鍋爐結(jié)渣特性的預(yù)測模型研究

趙寧寧，榮令玉

(1.華北電力大學(xué)，河北 保定 071003;2.華能吉林發(fā)電有限公司九臺電廠，吉林 九臺 130501)

0 引言

煤粉鍋爐結(jié)渣問題至今未得到很好的解決，該問題已成為火力發(fā)電廠的一大頑疾，隨著機組容量的進(jìn)一步加大，這一問題將更加突出，會對電站鍋爐的安全和經(jīng)濟(jì)運行產(chǎn)生嚴(yán)重威脅。因此，準(zhǔn)確判斷鍋爐的結(jié)渣狀況，采取相應(yīng)的防范措施，對于防止嚴(yán)重結(jié)垢、優(yōu)化運行具有非常重要的意義［1－3］。長期以來，使用任何單一的判別指標(biāo)，分辨率都不高，原因在于爐膛結(jié)渣原因復(fù)雜，結(jié)渣傾向是一個模糊的概念，而且是一個由弱到強的過程，所以，至今未找到能夠定量描述結(jié)渣過程的模型。

鍋爐受熱面結(jié)渣影響鍋爐的正常運行，但常規(guī)結(jié)渣判別指標(biāo)的準(zhǔn)確性往往不高，因為各項影響指標(biāo)分級界限過于明確，忽略了鍋爐結(jié)渣是一個由弱到強的變化過程，而把“結(jié)渣程度”這一概念簡單地處理成一個明確的界限［4－5］。此外，單一結(jié)渣指標(biāo)只能從單方面去判斷鍋爐結(jié)渣程度。因此，建立一個能夠準(zhǔn)確預(yù)測鍋爐結(jié)渣傾向的模型，根據(jù)預(yù)測結(jié)果采取正確的方法防止嚴(yán)重結(jié)渣，從而優(yōu)化運行，具有非常重要的意義。

1 研究方法

鍋爐結(jié)渣是多因素耦合的、十分復(fù)雜的物理、化學(xué)過程，有很多專家、學(xué)者一直致力于結(jié)渣預(yù)測的研究，提出了許多預(yù)測鍋爐結(jié)渣的方法，雖然這些方法在特定的研究條件下有一定的準(zhǔn)確性，但至今無統(tǒng)一適用的預(yù)測方法。下面簡單介紹近年來國內(nèi)、外在該領(lǐng)域的一些研究方法［6］。

(1)單指標(biāo)評判方法是根據(jù)一種指標(biāo)來粗略預(yù)測鍋爐結(jié)渣的方法。單一指標(biāo)評判方法利用影響鍋爐結(jié)渣的主要因素(煤的特性即靜態(tài)特性和鍋爐運行特性即動態(tài)特性)進(jìn)行預(yù)測，預(yù)測結(jié)果存在準(zhǔn)確率偏低的問題，但其在鍋爐結(jié)渣預(yù)測方法的發(fā)展過程中起著至關(guān)重要的作用［7－8］。隨著鍋爐容量不斷增大和科學(xué)研究的不斷深入，單一指標(biāo)評判的劣勢日益明顯，所以，開始考慮用一些非常規(guī)的方法或是通過一些非常規(guī)指標(biāo)來對鍋爐結(jié)渣情況進(jìn)行預(yù)測。但其預(yù)測精度仍然不理想，與實際工程要求還有一定差距。

(2)多指標(biāo)綜合評判方法是將幾個單指標(biāo)評判方法綜合起來去預(yù)測煤的結(jié)渣特性的方法。

1)綜合指數(shù)R。把灰熔點、硅鋁比、堿酸比、硅比4個常規(guī)指標(biāo)［9］綜合起來考慮，利用加權(quán)平均法，綜合出一種新的判別方法——綜合指數(shù)R，克服單一指標(biāo)準(zhǔn)確率偏低的缺點。對我國90余種動力用煤結(jié)渣特性進(jìn)行評判，準(zhǔn)確率達(dá)90%。

2)模糊數(shù)學(xué)方法。為了克服單一指標(biāo)分類界限過于明確的問題，開始采用模糊數(shù)學(xué)對結(jié)渣進(jìn)行評判，與綜合指數(shù)相比，很好地解決了權(quán)值過于平均化的問題［10］。

3)模式識別方法應(yīng)用于燃煤結(jié)渣預(yù)測和評判所經(jīng)歷的時間比模糊思想方法所經(jīng)歷的時間短一些，所以，涉及此種方法的文獻(xiàn)資料不多。對于模式識別算法模型，要盡量建立由已知結(jié)渣特性的燃煤和鍋爐信息組成的數(shù)據(jù)庫作為模式識別的知識庫，據(jù)此來預(yù)測和評判未知燃煤的結(jié)渣傾向［11］?？梢灶A(yù)見的是，如果能提取最有效的特征數(shù)據(jù)用于模式識別并將數(shù)據(jù)庫建立起來，那么，這種方法在預(yù)測鍋爐結(jié)渣方面的優(yōu)勢將會得到較好的發(fā)揮。

4)人工神經(jīng)網(wǎng)絡(luò)方法是一種模仿和拓展人類神經(jīng)功能的新一代智能算法，該算法是從大量已經(jīng)存在的知識樣本中尋求規(guī)律，從而提取出有效的規(guī)則［12］。在訓(xùn)練過程中，整個網(wǎng)絡(luò)在不斷適應(yīng)數(shù)據(jù)的變化規(guī)律，不斷完善和創(chuàng)新網(wǎng)絡(luò)，使網(wǎng)絡(luò)具有高度的容錯性、適時性和魯棒性。因此，該方法已被廣泛應(yīng)用于鍋爐結(jié)渣性的預(yù)測［13－14］。在將人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于燃煤結(jié)渣性判別時，需要考慮下面幾點:合理選取樣本，即特征提取，使樣本具有代表性;網(wǎng)絡(luò)結(jié)構(gòu)的問題，包括網(wǎng)絡(luò)層數(shù)以及各層的結(jié)點數(shù);訓(xùn)練樣本學(xué)習(xí)函數(shù)的選取;網(wǎng)絡(luò)輸入、輸出變量的選取［15－16］。

2 評判系統(tǒng)的平臺設(shè)計

評判系統(tǒng)的平臺主要用來完成數(shù)據(jù)的采集和處理，本文采用以LabVIEW為基礎(chǔ)開發(fā)的平臺，并與Matlab語言相結(jié)合完成整個結(jié)渣診斷系統(tǒng)的功能。

2.1 LabVIEW 簡介

LabVIEW是一種通用的、可以完成大量編程任務(wù)的函數(shù)庫。該系統(tǒng)具有數(shù)據(jù)采集、分析、串口控制等功能，便于顯示、調(diào)試以及存儲數(shù)據(jù)。文本編程語言是根據(jù)語句和指令的邏輯順序來執(zhí)行的，而Lab-VIEW則是根據(jù)數(shù)據(jù)流來編程，程序框圖中節(jié)點之間的數(shù)據(jù)流的流向決定了VI的執(zhí)行順序(VI指的是虛擬儀器)，稱LabVIEW的程序模塊為VI。

2.2 實現(xiàn)功能

鍋爐結(jié)渣預(yù)測系統(tǒng)的軟件功能見表1。

2.3 功能實現(xiàn)

數(shù)據(jù)采集界面如圖1所示，它是綜合評判時所有評判指標(biāo)的數(shù)據(jù)采集圖并具有實時數(shù)據(jù)波形顯示、采樣間隔、數(shù)據(jù)臨時存儲路徑等功能，可方便設(shè)置通道數(shù)。

表1 鍋爐結(jié)渣預(yù)測系統(tǒng)的軟件功能

圖1 數(shù)據(jù)采集界面

3 對鍋爐結(jié)渣預(yù)測的試驗研究

本文將結(jié)渣程度分為輕微、中等和嚴(yán)重3類。結(jié)渣程度是一個模糊的概念，沒有明顯的界限，具有模糊性。本文把神經(jīng)網(wǎng)絡(luò)與模糊系統(tǒng)結(jié)合在一起，用以評價燃煤鍋爐的結(jié)渣特性。

3.1 網(wǎng)絡(luò)輸入與輸出變量的確定

本文選取的判別指標(biāo)即輸入變量為灰熔點，硅鋁比，堿酸比、硅比，無因次實際切圓直徑、無因次爐膛平均溫度及局部過量空氣系數(shù)，共7個輸入變量，將每個模糊變量分為3個區(qū)域:輕微、中等和嚴(yán)重。

3.2 網(wǎng)絡(luò)結(jié)構(gòu)

具體的網(wǎng)絡(luò)結(jié)構(gòu)為:模糊化層，21個節(jié)點對應(yīng)7個指標(biāo)模糊化后的隸屬度值;隱層，根據(jù)上文的計算方法求得為13個節(jié)點。綜上所述，本文采用4層BP模糊神經(jīng)網(wǎng)絡(luò)，具體結(jié)構(gòu)是7－21－13－3。采用激勵函數(shù)作為網(wǎng)絡(luò)訓(xùn)練函數(shù)，訓(xùn)練數(shù)據(jù)來源于以往山西大唐國際云岡熱電有限責(zé)任公司機組不同結(jié)渣狀態(tài)的數(shù)據(jù)。

3.3 網(wǎng)絡(luò)訓(xùn)練

從數(shù)據(jù)庫中隨機抽取45組數(shù)據(jù)，用30組數(shù)據(jù)作訓(xùn)練樣本，來建立燃煤鍋爐結(jié)渣的模糊神經(jīng)網(wǎng)絡(luò)的預(yù)測模型，預(yù)測結(jié)果見表2。將樣本的7個特征指標(biāo)經(jīng)過預(yù)處理后依次輸入網(wǎng)絡(luò)，當(dāng)均方差達(dá)到要求時，迭代次數(shù)為8240。

3.4 網(wǎng)絡(luò)測試結(jié)果

用15組數(shù)據(jù)作測試樣本，來檢驗?zāi)Ｐ偷男阅埽姳?。將未知狀態(tài)的測試數(shù)據(jù)輸入到網(wǎng)絡(luò)中，對模型進(jìn)行檢驗。

3.5 結(jié)果分析

將15個測試樣本放到訓(xùn)練好的預(yù)測模型中進(jìn)行校驗，可以看出，14個正確，正確率達(dá)93.33%。第14個測試樣本的實際情況為嚴(yán)重，而本文的判別結(jié)果為中等，分析認(rèn)為主要是樣品數(shù)據(jù)有限，對數(shù)據(jù)規(guī)律反映不夠充分而導(dǎo)致出現(xiàn)誤差。但整體來講，誤差較小，如果采用的訓(xùn)練樣本數(shù)據(jù)更大，該模型的預(yù)測能力會更好。

表2 訓(xùn)練樣本的預(yù)測結(jié)果

表3 測試樣本的預(yù)測結(jié)果

4 結(jié)論

近年來，國內(nèi)、外許多專家學(xué)者對燃煤鍋爐結(jié)渣特性的問題進(jìn)行了研究，提出了眾多鍋爐結(jié)渣傾向的預(yù)測方法，但總的來說，各評判方法的準(zhǔn)確率都不令人滿意。因此，本文從分析諸方法評判準(zhǔn)確率方面入手，對近年來此領(lǐng)域內(nèi)的研究成果及新的進(jìn)展進(jìn)行了簡述，同時分析了各方法的優(yōu)、缺點，找出了導(dǎo)致其準(zhǔn)確率偏低的根源。接著，將表征鍋爐結(jié)渣特性的動態(tài)指標(biāo)導(dǎo)入模糊數(shù)學(xué)模型和模糊神經(jīng)網(wǎng)絡(luò)模型當(dāng)中，通過對實際鍋爐結(jié)渣特性評判，提高了各模型評判的準(zhǔn)確率。

［1］王俊武.鍋爐結(jié)渣的危害及防治措施［J］.內(nèi)蒙古石油化工，2008(20):39－41.

［2］梁曉茹.鍋爐結(jié)渣評判因素權(quán)重的確定方法［J］.煤炭技術(shù)，2010，29(8):190 －194.

［3］陳立軍，文孝強，王恭，等.燃煤鍋爐結(jié)渣特性預(yù)測方法綜述［J］.熱力發(fā)電，2006(6):1 －5，67.

［4］王洪亮，王東風(fēng)，韓璞.基于模糊神經(jīng)網(wǎng)絡(luò)的電站燃煤鍋爐結(jié)渣預(yù)測［J］.電力科學(xué)與工程，2010(6):28－32.

［5］Kalogirou S A.Artificial Intelligence for the Modleling and Control of Colnbustion Procsses:A Review［J］.Progress in Energy and Combustion Science，2003，29(6):515 －566.

［6］Nigel V Russell，F(xiàn)raser Wigley，Jim Williamson.The Roles of Lime and Ironoxide on the Formation of Ash and Deposits in PF Combustion［J］.Fuel，2002，81(5):673 －681.

［7］徐乾.模糊綜合評判模型預(yù)測電站燃煤結(jié)渣特性的研究［J］.鍋爐技術(shù)，2006，37(2):55 －59.

［8］陳春華，施發(fā)，承陳俊.電站鍋爐結(jié)渣傾向性模糊綜合評判［J］.鍋爐技術(shù)，2005，36(3):28－31.

［9］趙顯橋，曹欣玉，蘭澤全，等.基于粗集理論的煤灰結(jié)渣模糊綜合評判權(quán)系數(shù)確定方法研究［J］.煤炭學(xué)報，2004，29(2):222 －225.

［10］舒紅寧，黃鎮(zhèn)宇，董一真，等.基于煤灰成分的非線性結(jié)渣模糊綜合預(yù)測模型的研究［J］.電站系統(tǒng)工程，2006，22(4):11－12.

［11］趙利敏，路丕思.電站鍋爐結(jié)渣的模糊數(shù)學(xué)預(yù)示分析［J］.黑龍江電力技術(shù)，1996(3):129 －132.

［12］肖雋，呂震中，王軍，等.基于改進(jìn)BP算法的煤灰結(jié)渣特性診斷模型［J］.熱能動力工程，2002(3):271－274，325.

［13］谷俊杰，張小勇，魯許鰲.粗集模糊神經(jīng)網(wǎng)絡(luò)方法在煤灰結(jié)渣特性評判中的應(yīng)用［J］.華東電力，2003(7):34－36.

［14］徐創(chuàng)學(xué)，張心，康愛軍，等.基于人工神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)挖掘技術(shù)進(jìn)行煤灰結(jié)渣特性分析［J］.熱力發(fā)電，2004(6):27 －30，87.

［15］Brant G W，Browning G J，Gupta S K，et al.Thermomechanical Analysis of Coal Ash the Influence of the Material for the Sample Assembly［J］.Energy Fuels，2000，14(2):326－335.

［16］伍昌鴻，馬曉茜，廖艷芬.基于模糊神經(jīng)網(wǎng)絡(luò)的電站燃煤鍋爐結(jié)渣預(yù)測［J］.燃燒科學(xué)與技術(shù)，2006，12(2):175－179.