基于機器學習的燃煤鍋爐燃燒效率在線計算

陳 波 ，曹歌瀚，黃亞繼 ，岳峻峰 ，徐文韜 ，王亞歐，李雨欣，金保昇

(1.江蘇方天電力技術有限公司 江蘇 南京 211102；2.東南大學 東南大學 能源熱轉換及其過程測控教育部重點實驗室，江蘇 南京 210096)

0 引 言

隨著信息技術的發展和新基建理念的提出，傳統火力發電廠亟需向智能化方向升級[1]。利用人工智能算法構建電廠鍋爐的燃燒模型是目前的研究熱點。鍋爐效率是衡量鍋爐運行狀態的重要指標，也是鍋爐燃燒優化的重要目標。傳統的鍋爐優化方法主要通過專家經驗，采用交叉試驗或單因素輪回試驗對燃燒工況進行優化調整[2-3]，不僅費時費力，而且試驗工況有限，一旦鍋爐煤種或運行狀態發生變化，原有的優化試驗結果即失效。因此為了更好地對鍋爐效率進行優化，采用啟發式算法對鍋爐進行參數尋優是目前較好的方法之一，要求首先構建鍋爐運行參數與鍋爐效率之間的實時計算模型。應明良等[4]提出了一種基于鍋爐有效輸出熱量和總輸出熱量計算鍋爐熱效率的方法，該方法無需進行煤質測試，具有良好的實時性，但其依賴于對過熱蒸汽與再熱蒸汽的測量，大型設備需安裝大量測點。王詣[5]針對鍋爐效率計算中灰渣含碳量難以獲得的問題，研究了基于圖像處理技術的灰渣含碳量快速檢測系統，并對鍋爐效率反平衡計算進行簡化分析，建立了鍋爐效率的實時計算模型。趙國強[6]利用極限學習機方法對鍋爐煙氣含氧量和飛灰含碳量建模，將結果輸入鍋爐熱效率計算模型，得到實時的鍋爐效率計算結果。也有學者采用機器學習算法對鍋爐效率進行計算，如混合最小二乘支持向量機[7]、分布式極限學習機[8]、神經網絡[9-12]、支持向量機[13-14]等，這些研究將鍋爐效率直接作為機器學習模型的輸出，但實際的鍋爐效率獲取較困難，導致訓練樣本不足，難以獲得具有廣泛性的計算模型。這些研究促進了電廠鍋爐智能化運行的發展，但其自身的不足限制了智能算法的廣泛應用。

為了獲得具有廣泛性的實時鍋爐效率計算方法，本文利用遺傳算法改進神經網絡算法訓練鍋爐參數與鍋爐排煙溫度、飛灰含碳量和煤質灰分之間的關系，計算鍋爐的煙氣熱損失與固體不完全燃燒熱損失，并對文獻[4]提出的鍋爐效率計算方法進行改進，減少計算模型所需的測量數據，降低鍋爐的改造成本。

1 目標鍋爐與燃燒系統

鍋爐特征參數的選擇對構建鍋爐效率的計算模型十分重要，本文采用某電廠1 000 MW超超臨界鍋爐為研究對象，單爐膛，Π型構造，已裝備低NOx同軸燃燒系統，如圖1所示。燃燒系統具有一層分離燃盡風和6層燃燒器，分別對應6個磨煤機，每個磨煤機與2層燃料空氣(FA)和一次風出口連接。每個燃燒器中間注入油輔助空氣(OA)，下層和上層也分別注入兩級輔助空氣(AA)，2個燃燒器頂部是緊湊燃盡風(CCOFA)。 6個燃燒器分別記為A～F。F層的輔助空氣記為F-AA-1和F-AA-2、油輔助空氣記為F-OA、燃料空氣記為F-FA-1和F-FA-2，其他層以此類推，F-FA-1和F-FA-2位置由一個測點測量。鍋爐的過熱段和再加熱段產生蒸汽，過熱段包含一、二、三級過熱器，再熱段包含一、二級再熱器。燃燒器布置在4個角落，通常同一層上4組燃燒器的風門同步運行。擋板的制動以及當前位置的測量直接在爐壁內設備的機械驅動器內進行。

圖1 鍋爐示意和風門擋板排列Fig.1 Schematic diagram of the boiler andthe arrangement of the damper

選取表1中1～51號參數作為樣本特征，其中，負荷代表鍋爐不同發電負荷下的工況，爐膛氧量表示氧量對鍋爐燃燒的影響，煤粉溫度、一次風溫和二次風溫與鍋爐的燃燒情況相關，4～49號參數為鍋爐配風方式對鍋爐燃燒的影響；飛灰含碳量、煤質灰分與排煙溫度作為樣本的因變量參與鍋爐效率的計算。

表1 樣本特征

2 數據預處理

從實際電廠中獲取原始數據后需經預處理才能應用于模型計算。本文數據處理包括剔除異常值、判別穩態工況與相似度處理3部分。由于故障或測量儀器原因，直接采集的數據通常存在與相鄰數據點差異較大的明顯異常點，采用基于數學統計學的3σ原則剔除異常值：假設某一樣本含有n個數據，平均值為μ，標準差為σ，則數據分布在3σ區間的概率為99.74%。若某一數據與μ的差值大于3σ，則判定其為異常值。電廠為了適應用電需求變化，機組的負荷也會發生變化，穩態工況會受到破壞。鍋爐的非穩態工況一般無法準確反映輸入量與被輸入量之間的關系，若直接用于建模，會對模型預測精度產生嚴重影響，因此，建模前需要判別穩態工況、篩選穩態工況點。本文利用滑動窗口法判別穩態工況，通過選擇某一合適的窗口寬度并進行滑動，計算每次滑動后窗口內數值的標準差，若標準差過大，則該點處于非穩態工況。根據電站鍋爐性能試驗規程，1 000 MW鍋爐機組穩態蒸發量最大允許波動范圍為±2%。窗口內負荷波動低于2%時，認為窗口內工況穩定。對于已完成異常值與非穩定工況點剔除的數據，由于數據樣本量較大且樣本點均處于穩定工況，存在樣本間數據變化微小、相似度高的情況。為優化建模訓練樣本，降低模型的計算量，需要對其進行相似度處理，剔除冗余信息。采用相似度函數判別樣本間的相似度，設置相似度函數為

Rij=e-‖xi-xj‖2，

(1)

式中，Rij為第i組與第j組訓練樣本的相似度；xi、xj為訓練樣本中第i組和第j組數據。

采集2020-02-06—03-22每天間隔1 min的66 240條數據作為原始數據，經剔除異常值處理后，樣本數據減為65 299條；經穩態判別后，樣本數據為30 720條，經相似性處理，篩選出3 445組樣本數據用于建模。數據處理流程如圖2所示。

圖2 數據處理流程Fig.2 Flow chart of data processing

3 鍋爐效率計算

為了對鍋爐效率進行優化，建立鍋爐運行參數與鍋爐效率之間的實時計算模型十分重要。文獻[4]提出了一種基于鍋爐有效輸出熱量和總輸出熱量的鍋爐效率計算方法，實時性強，但該方法依賴于對過熱蒸汽與再熱蒸汽的測定，需安裝大量測點，安裝與維護成本較高，部分電廠不具備相關條件。本文鍋爐效率計算公式為

(2)

(3)

排煙溫度、飛灰含碳量和煤的灰分數據由建立神經網絡模型計算得出，由于神經網絡模型的初始連接權值和閾值的選擇對網絡訓練的影響很大，但又無法準確獲得，因此采用基于遺傳算法改進的BP神經網絡算法對飛灰含碳量和煤質灰分進行預測建模。

固體不完全燃燒熱損失Qs計算公式為

(4)

式中，Cfh為飛灰含碳量，%；F為耗用原煤量，kg/s，32 700為純碳的發熱量，kJ/kg。

鍋爐輸入熱量的計算公式為

Qr=BQnet,art，

(5)

其中，B為入爐原煤量；kg/s。Qnet,ar根據燃料的高位熱值與其理論空氣量間近似正比的關系進行計算[15]。

(6)

式中，Qgr,ar為入爐煤的高位熱值，kJ/kg；k1為絕大多數煤高位熱值對低位熱值的比例關系，為1.03～1.06；k2為高位熱值與理論空氣量的比例系數，為2.994～3.165；W為鍋爐運行總風量，t/h;Δα為漏風系數，為0～0.1；ρ(O2)為鍋爐運行氧量，%。

4 遺傳算法改進的神經網絡模型

神經網絡模型是克服燃煤鍋爐建模時多變量互相耦合、互相影響的有效辦法[16]。BP神經網絡是一種信息正向傳播、誤差逆向傳播的神經網絡，通過反向傳播不斷調整網絡的權值和閾值，使網絡的誤差平方和最小。BP神經網絡結構簡單、可調整的參數多、訓練算法多、可操作性好，但其存在如收斂速度較慢、易陷入局部最小點等缺陷，且網絡訓練受初始連接權值及閾值的影響較大，無法準確獲取，因此，考慮引入遺傳算法對神經網絡進行優化。

遺傳算法(GA)是一種智能算法，可通過模擬自然演化過程來搜索最佳解。遺傳算法優化神經網絡的步驟為：首先隨機初始化神經網絡的權值和閾值作為初始種群，解碼后賦給新建的BP神經網絡，將BP神經網絡的測試誤差作為種群適應度代入遺傳算法的進化過程并生成新的種群，將新的種群加入BP神經網絡進行訓練，直至網絡的測試誤差滿足終止條件。

根據表1選取的樣本特征，建立3套51-13-1的神經網絡模型，即輸入層神經元數量為51，隱含層神經元數量為13，輸出層神經元數量為1。神經網絡結構如圖3所示，利用Matlab的神經網絡工具箱構建網絡，采用可最小化平方誤差和權重的TRAINBR作為訓練函數，選擇TANSIG作為傳遞函數，選擇MSE作為性能函數，選擇LEARNGDM作為適應學習函數。采用遺傳算法優化神經網絡，最大進化代數設置為300，種群規模為100，交叉概率為0.9，變異概率為0.1，算法流程如圖4所示。

圖3 神經網絡結構Fig.3 Structure of Neural network

圖4 鍋爐效率計算流程Fig.4 Flow chart of boiler efficiency calculation

5 結果與分析

在電廠實際生產過程中，同一天的飛灰含碳量與煤質數據只能進行離散采樣，因此選取取樣點時刻周圍的樣本對飛灰的含碳量和煤質灰分進行訓練。在訓練神經網絡模型時，隨機將樣本數據劃分成訓練集和測試集，訓練集和測試集的劃分比例為7∶3。圖5為遺傳算法優化后的神經網絡模型的驗證結果。表2為精度計算結果(RMSE為均方根誤差，MRE為平均相對誤差，MAXE為最大絕對誤差)。計算方法如下：

圖5 排煙溫度、飛灰含碳量煤質灰分測試樣本的驗證結果Fig.5 Validation results of exhaust gas temperature，carbon content in fly ash and coal ash test samples

(7)

(8)

(9)

由表2可知，預測結果可滿足大部分樣本的預測需求。對于飛灰含碳量與煤質灰分，部分結果與預期相差較大，這是由于在實際生產中，飛灰含碳量

表2 BP-ANN的精度

與煤質數據測試次數較少，為了充分利用電廠的運行數據，將某一時刻的測試數據擴展到其他時刻，因此造成部分樣本數據偏差較大。以實際的測試數據為基準，3倍平均相對誤差為范圍，圖5(b)、(c)中超過實際測試數據3倍平均相對誤差的預測數據標記為“+”，被標記的數據視為由于數據推測引起的誤差。飛灰含碳量的測試樣本中的推測誤差數據占7.07%，煤質數據測試樣本的推測誤差數據占5.13%。

圖6為電廠某一天的鍋爐效率隨時間的變化(R為實際蒸發量與額定蒸發量的比值)。可以看出，鍋爐效率與實際蒸發量的變化近似一致。鍋爐的實際蒸發量下降時，鍋爐效率降低，這可能與鍋爐蓄熱有關，負荷降低導致鍋爐的單位煤量煙氣量增加，但排煙溫度未降低，使煙氣熱損失增大，鍋爐效率突然降低。另外，鍋爐的實際蒸發量在60%以上額定蒸發量時，鍋爐效率易保持在較高水平。

圖6 電廠的鍋爐效率與實際蒸發量隨時間變化Fig.6 Change of boiler efficiency and actualevaporation of power plant with time

6 結 論

1)對所運行的鍋爐進行分析研究，選擇合適的鍋爐燃燒運行特征作為樣本特征。

2)根據特征采集相應數據，并對數據進行剔除異常值、判別穩態工況和相似性處理，減少了用于模型訓練的數據量。

3)利用遺傳算法改進的神經網絡算法計算排煙溫度、飛灰含碳量與煤質灰分，進而計算出鍋爐的排煙熱損失與固體不完全燃燒熱損失，代入鍋爐效率的反平衡計算模型中得到鍋爐效率。計算所得的鍋爐效率變化與實際蒸發量變化近似一致。鍋爐的實際蒸發量下降時，鍋爐效率降低。鍋爐的實際蒸發量在60%以上額定蒸發量時，鍋爐效率易保持在較高水平。

4)計算結果表明該方法可操作性與實時性強，且精度符合預測需求，可滿足電廠對鍋爐效率的日常監測要求。