鍋爐風煙系統過剩氧量特性建模技術

張鵬宇

摘 要：火電廠機組容量的不斷提高，對鍋爐燃燒系統的控制與運行優化就有著更加高的要求，風煙系統過剩氧量的測量與控制直接關系到對鍋爐燃燒系統的優化水平。

關鍵詞：鍋爐；風煙系統；過剩氧量；軟測量技術；神經網絡

中圖分類號：TK229.6 文獻標識碼：A 文章編號：1006-8937（2015）26-0074-01

本文介紹了過剩氧量建模的現狀與發展，通過對鍋爐運行過程的機理分析，分析了影響鍋爐風煙系統過剩氧量的因素。

基于軟測量建模方法，采用神經網絡模型對風煙系統過剩氧量進行建模。文中以鍋爐不同穩態工況和變負荷過渡工況采集的歷史運行數據作為神經網絡的訓練樣本，使用BP神經網絡模型對氧量進行建模，取得了良好的效果。

該文建立的模型可用于送風系統的優化控制，具有一定的工程實用意義。

1 背景及研究內容

火力發電廠是工業中耗煤量較大的用戶之一，每年耗煤總量占國家原煤產量的五分之一以上。因此，提高鍋爐效率、降低煤耗、節約能源是電力系統的一項重要任務。為了使鍋爐保持最佳燃燒工況，必須使空氣量與燃料量的比例合適，這個比例稱為過?？諝庀禂?。

由于目前直接測量和控制過剩空氣系數還很困難，所以只能采用間接的測量方法。

通常用連續測量煙氣中氧氣含量的方法來了解過剩空氣系數，以判斷燃燒狀況，控制進入爐膛的空氣量，從而維持最佳的風煤比，達到優化燃燒的目的。

2 BP神經網絡建模原理

BP神經網絡，即誤差反傳誤差反向傳播算法的學習過程，由信息的正向傳播和誤差的反向傳播兩個過程組成。輸入層各神經元負責接收來自外界的輸入信息，并傳遞給中間層各神經元；中間層是內部信息處理層，負責信息變換，最后一個隱層傳遞到輸出層各神經元的信息，經進一步處理后，完成一次學習的正向傳播處理過程，由輸出層向外界輸出信息處理結果。

當實際輸出與期望輸出不符時，進入誤差的反向傳播階段。誤差通過輸出層，按誤差梯度下降的方式修正各層權值，向隱層、輸入層逐層反傳。

周而復始的信息正向傳播和誤差反向傳播過程，是各層權值不斷調整的過程，此過程一直進行到網絡輸出的誤差減少到可以接受的程度，或者達到預先設定的學習次數為止。

3 氧量特性的神經網絡建模與結果比較

3.1 神經網絡模型輸入輸出參數的選擇

本文對過剩氧量的建模使用的是神經網絡模型，根據對鍋爐機組影響過剩氧量因素的分析，擬使用7輸入，1輸出的神經網絡模型來對過剩氧量進行建模，其中7個輸入分別是負荷、給煤量、總風量、燃燒器擺角、主汽壓力、過熱器末級汽溫、主汽流量，一個輸出是省煤器出口煙氣氧量。

3.2 神經網絡模型訓練和驗證數據

本文分別采用了獨立的工況數據來訓練和驗證神經網絡模型。用于訓練模型的工況數據是一個從300 MW降負荷到210 MW，再從210 MW升到300 MW的變負荷工況數據，并且在300 MW、270 MW、240 MW和210 MW都有一定數量的穩態數據點。

用于驗證模型的工況數據是另外一組從300 MW降負荷到210 MW，再從210 MW升負荷到300 MW的變負荷工況數據，同時也在300 MW、270 MW、240 MW和210 MW都有一定數量的穩態數據點。

3.3 過剩氧量BP模型的建立與驗證

在BP訓練過程中，取了三個較為典型的隱層數作為比較，分別為：5、13個隱層。

①采用5隱層的BP函數進行訓練：

BP模型的建立與訓練有7個輸入，1個輸出，采用5個隱層：

net=newff（an，bn，5，{'tansig' 'purelin'}，'trainbfg'）

通過訓練以及使用另一組穩態數據對其進行驗證，發現，在負荷最低處，即曲線的最頂端，出現的誤差還是比較大的。

在檢驗數據的實際輸出與模型輸出的誤差曲線中，最大誤差達到接近0.05，因此反映出5隱層BP訓練出的模型還是不能完整精確地反映目標的特性。

因此選擇增加隱層數量，經過不斷試驗，發現當隱層數在13個時，模型反映出的特性較為接近訓練與檢驗數據。

②采用13隱層的BP函數進行訓練：

BP模型的建立與訓練有7個輸入，1個輸出，采用13個隱層：

net=newff（an，bn，13，{'tansig' 'purelin'}，'trainbfg'）

先利用一組300 MW的穩態數據對模型進行訓練，完成后保存模型，訓練效果如下：

模型輸出與實際輸出的曲線對比，如圖1（下轉76頁）（上接74頁）所示。從曲線重合程度來看模型訓練程度與5個隱層時的類似。

模型輸出與實際輸出的誤差曲線，如圖2所示。從圖中可以看出，誤差最大不超過0.015，說明訓練模型更接近實際，誤差已經沒有5個隱層時那么大。

模型訓練保存后，采用另一組300 MW的穩態數據對模型進行檢驗。結果如下：

另一組穩態數據的實際輸出與模型利用其輸入所計算出的模擬輸出的曲線在各個負荷階段的擬合程度都非常好。

檢驗數據的實際輸出與模型輸出的誤差曲線，如圖3所示。從圖中可以看出，最大誤差只有不到0.03，達到誤差超過0.02的點也不是很多，絕大部分負荷區域的誤差都能在0.01左右，因此能肯定，13個隱含層的BP網絡訓練出的模型能夠很好地反映實際數據的情況。

4 結 語

本文對鍋爐風煙系統過剩氧量特性建模的方法進行了闡述，并針對氧量特性建立模型來進行模擬。綜上所述，BP神經網絡的隱含層n的選取還是采用了經驗公式n=2x-1（x為訓練模型的輸入參數個數）得出的13層更加能確切地反映出數據的實際情況，在利用外部數據檢驗模型中也表現出了強大的適應性，因此對BP模型而言，13個隱層是最理想的。

參考文獻：

[1] 張路路.基于數據融合的氧量軟測量[D].北京：華北電力大學，2005.

[2] 劉闖.基于人工智能方法的煙氣含氧量軟測量及優化配煤研究[D].杭州：浙江大學，2007.

[3] 趙征.基于信息融合的鍋爐燃燒狀態參數檢測技術研究[D].北京：華北電力大學，2007.