2022年2022年锅炉生产过程的神经网络建模方法研究 .pdf

计算机工程应用技术本栏目责任编辑： 贾薇薇锅炉生产过程的神经网络建模方法研究郁云 ， 魏瑾（ 南京信息职业技术学院， 江苏 南京 21004 ）摘要 ： 针对锅炉效率计算中正平衡法和反平衡法都不能完全反映真实锅炉燃烧过程的实际情况， 该文提出基于神经网络的锅炉生产过程建模方法， 该方法不需要太多监测数据并且保证了建模的准确性。关键词 ： 锅炉效率 ； 神经网络； 建模中图分类号：TP183文献标识码：A文章编号：1009-3044(2008)34-1845-03Research on Neural Network Modeling for Boiler Production ProcessYU Yun, WEI Jin(Nanjing College of Information Technology, Nanjing 210046, China)Abstract:Based on the fact that Thermodynamics?method cannot reflect the true combustion process,aNeural Networksmodelingmethod is presentedin this paper,This method doesnot needtoo much data and canalsoensurethe accuracyKey words: boiler efficiency; neural network; modeling1引言电力是国民经济的命脉， 在我国政治、 经济和社会生活中， 电力系统发挥着十分重要的作用。在电力系统中， 火力发电又显得尤为关键 。 在火力发电过程中， 煤炭经过工业锅炉燃烧产生蒸汽， 蒸汽驱动气轮发电机来产生电能。因此工业锅炉是火力发电的、 关键生产设备之一1， 而锅炉效率是表征锅炉经济运行的主要综合技术指标， 在锅炉的性能考核时有相应的锅炉效率的计算模型， 但所需测量参数比较多， 在锅炉实际运行过程中， 受运行条件的限制， 几乎不可能测得进行锅炉效率计算的所有参数， 此外在实际生产过程中 ， 影响系统运行的因素繁多， 即使相同的设备、 相同的运行工况也会因为某一个操作参数发生变化而影响系统运行过程。 因而单纯从物质、 能量等角度建立准确的、 反映设备生产过程的机理性数学模型十分困难。从生产现场采集的数据中隐含了与过程运行状态相关的建模知识， 对此生产数据的准确建模， 可以建立起能反映生产过程运行状态的较为精确的数学模型， 在保证稳定性的同时 ， 提高整个系统运行的效率和系统的可维护性， 让生产由一般意义上的安全运行向经济运行飞跃。2锅炉生产过程的神经网络建模锅炉系统的主要性能参数是锅炉效率， 由于电厂锅炉的效率受设备、 工况 、 燃料等等多种因素影响， 并且它们之间存在着高度的复杂性和非线性性， 无论是正平衡法还是反平衡法都是经验的公式总结， 不能完全反映真实锅炉燃烧过程的实际情况， 因此在实际使用中有很大的局限性。神经网络作为一种智能建模方法， 能够充分逼近任意复杂的非线性关系， 非常适合描述具有黑箱性质和非线性强的对象。同时采用神经网络方法对锅炉效率进行建模预测的结果对锅炉效率的优化也可以起到一定的指导作用， 因此本文采用神经网络对锅炉效率进行建模研究。2.1建模思路在了解锅炉的生产过程， 特别是了解了锅炉效率的计算模型后， 可以很容易得确定影响锅炉效率的因素， 通常情况下， 对锅炉效率用神经网络进行建模时， 需要测定以下参数： 排烟温度、 排烟处的氧量、 飞灰含碳量、 应用基低位发热量、 应用基灰分、NOx排放等等 。将这些因素作为神经网络的输入， 而将锅炉效率作为神经网络的输出建立模型。模型结构如图1所示 。此模型比较简单， 需要测量的数据量不大， 计算比较方便。上述参数中， 排烟温度、 排烟处的氧量等可以从电厂DCS中获得实时数据， 而应用基低位发热量、 应用基灰分 等 一 类 和 煤 种煤质相关的数据可以从检验部分获得。 而飞灰含碳量、NOx排放浓度等数据通常是要靠计算出来的。这些靠计算得到的数据其计算又牵涉到很多复杂的影响参数， 并且参数之间的非线性程度也比较高 ， 往往也很难通过某一数学公式计算出来， 即 便 根 据 经 验总结出相应的计算公式， 在不同生产环境下计算出来的数据也不一定准确， 这时 ， 我们也可以通过神经网络的方法 建 立 飞 灰 含 碳量和其主要影响因素之间的模型以及NOx排放的质量浓度和其主要影响因素之间的模型， 对其进行建模、 预测和软测量。2.1.1锅炉生产过程中飞灰含碳量建模影响锅炉热效率较大的 几 个 因 素 主 要 是 排 烟 损 失 和 固 体 不完全燃烧损失， 对于煤粉燃烧锅炉， 固体不完全燃 烧 损 失 中 又 以收稿日期 ：2008-09-20作者简介 ： 郁云 （1981-），女， 江苏南京人， 助教 ， 硕士 ， 研究方向 ： 复杂系统数据建模。图1锅炉效率的神经网络建模结构图ISSN 1009-3044ComputerKnowledgeAnd Technology电脑知识与技术Vol.4,No.7,December 2008, pp.1845-1847E-mail: http:/Tel:+86-551-569096356909641845名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 1 页，共 3 页 - - - - - - - - - 本栏目责任编辑： 贾薇薇计算机工程应用技术ComputerKnowledgeAnd Technology电脑知识与技术2008年第4卷第7期 （ 总第34期）飞灰含碳量造成的不完全燃烧损失为主。排烟损失与锅炉运行参数 （ 配风 、 煤质 、 氧量等 ） 的关系较简单， 已知锅炉燃用煤质、 排 烟氧量 、 排烟温度及环境温度等有关参数后即可确定它们之间的函数关系 。锅炉散热损失、 其他热损失与锅炉运行参数之间的函数关系也容易获得。而锅炉飞灰含碳量与锅炉运行参数之间的关系较复杂 ， 受煤种 、 锅炉负荷、 配风方式、 炉型 、 燃烧器型式、 炉温 、 过剩空气系数、 煤粉细度、 风粉分配均匀性等多种因素的影响， 因此实际测量比较困难。针对以上问题， 可以采用神经网络对锅炉飞灰含碳量特性进行建模 ， 将煤种 、 锅炉负荷、 配风方式、 炉型 、 燃烧器型式、 炉温 、 过剩空气系数、 煤粉细度、 风粉分配均匀性九个 参 数 值 作 为 神 经 网络的输入， 采用三层BP神经网络， 隐含层神经元数目为19， 将锅炉的飞灰含碳量作为神经网络的输出， 构造结构为9-19-1的神经网络 ， 如图2所示 。2.1.2锅炉生产过程中NOx排放建模锅炉燃烧过程中锅炉热效率与NOx排放的影响因素大部分相同， 但具有矛盾的要求。电站锅炉燃烧产物（ 简称排放物） 的生成机制很复杂， 受多种因素的制约， 诸如煤种 、 锅炉热负荷、 风煤比 、 配风方式、 炉膛温度以及其分布的均匀性等， 鉴于理论、 实验和检测研究的不完备， 目前难以用机理性模型描述。 锅炉生产过程中NOx的排放往往可以用神经网络的方法进行建模和软测量。锅炉实际运行中， 影响NOx排放质量浓度的各运行因素（ 炉膛氧的质量分数， 炉内风分配， 炉膛热负荷， 煤粉的分配） 是相互影响的 ， 加之所得试验工况有限， 因此不容易找出NOx质量浓度的规律。但是从NOx生成的机理来看锅炉燃烧过程中NOx质量浓度主要取决于空气中的氧和燃料的混合情况和燃烧反应的温度， 即主要是空气与燃料分级的程度。各实际运行因素均是通过影响燃烧过程的上述条件而影响NOx质量浓度的。 因此可将各种运行因素从空气与燃料的分级和燃烧反应温度的角度进行反映， 提出影响NOx质量浓度的综合性指标。此外 ， 炉膛氧的质量分数可用炉膛出口氧的质量分数（ 或过量空气系数） 反映 ； 炉膛热负荷可用锅炉负荷反映 。由此出发， 可将影响锅炉NOx排放质量浓度的综合性因素确定为： 炉内风的分配、 炉膛总氧的质量分数、 锅炉热负荷。煤粉分配因素因对NOx生成的影响较小而将其忽略。 炉内风的分配这个指标综合反映了一次风风速、 二次风配风方式和制粉系统运行方式对NOx质量浓度的影响。 风分配因素对NOx质量浓度有重要影响， 但通常都是通过定性指标来衡量（ 如配风方式， 磨煤机投运套数等 ），因此如何将风分配因素定量化是获得NOx定量计算模型的关键。NOx的排放质量浓度在风量上移时一般会下降， 风量下移时一般会增加； 缩腰配风有利于减少氮氧化物的生成可理解为风分配的不均匀性越大， 空气分级程度增加， 从而降低NOx质量浓度， 所以均等配风风中心虽然并不比缩腰配风高， 但NOx的排放质量浓度要高很多。因此风分配的影响可通过风量中心位置和风分配的不均匀性来反映。这样就可将反映风分配因素的定量化指标确定为风中心位置和风分配不均匀系数， 从而解决了风分配因素量化的困难 。将风中心位置定义为炉内风的质量中心高度， 可通过如下公式计算：式中 ：L为炉内风中心位置，mm；mi为各风口风量，m3；li为各风口到基准点的距离，mm；M为总风量 ，m3。通过上述分析可得出， 各种因素按对炉内NOx质量浓度影响的 大 小 排 列 ， 依 次 是 ： 炉 内 风 中 心 位 置 、 炉 膛 氧 的 质 量 分 数 的 大小、 炉膛热负荷。由于各个指标都已量化， 所以可以作为神经网络的输入 ，将锅炉的NOx质量浓度作为神经网络的输出建立模型，如图3所示 。有了以上两个参数的神经网络模型， 就可以通过调整网络结构和网络参数比较准确地对飞灰含碳 量 和NOx排 放 质 量 浓 度 进行建模预测。用此模型的结果合并锅炉效率的其他影响因素作为锅炉效率网络模型的输入， 将锅炉效率作为网 络 的 输 出 ， 就 可 以建立锅炉效率的神经网络模型， 如图4所示 。此模型要求锅炉所 有 单位 在 锅 炉 的 运 行 过 程 中 检 测 的 数 据不多 ， 它能在对锅炉效率建模预测的同时实现对飞灰含碳量、NOx排放质量浓度以及锅炉效率的软测量。对指导锅炉生产过程的优化有很重要的意义。 当然 ， 由于各单位的设备情况和检测手段不一样 ， 上述参数可能有少部分在个别单位测量不到相应的数据，这样的情况下， 我们不必完全按照上述网络模 型 进 行 建 模 ， 可 以通过经验， 在可测得的数据项中选择和锅炉效率相关性比较大若干项的作为网络输入，当然比较好的方法是使用数据挖掘技术，在可测得的数据项中找到和锅炉效率 最 相 关 的 若 干 项 数 据 作 为网络的输入。此时有可能会忽略对飞灰含碳量和NOx排放质量浓度的测量 。图2飞灰含碳量的神经网络建模结构图图3NOx排放质量浓度的神经网络建模结构图图4锅炉效率神经网络建模综合模型1846名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 2 页，共 3 页 - - - - - - - - - 计算机工程应用技术本栏目责任编辑： 贾薇薇2.2建模方法通过以上分析， 得到了对锅炉效 率 建 模 所 需 要 的 参 数 ， 将 此方法用在江苏某公司锅炉效率的建模预测中， 通过该公司检验部门及公司的DCS系统中可以监测到对建模有用的参数数据列在表1中。由于仅仅针对该公司的一台锅炉燃烧过程进行建模， 一些锅炉自身的参数不会发生变化， 因此这些参数可以在建模时不予考虑。在运用神经网络建模以前， 根据经验或者使用数据挖掘的方法， 在现有的监测数据中挑选出对锅炉效率的影响比较大的数据项。 将挑选出来的这些影响较大的数据项作为神经网络的输入，将锅炉效率作为神经网络的输出建立神经网络模型。建模过程流程图如图5所示 。3应用实例选 取 某 公 司2000年11月20日 到2001年1月8日 的 生 产监测数据为训练样本， 将数据挖掘方法用于可监测到的所有数据项， 挑选做锅炉效率影响比较大的因素作为网络的输入参数， 它们是排烟温度、 飞灰含碳量、 水份 、 灰份 、 低位发热量、 锅炉的最高负荷 、 主汽温度、 主汽压力、 主汽焓 、 给水焓 、 标准煤量。 生成的训练样本集。 选择该公司2001年1月9日到2001年1月18日共10天的生产参数作为神经网络建模的输入模式， 预测该段时间的锅炉效率 ， 并和实际效率做比较。选择神经网络的结构为：12-25-1,即：12个输入对应排烟温度 、 飞灰含碳量、 水份 、 灰份 、 低位发热量、 锅炉的最高负荷、 主 汽温度 、 主汽压力、 主汽焓 、 给水焓 、 标准煤量这12个影响因素数据项， 隐含层神经元数为25， 输出锅炉效率。 设定网络的学习速率为0.9， 最大迭代次数为6000， 误差限为0.0001。建模预测结果如表2所示 。表2预测结果建模结果显示， 用此种网络结构 进 行 锅 炉 效 率 建 模 ， 其 误 差均低于3%， 精度比较高。4结语通过以上实例的结果可以看出， 使用上面讨论的神经网络模型对锅炉效率进行建模预测， 在保证结果准确性的基础上， 所需要的监测数据项不多， 比通过公式计算速度快， 需要的参数少， 并且在实际生产中的适应性比较强， 通过这种方法得到的建模预测结果可以进一步对各项参数进行调优， 优化资源的配置， 提高锅炉的热效率。参考文献1李斌.国产300MW机组在现有化运行信息系统的研究D.浙江:浙江大学,20022李伟.锅炉热力计算通用软件的开发及大容量锅炉变工矿特性的研究D.北京:华北电力大学,20003陈丙珍.人工神经网络在过程工业中的应用J.中国有色金属学报,2004(5):106-111.表1可监测到的参数列表图5锅炉效率神经网络建模流程图郁云 等： 锅炉生产过程的神经网络建摸方法研究1847名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 3 页，共 3 页 - - - - - - - - -