智能控制策略在燃氣鍋爐燃燒優化中的應用

楊 凱 薛美盛

（1.中國空空導彈研究院；2.中國科學技術大學信息科學技術學院）

在燃燒控制系統中，空氣調節系統的任務是保證進入燃燒系統的燃料充分燃燒，使其達到最高的燃燒效率［1］。由于鍋爐燃燒系統具有強耦合、非線性等特點，導致燃燒過程的燃燒效率受諸多因素的影響，其中空燃比就是一個重要指標。 空燃氣比直接決定煙氣中的氧含量值，而煙氣的氧含量值能夠反映系統的燃燒效率，因此人們不斷尋找空燃比的優化方法，以提高燃燒效率，實現經濟燃燒。

燃氣鍋爐燃燒系統中能反映燃燒狀態的參數除了煙氣氧含量之外，還有一個重要參數就是爐膛溫度［2，3］。對爐膛溫度起決定性的因素是煤氣燃燒后它的產物所能達到的溫度，確保爐膛溫度始終處在最高值的附近，實質上就是在實現經濟燃燒。 筆者針對某現場燃氣鍋爐控制系統，構建了BP神經網絡用于描述影響爐膛溫度各因素之間的關系，運用粒子群優化算法和模糊控制算法設計并實現了一套可用于鍋爐燃燒系統的智能控制策略， 成功改造了原有的燃燒控制系統，在現場取得了良好的應用效果。

1 構建燃燒系統神經網絡模型

由于燃燒系統具有非線性、 強耦合的特點，若采用建立精確數學模型的方式來模擬復雜多變的燃燒過程， 將導致構建出的模型異常復雜，難以應用［4，5］。然而人工神經網絡在非線性擬合方面有著良好的性能，能夠滿足對該過程的建模需求，故采用BP神經網絡對燃燒過程建模，然后利用構建出的模型設計相應的控制器［6］。

構建神經網絡模型， 首先要選取合適的數據。 通過采集某燃燒系統的輸入輸出數據，經過對數據的反復篩選，選出能夠反映燃燒系統運行過程中的一些關鍵參數，并進行預處理。 經過預處理后共選出5 000組樣本數據，其中每組數據包含爐膛溫度、上層空氣閥開度、上層煤氣閥開度、下層空氣閥開度、下層煤氣閥開度、煤氣和空氣總管流量，共7個變量。 圖1是均值濾波處理后的爐膛溫度數據。

圖1 均值濾波處理后的爐膛溫度曲線

構建BP神經網絡模型用于描述影響爐膛溫度各變量之間的關系。 數據劃分采用隨機抽取的方式，抽取樣本數據的90%用于模型訓練，余下的10%用來驗證模型的實際效果， 模型的評價方式以準確度為評估標準，用MSE（均方誤差）進行度量。 考慮到采樣數據中有些變量存在相關性，因此對部分變量進行處理，即把同層的空氣閥和煤氣閥開度的比值作為一個變量， 減少變量個數，給模型構建帶來方便，并對各變量進行歸一化處理。 最終選取上層空氣和煤氣閥比值、下層空氣和煤氣閥比值、煤氣總管流量、空氣總管流量這4個變量作為網絡的輸入變量，爐膛溫度作為網絡的輸出變量，構建一個4輸入1輸出的空燃比神經網絡模型。

由于網絡的輸入變量不多，考慮采用單隱含層結構，通過線下試驗得知隱含層節點數為9時，均方誤差最小。 在MATLAB環境下進行網絡模型的訓練，取迭代次數200、學習速率0.03、目標誤差0.000 02，學習算法采用L-M算法，最終網絡的預測結果和預測誤差如圖2、3所示。

圖2 BP神經網絡預測結果

圖3 BP神經網絡預測誤差

從圖3可以看出，預測誤差大都集中在［-3，3］之間，只有極少部分不在該范圍內，評價標準MSE為0.68。因此利用神經網絡構建出的空燃比模型，其預測結果是令人滿意的。

2 粒子群算法優化空燃比

通過BP神經網絡對爐膛溫度等變量進行建模，利用具有全局搜索能力的粒子群優化算法求解模型的最優解，即找出燃燒系統中存在的最佳空燃比，整個求解空燃比的算法流程如圖4所示［7，8］。

采用基本粒子群算法進行全局搜索時，只需對算法中的參數進行設置即可。 算法中的優化目標是找到最佳空燃比使得此時爐溫最高，可將其變成求解極小值的過程。 因此目標函數選用BP網絡中爐溫模型輸出值的倒數， 并將它作為適應度函數，其取值越小，表明結果越好。在粒子群優化算法的作用下， 得到適應度變化如圖5所示。 可以看出，經過29次迭代進化后，目標函數最小值為0.001 251，將其轉換為實際的爐膛溫度即799.36℃， 得到上層空燃比和下層空燃比分別是為2.15和1.62。

以上完成了BP神經網絡建模-粒子群算法優化空燃比的過程，將得到的結果作為上下層的空燃比基準值，應用到自適應模糊控制中，實現對煙氣氧含量的控制。

圖5 適應度變化曲線

3 設計自適應模糊控制器

對于燃燒系統中煙氣氧含量的控制，以氧含量誤差e和誤差變化率ec為輸入變量，以空氣調節閥增量u為輸出變量， 采用雙輸入單輸出的控制器結構。 為簡化模糊推理的計算過程，采用單點模糊法進行模糊化，選擇重心法進行精確化計算［9，10］。 輸入和輸出量均選用三角形隸屬度函數，如圖6所示。

(5)刊載情報信息機構知識服務研究成果的期刊主要有《圖書情報工作》、《情報理論與實踐》和《情報雜志》等，為我國知識服務理論的導入和實踐經驗的推廣發揮了重要的作用。廣大科技服務工作者應將其作為重點關注對象，了解本領域的發展動向和態勢，提高自身的理論水平和實踐能力，更好地服務于國家創新創業工作。

圖6 e、ec和u的隸屬度函數

根據實際工藝工程和操作經驗，構建的模糊控制規則見表1。

表1 模糊控制規則

a. 如果-2.5≤e＜-1或3＜e≤5，|ec|≥0.35，則Ke=0.4、Kec=2.5、Ku=2；

b. 如果-1≤e＜0或2＜e≤3，|ec|≥0.25， 則Ke=0.6、Kec=3.5、Ku=1.8；

c. 如果1＜e≤2，|ec|≤0.2， 則Ke=0.7、Kec=4.5、Ku=1.4；

d. 如果0＜e≤1，|ec|≤0.1， 則Ke=0.8、Kec=5.5、Ku=1.2；

e. 其他情況， 則量化因子Ke=0.8、Kec=6、Ku=1.7。

4 空燃比優化策略應用

通過前面構建的BP神經網絡爐膛溫度模型，利用粒子群優化算法求出上下層空氣煤氣調節閥開度的比值；以此作為空燃比基準值，當每次調整煤氣閥開度時，將該開度值乘以對應的空燃比基準值作為此刻的空氣調節閥開度；最后根據實際燃燒過程中氧含量設定值和實際值之間的偏差情況，結合自適應模糊控制計算出空氣調節閥需要的微調量， 作為最終的空氣調節閥開度值。 算法框圖如圖7所示。

圖7 空燃比優化-氧含量控制算法框圖

圖8 先進控制系統投運前后煙氣氧含量對比

5 結束語

為提高某鋼鐵廠燃氣電站鍋爐燃燒系統的燃燒效率， 筆者選取燃燒過程的輸入輸出數據，利用人工神經網絡技術， 通過對樣本數據的學習，建立了燃燒系統的數學模型，以粒子群算法求解的最佳空燃比為基準，采用自適應模糊控制與神經網絡建模相結合的方式，設計了一套智能控制策略，實現了對燃燒系統的空燃比優化。 實際投運結果表明，煙氣氧含量回路的控制效果明顯改善，波動范圍大幅降低，從而提高了燃燒效率。