火力发电厂锅炉煤粉细度的软测量技术研究张磊,韦红旗东南大学动力工程系(210096)Email:Leizhang_1983@163.com摘要:针对火电厂制粉系统煤粉细度难以在线实时测量及测量精度低等问题,本文采用了基于神经网络结合遗传算法的新型软测量模型,通过遗传算法训练BP神经网络权值的方法,并实现了某热电厂220t/h四角切圆煤粉锅炉煤粉细度的在线监测。以实际锅炉运行数据为检测值得到的模型输出结果表明,该方法具有较好的在线监测效果。关键词:煤粉细度;BP神经网络;遗传算法;软测量;Matlab引言对于发电厂煤粉锅炉来讲,无论是中储式制粉系统还是直吹式制粉系统,煤粉细度是影响其经济安全运行的重要因素,特别是燃用贫煤和无烟煤的锅炉,煤粉细度的影响更为重要。目前贫煤和无烟煤大多采用四角切圆燃烧,由于这种燃烧方式的特点,如果颗粒较大,煤粉在离开燃烧器区时很难完全燃烧,然而后期混合较差,使得燃尽性差,飞灰含碳量增加,锅炉燃烧效率降低,表1中所示的为某电厂制粉系统试验时的实际数据,从中可以看出煤粉细度对灰渣未完全燃烧损失q4的影响,进而影响锅炉效率。同时不合适的煤粉细度也容易导致高温腐蚀和结焦、再热器超温爆管、尾部受热面的磨损甚至炉膛灭火等一系列问题。因此,在锅炉运行中必须严格控制煤粉细度,及时的掌握运行时的煤粉细度具有及其重要的意义。表1.某电厂煤粉细度与q4关系工况序号细度1细度2细度3煤粉细度%20.1024.0015.80飞灰可燃物含量%2.442.841.85炉渣可燃物含量%7.734.623.46飞灰未完全燃烧热损失%1.0251.2000.774炉渣未完全燃烧热损失%0.3820.2210.164灰渣未完全燃烧热损失q4%1.4081.4220.937然而对于火力发电厂锅炉煤粉细度的监测,目前多数电厂都是通过离线取样、分析的方法,一个粉样从分析到得到结果,往往需要很长的一段时间。虽然一定程度上可以确定煤粉细度,但由于分析结果的滞后,因此在运行中不能实时准确知道煤粉细度状况,无法及时进行锅炉的相应调整。近年来,国内外都在开展煤粉在线测量技术研究,如采用热力学法[1]、微波法、电容法[2]、电荷法[3]、光脉动法等。但这些技术由于种种实际限制,在应用到电厂的磨煤机出口的煤粉细度在线测量时都没有实际可操作性或没有进行必要的工业性实验。且上述一些方法与煤粉的特性有关,煤种变化会增大测量误差。有鉴于此,本文采用软测量技术,在成熟的硬件传感器基础上,以计算机技术为核心,通过人工神经网络结合遗传算法建立软测量模型,利用较易测量的辅助变量和信息(锅炉运行数据)去映射难测量的变量(煤粉细度),从而实现了煤粉细度的在线软测量。1.建立软测量模型-1-本文采用神经网络结合遗传算法的方法建立软测量模型。神经网络具有自学习、自组织和鲁棒性及高度非线性表达能力,非常适用于多变量、非线性的煤粉细度在线软测量。然而通常采用的BP算法是基于梯度下降的算法,不可避免地具有收敛速度慢、易陷入局部极小、全局搜索力弱等缺点。因此,本文结合遗传算法(GA),它可以在复杂、多峰的非线性及不可微的空间中实现全局搜索,提高收敛速度。本文利用遗传算法优化神经网络的权系数的方法,建立锅炉运行参数与煤粉细度的软测量模型,充分结合利用两者的优点,使新算法既有学习能力和鲁棒性,又有强全局随机搜索能力[3,4]。如图1所示:图1.神经网络与遗传算法相结合1.1神经网络模型的建立神经网络模型建立关键在于如何确定输入输出变量,隐含层数,隐含层单元数,以及预测步长和初始参数的选择。神经网络输入层的神经元越多,网络的精度越高,但会使网络训练时间加长,因此在保证必要精度要求下,尽量减少输入变量数目。影响煤粉细度及磨煤机出力的因素较多,当磨煤机型式及结构参数确定后,分析影响煤粉细度的因素主要有:1、制粉系统运行参数的影响。如;磨煤机转速、风煤比及通风量等;2、磨制燃料的特性。如:磨制燃料的颗粒度、燃料的可磨度、水分等;3、分离器的分离效率。如:分离器挡板调整位置,回粉阀门是否正常等均会对分离效率产生影响。1015202530360003800040000420004400046000通风量(m3/h)煤粉细度R90(%)图2.某电厂制粉系统通风量与煤粉细度R90的关系曲线本文根据目前电厂的运行状况分析,通过前期的多次制粉系统运行调整试验,选取了磨煤机电流,磨煤机出入口负压,粗粉分离器出口负压,磨煤机出入口温度,一次风压,再循环风门开度,热风门开度,给煤机电流,等锅炉运行参数,共16组作为输入变量,输出变量选取具有代表性的煤粉细度R90[8]。目前对隐含层以及神经元的数目确定没有现成的理论或者公式,本文通过用MATLAB软件进行大量的仿真训练,并结合经验公式在考虑精度和学习速度的情况下,昀终确定采用三层BP神经网络,设计的神经元分布为:输入层16:隐层18:输出层1。隐层和输出层函数分别选取双曲正切S型函数以及S型对数函数。-2-优化[5]遗传算法(GA)是Holland1975年首先提出的优化随机搜索算法,他借鉴自然界优胜劣汰的遗传机制,模拟生物进化过程中的选择、交叉、变异操作,采用概率化的寻优方式,自适应地获取和指导优化方向和空间。本文将遗传算法替代BP算法进行网络权值优化,其训练步骤如下:1).初始化包括给定网络的输入输出样本的采集,选定遗传操作,设置遗传参数及自适应调整算法等。本文中进行样本训练时个体数目选取50,遗传终止代数取50。2).编码方式由于本文面对的网络模型复杂,需优化的权系数庞大,因此不适宜采用二进制编码,而应采用实数编码方式,神经网络的权系值按一定的顺序联为一个个体,每一个位置对应着网络的一个权值或阈值。则M个权系值的N个染色体的集合可用N行M列数组A表示,其元素aij是第i染色体的j个变量。由此得到编码个体串为:{w11,w12,……,b1,w21,w22,……,b2,……,wij,bi……}其中:wij是神经元j到神经元i的联接权系数,bi是神经元i的阈值。3).适应度函数选取将染色体上的各权重和阀值分配到给定的网络结构中,以训练样本为输入输出,计算BP神经网络的输出与期望输出之间的平均绝对误差,将此误差的倒数作为个体的适应度:211/(2)()pkpkLSEpty=−∑∑其中:ypk表示网络p组训练样本的输出;tpk为目标期望输出。4).遗传算子的选择选择运算,采用随机遍历抽样的选择方法,按照个体在当前种群中的适应度为繁殖概率选择遗传个体。交叉运算,采用单点交叉算子,首先对个体进行两两随机配对,若群体大小为M,则共有[M/2]对相互配对的个体组;然后对每一组配对的个体,随机设置某一基因座之后的位置为交叉点,若染色体的长度为N,则共有N-1个可能的交叉点位置;昀后,对每一对相互配对的个体,依设定的交叉概率在其交叉点处交换两个个体的部分染色体,从而产生两个新的个体。变异运算,以变异概率0.5做均匀变异。首先依次指定个体编码串中的每个基因座为变异点。然后对每个变异点,以变异概率从对应基因的取值范围内取一随机数来替代原有值,这种变异方法使得搜索点可以在整个搜索空间内自由的移动,从而增加了群体的多样性。2.软测量模型的验证-3-某电厂锅炉实际运行数据(部分)项目单位工况1工况2工况3工况4工况5工况6工况7工况8工况9排粉机电流A19.019.019.218.020.018.019.018.520.0磨煤机电流A45.045.343.343.043.043.043.045.045.0磨煤机入口负压Pa715780662622627560508520305磨煤机出口负压Pa337836284053321741633240362531753745粗粉分离器出口负压Pa382339205040421750673980471541205055排粉机入口负压Pa820877938073834379138390801581857850一次风压Pa215024382321196924251997220721312316再循环风门开度%0300020200020热风门开度%909598859090554266温风门开度%6010028403030356120#5门开度%404245425042434145给煤机电流A7.87.38.07.58.07.87.65.25.4磨煤机入口温度℃192.8179.0255.7263.7231.0267.0219.5189.0254.0磨煤机出口温度℃66.870.072.771.369.370.570.069.071.0上层给粉机平均转速r/min496.3486.4326.3359.2355.8361.3488.8490.0517.5下层给粉机平均转速r/min573.2532.4617.5607.9599.2605.0510.0545.0592.5煤粉细度(R90)%17.219.224.018.532.021.532.416.816.4为了验证本文提出的煤粉细度软测量模型,本文采用了某热电厂大量的实际锅炉运行数据作为训练样本,运用MATLAB软件神经网路工具箱,结合英国Sheffield大学推出的遗传算法工具箱进行神经遗传网络模型的编程仿真训练。通过对表2中的某电厂不同工况下的锅炉实际运行数据进行仿真训练。得到的结果如图3,4所示。仿真结果表示,所采用的神经网络结合遗传算法模型具有较高的精度[4],具有较好的软测量效果。图3.遗传算法训练权值的变化过程-4-结论本文采用神经网络结合遗传算法这一工具对锅炉煤粉细度进行了软测量技术研究,根据锅炉运行特点建立了16:18:1型BP神经网络结合遗传算法的软测量模型。同时,使用锅炉实际运行数据,采用遗传算法对网络模型进行了权值训练,获得了神经网络模型参数的权矩阵。通过该模型进行的软测量计算结果显示:其计算值与试验值符合良好,平均误差不超过4%。因此,本文提出的BP神经网络结合遗传算法的软测量模型及相关方法,应用于锅炉煤粉细度的在线预测是可行、可靠的,具有较强的实用价值。-5-参考文献:[1]王凯,赵海生,陈增宏.煤粉浓度监测系统[J].动力工程,1994,14(3):45-48.[2]王国雄,等.现代高炉粉煤喷吹[M].北京:冶金工业出版社,1997.[3]LauxS,GrushaJ,McCarthyK.CoalandairflowmeasurementforreducedNOxandUBC.Internet[EB].[4]陈智军.神经网络与遗传算法的优化及结合[D]湖北:湖北大学,2002[5]李建珍,杨庆德.基于遗传算法的神经网络学习算法研究[D]甘肃:兰州大学,2001[6]王东亚,张琳,赵国.神经网络遗传算法在供热负荷预测中应用[J].辽宁工程技术大学学报,2005,24:161-163[7]雷英杰,张善文等.MATLAB遗传算法工具箱及应用[M],西安:西安电子科技大学出版社,2005[8]飞思科技产品研发中心.神经网络理论与MATLAB7实现[M],北京:电子工业出版社,2005[9]赵新木,王承亮,吕俊复,岳光溪.基于BP神经网络的煤粉锅炉飞灰含碳量研究[J].热能动力工程,2005,20(2):158-161TheSoftSensorTechnologyOfCoalPowderGranularityinPowerPlantZhangLei,WeiHongqiDepartmentofPowerEngineering,SoutheastUniversity,Nanjing,PRC(210096)AbstractPresently,th