基于BP神經網絡的鍋爐效率在線測量

許樂飛，李少華，孟立新

(1．東北電力大學能源與動力工程學院，吉林 吉林132012;2．同煤大唐熱電有限公司，山西大同037003)

0 引言

目前，我國比較常用的鍋爐試驗規程如國標GB標準和美國ASME標準都有對鍋爐效率計算的數學模型。但是無論哪種計算模型，都需要入爐煤的分析數據、環境參數、運行參數等，而且測點多且有些測點對測量技術要求高，使整個鍋爐效率計算過程繁瑣，用于現場實時在線監測具有一定的難度。然而，神經網絡中單個神經元具有反映非線性本質特征的能力，將這些簡單的神經元進行任意組合，可使神經網絡建立任意的非線性連續函數。通過神經網絡的訓練和學習，使神經網絡可以獲取數據之間內在的規律，從而對未來進行預測。因此，本文以電廠鍋爐實際運行數據為依據，通過分析選取與鍋爐效率密切相關的且易于測量的參數作為輸入變量，利用BP神經網絡來預測鍋爐效率。

1 簡化的國標鍋爐效率計算模型

鍋爐效率反平衡計算公式如式(1)所示，q2～q6分別為排煙熱損失、氣體未完全燃燒熱損失、固體未完全燃燒熱損失、散熱損失和灰渣物理顯熱損失。對于煤粉爐，式(2)－式(6)已按照國標規定對其進行了簡化［1］。

從式(1)－式(6)可以看出，國標中規定的鍋爐熱損失項目不多，但是每一項的影響因素較多，數據測量計算量大，實時在線計算鍋爐效率比較困難，歸結原因如下:

1)排煙熱損失q2項中需計算出干煙氣容積和煙氣中水蒸氣容積，因此需知道入爐煤的各項元素分析，但是一般電廠只能進行煤的工業分析。如何知道入爐煤的變化是一個難點。

2)固體未完全燃燒熱損失q4和灰渣物理熱損失q6的計算都需知道飛灰含碳量和爐渣含碳量。精確的飛灰含碳量及爐渣含碳量測量方法為燃燒稱重法，此種方法為實驗室測量方法，一般需要幾個小時的時間，測量結果嚴重滯后。

2 鍋爐效率的影響因素及其影響特性

2.1 煤質變化的影響

一般電廠都難以做到按設計煤種投爐燃燒，而是混摻幾樣煤種燃燒，盡量接近設計煤種，這樣就使得煤的成分發生變化。由文獻［2］得知，經過對20多種不同類型和產地的煤的化學分析，可得到煤的收到基低位發熱量Qnet，ar與理論煙氣量Vy之間的關系如下圖1所示，由此可見用Qnet，ar可以表征Vy。

圖 1 Qnet，ar與 Vy 的關系圖

目前，由于煤的低位發熱量的在線分析儀還沒有出現，一般先進行煤的工業分析或元素分析，然后再根據相關公式進行計算獲得，這樣使得數據獲取滯后［3］。通過對50種煤樣工業分析的數據的分析觀察，發現低位發熱量與煤質的收到基水分、灰分具有很好的線性關系，如圖2所示。

繼續對這50組數據進行回歸分析，可得到煤低位發熱量與收到基灰分、水分之間的關系式(7)及圖3回歸分析的預測值與實際值的對比圖。

從圖3中可以看出，煤的低位發熱量的預測值和實際值非常接近，而且公式(7)的方差為0.928 6，也表明煤的低位發熱量的預測值和實際值相差不遠，回歸分析所得的煤的低位發熱量與煤的收到基灰分、水分之間的關系穩定。因此，可以通過在線監測煤的收到基灰分、水分來獲得煤的低位發熱量。目前實時性的煤質分析技術有核技術(低能γ射線反散射法、雙能γ射線穿透法等)、近紅外技術等，由于不受采樣的限制，它們都可以不間斷地檢測煤質，且測量精度高［4］。

2.2 排煙溫度的影響

由式(2)、式(6)知，排煙溫度的變化必會引起排煙熱損失、灰渣物理顯熱損失的波動。排煙熱損失是鍋爐各項損失中最大的一項，約為4%～7%，占整個熱損失的50%～70%［5］。一般情況下，排煙溫度升 10℃，排煙熱損失隨之增加 0.4% ～0.6%［6］。除此之外，由于排煙溫度升高，飛灰溫度隨之升高，同樣質量的飛灰所攜帶的熱值增大，灰渣物理顯熱損失增多，影響鍋爐效率。

一般電廠都是在鍋爐尾部煙道各個方向布置溫度傳感器，實現對排煙溫度的在線測量。

2.3 過量空氣系數的影響

過量空氣系數對鍋爐效率的影響是正反兩方面的:氧量增大有利于煤粉的完全燃燒，減少未燃可燃物及一氧化碳造成的損失;氧量增大，使煙氣量增大，排煙溫度升高，干煙氣損失、各項水分引起的損失及灰渣顯熱損失增大;氧量增大，使送、引風機電耗增加，造成廠用電率和單位煤耗增多。一般通過在線監測鍋爐尾部煙氣中含氧量，再根據式(8)來間接獲得過量空氣系數，表達式為

電廠都裝有氧量在線測量儀，如氧化鋯氧量儀。一些科研單位研發的新式排煙溫度測量儀、煙氣分析儀等，能對排煙溫度進行在線連續測量。

2.4 飛灰含碳量的影響

由式(4)、式(6)知機械未完全燃燒損失、灰渣物理顯熱損失主要是由灰渣和煙氣中未燃碳引起的，占鍋爐全部輸入熱量的1%～4%。根據國標規定，灰渣組合成分按飛灰占90%、爐渣占10%取，因此這兩項損失主要取決于飛灰含碳量的大小。

實際運行中鍋爐飛灰含碳量受配風方式、煤種、氧量、負荷以及燃燒器擺角等因素影響，選取某300 MW電廠鍋爐65組穩定工況下得到的運行數據，經過數據統計發現飛灰含碳量與鍋爐負荷和排煙氧量分別成線性關系，如圖4、圖5所示。

通過Excel數據分析宏對這65組數據進行回歸分析，得:

圖6是采用回歸分析后得到的65組預測值與實際值的結果比較，從圖6中可以看到用回歸分析所得的數學模型式(9)，能較好地預測飛灰含碳量的值和證明該模型的可行性。

圖6 Cfh預測值與實際值的比較

2.5 進風溫度的影響

從排煙熱損失及灰渣物理顯熱損失來說，空氣溫度越高，造成的損失越大［7］，其原因在于空氣溫度升高減弱了空氣預熱器的換熱能力，同時使干煙氣、煙氣中的水蒸氣及灰渣的平均溫度變高，使它們的焓值增大，故熱損失增多;空氣溫度的升高還會使送風機出力降低，增加送風機電耗;空氣溫度的升高增加了燃料的著火熱，有利于煤粉的穩定燃燒，不至于著火不穩而需增加燃料量。以某電廠鍋爐帶暖風器運行為例，將進入鍋爐系統的空氣溫度從20℃逐漸調至50℃，計算其鍋爐效率。結果表明，當進入鍋爐的空氣溫度每提高10℃，鍋爐效率下降0.35%。

3 BP神經神經網絡鍋爐熱效率模型

3.1 建立BP神經網絡的鍋爐效率預測模型

BP(Back Propagation)神經網絡，是一種誤差反向傳播的多層前饋網絡，由信息的正向傳播和誤差的反向傳播兩個過程組成。BP神經網絡的學習規則是使用追速下降法，通過反向傳播來不斷調整網絡的權值和閾值，使網絡的誤差平方和最小，收斂速度快。因此，根據以上分析，可建立以煤的收到基水分、煤的收到基灰分、排煙溫度、排煙氧量、鍋爐負荷和冷空氣溫度為輸入變量，鍋爐效率為目標輸出變量的BP神經網絡，其結構如圖7所示。

選取某電廠2號125 MW鍋爐試驗過的30組數據作為BP神經網絡的訓練樣本，另外10組數據作為預測驗證樣本。經反復選取訓練函數和模型特征參數后，發現當網絡結構為6－14－13－1，節點傳遞函數分別取為tansig、tansig、purelin，學習算法取為量化攀登共軛梯度法trainscg時，網絡的收斂速度最快。其模型特征參數為:迭代過程顯示net．trainParam．show=100;最大訓練次數net．trainParam．epochs=5 000;訓練目標誤差 net．trainParam．goal=1e－3。

3.2 BP神經網絡的訓練和驗證

該BP神經網絡的訓練過程如圖8所示。由圖

圖7 鍋爐熱效率BP神經網絡模型

8可知，當訓練達到1 877步時，模型達到了預期的誤差目標，訓練結束。

圖8 BP神經網絡的訓練過程

圖9、圖10是該神經網絡訓練樣本和預測驗證樣本的預測輸出和期望輸出。從圖9、圖10中可以看出，無論是訓練樣本還是預測樣本的預測輸出鍋爐效率值與實測的鍋爐效率值都非常接近。這表明，該神經網絡訓練集誤差和預測集誤差都較小，網絡具有良好的泛化能力，能較準確地預測鍋爐效率，同時也說明了該模型的正確性。

4 結論

1)煤的低位發熱量與燃燒所產生的理論煙氣量存在著線性增長關系，低位發熱量越大，理論煙氣量越多。在實際電廠運行中，可以采用在線測量的煤的收到基水分、灰分來表征煤的低位發熱量，其回歸線性關系式見式(7)。

2)鍋爐負荷和排煙氧量分別與飛灰含碳量存在著線性增大與減小的關系，采用回歸分析得到鍋爐負荷、排煙氧量與飛灰含碳量的關系式(9)，據此，可以通過在線監測鍋爐負荷和排煙氧量來預測飛灰含碳量。

3)基于BP神經網絡的鍋爐效率預測模型其訓練樣本與預測樣本非常接近，具有良好的泛化能力，因此可以用于工程實踐測量鍋爐效率。

4)該鍋爐效率BP神經網絡預測模型，采用少量的測量數據即可得到鍋爐效率，簡便可行。現場運行人員根據得到的鍋爐效率及時準確地調整鍋爐運行參數，使機組保持在最高的鍋爐效率下運行，對于機組的節能降耗具有重要意義。

［1］汪永祥，王德彬．采用煤低位發熱量計算煙氣量方法的探討［J］．吉林電力，2008，36(5):11 －14，53．

［2］劉天新，韓士杰，楊小平，等．利用工業分析結果推導計算我國煤低位發熱量的新公［J］．煤炭科學技術，1992(7)．

［3］王友壯，顧炯，薛偉超．熱電廠煤質在線分析的應用［J］．煤，2010，19(8):30 －32．

［4］容鑾恩，袁鎮福，劉志敏，等．電站鍋爐原理［M］．北京:中國電力出版社，1997．

［5］孫中國．煤質水分、熱值變化對排煙溫度及鍋爐效率的影響［J］．鍋爐制造，2010(2):19 －22．

［6］周昊，朱洪波，曾庭華，等．基于人工神經網絡大型電廠鍋爐飛灰含碳量建模［J］．中國電機工程學報，2002，22(6):96 －100．

［7］劉林波，李斌，藺殿軍．進風溫度變化對鍋爐修正排煙溫度和修正熱效率的影響［J］．華中電力，2004，17(2):20 －22．