电站锅炉燃烧优化过程的数据建模研究

本资料包含pdf文件1个，下载需要1积分

锅炉的燃烧优化是节能减排的重要技术手段，其目标是在- 定的负荷条件下，通过调整锅炉配风、给煤等运行参数而获得低污染排放及更安全、高效的运行状态。锅炉的运行是以负荷为主动参数，其他运行参数都要根据负荷情况进行相应的调整，锅炉的配风、给煤及氧量等操作参数的配置会直接导致不同的锅炉效率、污染气体排放量及设备损耗情况。对于给定的锅炉，在-定的负荷条件下，存在-种最优的操作参数配置方案，能够使燃烧状态最优化。不过，锅炉的操作参数问有着非常复杂的耦合关系，要找到最优化的操作参数配置是非常困难的。

在实际生产中锅炉的燃烧优化主要是靠调试人员针对具体的锅炉和煤种情况，通过不同实验来寻找较好的运行参数配置。此种方法费时、费力而且能够实验的参数组合有限，因此通过调试实验找到的参数配置还存在较大的提升空间。另外，这种方法还不能实现根据锅炉实时变化情况的在线优化。如果能在大量实际运行数据中挖掘出运行参数与锅炉燃烧指标问的关系模型，将会使建模优化方法的效果大大提高。

本文通过运用 BP神经网络和遗传算法相结合 的建模方法，对某台 300 MW 电站锅炉建立了-个综合模型，对锅炉的燃烧效率、NO 排放量及排烟热损失进行了优化。该方法可有效地提高模型的预测精度和泛化能力。

1 算法的基本理论1.1 BP神经网络算法的基本理论BP神经网络是-种多层前馈神经网络，主要特点是信号向前传递，误差反向传播。在前 向传递中，输入信号从输入层经隐含层逐层处理，直至输出层。每-层的神经元状态只影响下-层神经元状态。如果输出层得不到期望输出，则转入反向传播 ，根据预测误差调整网络权值 和阈值，从 而使 BP神经网络预测输出不断逼近期望输 出。BP神经网络的拓扑结构如图1所示。

输入层 隐含层 输j层图 1 BP神经网络拓扑结构图图1中，x ，x2，， 是 BP神经网络的输入值，y1，y2，， 是 BP神经网络的预测值 ， 和∞ 为 BP神经网络权值。从图 1可以看出，BP神经网络可被看成-个非线性函数，网络输入和预测值分别为该函数的自变量和因变量。当输入节点数为 ，输出节点数为 m时，BP神经网络就表达了从 ，z个自变量到m个因变量的函数映射关系。BP神经网络预测前首先要训练网络，通过训练使网络具有联想记忆和预测能力。BP神经网络的训练过程包括以下几个步骤：(1)网络初始化。根据系统输入输出序列(x，y)确定网络输入层节点数 、隐含层节点数 l，输出层节点数 m，初始化输入层、隐含层和输出层神经元之间的连接权值 ㈨和m 、隐含层阈值 n、输出层阈值 b，给定学习速率和神经元激励函数。

(2)隐含层和输出层的计算。根据输入向量 x、输出层和隐含层问的连接权值 以及隐含层阈值 n，计算隐含层输出H。再根据隐含层输出，计算 BP神经网络预测输出 o。

上 Ok- HJ - (是- 1，2，，m) (1)J- 1(3)误差计算。根据网络预测输出 0和期望输出 y，计算网络预测误差 8。

- - 0 ( - 1，2，，m) (2)(4)权值及阈值更新。根据网络预测误差 e更新网络连接权值 ㈨ 、 和网络节点阈值 a、b。

，- 4-叩H，(1-H，)z( )∑wjk ( -1，2， ，n； -- I1，2， ，Z) (3)- 叩H e ( -1，2， ，Z； -1，2，，m) (4)- 4-j7HJ(1-H7)， P ( -1，2，，z) (5)bk- 4-ek (忌-1，2，，rn) (6)(5)判断算法迭代是否结束，若没有结束，返回步骤 2。

而在现实生活中，实际问题很难用线性模型进行描述。神经网络的出现大大降低了模型建立的难度和工作量。只需将神经网络看成～个黑箱子，根据输入与输出数据，并依据相关的学习规则，便可建立相应的数学模型。但是，当数学模型的输入 自变量很多、输入 自变量之间不是相互独立时，利用神经网络容易出现过拟合现象，从而导致所建立的模型精度低、建模时问长等问题。因此，在建模之前，有必要对输入 自变量进行优化选择，即选择最能反映输入与输出关系的自变量参与建模。遗传算法就是-种非常有效的自变量压缩方法。

1.2 遗传算法的基本理论遗传算法模拟了自然选择和遗传中发生的复制、交叉和变异等现象，从任意初始群体出发，通过随机选择、交叉和变异操作，产生-群更适应环境的个体，使群体进化到搜索空间中越来越好的区域，这样-代代地不断繁衍进化，最后收敛到-群最适应环境的个体，求得问题的最优解。对于燃烧优化建模来说，遗传算法具有良好的寻优功能，但建模功能却比较差，不能机电信息 2013年第 15期总第369期 59 装备应用与研究◆Zhuangbeiyingyong yu Yanjiu0---- 体现出燃烧参数间复杂的关系。因为其实现功能也有限，所以单纯用遗传算法进行燃烧优化建模的比较少～遗传算法与神经网络相结合，可以避免神经网络容易陷入局部极孝出现过拟合现象、泛化能力差等问题。针对输入自变量个数太多的模型，可以在建模前利用遗传算法对输入 自变量进行优化筛眩2 锅炉燃烧模型2.1 模型的输入与输出本文将-台300 Mw燃煤锅炉作为研究对象进行建模，选择机组负荷、5台磨各自的煤量与风量、飞灰含碳量、排烟氧量、排烟温度、炉膛负压、A/B侧二次风量、主汽压力、主汽流量、给水温度和过量空气系数共 21个变量作为输入数据；输 出数据有 3个，分别是锅炉效率、排烟热损失和 Nx排放浓度；选取200300 MW 中的 12个工况负荷点，每个负荷点选取 3组数据，总共 36组数据作为训练样本；12个工况分别各取 1组数据共 12组作为测试检验样本。采用 Matlab进行仿真实验。

2.2 模型的建立与优化建立与优化模型的具体步骤如下：(1)数据预处理：将所有数据进行归-化处理，均转化为[O，1]之间的数值，本文采用Matlab自带的归-化函数 mapminmax进行处理。(2)创建神经网络：利用 newf与 sire函数建立神经网络模型，调用正切传递函数tansig与线性传递函数 purelin来降低模型均方误差。

设置隐含层节点数为 2O。(3)调用遗传算法训练神经网络：设置迭代次数为 100，种群规模为 5O(要求是偶数)，变异概率为0.3，并设置好决策变量的上下界。通过选择、交叉、变异进行模拟，并输出结果。(4)循环训练：遗传算法的训练结果作为BP算法的初始值，并继续使用 BP算法进行训练。此项设置中，学习率设置为 1，迭代次数设置为 200，目标位为 0.000 01，并且每 1O次训练显示 1次。(5)优化黑箱函数：调用 sim函数作为遗传算法的目标函数，使用遗传算法优化神经网络黑箱函数，最后得出最佳输人参数组合值及输出参数的优化结果。

2.3 模型的输出结果(1)预测误差。BP神经网络的训练结果如图 2所示，训练和验证的样本数据在归-化处理后的值均分布在基准线附近，模型的估计值很好地逼近了锅炉燃烧的实际值，因此模型较好地反映了锅炉的燃烧特性。

(2)遗传算法寻优。图3为利用遗传算法对 BP神经网络模型寻优 的过程。从 中可 以看 出，排烟热损失在 6%处趋于60平稳。

(3)最佳输人参数组合及优化结构。对于建立好的锅炉输入与输出参数，模型输出了 4组不同负荷点的输入与输出参数组合，现就 270 MW 与 205 MW 这 2组负荷加以说明，其输出参数的真实值和优化值如表 1所示。

表 1 输出参数真实值与优化值对于 270 WM 的负荷点，实际数据中由于最底层的 A磨处于检修状态，所以A磨煤量和风量均为 0，而经过模型优化后的结果 ，最底层 A磨煤量为 23 t/h，风量为 42 t/h，体现出投低层磨既可降低飞灰可燃物含量 ，又有利于稳定着火、提高锅炉效率的原则；而且优化结果中减小了过收气系数，相对抑制了N0x排放，减少了排烟热损失 ；优化结果中提高主汽压力近额定值 ，又对锅炉效率的提高产生了-定影响。对于205 MW，优化结果中把氧量降得很低，缺氧燃烧使 NO 排放有了-定的降低，但是过收气系数过小使得排烟热损失又有所增加。

3 结语随着近几年国内数据库技术的成熟，基于海量数据处理的数据挖掘、数据融合成为解决众多实际问题的有效工具。通过运行参数与锅炉指标间的关系建立模型，将会使建模优化方法的效果大大提高。本文的数据没有加入煤质的变化，全换算成标煤，对于模型的仿真效果有-定影响，但其可作为优化燃烧的-个基础模型，为下-步深入研究 BP神经网络与遗传算法建模优化打下良好的基矗[