的CFD和ML混合框架，但并未直接关注锅炉中的NO_x或燃烧。更近期的策略探索了基于替代模型的或数据驱动的CFD系统优化。Yang等人开发了一个基于深度学习的降阶模型（ROM），结合CFD使用遗传算法优化燃烧器运行条件（Yang等人，2024年）。这种方法依赖于替代ROM，而不是完全集成的CFD、ML和PSO框架来优化燃煤锅炉中的煤炭分布。Huang等人提出了一个具有多目标优化的智能深度学习模型用于锅炉燃烧，但它没有完全整合CFD模拟来控制煤炭分布和空间分辨的NO_x减排（Huang等人，2025年）。此外，尽管Xu等人提出了一个基于在线LSTM的多目标优化框架用于锅炉运行，但该方法依赖于数据驱动的预测，并未通过CFD集成来详细考虑燃烧物理过程（Xu等人，2024年）。因此，之前的研究主要依赖于替代模型或非锅炉环境下的优化，或者在没有集成高保真CFD模拟的情况下进行优化和ML模型训练。这凸显了一个明确的研究空白，因为尚未有完全集成的CFD–ML–PSO方法用于系统地优化燃煤锅炉中的煤炭分布，以在运行约束下最小化NO_x排放，而这正是本工作的核心创新点。

为了解决这一空白，本研究提出了一种完全集成的CFD–ML–PSO框架，用于优化切向燃烧燃煤锅炉炉膛中燃烧器各层的煤炭分布。在所提出的方法中，高保真CFD模拟直接嵌入到PSO驱动的优化循环中。ML模型被用来高效指导搜索过程，同时降低总体计算成本，而不牺牲物理真实性。与现有的替代模型辅助或数据驱动的优化策略不同，该框架明确地将基于CFD的流量、温度和空间分辨的NO_x形成预测与优化算法相结合。优化目标是在现实运行约束下最小化NO_x排放，包括炉膛出口气体温度（FEGT）和相对于验证参考运行条件的火焰几何形状和位置。本研究的主要创新在于系统地、符合物理规律地、面向应用地将CFD、ML和PSO集成，用于大规模锅炉炉膛中的煤炭分布优化。所提出的方法为提升热电厂的环境性能提供了一种可扩展的方法。

案例研究

案例研究的锅炉

本案例研究涉及塞尔维亚共和国“Kostolac”热电厂的一座塔式锅炉，该锅炉使用褐煤作为燃料。锅炉包含八个磨煤机和八个喷嘴燃烧器，每个燃烧器由四个垂直排列的层级组成——两个低层燃烧器（主燃烧器）和两个高层燃烧器（所谓的蒸汽燃烧器）。锅炉炉膛的基底面积为15.1 × 15.1米，总高度为43.0米（Mili?evi?等人，2021年）。

在不同燃烧器层级上分布褐煤时的燃烧数值模拟

为了分析煤炭分布对切向燃烧锅炉炉膛内燃烧特性的影响，进行了一系列数值模拟。共生成了200个不同的测试案例，以考察不同煤炭分布对燃烧性能的影响。系统地改变燃烧器各层之间的煤炭供应量，可以详细评估分布对燃烧行为的影响。

结论

本研究展示了结合基于CFD的模拟、XGBoost和PSO的混合方法在大型公用锅炉中优化褐煤燃烧的有效应用，主要目标是减少NO_x排放。主要发现和贡献可以总结如下：

•

系统的CFD模拟（200个案例）显示，NO_x排放和炉膛出口气体温度对燃烧器层级间煤炭分布非常敏感，NO_x浓度范围从197到412

CRediT作者贡献声明

亚历山达尔·米利切维奇（Aleksandar Mili?evi?）：撰写原始稿件、监督、软件开发、调查、形式分析。斯尔贾恩·贝洛谢维奇（Sr?an Belo?evi?）：撰写原始稿件、方法论设计、形式分析。伊万·托马诺维奇（Ivan Tomanovi?）：数据可视化、软件开发、数据整理。内纳德·克罗诺马尔科维奇（Nenad Crnomarkovi?）：调查、概念化。邓蕾（Lei Deng）：方法论设计、形式分析。何德富（Defu Che）：形式分析、概念化。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。

致谢

本研究得到了塞尔维亚共和国科学技术发展与创新部的资助（合同附件：451-03-33/2026-03/200017）。邓蕾和何德富感谢中国-中欧合作高等教育项目（Cultivation Project）（CEEC2021001）的财政支持。