基于人工神經網絡的鍋爐原煤水分預測分析

黃忠和，鄭逸飛，張朝金，周高盛

（1.福建福海創石油化工有限公司，福建 漳州 363215；2.福建中試所電力調整試驗有限責任公司，福建 福州 350007）

引言

近年來燃煤市場供應緊張、競爭激烈，為了節約燃料成本，燃煤企業普遍采用混煤摻燒的方式運行。混煤品質的好壞直接關系到鍋爐運行的安全性和經濟型，也關系到電廠污染物排放是否達標。因此，電廠生產運行中迫切需要成熟的、性能可靠的煤質在線分析系統，以實時監測混煤品質。

燃煤水分與煤種品質密切相關，也是影響燃煤熱值的關鍵因素，因此，準確的燃煤水分在線監測是判定煤種類型和煤質的重要手段，對電廠配煤摻燒、燃燒優化調整有著非常重要的意義。因此，燃煤水分軟測量方法應運而生。

1 熱平衡原理原煤水分在線監測及存在的問題

田永明等以磨煤機熱平衡原理為依據，借助組態王、VB 和SQL 聯合編程軟件工具對入爐煤的水分實現軟測量，并在多家發電廠進行了現場檢驗[1]。劉福國等以制粉系統熱平衡原理建立了基于制粉系統運行狀態分析的電站鍋爐入爐煤水分實時監測的研究[2]。李鋒等根據直吹式MPS 型中速輥式磨煤機運行機理，結合磨煤機入口和出口物質的能量平衡和質量平衡方程建立了燃煤水分質量分析的軟測量模型[3]。

根據質量守恒原理，原煤中部分水分蒸發，轉到磨煤機出口一次風[4]

式中：Mar- 收到基水分，%；

Mmf- 煤粉水分，%。

根據能量守恒原理得到磨煤機進出口熱平衡基本公式

式中：qgz- 磨煤機進口一次風物理熱；

qlf- 漏入冷空氣的物理熱；

qnm- 磨輥磨盤研磨產生的熱量；

qr- 原煤的物理熱；

qz- 原煤蒸發水分消耗的熱量；

qjr- 加熱原煤消耗的熱量；

q2- 一次風帶出的熱量；

q5- 磨煤機的散熱損失。

采用熱平衡原理進行原煤水分在線監測，對磨煤機進口一次風量、一次風溫、給煤量、煤粉水分和漏入冷空氣量等計量準確性要求較高，對磨煤機本體散熱損失計算精度不足，甚至在各臺磨煤機之間偏差較大，因此在生產應用中存在一定的缺陷。

2 原煤水分在線監測人工神經網絡建模

因為神經網絡具有很強自學習性和適用性，同時具有很強的非線性映射能力，并且網絡的中間層數和神經元個數可以根據具體情況而定，因而被廣泛地應用在數據預測領域。在多種神經網絡模型中，應用最廣的是BP 網絡模型。BP 算法用梯度搜索技術，采用反向傳播學習手段來擬合網絡連接權值的方法，使網絡計算輸出與樣本真實值的均方差滿足一定的精度要求。基于熱平衡原理進行原煤水分在線監測的缺陷，采用基于人工神經網絡模型的原煤水分在線監測系統，充分采集磨煤機穩定運行的實時參數，兼利用熱平衡原理對穩定工況進行篩選，并對原煤和煤粉進行取樣化驗水分進行實物校準，利用神經網絡進行樣本訓練，實現對原煤水分的在線監測。根據磨煤機結構和運行特性，構建了一個具有兩個隱含層的神經網絡(見圖1)用于預測原煤的水分。

2.1 輸入與輸出變量的選擇

入爐煤在制粉系統中研磨、干燥、輸送的過程，可以看成一個熱量傳遞和一個一次風粉混合物輸送的過程，所以所有影響其熱傳遞和一次風粉混合物輸送的參數都將會對原煤水分的預測產生影響[5]。通過對入爐煤研磨、干燥、輸送過程運行經驗和現場實際情況，最終選定給煤量、磨煤機入口一次風量、磨煤機進出口差壓、磨入口風溫、一次風粉混合物溫度等7 個參數作為神經網絡的輸入變量，輸出變量為入爐煤的水分。

2.2 輸入與輸出參數歸一化

神經網絡輸入、輸出值應是歸一化的數值，一般采用在－1 和＋1 區間。因此，對輸入、輸出參數數據要進行歸一化

Xim、Pm- 第m 個樣本第i 個參數的輸入、輸出標定值；

Ximax、Ximin- 第i 個參數輸出最大、最小標定值。

2.3 神經網絡的訓練過程

確定了神經網絡的輸入、輸出后，接下來就要對其進行訓練，以滿足使用要求。神經網絡訓練過程見圖2。首先獲取磨煤機在運行過程中的一些特征參數，及其對應的煤種參數，即上述提到的7 個輸入參數和1 個輸出參數，并將所取得的參數隨機分為訓練樣本與測試樣本，利用訓練樣本對神經網絡進行訓練，直至神經網絡的輸出結果滿足準確度要求或者達到最大的訓練次數。若達到最大訓練次數后輸出結果仍無法滿足準確度要求，則重新調整神經網絡參數，重復上述訓練步驟，直至輸出結果滿足預測準確度要求。

計算隱層輸出值f(Sj)。隱層單元輸出值采用S 型函數，其計算公式

式中：Wji-輸入層第i 個神經元至隱層第j 個神經元的連接權值；θj-閾值。

輸出單元輸出值f(Sk)，即網絡的輸出y=P′。輸出值也采用S 型函數

式中：f(Sk)-輸出層第k 個神經元的輸出值；

Wkj-隱層第j 個神經元至輸出層第k 個神經元的連接權值；θk-閾值。

2.4 神經網絡的訓練結果

研究BP 神經網絡的預測結果，可以發現訓練樣本的預測水分與實測水分的相對誤差全部都保持在6%以下，這樣高的精度許多經驗公式包括原煤熱平衡方式也難以達到，完全可以滿足生產應用需求。

3 影響預測結果的因素分析

從上述結果可以發現，預測的準確度已經可以滿足實際生產應用需求，但是預測結果的穩定性同樣不可忽視。選擇了7 個參數作為神經網絡的輸入參數，相對來說，磨煤機出口一次風粉混合物的溫度偏差對水分預測準確性的影響最大。

水分預測M 簡化為各輸入參數歸一化值X 和權重f(A,B)的乘積

式中:A、B- 系數。

以某次訓練結果為例，各輸入參數對水分預測的權重f(A,B)見表1。

表1 各主要輸入參數對水分預測的權重f(A,B)

注：以上權重參數因不同樣本和磨煤機結構特性而不同。

對比磨煤機出口一次風粉混合物的溫度和磨煤機進出口差壓偏差對水分預測準確性的影響。

當一次風粉混合物溫度偏大時，入爐煤水分的預測結果小于原預測值，并且隨著一次風粉混合物溫度偏差的增大，預測結果相應減??；相反，則反之。從中可以發現，一次風粉混合物溫度與預測的原煤水分之間具有強負相關的關系。

當進出口差壓小于原差壓時，入爐煤水分的預測結果也小于原預測結果，并且隨著差壓的減小，預測結果也相應減小。相反當進出口差壓大于原差壓時，其預測結果大于原預測結果，并且隨著差壓的增大，預測結果也相應增大。從中可以發現，制粉系統進出口差壓與預測的水分之間具有一定的正相關的關系。

從能量平衡理論的角度來考慮，原煤從進入磨煤機到噴入爐膛內燃燒不僅是一個物料運輸的過程，也是一個不斷干燥的過程[6,7]。在原煤質量一定的情況下，隨著原煤含水量的不斷增加，干燥到所需要的能量增加，磨煤機出口一次風溫必然降低[8]。所以，在實際運行過程中，樣本的一次風粉混合物溫度穩定性對于神經網絡預測準確性和穩定性具有重要意義。

4 結論

對傳統的基于熱平衡原理原煤水分在線監測和基于人工神經網絡原煤水分預測方法進行對比，采用人工神經網絡方法具有很強的非線性映射能力，訓練樣本的預測水分與實測水分的相對誤差絕對值可以控制在6%以內，完全可以滿足生產應用精度的需求。同時分別對一次風粉混合物溫度對神經網絡預測結果的影響進行研究，一次風粉混合物溫度與預測結果具有強負相關關系，所以樣本的一次風粉混合物溫度穩定對于神經網絡預測的準確性和穩定性具有重要意義。

在神經網絡訓練樣本采集和篩選的過程，大范圍采集磨煤機穩定運行參數，兼利用熱平衡原理對各臺磨煤機穩定工況進行篩選，并對原煤和煤粉進行取樣化驗水分進行實物校準，利用神經網絡進行樣本訓練，實現對原煤水分的在線監測。燃煤水分與煤種品質密切相關，準確的燃煤水分在線監測是判定煤種類型和煤質的重要手段，對電廠配煤摻燒、燃燒優化調整有著非常重要的意義。