基于人工神經(jīng)網(wǎng)絡(luò)的火電廠燃煤鍋爐燃燒優(yōu)化方法

黃祖光，胡海艦，徐 杰，徐會詠，吉 喆，李曉明

（江西省新余市分宜縣雙林鎮(zhèn)分宜發(fā)電廠，江西 新余 338000）

0 引 言

在新時代的背景之下，我國社會的各個行業(yè)得到了充分的發(fā)展，尤其是工業(yè)鍋爐領(lǐng)域，相關(guān)的技術(shù)更是一再創(chuàng)新、優(yōu)化，在各個方面利好因素的持續(xù)性驅(qū)動下，相關(guān)產(chǎn)業(yè)也保持著穩(wěn)步擴張[1]。火電廠燃煤鍋爐通常情況下會采用層級單相燃燒的形式實現(xiàn)日常的工作，考慮到燃燒的速度以及實際的效果，在這個過程之中，也會涉及部分的輔助燃燒裝置與結(jié)構(gòu)，擴大實際的燃燒范圍，以此來進一步確保最終的處理結(jié)果[2]。這種燃燒模式雖然可以實現(xiàn)預(yù)期的工作目標，但是在實際應(yīng)用的過程中，常常會出現(xiàn)不同程度的問題和缺陷，影響工作的整體效率。再加上最近幾年，隨著人們生活水平的提高以及燃燒標準的變化，對于火電廠燃燒工作的要求也在逐年發(fā)生著變化，部分火電廠采用的傳統(tǒng)方式已經(jīng)無法滿足目前的需求[3]。

在上述的發(fā)展環(huán)境之中，需要對火電廠燃煤鍋爐燃燒方法作出進一步的優(yōu)化和完善[4]。人工神經(jīng)網(wǎng)絡(luò)實際上是一種連接模型，主要模仿動物神經(jīng)的行為特征，結(jié)合網(wǎng)絡(luò)的具體變化需求，調(diào)整網(wǎng)絡(luò)的復(fù)雜程度，以及內(nèi)部控制結(jié)構(gòu)的連接的關(guān)系，最終達到數(shù)據(jù)信息處理的目的[5]。本文會在較為真實的背景之下，結(jié)合人工神經(jīng)網(wǎng)絡(luò)技術(shù)，構(gòu)建更加靈活、多變的燃燒模式，在部分細節(jié)處對燃燒環(huán)節(jié)加以優(yōu)化，逐漸形成高效、節(jié)能、低污染的工業(yè)鍋爐燃燒模式，為后續(xù)智能化、信息化燃燒工作的發(fā)展奠定基礎(chǔ)條件。

1 人工神經(jīng)網(wǎng)絡(luò)下火電廠燃煤鍋爐燃燒優(yōu)化方法

1.1 人工神經(jīng)網(wǎng)絡(luò)下燃燒數(shù)據(jù)預(yù)處理

與傳統(tǒng)的燃燒方式不同的是，人工神經(jīng)網(wǎng)絡(luò)會將所有的數(shù)據(jù)轉(zhuǎn)換成指令或者程序，形成一整套更加完整、精準的處理程序，一定程度可以提升火電廠的工作效率與質(zhì)量[6]。所以，可以結(jié)合互聯(lián)網(wǎng)以及大數(shù)據(jù)處理技術(shù)，對獲取的數(shù)據(jù)預(yù)處理[7]。

由于火電廠通常采用模型計算，因此可以采用基礎(chǔ)的核定計算模型，設(shè)定異常值的標準，結(jié)合電力需求的變化，構(gòu)建火電廠輸入量與被輸入量之間的均衡關(guān)系[8]。本文以2×660 MW機組作為研究的對象，在這個環(huán)境之下，可以先計算出神經(jīng)異常波動率，具體如公式（1）所示：

式中，K表示神經(jīng)異常波動率；i表示波動次數(shù)；z表示單元波動值；j表示相似度；V表示燃燒間隔時間。通過上述計算，最終可以得出實際的神經(jīng)異常波動率。根據(jù)神經(jīng)異常波動率可以了解到具體的穩(wěn)態(tài)波形情況，通過人工神經(jīng)網(wǎng)絡(luò)技術(shù)繪制成具體的圖像，觀察是否處于穩(wěn)定的狀態(tài)，同時設(shè)定鍋爐機組的穩(wěn)態(tài)蒸發(fā)量，并明確對應(yīng)的最大允許波動范圍。設(shè)置燃燒相似度函數(shù)，為后續(xù)的燃燒優(yōu)化提供依據(jù)。

1.2 鍋爐效率核算

在完成對人工神經(jīng)網(wǎng)絡(luò)下燃燒數(shù)據(jù)預(yù)處理之后，核算鍋爐的具體效率?？紤]到鍋爐效率優(yōu)化的目標，需要制定實時計算結(jié)構(gòu)，提出鍋爐有效輸出、輸入熱量的計算方式，與傳統(tǒng)的計算方式相對比，實時性更強一些。通常情況下，需要先設(shè)定基礎(chǔ)的指標參數(shù)，煙氣流量控制在150.23～345.55 kJ/（m3·℃），燃燒時間控制在20～35 s即可，可以通過溫度控制器加強對燃燒溫度的掌控，根據(jù)鍋爐的固體不完全燃燒熱損失情況，計算出平均定壓比熱，具體如公式（2）所示：

式中，B表示平均定壓比熱；o表示飛灰含碳量；f表示原煤量耗用量；S表示高位熱值。通過上述計算，最終可以得出實際的平均定壓比熱，結(jié)合得出的數(shù)值，劃定具體的鍋爐運行區(qū)域范圍，將燃燒原煤的數(shù)量與所產(chǎn)生的能耗作出對應(yīng)的轉(zhuǎn)換，使兩者之間形成近似正比的關(guān)系，至此，完成了對鍋爐效率的核算與控制。

1.3 人工神經(jīng)網(wǎng)絡(luò)交互優(yōu)化模型構(gòu)建

在完成對鍋爐效率的核算之后，構(gòu)建人工神經(jīng)網(wǎng)絡(luò)交互優(yōu)化模型。根據(jù)上述的處理，對基礎(chǔ)的燃燒結(jié)構(gòu)作出調(diào)整，結(jié)合人工神經(jīng)網(wǎng)絡(luò)，構(gòu)建交互優(yōu)化結(jié)構(gòu)，具體如圖1所示。

圖1 人工神經(jīng)網(wǎng)絡(luò)交互優(yōu)化結(jié)構(gòu)圖示

根據(jù)圖1，可以完成對人工神經(jīng)網(wǎng)絡(luò)交互優(yōu)化結(jié)構(gòu)的構(gòu)建。隨機采集人工神經(jīng)的網(wǎng)絡(luò)單元集，測定計算出燃煤鍋爐的漏風系數(shù)，構(gòu)建交互燃燒標準，具體如公式（3）所示：

式中，M表示漏風系數(shù)；l表示低位熱值比；W表示鍋爐運行氧量；a表示交互神經(jīng)控制誤差。通過上述計算，最終可以得出實際的漏風系數(shù)。依據(jù)得出的漏風系數(shù)，對鍋爐在燃燒時的狀態(tài)作出交互調(diào)整，形成具體的標準，與結(jié)構(gòu)共同設(shè)定在模型之中，完成人工神經(jīng)網(wǎng)絡(luò)交互優(yōu)化模型的構(gòu)建。

1.4 遺傳算法改進完成燃煤鍋爐燃燒的優(yōu)化處理

在完成對人工神經(jīng)網(wǎng)絡(luò)交互優(yōu)化模型的構(gòu)建之后，接下來，采用遺傳算法改進來實現(xiàn)燃煤鍋爐燃燒的優(yōu)化處理。根據(jù)人工網(wǎng)絡(luò)的逆向處理控制，設(shè)定具體的燃燒優(yōu)化矩陣，并結(jié)合優(yōu)化極限標準計算出交叉遞進概率，如公式（4）—（6）所示：

式中，N、L、U表示交叉遞進概率；E表示燃燒時效；q表示飛灰含碳量差異值。通過上述計算，最終可以得出實際的交叉遞進概率。將其設(shè)定在交互優(yōu)化模型之中，改變預(yù)設(shè)的人工網(wǎng)絡(luò)執(zhí)行優(yōu)化結(jié)構(gòu)，形成多層級、多目標的神經(jīng)元，促使燃煤鍋爐在不同的環(huán)境之下，可以實現(xiàn)更為高效、高質(zhì)量的燃燒處理。

2 方法測試

本次主要是對人工神經(jīng)網(wǎng)絡(luò)下火電廠燃煤鍋爐燃燒優(yōu)化效果進行分析與驗證。選取F火電廠作為測試的主要目標對象，同時結(jié)合實際的優(yōu)化標準與規(guī)定，在合理的范圍之內(nèi)，完成燃燒模式的優(yōu)化。考慮到最終測試結(jié)果的穩(wěn)定性和可靠性，需要采用3種方法作對比測試，第一種為傳統(tǒng)的煤粉鍋爐燃燒方法，將其設(shè)定為傳統(tǒng)煤粉鍋爐燃燒優(yōu)化測試組；第二組為傳統(tǒng)的機器學習鍋爐燃燒方法，將其設(shè)定為傳統(tǒng)機器學習鍋爐燃燒測試組；第三組為本文所設(shè)計的優(yōu)化方法，將其設(shè)定為人工神經(jīng)網(wǎng)絡(luò)鍋爐燃燒測試組。3種方法在相同的測試環(huán)境中測定，最終的測試結(jié)果以對比的形式測定。接下來，進行相關(guān)的測試準備。

2.1 測試準備

在對人工神經(jīng)網(wǎng)絡(luò)下火電廠燃煤鍋爐燃燒優(yōu)化效果進行分析與驗證之前，為了保證測試結(jié)果的精準與穩(wěn)定，需要搭建相應(yīng)的測試環(huán)境。對火電廠的基礎(chǔ)指標以及對應(yīng)參數(shù)作出設(shè)定，選擇2×660 MW的機組作為目標的測試機組。隨后，設(shè)定火電廠的電壓范圍在2 200 V～2 600 V，額定電流為1 600 A，除此之外，還需要進行BP－ANN精度數(shù)值的歸納，具體如表1所示。

表1 BP－ANN精度數(shù)值歸納預(yù)設(shè)表

式中，G表示燃煤鍋爐的單元燃燒速度；e表示辨識距離；b表示燃燒范圍值，通過上述計算，最終可以完成對單元燃燒速度的計算，根據(jù)得出的單元燃燒速度。將F火電廠的燃燒區(qū)域劃定為4個測試組，將燃燒的標準與環(huán)境調(diào)整一致。

根據(jù)上述測定基礎(chǔ)，隨后，對相關(guān)的燃燒過程以及環(huán)節(jié)作出制定與更改。一般會將各個流程根據(jù)處理的類型劃分，同時，調(diào)整參數(shù)，形成燃燒建模，進行模擬測定，實施于日常的燃燒任務(wù)之中，最終完成燃燒目標。但是這種方式存在一定的弊端，對于部分流程的控制能力會相對較弱一些，導(dǎo)致極易出現(xiàn)誤差，影響最終的處理優(yōu)化結(jié)果。所以，需要結(jié)合人工神經(jīng)網(wǎng)絡(luò)，構(gòu)建智能化的高效控制程序。

日常的執(zhí)行環(huán)節(jié)依據(jù)順序編制成一整套的程序，設(shè)定在控制平臺之中，設(shè)定網(wǎng)絡(luò)訓練環(huán)境，選取燃燒目標任務(wù)，形成訓練集的同時，作出初始測定。確保飛灰含碳量與煤質(zhì)標準處于一致的狀態(tài)后。核定測試的設(shè)備與裝置是否處于穩(wěn)定的運行狀態(tài)，并確保不存在影響最終測試結(jié)果的外部因素，核定無誤后，開始具體的測試。

2.2 測試過程及結(jié)果分析

在上述所搭建的測試環(huán)境之中，結(jié)合人工神經(jīng)網(wǎng)絡(luò)，進行具體的優(yōu)化處理。首先，將測試集與訓練集的優(yōu)化比例劃定為6：4，結(jié)合F火電廠的日常執(zhí)行情況，在相同的排煙溫度下，計算出均方根燃燒誤差，具體如式（8）所示：

式中，Y表示均方根燃燒誤差；R表示基礎(chǔ)燃燒速度；g表示飛灰含碳量。通過上述計算，最終可以得出實際的均方根燃燒誤差。將核定出的誤差作為實際的極限標準以指令的形式設(shè)定在控制平臺之中，設(shè)定介于輸入層與隱層之間的神經(jīng)元控制矩陣，根據(jù)燃燒量子的活化值變化情況，可以獲取對應(yīng)的變化激勵函數(shù)，計算出活化權(quán)值，具體如式（9）所示：

式中，T表示活化權(quán)值；y表示隱藏向量；w表示閾值向量。通過上述計算，最終可以得出實際的活化權(quán)值。對人工神經(jīng)網(wǎng)絡(luò)作出調(diào)整，并在平臺中建立基礎(chǔ)隱藏神經(jīng)元控制層級，具體如圖2所示。

圖2 基礎(chǔ)隱藏神經(jīng)元控制層級結(jié)構(gòu)圖示

根據(jù)圖2，可以完成對基礎(chǔ)隱藏神經(jīng)元控制層級結(jié)構(gòu)的建立。隨后，依據(jù)訓練集和測試集的劃分比例，簡化F火電廠的燃燒區(qū)域作出對應(yīng)的測試劃定。根據(jù)均方根燃燒誤差，明確具體的控制位置。

由于標準的變化，需要對各個燃燒環(huán)節(jié)進行調(diào)整與更改，采用量子蜂群結(jié)構(gòu)以及人工神經(jīng)網(wǎng)絡(luò)，實現(xiàn)F火電廠燃煤鍋爐的燃燒優(yōu)化處理。將燃燒的熱任務(wù)初始化，作為一個處理個體，根據(jù)種群的單元規(guī)模，采用3種方法核定鍋爐的實際蒸發(fā)量，具體如式（10）所示：

式中，M表示實際蒸發(fā)量；m額定蒸發(fā)比值；c表示允許出現(xiàn)的極限差值。通過上述計算，最終可以、得出實際的蒸發(fā)量，得出測試的結(jié)果，進行具體的對比分析，如表2所示。

表2 實際蒸發(fā)比對比分析表

根據(jù)表2，可以完成對測試結(jié)果的對比分析。在不同的時刻環(huán)境下，與兩種傳統(tǒng)方法對比，本文所設(shè)計的人工神經(jīng)網(wǎng)絡(luò)鍋爐燃燒測試組最終得出的實際蒸發(fā)比相對較高，表明其燃燒的速度與質(zhì)量更佳，具有實際的應(yīng)用價值。

3 結(jié) 論

根據(jù)上述分析驗證，便是對基于人工神經(jīng)網(wǎng)絡(luò)的火電廠燃煤鍋爐燃燒優(yōu)化方法的設(shè)計與構(gòu)建。與傳統(tǒng)的鍋爐燃燒方法相對比，本文所構(gòu)建的人工神經(jīng)網(wǎng)絡(luò)輔助燃燒方法相對更加靈活、多變，在面對復(fù)雜環(huán)境下的燃燒工作時，結(jié)合智能化的控制管理結(jié)構(gòu)，在合理的范圍之內(nèi)，加快鍋爐的燃燒速度以及質(zhì)量。與此同時，依據(jù)對應(yīng)的燃燒優(yōu)化需求，開展工業(yè)燃煤鍋爐的冷熱態(tài)模擬處理，增加燃燒優(yōu)化的工業(yè)性以及合理性，再加上人工神經(jīng)網(wǎng)絡(luò)技術(shù)的扶持，進一步提升了在線實時建模和優(yōu)化工作的效果，完成全面改進的同時，提升自動辨別能力，逐步完成多目標的火電廠燃煤鍋爐燃燒優(yōu)化，為后續(xù)的施工處理提供理論依據(jù)。