Efficiency and nox emission optimization by genetic algorithm of a coal-fired steam generator modeled with artificial neural networks

Abstract

This work is part of the development of a decision support model for the operation of a real steam generator. The study proposes a combined optimization that aims to find operating points that achieve the highest efficiency of the steam generator associated with lower NOx emissions, applying genetic algorithm to the output of artificial neural network (ANN) models. The database consists of 10 operating parameters collected over a year and a half with a half-hour step and treated statistically. The behavior of the steam generator is modeled by multilayer Perceptron artificial neural networks with separate outputs for efficiency and NOx emission. The evaluation metrics applied to the ANNs were mean absolute error (MAE), mean square error (MSE), mean percentage error (MAPE) and coefficient of determination (R2). The ANN for predicting efficiency behavior presents test MSE and MAE of 0.7572 and 0.6206, respectively, and RNA for NOx has test MSE and MAE of 312.43 and 12.36. The optimization targets 98% efficiency of the steam generator and 220.00 mg/mN³ of NOx emissions, and approaches these goals with 97.95% efficiency and 222.28 mg/mN³ of NOx emissions.

Este trabalho faz parte do desenvolvimento de um modelo de apoio à decisão para a operação de um gerador de vapor real. O estudo propõe uma otimização combinada que visa encontrar pontos de operação que atinjam a maior eficiência do gerador de vapor associada à menor emissão de NOx, aplicando algoritmo genético na saída de modelos de redes neurais artificiais (RNA). A base de dados é formada por 10 parâmetros de operação coletados durante um ano e meio com passo de meia hora e tratados estatisticamente. O comportamento do gerador de vapor é modelado por redes neurais artificiais Perceptron de várias camadas, com saídas separadas para eficiência e emissão de NOx. As métricas de avaliação empregadas nas RNAs foram o erro médio absoluto (MAE), erro quadrático médio (MSE), erro médio percentual (MAPE) e coeficiente de determinação (R2). A RNA para predizer o comportamento da eficiência apresenta MSE e MAE do seu teste de 0,7572 e 0,6206, respectivamente e a RNA para NOx apresenta MSE e MAE do seu teste de 312,43 e 12,36. A otimização tem como alvo atingir 98% de eficiência do gerador de vapor e 220,00 mg/mN³ de emissões de NOx, e se aproxima dessas metas com 97,95% de eficiência e 222,28 mg/mN³ de emissões de NOx.