基于ADAM-BPNN優化模型的磨煤機智能啟動技術研究

蘇永健，解世濤，李雪冰，李 闖，李鵬竹，譚祥帥，李 昭，辛志波，趙如宇，王 林，何 川,張宏元

(1.京能十堰熱電有限公司，湖北 十堰 442000；2.西安熱工研究院有限公司，陜西 西安 710054； 3.京能電力股份有限公司，北京 100025)

隨著信息化技術的發展，大數據、人工智能與工業技術的融合程度逐漸提高，工業生產方式向著更加精益、更加節能的方向發展。火力發電目前是我國電力供應的主體，其生產設備多、工藝流程長、系統間耦合性強，進行智能化改造的空間巨大，智能發電技術目前已成為行業的研究熱點。通過智能化建設實現電廠的精細化管理，達到降本增效的目的，對保持電力企業在新形勢下的核心競爭力具有重要意義。

火電廠制粉系統具有組成復雜、操作繁瑣、監視手段單一等特點，實際的生產過程中容易出現落煤不暢、啟動不及時等問題，直接影響了機組快速調峰和運行安全，降低了電廠的生產效益。

本文基于機器深度學習理論，通過對制粉系統運行參數的大數據分析，構建相應機理模型，結合自動控制策略優化，解決了當前中速磨煤機系統運行狀態只能依靠人為判斷、啟動投用速度慢等問題。加裝了智能優化模型的制粉系統，能夠及時反映設備的異常趨勢，提前預警，方便了操作員監控與調整，提高了鍋爐系統的自動化、智能化程度，更好地滿足了機組快速啟動、響應調峰的需求。

1 系統概述

某電廠采用上海鍋爐廠有限公司產品，鍋爐型號為SG-1219/25.4-M4424，350 MW超臨界參數、一次中間再熱、四角切圓燃燒、固態排渣、全鋼構架、半露天布置、煤粉鍋爐、平衡通風、三分倉回轉式空預器。

制粉系統采用正壓直吹冷一次風機制粉系統，每臺鍋爐配備5臺中速磨煤機和5臺電子稱重式給煤機，4運1備。設計煤種的煤粉細度R90=19%；煤粉均勻系數n=1.1。鍋爐在A/B層設計等離子點火器，采用擺動式四角切圓燃燒方式。

1.1 磨煤機技術參數

磨煤機技術參數見表1。

表1 磨煤機技術參數

1.2 給煤機技術參數

給煤機技術參數見表2。

表2 給煤機技術參數

1.3 制粉系統工藝流程

原煤倉中燃煤經上部落煤管進入給煤機，給煤機通過皮帶將燃煤以設定給煤率輸送至磨煤機。進入磨煤機的燃煤通過磨輥進行碾磨，一次風通過噴嘴環均勻進入磨盤周圍，將經過碾磨從磨環上切向甩出的煤粉混合物烘干并輸送至磨煤機上部的分離器中進行分離，粗粉被分離出來返回磨盤重磨，合格的細粉被一次風帶出分離器并經粉管進入爐膛。

2 原煤倉落煤不暢故障預警

制粉系統實現全程自動控制的難點在于控制對象的準確性和合理性，其準確性體現在能否提前預判控制效果，具體體現是對煤量的精準控制[1-3]。根據鍋爐運行特點要求，選擇啟動幾套制粉系統取決于機組帶負荷情況，因此，在整個制粉系統中往往有兩至三套制粉系統處于熱備狀態[4]。處于備用制粉系統的原煤倉常常會因為煤潮濕、堆積、異物等原因造成落煤不暢[5]，影響制粉系統煤量的精準控制和快速啟動，導致生產效率的損失；其控制對象的合理性具體體現是制粉系統的控制方式是否滿足制粉系統運行要求。

本文基于ADAM-BPNN模型算法，通過對給煤機落煤情況進行預測，在給煤機原煤倉出現潛在落煤不暢時，及時預警和指導生產人員對原煤倉進行松動處理，防止在制粉系統需快速啟動時因落煤不暢導致制粉系統煤量控制失效或啟動失敗的問題，保證機組快速調峰和運行安全。

同時，本文還對制粉系統暖磨方式的運行機理進行研究分析，并結合制粉系統順序控制方法和模型分析計算結果，獲得了一套制粉系統啟動過程的自動控制策略，從根本上解決了制粉系統難實現啟動過程的自動控制的問題。

2.1 給煤機運行特性建模

BPNN(back-propagation neural network,簡稱BPNN)作為一個具有多層拓撲結構的神經網絡，通過對預測集與真值集的誤差計算，將結果進行反向傳播，對隱含層各個神經元參數進行迭代更新，其具有的高維多層結構受到了廣泛關注[6-8]。

本文采用四層神經網絡對制粉系統落煤不暢進行訓練，其中，輸入層節點數為3，經過交叉驗證及考慮計算效率第一層隱含層節點數定為26，第二層隱含層節點數為4，經過動態神經元激活層后輸出層節點個數為1。通過對制粉系統運行特性分析，原煤倉堵煤和落煤管路潮濕堵煤都會導致給煤機因斷煤跳閘，結合機理分析，給煤機落煤不暢模型采用的建模參數如表3所示，網絡結構如圖1所示。

表3 給煤機運行特性建模參數說明

圖1 模型的網絡結構圖

將表3中的樣本數據集xi通過輸入層進入網絡模型中，在隱含層中通過加權求和后的結果為

(1)

式中：WSuj為第一層第j個隱含層神經元的加權求和值；xj為大數據集輸入項；wmj為第一層第j個隱含層神經元不同輸入項的權重；cj為第j個隱含層神經元的偏置，通過激活函數后的輸出值作為輸出層的輸入值，隱含層的輸出結果為

(2)

第一層神經網絡隱含層的輸出作為第二層神經網絡隱含層的輸入，其加權求和后的結果為

(3)

式中：WSvi為第二隱含層第i個神經元的加權求和值；ui為第一隱含層輸出項；wki為第二隱含層第i個神經元不同輸入項的權重，ai為第二隱含層第i個神經元的偏置，通過激活函數后的輸出值作為輸出層的輸入值，隱含層的輸出結果為

(4)

經過動態神經元激活層后在輸出層中通過加權求和后的結果為

(5)

式中：WSy為輸出層神經元的加權求和值；vl為隱含層的輸出項；wl為輸出層神經元不同輸入項的權重；bo為輸出層神經元的偏置，通過激活函數后的輸出值作為輸出層的輸出結果為

(6)

對訓練集產生的結果數據集y及期望數據集yr通過均方誤差公式：

(7)

若誤差結果E不滿足模型精度要求，則對誤差反向進行傳播，更新輸出層及隱含層的權重與偏置，通過不斷的迭代訓練，直至誤差滿足模型精度要求。

2.2 算法優化

本文采用ADAM(adaptive moment estimation，簡稱ADAM)算法作為模型的優化算法，ADAM是2014年由Kingma等研究人員提出的一種算法，由于其對其他優化算法的優點進行了吸納，因此在各方面的應用中效果比較突出。在結合模型迭代過程中，其所使用的參數更新公式如下：

m0=v0=0

(8)

(9)

(10)

(11)

(12)

(13)

式中：m0及v0分別為參數的初始化向量矩陣；β1、β2、η、ε分別為在模型迭代參數更新過程中的配置參數。E和w為模型迭代參數更新過程中誤差和權重。

2.3 結果與討論

以表3中的測點樣本，選取該廠大數據平臺歷史數據庫中的數據集作為輸入，給煤量y作為期望值輸出。以2019—2020年80%的數據集作為訓練集，剩余20%的數據集作為測試集，2021年的數據集作為驗證集，基于BPNN模型，采用ADAM優化算法對給煤機的運行特性進行分析，結果如表4及圖2所示。

表4 給煤機運行特性模型的評價指標值

圖2 模型訓練過程誤差圖

3 磨煤機預暖程控優化

制粉系統啟動過程自動控制方法采用按照制粉系統啟動先后順序的控制方式來完成，并結合磨煤機暖磨運行機理，對磨煤機熱風調閥、磨煤機冷風調閥等設備進行精準控制，完成制粉系統從輔助設備啟動、磨煤機暖磨、磨煤機啟動、給煤機啟動等一系列啟動過程的自動控制。

制粉系統啟動順序控制難度不大，只需按照系統的流程進行啟動，故本文不對制粉系統順序控制部分內容進行討論。磨煤機暖磨作為制粉系統啟動的核心控制對象，暖磨效果決定著制粉系統點火品質、啟動時間和運行安全，因此，下文著重對磨煤機暖磨的控制方法和控制策略進行研究。

3.1 磨煤機暖磨控制方法研究

根據制粉系統的設計，磨煤機分別在點火初期采用等離子暖風系統和機組正常帶負荷之后采用熱一次風暖風系統兩種方式進行暖磨，因此，磨煤機暖磨的控制方式分為等離子暖磨模式和正常暖磨模式。兩者唯一不同的是分別利用等離子暖風器調閥和熱一次風調閥進行暖磨控制，其他的暖磨控制方法均采用相同的控制手段。

考慮到制粉系統啟動的節能性，在暖磨過程中應盡可能做到冷風不參與控制過程，避免冷一次風參與暖磨過程，從而保證一次風機出力處于節能狀態，達到節能的目的。

同時，考慮到制粉系統啟動的高效性和安全性，磨煤機暖磨時磨煤機出口溫度合理的選擇不僅能保證磨煤機的安全運行，還保證了點火質量。磨煤機出口溫度的選擇通常根據煤質揮發份而定，當煤質揮發份Vdaf<40%時，磨煤機出口溫度設定的最大允許范圍的計算公式見式(1)；當煤質揮發份Vdaf≥40%時，磨煤機出口溫度設定的最大允許范圍的計算公式見式(2)。其中煤質揮發份根據煤質化驗結果的數據可知。

tM2=[(82-Vdaf)5/3]±5

(14)

tM2=60～70 ℃

式中：Vdaf為煤質揮發分，%；tM2為磨煤機出口溫度，℃。

3.2 磨煤機暖磨控制策略研究

機組首次點火，磨煤機暖風調閥按照常規設計為控制暖風器出口溫度，這種控制方法不僅會造成暖磨時間延長，也會影響制粉系統整體自動控制功能，使磨煤機入口一次風量在冷熱風的耦合作用下變得不可控或控制效果較差。因此，在機組首次點火時，磨煤機暖風器調閥應直接控制磨煤機入口一次風流量，在保證磨煤機最小通風量要求的同時保證了磨煤機暖磨的時間。此時，冷風調閥為輔助調節磨煤機出口溫度，防止磨煤機出口溫度過高影響機組運行安全。隨著機組點火之后，第二套制粉系統啟動時磨煤機暖磨控制采用常規的控制策略，由熱一次風調閥控制暖磨的速率，冷一次風調閥輔助控制暖磨的技術指標。

在暖磨過程中應合理控制冷熱風調閥的開啟速率和時間。在熱風調閥接收到暖磨指令開啟后，磨煤機出口溫度會迅速上升，此時，冷風調閥會開啟控制磨煤機出口溫度在最大允許的范圍內。由于磨煤機冷熱風具有強耦合性，冷風調閥開啟后磨煤機入口流量也會上升，此時熱風調閥會關閉，熱風調閥關閉后又會使磨煤機出口溫度下降，造成了系統內擾，影響磨煤機暖磨速度和質量。因此，在控制策略中采用一種模糊弱化控制對象的策略，在暖磨過程中，對冷熱風調閥控制參數進行弱化變參數設置，保證磨煤機出口溫度和磨煤機入口一次風量平緩過渡，提高暖磨效率。具體控制策略見圖3。

圖3 磨煤機暖磨控制策略

4 磨煤機智能啟動控制

結合給煤機落煤預測模型及制粉系統自動啟動控制策略，防止在制粉系統需快速啟動時因落煤不暢導致制粉系統煤量控制失效或啟動失敗的問題。通過機理分析，由于在制粉系統運行過程中，輕微落煤不暢的現象時有發生，通常由給煤機經過自身PID調節后此種現象消失，此種現象不會影響系統的快速啟動，也不需要通知檢修人員去處理，應調節模型閾值予以排除。組合控制策略圖，如圖4所示。

圖4 制粉系統組合控制策略

通過對比制粉系統自動啟動投運過程和手動投運過程，自動投入過程見圖5，手動投入過程見圖6。

圖5 自動啟動數據曲線圖

圖6 手動啟動數據曲線圖

通過對自動啟動和手動啟動的數據曲線進行比對分析，自動啟動比手動啟動從爐膛負荷、熱一次風壓力參數來看，采用自動啟動方式時，系統參數波動較小，各參數過渡平緩，系統控制水平優于手動啟動，更利于機組安全運行。同時，從啟動耗時來看，自動啟動比手動啟動用時更短，更為節能。

5 結 論

制粉系統自動啟動控制技術以諸多優點已應用于生產中，但在實際控制中，往往會出現例如落煤不暢預判不及時、暖磨不到位等影響了制粉系統在實際生產過程中自動投入效率較低的問題。本文基于ADAM-BPNN模型的機器學習算法和制粉系統自動控制策略的研究和應用，提高了制粉系統整體投入過程的自動化控制水平，保證了機組運行的安全性和經濟性，為了同類機組制粉系統自動啟動控制技術的應用和數字化電廠的建設提供了寶貴的借鑒意見。隨著電廠制粉系統運行的數據累積，制粉系統過程控制例如磨煤機暖磨控制策略可以進一步依據數據分析建模技術優化進行升級控制策略。