300MW循環(huán)流化床鍋爐燃燒控制算法研究

熊 彬 潘維加

（1.長沙理工大學(xué)電氣與信息工程學(xué)院；2.長沙理工大學(xué)電氣與信息工程學(xué)院）

1 引言

近幾年來，隨著節(jié)能環(huán)保、能源綠色發(fā)展政策的提出，循環(huán)流化床（CFB）鍋爐在熱電廠得到廣泛應(yīng)用，在業(yè)界掀起了CFB鍋爐熱潮。2006年4月17日，國家重點(diǎn)項(xiàng)目——白馬示范電站引進(jìn)技術(shù)的國內(nèi)首臺(tái)300MwCFB鍋爐機(jī)組順利完成168h滿負(fù)荷試運(yùn)，正式投入商業(yè)運(yùn)行，為國內(nèi)最大的循環(huán)流化床機(jī)組；2006年6月、8月，云南大唐紅河發(fā)電有限責(zé)任公司的兩臺(tái)300Mw機(jī)組相繼投入運(yùn)行，是我國根據(jù)引進(jìn)技術(shù)、自主設(shè)計(jì)制造的首臺(tái)300Mw循環(huán)流化床機(jī)組；2008年1月，完全由我國自主制造的首臺(tái)國產(chǎn)大型循環(huán)流化床機(jī)組的秦皇島發(fā)電有限責(zé)任公司撐5機(jī)組順利試車成功，并移交生產(chǎn)，標(biāo)志著國內(nèi)首臺(tái)國產(chǎn)化大型循環(huán)流化床機(jī)組正式投產(chǎn)發(fā)電。20lO年6月28日，由我院總承包的神華神東郭家灣發(fā)電廠300Mw循環(huán)流化床撐l機(jī)組順利完成了168h滿負(fù)荷試運(yùn)。我國已經(jīng)步入到大型循環(huán)流化床技術(shù)的飛速發(fā)展階段。

針對(duì)循環(huán)流化床（CFB）鍋爐分布參數(shù)、時(shí)變、非線性、多變量緊密耦合等待性，依據(jù)動(dòng)態(tài)自適應(yīng)方式建立模糊神經(jīng)網(wǎng)絡(luò)，提出一種基于自組織模糊神經(jīng)網(wǎng)絡(luò)的方法對(duì)CFB鍋爐燃燒控制系統(tǒng)進(jìn)行建模。自組織模糊神經(jīng)網(wǎng)絡(luò)具有較好的非線性逼近能力、較好的用戶友好性和較好的預(yù)測(cè)精度及泛化能力等優(yōu)點(diǎn)，能夠很好地解決循環(huán)流化床鍋爐多變量耦合及其動(dòng)態(tài)滯后特性；同時(shí)采用PSO雙層優(yōu)化策略對(duì)自組織模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化[1]。文中所提建模方法對(duì)某循環(huán)流化床鍋爐燃燒系統(tǒng)中床溫系統(tǒng)進(jìn)行實(shí)際建模，仿真結(jié)果證實(shí)了該方法的可行性，對(duì)于循環(huán)流化床鍋爐燃燒系統(tǒng)的控制具有很好的實(shí)際意義和應(yīng)用價(jià)值。

2 循環(huán)流化床鍋爐的基本原理

循環(huán)流化床燃燒是在鼓泡流化床燃燒的基礎(chǔ)上發(fā)展起來的，二者可統(tǒng)稱為流化床燃燒技術(shù)。眾所周知，煤的經(jīng)典燃燒方式有層燃和懸浮燃燒兩種。層燃是將煤均布在金屬柵格即爐排上，形成一均勻的燃燒層，空氣以較低速度自下而上通過煤層使其燃燒。懸浮燃燒則是先將煤磨成細(xì)粉，然后用空氣流經(jīng)燃燒器將煤粉噴入爐膛，并在爐膛空間內(nèi)進(jìn)行燃燒[2]。

當(dāng)風(fēng)速較低時(shí)，煤層固定不動(dòng)，表現(xiàn)出層燃的特點(diǎn)。當(dāng)風(fēng)速增加到一定值（最小流化速度或初始流化速度）時(shí)，布風(fēng)板上的煤粒子將被氣流“托起一，床層開始松動(dòng)，氣體對(duì)粒子的作用力與粒子的重力相平衡，從而使整個(gè)燃料層具有類似流體的特性，形成鼓泡流化床燃燒（又稱沸騰燃燒）。當(dāng)風(fēng)速繼續(xù)增加，超過多數(shù)粒子的終端速度時(shí)，大量灰粒子和未燃盡的煤粒子將被氣流帶出流化床層和爐膛。為將這些未燃盡的煤粒子燃盡，可將它們從燃燒產(chǎn)物的氣流中分離出來，送回并混入流化床繼續(xù)燃燒，進(jìn)而建立起大量灰粒子的穩(wěn)定循環(huán)，這就形成了循環(huán)流化床燃燒。當(dāng)氣流速度超出所有粒子的終端速度時(shí)，就成了煤的氣力輸送。如果使煤粒子足夠細(xì)，則可用空氣通過專用的管道和燃燒器送入爐膛使其燃燒，這就是煤粉的懸浮燃燒。層燃時(shí)，空氣流與燃料顆粒間的相對(duì)速度較大，燃料粒度組成不均且燃燒反應(yīng)面積有限，因而反應(yīng)速度地，燃燒強(qiáng)度不高，燃燒效率低。懸浮燃燒時(shí)，燃燒反應(yīng)面積發(fā)生了極大的增加，使得反應(yīng)速度極快，燃燒強(qiáng)度和燃燒效率高[3]。流化床燃燒介于二者之間。

3 自組織模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與粒子群算法研究

3.1 自組織模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

神經(jīng)網(wǎng)絡(luò)具有非常好的非線性逼近能力，能夠逼近任何復(fù)雜的非線性系統(tǒng)，而且具有良好的自學(xué)習(xí)能力。但在應(yīng)用中存在一些缺點(diǎn)：首先，網(wǎng)絡(luò)結(jié)構(gòu)的建立需要使用者具有深入的神經(jīng)網(wǎng)絡(luò)方面的理論基礎(chǔ)和應(yīng)用經(jīng)驗(yàn)，限制著神經(jīng)網(wǎng)絡(luò)的應(yīng)用。其次，存在過學(xué)習(xí)問題。由于模型結(jié)構(gòu)過于復(fù)雜，導(dǎo)致訓(xùn)練精度高但是泛化能力低下，影響了神經(jīng)網(wǎng)絡(luò)的性能。因此，近年來大量的進(jìn)化神經(jīng)網(wǎng)絡(luò)算法被提出，本文使用的自組織模糊神經(jīng)網(wǎng)絡(luò)（SOFNN）算法便是其一。SOFNN由Gang Leng提出，它結(jié)合模糊推理邏輯和神經(jīng)網(wǎng)絡(luò)自組織和并行處理的優(yōu)勢(shì)，自動(dòng)地決定網(wǎng)絡(luò)結(jié)構(gòu)和模型參數(shù)[4]。其主要優(yōu)點(diǎn)在于：具有很好的用戶友好性，能夠自動(dòng)地決定網(wǎng)絡(luò)結(jié)構(gòu)并且給出模型參數(shù)，能夠提供很好的精度。

自組織模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為五層，分別為輸入層、橢球基函數(shù)層、歸一化層、模糊決策層和輸出層。第一層輸入層。本層中的每個(gè)神經(jīng)元代表一個(gè)輸入變量i=1，2，…，r。第二層橢球基函數(shù)（EBF）層。本層中的每個(gè)神經(jīng)元代表一種模糊規(guī)則。所選隸屬函數(shù)為高斯函數(shù)，每個(gè)隸屬函數(shù)有自己的中心和寬度；隸屬函數(shù)乘積作為橢球基函數(shù)層輸出。第j個(gè)神經(jīng)元輸出定義為：

其中?為橢球基函數(shù)層神經(jīng)元個(gè)數(shù)。第三層中相關(guān)神經(jīng)元的輸出和加權(quán)偏差 jW ，兩者乘積作為本層輸出：

第五層輸出層。本層中的每個(gè)神經(jīng)元代表著一個(gè)由來自第四層的信號(hào)之和組成的輸出變量。因此，該層的神經(jīng)元輸出為：

自組織模糊神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程包括結(jié)構(gòu)學(xué)習(xí)和參數(shù)學(xué)習(xí)。結(jié)構(gòu)學(xué)習(xí)采用一種新型白組織方法，通過動(dòng)態(tài)的增加或刪減橢球基函數(shù)層神經(jīng)元以得到經(jīng)濟(jì)型網(wǎng)絡(luò)結(jié)構(gòu)；參數(shù)學(xué)習(xí)采用在線遞推最小二乘算法。

3.2 粒子群的進(jìn)化速度和粒子的聚集度

粒子群優(yōu)化算法首先初始化一群隨機(jī)粒子，然后通過迭代找到最優(yōu)解[6]。根據(jù)

更新自己的速度和位置。V 是粒子的速度；p present 是粒子的當(dāng)前位置；r是（0，1）之間的隨機(jī)數(shù)；c1和c2 被稱作學(xué)習(xí)因子，通常c1 = c2 = 2；w 為慣性因子，取值范圍在0.1～0.9 之間。

全局最優(yōu)值取決于個(gè)體最優(yōu)值的變化，同時(shí)也反映了粒子群的所有粒子的運(yùn)動(dòng)效果。存在：

h 稱之為進(jìn)化速度因子。h 值越小，進(jìn)化速度越快。當(dāng)h值保持為1，則斷定算法停滯或者找到了最優(yōu)解。

影響算法性能的另一個(gè)因素是粒子的聚集度。在算法中，全局最優(yōu)值總是優(yōu)于所有個(gè)體的當(dāng)前的適應(yīng)度值。并存在：

s稱之為粒子聚集度因子。當(dāng)0＜s＜1，反映所有粒子當(dāng)前的聚集程度，同時(shí)在一定程度上反映出粒子的多樣性。s值越大，粒子群聚集程度越大，粒子多樣性越小。當(dāng)s=時(shí)，粒子群中的所有粒子具有同一性，如果此時(shí)算法陷入局部最優(yōu)，則結(jié)果不容易跳出該局部極點(diǎn)。

3.3 自適應(yīng)動(dòng)量因子粒子群算法

w 較大時(shí)算法具有較強(qiáng)的全局搜索能力，w較小則算法傾向于局部搜索[7]。LDW算法將慣性因子線性地減少，其變化公式為：

R為當(dāng)前迭代次數(shù)；Wmax 為最大迭代次數(shù)。通常取Wmax 為0.9，Wmin為0.4。

w的大小應(yīng)該隨著粒子群進(jìn)化速度和粒子的逐漸聚集程度而改變，即w可表示為h和s的函數(shù)，即

w隨著粒子的聚集度的增大而增大，隨著進(jìn)化速度的降低而減小，并存在

式中：Wini為W的初始值，一般Wini=1。由于0＜h＜1，0＜s＜1，所以 Wini-Wh＜W＜Wini+Ws。

根據(jù)DCW算法[8]，該算法在運(yùn)行過程中根據(jù)h和s 的值來動(dòng)態(tài)調(diào)整w，從而改進(jìn)算法的性能。初始狀態(tài)下，置h= 0，s= 0，則DCW 算法步驟是：1初始化粒子的位置向量、速度向量，計(jì)算粒子的適應(yīng)度；2初始化粒子的全局最優(yōu)值和個(gè)體最優(yōu)值；3如果算法收斂準(zhǔn)則滿足或達(dá)到最大迭代次數(shù)，執(zhí)行7，否則執(zhí)行4；4對(duì)粒子群中的所有粒子相繼執(zhí)行更新粒子速度和位置，計(jì)算粒子的適應(yīng)度 更新粒子的全局最優(yōu)值和個(gè)體最優(yōu)值；5分別計(jì)算h、s和w；6將迭代次數(shù)加1，并執(zhí)行步驟3；7輸出gbes t，算法結(jié)束。

4 仿真實(shí)驗(yàn)研究

依據(jù)上文所述的建模結(jié)構(gòu)，應(yīng)用自組織模糊神經(jīng)網(wǎng)絡(luò)對(duì)循環(huán)流化床鍋爐床溫控制系統(tǒng)進(jìn)行動(dòng)態(tài)建模。模型訓(xùn)練結(jié)果和測(cè)試結(jié)果如圖1所示。圖中藍(lán)色曲線為實(shí)際數(shù)據(jù)，紅色曲線為模型預(yù)測(cè)輸出數(shù)據(jù)。訓(xùn)練和測(cè)試過程中，評(píng)定標(biāo)準(zhǔn)MSE和RMSE的輸出結(jié)果如表所示。同時(shí)，還給出了應(yīng)用自適應(yīng)動(dòng)量因子粒子群算法優(yōu)化后所得到的自組織模糊神經(jīng)網(wǎng)絡(luò)辨識(shí)模型的仿真結(jié)果的MSE和RMSE，可以從圖2中看出，優(yōu)化后得到的模型具有更好的辨識(shí)精度。

圖1 自適應(yīng)粒子群算法優(yōu)化前局部放大輸出

圖2 自適應(yīng)粒子群算法優(yōu)化后局部放大輸出

5 總結(jié)

自動(dòng)控制系統(tǒng)是實(shí)現(xiàn)鍋爐安全、經(jīng)濟(jì)運(yùn)行的關(guān)鍵。而循環(huán)流化床鍋爐是一個(gè)非線性、時(shí)變、大遲延及多變量強(qiáng)耦合的復(fù)雜對(duì)象，尤其是燃燒過程，使其自動(dòng)控制調(diào)節(jié)異常困難，相對(duì)顯得十分落后，甚至可以認(rèn)為這已成為CFB鍋爐發(fā)展的瓶頸之一。因此，尋求建立一種循環(huán)流化床鍋爐燃燒系統(tǒng)的精確模型，保證燃燒系統(tǒng)自動(dòng)控制正常投運(yùn)，充分發(fā)揮循環(huán)流化床鍋爐的優(yōu)勢(shì)，提高經(jīng)濟(jì)效益和社會(huì)效益，顯得非常重要。

利用神經(jīng)網(wǎng)絡(luò)所具有的對(duì)任意非線性映射的逼近能力，將神經(jīng)網(wǎng)絡(luò)模型引入非線性系統(tǒng)建模和辨識(shí)中，通過學(xué)習(xí)得到一個(gè)描述系統(tǒng)輸入輸出關(guān)系的非線性映射，這是目前非線性系統(tǒng)辨識(shí)中一種引人注目的新途徑。由于多層前饋神經(jīng)網(wǎng)絡(luò)具有逼近任意非線性映射的能力，因此目前多層前饋網(wǎng)絡(luò)在系統(tǒng)辨識(shí)和建模應(yīng)用中得到了廣泛的應(yīng)用。本文采用的建模方法：自組織模糊神經(jīng)網(wǎng)絡(luò)，結(jié)合了模糊推理邏輯和神經(jīng)網(wǎng)絡(luò)自組織和并行處理的優(yōu)勢(shì)，能夠自動(dòng)地決定網(wǎng)絡(luò)結(jié)構(gòu)和模型參數(shù)，具有較好的非線性逼近能力、較好的用戶友好性和較好的預(yù)測(cè)精度及泛化能力等優(yōu)點(diǎn)。

[1] 張華，岳中石.300MW循環(huán)流化床鍋爐燃燒控制策略[J]電站系統(tǒng)工程.2010.06：12-14.

[2] 丁立新.電廠鍋爐原理[M].北京：中國電力出版社2009：23-25.

[3] 王志身，楊建蒙，支保峰.鍋爐穩(wěn)定燃燒技術(shù)應(yīng)用與研究[J].電力科學(xué)與工程.2008.2：36-39.

[4] 王源，胡壽松.自組織模糊CMAC神經(jīng)網(wǎng)絡(luò)及其非線性系統(tǒng)辨識(shí)[J] 航空學(xué)報(bào)，2011.12（1）：35-36.

[5] 喬俊飛.王會(huì)東模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)自組織算法及應(yīng)用 [J] 控制理論與應(yīng)用 2008.08（2）：28-30.

[6] GLeng，GPrasad.and T.M.Mc Ginnity.An on-line algorithm for creating self-organizing fuzzy neural networks.IEEE Transactions on Neural Networks，2004，17：1477-1493.

[7] 張選平，杜玉平一種動(dòng)態(tài)改變慣性權(quán)的自適應(yīng)粒子群算法[J] 西安交通大學(xué)學(xué)報(bào) 2008.10：37-39.

[8] Shi Y H，Eber har t R C.A modified particle swarm optimizer [A] .Pro ceedings of the IEEE Co ng r ess on Evolut ionary Computation[C] .Piscataway，USA：IEEE Ser vice Center，1998.69-73.