基于神经网络的锅炉优化燃烧技术

基于神经网络的锅炉优化燃烧技术（1.HuadianHubeiPowerGenerationCompanyLimited）摘要：目前大型燃煤机组耗煤量大、煤炭采购的矿点较多、煤质不稳定等导致锅炉燃烧经常偏离设计工矿，如果继续采用设计煤种工矿下的锅炉燃烧控制技术，就难以提高锅炉的燃烧效率。本文介绍的燃烧优化技术是采用神经网络技术建模，并用遗传算法寻优以调整锅炉燃烧的风粉配比等控制参数，实现锅炉燃烧工况动态最优，克服了传统试验法指导燃烧优化调整的缺点，能够较好的指导锅炉在非设计煤种下的稳定高效燃烧，降低锅炉能源消耗及减少氮氧化物的排放，并通过电厂运行试验证明该优化运行技术具有较高应用价值和广阔的应用前景。关键词：神经网络；燃烧优化；燃烧效率；氮氧化物0.引言锅炉燃烧优化技术是电力系统信息化进程的一个必然步骤，在市场煤、计划电的大环境下，那些非坑口电厂无法获得机组燃用的设计煤种，如何在采购煤种进行掺配后能够获得近似设计煤种情况下获得最优燃烧效果是当前有巨大经济效益的一项工作[1]。当前火力发电机组已基本实现DCS系统控制,机组的可控性得到大大的提高。锅炉运行优化控制系统作为机组运行控制的优化决策层，而DCS作为机组运行控制的执行层，DCS能够很好地完成优化决策层下达的控制任务。目前很多在线分析仪表已经进入实用阶段[2]，如飞灰含碳测量，烟气连续NOx测量等，为锅炉运行性能指标的在线模型计算提供了精确的反馈量[3]。自动化领域的人工神经网络建模，多变量预测控制等的理论与实践进入了实用阶段，为锅炉运行优化提供了建模和控制手段[4～5]。1.基于神经网络的锅炉优化燃烧技术1.1神经网络技术介绍自1943年，心理学家W·Mcculloch和数理逻辑学家W·Pitts在分析、总结神经元基本特性的基础上首先提出神经元的数学模型。此模型沿用至今，并且直接影响着这一领域研究的进展[6]。50年代末，F·Rosenblatt设计制作了“感知机”，它是一种多层的神经网络。这项工作首次把人工神经网络的研究从理论探讨付诸工程实践。在60年代初期，Widrow提出了自适应线性元件网络，这是一种连续取值的线性加权求和阈值网络。后来，在此基础上发展了非线性多层自适应网络[6]。当时，这些工作虽未标出神经网络的名称，而实际上就是一种人工神经网络模型。80年代初期，模拟与数字混合的超大规模集成电路制作技术提高到新的水平，完全付诸实用化，此外，数字计算机的发展在若干应用领域遇到困难。这一背景预示，向人工神经网络寻求出路的时机已经成熟。美国的物理学家Hopfield于1982年和1984年在美国科学院院刊上发表了两篇关于人工神经网络研究的论文，引起了巨大的反响[7]。人们重新认识到神经网络的威力以及付诸应用的现实性。随即，一大批学者和研究人员围绕着Hopfield提出的方法展开了进一步的工作，形成了80年代中期以来人工神经网络的研究热潮。[8]1.2BP神经网络BP网络是一种单向传播的多层前向网络，是一种具有三层或三层以上的神经网络，包括输入层、中间层(隐层)和输出层。上下层之间实现全连接，而每层神经元之间无连接。当一对学习样本提供给网络后，神经元的激活值从输入层经过中间层向输出层传播，在输出层的各神经元获得网络的输入响应。接下来，按照减少目标输出与实际误差的方向，从输出层经过各中间层逐层修正备连接权值，最后回到输入层，这种算法称为“误差逆传播算法”，即BP算法。随着这种误差逆的传播修正不断进行，网络对输入模式响应的正确率也不断上升[8]。BP神经网络的设计通过调用MATLAB指令:net=newff(PR,[S1S2⋯SN],{TF1TF2⋯TFN},BTF,BLF,PF)创建BP神经网络。PR为输入量的取值范围；Si为第i层的神经元个数，共n层；TFi为第i层的传递函数；BTF为BP网络的训练函数；BLF为BP网络权值和阈值学习函数；PF为性能函数。对于如何确定BP网络隐含层中神经元的个数，往往需要根据设计者的经验和多次实验来确定，因而不存在一个理想的解析式来表示[9]。本研究中,笔者经过多次尝试,最后确定隐层神经元数为9,BP网络调用的各主要函数如下:net=newff(minmax(Pn),[9,1‘],{tansig‘’,purelin’‘},traincgf’)BP神经网络的训练和仿真BP网络生成和初始化后，可以对训练参数net.trainParam进行适当设置，再调用train函数来对网络进行训练。train函数的常用格式如下：[net,tr]=train(net,Pn,Tn)式中:Pn为输入样本矢量集；Tn为对应的目标样本矢量集；等号左、右两侧net分别用于表示训练前、后的神经网络对象；tr存储训练过程中的步数信息和误差信息。1.3锅炉优化燃烧中的人工神经网络建模原理利用神经网络能够自适应模拟非线性输入输出的原理，将衡量锅炉燃烧效率和氮氧化物排放的指标参数作为输出，而将参与燃烧的相关参数作为锅炉燃烧的输入参数。构建锅炉燃烧模型，通过输入运行历史数据和试验数据，对锅炉燃烧模型进行训练，建立机组在不同的干扰量（负荷，环境温度）下，锅炉各可调量，如一次风压、二次风压及不同的二次风门开度组合、烟气含氧量、给粉偏置等，与锅炉运行性能（NOx和效率）之间的非线性动态模型；通过稳态模型，寻优机组当前可以达到的最佳性能；采用动态控制，使控制机组达到最佳状态，从而实现性能最佳。2.模型设计2.1常规机组控制模型及优化设计一般情况下，机组的控制模型如图1中安全性闭环控制框图，锅炉燃烧通过热力试验及厂家说明书设定运行参数，经过相关的控制器对机组进行控制，然后通过性能计算就得出相关的指标参数。在火电机组执行机构完成控制器下达的控制指令后，经过安全性闭环控制进行反馈，确保控制安全，而锅炉优化燃烧控制系统则是在传统的控制系统上增加机组性能寻优反馈环节，确保机组运行的经济性，如图1运行性能闭环控制框图：图1机组优化运行原理图燃烧优化控制系统是在机组DCS系统控制基础之上，进行建模控制，与原系统接口控制如图2,通讯及优化指令采用安全的通讯接口,异常情况下可以通过运行人员进行人工干预确保机组的安全稳定运行。图2锅炉优化燃烧实现方式2.2锅炉燃烧稳态性能的神经网络模型由于电站锅炉燃烧的复杂性，锅炉NOx排放、飞灰含碳量等受多种因素的影响，并且表现出明显的非线性特性。而人工神经网络模型能够拟合任意非线性函数并具有良好的泛化能力，对复杂问题具有自适应和自学习能力，在非线性系统辨识方面得到了广泛的研究和应用。因此本文根据稳态试验数据，采用人工神经网络方法建立锅炉效率和NOx排放预测模型。（1）锅炉燃烧模型输入量应用人工神经网络方法对锅炉燃烧系统进行建模，将锅炉燃烧系统视为黑箱，影响锅炉燃烧的各因素作为神经网络的输入，飞灰含碳，排烟温度和NOx排放作为神经网络的输出。通过对锅炉运行状况和稳态试验数据分析发现，影响锅炉燃烧性能的主要因素为烟气含氧量、一次风压、二次风各层挡板开度等操作量。由于现阶段国内电站锅炉燃煤相对紧缺，导致锅炉运行中煤质变化较大，这将会导致燃烧性能发生较大的变化；另外，锅炉燃烧性能会随着锅炉负荷变化呈现出较大的变化，因此将负荷和燃煤热值作为模型的干扰量加以考虑。（2）锅炉燃烧系统神经网络模型首先，考虑建立如图所示的人工神经网络模型来预测锅炉效率和NOx排放。以烟气含氧量、一次风压、二次风挡板开度和环境温度、负荷、给煤机总转速等15个变量为输入，锅炉效率和NOx排放为输出，分别建立人工神经网络模型。图3锅炉燃烧性能神经网络混合模型首先对锅炉的燃烧特性进行定性的机理分析。锅炉热效率主要受两个变量影响，即飞灰含碳量和排烟温度，而这两个变量受锅炉的操作参数如一次风、二次风、环境温度和烟气含氧量等影响。由NOx排放机理可知，锅炉NOx排放与炉膛温度有着很强的直接关系，而炉膛温度也直接受到操作量影响。因此根据上述机理，可以定性建立锅炉燃烧系统的模型：)(),()()()(54321v,Dfh,Cpy,TvMfv,DvMfTfxNOv,DvMffhCv,DvMffTv,DvMfpyT式中vM表示烟气氧量、一次风压、二次风等操作量，vD表示给煤总转速（表征燃煤热值），环境温度和负荷等干扰量，1f为排烟温度计算函数，pyT为排烟温度，2f为锅炉炉膛温度计算函数，fT为炉膛温度，3f为飞灰含碳计算函数，fhC为飞灰含碳量，4f为NOx排放计算函数，xNO为NOx排放值，5f为锅炉效率计算函数，为效率。基于试验数据，采用人工神经网络建立上述函数1f、2f、3f、4f，则可以建立如图2.10所示的锅炉燃烧神经网络混合模型。其中，ANN1为预测锅炉排烟温度的神经网络模型，拟合计算函数1f；ANN2为预测锅炉炉膛温度的神经网络模型，拟合计算函数2f；ANN3为预测飞灰含碳的神经网络模型，拟合计算函数3f；ANN4为预测NOx排放的神经网络模型，拟合计算函数4f；5f为锅炉效率计算函数。飞灰含碳受锅炉煤质和运行参数影响很大，相互关系很难用常规的计算公式表达。因此选取烟气含氧量、一次风压、二次风挡板开度和环境温度、负荷、给煤总转速等15个变量作为神经网络ANN3的输入，输出为锅炉飞灰含碳。3.应用实例某厂型号是WGZ1004/18.34-1，钢球磨中储式制粉系统，四角切圆燃烧。根据神经网络建模原理对锅炉进行了分组试验和正交试验，并根据试验数据建立了锅炉燃烧稳态模型。由于国内燃煤供应紧张，导致机组燃用煤质变化较大，尤其是热值分布区域较宽。试验共获得227组有效试验数据，部分试验数据如表所示。将试验数据综合进行建模，燃煤高位热值在14.72MJ/kg到23.15MJ/kg范围内变化，使得模型充分包含了煤质变化后燃烧特性的变化信息。表1锅炉热态试验工况表负荷MW挥发份%低位热值KJ/KG灰分%水分%总转速/min氧量%AA%AB%BC1%BC2%BC%CD%DE%E%F%FG%环境温度℃排烟温度℃排烟温差℃平均飞灰含碳%Noxmg/m33349.662050533.030.6472482.826059606060606060606127.43129.7102.313.14*33310.432007734.160.5669182.646059606060606060606126.52130.3103.783.39522011.12038233.740.5650394.10404035040404100022.78114.491.6161.7195022011.082040933.530.5646044.22404035040404100022.76114.791.9171.59592526012.542004433.520.6157803.734040404040404040404033.4712894.5346.32586026012.22012433.470.6858023.724040101040404040404033.9013096.0646.6789027011.461714642.780.6165453.914040303040404040404029.57128.498.8631.0178727011.361698243.040.6173703.895050303040404040404029.20126.196.8710.99581033013.631814138.540.5987023.795756543255535557545734.46132.297.7164.78912.233013.071866037.050.6780413.245756543255535557545734.04132.798.6296.2938.824011.021943935.410.4657774.534535351635354020203029.46120.390.8821.15741.924011.091920836.380.4454593.685550452045402000029.