基于運行狀態信息融合的電站制粉系統實時優化研究

朱龍彪，王 恒，賈民平，陳左亮

（1.南通大學 機械工程學院，南通 226019；2.東南大學 機械工程學院，南京 211189；3.大唐南京下關發電廠，南京 210011）

0 引言

在我國，球磨機制粉系統是火電廠主要的輔助系統。對于中間倉儲式制粉系統，火力發電廠廠用電占電廠總發電量的10%左右，而制粉系統約占廠用電的15%～20%，是電廠的耗電大戶之一，也是潛在的節能大戶[1～3]。降低制粉系統的能耗，實現經濟優化運行，對于電廠降低成本、提高競爭力具有重要的意義。由于制粉系統具有非線性、時變性和強耦合的特點，同時由于受到測量手段的局限，一些工藝參數(如料位、煤粉細度)難以在線直接測量，導致了用常規的機理模型來進行系統優化具有一定的局限性。

球磨機制粉系統優化的方法一般是根據電廠制粉系統的實際情況，設計和安排系統優化試驗，通過試驗來確定制粉系統的最佳工作點和最佳運行方式[4,5]。這種優化方法多是基于試驗基礎上的區間優化或結構參數的調整，一般可以根據實際情況對制粉系統進行優化調整，指導實際運行。但是，需要做大量的試驗、成本高、工作量大、實驗數據分散，同時該方法并且沒有形成具有定量和適合于自動控制的參數化工況，使得系統的優化和自動控制是相互獨立的。

隨著人工智能技術的發展，目前文獻出中已有基于建模法來對熱工系統進行優化[6～8]，其基本思路是依據系統的過程特性與生產過程中的技術要求、限制條件和安全性等，抽象出具體的數學模型，包括目標函數、約束條件，在數學模型的基礎上，采用適當的優化算法進行系統的優化求解，以獲得熱工系統的優化運行參數，指導運行人員的操作。但是上述算法中的模型都是離線得到的，并不適合在線建模和實時優化。所謂實時優化，就是指根據所得到的各種信息，利用計算機自動地周期性地完成優化計算，并將最優參數值直接送到控制器作為設定。事實上，由于電廠DCS系統或專用的實時數據庫中保存了機組運行時所有必要的實時數據，這些數據反映了機組的運行狀態信息，利用這些實時數據，并通過非線性在線建模技術，就能得到制粉單耗與當前運行工況之間的數學關系。

針對目前制粉系統優化方法的不足，本文基于在線神經網絡建模算法，建立了制粉單耗與各種影響因素之間的非線性模型，并結合遺傳算法對上述模型進行尋優，獲得可控變量參數的優化值，為實現系統優化控制奠定了基礎。

1 球磨機制粉系統的優化目標

球磨機制粉系統的優化目標是在保證系統安全穩定運行的基礎上、在滿足鍋爐燃燒煤粉細度的前提下，使球磨機運行在高出力工況下，使得制粉單耗盡可能降低。

球磨機消耗的電網功率按下式計算[9]：

式中，ηcd—電動機至球磨機的傳動效率，一般可取為0.885；

ηdj—電動機效率，取為0.92；

Kr—考慮燃料性質的系數，與燃料種類和鋼球充滿系數有關，對無煙煤Kr=0.95，其他的煤Kr =1.05，筒中無煤時Kr=1.0；

S—筒體和護甲的總厚度(波浪型護甲按波的中心線計算)，一般有S=D/40。

根據磨煤出力和消耗的電網功率，可以確定磨煤單耗為：

由于給煤機電耗占制粉系統總電耗的比重很小，而且幾乎不隨系統調整而變化，一般情況下不考慮給煤機的電耗。因此，整個制粉系統的電耗主要包括球磨機電耗和排粉機電耗兩部分，即：制粉系統總電耗：Ps=Pdw+Ptf，則制粉單耗Es為：

式中，Em—磨煤單耗，KWh/t；Etf——通風單耗，KWh/t。

由式(1)可知，鋼球磨煤機磨煤時的功率消耗與無煤空載功率消耗相差無幾。在正常的鋼球裝載系數范圍之內，磨煤功率消耗只比空載運行增加5%[9]。這是因為球磨機運動部分(帶護甲的筒體和鋼球)的質量要比其中的燃料大許多倍，絕大部分能量消耗在轉動筒體和提升鋼球上。由此可知，球磨機的磨煤功率與磨煤出力無關，而磨煤的單位電耗隨出力的增加而降低。因此，為了提高球磨機的運行經濟性，通常要求球磨機在高出力下運行。

由式(3)可見，制粉單耗所包含的磨煤單耗和排粉單耗都與球磨機的出力有關，提高制粉出力不僅可以降低磨煤單耗，也可以有效降低排粉單耗，從而降低制粉單耗，是實現制粉系統系統優化的關鍵所在。因此，可將球磨機制粉系統優化問題轉化為單目標優化問題，即在保證安全運行的基礎上，如何調整制粉系統的運行參數，使得制粉單耗降低。

2 制粉單耗在線監測模型的建立

2.1 資源優化網絡算法

人工神經網絡模型具有很強的非線性映射能力、自學習適應能力、聯想記憶能力、并行信息處理能力及容錯能力，這些特點使神經網絡非常適合于復雜系統的建模與控制，特別是當系統存在不確定性因素時，更體現了神經網絡方法的優越性。神經網絡離線建模技術在實際中已經得到了較多的應用，目前在線建模方法也得到了越來越多的重視。Platt提出的資源分配網絡(Resource Allocating Network, RAN)[10]是典型的RBF神經網絡在線學習算法。V Kadirkamanathan和M Niranjan從函數空間的角度對RAN方法進行了描述，并采用擴展卡爾曼濾波器 (Extended Kalman Filter, EKF)算法[11]代替LMS算法調整網絡參數，改進了RAN方法的收斂速度，并可以降低網絡的復雜性，且在函數逼近和時間序列預測方面的性能明顯優于RAN方法，所得到的網絡稱為RAN-EKF。Lu針對RAN中隱節點數只增不減的缺點，提出了隱節點數可以按一定要求減少的最小資源分配網絡(Minimum RAN,MRAN)[12]。MRAN除滿足距離準則和誤差準則外，當前網絡對過去多個樣本偏差都過大時，才增加新隱節點；某隱節點對多個連續輸入的樣本不被激活后就刪除該節點。

RAN、RAN-EKF和MRAN可以實現在線學習，但這些方法存中，隱節點一旦添加就不能刪除。在線學習的情況下，隨著學習時間的增加，網絡的隱節點將越來越多，其中相當一部分隱節點可能是無用的或冗余的。根據神經網絡泛化理論，在滿足學習精度的情況下，網絡的規模越大，不僅會浪費系統資源，更會導致泛化能力變差。MRAN對隱節點的刪除做了簡單處理，但存在誤刪隱節點的可能性。此外，由于RAN、RANEKF和MRAN只用最新的單個樣本訓練網絡，容易陷入局部最優，且抗劣質樣本能力較差。另外，在數據中心調節過程中，部分數據中心的位置可能與網絡中其他數據中心趨于重合，還有部分數據中心可能移出正常工作區域，這都將浪費系統資源并影響網絡的泛化能力。

因此，比較合理的在線建模方法是在學習過程中使用最近的多個樣本，并動態調節網絡參數：在當前網絡對樣本偏差過大時在線生成隱節點；當偏差較小時，調節數據中心、輸出權值和偏移，消除誤差；當網絡中產生重合的隱節點時，合并冗余的節點；刪除對多個連續輸入的樣本不被激活的隱節點。基于上述思想，魏海坤提出了一種RBF網絡在線建模算法—資源優化網絡(Resource Optimized Network, RON)[13,14]，本文基于RON算法對制粉單耗進行在線建模與監測。

2.2 制粉單耗在線監測模型的結構

制粉單耗的影響因素有很多，其與球磨機出力、筒內料位、鋼球裝載量、鋼球直徑及配比、系統通風量、粗粉分離器折向門開度、煤種及煤質等諸多因素相關。這些影響因素歸納起來可以分為兩類，即設備參數和運行參數。設備參數主要是指鋼球裝載量、鋼球直徑配比、煤種和粗粉分離器擋板開度等設備相關參數，這些參數在運行時基本不會發生改變或者是隨時間緩慢變化；運行參數主要是指進出口壓差、磨電流、出口溫度等實時參數，這些參數直接反映了球磨機當前的運行狀況。

在煤種穩定的情況下，原煤水分和可磨性系數的變化對制粉單耗的影響不是主要因素，可以忽略這些因素的影響；現場實際運行中，當煤粉細度滿足要求時，粗粉分離器折向門開度一般維持在某個固定值，不需要經常變動；鋼球裝載量和直徑配比是慢時變過程，通過對球磨機電流的監測，定期補充一定數量的鋼球，可以基本維持不變，鋼球裝載量變化的影響可以不予考慮。因此，在上述影響因素穩定或者忽略不計的情況下，制粉單耗的主要影響因素歸結為球磨機出力、系統通風量和料位。

綜上所述，采用球磨機出口溫度反映煤粉干燥能力，用給煤量、球磨機電流表征磨煤能力，用筒體振動有效值、進出口壓差反映筒內料位的變化，用球磨機入口負壓和排粉機電流來反映系統的通風量。因此，選取球磨機電流、筒體振動信號、排粉機電流、球磨機出口溫度、入口負壓﹑進出口壓差和給煤量這7個過程參數作為資源優化網絡模型的輸入變量，將制粉單耗作為模型的輸出變量，制粉單耗在線監測模型結構如圖1所示。該模型反映了系統當前工況與制粉單耗之間的非線性映射關系。

圖1 制粉單耗在線監測模型結構

2.3 數據樣本的獲取

為了獲取制粉單耗建模的數據樣本，以某電廠135MW機組球磨機系統作為試驗對象，進行制粉出力全負荷的測試試驗。其中，球磨機筒體振動信號由現場同步采集，采集方法可參見文獻[15]，其他工藝量數據由電廠DCS系統的工程師站獲得。實驗開始時，調整現場采集計算機時間，使其與DCS系統時間保持一致。最后，將同一時刻采集的筒體振動數據和其余工藝量數據作為一組樣本，制粉單耗離線計算求得。試驗中球磨機的相關參數如表1所示。

表1 球磨機相關參數

2.4 建模結果與分析

選取給煤量為45t/h的工況下所獲得的試驗樣本數據50組，前40組數據作為神經網絡的訓練樣本，后10組數據用來驗證模型的泛化能力。在建模之前，輸入、輸出數據都進行歸一化處理。

RON 算法的參數選擇為：γ =0.97，L=10，εmin=0.001，δmax=18，δmin=1，κ=0.3，η=0.5，Cmax=100，max Epoch=200，Δcmin=Δrmin=0.01。模型計算結果如表2所示。

由表2可見，對于驗證樣本，RON建模結果的最大相對誤差為0.33%，建模的精度非常高。因此，可以認為建立的神經網絡模型具有良好的泛化能力。

表2 制粉單耗實際值與模型值的比較

為了便于比較，在Matlab運行環境下，給出RON算法與RBF網絡離線學習的正交最小二乘法算法(Orthogonal Least Square algorithm, OLS)、資源分配網絡算法(RAN)的辨識結果比較，定義性能指標PER如式(4)，比較結果如表3所示。

表3 幾種算法的辨識結果比較

由表3可見，無論是訓練誤差還是最終的隱節點RON都要優于RAN和OLS算法。在獲得較高建模精度的同時，也獲得了優化的網絡結構。盡管CPU運行時間上，RON算法要慢于OLS和RAN算法，但是由于球磨機系統對象時間常數比較長、慣性較大，故RON的運算速度是可以滿足工程實際建模需要的。

3 基于遺傳算法的球磨機系統的優化

應用已訓練好的制粉單耗模型來優化球磨機系統是從輸出到輸入，即求取在給定條件下當制粉單耗達最小時，各輸入參數所對應的工況。因此，球磨機系統優化的問題轉化成給定條件下使得目標函數制粉單耗最小的優化問題，優化參數采用決策模型中所選取的7個參數。在保證球磨機系統安全運行的前提下，同時兼顧現有的運行情況和設備狀況，每一個優化參數都有一定的運行范圍，這樣就構成了優化的約束條件。設優化參數為Xi(i=1,2,…,7)，每一個參數范圍設定為[ai,bi]。

綜上所述，球磨機系統優化問題可以描述為：

式中，Es為制粉單耗（KWh/t），f表示已訓練好的神經網絡所建立的非線性映射關 系；Xi(i=1,2,…,7)為優化參數，[ai,bi]是每個優化參數所對應的約束條件。

在對球磨機系統進行不同工況測試的基礎上，對已建立的制粉單耗優化模型利用遺傳算法進行尋優。遺傳算法優化的主要步驟如下：

1） 參數編碼

在研究的實際問題中，需要尋優的參數就是神經網絡模型的7個輸入量，同時分別對待尋優參數進行范圍限制，以保證系統在有效的范圍內尋求最優參數或次優參數，采用固定長度的二進制編碼的方式。

2 ）初始群體的設定

根據先驗知識對參數的取值進行限制，然后在滿足這些要求的解中隨機選取，即待尋優參數范圍的確定是參數的合理范圍，初始種群從該范圍內隨機選取。用這種方式產生初始種群可使遺傳算法更快地到達最優解。

3） 適應度函數的設計

適應度函數是根據目標函數確定的用于區分群體中個體好壞的標準，是算法演化過程的驅動力，也是進行自然選擇的惟一標準。球磨機系統優化的目標是尋求最優運行參數值，使得制粉單耗最小，這是目標函數最小化問題。因此，適應度函數可以直接取為制粉單耗，即

4）遺傳操作

圖2 制粉單耗遺傳算法尋優過程

遺傳操作主要包括選擇、交叉和變異。選擇運算采用比例選擇算子、交叉運算采用單點交叉算子、變異運算采用基本變異算子。

5）算法控制參數的設定

遺傳參數設置: 遺傳代數G=200，群體規模N=100，交叉概率Pc=0.6，突變概率Pm=0.10。

制粉單耗遺傳算法尋優過程如圖2所示。由遺傳算法優化優化得到的結果如表4所示（只列出可控參數）。同時為了便于比較，表4中列出了試驗中獲得的制粉單耗最小的實際工況參數。

表4 遺傳算法優化結果

由表4可見，通過遺傳算法優化得到的制粉單耗比實際運行中的最小制粉單耗低0.34 KWh/t。經計算，優化后的制粉單耗比測試試驗中的平均單耗低0.84KWh/t,此機組年耗煤量為40萬噸，上網電價為0.38元/千瓦時，則年效益可增加：

ΔP=4×105×0.38×0.84=127,680（元）

4 結論

針對目前制粉系統優化算法的不足，引入神經網絡非線性在線建模技術，提出了一種基于改進資源分配網絡算法的球磨機系統在線優化算法。基于資源分配網絡算法獲得制粉單耗與過程參數之間的非線性映射關系，在此基礎上，建立起球磨機系統在線監測模型，并利用遺傳算法對決策模型進行尋優，獲得優化運行參數。優化結果表明，該算法能有效地降低制粉單耗，較之傳統優化算法更為簡單實用，并且獲得料位、入口負壓和出口溫度等可控變量參數的優化值，為實現系統優化控制奠定了基礎。

[1] Peltier R.Coal plants work to stay competitive, compliant[J].Power, 2003, 147(1): 35-45.

[2] Leonard G.Austin, Heechan Cho.An alternative method for programming mill models[J].PowerTechnology, 2002,122(2-3): 96–100.

[3] M.A.Van Nierop, M.H.Moys.Exploration of mill power modeled as function of load behaviour[J].Minerals Engineering, 2001, 14(10): 1267-1276.

[4] 周名亮.300MW機組中儲式制粉系統優化運行的試驗研究[J].上海電力學院學報, 2006, 22(3): 217-220.

[5] 吳東垠, 盛宏至, 魏小林, 等.燃煤鍋爐制粉系統的優化運行試驗[J].中國電機工程學報, 2004, 24(12): 218-221.

[6] 羅子湛, 何祖威.基于系統辨識的中儲式制粉系統的運行優化[J].重慶大學報, 2005, 28(1): 60-64.

[7] 劉定平, 肖蔚然, 陸繼東.基于煤粉細度反饋控制的制粉系統優化[J].華南理工大學學報, 2007, 35(6):34-37.

[8] 禤莉明,卓小芳,何祖威.基于遺傳算法的火電機組制粉系統運行優化[J].系統仿真學報,2007,19(1): 156-158.

[9] 范從振.鍋爐原理[M].北京: 中國電力出版社, 1985: 48-62

[10] Platt J.A resource allocating network for function interpolation[J].Neural Computa, 1991(3): 213-225.

[11] Kadirkamanathan V, Niranjan M.A function estimation approach to sequential learning with neural network[J].Neural Computa, 1993(5): 954-975.

[12] Lu Y, Sundararajan N, Saratchandran P.Analysis of minimal radical basis function neural network algorithm for real-time identif i cation of nonlinear dynamic system [J].IEEE Proc.Control Appl., 2000, 147(4): 476-484.

[13] 魏海坤, 徐嗣鑫, 宋文忠.基于RBF網絡的火電機組實時成本在線建模方法[J].中國電機工程學報, 2004, 24(7):246-252.

[14] 魏海坤, 丁維明, 宋文忠, 等.RBF網的動態設計方法[J].控制理論與應用, 2002, 19(5): 673-680.

[15] Peng Huang, Minping Jia, Binglin Zhong.Investigation on measuring the fill level of an industrial ball mill based on the vibration characteristics of the mill shell[J].Minerals Engineering,2009, 22(14): 1200-1208.