基于matlab 動力配煤神經網絡優化研究

張啟明,李 貞

1.寧波職業技術學院,浙江 寧波 315800

2.岳陽職業技術學院,湖南 岳陽 414015

動力配煤是在煤炭入爐前，將各種不同種類的原煤按照一定的比例配制成品位高污染低的混煤的過程，通過動力配煤不僅可以節約煤炭資源，又能減小環境污染[1]。動力配煤作為一項節能、環保的潔凈煤技術，具有極其顯著的社會和經濟效益，得到了國內外眾多企業和學者的青睞，在我國也特別適應于國家大力提倡的節能環保技術開發及應用的基本國情[2]。動力配煤技術優劣主要由其配煤方案決定，配煤方案越優化，其配煤技術越高，產生的社會及經濟價值巨大[3]。常用動力配煤優化方法一般可以分為綜合模糊評判法、基于煤質數據分析的數學法、線性規劃法、物理規劃法及非線性理論規劃法等[4]。

在綜合模糊評判法中，由于不同種類的原料煤其特性不同，它們混合后不同種類煤顆粒在燃燒過程中相互制約和相互影響，很難通過該方法對其經濟效益及環保特性進行準確的計算和評估[5]。基于煤質數據分析的數學法雖然能較準確的表示煤炭燃燒過程中煤質之間的相互關系，但是由于其目標函數為單方面的唯一值與實際煤炭企業實際生產情況存在一定的差異[6]。線性規劃法、物理規劃法等方法對動力煤方案優化也各有優勢及特色，但其目標函數與基于煤炭數據分析的數學法一樣存在一定的差異，因此其根據現場實際生產情況進行應用[7]。非線性理論規劃法能夠較為貼近實際煤炭企業動力配煤生產情況，通過神經網絡可以較精確的預測動力煤燃燒特性的精度，為動力煤優化方案改進與預測精度的提高提供重要的保證[8]。基于此文以非線性理論模型為基礎，運用RBF 神經網絡建立動力配煤數學優化模型，對動力配煤燃燒特性進行仿真計算與預測，為動力配煤優化方案的改進與計算效率及精度的提高提供的重要的參考。

1 RBF 神經網絡算法及動力配煤數學優化模型

1.1 RBF 神經網絡算法

RBF 神經網絡是一種高精度神經網絡，該計算模型能夠以任意精度對任意連續函數F(x)進行逼近，即：F(x)=WTJ(x)+ε(1)

式中：x∈??Rn為神經網絡模型中的輸入向量；?為數集Rn上的子集；n為x的維數；ε為神經網絡的逼近誤差且滿足|ε|≤εm，其中εm為逼近誤差的限定值；W∈Rl為神經網絡模型理想權值向量；l為神經網絡隱含層神經元節點數；J(x)為神經網絡模型中的的基函數向量。

本文選用高斯函數作為基函數：

式中：u為高斯函數J(x)的中心值；σ為高斯函數J(x)的寬度值；WTJ(x)為神經網絡模型的輸出值，W的值很難準確計算得到，用Wg表示W的估計值，則W的表達式為：

由于RBF 神經網絡具有較好的逼近能力，RBF 神經網絡模型被廣泛用于各種工程逼近非線性特性和未知項的應用中。本文運用RBF 神經網絡減小模型中的各其他的因數對神經網絡系統的影響，從而提高模型計算及預測精度，提高動力配煤方案的優化。

1.2 動力配煤數學優化模型

動力配煤主要有配煤著火溫度、活化能、最大燃燒速度、固定碳燃燼率及煤焦分形維數等。根據質量作用于物體上的定律結合arrhenius 方程，動力煤非等溫熱試驗的反應速率為：

式中：α為熱反應速率；m為熱反應的級數；ξ為頻率因子；E為熱反應活化能；r為氣體常數；t為熱反應時間。

根據Doyle 單曲線法可得，動力煤燃燒反應式為：

動力煤最大燃燒速率定義為DTG 峰值附近的80 ℃溫度區內的動力煤樣的最大平均燃燒速度值。固定碳燃燼率表示的是原煤中固定碳的燃燼特性，根據動力煤燃燒前后灰分子質量守恒可得固定碳燃燼率v為：

式中：mq為動力原煤試樣在燃燒前質量；mh為動力原煤試樣在燃燒后質量；G0為動力原煤試樣在燃燒前固定碳工業分析值；H0為動力原煤試樣在燃燒前灰分的工業分析值；Gmax為動力原煤試樣最大燃燒失重率（包括水分、揮發分和己燃的固定碳）。

根據氮氣吸附法可以求得表示煤炭固體表面結構特征的煤焦分形維數D：

式中：Orel為動力原煤試樣相對吸附量；prel為動力原煤試樣相對吸附壓力。

2 RBF 神經網絡動力配煤優化及其應用

表1 動力配煤優化方案的原料煤基礎數據Table 1 The raw coal basic data for the optimization scheme of power coal blending

以河南鶴壁某煤業集團動力配煤生產的實際情況為計算實例，設定神經網絡的模型預測配煤精度為98%，將上述基于RBF 神經網絡建立動力配煤數學優化模型，動力配煤優化方案的基礎數據如表1 所示。

由表1 可知，動力配煤由粉煤、塊煤、混煤、精煤、粗煤5 種原料煤組成，根據表1 的數據，得到包含灰分、水分、發熱量、灰熔融性溫度、硫分、配煤著火溫度、活化能、最大燃燒速度、固定碳燃燼率、煤焦分形維數、成本等11 個主要動力配煤因數在內的動力配煤RBF 神經網絡模型如下圖1 所示。

圖1 動力配煤RBF 神經網絡模型Fig.1 RBF neural network model of power coal blending

圖2 隱層節點對RBF 神經網絡平均誤差的影響Fig.2 The effect of hidden layer nodes on the average error for RBF neural network

圖3 訓練次數對RBF 神經網絡誤差影響Fig.3 The influence of training times on the error for RBF neural network

根據上文及圖1 中參數建立的動力配煤RBF 神經網絡模型其目標訓練平均誤差與隱層節點數之間的關系曲線及目標誤差與訓練次數之間的關系曲線分別如圖2、圖3 所示。

根據上文基于RBF 神經網絡建立的動力配煤數學優化模型，設置神經網絡目標誤差為1E-5，選取隱層節點為23 個，網格訓練次數為800 次等參數。計算得到上述灰分、水分、發熱量、灰熔融性溫度、硫分、配煤著火溫度、活化能、最大燃燒速度、固定碳燃燼率、煤焦分形維數、成本等11 個綜合指標下的動力配煤配比量最優方案如下表2 所示，根據表2 得到的配比量得到最優動力配煤性能指標如表3 所示。

表2 運用RBF 神經網絡動力配煤優化模型計算得到的動力配煤優化方案Table2 OptimizedschemeofpowercoalblendingcalculatedbyusingRBFneuralnetworkpowercoalblendingoptimizationmodel

由表2 可知，粉煤、塊煤、混煤、精煤、粗煤5 種不同原料煤的灰分、水分、硫分等占比量不同，其在地層中煤焦分形維數也不同，從而導致其發熱量、灰熔融性溫度、配煤著火溫度、活化能、最大燃燒速度、固定碳燃燼率等煤炭性能參數不同，煤炭在燃燒過程中產生的有害物、產熱量及煤炭價格也不同。精煤燃燒性能最優，塊煤次之，粉煤略低于塊煤，混煤略低于粉煤，粗煤性能最差。為了獲得組成成分滿足現代節能環保的要求，燃燒特性最優、成本最低，需要根據動力煤的眾多因數進行綜合性考慮及優化，從而獲各方面性能都優良的動力煤。根據表1 的參數結合上文中建立的數學模型計算得到粉煤、塊煤、混煤、精煤、粗煤5 種不同原料配比而成的價格最優、燃燒特性較好、組成成分較佳煤的配比量分別為20.65%、18.12%、21.05%、18.30%、21.88%，在該配比下獲得動力煤最優配煤方案。

表3 最優動力配煤性能指標Table 3 Optimal power coal blending performance index

由表3 可知，最優動力配煤成本在100.56 元/T，價格低于精煤價格20 元，獲得僅次于精煤燃燒特性、組成優于混煤的新煤種。通過對動力配煤防范進行優化，不僅可以獲得性能優良的煤種，同時也為煤炭燃燒過程中有害物資的排放、燃燒效率的提高，性價比的提升及環境保護提供了重要的保證。但是由于本文研究方案主要以價格、燃燒特性兩個為主要指標，組成成分為次要因數獲得的最優動力配煤方案，對于其他指標及原煤組成物不同，其動力配煤優化方案不同，且獲得的最優動力配煤方案由于計量測量存在的誤差，環境溫度、濕度的改變等眾多因數的影響，可能導致實際配煤方案與理論配煤方案存在一定的誤差，實際動力配煤質量需要煤場自動在線檢測設備進行復核，根據實際檢測結果對實際配比實時進行調整，獲得最佳動力配煤。

3 結論

基于RBF 神經網絡算法建立包含灰分、水分、發熱量、灰熔融性溫度、硫分、配煤著火溫度、活化能、最大燃燒速度、固定碳燃燼率、煤焦分形維數、成本等多因數非線性動力配煤的數學優化模型，獲得用戶期望的動力配煤優化方案，模型考慮煤質組成、燃燒特性、成本價格、地質分布情況等多種因數，應用于實際動力配煤生產中，該模型方案不僅能夠獲得性能優良的煤種，而且可以根據用戶的實際需求，調整模型參數，更好反映和滿足用戶的真實需求及目的。