基于模糊神經網絡的燃煤鍋爐爐膛結渣特性研究

朱 超，郁 翔，李 峰，周熙宏，畢凌峰，楊 冬

(1.國網陜西省電力公司電力科學研究院，陜西 西安 710100；2.西安交通大學 動力工程多相流國家重點實驗室，陜西 西安 710049)

0 引 言

當前，我國電力行業仍以煤炭為主要能源消耗，加之電站鍋爐常用燃煤中的硫含量與灰分較高，易造成受熱面的積灰和結渣，而爐膛嚴重結渣將限制鍋爐出力，威脅機組運行的經濟性與安全性[1-3]。鍋爐爐膛結渣是一個不斷加劇過程，一旦發生結渣，爐內水冷壁的吸熱減少，導致水冷壁外壁溫與灰渣溫度升高，加上灰渣表面不平滑，灰渣更易發生黏附，加劇結渣過程[4]。爐膛結渣包含一系列錯綜復雜的物理及化學反應，不僅涉及煤灰的結渣特性，還受到煤燃燒、爐內傳熱傳質及管壁與灰渣靜電吸附等因素影響[5]。我國常用的判斷燃煤結渣特性的指標較多[6]，主要考慮灰分熔點和影響灰熔融溫度的灰分成分，也開發出許多研究煤灰結渣特性的特殊方法，但存在很大局限性。單一結渣判別指標分辨率較低，綜合判別指標并未充分考慮主要影響因素。因此，開發一種全面、綜合性的結渣預測模型將是進一步研究重點，可對鍋爐爐膛結渣程度進行有效監測[7-9]。楊冬等[6]依據煤灰渣組分工業分析，建立了綜合指標判據與單一指標判據的超臨界鍋爐結渣趨勢預判程序，該模型雖然運算速度快、結構簡單，但預測準確率偏低，且無法預測鍋爐燃用煤種不均勻時爐內情況。王宏武[10]采用不同的聚類算法預處理燃煤電站鍋爐結渣指標，通過支持向量機算法(SVM)預測爐膛結渣趨勢，該方法在選擇不同的聚類算法和聚類指標時，預測結果變化較大，若想獲得較高的預測精確度，則需進行多個分類計算，計算量較大。任林等[11]提出一種優化量子粒子群(QPSO)算法，建立了優化量子粒子群算法改進隸屬函數的模糊SVM燃煤電站鍋爐結渣傾向預判模型，通過與試驗結果對比，該模型準確度較好，但單一優化改進量子粒子群算法具有較大局限性。

判定鍋爐爐膛的結渣特性可被視為典型的模式識別問題，而神經網絡的一個重要功能是模式識別技術[11]。在上述研究基礎上，筆者將模糊數學理論和神經網絡相結合，采用4種不同類型的隸屬函數，將判別指標模糊化后，作為模型輸入，并將不進行模糊化處理的神經網絡作為對比，根據統計學原理，選用出現概率最大的結果作為最終指標，構造了爐膛結渣的模糊神經網絡模型，以此判定華能秦嶺電廠660 MW超臨界鍋爐常用混煤的結渣特性，為綜合評價鍋爐爐膛的結渣特性提供了新方法。

1 模糊神經網絡的拓撲結構

1.1 BP神經網絡算法

神經網絡算法不僅具有自我學習功能，能快速找到最優解，還有很強的泛化能力和一定的容錯能力，最顯著特點在于超強的非線性映射能力[12-13]。BP算法即多層前饋網的誤差反向傳播算法(Back Propagation)，在神經網絡中的應用極為廣泛，其核心思想是將每一個神經元的均方根誤差當作目標函數，依據不同訓練算法優化修正閾值與權值，將全局誤差調整到最小[14]。運算過程由2部分組成：輸入樣本的前向計算與誤差的逆向散布，其結構如圖1所示，初始運算循環中，由已知的樣本輸入數據，結合初始化的閾值與權值計算各隱層和輸出層神經元的輸入和輸出，根據神經元的實際輸出和期望輸出得到目標函數，依據不同訓練函數對閾值與權值求偏導來獲得修正值，依照輸出層—隱層—輸入層的順序逆向修正參數，網絡反復迭代計算，當達到設置的循環次數或要求的精度時，結束循環。

圖1 BP神經網絡的組成結構Fig.1 Composition structure of BP neural network

BP神經網絡網絡的前向計算：

(1)

式中，yj為對應神經元的輸出值；m為迭代計算次數；j為層數；f為傳遞函數；n為神經元總個數；i為神經元序數；wij為權值；xi為對應神經元的輸入值；θj為閾值。

誤差的反向傳播過程：

均方誤差E：

(2)

式中，Ri為對應xi的期望輸出向量。

(3)

(4)

其中，Δw為對應步長下權值的變化量；η為動量梯度下降算法中的步長，也稱學習算子或收斂因子(0<η<1)；Δθ為對應步長下閾值的變化量。

BP神經網絡是一種有監督式的學習算法，其使用分為2個過程：① 學習過程，根據輸入的學習樣本，不斷調整輸入層與隱層、隱層與輸出層間的權值和閾值，使輸入與輸出間建立特定的非線性映射關系，只有建立科學、有效的學習網絡才能利用此網絡實現后續計算預測。神經網絡學習過程如圖2所示。② 計算過程，輸入計算樣本，利用上述建好的各層間權值、閾值對樣本進行計算，得到預測結果。可以看出神經網絡預測結果的精確度取決于學習網絡輸入、輸出的準確性及廣泛性，因此需保證學習樣本盡可能準確和全面。

1.2 模糊邏輯與神經網絡的結合

爐膛結渣是一個模糊化的概念，結渣程度是一個由輕變重的歷程，筆者應用“模糊化”概念，將模糊數學理論與BP神經網絡算法串聯型結合，使用模糊數學理論，采用4種不同類型的隸屬度函數將判別結渣程度的6個指標模糊化后作為模型的輸入，以3種不同的爐膛結渣程度，“輕微”、“中等”與“嚴重”作為模型的輸出，構成模糊神經網絡模型，再根據上述BP算法進行訓練，最終可以用于預判鍋爐爐膛的結渣特性。

2 爐膛結渣模糊神經網絡模型

2.1 輸入判別指標的確定

造成鍋爐爐膛結渣的主要原因不僅包括煤灰自身因素，還包括鍋爐爐膛結構、運行參數2類外部因素[15]。目前我國判別結渣的指標較多，各指標在對應的適用范圍內具有一定精度[16]，僅靠單一指標很難準確預測結渣特性，其中硅比R(Si)和軟化溫度t2準確度最高[17]。另外選擇代表煤灰成分特性的指標如堿酸比R(B/A)、硅鋁比R(Si/Al)以及準確度最高的綜合指標R作為爐膛結渣的判別指標。此外，考慮到鍋爐運行方式對爐膛結渣特性影響，引入爐膛無因次最高溫度ψt，確定了6個評價指標，各指標表達式[17]具體為

(5)

φ(Fe2O3)=1.43w(Fe)+1.11w(FeO)+w(Fe2O3)，

(6)

R(B/A)=

(7)

R=5.41-0.002t2+1.24R(B/A)-0.02R(Si)+

0.28R(Si/Al)，

(8)

(9)

(10)

其中，w為質量分數；φ為當量；a、b分別為爐膛寬度、深度，m；Bj為計算燃料消耗量，kg/s；Qd為煤的低位發熱量，kJ/kg；ηf為二次風層數；ξ為衛燃帶修正系數；Ca為二次風距，m；Fw為衛燃帶面積，m2；h為燃燒器高度，m。不同判別指標的結渣評價標準見表1。

表1 不同判別指標的評價標準Table 1 Evaluation criteria of discriminant indexes

2.2 輸入判別指標的模糊化

通常將鍋爐爐膛結渣情況劃分為“輕微”、“中等”、“嚴重”3種程度。由于結渣程度難以量化，不同結渣程度之間沒有明確的界限，因此引入每一個指標的隸屬度函數將其模糊化處理，求得指標相應的不同結渣程度的隸屬度。利用隸屬度函數將輸入判別指標模糊化，得到模糊集合，作為神經網絡模型的輸入。采用不同隸屬度函數對輸入數據進行處理，得到不同的模糊集合，作為神經網絡計算數據初始值計算時會得到不同結果，分別利用4種隸屬函數對每一輸入項進行了模糊化處理：三角形(Trimf)、梯形(Trapmf)、高斯形(Gaussmf)以及π形(Pimf)，另設一傳統神經網絡(No-fuzzy)即不進行模糊化處理的神經網路與上述4種模糊化處理后的網絡進行比較，4種隸屬函數的數學模型如圖3所示。

圖3 隸屬函數數學模型Fig.3 Mathematicalmodel of membership function

以硅比R(Si)為例，分別寫出了三角形隸屬函數對應不同結渣程度的表達式。其他判別指標函數形式相似，構造各種類型的隸屬度函數，求得不同判別指標的隸屬度。

(11)

(12)

(13)

其中，r1、r2、r3分別為“輕微”、“中等”、“嚴重”的隸屬度。輸入層經模糊化處理后作為網絡結構的第1隱層，因此第1隱層共3×6=18個節點。

2.3 第二隱層與輸出層的確定

輸出層設置3個神經元，分別對應于樣本結渣程度，“輕微”、“中度”、“嚴重”。由于輸出層與隱層間的傳遞函數采用了S型傳遞函數，因而輸出層各神經元的輸出值只能趨向于但不能等于1和0。規定“輕微”、“中度”與“嚴重”3種結渣程度分別對應的輸出為(0.99，0.01，0.01)、(0.01，0.99，0.01)、(0.01，0.01，0.99)。所建立的模糊神經網絡拓撲結構以Trimf形為例如圖4所示。

圖4 模糊神經網絡拓撲結構Fig.4 Topology of fuzzy neural network

在MATLAB神經網絡工具箱中的訓練函數有:附加動量法(Traingdm)、自適應學習速率法、共軛梯度法、RPROP方法、擬牛頓法以及Levenberg-Marquardt方法(Trainlm)[19]。使用MATLAB神經網絡工具箱對建立的模型進行訓練和計算，與C/C++、FORTRAN等語言相比，MATLAB的功能更加強大，且語法規則簡單。

2.4 各層節點傳遞函數

傳遞函數包含3種：Purelin型、Logsig型以及Tansig型。3種傳遞函數的表達式如下：

fp(x)=x，

(14)

(15)

(16)

傳遞函數曲線如圖5所示。

圖5 傳遞函數曲線Fig.5 Transfer function graph

輸入層經模糊化處理后通過Purelin型傳遞函數線性傳遞給第1隱層，根據隸屬函數性質可知此時第1隱層值域為(0，1)，為確保輸出層值域的廣泛性，第2隱層和輸出層間傳遞函數選用Logsig型傳遞函數，輸出層值域同樣為(0，1)。

2.5 訓練函數和學習函數

訓練函數的功能在于全局調整神經網絡的閾值與權值，現有函數10多種，由于構建的神經網絡較為簡單，學習樣本較小，選用Trainlm訓練函數。Trainlm訓練函數適用于中等規模的神經網絡，具有學習速度與收斂速度快等特點。

學習函數是對訓練函數的進一步補充，用于局部調整閾值和權值。訓練函數計算得到閾值和權值后，由學習函數重新調整閾值和權值進行，再由訓練函數進行訓練，不斷重復。選用帶動量的梯度下降的權值和閾值學習函數(Learngdm)。

3 計算結果及分析

3.1 模型驗證

在文獻[18,20]中38組不同鍋爐數據的基礎上，利用28組作為神經網絡學習數據，其他10組作為驗證數據。分別用4種模糊神經網絡和傳統神經網絡進行學習和預測。傳統的神經網絡直接將6項判別指標歸一化處理后作為輸入項，未進行模糊處理。表2和表3為驗證集數據和不同神經網絡的預測結果。

續表

表3 不同的神經網絡預測結果Table 3 Different neural network prediction results

根據表3預測結果，傳統BP神經網絡的精度為70%，而4種模糊神經網絡的預測結果更加精確，依次是80%、90%、90%和100%，由不同隸屬度函數構造的模糊神經網絡預測結果存在偏差。雖然π形隸屬度函數構造的模糊神經網絡預測精確度為100%，但由于預測樣本較少，不能保證該模型對所有樣本都能達到100%。因此，引入統計結果指標，并通過各種隸屬度函數構造的模糊神經網絡的計算結果來獲得最終統計預測結果。與單一模糊神經網絡相比，精確度大幅提高，只要確保學習過程選用的樣本范圍足夠大，便可進行預測，且預測精確度高，對不同爐型和煤種的包容性更大。

3.2 實例計算分析

對華能秦嶺電廠660 MW鍋爐BMCR負荷運行時爐膛結渣情況進預測，分別對該機組常用華亭煤(煤種1)、黃陵1號煤(煤種2)、75%華亭煤和25%黃陵1號煤混配煤(煤種3)、50%華亭煤和50%黃陵1號煤混配煤(煤種4)以及、25%華亭煤和75%黃陵1號煤混配煤(煤種5)進行爐膛結渣預測，混配煤的煤質指標根據配煤煤質指標計算得到，表4為煤灰工業特性分析數據，表5為爐膛結渣判別指標計算結果。

表4 煤灰工業特性分析數據Table 4 Analysis data of coal ash industry characteristics

表5 爐膛結渣判別指標Table 5 Discriminant index of furnace slagging

根據表5計算結果，將該機組燃用不同煤種時的不同結渣判別指標值輸入上述構建好的模糊神經網絡進行預測計算，預測結果見表6。

表6 不同神經網絡計算結果Table 6 Different neural network calculation results

由表6可知，單一燃用華亭煤時，所有神經網絡模型預測結果均為嚴重結渣；燃用黃陵1號煤時，除No-fuzzy型神經網絡預測結果為中等，其余均為輕微結渣，因此判斷為輕微結渣；燃用摻燒25%黃陵1號煤的配煤時，Trimf型和Trapmf型神經網絡預測結果為中等結渣，其余均為嚴重結渣，因此判斷為嚴重結渣。燃用摻燒50%黃陵1號煤的配煤時，No-fuzzy型神經網絡預測結果為輕微結渣，Trapmf型神經網絡預測結果為嚴重，其余均為中等結渣，因此判斷為中等結渣。燃用摻燒75%黃陵1號煤的配煤時，No-fuzzy型神經網絡預測結果為輕微結渣，其余均為中等結渣，因此判斷為中等結渣。綜上所述，在單獨燃燒華亭煤時，存在較嚴重的爐膛結渣問題，而適當摻燒黃陵1號煤時，爐膛結渣情況緩解。該方法預測結果準確，為綜合評價鍋爐爐膛的結渣特性提供了一個新途徑。

4 結 論

1)在選擇輸入評判指標時，充分考慮了煤灰本身結渣特性和鍋爐結構及運行工況的影響，選取了最具代表性、分辨率較高的幾個因素作為本模型的判別指標，并將反映鍋爐運行情況的結渣判別指標—無因次爐膛最高溫度ψt納入模型，將鍋爐的運行工況考慮在內，判別依據更加全面。

2)將模糊數學理論與BP神經網絡相結合，采用4種不同類型隸屬函數，將判別指標模糊化后，作為模糊神經網絡模型的輸入，并將不進行模糊化處理的神經網絡作為對比，根據統計學原理，選用出現概率最大的結果作為最終評判指標，增加預測結果的精確度。

3)采用構造好的適合于鍋爐爐膛結渣的模糊神經網絡模型對華能秦嶺電廠660 MW超臨界鍋爐BMCR負荷運行時爐膛結渣情況進預測，結果表明該機組在燃用華亭煤時嚴重結渣，適當摻燒黃陵1號煤時中等結渣，因此可采用摻燒優質煤來改善爐膛結渣狀況。該模型預測結果準確，為綜合評價鍋爐爐膛的結渣特性提供了新方法。