一種改進型鍋爐積灰監控模型

吳鵬 趙石磊 滕玉彬 潘啟明 范長勝

摘要：為改善鍋爐吹灰的盲目性，基于改進的徑向基函數神經網絡遞歸正交最小二乘算法構建了工廠鍋爐積灰預測的非線性模型，用來預測運行過程中鍋爐各個受熱面積灰程度。根據電廠鍋爐實際運行情況，確定了多個特征變量來決定鍋爐的工作狀況。Matlab仿真實驗證明通過所建立的非線性模型，能有效預測出鍋爐工作時受熱面清潔狀況下的吸熱量，因此能夠實時的反映受熱面的積灰程度。

關鍵詞：神經網絡；徑向基函數；遞歸正交最小二乘算法；鍋爐積灰

DOI：1015938/jjhust201705006

中圖分類號： TP391

文獻標志碼： A

文章編號： 1007-2683（2017）05-0030-05

An Improved Monitoring Model of Boiler Ash Fouling

WU Peng1，ZHAO Shilei2，TENG Yubin1，PAN Qiming1，FAN Changsheng1

（1College of Mechanical and Electronic Engineering， Northeast Forestry University， Harbin 150040， China；

2School of Software， Harbin University of Science and Technology， Harbin 150080， China）

Abstract：To improve the blindness of the boiler soot blowing， the nonlinear model of boiler ash fouling prediction based on improvement of radial basis function neural network （RBF NN） recursive orthogonal least squares （ROLS） algorithm was presented to predict the extent of the boiler heating area during operation According to the actual operation of power plant boiler， multiple characteristic variables were determined to decide the boiler operating conditions The Matlab simulation experiment proves the presented model can predict the heat absorption of the heat surface cleaning effectively， which can reflect the degree of the ash fouling of the heating surface in real time

Keywords：neural network； radial basis function； recursive orthogonal least squares； boiler ash fouling

收稿日期： 2016-01-05

基金項目： 黑龍江省教育廳科學技術研究項目（12533028）

作者簡介： 吳鵬（1980—），男，博士后，副教授，碩士研究生導師；

趙石磊（1979—），男，博士，副教授

通信作者： 滕玉彬（1962—），男，碩士，副教授，Email：yubinteng@sinacom

0引言

鍋爐在工作過程中會不斷地產生積灰，這些積灰產生的熱阻會直接減弱工質間的熱量交換，影造成換熱設備的熱效率降低，同時增加能源消耗因而會嚴重影響設備的正常工作[1-6]。為了防止鍋爐積灰嚴重，使鍋爐能夠正常運行，鍋爐都會采用定時的吹灰方式，但這種吹灰方式一般存在：頻繁吹灰造成鍋爐受熱面損害及吹灰不足時會使鍋爐受熱面積灰嚴重兩種情況。因此有必要設計新型的吹灰方式以保證鍋爐運行的安全性和經濟性。

本文基于徑向基函數，同時結合鍋爐運行時工作的特點，建立了一個檢測鍋爐積灰的非線性模型。通過對所選取的樣本點進行訓練，計算出鍋爐的灰污特征系數，在仿真實驗中可以看出使用所提出的非線性模型可以有效判斷鍋爐受熱面的積灰程度。

3應用實例及結果

將本文提出的模型應用于某額定負載為450t/h的鍋爐，由于神經網絡訓練過程是通過對樣本的學習來獲得的非線性映射關系的過程。由于鍋爐運行在0～300t/h范圍內的時間比較少，因此不考慮加入這部分的樣本點；本文從現場DAS系統中獲取了吹灰器工作結束后20min內的采樣點，所采集的訓練樣本有150個，泛化樣本集有50個。應用本文提出的RBF神經網絡遞歸正交最小二乘訓練算法所建立的非線性模型進行仿真，仿真結果如圖4和圖5所示。

圖4為預測吸熱量與實際吸熱量的仿真比較圖。圖4中圓點代表預測的吸熱量；三角形代表實際吸熱量。從圖中可知，預測值與實際值的相對誤差最小為035%，最大為327%，平均相對誤差為162%，預測結果比較可靠，能夠比較精確的計算出鍋爐工作時的灰污特征系數，同時能夠計算出鍋爐工作時受熱面的灰污系數曲線圖。

圖5所示為鍋爐工作時的灰污系數曲線圖。該曲線圖反映了鍋爐工作時吹灰器吹灰前后鍋爐受熱面積灰結渣的大致情況。由于確定鍋爐的運行時各組數據中參數之間的合理性時比較復雜的，因此灰污系數曲線局部存在不穩定現象。endprint

4結論

本文基于神經網絡理論，提出了基于RBF神經網絡遞歸正交最小二乘改進算法，將所提出的算法應用到某電廠實際運行的鍋爐上，有選擇性的選擇樣本點集，構建了基于神經網絡的鍋爐積灰在線檢測的非線性模型。通過Matlab仿真可以得到本文所提出的非線性模型可精確預測出鍋爐工作時爐膛受熱面清潔狀況下的吸熱量，從而能夠計算出鍋爐的灰污特征系數，能夠實時反映受熱面的積灰程度。

參 考 文 獻：

[1]楊琦， 王輝， 曹偉， 等 鍋爐飛灰沉積的數值模擬綜述[J]. 節能技術， 2015， 33（6）： 495-508

[2]張雄， 易凡， 徐國飚， 等 燃煤鍋爐閉環吹灰優化系統的研發與應用[J]. 電力與能源， 2014， 35（4）： 483-487

[3]吳煜忠， 王茂貴， 張明， 等 智能吹灰優化控制系統的開發和應用[J]. 浙江電力， 2013， 13（2）： 38-43

[4]陳東升， 王龍 基于污染率模型的智能燃氣脈沖吹灰系統[J]. 制造業自動化， 2015， 37（10）： 139-141

[5]王杰華， 張韻輝， 楊慶峰 電站鍋爐智能吹灰程控系統的應用研究[J]. 工業控制計算機， 2013， 26（5）： 46-47

[6]陳燁璇 基于不同計算機模型的燃煤電站鍋爐吹灰優化系統的研究[D]. 北京：華北電力大學， 2015， 3

[7]CHEN S， WANG X X， BROWN D J Sparse Incremental Regression Modeling Using Correlation Criterion With Boosting Search [J]. IEEE Singal Processing Letters， 2005， 12（3）： 198-201

[8]張興蘭，曹長，梅彬 一種新型徑向基函數神經網絡學習算法 [J].重慶大學學報，2002， 25（10）： 56-60

[9]葉健，葛臨東，吳月嫻 一種優化的RBF神經網絡在調制識別中的應用 [J].自動化學報，2007， 33（6）： 652-654

[10]柴天佑，王笑波 RBF神經網絡在加速冷卻控制系統中的應用 [J].自動化學報，2000， 26（2）：219-225

[11]CHEN S， WOLFGANG A， HARRIS C J，et al Symmetric RBF Classifier for Nonlinear Detection in Multipleantennaaided Systems [J]. IEEE Transactions on Neural Networks， 2008， 19（5）： 737-745

[12]FERRARI S，BELLOCCHIO F， PIURI V， et al A Hierarchical RBF Online Learning Algorithm for Realtime 3D Scanner [J]. IEEE Transactions on Neural Networks， 2010， 21（2）： 275-285

[13]宋清昆， 李源松 RBF神經網絡鍋爐燃燒系統建模[J]. 哈爾濱理工大學學報， 2016， 21（1）： 89-92

[14]曹勤峰， 崔巍 鍋爐吹灰優化控制系統的研究與應用[J]. 浙江電力， 2015， 4（3）： 35-39

[15]李源松 基于神經網絡的鍋爐控制系統優化研究[D]. 哈爾濱：哈爾濱理工大學， 2015

[16]王衛兵， 徐國臣， 石林， 等 基于Symphony DCS系統的燃煤電站海水脫硫溫度控制[J]. 哈爾濱理工大學學報， 2014， 2（1）： 67-73

[17]石林 燃煤動力鍋爐氣力除灰控制系統的設計與實現[D]. 哈爾濱：哈爾濱理工大學， 2015

[18]信晶， 孫保民， 肖海平， 等 應用支持向量機檢測電站鍋爐受熱面積灰研究[J]. 中國電機工程學報， 2013， 33（5）： 21-27

[19]CHEN S， COWAN C F N， GRANT P M Orthogonal Least Squares Learning Algorithm for Radial Basis Function Networks [J].IEEE Transactions on Neural Networks， 1991， 2（3）： 302-308

[20]姜家輝 矩陣理論基礎[M].大連：大連理工大學出版社，1995

[21]王永驥， 涂健 神經網絡控制[M].北京： 機械工業出版社，1998

（編輯：溫澤宇）endprint