PDF《大型 电厂锅炉 飞灰 含碳量建模》

第l22卷 第 6期

2 0

0 2年 6月 中国电机工程学报Proce甜ingsoftheCS E E V o l

2 2No .

6 J u n.

2 o

0 2 ~2

0 0

2 Ch i n . S o c f o r El e c En g 文章编号:0

2 5

8 ―

8 0

1 3 (

2 0

0 2 )

0 6 .

0 0

9 6 ―

0 5 基于人工神经 网络 的 大型 电厂锅炉飞灰含碳量建模 周昊,朱洪波 . ,曾庭华 ,廖宏楷 ,岑可法 (

1 .能源清洁利用和环境 I - 程教育部重点实验 室,浙江大学热能I - 程研究所,浙江 杭州

3 1

0 0

2 7 2.广 东省 电力集团公 司,广东 广州

5 1

0 6

0 0) ARTI F

1 CI AL NEURAL NETW ORK M 0DELLI NG

0 N THE UNBURNED CARB0 N I N FLY ASH FR0 M UTI LI TY B0 I LERS Z HOU Ha o , ZHU Ho n g ― b o , ZE NG T i n g ― h u , L I AO Ho n g ― k a i

2 , CEN Ke ― f a (

1 Cl e a n En e r g y a n d En v i r o r l m e n t En g i n e e r i n g Ke y L a b o f M OE. I n s t i t u t e f o r T h e r ma l P o we r E n g i n e e r i n g , Z h ~i a ng Un i v e r s i t y , Ha ng z h o u

3 1

0 0

2 7 , C h i n a ;

2 . Gu a n g d o n gEl e c t r i cP o we r Gr o u pCo r p o r a t i o n , Gu a n g z h o u

51 0

6 0

0 , Ch i n a ) ABST RACT: W j m t h e d e v e l o p i n g d e m a n d f o r h i g h e f f i c i e n c y o f t h e u d f i ~ b oi l e r s 、mo r e a t t e n t i o n i s p a i d t o t he u n b u r n e d c a r b on c o n t e n t i nt hef l y a s hf r o m t he h i 曲capacityt a n g e n t i a l f i r in g b o i l e r , b u t t he u n b u r n e d c a r b o n c o n t e n ti n t he f l y a s h i s c o mp l i c a t e d a n d i t i s a f f~ t ed b y ma n y f a c t o r s , s u c h a s c o a l c h a r a c t e r ,b o i l e r '

s l o a d .a i r d i s t r i b u t i o n ,b o i l e r s t y l e ,b u r n e r s t y l e , f u r n a c e t e mp e r a t u r e . e x c e s s a i r r a t i o , p u l v e r i z e d c o a l f i n ― e n e s s a n d t he u n i f o r mi t y - o f t he a i r a n d c o a l d i s t r i b u t i o n , e t c . I n t hi s p a p e r , t he u n b u r n e d c a r b o n c o n t e n ti n t he f l y a s h o f a

3 0

0 M W u d l t a n g e n t i a l l y f ir i n g c o a l b u r n e d b o i l e r i s e x p e r i ― me n t a l i n v e s t i g a t ed . a n d t a k i n g a d v a n t a g e o f t he n o n l i n e a r d y ― n a mJ c s c h a r a c t e r i s t i c s a n d s e l f - l e a r n i n g c h a r a c t e r i s t i c s o f a r d f i ― c i a l n e u r a l n e t wo r k |a n a r t i f ic i a l n e l l r a l n e t wo r k mo d e l

0 n u n - b u r n e d p r o p e ~ y o f t h e h i 曲capac畸boilerisdevelopedand v e r i f ie d KEY W ORDS: Ud l i t y b e i l e r ;

Un b u r n . d c a r b o n c o n t en t ;

Ar t i ― f i c i a l n e u r a l n e t wo r k 摘要 :飞灰含碳量 是影响锅 炉热 效率的一 个重要因素,但 飞灰含碳量 受煤种 、锅炉 设计结构 、操作参 数等多种 因素 影响 ,关系 复杂 煤种变 化往往 导致燃烧 工况偏离试验调 整获得 的最优值 在对某 台300MW 四角切 圆燃煤 电广锅 炉飞灰 含碳 量特性进行 多工况热态测试 的基础上 ,应 用人 工 神经 网络 的非线性动力学特 眭及 自学爿特 性,建 立了大 基 金项 目:国家 重点 基础 研 究专 项经 费项 目(Gt

9 9

9 0

2 2

2 0

4 ) P r o j e c t S u p p o r t e d b y S p e c i a l F u n d s f o r Ma j o r S t a t e B a s i c R e s e a r c h P r o j e c t s o f R R C h i t t a L G1

9 9

9 0

2 2

2 0

4 ) 型四角 切圆燃烧 锅炉 飞 含碳量特 性的神经 网络模型 ,井对此模型进行 了校验 . 关键词:锅炉 :飞灰含碳量;

人工 神经 网络 中图分类号:T K

2 2

3 文献标识码 :A

1 引言 大型燃煤 电厂锅炉的经济性一直是 电厂运行 和设计人员关心 的重 要 问题 飞灰 含碳量是影 响 锅炉热效率的一个重要指标,特别是对于燃用劣 质煤的锅 炉 .但 影响 燃煤锅炉飞灰 含碳量的因素 多而且复杂,受 到如锅炉燃用煤种 、设计安装水 平 、锅炉运行操 作水平等多种因素的影 响,很难 采用简单 的公式进行估算 ,往往需采用 实炉测试 方 法加 以确 定并摸 索 降低 飞灰含 碳量 的运行方 法 .但 实 炉测 试 工作 量大,测 试 工况 有限, 各运 行参数和煤种对 锅炉飞灰含碳量都存在影响,互相叠加,导 致数据分 析 困难 而锅 炉燃用煤种和 操作参数千变万化,不可 能保证在试验工况下运 行 ,导致偏离燃烧调整获得 的最佳工况下而无法 获得最低 的飞灰含碳 量.相对而言 ,影响锅炉热 效率 的其他几项 热损失根据运行参数 可以有 明确 的计 算公式可 以求得,影 响因素 比较 简单.获得 飞灰含碳量 与煤种和运行 参数之间 的关系对于锅 炉 的运行 优化是 有意 义的维普资讯 http://www.cqvip.com 第 6期 周 昊等: 基于 人工 神经 网络的大型电厂锅炉飞灰含 碳量 建模

9 7 本文在对某台

3 【 x 】 Mw 四角切圆燃煤电厂锅炉 的飞 灰含碳量特 性进行多工况 实炉热态测试的基 础上 .应用人工神经 网络 的非线性动力学特性及 自学 习特性 ,建立 了大型四角切 圆燃烧锅炉飞灰 含碳量特性 的神经 网络模型 ,并对此模型进行 了 校验 .结果表 明,该模型能根据燃煤特性及各种 操作参数准确预报锅炉在不 同工况 下的飞灰含碳 量特 性 ,如结 合寻优技术 ,可为大型 电厂锅炉通 过燃烧调整提高锅炉效率提供有效手段.

2 人工神经 网络和 BP学 习算法 人工神经 网络是由大 量模拟 生物神经元 的人 工神经元广泛 互连而成 的网络 ,由大量的简单 处 理单元连接 而成的 自适应非线性系统 .通过输入 信号在各神经 元之 间的传递 ,获得输 出,可 以模 拟人类大脑神经网络结构和行为 ,具有高度 的非 线性 ,并且系统可 从大量存在的知识样本 中, 通过 学习提取 出有效的知识和规则 ,对 自身不断 完善、发展和创新 目前应用最广泛的 B P网络是 一种单向传播的 多层前 向网络 ,可看成是 一个从输入到输出的高 度非线性映射 ,即对样本集合,通过 B P网络可近 似 复杂 的非线性函数关系而 获得输 出.人工神 经 嘲络近似复杂 函数、处理信 息的能力完全取决于 网络 中各 种神经元之间的耦合权 值,由于 较大规模嘲络 ,各权值不可能被 一 一确 定,因此 网络本身需要学习能力 ,即能够 从示范模 式的学习 中逐 步调整各权值.业 已证 明用一个 3层的BP网络可 以完成 任意的 维到 m维的映射 B P 算法即误差反向传播算法是神经 网络学习 中最常用的学 习方法之一,B P 算法中通过神经计 算得到的输 出和样本值进行误 差分析 ,不断反复 修 正神经 网络中各权值 ,从而 使网络 的输 出接近 所希望的输 出,最终误差满足要求,即学习结束, 获得学习成功后的权值.由于在 B P算法 中误差计 算是 由输 出层向输入层 的方 向进行 ,因此称 为误 差反向传播算法 .由梯度下降法构成的 B P算法为 网络的学习提供 了简单有力 的方法 ,但也存 在局 部最小和收敛速度慢等 问题 ,为此,提 出了附加 动量法和 自适应学 习速率等改进方法.另外 一些 最优化方法 ,如模拟退火 、单纯形法和遗传算法 也可用来完成神经 网络 的学习.有关人工神经 网 络和 BP算法的具体论述可参见文【

2 ] 、【

3 ] . 神经网络在煤燃烧方面的应用实例见文【

4 卜f71.3研究对象介绍 某300MW 四角切圆粉煤燃烧锅炉为亚临界中 间再热控制循环锅炉,采用正压直吹式制粉系统, 配 5台 R P

8 6 3中速磨煤机,炉膛尺寸为 f l

4 0

2 2*

1 2

3 3

0 ) mm .炉膛四角布 置切 向摆动 式燃烧 器,燃烧器 为一二次风 间隔布置,燃烧器可在上、下方 向摆动 调节再热汽温 ,采用同心反切燃烧系统, 二 次风偏离一次风一定角度送入炉膛 .满 负荷条 件 下投 用A~ D 层 一次风 ,E层一次风 备用 .锅炉炉膛结构和燃烧器结构如 图1所示.

4 飞灰含碳 量特性热态测试结果 在该300MW 燃煤 锅炉上 进行 了热 态多工况 实 炉测试 ,对影 响锅炉燃烧特性 的各种 运行参数如 锅炉负荷、磨组合、燃尽风 ( O F A)配风 方式 、 二次风配风方式 、煤种、燃烧器摆角等进行了变 工况 试验 ,具 体工况 见表

1 及表2.试验过程保持煤粉细度不变,测 量了飞灰含 碳量,如表

3 所示 .试验结果 表明,锅炉 飞 灰含 碳量特性 受到各种运行 参数的影响 ,因素多而且 复杂 .

5 飞灰含碳量特性神经 网络模型的设计 燃煤锅炉飞灰含碳量特性 受到如煤种、运行 参数和锅炉设计制作安装等 因素的影响,关系较 为 复杂 ,但如将 锅炉考虑成黑箱模 型,由于锅炉 已经建成运行 ,其设计和安装参数均 已确定,因 此将锅炉负荷 、省煤器 出口氧量 、各二次风挡板 开度 、燃尽 风挡板开度 、燃料风挡板开度、煤种 特性 ,各磨煤机给煤量 、炉膛与风 箱差压、一次风总风压 、燃烧器摆角等运行参数作为神经网络 的输入量,飞灰含碳量作为神经网络 的输 出. 该300MW 锅炉采用滑压运行方式,采用 电负 荷 描述锅炉负荷的影响:5台磨煤机对应 5个磨 煤机给煤量 ,用 描述 一次风粉量沿炉高分配对 炉 内燃烧的影响;

二次风共投用 6层,同层联动, 底层 A A 层二次风门开度固定,因此有 5个二次 风挡板开度值 ,以描述 二次风配风方式对燃烧 的 影响:1个燃尽风挡板 开度值 以描述燃尽风 的影 响 ;

取 炉膛 与 风箱 差压 测点的平 均值 作为1个 输 入参数 考 察其对二次风速 的影 响;

取省煤器 出 口氧量平均值作为

1 个输入参数,描 述燃烧氧量 维普资讯 http://www.cqvip.com ! 中国电机工程学报第2

2 卷 的影响:煤种特性取发热量 、挥 发分 V o , 、 灰分 和水分M , 共4个参数, 描述煤种特 性 的影响:各层燃烧器联锁摆动,对应

1 个燃烧器 I U L - J ≥ … n / l [ r 甚t燃烬【札一H― H 风一风=谯 一长RI拉冠一撬捷A一&

A=瓶H摆角 ;

各燃料风开度联锁 ,对应 1个燃料风开度: 取 1个 一次 风 总风压 以考 虑一 次风 压对一次风 速 的影响.运行参数均可 由电厂 DC S中获得.

1 34

4 诅 )炉膛尺寸 ( b )燃烧 喷[布置 ( c )燃烧 器安装 角度 图1锅炉炉膛尺寸及燃烧器 布置 ( 单位 : mm) F .

1 T hed i m e n s i o no f f u r n a c ea n dt h ea r r a n g e me n to f t h eb u r n e r s 表1现场热态试验工况表 (

1 ) T a h .

1 T h e b o i l e r o p e r a t i n g c o n d i t i o n s 因此,选用

2 1个输入节点,1 个输 出节点,

2 4个隐节点 的BP网络结构.取表

1 和表 2中工 况112,工况

1 4 ~

2 1对应的样本数据来训练神经 网络 .利用 反向传播学 习算法对 网络进行训练, 学习参数取为

0 .

9 ,采用 自适应 的学习步长 ,当系 统的均方误差小于

0 .

0 0

0 0

1 时训练结束 , 共需

5 8

5 0

8 次循环 ,输 出此时调整后的权值和 阈值 ,从而使 人工神经网络通过学习获得了正确的输入. 输 出响 应行为,建立 了锅炉运行参数和 飞灰含碳量关系 的神经网络数学模型. 为 了验证模型正确性 ,利用 训练好 的神经 网 络模型,采用调整后的........