基于神經(jīng)網(wǎng)絡(luò)的固體未完全燃燒熱損失研究

　，，，　，

(1.上海理工大學(xué) 能源與動(dòng)力工程學(xué)院，上海　2000931； 2.中國(guó)特種設(shè)備檢測(cè)研究院，北京　100029)

0　引言

層燃工業(yè)爐是我國(guó)工業(yè)生產(chǎn)和居家生活中主要的能源轉(zhuǎn)換設(shè)備，量大面廣，但是能效轉(zhuǎn)換率低，對(duì)工業(yè)鍋爐的實(shí)際工作狀況的了解，通常是對(duì)鍋爐的運(yùn)行熱效率進(jìn)行測(cè)試。然而，在工業(yè)鍋爐反平衡計(jì)算中,固體未完全燃燒熱損失q4是影響鍋爐熱效率的主要因素之一。鍋爐飛灰含碳量是反映鍋爐燃燒效率的一項(xiàng)重要指標(biāo)。目前國(guó)內(nèi)多使用比色卡法等純經(jīng)驗(yàn)的方法來(lái)確定其值，其測(cè)試周期長(zhǎng)且準(zhǔn)確性較差[1]。國(guó)外多采用灼燒失重法，雖測(cè)試精度高，但分析時(shí)間較長(zhǎng)[2]。所以，對(duì)于運(yùn)行中的鍋爐，不能在線測(cè)出q4的實(shí)際值，及時(shí)有效地調(diào)整燃燒工況，對(duì)鍋爐熱效率影響很大。因此，如何在線定量了解固體未完全燃燒熱損失q4，及時(shí)有效地調(diào)整燃燒工況，是提高燃煤工業(yè)鍋爐的運(yùn)行效率亟待解決的技術(shù)問(wèn)題。

鍋爐的燃燒是一個(gè)復(fù)雜的過(guò)程，受多因素影響，每一個(gè)影響因素都表現(xiàn)出明顯的非線性特性,傳統(tǒng)的計(jì)算方法難以準(zhǔn)確描述這一潛在規(guī)律[3]。人工神經(jīng)網(wǎng)絡(luò)由于適于各種復(fù)雜系統(tǒng)輸入輸出關(guān)系的建模，已在鍋爐空氣預(yù)熱器積灰的監(jiān)測(cè)中得到應(yīng)用[4]。本文在多元回歸函數(shù)分析的基礎(chǔ)上，選用目前技術(shù)最成熟的前向反饋神經(jīng)網(wǎng)絡(luò)[5](Back Propagation)構(gòu)成黑箱模型來(lái)預(yù)測(cè)固體未完全燃燒熱損失q4。

1　影響固體未完全燃燒熱損失的因素

在鍋爐各項(xiàng)熱損失中，固體未完全燃燒熱損失占第二位，通常僅次于排煙熱損失。在鍋爐實(shí)際運(yùn)行中，因?yàn)殄仩t漏煤一般返回爐膛繼續(xù)燃燒，所以漏煤未完全燃燒熱損失可以忽略不計(jì),則表征它的主要參數(shù)為鍋爐的飛灰含碳量和爐渣含碳量[6]。q4的簡(jiǎn)化計(jì)算公式如式(1)

(1)

式中αfh、αlz——飛灰份額、爐渣份額；

Aar——入爐煤灰分/[%]。

燃燒過(guò)程中，影響固體未完全燃燒熱損失(飛灰和爐渣含碳量)的因素有很多，如：燃料特性、燃燒方式、爐膛結(jié)構(gòu)和運(yùn)行情況等[7]。對(duì)于已投運(yùn)鍋爐，其爐膛結(jié)構(gòu)已確定，則影響固體未完全燃燒熱損失的因素主要是煤質(zhì)參數(shù)和運(yùn)行工況。本文選取的具體參數(shù)如下。

1.1　過(guò)量空氣系數(shù)(α)

過(guò)量空氣系數(shù)(α)決定了鍋爐燃燒的經(jīng)濟(jì)性，當(dāng)過(guò)量空氣系數(shù)減少時(shí)，煤粒燃燒所需氧量減少，碳的氧化速度減慢，燃燒就不充分，q4增大；與此同時(shí)，空氣量的減少，在還原性與半還原性氣氛下，爐膛結(jié)渣的可能性增大，使得煤粉顆粒的比表面積減少，煤的燃燼率降低，q4也會(huì)增大[8]。

1.2　燃煤的揮發(fā)分(Vdaf)

揮發(fā)分含量是判斷燃煤燃燒特性的一項(xiàng)重要指標(biāo)，揮發(fā)分含量越高，固定碳含量相對(duì)少一些，煤的總體熱值會(huì)降低。但是揮發(fā)分高易于著火，燃燒放出的熱量更快，易于造成爐內(nèi)高溫，有助于固定碳的迅速著火燃盡[9]；另一方面，煤顆粒中的揮發(fā)分析出時(shí)產(chǎn)生的空隙越多、碳粒的反應(yīng)比表面積也越大，反應(yīng)速度加快。所有這些使得煤粒燃燒越完全，鍋爐飛灰可燃物越少。

揮發(fā)分含量降低時(shí)，碳粒的著火溫度上升，著火困難，著火時(shí)間延遲，燃燒不穩(wěn)定，鍋爐飛灰可燃物增加。

1.3　水分(Mar)

從燃燒學(xué)角度來(lái)看，煤中有少量的水分對(duì)燃燒過(guò)程有利，燃燒效果好，q4減少；燃煤水分含量增加時(shí)，燃燒過(guò)程中水會(huì)吸收大量熱量，使得爐膛整體溫度水平下降,q4會(huì)增加[10]。

1.4　燃煤發(fā)熱量(Qdw)

燃煤發(fā)熱量大小取決于煤中含碳量高低。因此，一臺(tái)鍋爐的設(shè)計(jì)煤種與實(shí)際運(yùn)行煤種改變會(huì)對(duì)q4有較大的影響。當(dāng)燃用煤種的熱值小于設(shè)計(jì)煤種時(shí)，為了維持相同的負(fù)荷，進(jìn)入爐膛的燃料量會(huì)增加，此時(shí)煙氣量增大，爐膛容積熱負(fù)荷相應(yīng)降低，燃燒不完全，q4增加；另一方面，當(dāng)燃用煤發(fā)熱量大于設(shè)計(jì)煤種時(shí)，燃煤含碳量較大，爐膛容積熱負(fù)荷就會(huì)增加，燃燒不充分，同樣會(huì)引起q4的增加[10]。

1.5　灰分(Aar)

當(dāng)燃煤含灰率偏高時(shí)，煤燃燒時(shí)灰分的吸熱量亦會(huì)增加，導(dǎo)致火焰溫度偏低，煤的燃燼率下降，故固體未完全燃燒熱損失q4會(huì)增大。

1.6　鍋爐負(fù)荷(D)

對(duì)不同燃燒方式的鍋爐都有一個(gè)經(jīng)濟(jì)性負(fù)荷運(yùn)行范圍，層燃方式的鏈條爐在額定負(fù)荷的80%～100%時(shí)，主要取決于其設(shè)計(jì)容積熱負(fù)荷和爐排面積熱負(fù)荷，超出或低于此負(fù)荷，都會(huì)使q4增加。

1.7　一氧化碳含量(CO)

當(dāng)燃煤在爐內(nèi)燃燒時(shí)過(guò)量空氣系數(shù)偏小，以及爐內(nèi)燃燒工況不穩(wěn)定，使得煤燃燒不完全，故而引起q4的增大，造成CO含量偏高。

對(duì)于上述參數(shù)均為q4預(yù)測(cè)模型的主要因素，其特點(diǎn)：一是盡可能是工程上容易采集的參數(shù)；二是各因素相互之間具有耦合性。

綜上所述，建立層燃爐固體未完全燃燒熱損失q4的預(yù)測(cè)模型：如圖1所示。

圖1　層燃爐固體未完全燃燒熱損失q4的預(yù)測(cè)模型

2　BP神經(jīng)網(wǎng)絡(luò)

近年來(lái)，人工神經(jīng)網(wǎng)絡(luò)由于能自主學(xué)習(xí)和存儲(chǔ)大量的輸入- 輸出模式的映射關(guān)系，特別適合處理多因素相互耦合條件下的模糊信息處理問(wèn)題。此種方法已在各工程領(lǐng)域中得到廣泛的應(yīng)用，特別是數(shù)據(jù)建模、預(yù)測(cè)和函數(shù)優(yōu)化等方向[11]。

2.1　BP神經(jīng)網(wǎng)絡(luò)的原理

BP網(wǎng)絡(luò)是一種按誤差反向傳播算法訓(xùn)練的多層前饋網(wǎng)絡(luò)，其學(xué)習(xí)規(guī)則是使用最速下降法，通過(guò)反向傳播來(lái)不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小[12]。通過(guò)大量的學(xué)習(xí)樣本訓(xùn)練后，權(quán)矩陣與閾值得以固定，接下來(lái)只有輸入信息的正向傳播[13]。算法流程圖如圖2。

圖2　神經(jīng)網(wǎng)絡(luò)算法流程圖

2.2　神經(jīng)網(wǎng)絡(luò)的構(gòu)建

本文選用三層神經(jīng)網(wǎng)絡(luò)，圖3為預(yù)測(cè)q4的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖，輸入層有i=7個(gè)神經(jīng)元，分別為：鍋爐負(fù)荷D(i1)、灰分Aar(i2)、燃煤發(fā)熱量Qdw(i3) 、燃煤揮發(fā)分Vdaf(i4)、水分Mar(i5)、過(guò)量空氣系數(shù)a(i6)和一氧化碳含量CO(i7)。隱含層神經(jīng)元數(shù)盡量接近輸入層神經(jīng)元數(shù)[14]；經(jīng)過(guò)經(jīng)驗(yàn)選擇和反復(fù)調(diào)試，當(dāng)隱含層神經(jīng)元j=8時(shí)，可以得到較準(zhǔn)確地預(yù)測(cè)結(jié)果。輸出層k=1，為固體未完全燃燒熱損失q4，網(wǎng)絡(luò)的初始矩陣及閾值一般設(shè)為隨機(jī)數(shù)矩陣。

圖3　q4神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

本文記輸入層到隱含層的權(quán)矩陣為W18×7，閾值為B18×1；隱含層到輸出層的權(quán)矩陣為W21×8，閾值為B21×1。激勵(lì)函數(shù)是反映下層輸入對(duì)上層神經(jīng)元刺激脈沖強(qiáng)度的函數(shù)，本文隱含層激活函數(shù)選用雙曲正切S型函數(shù)(tan-sigmoid)。目的是將任意輸入值壓縮到(-1,1)的范圍內(nèi)；函數(shù)表達(dá)式如(2)所示；輸出層激活函數(shù)為線性函數(shù)(purelin)，函數(shù)表達(dá)式如(3)所示[15]；網(wǎng)絡(luò)輸出函數(shù)為式(4)

(2)

purelin(n)=n

(3)

(4)

式中I=(D,Aar,Qdw,Vdaf,Mar,a,CO)為輸入?yún)?shù)，Q=q4為輸出參數(shù)；在學(xué)習(xí)過(guò)程中，網(wǎng)絡(luò)輸出為yq4,q4為期望值，則網(wǎng)絡(luò)的誤差平方和(mse)為

(5)

網(wǎng)絡(luò)訓(xùn)練的過(guò)程就是不斷減小mse，確定權(quán)值的過(guò)程。

3　運(yùn)用BP算法對(duì)q4進(jìn)行預(yù)測(cè)

初始樣本來(lái)源于國(guó)家級(jí)檢測(cè)中心對(duì)額定熱功率范圍為(4,25)MW, 額定工作壓力范圍為1.25 MPa和1.6 MPa的縱置式，燃用II類煙煤，層狀燃燒，出口介質(zhì)為飽和蒸汽的燃煤鏈條爐實(shí)際運(yùn)行的檢測(cè)數(shù)據(jù)。

考慮到各輸入量之間的耦合，僅雙變量耦合就有21種情況，而回歸函數(shù)的輸入不能多于16個(gè)。因此，尚無(wú)準(zhǔn)確的函數(shù)模型表達(dá)q4。針對(duì)本文，利用數(shù)理統(tǒng)計(jì)方法建立各單一變量(D(x1)、Mar(x2)、Vdaf(x3)、Aar(x4)、Qdw(x5)、a(x6)和CO(x7))與q4(y)之間的回歸函數(shù)。然后根據(jù)各單一變量對(duì)q4的影響程度，對(duì)網(wǎng)絡(luò)的樣本優(yōu)化。其中，37組數(shù)據(jù)用以網(wǎng)絡(luò)訓(xùn)練，另16組用作測(cè)試。

3.1　數(shù)據(jù)歸一化處理

輸入?yún)?shù)的取值范圍不同，為使各參數(shù)所起作用大致相同，以減少各分量在不同數(shù)量級(jí)范圍內(nèi)對(duì)網(wǎng)絡(luò)的訓(xùn)練造成偏差[16]。對(duì)優(yōu)化后的樣本進(jìn)行歸一化處理,最后將仿真得到的數(shù)據(jù)還原為原始的數(shù)量級(jí)。

3.2　神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果與分析

應(yīng)用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)建立q4預(yù)測(cè)模型，網(wǎng)絡(luò)采用TRAINDM作為訓(xùn)練函數(shù)，圖4(a)、(b)分別表示初始樣本與優(yōu)化樣本網(wǎng)絡(luò)的輸出均方差滿足預(yù)設(shè)的精度(0.000 1)要求時(shí)，網(wǎng)絡(luò)訓(xùn)練次數(shù)。

圖4　BP算法的誤差性能曲線

圖5　網(wǎng)絡(luò)輸出回歸函數(shù)

圖5(a)、(b)分別為初始樣本和優(yōu)化的網(wǎng)絡(luò)輸出與期望輸出回歸函數(shù)，R為回歸系數(shù)，越接近于1，擬合效果越好；如上圖所示，經(jīng)處理過(guò)的樣本，R=0.999 94，非常接近于1；經(jīng)比較，優(yōu)化后的網(wǎng)絡(luò)訓(xùn)練速度明顯提高，擬合效果顯著增強(qiáng)。表1和圖6表示固體未完全燃燒熱損失的網(wǎng)絡(luò)輸出與誤差結(jié)果。

由表1計(jì)算得，固體未完全燃燒熱損失q4的仿真相對(duì)誤差在(-0.011 38，0.019 37)之間，平均誤差為0.538 8%，16組測(cè)試樣本的平均誤差為0.975 1%；基本滿足現(xiàn)場(chǎng)測(cè)量的精度要求；可見，神經(jīng)網(wǎng)絡(luò)在模擬研究對(duì)象方面具有較高的準(zhǔn)確性，而且泛化能力較強(qiáng)，能滿足工程應(yīng)用需要。

表1q4的預(yù)測(cè)值與誤差值

樣本123……3637q4期望值5.228.825.60……7.705.97網(wǎng)絡(luò)預(yù)測(cè)值5.279 48.711 35.547 4……7.670 95.892 1誤差-0.010 50.013 70.004 6……0.003 80.010 4

圖6　神經(jīng)網(wǎng)絡(luò)q4 的預(yù)測(cè)值與期望值的比較

4　q4的優(yōu)化分析

在運(yùn)用BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)出q4的基礎(chǔ)上，對(duì)結(jié)果分析，建立q4的模糊診斷模型，及時(shí)調(diào)整運(yùn)行工況，減少熱損失。

4.1　診斷模型的建立

對(duì)引起q4變大的主要因素進(jìn)行編碼[17]，編碼第一位為0，表示煤質(zhì)參數(shù)，1為運(yùn)行工況；如表2所示，建立引起q4變大的模糊神經(jīng)網(wǎng)絡(luò)診斷模型，該模型的輸入層神經(jīng)元不變，二進(jìn)制編碼位數(shù)決定了輸出層神經(jīng)元個(gè)數(shù)，目標(biāo)向量作為輸出節(jié)點(diǎn)；經(jīng)反復(fù)調(diào)試，隱含層神經(jīng)元數(shù)為6時(shí)訓(xùn)練和測(cè)試效果最佳。選取高斯隸屬度函數(shù)，對(duì)樣本數(shù)據(jù)模糊化[18]。隱含層和輸出層均采用LOGSIG作為傳遞函數(shù)，訓(xùn)練函數(shù)為TRAINGDM,當(dāng)網(wǎng)絡(luò)的輸出誤差平方和小于設(shè)定值0.000 1時(shí)，停止訓(xùn)練。經(jīng)過(guò)分析，選取每個(gè)主要影響因素下的3組數(shù)據(jù)為訓(xùn)練樣本，即18組數(shù)據(jù)，6個(gè)主要影響因素下的各一組數(shù)據(jù)作為測(cè)試樣本，網(wǎng)絡(luò)測(cè)試結(jié)果顯示如表2和表3。

表2引起q4變大的主要因素編碼表

序號(hào)目標(biāo)向量主要影響因素及改善措施1[000]燃煤水分(偏大),選用合適的煤質(zhì)參數(shù)2[001]燃煤揮發(fā)分(偏小),選用合適的煤質(zhì)參數(shù)3[010]燃煤灰分(偏大),選用合適的煤質(zhì)參數(shù)4[011]燃煤發(fā)熱量(偏小),選用合適的煤質(zhì)參數(shù)5[100]氧氣含量,調(diào)節(jié)引風(fēng)機(jī)風(fēng)量6[101]一氧化碳含量,調(diào)節(jié)鼓風(fēng)機(jī)風(fēng)量

表3q4診斷網(wǎng)絡(luò)測(cè)試結(jié)果

序號(hào)實(shí)際輸出向量目標(biāo)向量備注1-0.013 00.000 2-0.006 5[000]準(zhǔn)確20.005 0-0.002 21.003 3[001]準(zhǔn)確3-0.008 31.005 4-0.006 3[010]準(zhǔn)確4-0.000 21.009 01.004 6[011]準(zhǔn)確50.975 20.000 00.004 2[100]準(zhǔn)確60.991 90.002 20.999 2[101]準(zhǔn)確

由表3可知，測(cè)試的平均誤差為-0.202%，準(zhǔn)確率很高。證明了模糊神經(jīng)網(wǎng)絡(luò)對(duì)q4優(yōu)化的有效性。

5　結(jié)論

(1)基于BP神經(jīng)網(wǎng)絡(luò)建立的固體未完全燃燒熱損失q4的預(yù)測(cè)模型，能夠?qū)崿F(xiàn)q4的在線計(jì)算，摒棄了常規(guī)測(cè)量復(fù)雜和不準(zhǔn)確的缺點(diǎn)，計(jì)算的平均誤差在0.5388%；能滿足現(xiàn)場(chǎng)計(jì)算的精度要求，可實(shí)時(shí)在線監(jiān)測(cè)鍋爐的運(yùn)行。

(2)在預(yù)測(cè)的基礎(chǔ)上對(duì)鍋爐燃燒進(jìn)行優(yōu)化分析，能及時(shí)調(diào)整燃燒工況，使鍋爐在最佳參數(shù)下運(yùn)行，進(jìn)一步提高工業(yè)鍋爐的燃燒效率，對(duì)鍋爐后續(xù)的改造及設(shè)計(jì)有著很好地指導(dǎo)意義。