楊祥良, 安連鎖, 孫鑫強, 孫保民, 沈國清

(華北電力大學電站設(shè)備狀態(tài)監(jiān)測與控制教育部重點實驗室,北京102206)

對流受熱面積灰是燃煤電站鍋爐經(jīng)常遇到的問題,吹灰是確?；鹆Πl(fā)電廠安全、經(jīng)濟及平穩(wěn)運行的一個重要環(huán)節(jié).以往的吹灰模式大多根據(jù)設(shè)計煤種和負荷工況進行定期吹灰.然而,我國煤種品位高低不等,變化范圍大,而且電站鍋爐供煤和配煤系統(tǒng)仍存在許多不完善之處,燃用煤質(zhì)多變,有時偏離設(shè)計值較大,這使定期吹灰難以滿足當今電站鍋爐的吹灰需要.而影響受熱面積灰的因素十分復雜,利用物理模型進行仿真處理比較困難,難以涵蓋足夠的影響因素[1-2].吹灰不足會導致?lián)Q熱效率低,進而影響鍋爐的效率;頻繁吹灰不僅會消耗大量能量,而且會因磨蝕和熱應力對鍋爐受熱面造成損壞,縮短受熱面的壽命,同時也增加了吹灰裝置的維修費用[3].在以往的灰污監(jiān)測系統(tǒng)中,通常選擇的監(jiān)測參數(shù)是灰污系數(shù)和熱有效系數(shù),但無論灰污系數(shù)還是熱有效系數(shù),在其推導過程中不僅需要工質(zhì)側(cè)的參數(shù),而且也需要煙氣側(cè)的參數(shù),而煙氣側(cè)的有些參數(shù)很難直接測出(如煙氣流速),有些參數(shù)測定需要很苛刻的測量工具.因此,采用灰污系數(shù)或熱有效系數(shù)作為監(jiān)測手段,在實際應用中不可避免地受到較大限制.筆者根據(jù)電廠實際的運行情況,采用人工神經(jīng)網(wǎng)絡(luò)(ANN)技術(shù)構(gòu)建了一個非線性模型,對受熱面積灰情況進行實時預測.

1 采用神經(jīng)網(wǎng)絡(luò)技術(shù)監(jiān)測對流受熱面積灰的原理

當受熱面受到灰污以后,其傳熱效能變差,主要反映在鍋爐對流受熱面換熱量的減少上,因而提取灰污特征參數(shù)作為監(jiān)測依據(jù).

清潔受熱面的吸熱量即為被監(jiān)測受熱面在實際運行工況下被清潔時的吸熱量.因此,可將灰污特征參數(shù)定義為[4-5]：

式中：Qfouling為受熱面的實際吸熱量;Qclean為清潔受熱面的吸熱量.

當對流受熱面清潔時,T為最小值,即趨于零;當污垢很厚時,管壁溫度接近于煙氣溫度,受熱面吸熱量趨于零,T達到最大,即趨于1.從上面的分析可知,T能很好地反映灰污狀況.

對于被監(jiān)測的受熱面,受熱面的實際吸熱量Q fouling可通過測得進出口工質(zhì)的溫度、壓力和流量計算得到,其公式為：

式中：D為受熱面對應的工質(zhì)流量;h2為工質(zhì)出口焓;h1為工質(zhì)進口焓.

進出口工質(zhì)溫度、壓力和流量可通過電廠現(xiàn)有的數(shù)據(jù)采集系統(tǒng)(DAS)非常準確地得到,從而可以準確地計算出各受熱面的實際吸熱量,但是各受熱面在清潔狀況下的潛在吸熱量是受到許多因素影響的變量,呈現(xiàn)出很強的非線性特點,但可通過建立神經(jīng)網(wǎng)絡(luò)模型解決.

2 神經(jīng)網(wǎng)絡(luò)原理

人工神經(jīng)網(wǎng)絡(luò)通過訓練獲得輸入量與輸出量之間的關(guān)系.人工神經(jīng)網(wǎng)絡(luò)包含一個個互相連接的神經(jīng)元,神經(jīng)元之間通過線性或者非線性的傳遞函數(shù)相連接[6].這種結(jié)構(gòu)使人工神經(jīng)網(wǎng)絡(luò)能夠應用于一個非線性系統(tǒng).本文建立模型使用的BP網(wǎng)絡(luò)這一名稱來源于它的學習算法：誤差反向傳播(Error Back Propagation)學習算法,簡稱BP算法,BP網(wǎng)絡(luò)是采用BP學習算法的網(wǎng)絡(luò).經(jīng)典BP網(wǎng)絡(luò)是全連接的前向網(wǎng)絡(luò),可分成3個部分：輸入層、隱含層和輸出層.輸入層接受外界的信息;隱含層是特征表征層,用于儲存學習對象的特征信息;輸出層將網(wǎng)絡(luò)計算結(jié)果輸出[7].

對于輸入信息,要先向前傳播到隱含層的結(jié)點上,經(jīng)過各單元的特性為Sigmoid型的激活函數(shù)(又稱作用函數(shù)、轉(zhuǎn)換函數(shù)或映射函數(shù)等)運算后,將隱含結(jié)點的輸出信息傳到輸出結(jié)點,最后給出輸出結(jié)果.網(wǎng)絡(luò)的學習過程由正向和反向傳播2部分組成.在正向傳播過程中,每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元網(wǎng)絡(luò).如果輸出層不能得到期望輸出,即實際輸出值與期望值之間存在誤差,那么輸出層轉(zhuǎn)入反向傳播過程,將誤差信號沿原來的連接通路返回,通過修改各層神經(jīng)元的權(quán)值,逐次地向輸入層傳播并進行計算,再經(jīng)過正向傳播過程,通過這2個過程的反復運用,使誤差信號達到最小.人工神經(jīng)網(wǎng)絡(luò)如圖1所示[8].

圖1 人工神經(jīng)網(wǎng)絡(luò)示意圖Fig.1 Sketch of artificialneural network

3 仿真試驗

3.1 鍋爐系統(tǒng)簡介

本文選用美國燃燒工程公司(CE)的引進技術(shù)設(shè)計和制造的300MW鍋爐為研究對象,鍋爐為亞臨界參數(shù)、一次中間再熱、控制循環(huán)汽包爐,采用平衡通風、直流式燃燒器和四角切圓燃燒方式.設(shè)計燃料為神府東勝煙煤.鍋爐以最大連續(xù)負荷(BMCR工況)為設(shè)計參數(shù),在機組電負荷為335.7 MW時,鍋爐的最大連續(xù)蒸發(fā)量為1 025 t/h;當機組電負荷為318.2 MW(額定工況)時,鍋爐的額定蒸發(fā)量為960 t/h,電廠鍋爐示意圖,見圖2.

圖2 電廠鍋爐示意圖Fig.2 Sketch of the boiler

3.2 試驗數(shù)據(jù)的采集與處理

電廠的DAS系統(tǒng)不間斷地采集數(shù)據(jù)并存儲在數(shù)據(jù)庫中,由于傳感器故障、人為疏忽以及系統(tǒng)問題等原因,在采集到的大量數(shù)據(jù)中難免存在一些錯誤的數(shù)據(jù);另外,在突然升降負荷、啟停等非常規(guī)運行狀態(tài)下采集的數(shù)據(jù)都應從數(shù)據(jù)組中去掉,因為這些數(shù)據(jù)會迷惑人工神經(jīng)網(wǎng)絡(luò).因此,在用這些數(shù)據(jù)訓練神經(jīng)網(wǎng)絡(luò)之前,應進行數(shù)據(jù)的預處理.為便于數(shù)據(jù)的處理,本文設(shè)計了SQL數(shù)據(jù)庫采集信息.由于預測數(shù)據(jù)的精度恒小于訓練數(shù)據(jù)的精度,因此必須嚴格地篩查錯誤數(shù)據(jù),去偽存真.下面介紹數(shù)據(jù)處理的具體方法.

3.2.1 訓練數(shù)據(jù)的采集

為了通過神經(jīng)網(wǎng)絡(luò)得到受熱面清潔時的吸熱量,必須用受熱面清潔時的數(shù)據(jù)來訓練網(wǎng)絡(luò),以確定受熱面清潔時吸熱量與工況特征變量之間的關(guān)系.訓練樣本的個數(shù)不能過多,也不能過少.取對流受熱面吹灰器長吹工作后10 min的吸熱量為該受熱面的清潔吸熱量.SQL數(shù)據(jù)庫的表名設(shè)計示于表1.當吹灰器滿足上述條件時,將記錄1組數(shù)據(jù)存入數(shù)據(jù)庫當做訓練數(shù)據(jù)備用.

表1 采集用數(shù)據(jù)庫Tab.1 Detailof database for collecting

3.2.2 訓練數(shù)據(jù)的篩選

通過以上步驟采集到的數(shù)據(jù)必須經(jīng)過篩選才能進行訓練,數(shù)據(jù)的篩選是分階段進行的.在開始時,辨認錯誤數(shù)據(jù)的一般方法為：觀察那些和相鄰數(shù)據(jù)反差很大、又不符合事實趨勢的數(shù)據(jù),并將其剔除;另外,需特別注意數(shù)據(jù)走勢和密切相關(guān)的幾個參數(shù)之間的關(guān)系,如增加燃料量時,鍋爐的負荷必然會上升.

3.2.3 選擇合適的數(shù)據(jù)

通過選擇足夠多的數(shù)據(jù)訓練人工神經(jīng)網(wǎng)絡(luò)是十分重要的.這里的足夠大是指盡可能多地取得不同負荷下的原始數(shù)據(jù),以保持足夠?qū)挼呢摵芍涤?這樣才能在實際運行中得到比較滿意的精度,如圖3中末級過熱器的樣本點與主蒸汽流量關(guān)系曲線中的樣本點選取在這一區(qū)域,可看出末級過熱器的工質(zhì)流量較為平緩,連續(xù)性強,因此是訓練數(shù)據(jù)的理想選擇.

圖3 選擇訓練數(shù)據(jù)Fig.3 Selection of training data

3.3 神經(jīng)網(wǎng)絡(luò)模型的建立

3.3.1 輸入量的選取

影響鍋爐受熱面積灰結(jié)渣的運行因素很多,基本上可歸結(jié)為2個原因：機組運行工況的影響和該受熱面自身所處的狀況.結(jié)合這兩點,影響因素可進一步歸結(jié)為煤質(zhì)、爐膛結(jié)構(gòu)、燃燒方式和進風狀況等.由于爐膛結(jié)構(gòu)和燃燒方式在鍋爐設(shè)計之初便已確定,均屬于不可人為控制的因素,對輸出的影響是不變的,因此可不作為輸入層的因素.煤質(zhì)是一個模糊量,沒有一個定量的衡量,不好量化,但可用整個機組的燃煤量和進風量進行衡量.同時,這2個量還可定性地描述出整個機組所處的運行工況.為了更加準確地反映鍋爐的運行工況,筆者還增加了另外3個輸入?yún)?shù)：工質(zhì)流量、工質(zhì)入口溫度和工質(zhì)壓力.工質(zhì)流量包含了一級減溫水或者二級減溫水的信息.此外,燃燒器的投運方式也會對換熱情況有直接的影響,應予以考慮.神經(jīng)網(wǎng)絡(luò)的輸入與輸出參數(shù)示于圖4.

3.3.2 ANN的結(jié)構(gòu)與訓練

圖4 人工神經(jīng)網(wǎng)絡(luò)的輸入與輸出參數(shù)Fig.4 Inpu t and output parameters for artificialneural netw ork

人工神經(jīng)網(wǎng)絡(luò)的訓練是在Matlab軟件中完成的,本文采用改進的BP網(wǎng)絡(luò),并運用了經(jīng)典的3層網(wǎng)絡(luò)模型.根據(jù)多次調(diào)試,同時考慮到運行參數(shù)之間的復雜關(guān)系,將隱含層定為18個神經(jīng)元比較合理.經(jīng)神經(jīng)網(wǎng)絡(luò)的泛化預測試驗,泛化精度良好.采集到的所有數(shù)據(jù)首先被隨機排列順序,然后被分為3組：前70%的數(shù)據(jù)用于網(wǎng)絡(luò)的訓練,后30%的數(shù)據(jù)用于驗證其準確性.

3.3.3 ANN的驗證

為了了解訓練好的 ANN的準確性,將以上30%未用于訓練的數(shù)據(jù)進行驗證.通過比較計算所得的吸熱量和實際測得的吸熱量,就可對ANN的準確性進行評價.圖5為低溫過熱器附近預測的吸熱量與實際測得的吸熱量情況.通過計算可以發(fā)現(xiàn)：實測吸熱量和預測吸熱量的最大誤差不超過10%,平均誤差為3%左右,這在工程實際中的效果相當理想.

圖5 低溫過熱器附近的實測吸熱量與預測吸熱量Fig.5 The actual and the p redicted heat absorption near low temperatu re superheater

表2為所有對流受熱面中預測的吸熱量和實際測得的吸熱量間的誤差.

表2 誤差分析Tab.2 Error analysis %

4 結(jié) 論

由于鍋爐系統(tǒng)的復雜性,要建立精確的物理模型是困難的.當電廠的負荷變化時,物理模型的精確性會降低,并產(chǎn)生較大偏差.相比之下,ANN模型處理真實數(shù)據(jù)不僅輸入量少,而且能達到與物理模型相當?shù)木?甚至比它更高.因此,當負荷變化的時候,采用這樣的模型能保證較高的精確度.由于ANN模型的響應速度較快,因此可以在線應用,這證明：ANN完全可以應用于燃煤鍋爐受熱面積灰的實時監(jiān)測.通過分析與研究,采用來自實際電廠和ANN未知的數(shù)據(jù)組進行了自身驗證.驗證結(jié)果證明ANN應用于鍋爐受熱面積灰的實時監(jiān)測具有足夠的精度.

[1] BHAM BARE K S,SUSHANTA K M,GA ITONDE U N.M odeling ofa coal-fired natural circulation boiler[J].J.Energy Resour.Technol.,2007,129(2)：159-168.

[2] LU S.Dynam ic modeling and simulation of power plant system s[J].Proc.Inst.Mech.Eng.：Part A,1999,213(1)：7-22.

[3] 蘭澤全,曹欣玉,周俊虎,等.鍋爐受熱面沾污結(jié)渣的危害及其防治措施[J].電站系統(tǒng)工程,2001,19(1)：21-23.

[4] 朱予東,閻維平,高正陽,等.600MW機組鍋爐對流受熱面污染狀況實驗與吹灰優(yōu)化[J].動力工程,2005,25(2)：196-200.

[5] AFGAN N H,CAVALHO M G,COELHO P.Concepto f expert system for boiler fouling assessment[J].App lied Thermal Engineering,1996,16(10)：835-844.

[6] 胡守仁,沈清,胡德文,等.神經(jīng)網(wǎng)絡(luò)應用技術(shù)[M].北京：國防科技大學出版社,1993：105-197.

[7] HAYKIN S.Neural netw orks,a comprehensive foundation[M].2nd ed.New Jersey：Prentice H all Inc.,1999.

[8] 黃德雙.神經(jīng)網(wǎng)絡(luò)模式識別系統(tǒng)理論[M].北京：電子工業(yè)出版社,1996：37-105.