一種改進(jìn)型鍋爐積灰監(jiān)控模型

吳鵬 趙石磊 滕玉彬 潘啟明 范長勝

摘要：為改善鍋爐吹灰的盲目性，基于改進(jìn)的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)遞歸正交最小二乘算法構(gòu)建了工廠鍋爐積灰預(yù)測的非線性模型，用來預(yù)測運(yùn)行過程中鍋爐各個受熱面積灰程度。根據(jù)電廠鍋爐實(shí)際運(yùn)行情況，確定了多個特征變量來決定鍋爐的工作狀況。Matlab仿真實(shí)驗(yàn)證明通過所建立的非線性模型，能有效預(yù)測出鍋爐工作時受熱面清潔狀況下的吸熱量，因此能夠?qū)崟r的反映受熱面的積灰程度。

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；徑向基函數(shù)；遞歸正交最小二乘算法；鍋爐積灰

DOI：1015938/jjhust201705006

中圖分類號： TP391

文獻(xiàn)標(biāo)志碼： A

文章編號： 1007-2683（2017）05-0030-05

An Improved Monitoring Model of Boiler Ash Fouling

WU Peng1，ZHAO Shilei2，TENG Yubin1，PAN Qiming1，F(xiàn)AN Changsheng1

（1College of Mechanical and Electronic Engineering， Northeast Forestry University， Harbin 150040， China；

2School of Software， Harbin University of Science and Technology， Harbin 150080， China）

Abstract：To improve the blindness of the boiler soot blowing， the nonlinear model of boiler ash fouling prediction based on improvement of radial basis function neural network （RBF NN） recursive orthogonal least squares （ROLS） algorithm was presented to predict the extent of the boiler heating area during operation According to the actual operation of power plant boiler， multiple characteristic variables were determined to decide the boiler operating conditions The Matlab simulation experiment proves the presented model can predict the heat absorption of the heat surface cleaning effectively， which can reflect the degree of the ash fouling of the heating surface in real time

Keywords：neural network； radial basis function； recursive orthogonal least squares； boiler ash fouling

收稿日期： 2016-01-05

基金項(xiàng)目： 黑龍江省教育廳科學(xué)技術(shù)研究項(xiàng)目（12533028）

作者簡介： 吳鵬（1980—），男，博士后，副教授，碩士研究生導(dǎo)師；

趙石磊（1979—），男，博士，副教授

通信作者： 滕玉彬（1962—），男，碩士，副教授，Email：yubinteng@sinacom

0引言

鍋爐在工作過程中會不斷地產(chǎn)生積灰，這些積灰產(chǎn)生的熱阻會直接減弱工質(zhì)間的熱量交換，影造成換熱設(shè)備的熱效率降低，同時增加能源消耗因而會嚴(yán)重影響設(shè)備的正常工作[1-6]。為了防止鍋爐積灰嚴(yán)重，使鍋爐能夠正常運(yùn)行，鍋爐都會采用定時的吹灰方式，但這種吹灰方式一般存在：頻繁吹灰造成鍋爐受熱面損害及吹灰不足時會使鍋爐受熱面積灰嚴(yán)重兩種情況。因此有必要設(shè)計(jì)新型的吹灰方式以保證鍋爐運(yùn)行的安全性和經(jīng)濟(jì)性。

本文基于徑向基函數(shù)，同時結(jié)合鍋爐運(yùn)行時工作的特點(diǎn)，建立了一個檢測鍋爐積灰的非線性模型。通過對所選取的樣本點(diǎn)進(jìn)行訓(xùn)練，計(jì)算出鍋爐的灰污特征系數(shù)，在仿真實(shí)驗(yàn)中可以看出使用所提出的非線性模型可以有效判斷鍋爐受熱面的積灰程度。

3應(yīng)用實(shí)例及結(jié)果

將本文提出的模型應(yīng)用于某額定負(fù)載為450t/h的鍋爐，由于神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程是通過對樣本的學(xué)習(xí)來獲得的非線性映射關(guān)系的過程。由于鍋爐運(yùn)行在0～300t/h范圍內(nèi)的時間比較少，因此不考慮加入這部分的樣本點(diǎn)；本文從現(xiàn)場DAS系統(tǒng)中獲取了吹灰器工作結(jié)束后20min內(nèi)的采樣點(diǎn)，所采集的訓(xùn)練樣本有150個，泛化樣本集有50個。應(yīng)用本文提出的RBF神經(jīng)網(wǎng)絡(luò)遞歸正交最小二乘訓(xùn)練算法所建立的非線性模型進(jìn)行仿真，仿真結(jié)果如圖4和圖5所示。

圖4為預(yù)測吸熱量與實(shí)際吸熱量的仿真比較圖。圖4中圓點(diǎn)代表預(yù)測的吸熱量；三角形代表實(shí)際吸熱量。從圖中可知，預(yù)測值與實(shí)際值的相對誤差最小為035%，最大為327%，平均相對誤差為162%，預(yù)測結(jié)果比較可靠，能夠比較精確的計(jì)算出鍋爐工作時的灰污特征系數(shù)，同時能夠計(jì)算出鍋爐工作時受熱面的灰污系數(shù)曲線圖。

圖5所示為鍋爐工作時的灰污系數(shù)曲線圖。該曲線圖反映了鍋爐工作時吹灰器吹灰前后鍋爐受熱面積灰結(jié)渣的大致情況。由于確定鍋爐的運(yùn)行時各組數(shù)據(jù)中參數(shù)之間的合理性時比較復(fù)雜的，因此灰污系數(shù)曲線局部存在不穩(wěn)定現(xiàn)象。endprint

4結(jié)論

本文基于神經(jīng)網(wǎng)絡(luò)理論，提出了基于RBF神經(jīng)網(wǎng)絡(luò)遞歸正交最小二乘改進(jìn)算法，將所提出的算法應(yīng)用到某電廠實(shí)際運(yùn)行的鍋爐上，有選擇性的選擇樣本點(diǎn)集，構(gòu)建了基于神經(jīng)網(wǎng)絡(luò)的鍋爐積灰在線檢測的非線性模型。通過Matlab仿真可以得到本文所提出的非線性模型可精確預(yù)測出鍋爐工作時爐膛受熱面清潔狀況下的吸熱量，從而能夠計(jì)算出鍋爐的灰污特征系數(shù)，能夠?qū)崟r反映受熱面的積灰程度。

參 考 文 獻(xiàn)：

[1]楊琦， 王輝， 曹偉， 等 鍋爐飛灰沉積的數(shù)值模擬綜述[J]. 節(jié)能技術(shù)， 2015， 33（6）： 495-508

[2]張雄， 易凡， 徐國飚， 等 燃煤鍋爐閉環(huán)吹灰優(yōu)化系統(tǒng)的研發(fā)與應(yīng)用[J]. 電力與能源， 2014， 35（4）： 483-487

[3]吳煜忠， 王茂貴， 張明， 等 智能吹灰優(yōu)化控制系統(tǒng)的開發(fā)和應(yīng)用[J]. 浙江電力， 2013， 13（2）： 38-43

[4]陳東升， 王龍 基于污染率模型的智能燃?xì)饷}沖吹灰系統(tǒng)[J]. 制造業(yè)自動化， 2015， 37（10）： 139-141

[5]王杰華， 張韻輝， 楊慶峰 電站鍋爐智能吹灰程控系統(tǒng)的應(yīng)用研究[J]. 工業(yè)控制計(jì)算機(jī)， 2013， 26（5）： 46-47

[6]陳燁璇 基于不同計(jì)算機(jī)模型的燃煤電站鍋爐吹灰優(yōu)化系統(tǒng)的研究[D]. 北京：華北電力大學(xué)， 2015， 3

[7]CHEN S， WANG X X， BROWN D J Sparse Incremental Regression Modeling Using Correlation Criterion With Boosting Search [J]. IEEE Singal Processing Letters， 2005， 12（3）： 198-201

[8]張興蘭，曹長，梅彬 一種新型徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法 [J].重慶大學(xué)學(xué)報，2002， 25（10）： 56-60

[9]葉健，葛臨東，吳月嫻 一種優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)在調(diào)制識別中的應(yīng)用 [J].自動化學(xué)報，2007， 33（6）： 652-654

[10]柴天佑，王笑波 RBF神經(jīng)網(wǎng)絡(luò)在加速冷卻控制系統(tǒng)中的應(yīng)用 [J].自動化學(xué)報，2000， 26（2）：219-225

[11]CHEN S， WOLFGANG A， HARRIS C J，et al Symmetric RBF Classifier for Nonlinear Detection in Multipleantennaaided Systems [J]. IEEE Transactions on Neural Networks， 2008， 19（5）： 737-745

[12]FERRARI S，BELLOCCHIO F， PIURI V， et al A Hierarchical RBF Online Learning Algorithm for Realtime 3D Scanner [J]. IEEE Transactions on Neural Networks， 2010， 21（2）： 275-285

[13]宋清昆， 李源松 RBF神經(jīng)網(wǎng)絡(luò)鍋爐燃燒系統(tǒng)建模[J]. 哈爾濱理工大學(xué)學(xué)報， 2016， 21（1）： 89-92

[14]曹勤峰， 崔巍 鍋爐吹灰優(yōu)化控制系統(tǒng)的研究與應(yīng)用[J]. 浙江電力， 2015， 4（3）： 35-39

[15]李源松 基于神經(jīng)網(wǎng)絡(luò)的鍋爐控制系統(tǒng)優(yōu)化研究[D]. 哈爾濱：哈爾濱理工大學(xué)， 2015

[16]王衛(wèi)兵， 徐國臣， 石林， 等 基于Symphony DCS系統(tǒng)的燃煤電站海水脫硫溫度控制[J]. 哈爾濱理工大學(xué)學(xué)報， 2014， 2（1）： 67-73

[17]石林 燃煤動力鍋爐氣力除灰控制系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 哈爾濱：哈爾濱理工大學(xué)， 2015

[18]信晶， 孫保民， 肖海平， 等 應(yīng)用支持向量機(jī)檢測電站鍋爐受熱面積灰研究[J]. 中國電機(jī)工程學(xué)報， 2013， 33（5）： 21-27

[19]CHEN S， COWAN C F N， GRANT P M Orthogonal Least Squares Learning Algorithm for Radial Basis Function Networks [J].IEEE Transactions on Neural Networks， 1991， 2（3）： 302-308

[20]姜家輝 矩陣?yán)碚摶A(chǔ)[M].大連：大連理工大學(xué)出版社，1995

[21]王永驥， 涂健 神經(jīng)網(wǎng)絡(luò)控制[M].北京： 機(jī)械工業(yè)出版社，1998

（編輯：溫澤宇）endprint