基于改進PLS算法的火電機組燃煤熱值建模

李 靜 孫靈芳

(東北電力大學(xué)自動化工程學(xué)院，吉林 吉林 132012)

基于改進PLS算法的火電機組燃煤熱值建模

李 靜 孫靈芳

(東北電力大學(xué)自動化工程學(xué)院，吉林 吉林 132012)

通過對入爐燃煤工業(yè)分析數(shù)據(jù)和與熱值的關(guān)系進行分析，選取了燃煤水分、灰分、揮發(fā)分、固定碳和全硫分5種工業(yè)分析成分作為模型的輸入，以燃煤熱值作為模型輸出，基于改進偏最小二乘(PLS)算法搭建了某電廠燃煤熱值預(yù)測模型。預(yù)測模型中采用PRESS值確定潛變量的個數(shù)。預(yù)測結(jié)果表明：該模型預(yù)測精度較高，預(yù)測偏差滿足工程要求。

偏最小二乘算法 燃煤工業(yè)分析 熱值 建模

燃煤的熱值，也稱為煤炭發(fā)熱量，指單位質(zhì)量的煤完全燃燒時所發(fā)出的熱量。煤的熱值不僅是動力煤熱值計價依據(jù)，更是燃煤工藝過程熱平衡、耗煤量及熱效率等的計算依據(jù)。煤炭熱值的高低，直接影響到煤的經(jīng)濟價值。煤的熱值實質(zhì)上是煤中碳、氫、氧及硫等元素的綜合反映。目前,國內(nèi)外主要采用離線方式測定煤的熱值。國標(biāo)規(guī)定的熱值測量條件較為苛刻，對反應(yīng)條件要求較高，因此不能對檢測樣品的熱值做出快速反應(yīng)。另外，還可利用工業(yè)分析與元素分析結(jié)果組成的試驗數(shù)據(jù)推導(dǎo)出熱值的經(jīng)驗公式進行預(yù)測，此類經(jīng)驗公式可以快速估算出煤的熱值，但有些公式誤差較大。

國外學(xué)者對燃煤熱值的測量進行了諸多探索。Franco A[1]、Querol X[2]及Goodarzi F[3]等先后采用復(fù)雜的熱力學(xué)分析方法，如熱重法、導(dǎo)數(shù)熱重法及差熱分析法等去測定煤的熱值；Hassanzadeh S[4]、Peter H G[5]等建立了相應(yīng)的經(jīng)驗公式。而隨著計算機應(yīng)用技術(shù)的發(fā)展，許多新的方法被用于煤炭熱值的計算，如人工神經(jīng)網(wǎng)絡(luò)算法等[6,7]。在國內(nèi)，梅曉仁等建立了煤質(zhì)熱值與灰分之間的回歸模型[8]；韓忠旭等運用能量守恒定律構(gòu)造出了一種燃煤熱值的軟測量算法[9]；劉志華通過求解方程并采用門捷列夫公式，求得煤的收到基低位熱值[10]；Li Z等采用近紅外頻域自適應(yīng)分析法建立了燃煤熱值模型[11]；周孑民等采用神經(jīng)網(wǎng)絡(luò)方法對煤的熱值進行了預(yù)測建模[12]；關(guān)躍波等采用支持向量機理論建立了煤熱值預(yù)測模型[13]；閔凡飛和王龍貴利用加權(quán)均值生成數(shù)據(jù)建立了GM(0,3)模型[14]；張西春等推導(dǎo)出了動力煤熱值與工業(yè)分析指標(biāo)間的數(shù)學(xué)模型[15]，筆者通過對某電廠入爐燃煤工業(yè)分析數(shù)據(jù)和與熱值關(guān)系的分析，基于改進偏最小二乘(Partial Least Squares,PLS)算法搭建了入爐燃煤熱值模型，并對該電廠另一超臨界燃煤機組入爐燃煤熱值進行了預(yù)測。

1 煤的工業(yè)分析成分和與熱值的關(guān)系分析

在國家標(biāo)準(zhǔn)中，煤的工業(yè)分析是指對煤的水分、灰分、揮發(fā)分和固定碳4個分析項目指標(biāo)的測定的總稱[16]。通常煤的水分、灰分和揮發(fā)分是直接測出的，而固定碳是用差減法計算出來的。從廣義上講，煤的工業(yè)分析還包括煤的全硫分的測定。

水分。煤中水分分為內(nèi)在水分、外在水分、結(jié)晶水和分解水。煤的水分增加，煤中有用成分相對減少，且水分在燃燒時變成蒸汽要吸熱，因而降低了煤的熱值。水分指標(biāo)包括：全水分，是煤中所有內(nèi)在水分和外在水分的總和，通常規(guī)定在8%以下；空氣干燥基水分，指煤在空氣干燥狀態(tài)下所含的水分，也可以認為是內(nèi)在水分，舊國家標(biāo)準(zhǔn)稱之為分析基水分。

灰分。指煤在燃燒后留下的殘渣。灰分高，說明煤中可燃成分較低，熱值低。同時在精煤煉焦中，灰分高低決定焦炭的灰分。通常的灰分指標(biāo)有空氣干燥基灰分、干燥基灰分等。

揮發(fā)分。指煤中有機質(zhì)可揮發(fā)的熱分解產(chǎn)物。其中除含有氮、氫、甲烷、一氧化碳、二氧化碳及硫化氫等氣體外，還有一些復(fù)雜的有機化合物。揮發(fā)分高的燃煤其熱值也會增加。揮發(fā)分的大小與煤的變質(zhì)程度有關(guān)，煤炭變質(zhì)程度越高，揮發(fā)分就越低。常使用的揮發(fā)分指標(biāo)有空氣干燥基揮發(fā)分、干燥基揮發(fā)分、干燥無灰基揮發(fā)分和收到基揮發(fā)分。

固定碳。煤中去掉水分、灰分、揮發(fā)分后，剩下的就是固定碳。固定碳是煤的熱值的重要來源，所以有的國家以固定碳作為煤熱值計算的主要參數(shù)。

全硫分。煤中的硫分，按它存在的形態(tài)分為有機硫和無機硫兩種，有的煤中還有少量的單質(zhì)硫。按它在空氣中能否燃燒又分為可燃硫和不可燃硫。有機硫、硫鐵礦硫和單質(zhì)硫都能在空氣中燃燒，都是可燃硫。硫酸鹽硫不能在空氣中燃燒，是不可燃硫。常用的指標(biāo)有空氣干燥基全硫、干燥基全硫和收到基全硫。

2 基于改進PLS的火電機組燃煤熱值模型搭建

2.1樣本集的建立

選取某火力發(fā)電廠600MW超臨界單元機組1#爐燃煤作為建模對象。從中隨機選取了近兩年的燃煤熱值和工業(yè)分析數(shù)據(jù)共計70組作為訓(xùn)練樣本，部分?jǐn)?shù)據(jù)見表1。

表1 部分訓(xùn)練樣本

2.2建模

根據(jù)PLS建模理論[17]建立火電機組燃煤熱值PLS模型，具體建模過程如下：

b. 計算第k步的權(quán)重(組合系數(shù))w(k)。

c. 采用公式t(k)=E(k)w(k)計算第k個潛變量t(k)。

異常點檢查合格率(%)：針對本項目中各元素的含量情況，對不同元素中含量異常的樣品進行了抽查分析，異常點檢查數(shù)200件，占送樣總數(shù)的3.03%。合格率均在91.00%～95.00%之間，均≥90%。

g. 建立PLS方程。若迭代在第k+1步停止，則PLS方程為y*=r1t1+r2t2+…+rktk。

圖1 潛變量個數(shù)與PRESS的關(guān)系

根據(jù)以上步驟得到標(biāo)準(zhǔn)化后的PLS方程為：

y=1.3268-1.2812x1-0.7145x2-0.0585x3+

0.0611x4+0.2115x5

(1)

基于改進PLS的燃煤熱值預(yù)測值與實際值對比如圖2a所示。為了比較，在此采用常規(guī)的交叉驗證方法并采用相同的訓(xùn)練樣本進行訓(xùn)練，通過計算可得，Q32=0.0305lt;0.0975，因此，提取潛變量數(shù)為2，所建立的方程為：

0.0498x4+0.5237x5

(2)

該預(yù)測模型對訓(xùn)練樣本的預(yù)測值與實際值對比如圖2b所示。經(jīng)過計算可知，改進前、后得到的燃煤熱值預(yù)測模型平均誤差分別為14.67%和7.12%。

a. 改進后預(yù)測結(jié)果與實際值對比

b. 改進前預(yù)測結(jié)果與實際值對比圖2 訓(xùn)練樣本預(yù)測結(jié)果對比

2.3應(yīng)用實例

為驗證模型的泛化能力，將搭建好的模型對該電廠另一臺600MW火電機組的燃煤熱值進行預(yù)測。隨機選取了該機組2010年12月、2011年5月和7月3個月內(nèi)共計39組煤質(zhì)分析的數(shù)據(jù)，組成測試樣本。模型預(yù)測結(jié)果見表2。由表2可知，該測試樣本中最大誤差出現(xiàn)在2011年5月，為9.89%，該誤差滿足工程要求，說明所建模型具有較好的泛化能力。

表2 2#機組燃煤熱值預(yù)測結(jié)果

(續(xù)表2)

3 結(jié)束語

煤熱值是評價入爐燃煤煤質(zhì)的重要指標(biāo)，也是調(diào)整鍋爐燃燒的重要依據(jù)。筆者基于燃煤工業(yè)分析數(shù)據(jù)對某電廠入爐燃煤熱值搭建了偏最小二乘模型。采用該模型進行預(yù)測，結(jié)果表明：預(yù)測精度較高，預(yù)測偏差滿足工程要求，具有實際工程應(yīng)用價值。

[1] Franco A, Diaz A R. The Future Challenges for “Clean Coal Technologies”: Joining Efficiency Increase and Pollutant Emission Control[J]. Energy, 2009, 34(3): 348～354.

[2] Querol X, Umana J C, Alastuey A,et al. Extraction of Soluble Major and Trace Elements from Fly Ash in Open and Closed Leaching Systems[J].Fuel，2001, 80(6): 801～813.

[3] Goodarzi F. Minerology,Elemental Composition and Modes of Occurrence of Elements in Canadian Feed Coals[J].Fuel，2002, 81(9): 1199～1213.

[4] Hassanzadeh S,Hosseinibalam F,Omidvari M.Statistical Methods and Regression Analysis of Stratospheric Ozone and Meteorological Variables in Isfahan[J].Physica A:Statistical Mechanics and Its Applications，2008,387(10):2317～2327.

[5] Peter H G,Diane W,Jerome H Z.Calculation of Calorific Value of Coals from Ultimate Analyses:Theoretical Basis and Geochemical Implications[J].Fuel,1998,65(6):849～854.

[6] Mesroghli S，Jorjani E，Chehreh C S. Estimation of Gross Calorific Value Based on Coal Analysis Using Regression and Artificial Neural Networks[J]. International Journal of Coal Geology, 2009, 79(1-2): 49～54.

[7] Telmo C,Lousada J, Moreira N.Proximate Analysis,Backwards Stepwise Regression between Gross Calorific Value, Ultimate and Chemical Analysis of Wood[J].Bioresource Technology,2010,101(11):3808～3815.

[8] 梅曉仁，陳鵬，高永勝.基于SPSS的煤質(zhì)發(fā)熱量相關(guān)因素分析及其回歸模型研究[J].中國煤炭，2011，37(7): 88～92.

[9] 韓忠旭，周傳心，李丹，等.燃煤發(fā)熱量軟測量技術(shù)及其在超臨界機組控制系統(tǒng)中的應(yīng)用[J].中國電機工程學(xué)報，2008，28(35):90～95.

[10] 劉志華. 基于煙氣成分分析的電站鍋爐入爐煤質(zhì)監(jiān)測模型的研究[D].長沙：中南大學(xué)，2007.

[11] Li Z, Wang S H, Zhao Y, et al. Model Research of Electric Coal Calorific Value Based on Near Infrared Frequency Domain Self-adaption Analysis Method [J]. Spectroscopy and Spectral Analysis, 2014, 34(10): 2792～2797.

[12] 周孑民，朱再興，劉艷軍，等. 基于Elman神經(jīng)網(wǎng)絡(luò)的動力配煤發(fā)熱量及著火溫度的預(yù)測[J].中南大學(xué)學(xué)報(自然科學(xué)版), 2011, 42(12): 3871～3875.

[13] 關(guān)躍波, 尹涌瀾,孫斌，等.應(yīng)用最小二乘支持向量機預(yù)測煤的發(fā)熱量[J].東北電力大學(xué)學(xué)報, 2006, 26(6): 66～69.

[14] 閔凡飛, 王龍貴.GM(0,H)模型在煤炭發(fā)熱量計算中的應(yīng)用[J].煤炭科學(xué)技術(shù)，2000, 28(5):43～45.

[15] 張西春，馬學(xué)軍，劉萍.動力煤發(fā)熱量與工業(yè)分析指標(biāo)間數(shù)學(xué)模型的研究[J].選煤技術(shù)，2000,(4)：8～10.

[16] 徐繼剛，馮新瀘，管亮，等.復(fù)合PLS模型在近紅外光譜分析煤炭中的應(yīng)用[J].化工自動化及儀表，2012，39(2)：178～181.

[17] 文孝強，苗慶龍，孫靈芳.基于主成分分析和PLS算法的弧線管污垢特性研究[J].化工自動化及儀表，2015，42(6)：656～660.

ModellingofFireCoalCalorificValueinPowerUnitBasedonImprovedPartialLeastSquaresAlgorithm

LI Jing, SUN Ling-fang

(SchoolofAutomationEngineering,NortheastDianliUniversity,Jilin132012,China)

Through analyzing the relationship between industrial analysis data and calorific value of the fire coal in the furnace, and taking moisture, ash, volatile matter, sulphur content and fixed carbon and sulphur content in the fire coal as the model’s input and fire coal’s calorific value as the output, a coal-fired prediction model was built based on the improved partial least squares regression algorithm. In this prediction model, thePRESSwas taken to determine number of latent variables. The predicted results show that, the regression model has higher prediction accuracy and the prediction error can meet the engineering requirements.

partial least squares algorithm, coal fire industrial analysis, calorific value, modelling

TH89

A

1000-3932(2016)05-0501-05

2016-03-18(修改稿)