基于神經網絡算法預測鏈條鍋爐入爐煤水分摻混系統

阮 強，張志剛，陳 卓，武秀玲

(1.呼和浩特市城發供熱有限公司；2.呼和浩特富泰熱力股份有限公司，內蒙古 呼和浩特 010020)

工業鍋爐是我國北方地區冬季集中供暖主要方式。我國在用工業鍋爐約62萬臺。其中燃煤工業鍋爐約47萬臺，占工業鍋爐總數的80%以上，年消耗標準煤約4億t，約占全國煤炭消耗總量的1/4[1]。鏈條爐排鍋爐仍占在用燃煤工業鍋爐總數的90%以上[2]，鏈條鍋爐燃燒效率為60%～70%[3，4]。近年來對鏈條爐排鍋爐的增效節能改造主要針對鍋爐進行強化燃燒、增加二次風或者應用飛灰復燃技術，改造取得了一定效果。提高鏈條爐排鍋爐燃燒效率，應從更全面的燃燒細節深度挖掘。針對呼和浩特地區各集中區域供熱熱源廠的鏈條爐排鍋爐進行調查分析發現，鍋爐燃燒效率不高。煤粉燃燒過程中，司爐工要根據負荷和爐況變化，綜合考慮給煤及鼓風速率、燃料特性、爐膛溫度、煤層厚薄、煙氣含氧率、火焰位置等，給出相應的操作。操作是否合理，取決于司爐工的技術水平和執業狀態。不同操作班組的鏈條鍋爐熱效率相差5%～10%。在鍋爐入爐煤水分檢測環節中，基本通過人為判斷入爐煤質水分，控制煤中水分摻混量[10]。由于員工工作環境質量差，人為判定存在諸多主觀因素，而入爐煤水分含量直接影響鍋爐的燃燒效率和經濟運行。要保證鏈條鍋爐持續高效運行，應從入爐煤水分摻混自動控制入手，實現環節自動檢測自動摻混以提高鍋爐燃燒效率。

1 鏈條鍋爐入爐煤水分含量對鍋爐燃燒影響分析

1.1 鍋爐入爐煤水分含量對燃燒影響分析

煤在爐膛中燃燒，入爐煤水分受熱蒸發，水蒸氣與灼熱的碳反應生成水煤氣，水煤氣中的CO增加了碳粒表面的CO濃度，與空氣中氧氣發生反應放出大量的熱，提高固定碳的燃燒速度。水煤氣的燃燒速度比固定碳的燃燒速度快，燃燒的火焰長度比固定碳燃燒的火焰長度長，火焰能夠更直接與物體進行對流和輻射換熱，提高傳熱效率[5]。在常壓下，由水變成水蒸氣體積要增加1 650倍，水分從煤層中蒸發出來，在煤層內要留下很多空隙，導致煤層疏松，煤粒間空隙加大[11]，有利通風同時降低水分蒸發通風阻力，達到強化燃燒目的。

煤在爐膛燃燒過程中，初始爐膛溫度低，固定碳燃燒速度慢，入爐煤中含有適當水分，可使碎屑和塊煤粘在一起減少漏煤和飛灰，有效減少加煤時的煤粉飛揚造成的不完全燃燒熱損失，減少黑煙對大氣環境的污染[11]。對細粉較多、易黏結的高發熱值煤加入適當的水分可使煤層不致過分結焦。

如果增加入爐煤中水分，煤粉干燥時間增加，水分蒸發吸收熱量，對煤著火不利；當水分增加時，水蒸氣混合到可燃氣體中，增加燃氣體的熱容量，降低了可燃氣體濃度，不利于可燃氣體燃燒，燃燒室溫度下降；水分增加，煙氣體積增加，造成排煙損失增加。

1.2 鍋爐入爐煤水分對鍋爐運行影響分析

鍋爐入爐煤水分含量是鍋爐的重要參數指標。鍋爐入爐煤水分含量影響煤的低位發熱量。煤樣的全水分值(質量分數)每變化1%，其收到基低位熱值將變化209J/g～293J/g。相同質量入爐煤，水分含量高，可燃物比例小，低位發熱量低。在燃燒過程中，入爐煤水分含量高，水分蒸發吸收汽化潛熱多，煤的低位發熱量降低。相同負荷條件下高入爐煤水分含量燃煤耗量增加。運煤設備、碎煤機、磨煤機等相應輔助設備需要加工處理更多煤量，與此相對應的一次風機需要提供更多風量，廠用電量消耗增加。此外，如果入爐煤水分含量增加，輸煤管和其他的輸煤通道可能會結冰、堵塞，增加運行成本。

綜上所述，鏈條鍋爐入爐煤水分對鏈條爐燃燒效率影響至關重要。如何通過入爐煤水分測試優化分析調整控制入爐煤水分含量備受關注，建模預測入爐煤水分作為鏈條鍋爐優化燃燒控制基礎，應進行深入研究。然而，鍋爐爐膛內的燃燒及入爐煤水分測試所涉及影響因素較多，難以建立鏈條鍋爐燃燒可調變量與水分測試機理模型。智能算法建模無須考慮輸入參數和輸出參數之間的測試機理，在建模預測方面應用廣泛[6，7]。因此，本文提出基于BP神經網絡算法建立鏈條鍋爐燃燒效率與入爐煤水分關系的預測模型，以該預測模型為基礎設計入爐煤測試摻混系統，實現入爐煤水分自動檢測尋優為目的，為通過調整入爐煤水分控制燃燒，提高鏈條鍋爐燃燒效率提供理論依據[12]。

2 BP神經網絡

神經網絡(Neural Networks)是基于人腦并從人腦神經網絡的機制原理開始，最終映射出與之相近的神經網絡模型[8]。學習是神經網絡的主要特點。BP神經網絡由三部分組成，即輸入、輸出層以及隱含層。如圖1對外部環境提供的模式樣本進行學習訓練，存儲這種模式(稱為感知器)；對外部環境有適應能力，能自動提取外部環境變化特征(稱為認知器)。在神經網絡學習中由外部提供的模式樣本信號(稱為教師信號)，BP神經網絡需要有教師信號進行學習，如圖2[13，14]。 BP網絡是一種對非線性可微分函數進行權值訓練的多層網絡，它的最大特點是僅借助樣本數據，無須建立系統的數學模型就可對系統實現由若干輸入神經元的模式向量P組成的pm空間到yn空間n(為輸出節點數)的高度非線性映射。為解決多層前向神經網絡權系數優化提出BP算法，其拓撲結構是一種無反饋的多層前向網絡。輸入部接收外來的輸入樣本X，由訓練部進行網絡的權系數W調整，然后由輸出部輸出結果[15]。在BP神經網絡計算過程中，期望輸出信號可以作為教師信號輸入，由該師信號與實際輸出進行比較，產生的誤差去控制修改權系數W。學習機構可用圖3來表示[9]。神經網絡的學習需要多次重復訓練，使誤差值逐漸向零趨近，最后到達零，獲得輸出與期望一致目標[16]。

圖1 神經網絡學習系統

圖2 三層BP網絡結構

圖3 學習機構

信號的前向傳播過程中，隱含層第i個節點輸入為：

(1)

隱含層第i個節點輸出為：

(2)

輸出層第k個節點的輸入nk為：

(3)

輸出層第k個節點的輸出nk為：

(4)

誤差的反向傳播過程對于樣本P的誤差準則函數Ep為：

(5)

系統對P個樣本總誤差準則數為：

(6)

式中：Wij為輸入層中，第j個節點到隱含層第i個節點之間的權值，Wki代表的是隱含層與輸出層之間，第i個節點到第k個節點的權值，xj代表的是輸入層的第j個節點的輸入；代表的是隱含層第i個節點的閾值；ak代表的是輸出層第k個節點的閾值；ok代表的是輸出層第k個節點的輸出值[13]。

3 基于BP神經網絡算法優化的鏈條鍋爐入爐煤水分摻混系統

通過BP神經網絡算法以呼和浩特氣象條件X1、采暖負荷X2、儲煤倉溫濕度X3、進廠煤質水分含量X4、入爐煤水分摻混量X5以及鏈條鍋爐燃燒效率測試日時均值為輸入樣本信號，將數據分為訓練樣本、驗證樣本、測試樣本進行訓練。使用MATLAB軟件編程建立訓練樣本，設置隱含層為8層，學習率為0.035。訓練函數設置為train，設置50 000次訓練。由訓練部進行網絡權系數調整，輸入樣本信號Xi量化至區間[0，1]。隱含層輸出為：

hj=fh(nj+bj)

(7)

式中：hj為隱含層第j個節點的輸出；wij為輸入層的第i節點至隱含層的第j節點的權重；bj為隱含層第j的偏置量；xi為輸入層的第i個分量；fh為輸出層到隱含層的激活函數，文中選擇雙曲函數。

輸出層的輸出為：

(8)

鏈條爐排鍋爐入爐煤水分摻混量預測模型以呼和浩特氣象條件、采暖負荷、儲煤倉溫濕度、進廠煤質水分含量、入爐煤水分摻混量等變量為輸入參數，入爐煤摻水量為輸出參數。在試驗得到的數據中，隨機選取若干組作為訓練樣本，其余作為測試樣本。通過BP神經網絡算法確定入爐煤水分摻混量預測值。

4 結論

通過入爐煤摻水量預測模型對訓練樣本和測試樣本的預測結果。設計與入爐煤水分采集裝置及控制系統。建立入爐煤水分摻混系統流程，如圖4所示。

圖4 入爐煤水分摻混系統流程

基于BP神經網絡算法建立的鏈條鍋爐入爐煤水分含量預測模型與自動水分摻混控制裝置可以為企業節約人工成本，提高企業經濟效益，為進一步優化鏈條鍋爐燃燒效率提供了理論試驗基礎。