基于人工神經網絡的電站鍋爐積灰實時監測系統

楊祥良, 安連鎖, 孫鑫強, 孫保民, 沈國清

(華北電力大學電站設備狀態監測與控制教育部重點實驗室,北京102206)

對流受熱面積灰是燃煤電站鍋爐經常遇到的問題,吹灰是確保火力發電廠安全、經濟及平穩運行的一個重要環節.以往的吹灰模式大多根據設計煤種和負荷工況進行定期吹灰.然而,我國煤種品位高低不等,變化范圍大,而且電站鍋爐供煤和配煤系統仍存在許多不完善之處,燃用煤質多變,有時偏離設計值較大,這使定期吹灰難以滿足當今電站鍋爐的吹灰需要.而影響受熱面積灰的因素十分復雜,利用物理模型進行仿真處理比較困難,難以涵蓋足夠的影響因素[1-2].吹灰不足會導致換熱效率低,進而影響鍋爐的效率;頻繁吹灰不僅會消耗大量能量,而且會因磨蝕和熱應力對鍋爐受熱面造成損壞,縮短受熱面的壽命,同時也增加了吹灰裝置的維修費用[3].在以往的灰污監測系統中,通常選擇的監測參數是灰污系數和熱有效系數,但無論灰污系數還是熱有效系數,在其推導過程中不僅需要工質側的參數,而且也需要煙氣側的參數,而煙氣側的有些參數很難直接測出(如煙氣流速),有些參數測定需要很苛刻的測量工具.因此,采用灰污系數或熱有效系數作為監測手段,在實際應用中不可避免地受到較大限制.筆者根據電廠實際的運行情況,采用人工神經網絡(ANN)技術構建了一個非線性模型,對受熱面積灰情況進行實時預測.

1 采用神經網絡技術監測對流受熱面積灰的原理

當受熱面受到灰污以后,其傳熱效能變差,主要反映在鍋爐對流受熱面換熱量的減少上,因而提取灰污特征參數作為監測依據.

清潔受熱面的吸熱量即為被監測受熱面在實際運行工況下被清潔時的吸熱量.因此,可將灰污特征參數定義為[4-5]：

式中：Qfouling為受熱面的實際吸熱量;Qclean為清潔受熱面的吸熱量.

當對流受熱面清潔時,T為最小值,即趨于零;當污垢很厚時,管壁溫度接近于煙氣溫度,受熱面吸熱量趨于零,T達到最大,即趨于1.從上面的分析可知,T能很好地反映灰污狀況.

對于被監測的受熱面,受熱面的實際吸熱量Q fouling可通過測得進出口工質的溫度、壓力和流量計算得到,其公式為：

式中：D為受熱面對應的工質流量;h2為工質出口焓;h1為工質進口焓.

進出口工質溫度、壓力和流量可通過電廠現有的數據采集系統(DAS)非常準確地得到,從而可以準確地計算出各受熱面的實際吸熱量,但是各受熱面在清潔狀況下的潛在吸熱量是受到許多因素影響的變量,呈現出很強的非線性特點,但可通過建立神經網絡模型解決.

2 神經網絡原理

人工神經網絡通過訓練獲得輸入量與輸出量之間的關系.人工神經網絡包含一個個互相連接的神經元,神經元之間通過線性或者非線性的傳遞函數相連接[6].這種結構使人工神經網絡能夠應用于一個非線性系統.本文建立模型使用的BP網絡這一名稱來源于它的學習算法：誤差反向傳播(Error Back Propagation)學習算法,簡稱BP算法,BP網絡是采用BP學習算法的網絡.經典BP網絡是全連接的前向網絡,可分成3個部分：輸入層、隱含層和輸出層.輸入層接受外界的信息;隱含層是特征表征層,用于儲存學習對象的特征信息;輸出層將網絡計算結果輸出[7].

對于輸入信息,要先向前傳播到隱含層的結點上,經過各單元的特性為Sigmoid型的激活函數(又稱作用函數、轉換函數或映射函數等)運算后,將隱含結點的輸出信息傳到輸出結點,最后給出輸出結果.網絡的學習過程由正向和反向傳播2部分組成.在正向傳播過程中,每一層神經元的狀態只影響下一層神經元網絡.如果輸出層不能得到期望輸出,即實際輸出值與期望值之間存在誤差,那么輸出層轉入反向傳播過程,將誤差信號沿原來的連接通路返回,通過修改各層神經元的權值,逐次地向輸入層傳播并進行計算,再經過正向傳播過程,通過這2個過程的反復運用,使誤差信號達到最小.人工神經網絡如圖1所示[8].

圖1 人工神經網絡示意圖Fig.1 Sketch of artificialneural network

3 仿真試驗

3.1 鍋爐系統簡介

本文選用美國燃燒工程公司(CE)的引進技術設計和制造的300MW鍋爐為研究對象,鍋爐為亞臨界參數、一次中間再熱、控制循環汽包爐,采用平衡通風、直流式燃燒器和四角切圓燃燒方式.設計燃料為神府東勝煙煤.鍋爐以最大連續負荷(BMCR工況)為設計參數,在機組電負荷為335.7 MW時,鍋爐的最大連續蒸發量為1 025 t/h;當機組電負荷為318.2 MW(額定工況)時,鍋爐的額定蒸發量為960 t/h,電廠鍋爐示意圖,見圖2.

圖2 電廠鍋爐示意圖Fig.2 Sketch of the boiler

3.2 試驗數據的采集與處理

電廠的DAS系統不間斷地采集數據并存儲在數據庫中,由于傳感器故障、人為疏忽以及系統問題等原因,在采集到的大量數據中難免存在一些錯誤的數據;另外,在突然升降負荷、啟停等非常規運行狀態下采集的數據都應從數據組中去掉,因為這些數據會迷惑人工神經網絡.因此,在用這些數據訓練神經網絡之前,應進行數據的預處理.為便于數據的處理,本文設計了SQL數據庫采集信息.由于預測數據的精度恒小于訓練數據的精度,因此必須嚴格地篩查錯誤數據,去偽存真.下面介紹數據處理的具體方法.

3.2.1 訓練數據的采集

為了通過神經網絡得到受熱面清潔時的吸熱量,必須用受熱面清潔時的數據來訓練網絡,以確定受熱面清潔時吸熱量與工況特征變量之間的關系.訓練樣本的個數不能過多,也不能過少.取對流受熱面吹灰器長吹工作后10 min的吸熱量為該受熱面的清潔吸熱量.SQL數據庫的表名設計示于表1.當吹灰器滿足上述條件時,將記錄1組數據存入數據庫當做訓練數據備用.

表1 采集用數據庫Tab.1 Detailof database for collecting

3.2.2 訓練數據的篩選

通過以上步驟采集到的數據必須經過篩選才能進行訓練,數據的篩選是分階段進行的.在開始時,辨認錯誤數據的一般方法為：觀察那些和相鄰數據反差很大、又不符合事實趨勢的數據,并將其剔除;另外,需特別注意數據走勢和密切相關的幾個參數之間的關系,如增加燃料量時,鍋爐的負荷必然會上升.

3.2.3 選擇合適的數據

通過選擇足夠多的數據訓練人工神經網絡是十分重要的.這里的足夠大是指盡可能多地取得不同負荷下的原始數據,以保持足夠寬的負荷值域,這樣才能在實際運行中得到比較滿意的精度,如圖3中末級過熱器的樣本點與主蒸汽流量關系曲線中的樣本點選取在這一區域,可看出末級過熱器的工質流量較為平緩,連續性強,因此是訓練數據的理想選擇.

圖3 選擇訓練數據Fig.3 Selection of training data

3.3 神經網絡模型的建立

3.3.1 輸入量的選取

影響鍋爐受熱面積灰結渣的運行因素很多,基本上可歸結為2個原因：機組運行工況的影響和該受熱面自身所處的狀況.結合這兩點,影響因素可進一步歸結為煤質、爐膛結構、燃燒方式和進風狀況等.由于爐膛結構和燃燒方式在鍋爐設計之初便已確定,均屬于不可人為控制的因素,對輸出的影響是不變的,因此可不作為輸入層的因素.煤質是一個模糊量,沒有一個定量的衡量,不好量化,但可用整個機組的燃煤量和進風量進行衡量.同時,這2個量還可定性地描述出整個機組所處的運行工況.為了更加準確地反映鍋爐的運行工況,筆者還增加了另外3個輸入參數：工質流量、工質入口溫度和工質壓力.工質流量包含了一級減溫水或者二級減溫水的信息.此外,燃燒器的投運方式也會對換熱情況有直接的影響,應予以考慮.神經網絡的輸入與輸出參數示于圖4.

3.3.2 ANN的結構與訓練

圖4 人工神經網絡的輸入與輸出參數Fig.4 Inpu t and output parameters for artificialneural netw ork

人工神經網絡的訓練是在Matlab軟件中完成的,本文采用改進的BP網絡,并運用了經典的3層網絡模型.根據多次調試,同時考慮到運行參數之間的復雜關系,將隱含層定為18個神經元比較合理.經神經網絡的泛化預測試驗,泛化精度良好.采集到的所有數據首先被隨機排列順序,然后被分為3組：前70%的數據用于網絡的訓練,后30%的數據用于驗證其準確性.

3.3.3 ANN的驗證

為了了解訓練好的 ANN的準確性,將以上30%未用于訓練的數據進行驗證.通過比較計算所得的吸熱量和實際測得的吸熱量,就可對ANN的準確性進行評價.圖5為低溫過熱器附近預測的吸熱量與實際測得的吸熱量情況.通過計算可以發現：實測吸熱量和預測吸熱量的最大誤差不超過10%,平均誤差為3%左右,這在工程實際中的效果相當理想.

圖5 低溫過熱器附近的實測吸熱量與預測吸熱量Fig.5 The actual and the p redicted heat absorption near low temperatu re superheater

表2為所有對流受熱面中預測的吸熱量和實際測得的吸熱量間的誤差.

表2 誤差分析Tab.2 Error analysis %

4 結 論

由于鍋爐系統的復雜性,要建立精確的物理模型是困難的.當電廠的負荷變化時,物理模型的精確性會降低,并產生較大偏差.相比之下,ANN模型處理真實數據不僅輸入量少,而且能達到與物理模型相當的精度,甚至比它更高.因此,當負荷變化的時候,采用這樣的模型能保證較高的精確度.由于ANN模型的響應速度較快,因此可以在線應用,這證明：ANN完全可以應用于燃煤鍋爐受熱面積灰的實時監測.通過分析與研究,采用來自實際電廠和ANN未知的數據組進行了自身驗證.驗證結果證明ANN應用于鍋爐受熱面積灰的實時監測具有足夠的精度.

[1] BHAM BARE K S,SUSHANTA K M,GA ITONDE U N.M odeling ofa coal-fired natural circulation boiler[J].J.Energy Resour.Technol.,2007,129(2)：159-168.

[2] LU S.Dynam ic modeling and simulation of power plant system s[J].Proc.Inst.Mech.Eng.：Part A,1999,213(1)：7-22.

[3] 蘭澤全,曹欣玉,周俊虎,等.鍋爐受熱面沾污結渣的危害及其防治措施[J].電站系統工程,2001,19(1)：21-23.

[4] 朱予東,閻維平,高正陽,等.600MW機組鍋爐對流受熱面污染狀況實驗與吹灰優化[J].動力工程,2005,25(2)：196-200.

[5] AFGAN N H,CAVALHO M G,COELHO P.Concepto f expert system for boiler fouling assessment[J].App lied Thermal Engineering,1996,16(10)：835-844.

[6] 胡守仁,沈清,胡德文,等.神經網絡應用技術[M].北京：國防科技大學出版社,1993：105-197.

[7] HAYKIN S.Neural netw orks,a comprehensive foundation[M].2nd ed.New Jersey：Prentice H all Inc.,1999.

[8] 黃德雙.神經網絡模式識別系統理論[M].北京：電子工業出版社,1996：37-105.