鍋爐生產過程的神經網絡建模方法研究

摘要：針對鍋爐效率計算中正平衡法和反平衡法都不能完全反映真實鍋爐燃燒過程的實際情況，該文提出基于神經網絡的鍋爐生產過程建模方法，該方法不需要太多監測數據并且保證了建模的準確性。

關鍵詞：鍋爐效率；神經網絡；建模

中圖分類號：TP183文獻標識碼：A文章編號：1009-3044(2008)34-1845-03

Research on Neural Network Modeling for Boiler Production Process

YU 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，a Neural Networks modeling method is presented in this paper， This method does not need too much data and can also ensure the accuracy

Key words: boiler efficiency; neural network; modeling

1 引言

電力是國民經濟的命脈，在我國政治、經濟和社會生活中，電力系統發揮著十分重要的作用。在電力系統中，火力發電又顯得尤為關鍵。在火力發電過程中，煤炭經過工業鍋爐燃燒產生蒸汽，蒸汽驅動氣輪發電機來產生電能。因此工業鍋爐是火力發電的、關鍵生產設備之一[1]，而鍋爐效率是表征鍋爐經濟運行的主要綜合技術指標，在鍋爐的性能考核時有相應的鍋爐效率的計算模型，但所需測量參數比較多，在鍋爐實際運行過程中，受運行條件的限制，幾乎不可能測得進行鍋爐效率計算的所有參數，此外在實際生產過程中，影響系統運行的因素繁多，即使相同的設備、相同的運行工況也會因為某一個操作參數發生變化而影響系統運行過程。因而單純從物質、能量等角度建立準確的、反映設備生產過程的機理性數學模型十分困難。從生產現場采集的數據中隱含了與過程運行狀態相關的建模知識，對此生產數據的準確建模，可以建立起能反映生產過程運行狀態的較為精確的數學模型，在保證穩定性的同時，提高整個系統運行的效率和系統的可維護性，讓生產由一般意義上的安全運行向經濟運行飛躍。

2 鍋爐生產過程的神經網絡建模

鍋爐系統的主要性能參數是鍋爐效率，由于電廠鍋爐的效率受設備、工況、燃料等等多種因素影響，并且它們之間存在著高度的復雜性和非線性性，無論是正平衡法還是反平衡法都是經驗的公式總結，不能完全反映真實鍋爐燃燒過程的實際情況，因此在實際使用中有很大的局限性。神經網絡作為一種智能建模方法，能夠充分逼近任意復雜的非線性關系，非常適合描述具有黑箱性質和非線性強的對象。同時采用神經網絡方法對鍋爐效率進行建模預測的結果對鍋爐效率的優化也可以起到一定的指導作用，因此本文采用神經網絡對鍋爐效率進行建模研究。

2.1 建模思路

在了解鍋爐的生產過程，特別是了解了鍋爐效率的計算模型后，可以很容易得確定影響鍋爐效率的因素，通常情況下，對鍋爐效率用神經網絡進行建模時，需要測定以下參數：排煙溫度、排煙處的氧量、飛灰含碳量、應用基低位發熱量、應用基灰分、NOx排放等等。將這些因素作為神經網絡的輸入，而將鍋爐效率作為神經網絡的輸出建立模型。模型結構如圖1所示。此模型比較簡單，需要測量的數據量不大，計算比較方便。

上述參數中，排煙溫度、排煙處的氧量等可以從電廠DCS中獲得實時數據，而應用基低位發熱量、應用基灰分等一類和煤種煤質相關的數據可以從檢驗部分獲得。而飛灰含碳量、NOx排放濃度等數據通常是要靠計算出來的。這些靠計算得到的數據其計算又牽涉到很多復雜的影響參數，并且參數之間的非線性程度也比較高，往往也很難通過某一數學公式計算出來，即便根據經驗總結出相應的計算公式，在不同生產環境下計算出來的數據也不一定準確，這時，我們也可以通過神經網絡的方法建立飛灰含碳量和其主要影響因素之間的模型以及NOx排放的質量濃度和其主要影響因素之間的模型，對其進行建模、預測和軟測量。

2.1.1 鍋爐生產過程中飛灰含碳量建模

影響鍋爐熱效率較大的幾個因素主要是排煙損失和固體不完全燃燒損失，對于煤粉燃燒鍋爐，固體不完全燃燒損失中又以飛灰含碳量造成的不完全燃燒損失為主。排煙損失與鍋爐運行參數（配風、煤質、氧量等）的關系較簡單，已知鍋爐燃用煤質、排煙氧量、排煙溫度及環境溫度等有關參數后即可確定它們之間的函數關系。鍋爐散熱損失、其他熱損失與鍋爐運行參數之間的函數關系也容易獲得。而鍋爐飛灰含碳量與鍋爐運行參數之間的關系較復雜，受煤種、鍋爐負荷、配風方式、爐型、燃燒器型式、爐溫、過剩空氣系數、煤粉細度、風粉分配均勻性等多種因素的影響，因此實際測量比較困難。

針對以上問題，可以采用神經網絡對鍋爐飛灰含碳量特性進行建模，將煤種、鍋爐負荷、配風方式、爐型、燃燒器型式、爐溫、過剩空氣系數、煤粉細度、風粉分配均勻性九個參數值作為神經網絡的輸入，采用三層BP神經網絡，隱含層神經元數目為19，將鍋爐的飛灰含碳量作為神經網絡的輸出，構造結構為9-19-1的神經網絡，如圖2所示。

2.1.2 鍋爐生產過程中NOx排放建模

鍋爐燃燒過程中鍋爐熱效率與NOx排放的影響因素大部分相同，但具有矛盾的要求。電站鍋爐燃燒產物（簡稱排放物）的生成機制很復雜，受多種因素的制約，諸如煤種、鍋爐熱負荷、風煤比、配風方式、爐膛溫度以及其分布的均勻性等，鑒于理論、實驗和檢測研究的不完備，目前難以用機理性模型描述。 鍋爐生產過程中NOx的排放往往可以用神經網絡的方法進行建模和軟測量。

鍋爐實際運行中，影響NOx排放質量濃度的各運行因素（爐膛氧的質量分數，爐內風分配，爐膛熱負荷，煤粉的分配）是相互影響的，加之所得試驗工況有限，因此不容易找出NOx質量濃度的規律。但是從NOx生成的機理來看鍋爐燃燒過程中NOx質量濃度主要取決于空氣中的氧和燃料的混合情況和燃燒反應的溫度，即主要是空氣與燃料分級的程度。各實際運行因素均是通過影響燃燒過程的上述條件而影響NOx質量濃度的。因此可將各種運行因素從空氣與燃料的分級和燃燒反應溫度的角度進行反映，提出影響NOx質量濃度的綜合性指標。此外，爐膛氧的質量分數可用爐膛出口氧的質量分數（或過量空氣系數）反映；爐膛熱負荷可用鍋爐負荷反映。由此出發，可將影響鍋爐NOx排放質量濃度的綜合性因素確定為：爐內風的分配、爐膛總氧的質量分數、鍋爐熱負荷。煤粉分配因素因對NOx生成的影響較小而將其忽略。爐內風的分配這個指標綜合反映了一次風風速、二次風配風方式和制粉系統運行方式對NOx質量濃度的影響。風分配因素對NOx質量濃度有重要影響，但通常都是通過定性指標來衡量（如配風方式，磨煤機投運套數等），因此如何將風分配因素定量化是獲得NOx定量計算模型的關鍵。

NOx的排放質量濃度在風量上移時一般會下降，風量下移時一般會增加；縮腰配風有利于減少氮氧化物的生成可理解為風分配的不均勻性越大，空氣分級程度增加，從而降低NOx質量濃度，所以均等配風風中心雖然并不比縮腰配風高，但NOx的排放質量濃度要高很多。因此風分配的影響可通過風量中心位置和風分配的不均勻性來反映。這樣就可將反映風分配因素的定量化指標確定為風中心位置和風分配不均勻系數，從而解決了風分配因素量化的困難。將風中心位置定義為爐內風的質量中心高度，可通過如下公式計算：

■

式中：L為爐內風中心位置，mm；mi為各風口風量，m3；li為各風口到基準點的距離，mm；M為總風量，m3。

通過上述分析可得出，各種因素按對爐內NOx質量濃度影響的大小排列，依次是：爐內風中心位置、爐膛氧的質量分數的大小、爐膛熱負荷。由于各個指標都已量化，所以可以作為神經網絡的輸入，將鍋爐的NOx質量濃度作為神經網絡的輸出建立模型，如圖3所示。

有了以上兩個參數的神經網絡模型，就可以通過調整網絡結構和網絡參數比較準確地對飛灰含碳量和NOx排放質量濃度進行建模預測。用此模型的結果合并鍋爐效率的其他影響因素作為鍋爐效率網絡模型的輸入，將鍋爐效率作為網絡的輸出，就可以建立鍋爐效率的神經網絡模型，如圖4所示。

此模型要求鍋爐所有單位在鍋爐的運行過程中檢測的數據不多，它能在對鍋爐效率建模預測的同時實現對飛灰含碳量、NOx排放質量濃度以及鍋爐效率的軟測量。對指導鍋爐生產過程的優化有很重要的意義。當然，由于各單位的設備情況和檢測手段不一樣，上述參數可能有少部分在個別單位測量不到相應的數據，這樣的情況下，我們不必完全按照上述網絡模型進行建模，可以通過經驗，在可測得的數據項中選擇和鍋爐效率相關性比較大若干項的作為網絡輸入，當然比較好的方法是使用數據挖掘技術，在可測得的數據項中找到和鍋爐效率最相關的若干項數據作為網絡的輸入。此時有可能會忽略對飛灰含碳量和NOx排放質量濃度的測量。

2.2建模方法

通過以上分析，得到了對鍋爐效率建模所需要的參數，將此方法用在江蘇某公司鍋爐效率的建模預測中，通過該公司檢驗部門及公司的DCS系統中可以監測到對建模有用的參數數據列在表1中。

由于僅僅針對該公司的一臺鍋爐燃燒過程進行建模，一些鍋爐自身的參數不會發生變化，因此這些參數可以在建模時不予考慮。

在運用神經網絡建模以前，根據經驗或者使用數據挖掘的方法，在現有的監測數據中挑選出對鍋爐效率的影響比較大的數據項。將挑選出來的這些影響較大的數據項作為神經網絡的輸入，將鍋爐效率作為神經網絡的輸出建立神經網絡模型。建模過程流程圖如圖5所示。

3 應用實例

選取某公司2000年11月20日到2001年1月8 日的生產監測數據為訓練樣本，將數據挖掘方法用于可監測到的所有數據項，挑選做鍋爐效率影響比較大的因素作為網絡的輸入參數，它們是排煙溫度、飛灰含碳量、水份、灰份、低位發熱量、鍋爐的最高負荷、主汽溫度、主汽壓力、主汽焓、給水焓、標準煤量。生成的訓練樣本集。選擇該公司2001年1月9日到2001年1月18日共10天的生產參數作為神經網絡建模的輸入模式，預測該段時間的鍋爐效率，并和實際效率做比較。

選擇神經網絡的結構為： 12-25-1，即：12個輸入對應排煙溫度、飛灰含碳量、水份、灰份、低位發熱量、鍋爐的最高負荷、主汽溫度、主汽壓力、主汽焓、給水焓、標準煤量這12個影響因素數據項，隱含層神經元數為25，輸出鍋爐效率。設定網絡的學習速率為0.9，最大迭代次數為6000，誤差限為0.0001。建模預測結果如表2所示。

表2預測結果

■

建模結果顯示，用此種網絡結構進行鍋爐效率建模，其誤差均低于3%，精度比較高。

4 結語

通過以上實例的結果可以看出，使用上面討論的神經網絡模型對鍋爐效率進行建模預測，在保證結果準確性的基礎上，所需要的監測數據項不多，比通過公式計算速度快，需要的參數少，并且在實際生產中的適應性比較強，通過這種方法得到的建模預測結果可以進一步對各項參數進行調優，優化資源的配置，提高鍋爐的熱效率。

參考文獻

[1] 李斌.國產300MW機組在現有化運行信息系統的研究[D].浙江:浙江大學，2002．

[2] 李偉.鍋爐熱力計算通用軟件的開發及大容量鍋爐變工礦特性的研究[D].北京:華北電力大學，2000

[3] 陳丙珍.人工神經網絡在過程工業中的應用[J].中國有色金屬學報，2004(5):106-111.