300MW循環流化床鍋爐燃燒控制算法研究

熊 彬 潘維加

（1.長沙理工大學電氣與信息工程學院；2.長沙理工大學電氣與信息工程學院）

1 引言

近幾年來，隨著節能環保、能源綠色發展政策的提出，循環流化床（CFB）鍋爐在熱電廠得到廣泛應用，在業界掀起了CFB鍋爐熱潮。2006年4月17日，國家重點項目——白馬示范電站引進技術的國內首臺300MwCFB鍋爐機組順利完成168h滿負荷試運，正式投入商業運行，為國內最大的循環流化床機組；2006年6月、8月，云南大唐紅河發電有限責任公司的兩臺300Mw機組相繼投入運行，是我國根據引進技術、自主設計制造的首臺300Mw循環流化床機組；2008年1月，完全由我國自主制造的首臺國產大型循環流化床機組的秦皇島發電有限責任公司撐5機組順利試車成功，并移交生產，標志著國內首臺國產化大型循環流化床機組正式投產發電。20lO年6月28日，由我院總承包的神華神東郭家灣發電廠300Mw循環流化床撐l機組順利完成了168h滿負荷試運。我國已經步入到大型循環流化床技術的飛速發展階段。

針對循環流化床（CFB）鍋爐分布參數、時變、非線性、多變量緊密耦合等待性，依據動態自適應方式建立模糊神經網絡，提出一種基于自組織模糊神經網絡的方法對CFB鍋爐燃燒控制系統進行建模。自組織模糊神經網絡具有較好的非線性逼近能力、較好的用戶友好性和較好的預測精度及泛化能力等優點，能夠很好地解決循環流化床鍋爐多變量耦合及其動態滯后特性；同時采用PSO雙層優化策略對自組織模糊神經網絡進行優化[1]。文中所提建模方法對某循環流化床鍋爐燃燒系統中床溫系統進行實際建模，仿真結果證實了該方法的可行性，對于循環流化床鍋爐燃燒系統的控制具有很好的實際意義和應用價值。

2 循環流化床鍋爐的基本原理

循環流化床燃燒是在鼓泡流化床燃燒的基礎上發展起來的，二者可統稱為流化床燃燒技術。眾所周知，煤的經典燃燒方式有層燃和懸浮燃燒兩種。層燃是將煤均布在金屬柵格即爐排上，形成一均勻的燃燒層，空氣以較低速度自下而上通過煤層使其燃燒。懸浮燃燒則是先將煤磨成細粉，然后用空氣流經燃燒器將煤粉噴入爐膛，并在爐膛空間內進行燃燒[2]。

當風速較低時，煤層固定不動，表現出層燃的特點。當風速增加到一定值（最小流化速度或初始流化速度）時，布風板上的煤粒子將被氣流“托起一，床層開始松動，氣體對粒子的作用力與粒子的重力相平衡，從而使整個燃料層具有類似流體的特性，形成鼓泡流化床燃燒（又稱沸騰燃燒）。當風速繼續增加，超過多數粒子的終端速度時，大量灰粒子和未燃盡的煤粒子將被氣流帶出流化床層和爐膛。為將這些未燃盡的煤粒子燃盡，可將它們從燃燒產物的氣流中分離出來，送回并混入流化床繼續燃燒，進而建立起大量灰粒子的穩定循環，這就形成了循環流化床燃燒。當氣流速度超出所有粒子的終端速度時，就成了煤的氣力輸送。如果使煤粒子足夠細，則可用空氣通過專用的管道和燃燒器送入爐膛使其燃燒，這就是煤粉的懸浮燃燒。層燃時，空氣流與燃料顆粒間的相對速度較大，燃料粒度組成不均且燃燒反應面積有限，因而反應速度地，燃燒強度不高，燃燒效率低。懸浮燃燒時，燃燒反應面積發生了極大的增加，使得反應速度極快，燃燒強度和燃燒效率高[3]。流化床燃燒介于二者之間。

3 自組織模糊神經網絡結構與粒子群算法研究

3.1 自組織模糊神經網絡結構

神經網絡具有非常好的非線性逼近能力，能夠逼近任何復雜的非線性系統，而且具有良好的自學習能力。但在應用中存在一些缺點：首先，網絡結構的建立需要使用者具有深入的神經網絡方面的理論基礎和應用經驗，限制著神經網絡的應用。其次，存在過學習問題。由于模型結構過于復雜，導致訓練精度高但是泛化能力低下，影響了神經網絡的性能。因此，近年來大量的進化神經網絡算法被提出，本文使用的自組織模糊神經網絡（SOFNN）算法便是其一。SOFNN由Gang Leng提出，它結合模糊推理邏輯和神經網絡自組織和并行處理的優勢，自動地決定網絡結構和模型參數[4]。其主要優點在于：具有很好的用戶友好性，能夠自動地決定網絡結構并且給出模型參數，能夠提供很好的精度。

自組織模糊神經網絡結構為五層，分別為輸入層、橢球基函數層、歸一化層、模糊決策層和輸出層。第一層輸入層。本層中的每個神經元代表一個輸入變量i=1，2，…，r。第二層橢球基函數（EBF）層。本層中的每個神經元代表一種模糊規則。所選隸屬函數為高斯函數，每個隸屬函數有自己的中心和寬度；隸屬函數乘積作為橢球基函數層輸出。第j個神經元輸出定義為：

其中?為橢球基函數層神經元個數。第三層中相關神經元的輸出和加權偏差 jW ，兩者乘積作為本層輸出：

第五層輸出層。本層中的每個神經元代表著一個由來自第四層的信號之和組成的輸出變量。因此，該層的神經元輸出為：

自組織模糊神經網絡學習過程包括結構學習和參數學習。結構學習采用一種新型白組織方法，通過動態的增加或刪減橢球基函數層神經元以得到經濟型網絡結構；參數學習采用在線遞推最小二乘算法。

3.2 粒子群的進化速度和粒子的聚集度

粒子群優化算法首先初始化一群隨機粒子，然后通過迭代找到最優解[6]。根據

更新自己的速度和位置。V 是粒子的速度；p present 是粒子的當前位置；r是（0，1）之間的隨機數；c1和c2 被稱作學習因子，通常c1 = c2 = 2；w 為慣性因子，取值范圍在0.1～0.9 之間。

全局最優值取決于個體最優值的變化，同時也反映了粒子群的所有粒子的運動效果。存在：

h 稱之為進化速度因子。h 值越小，進化速度越快。當h值保持為1，則斷定算法停滯或者找到了最優解。

影響算法性能的另一個因素是粒子的聚集度。在算法中，全局最優值總是優于所有個體的當前的適應度值。并存在：

s稱之為粒子聚集度因子。當0＜s＜1，反映所有粒子當前的聚集程度，同時在一定程度上反映出粒子的多樣性。s值越大，粒子群聚集程度越大，粒子多樣性越小。當s=時，粒子群中的所有粒子具有同一性，如果此時算法陷入局部最優，則結果不容易跳出該局部極點。

3.3 自適應動量因子粒子群算法

w 較大時算法具有較強的全局搜索能力，w較小則算法傾向于局部搜索[7]。LDW算法將慣性因子線性地減少，其變化公式為：

R為當前迭代次數；Wmax 為最大迭代次數。通常取Wmax 為0.9，Wmin為0.4。

w的大小應該隨著粒子群進化速度和粒子的逐漸聚集程度而改變，即w可表示為h和s的函數，即

w隨著粒子的聚集度的增大而增大，隨著進化速度的降低而減小，并存在

式中：Wini為W的初始值，一般Wini=1。由于0＜h＜1，0＜s＜1，所以 Wini-Wh＜W＜Wini+Ws。

根據DCW算法[8]，該算法在運行過程中根據h和s 的值來動態調整w，從而改進算法的性能。初始狀態下，置h= 0，s= 0，則DCW 算法步驟是：1初始化粒子的位置向量、速度向量，計算粒子的適應度；2初始化粒子的全局最優值和個體最優值；3如果算法收斂準則滿足或達到最大迭代次數，執行7，否則執行4；4對粒子群中的所有粒子相繼執行更新粒子速度和位置，計算粒子的適應度 更新粒子的全局最優值和個體最優值；5分別計算h、s和w；6將迭代次數加1，并執行步驟3；7輸出gbes t，算法結束。

4 仿真實驗研究

依據上文所述的建模結構，應用自組織模糊神經網絡對循環流化床鍋爐床溫控制系統進行動態建模。模型訓練結果和測試結果如圖1所示。圖中藍色曲線為實際數據，紅色曲線為模型預測輸出數據。訓練和測試過程中，評定標準MSE和RMSE的輸出結果如表所示。同時，還給出了應用自適應動量因子粒子群算法優化后所得到的自組織模糊神經網絡辨識模型的仿真結果的MSE和RMSE，可以從圖2中看出，優化后得到的模型具有更好的辨識精度。

圖1 自適應粒子群算法優化前局部放大輸出

圖2 自適應粒子群算法優化后局部放大輸出

5 總結

自動控制系統是實現鍋爐安全、經濟運行的關鍵。而循環流化床鍋爐是一個非線性、時變、大遲延及多變量強耦合的復雜對象，尤其是燃燒過程，使其自動控制調節異常困難，相對顯得十分落后，甚至可以認為這已成為CFB鍋爐發展的瓶頸之一。因此，尋求建立一種循環流化床鍋爐燃燒系統的精確模型，保證燃燒系統自動控制正常投運，充分發揮循環流化床鍋爐的優勢，提高經濟效益和社會效益，顯得非常重要。

利用神經網絡所具有的對任意非線性映射的逼近能力，將神經網絡模型引入非線性系統建模和辨識中，通過學習得到一個描述系統輸入輸出關系的非線性映射，這是目前非線性系統辨識中一種引人注目的新途徑。由于多層前饋神經網絡具有逼近任意非線性映射的能力，因此目前多層前饋網絡在系統辨識和建模應用中得到了廣泛的應用。本文采用的建模方法：自組織模糊神經網絡，結合了模糊推理邏輯和神經網絡自組織和并行處理的優勢，能夠自動地決定網絡結構和模型參數，具有較好的非線性逼近能力、較好的用戶友好性和較好的預測精度及泛化能力等優點。

[1] 張華，岳中石.300MW循環流化床鍋爐燃燒控制策略[J]電站系統工程.2010.06：12-14.

[2] 丁立新.電廠鍋爐原理[M].北京：中國電力出版社2009：23-25.

[3] 王志身，楊建蒙，支保峰.鍋爐穩定燃燒技術應用與研究[J].電力科學與工程.2008.2：36-39.

[4] 王源，胡壽松.自組織模糊CMAC神經網絡及其非線性系統辨識[J] 航空學報，2011.12（1）：35-36.

[5] 喬俊飛.王會東模糊神經網絡的結構自組織算法及應用 [J] 控制理論與應用 2008.08（2）：28-30.

[6] GLeng，GPrasad.and T.M.Mc Ginnity.An on-line algorithm for creating self-organizing fuzzy neural networks.IEEE Transactions on Neural Networks，2004，17：1477-1493.

[7] 張選平，杜玉平一種動態改變慣性權的自適應粒子群算法[J] 西安交通大學學報 2008.10：37-39.

[8] Shi Y H，Eber har t R C.A modified particle swarm optimizer [A] .Pro ceedings of the IEEE Co ng r ess on Evolut ionary Computation[C] .Piscataway，USA：IEEE Ser vice Center，1998.69-73.