基于人工神經網絡的火電廠燃煤鍋爐燃燒優化方法

黃祖光，胡海艦，徐 杰，徐會詠，吉 喆，李曉明

（江西省新余市分宜縣雙林鎮分宜發電廠，江西 新余 338000）

0 引 言

在新時代的背景之下，我國社會的各個行業得到了充分的發展，尤其是工業鍋爐領域，相關的技術更是一再創新、優化，在各個方面利好因素的持續性驅動下，相關產業也保持著穩步擴張[1]?；痣姀S燃煤鍋爐通常情況下會采用層級單相燃燒的形式實現日常的工作，考慮到燃燒的速度以及實際的效果，在這個過程之中，也會涉及部分的輔助燃燒裝置與結構，擴大實際的燃燒范圍，以此來進一步確保最終的處理結果[2]。這種燃燒模式雖然可以實現預期的工作目標，但是在實際應用的過程中，常常會出現不同程度的問題和缺陷，影響工作的整體效率。再加上最近幾年，隨著人們生活水平的提高以及燃燒標準的變化，對于火電廠燃燒工作的要求也在逐年發生著變化，部分火電廠采用的傳統方式已經無法滿足目前的需求[3]。

在上述的發展環境之中，需要對火電廠燃煤鍋爐燃燒方法作出進一步的優化和完善[4]。人工神經網絡實際上是一種連接模型，主要模仿動物神經的行為特征，結合網絡的具體變化需求，調整網絡的復雜程度，以及內部控制結構的連接的關系，最終達到數據信息處理的目的[5]。本文會在較為真實的背景之下，結合人工神經網絡技術，構建更加靈活、多變的燃燒模式，在部分細節處對燃燒環節加以優化，逐漸形成高效、節能、低污染的工業鍋爐燃燒模式，為后續智能化、信息化燃燒工作的發展奠定基礎條件。

1 人工神經網絡下火電廠燃煤鍋爐燃燒優化方法

1.1 人工神經網絡下燃燒數據預處理

與傳統的燃燒方式不同的是，人工神經網絡會將所有的數據轉換成指令或者程序，形成一整套更加完整、精準的處理程序，一定程度可以提升火電廠的工作效率與質量[6]。所以，可以結合互聯網以及大數據處理技術，對獲取的數據預處理[7]。

由于火電廠通常采用模型計算，因此可以采用基礎的核定計算模型，設定異常值的標準，結合電力需求的變化，構建火電廠輸入量與被輸入量之間的均衡關系[8]。本文以2×660 MW機組作為研究的對象，在這個環境之下，可以先計算出神經異常波動率，具體如公式（1）所示：

式中，K表示神經異常波動率；i表示波動次數；z表示單元波動值；j表示相似度；V表示燃燒間隔時間。通過上述計算，最終可以得出實際的神經異常波動率。根據神經異常波動率可以了解到具體的穩態波形情況，通過人工神經網絡技術繪制成具體的圖像，觀察是否處于穩定的狀態，同時設定鍋爐機組的穩態蒸發量，并明確對應的最大允許波動范圍。設置燃燒相似度函數，為后續的燃燒優化提供依據。

1.2 鍋爐效率核算

在完成對人工神經網絡下燃燒數據預處理之后，核算鍋爐的具體效率。考慮到鍋爐效率優化的目標，需要制定實時計算結構，提出鍋爐有效輸出、輸入熱量的計算方式，與傳統的計算方式相對比，實時性更強一些。通常情況下，需要先設定基礎的指標參數，煙氣流量控制在150.23～345.55 kJ/（m3·℃），燃燒時間控制在20～35 s即可，可以通過溫度控制器加強對燃燒溫度的掌控，根據鍋爐的固體不完全燃燒熱損失情況，計算出平均定壓比熱，具體如公式（2）所示：

式中，B表示平均定壓比熱；o表示飛灰含碳量；f表示原煤量耗用量；S表示高位熱值。通過上述計算，最終可以得出實際的平均定壓比熱，結合得出的數值，劃定具體的鍋爐運行區域范圍，將燃燒原煤的數量與所產生的能耗作出對應的轉換，使兩者之間形成近似正比的關系，至此，完成了對鍋爐效率的核算與控制。

1.3 人工神經網絡交互優化模型構建

在完成對鍋爐效率的核算之后，構建人工神經網絡交互優化模型。根據上述的處理，對基礎的燃燒結構作出調整，結合人工神經網絡，構建交互優化結構，具體如圖1所示。

圖1 人工神經網絡交互優化結構圖示

根據圖1，可以完成對人工神經網絡交互優化結構的構建。隨機采集人工神經的網絡單元集，測定計算出燃煤鍋爐的漏風系數，構建交互燃燒標準，具體如公式（3）所示：

式中，M表示漏風系數；l表示低位熱值比；W表示鍋爐運行氧量；a表示交互神經控制誤差。通過上述計算，最終可以得出實際的漏風系數。依據得出的漏風系數，對鍋爐在燃燒時的狀態作出交互調整，形成具體的標準，與結構共同設定在模型之中，完成人工神經網絡交互優化模型的構建。

1.4 遺傳算法改進完成燃煤鍋爐燃燒的優化處理

在完成對人工神經網絡交互優化模型的構建之后，接下來，采用遺傳算法改進來實現燃煤鍋爐燃燒的優化處理。根據人工網絡的逆向處理控制，設定具體的燃燒優化矩陣，并結合優化極限標準計算出交叉遞進概率，如公式（4）—（6）所示：

式中，N、L、U表示交叉遞進概率；E表示燃燒時效；q表示飛灰含碳量差異值。通過上述計算，最終可以得出實際的交叉遞進概率。將其設定在交互優化模型之中，改變預設的人工網絡執行優化結構，形成多層級、多目標的神經元，促使燃煤鍋爐在不同的環境之下，可以實現更為高效、高質量的燃燒處理。

2 方法測試

本次主要是對人工神經網絡下火電廠燃煤鍋爐燃燒優化效果進行分析與驗證。選取F火電廠作為測試的主要目標對象，同時結合實際的優化標準與規定，在合理的范圍之內，完成燃燒模式的優化?？紤]到最終測試結果的穩定性和可靠性，需要采用3種方法作對比測試，第一種為傳統的煤粉鍋爐燃燒方法，將其設定為傳統煤粉鍋爐燃燒優化測試組；第二組為傳統的機器學習鍋爐燃燒方法，將其設定為傳統機器學習鍋爐燃燒測試組；第三組為本文所設計的優化方法，將其設定為人工神經網絡鍋爐燃燒測試組。3種方法在相同的測試環境中測定，最終的測試結果以對比的形式測定。接下來，進行相關的測試準備。

2.1 測試準備

在對人工神經網絡下火電廠燃煤鍋爐燃燒優化效果進行分析與驗證之前，為了保證測試結果的精準與穩定，需要搭建相應的測試環境。對火電廠的基礎指標以及對應參數作出設定，選擇2×660 MW的機組作為目標的測試機組。隨后，設定火電廠的電壓范圍在2 200 V～2 600 V，額定電流為1 600 A，除此之外，還需要進行BP－ANN精度數值的歸納，具體如表1所示。

表1 BP－ANN精度數值歸納預設表

式中，G表示燃煤鍋爐的單元燃燒速度；e表示辨識距離；b表示燃燒范圍值，通過上述計算，最終可以完成對單元燃燒速度的計算，根據得出的單元燃燒速度。將F火電廠的燃燒區域劃定為4個測試組，將燃燒的標準與環境調整一致。

根據上述測定基礎，隨后，對相關的燃燒過程以及環節作出制定與更改。一般會將各個流程根據處理的類型劃分，同時，調整參數，形成燃燒建模，進行模擬測定，實施于日常的燃燒任務之中，最終完成燃燒目標。但是這種方式存在一定的弊端，對于部分流程的控制能力會相對較弱一些，導致極易出現誤差，影響最終的處理優化結果。所以，需要結合人工神經網絡，構建智能化的高效控制程序。

日常的執行環節依據順序編制成一整套的程序，設定在控制平臺之中，設定網絡訓練環境，選取燃燒目標任務，形成訓練集的同時，作出初始測定。確保飛灰含碳量與煤質標準處于一致的狀態后。核定測試的設備與裝置是否處于穩定的運行狀態，并確保不存在影響最終測試結果的外部因素，核定無誤后，開始具體的測試。

2.2 測試過程及結果分析

在上述所搭建的測試環境之中，結合人工神經網絡，進行具體的優化處理。首先，將測試集與訓練集的優化比例劃定為6：4，結合F火電廠的日常執行情況，在相同的排煙溫度下，計算出均方根燃燒誤差，具體如式（8）所示：

式中，Y表示均方根燃燒誤差；R表示基礎燃燒速度；g表示飛灰含碳量。通過上述計算，最終可以得出實際的均方根燃燒誤差。將核定出的誤差作為實際的極限標準以指令的形式設定在控制平臺之中，設定介于輸入層與隱層之間的神經元控制矩陣，根據燃燒量子的活化值變化情況，可以獲取對應的變化激勵函數，計算出活化權值，具體如式（9）所示：

式中，T表示活化權值；y表示隱藏向量；w表示閾值向量。通過上述計算，最終可以得出實際的活化權值。對人工神經網絡作出調整，并在平臺中建立基礎隱藏神經元控制層級，具體如圖2所示。

圖2 基礎隱藏神經元控制層級結構圖示

根據圖2，可以完成對基礎隱藏神經元控制層級結構的建立。隨后，依據訓練集和測試集的劃分比例，簡化F火電廠的燃燒區域作出對應的測試劃定。根據均方根燃燒誤差，明確具體的控制位置。

由于標準的變化，需要對各個燃燒環節進行調整與更改，采用量子蜂群結構以及人工神經網絡，實現F火電廠燃煤鍋爐的燃燒優化處理。將燃燒的熱任務初始化，作為一個處理個體，根據種群的單元規模，采用3種方法核定鍋爐的實際蒸發量，具體如式（10）所示：

式中，M表示實際蒸發量；m額定蒸發比值；c表示允許出現的極限差值。通過上述計算，最終可以、得出實際的蒸發量，得出測試的結果，進行具體的對比分析，如表2所示。

表2 實際蒸發比對比分析表

根據表2，可以完成對測試結果的對比分析。在不同的時刻環境下，與兩種傳統方法對比，本文所設計的人工神經網絡鍋爐燃燒測試組最終得出的實際蒸發比相對較高，表明其燃燒的速度與質量更佳，具有實際的應用價值。

3 結 論

根據上述分析驗證，便是對基于人工神經網絡的火電廠燃煤鍋爐燃燒優化方法的設計與構建。與傳統的鍋爐燃燒方法相對比，本文所構建的人工神經網絡輔助燃燒方法相對更加靈活、多變，在面對復雜環境下的燃燒工作時，結合智能化的控制管理結構，在合理的范圍之內，加快鍋爐的燃燒速度以及質量。與此同時，依據對應的燃燒優化需求，開展工業燃煤鍋爐的冷熱態模擬處理，增加燃燒優化的工業性以及合理性，再加上人工神經網絡技術的扶持，進一步提升了在線實時建模和優化工作的效果，完成全面改進的同時，提升自動辨別能力，逐步完成多目標的火電廠燃煤鍋爐燃燒優化，為后續的施工處理提供理論依據。