失重法飛灰測碳儀實測預測組合模型

王 鵬，鄭圣鵬，解海龍

（1.東北電力大學能源與動力工程學院，吉林 吉林 210006；2.福建省計量科學研究院，福建 福州 3500033.東北電院開元科技有限公司，吉林 吉林 210006）

1 概 述

利用飛灰含碳量的在線監測數據調節煤粉爐的燃燒，歷來是提高電站鍋爐運行經濟性的重要手段。在眾多檢測方法中，主要可概括為微波法和失重法這2種類型。微波法誤差較大，受變工況的影響大，而失重法是被普遍認可的經典測量方法，基于該方法的在線監測系統，目前已應用于生產，但是，其可靠性和使用壽命問題嚴重影響了該系統的推廣使用。該系統的執行機構需進行采樣、灼燒、稱量、清灰等一系列反復動作，加之這套系統需在極其惡劣的條件下工作，所以長期可靠的運行是非常困難的；同時，灼燒爐加熱元件的氧化，飛灰分離裝置的堵塞，機械零部件的磨損，高溫多塵環境下對電子稱量裝置的干擾，也是影響其使用壽命的重要原因。所以整合可靠的軟件和硬件控制顯得勢在必行。現將LVQ神經網絡的自適應分類法和BP網絡的非線性擬合并結合數據庫技術，應用到灼燒失重法飛灰含碳量在線監測系統中，通過采集和積累大量的實測飛灰含碳量數據及其相關運行參數，通過LVQ網絡將熱力數據劃分大類及子類，使用BP網絡進行預測與飛灰測碳儀實測相結合的控制模式，仿真結果表明，整套模型預測精度能夠滿足工程精度要求。在硬件的控制方面，因加入了軟件預測系統，能逐漸減少機械系統的動作頻率，延長了整個系統的使用壽命。

2 失重法飛灰測碳儀模型

失重法的在線飛灰測碳原理是基于中國電力工業標準《飛灰和爐渣可然物測定方法》和《煤的工業分析方法》。當含有未燃盡碳的飛灰經高溫灼燒后，由于灰樣中殘留的碳被燃盡，使灰樣的質量出現了損失，利用灰樣的燒失量作為依據，計算出灰樣中的含碳量。該裝置解決了測量結果受煤質變化影響的問題，也解決了實驗室飛灰含碳量化驗值無法及時的反映機組運行當前狀態的問題［1］。

現設計了飛灰測碳儀模型，如圖1所示，上位機與就地控制單元進行通信，就地控制單元將指令發送至執行機構，采用多點無外加動力的自抽式取樣器，自動地將煙道中的灰樣收集到采樣機構的坩堝中，再由灼燒單元（包含灼燒爐和灼燒機構）內部的執行機構，將裝有灰樣的坩堝送入灼燒爐進行高溫灼燒，灼燒結束后，系統將對收灰前、收灰后及灼燒后所稱得的重量信號，送入信號分析單元進行數據計算，將處理結果（實時監測值）經過串行通訊電纜送入DCS以及計算機單元，灼燒后的灰樣通過系統的排灰裝置返回煙道，然后進行下1次飛灰的取樣和含碳量的測量。

圖1 失重法飛灰測碳結構模型

3 神經網絡軟預測控制模型

3.1 神經網絡原理

人工神經網絡理論從建立發展至今，主要存在幾種網絡：（1）基于非線性擬合的數學模型網絡；（2）聯想網絡；（3）競爭網絡。其他的神經網絡多為這幾種網絡功能的組合。BP神經網絡作為非線性擬合的代表網絡，也稱誤差反向傳播算法。它通過神經網絡計算輸入樣本所對應的輸出值，再將輸出值與期望值進行誤差分析，依照誤差值來反復修正權值，從而使網絡的輸出接近所希望的輸出值；LMBP算法是BP權值更新算法－牛頓法的變形，它采用了雅克布矩陣來近似逆矩陣，牛頓法的計算復雜且工作量大，同時吸收了最速下降法收斂快的優點，能夠應用到在線預測。

LVQ網絡是1種混合網絡，通過有監督和無監督的學習來形成分類［2］。LVQ網絡分為2層，第1層神經元將指定某個類，用于學習原型向量，對輸入空間的區域進行分類，傳來的分類信息在第2層中轉變成使用者所定義的類別。LVQ神經網絡的優勢在于：它不僅能夠對線性輸入數據進行分類，而且還能處理多維的、甚至是含噪、含干擾的數據。實驗證明，只要在各個隱層存在足夠的神經元，那么目標輸出的分類量將會得到相應的增加。

3.2 硬件控制方法

基于預測控制的硬件模型，如圖2所示。

圖2 硬件控制方法

上位機將電廠熱力參數數據p（k）從DCS中調出并將飛灰測碳儀實測數據傳輸至上位機中的軟件預測模型（LVQ－數據決策－BP）中，軟件預測模型將數據進行分類篩選并進行預測，轉換成多個不同工況下的BP神經網絡預測模型，通過控制模型中輸出的預測值n（k）和實測值y（k）的偏差e（k），使之逐漸停止飛灰測碳儀的動作，如實測與預測偏差e（k）較大，則重新啟動飛灰測碳儀的實測，對模型進行校正，提高預測精度。

3.3 軟件預測模型

文獻［3］用BP網絡進行了離線訓練，但由于BP網絡本身有著學習新樣本遺忘舊樣本的現象 ，加之建立BP模型所需樣本數并不能無限大，數據量的增多導致其速度和精度的明顯降低，小范圍的數據量所建立的模型，必然不適用于飛灰含碳量的預測，所以其并不完全適用于在線預測的控制，現提出1種BP神經網絡輔以LVQ網絡進行預測的方法，其軟件模型和運算步驟如下：

（1）通過DCS和飛灰測碳儀獲得電廠熱力參數以及飛灰含碳量樣本集P ＝ ｛p1，p2，...pq｝。

（3）將參數pi輸入進LVQ網絡進行訓練，對相似度判斷：＝－－，對任意ni有≥；j≠i，則輸出pi，進入第2層線性網絡，利用Kohonen規則對LVQ網絡競爭層進行訓練，若＝＝1則用下式訓練：i＊w1（q）＝i＊w1（q－1）＋α（p（q）－i＊w1（q－1）））若＝1≠tk＊ ＝0，則用下式訓練［4］：i＊w1（q）＝i＊w1（q－1）－α（p（q）－i＊w1（q－1）））。

（4）對于訓練完成的子類將其數據輸入至BP神經網絡進行訓練，得到各子類下的BP預測模型。對于預測值和實測值誤差超出設定范圍的類，轉步驟5。

4 模型仿真

（1）子分類數的選取

為了確定每個類下子類的數據量，用數學手段進行了仿真，根據現場飛灰含碳量數據的變動，將輸出選取了式（1）作為目標模型：

該模型曲線的變化能夠滿足鍋爐飛灰含碳量頻繁的變化，其中p為輸入向量，g（p）為目標輸出向量，分別選擇了25和50的樣本數作為檢驗，神經元的數量根據誤差要求可自適應調節，結果如圖3、圖4所示。

訓練所用的神經元結構經調校后均為1-10-1，50個樣本相對于25樣本的預測結果，在神經元數量足夠多的情況下總體誤差相差不大，但是個別數據誤差較大，最小相對誤差分別為0.045%和0.069%，最大相對誤差分別為20.81%和87.6%。而最大相對誤差通常發生基數較低的區域，當數據量提高到200時，預測最大相對誤差為5%，這表明在圖形的復雜程度一定，數據分布較為均勻的的情況下，預測精度和數據量成正比。

確定了每個類下的子分類數，按某600MW機組的運行特性，將測試數據按負荷區間段分為5個類進行訓練，分別為 BMCR，75%BMCR，50%BMCR，最低負荷，高加切除；各負荷區間段為一類，前述仿真試驗表明，選擇200的子類數進行預測能夠滿足工程誤差精度要求。根據子類數設定好預定分類權值并輸入LVQ網絡進行訓練，結果如圖5所示，為LVQ網絡分類的ROC性能曲線，其中橫坐標為誤判率，即為實際分類為假值判定為真值的概率，縱坐標為靈敏度，表示實際分類為真值判定為真值的概率，曲線下方與橫坐標軸的所包圍的面積表示變量對因變量的判定效果，面積越大，表示分類效果越好，圖5中所包圍的面積接近于1，說明訓練后的模型對于按負荷范圍分類的效果較好，幾乎很少存在誤判，這表明對于多維變化且較為復雜的輸入，按負荷范圍對其分類是可行的。

圖5 LVQ ROC性能曲線

表1是選取了經過LVQ分類以及BP網絡預測后的實測與預測部分數據，共10組，前5組以及后5組分別代表了BMCR和75%BMCR工況，ΔC／%表示了當前樣本在各組工況下實測和預測的相對誤差，分析數據可得全局預測，BMCR負荷和75%BMCR負荷的數據預測，具有更高精度，最大相對誤差分別為36.93%和2.36%。對于相同工況點的預測，如樣本8和樣本10所示，其相對誤差分別為36.93和0.92%以及13.12%和2.36%，同時還可以看出75%BMCR的平均相對誤差比100%BMCR的平均相對誤差稍高，表1數據充分表明了現使用模型的預測精度較高，數據穩定，個別不穩定點如樣本10，需要不斷地學習以提高數據穩定性和精度。

綜上所述，該模型對數據進行實時分類，并結合飛灰測碳儀實時獲取飛灰含碳量，及時地對模型進行訓練，保證了模型的實時性和準確性，模型對飛灰含碳量預測所產生的數據文件存儲于上位機中，在飛灰測碳儀運行時，通過labview調用dll文件接口與上行DCS以及下行就地控制單元進行通訊，主程序隔5 min訪問1次DCS，以便實時地獲取電廠熱力參數，得到較為精準的飛灰含碳量預測值，從而逐漸減少了飛灰測碳儀的動作次數，延長了其使用壽命。

表1 各工況實測和預測飛灰含碳量數值比較

5 結 語

分析了影響飛灰測碳儀使用壽命的因素，設計了預測與實測相結合的軟、硬件控制模型，并用仿真法確定了數據分類后各大類中子類的數據量。仿真結果表明，相較于傳統BP全局預測模型，該模型的分類效果好，預測精度較高，能夠逐漸訓練并逐步替代飛灰測碳儀的實測，減少其動作次數，為失重法飛灰測碳儀的可靠穩定運行提供了保證。

［1］劉鴻，周克毅.鍋爐飛灰測碳儀的技術現狀和發展趨勢［J］.鍋爐技術，2004，35（2）：65－68.

［2］Martin T.Hagan，Howard B.Demuth，Mark H.Beale：Neural Network Design［M］，PWS Publish Company.1996.

［3］周昊，朱洪波，曾庭華，岑可法，等.基于人工神經網絡大型電廠飛灰含碳量建模［J］.中國電機工程學報，2002（6）：96－100.

［4］Hechi Nielsen R.Theory of the back propagation neural network［M］.Proc of IJCNN，1989，593－603.