張鵬宇

摘 要：火電廠機(jī)組容量的不斷提高，對(duì)鍋爐燃燒系統(tǒng)的控制與運(yùn)行優(yōu)化就有著更加高的要求，風(fēng)煙系統(tǒng)過(guò)剩氧量的測(cè)量與控制直接關(guān)系到對(duì)鍋爐燃燒系統(tǒng)的優(yōu)化水平。

關(guān)鍵詞：鍋爐；風(fēng)煙系統(tǒng)；過(guò)剩氧量；軟測(cè)量技術(shù)；神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：TK229.6 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1006-8937（2015）26-0074-01

本文介紹了過(guò)剩氧量建模的現(xiàn)狀與發(fā)展，通過(guò)對(duì)鍋爐運(yùn)行過(guò)程的機(jī)理分析，分析了影響鍋爐風(fēng)煙系統(tǒng)過(guò)剩氧量的因素。

基于軟測(cè)量建模方法，采用神經(jīng)網(wǎng)絡(luò)模型對(duì)風(fēng)煙系統(tǒng)過(guò)剩氧量進(jìn)行建模。文中以鍋爐不同穩(wěn)態(tài)工況和變負(fù)荷過(guò)渡工況采集的歷史運(yùn)行數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，使用BP神經(jīng)網(wǎng)絡(luò)模型對(duì)氧量進(jìn)行建模，取得了良好的效果。

該文建立的模型可用于送風(fēng)系統(tǒng)的優(yōu)化控制，具有一定的工程實(shí)用意義。

1 背景及研究?jī)?nèi)容

火力發(fā)電廠是工業(yè)中耗煤量較大的用戶之一，每年耗煤總量占國(guó)家原煤產(chǎn)量的五分之一以上。因此，提高鍋爐效率、降低煤耗、節(jié)約能源是電力系統(tǒng)的一項(xiàng)重要任務(wù)。為了使鍋爐保持最佳燃燒工況，必須使空氣量與燃料量的比例合適，這個(gè)比例稱為過(guò)?？諝庀禂?shù)。

由于目前直接測(cè)量和控制過(guò)?？諝庀禂?shù)還很困難，所以只能采用間接的測(cè)量方法。

通常用連續(xù)測(cè)量煙氣中氧氣含量的方法來(lái)了解過(guò)?？諝庀禂?shù)，以判斷燃燒狀況，控制進(jìn)入爐膛的空氣量，從而維持最佳的風(fēng)煤比，達(dá)到優(yōu)化燃燒的目的。

2 BP神經(jīng)網(wǎng)絡(luò)建模原理

BP神經(jīng)網(wǎng)絡(luò)，即誤差反傳誤差反向傳播算法的學(xué)習(xí)過(guò)程，由信息的正向傳播和誤差的反向傳播兩個(gè)過(guò)程組成。輸入層各神經(jīng)元負(fù)責(zé)接收來(lái)自外界的輸入信息，并傳遞給中間層各神經(jīng)元；中間層是內(nèi)部信息處理層，負(fù)責(zé)信息變換，最后一個(gè)隱層傳遞到輸出層各神經(jīng)元的信息，經(jīng)進(jìn)一步處理后，完成一次學(xué)習(xí)的正向傳播處理過(guò)程，由輸出層向外界輸出信息處理結(jié)果。

當(dāng)實(shí)際輸出與期望輸出不符時(shí)，進(jìn)入誤差的反向傳播階段。誤差通過(guò)輸出層，按誤差梯度下降的方式修正各層權(quán)值，向隱層、輸入層逐層反傳。

周而復(fù)始的信息正向傳播和誤差反向傳播過(guò)程，是各層權(quán)值不斷調(diào)整的過(guò)程，此過(guò)程一直進(jìn)行到網(wǎng)絡(luò)輸出的誤差減少到可以接受的程度，或者達(dá)到預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止。

3 氧量特性的神經(jīng)網(wǎng)絡(luò)建模與結(jié)果比較

3.1 神經(jīng)網(wǎng)絡(luò)模型輸入輸出參數(shù)的選擇

本文對(duì)過(guò)剩氧量的建模使用的是神經(jīng)網(wǎng)絡(luò)模型，根據(jù)對(duì)鍋爐機(jī)組影響過(guò)剩氧量因素的分析，擬使用7輸入，1輸出的神經(jīng)網(wǎng)絡(luò)模型來(lái)對(duì)過(guò)剩氧量進(jìn)行建模，其中7個(gè)輸入分別是負(fù)荷、給煤量、總風(fēng)量、燃燒器擺角、主汽壓力、過(guò)熱器末級(jí)汽溫、主汽流量，一個(gè)輸出是省煤器出口煙氣氧量。

3.2 神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練和驗(yàn)證數(shù)據(jù)

本文分別采用了獨(dú)立的工況數(shù)據(jù)來(lái)訓(xùn)練和驗(yàn)證神經(jīng)網(wǎng)絡(luò)模型。用于訓(xùn)練模型的工況數(shù)據(jù)是一個(gè)從300 MW降負(fù)荷到210 MW，再?gòu)?10 MW升到300 MW的變負(fù)荷工況數(shù)據(jù)，并且在300 MW、270 MW、240 MW和210 MW都有一定數(shù)量的穩(wěn)態(tài)數(shù)據(jù)點(diǎn)。

用于驗(yàn)證模型的工況數(shù)據(jù)是另外一組從300 MW降負(fù)荷到210 MW，再?gòu)?10 MW升負(fù)荷到300 MW的變負(fù)荷工況數(shù)據(jù)，同時(shí)也在300 MW、270 MW、240 MW和210 MW都有一定數(shù)量的穩(wěn)態(tài)數(shù)據(jù)點(diǎn)。

3.3 過(guò)剩氧量BP模型的建立與驗(yàn)證

在BP訓(xùn)練過(guò)程中，取了三個(gè)較為典型的隱層數(shù)作為比較，分別為：5、13個(gè)隱層。

①采用5隱層的BP函數(shù)進(jìn)行訓(xùn)練：

BP模型的建立與訓(xùn)練有7個(gè)輸入，1個(gè)輸出，采用5個(gè)隱層：

net=newff（an，bn，5，{'tansig' 'purelin'}，'trainbfg'）

通過(guò)訓(xùn)練以及使用另一組穩(wěn)態(tài)數(shù)據(jù)對(duì)其進(jìn)行驗(yàn)證，發(fā)現(xiàn)，在負(fù)荷最低處，即曲線的最頂端，出現(xiàn)的誤差還是比較大的。

在檢驗(yàn)數(shù)據(jù)的實(shí)際輸出與模型輸出的誤差曲線中，最大誤差達(dá)到接近0.05，因此反映出5隱層BP訓(xùn)練出的模型還是不能完整精確地反映目標(biāo)的特性。

因此選擇增加隱層數(shù)量，經(jīng)過(guò)不斷試驗(yàn)，發(fā)現(xiàn)當(dāng)隱層數(shù)在13個(gè)時(shí)，模型反映出的特性較為接近訓(xùn)練與檢驗(yàn)數(shù)據(jù)。

②采用13隱層的BP函數(shù)進(jìn)行訓(xùn)練：

BP模型的建立與訓(xùn)練有7個(gè)輸入，1個(gè)輸出，采用13個(gè)隱層：

net=newff（an，bn，13，{'tansig' 'purelin'}，'trainbfg'）

先利用一組300 MW的穩(wěn)態(tài)數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練，完成后保存模型，訓(xùn)練效果如下：

模型輸出與實(shí)際輸出的曲線對(duì)比，如圖1（下轉(zhuǎn)76頁(yè)）（上接74頁(yè)）所示。從曲線重合程度來(lái)看模型訓(xùn)練程度與5個(gè)隱層時(shí)的類似。

模型輸出與實(shí)際輸出的誤差曲線，如圖2所示。從圖中可以看出，誤差最大不超過(guò)0.015，說(shuō)明訓(xùn)練模型更接近實(shí)際，誤差已經(jīng)沒(méi)有5個(gè)隱層時(shí)那么大。

模型訓(xùn)練保存后，采用另一組300 MW的穩(wěn)態(tài)數(shù)據(jù)對(duì)模型進(jìn)行檢驗(yàn)。結(jié)果如下：

另一組穩(wěn)態(tài)數(shù)據(jù)的實(shí)際輸出與模型利用其輸入所計(jì)算出的模擬輸出的曲線在各個(gè)負(fù)荷階段的擬合程度都非常好。

檢驗(yàn)數(shù)據(jù)的實(shí)際輸出與模型輸出的誤差曲線，如圖3所示。從圖中可以看出，最大誤差只有不到0.03，達(dá)到誤差超過(guò)0.02的點(diǎn)也不是很多，絕大部分負(fù)荷區(qū)域的誤差都能在0.01左右，因此能肯定，13個(gè)隱含層的BP網(wǎng)絡(luò)訓(xùn)練出的模型能夠很好地反映實(shí)際數(shù)據(jù)的情況。

4 結(jié) 語(yǔ)

本文對(duì)鍋爐風(fēng)煙系統(tǒng)過(guò)剩氧量特性建模的方法進(jìn)行了闡述，并針對(duì)氧量特性建立模型來(lái)進(jìn)行模擬。綜上所述，BP神經(jīng)網(wǎng)絡(luò)的隱含層n的選取還是采用了經(jīng)驗(yàn)公式n=2x-1（x為訓(xùn)練模型的輸入?yún)?shù)個(gè)數(shù)）得出的13層更加能確切地反映出數(shù)據(jù)的實(shí)際情況，在利用外部數(shù)據(jù)檢驗(yàn)?zāi)Ｐ椭幸脖憩F(xiàn)出了強(qiáng)大的適應(yīng)性，因此對(duì)BP模型而言，13個(gè)隱層是最理想的。

參考文獻(xiàn)：

[1] 張路路.基于數(shù)據(jù)融合的氧量軟測(cè)量[D].北京：華北電力大學(xué)，2005.

[2] 劉闖.基于人工智能方法的煙氣含氧量軟測(cè)量及優(yōu)化配煤研究[D].杭州：浙江大學(xué)，2007.

[3] 趙征.基于信息融合的鍋爐燃燒狀態(tài)參數(shù)檢測(cè)技術(shù)研究[D].北京：華北電力大學(xué)，2007.