鍋爐飛灰含碳量預(yù)測(cè)研究

王繼寶 白佑強(qiáng)

1.張家口市高級(jí)技工學(xué)校;2.懷來縣住建局

0 引 言

鍋爐飛灰含碳量對(duì)鍋爐運(yùn)行效率和機(jī)組總體性能有著很大的影響,但是由于受到煤質(zhì)、鍋爐運(yùn)行參數(shù)等復(fù)雜因素的影響,對(duì)該指標(biāo)的測(cè)量技術(shù)上難度很大,目前還未見成熟的方法.對(duì)該指標(biāo)的準(zhǔn)確測(cè)量有利于監(jiān)測(cè)鍋爐燃燒,降低煤耗,提高運(yùn)行經(jīng)濟(jì)性能.目前,國內(nèi)外關(guān)于飛灰含碳量的監(jiān)測(cè)主要有鍋爐飛灰測(cè)碳儀[1,2,3]、軟測(cè)量技術(shù)[4,5,6].飛灰測(cè)碳儀在技術(shù)上遇到了樣品管堵灰、附加設(shè)備復(fù)雜和對(duì)測(cè)量精度的影響因素較多,造價(jià)高、維修保養(yǎng)高.軟測(cè)量模型多是基于神經(jīng)網(wǎng)絡(luò)算法,由于算法本身的特點(diǎn),很難在較短時(shí)間內(nèi)收斂.

BP神經(jīng)網(wǎng)絡(luò)由于其良好的非線性逼近能力,具有較高的預(yù)測(cè)精度,在各種預(yù)測(cè)中得到了廣泛的應(yīng)用[7,8,9].但是BP神經(jīng)網(wǎng)絡(luò)算法自身存在著不足[10]:(1)學(xué)習(xí)過程存在陷入局部極值的可能性;(2)學(xué)習(xí)新樣本時(shí)有遺忘已學(xué)樣本的趨勢(shì);(3)原始數(shù)據(jù)信噪比不高時(shí),學(xué)習(xí)效率不高,甚至不收斂.為了解決BP神經(jīng)網(wǎng)絡(luò)自身的缺陷,國內(nèi)外學(xué)者提出了將遺傳算法(Genetic Algorithm,GA)等演化算法與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的混合算法.差異演化算法(Differential Evolution,DE)是近幾年發(fā)展起來的一種相對(duì)較新的演化算法,在函數(shù)優(yōu)化領(lǐng)域表現(xiàn)突出[11].本文嘗試在BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型中引入差異演化算法,構(gòu)造DE-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型,利用實(shí)際數(shù)據(jù)進(jìn)行預(yù)測(cè)實(shí)驗(yàn),并與BP神經(jīng)網(wǎng)絡(luò)、GA-BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果進(jìn)行了對(duì)比,以期為鍋爐飛灰含碳量預(yù)測(cè)提供一種新的途徑.

1 DE-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

1.1 飛灰含碳量

飛灰含碳量是影響鍋爐效率的一個(gè)重要指標(biāo),通常每降低飛灰含碳量三個(gè)百分點(diǎn),鍋爐效率就能提高一個(gè)百分點(diǎn).監(jiān)測(cè)飛灰含碳量有利于指導(dǎo)生產(chǎn),調(diào)整風(fēng)煤比,降低發(fā)電成本,提高機(jī)組運(yùn)行經(jīng)濟(jì)性.飛灰含碳量受到煤的全水分、空氣干燥基水分、揮發(fā)分、灰分等諸多因素的影響,具有耦合性、非線性特征,很難用一個(gè)函數(shù)準(zhǔn)確描述.因此,本文采用預(yù)測(cè)功能強(qiáng)大的DE-BP神經(jīng)網(wǎng)絡(luò)進(jìn)行飛灰含碳量預(yù)測(cè).

1.2 BP神經(jīng)網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)是一種具有三層或者三成以上的階層型前向神經(jīng)網(wǎng)絡(luò)(輸入層、中間層、輸出層).本文采用三層結(jié)構(gòu)網(wǎng)絡(luò),結(jié)構(gòu)圖如圖1所示.其輸入層包含n個(gè)結(jié)點(diǎn),中間層為p個(gè)結(jié)點(diǎn),輸出層為m個(gè)結(jié)點(diǎn).

圖1 三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練結(jié)果將生成四個(gè)矩陣:

1.3 DE算法

差異演化算法(DE)是基于實(shí)數(shù)編碼的演化算法,它包括生成初始種群、變異操作、交叉操作和選擇操作.其主要運(yùn)算步驟如下:

1)種群初始化.

將W,V,T,S四個(gè)矩陣進(jìn)行映射到DE的染色體串,映射關(guān)系如圖2所示.

圖2 染色體與權(quán)值閾值的編碼映射

2)變異操作.

式中η為縮放因子.

3)交叉操作.

變異后的個(gè)體和種群中當(dāng)前的演化個(gè)體Si(t)以離散交叉方式進(jìn)行交叉操作,生成交叉?zhèn)€體Ci(t+ 1),以增加種群的多樣性,該個(gè)體的第j個(gè)分量表是為:

其中randij(0,1)為[0,1]區(qū)間的隨機(jī)數(shù),CR為交叉概率,且CR∈[0,1],rand(i)為[1,l]之間的隨機(jī)整數(shù),這種交叉策略保證了Si(t+1)至少有一位分量由Si(t)相應(yīng)分量貢獻(xiàn).

4)適應(yīng)度函數(shù).

本文采用誤差平方測(cè)度進(jìn)行適應(yīng)度評(píng)價(jià),形式如下:

5)選擇操作.交叉?zhèn)€體Ci(t+1)和當(dāng)前個(gè)體Si(t)通過對(duì)適應(yīng)度函數(shù)的比較,按照貪婪方式進(jìn)行優(yōu)選擇,即:

反復(fù)執(zhí)行1)—4)的步驟,直到達(dá)到最大進(jìn)化代數(shù)tmax.

1.4 基于DE-BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)方法

BP-DE神經(jīng)網(wǎng)絡(luò)算法的流程如圖3所示.

2 實(shí)驗(yàn)結(jié)果

選取對(duì)飛灰含碳量影響最大的8種影響因素作為神經(jīng)網(wǎng)絡(luò)的輸入,輸出層為飛灰含碳量Ca.輸入?yún)?shù)分別是煤的全水分W、空氣干燥基水分Wad、揮發(fā)分Vad、灰分Aad、低位發(fā)熱量QL、煤粉細(xì)度R、爐膛空氣系數(shù)α和排煙溫度t.實(shí)驗(yàn)樣本采用張家口某廠鍋爐(煤粉鍋爐)30組運(yùn)行數(shù)據(jù)作為訓(xùn)練樣本,對(duì)BP-DE神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,另外10組運(yùn)行數(shù)據(jù)(如表1所示)利用BP-DE算法進(jìn)行預(yù)測(cè).

圖3 DE-BP神經(jīng)網(wǎng)絡(luò)算法流程圖

表1 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)樣本數(shù)據(jù)

將BP神經(jīng)網(wǎng)絡(luò)、GA-BP神經(jīng)網(wǎng)絡(luò)、DE-BP神經(jīng)網(wǎng)絡(luò)經(jīng)過訓(xùn)練以后對(duì)表1數(shù)據(jù)進(jìn)行預(yù)測(cè),結(jié)果如圖4所示,預(yù)測(cè)相對(duì)誤差的絕對(duì)值如圖5所示.

圖4 三種方法預(yù)測(cè)結(jié)果

圖5 三種方法預(yù)測(cè)相對(duì)誤

通過數(shù)據(jù)對(duì)比圖4、圖5可知,飛灰含碳量預(yù)測(cè)的三種方法中,DE-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法在各組預(yù)測(cè)數(shù)據(jù)中均優(yōu)于其他兩種方法,BP神經(jīng)網(wǎng)絡(luò)最大預(yù)測(cè)誤差為 3.61%,GA-BP神經(jīng)網(wǎng)絡(luò)最大誤差3.63%,本文采用的GA-BP神經(jīng)網(wǎng)絡(luò)最大預(yù)測(cè)誤差2.412%,預(yù)測(cè)精度上有明顯提高.

3 結(jié) 論

本文針對(duì)飛灰含碳量預(yù)測(cè)構(gòu)造了基于DE算法的DE-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型,并采用該算法對(duì)真實(shí)數(shù)據(jù)進(jìn)行計(jì)算,并將預(yù)測(cè)結(jié)果與BP神經(jīng)網(wǎng)絡(luò)、GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果進(jìn)行對(duì)比,表明該算法在預(yù)測(cè)精度上較其他兩種算法有明顯的提高.本文為飛灰含碳量預(yù)測(cè)提供了一種新的途徑.

[1]Ouazzane A K,Castagner J L.Design of an optical instrument to measure the carbon content of flay ash.Fuel,2002, 81(15):1907～1911

[2]方湘濤,宜壽民,馮長青.MCE-1型煙道式飛灰含碳量在線測(cè)量系統(tǒng)的研制.工程熱物理學(xué)報(bào),2003,24(3):523～527

[3]劉鴻,周克毅.鍋爐飛灰含碳儀的技術(shù)現(xiàn)狀及發(fā)展趨勢(shì).鍋爐技術(shù),2004,35(2):65～68

[4]Zhou H,HongBo Z.Artificial neural network modeling on the unburned carbon in flay ash from utility boilers.Proceeding of the CSEE,2007,33(6):96～120

[5]Xiaotao F,Nisnyu Y.A system for procasting the unburned carbon of the ash from utility boilers based on BP artificial neural networks.Journal Huazhong University of Science&technology,2005,31(12):75～77

[6]M arta Sebastia,Inaki F.Neural network prediction of unconfined compressive strength of coal fly ash cement mixtures.Cement and concrete research,2007,33(8):1137～1148

[7]Wang Q,Stockton D.J,Baguley P.Using neural networks in cost model development process.Proc of the 16th National Conf on Manufacturing Research.UK:Professional Engineering,2007:59～63

[8]Fortuna L,Grazianis.Soft sensors for product quality monitoring in debutanizer distillation columns.Control Engineering Practice,2005,13(8):499～508

[9]鄭洪源,周良.神經(jīng)網(wǎng)絡(luò)在銷售預(yù)測(cè)中的應(yīng)用研究.計(jì)算機(jī)工程與應(yīng)用,2001,37(24):30～31

[10]黨建武.神經(jīng)網(wǎng)絡(luò)技術(shù)及其應(yīng)用.北京:中國鐵道出版社,2000

[11]Kenneth P,Rainer M,Jouni A.L.Differential evolution:A practical approach to global optimization(Natural Computing Series).Springer,2006