基于機(jī)器學(xué)習(xí)的燃煤鍋爐燃燒效率在線計(jì)算

陳 波 ，曹歌瀚，黃亞繼 ，岳峻峰 ，徐文韜 ，王亞歐，李雨欣，金保昇

(1.江蘇方天電力技術(shù)有限公司 江蘇 南京 211102；2.東南大學(xué) 東南大學(xué) 能源熱轉(zhuǎn)換及其過(guò)程測(cè)控教育部重點(diǎn)實(shí)驗(yàn)室，江蘇 南京 210096)

0 引 言

隨著信息技術(shù)的發(fā)展和新基建理念的提出，傳統(tǒng)火力發(fā)電廠亟需向智能化方向升級(jí)[1]。利用人工智能算法構(gòu)建電廠鍋爐的燃燒模型是目前的研究熱點(diǎn)。鍋爐效率是衡量鍋爐運(yùn)行狀態(tài)的重要指標(biāo)，也是鍋爐燃燒優(yōu)化的重要目標(biāo)。傳統(tǒng)的鍋爐優(yōu)化方法主要通過(guò)專家經(jīng)驗(yàn)，采用交叉試驗(yàn)或單因素輪回試驗(yàn)對(duì)燃燒工況進(jìn)行優(yōu)化調(diào)整[2-3]，不僅費(fèi)時(shí)費(fèi)力，而且試驗(yàn)工況有限，一旦鍋爐煤種或運(yùn)行狀態(tài)發(fā)生變化，原有的優(yōu)化試驗(yàn)結(jié)果即失效。因此為了更好地對(duì)鍋爐效率進(jìn)行優(yōu)化，采用啟發(fā)式算法對(duì)鍋爐進(jìn)行參數(shù)尋優(yōu)是目前較好的方法之一，要求首先構(gòu)建鍋爐運(yùn)行參數(shù)與鍋爐效率之間的實(shí)時(shí)計(jì)算模型。應(yīng)明良等[4]提出了一種基于鍋爐有效輸出熱量和總輸出熱量計(jì)算鍋爐熱效率的方法，該方法無(wú)需進(jìn)行煤質(zhì)測(cè)試，具有良好的實(shí)時(shí)性，但其依賴于對(duì)過(guò)熱蒸汽與再熱蒸汽的測(cè)量，大型設(shè)備需安裝大量測(cè)點(diǎn)。王詣[5]針對(duì)鍋爐效率計(jì)算中灰渣含碳量難以獲得的問(wèn)題，研究了基于圖像處理技術(shù)的灰渣含碳量快速檢測(cè)系統(tǒng)，并對(duì)鍋爐效率反平衡計(jì)算進(jìn)行簡(jiǎn)化分析，建立了鍋爐效率的實(shí)時(shí)計(jì)算模型。趙國(guó)強(qiáng)[6]利用極限學(xué)習(xí)機(jī)方法對(duì)鍋爐煙氣含氧量和飛灰含碳量建模，將結(jié)果輸入鍋爐熱效率計(jì)算模型，得到實(shí)時(shí)的鍋爐效率計(jì)算結(jié)果。也有學(xué)者采用機(jī)器學(xué)習(xí)算法對(duì)鍋爐效率進(jìn)行計(jì)算，如混合最小二乘支持向量機(jī)[7]、分布式極限學(xué)習(xí)機(jī)[8]、神經(jīng)網(wǎng)絡(luò)[9-12]、支持向量機(jī)[13-14]等，這些研究將鍋爐效率直接作為機(jī)器學(xué)習(xí)模型的輸出，但實(shí)際的鍋爐效率獲取較困難，導(dǎo)致訓(xùn)練樣本不足，難以獲得具有廣泛性的計(jì)算模型。這些研究促進(jìn)了電廠鍋爐智能化運(yùn)行的發(fā)展，但其自身的不足限制了智能算法的廣泛應(yīng)用。

為了獲得具有廣泛性的實(shí)時(shí)鍋爐效率計(jì)算方法，本文利用遺傳算法改進(jìn)神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練鍋爐參數(shù)與鍋爐排煙溫度、飛灰含碳量和煤質(zhì)灰分之間的關(guān)系，計(jì)算鍋爐的煙氣熱損失與固體不完全燃燒熱損失，并對(duì)文獻(xiàn)[4]提出的鍋爐效率計(jì)算方法進(jìn)行改進(jìn)，減少計(jì)算模型所需的測(cè)量數(shù)據(jù)，降低鍋爐的改造成本。

1 目標(biāo)鍋爐與燃燒系統(tǒng)

鍋爐特征參數(shù)的選擇對(duì)構(gòu)建鍋爐效率的計(jì)算模型十分重要，本文采用某電廠1 000 MW超超臨界鍋爐為研究對(duì)象，單爐膛，Π型構(gòu)造，已裝備低NOx同軸燃燒系統(tǒng)，如圖1所示。燃燒系統(tǒng)具有一層分離燃盡風(fēng)和6層燃燒器，分別對(duì)應(yīng)6個(gè)磨煤機(jī)，每個(gè)磨煤機(jī)與2層燃料空氣(FA)和一次風(fēng)出口連接。每個(gè)燃燒器中間注入油輔助空氣(OA)，下層和上層也分別注入兩級(jí)輔助空氣(AA)，2個(gè)燃燒器頂部是緊湊燃盡風(fēng)(CCOFA)。 6個(gè)燃燒器分別記為A～F。F層的輔助空氣記為F-AA-1和F-AA-2、油輔助空氣記為F-OA、燃料空氣記為F-FA-1和F-FA-2，其他層以此類推，F(xiàn)-FA-1和F-FA-2位置由一個(gè)測(cè)點(diǎn)測(cè)量。鍋爐的過(guò)熱段和再加熱段產(chǎn)生蒸汽，過(guò)熱段包含一、二、三級(jí)過(guò)熱器，再熱段包含一、二級(jí)再熱器。燃燒器布置在4個(gè)角落，通常同一層上4組燃燒器的風(fēng)門同步運(yùn)行。擋板的制動(dòng)以及當(dāng)前位置的測(cè)量直接在爐壁內(nèi)設(shè)備的機(jī)械驅(qū)動(dòng)器內(nèi)進(jìn)行。

圖1 鍋爐示意和風(fēng)門擋板排列Fig.1 Schematic diagram of the boiler andthe arrangement of the damper

選取表1中1～51號(hào)參數(shù)作為樣本特征，其中，負(fù)荷代表鍋爐不同發(fā)電負(fù)荷下的工況，爐膛氧量表示氧量對(duì)鍋爐燃燒的影響，煤粉溫度、一次風(fēng)溫和二次風(fēng)溫與鍋爐的燃燒情況相關(guān)，4～49號(hào)參數(shù)為鍋爐配風(fēng)方式對(duì)鍋爐燃燒的影響；飛灰含碳量、煤質(zhì)灰分與排煙溫度作為樣本的因變量參與鍋爐效率的計(jì)算。

表1 樣本特征

2 數(shù)據(jù)預(yù)處理

從實(shí)際電廠中獲取原始數(shù)據(jù)后需經(jīng)預(yù)處理才能應(yīng)用于模型計(jì)算。本文數(shù)據(jù)處理包括剔除異常值、判別穩(wěn)態(tài)工況與相似度處理3部分。由于故障或測(cè)量?jī)x器原因，直接采集的數(shù)據(jù)通常存在與相鄰數(shù)據(jù)點(diǎn)差異較大的明顯異常點(diǎn)，采用基于數(shù)學(xué)統(tǒng)計(jì)學(xué)的3σ原則剔除異常值：假設(shè)某一樣本含有n個(gè)數(shù)據(jù)，平均值為μ，標(biāo)準(zhǔn)差為σ，則數(shù)據(jù)分布在3σ區(qū)間的概率為99.74%。若某一數(shù)據(jù)與μ的差值大于3σ，則判定其為異常值。電廠為了適應(yīng)用電需求變化，機(jī)組的負(fù)荷也會(huì)發(fā)生變化，穩(wěn)態(tài)工況會(huì)受到破壞。鍋爐的非穩(wěn)態(tài)工況一般無(wú)法準(zhǔn)確反映輸入量與被輸入量之間的關(guān)系，若直接用于建模，會(huì)對(duì)模型預(yù)測(cè)精度產(chǎn)生嚴(yán)重影響，因此，建模前需要判別穩(wěn)態(tài)工況、篩選穩(wěn)態(tài)工況點(diǎn)。本文利用滑動(dòng)窗口法判別穩(wěn)態(tài)工況，通過(guò)選擇某一合適的窗口寬度并進(jìn)行滑動(dòng)，計(jì)算每次滑動(dòng)后窗口內(nèi)數(shù)值的標(biāo)準(zhǔn)差，若標(biāo)準(zhǔn)差過(guò)大，則該點(diǎn)處于非穩(wěn)態(tài)工況。根據(jù)電站鍋爐性能試驗(yàn)規(guī)程，1 000 MW鍋爐機(jī)組穩(wěn)態(tài)蒸發(fā)量最大允許波動(dòng)范圍為±2%。窗口內(nèi)負(fù)荷波動(dòng)低于2%時(shí)，認(rèn)為窗口內(nèi)工況穩(wěn)定。對(duì)于已完成異常值與非穩(wěn)定工況點(diǎn)剔除的數(shù)據(jù)，由于數(shù)據(jù)樣本量較大且樣本點(diǎn)均處于穩(wěn)定工況，存在樣本間數(shù)據(jù)變化微小、相似度高的情況。為優(yōu)化建模訓(xùn)練樣本，降低模型的計(jì)算量，需要對(duì)其進(jìn)行相似度處理，剔除冗余信息。采用相似度函數(shù)判別樣本間的相似度，設(shè)置相似度函數(shù)為

Rij=e-‖xi-xj‖2，

(1)

式中，Rij為第i組與第j組訓(xùn)練樣本的相似度；xi、xj為訓(xùn)練樣本中第i組和第j組數(shù)據(jù)。

采集2020-02-06—03-22每天間隔1 min的66 240條數(shù)據(jù)作為原始數(shù)據(jù)，經(jīng)剔除異常值處理后，樣本數(shù)據(jù)減為65 299條；經(jīng)穩(wěn)態(tài)判別后，樣本數(shù)據(jù)為30 720條，經(jīng)相似性處理，篩選出3 445組樣本數(shù)據(jù)用于建模。數(shù)據(jù)處理流程如圖2所示。

圖2 數(shù)據(jù)處理流程Fig.2 Flow chart of data processing

3 鍋爐效率計(jì)算

為了對(duì)鍋爐效率進(jìn)行優(yōu)化，建立鍋爐運(yùn)行參數(shù)與鍋爐效率之間的實(shí)時(shí)計(jì)算模型十分重要。文獻(xiàn)[4]提出了一種基于鍋爐有效輸出熱量和總輸出熱量的鍋爐效率計(jì)算方法，實(shí)時(shí)性強(qiáng)，但該方法依賴于對(duì)過(guò)熱蒸汽與再熱蒸汽的測(cè)定，需安裝大量測(cè)點(diǎn)，安裝與維護(hù)成本較高，部分電廠不具備相關(guān)條件。本文鍋爐效率計(jì)算公式為

(2)

(3)

排煙溫度、飛灰含碳量和煤的灰分?jǐn)?shù)據(jù)由建立神經(jīng)網(wǎng)絡(luò)模型計(jì)算得出，由于神經(jīng)網(wǎng)絡(luò)模型的初始連接權(quán)值和閾值的選擇對(duì)網(wǎng)絡(luò)訓(xùn)練的影響很大，但又無(wú)法準(zhǔn)確獲得，因此采用基于遺傳算法改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)算法對(duì)飛灰含碳量和煤質(zhì)灰分進(jìn)行預(yù)測(cè)建模。

固體不完全燃燒熱損失Qs計(jì)算公式為

(4)

式中，Cfh為飛灰含碳量，%；F為耗用原煤量，kg/s，32 700為純碳的發(fā)熱量，kJ/kg。

鍋爐輸入熱量的計(jì)算公式為

Qr=BQnet,art，

(5)

其中，B為入爐原煤量；kg/s。Qnet,ar根據(jù)燃料的高位熱值與其理論空氣量間近似正比的關(guān)系進(jìn)行計(jì)算[15]。

(6)

式中，Qgr,ar為入爐煤的高位熱值，kJ/kg；k1為絕大多數(shù)煤高位熱值對(duì)低位熱值的比例關(guān)系，為1.03～1.06；k2為高位熱值與理論空氣量的比例系數(shù)，為2.994～3.165；W為鍋爐運(yùn)行總風(fēng)量，t/h;Δα為漏風(fēng)系數(shù)，為0～0.1；ρ(O2)為鍋爐運(yùn)行氧量，%。

4 遺傳算法改進(jìn)的神經(jīng)網(wǎng)絡(luò)模型

神經(jīng)網(wǎng)絡(luò)模型是克服燃煤鍋爐建模時(shí)多變量互相耦合、互相影響的有效辦法[16]。BP神經(jīng)網(wǎng)絡(luò)是一種信息正向傳播、誤差逆向傳播的神經(jīng)網(wǎng)絡(luò)，通過(guò)反向傳播不斷調(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。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單、可調(diào)整的參數(shù)多、訓(xùn)練算法多、可操作性好，但其存在如收斂速度較慢、易陷入局部最小點(diǎn)等缺陷，且網(wǎng)絡(luò)訓(xùn)練受初始連接權(quán)值及閾值的影響較大，無(wú)法準(zhǔn)確獲取，因此，考慮引入遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化。

遺傳算法(GA)是一種智能算法，可通過(guò)模擬自然演化過(guò)程來(lái)搜索最佳解。遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的步驟為：首先隨機(jī)初始化神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值作為初始種群，解碼后賦給新建的BP神經(jīng)網(wǎng)絡(luò)，將BP神經(jīng)網(wǎng)絡(luò)的測(cè)試誤差作為種群適應(yīng)度代入遺傳算法的進(jìn)化過(guò)程并生成新的種群，將新的種群加入BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，直至網(wǎng)絡(luò)的測(cè)試誤差滿足終止條件。

根據(jù)表1選取的樣本特征，建立3套51-13-1的神經(jīng)網(wǎng)絡(luò)模型，即輸入層神經(jīng)元數(shù)量為51，隱含層神經(jīng)元數(shù)量為13，輸出層神經(jīng)元數(shù)量為1。神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示，利用Matlab的神經(jīng)網(wǎng)絡(luò)工具箱構(gòu)建網(wǎng)絡(luò)，采用可最小化平方誤差和權(quán)重的TRAINBR作為訓(xùn)練函數(shù)，選擇TANSIG作為傳遞函數(shù)，選擇MSE作為性能函數(shù)，選擇LEARNGDM作為適應(yīng)學(xué)習(xí)函數(shù)。采用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)，最大進(jìn)化代數(shù)設(shè)置為300，種群規(guī)模為100，交叉概率為0.9，變異概率為0.1，算法流程如圖4所示。

圖3 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 Structure of Neural network

圖4 鍋爐效率計(jì)算流程Fig.4 Flow chart of boiler efficiency calculation

5 結(jié)果與分析

在電廠實(shí)際生產(chǎn)過(guò)程中，同一天的飛灰含碳量與煤質(zhì)數(shù)據(jù)只能進(jìn)行離散采樣，因此選取取樣點(diǎn)時(shí)刻周圍的樣本對(duì)飛灰的含碳量和煤質(zhì)灰分進(jìn)行訓(xùn)練。在訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型時(shí)，隨機(jī)將樣本數(shù)據(jù)劃分成訓(xùn)練集和測(cè)試集，訓(xùn)練集和測(cè)試集的劃分比例為7∶3。圖5為遺傳算法優(yōu)化后的神經(jīng)網(wǎng)絡(luò)模型的驗(yàn)證結(jié)果。表2為精度計(jì)算結(jié)果(RMSE為均方根誤差，MRE為平均相對(duì)誤差，MAXE為最大絕對(duì)誤差)。計(jì)算方法如下：

圖5 排煙溫度、飛灰含碳量煤質(zhì)灰分測(cè)試樣本的驗(yàn)證結(jié)果Fig.5 Validation results of exhaust gas temperature，carbon content in fly ash and coal ash test samples

(7)

(8)

(9)

由表2可知，預(yù)測(cè)結(jié)果可滿足大部分樣本的預(yù)測(cè)需求。對(duì)于飛灰含碳量與煤質(zhì)灰分，部分結(jié)果與預(yù)期相差較大，這是由于在實(shí)際生產(chǎn)中，飛灰含碳量

表2 BP-ANN的精度

與煤質(zhì)數(shù)據(jù)測(cè)試次數(shù)較少，為了充分利用電廠的運(yùn)行數(shù)據(jù)，將某一時(shí)刻的測(cè)試數(shù)據(jù)擴(kuò)展到其他時(shí)刻，因此造成部分樣本數(shù)據(jù)偏差較大。以實(shí)際的測(cè)試數(shù)據(jù)為基準(zhǔn)，3倍平均相對(duì)誤差為范圍，圖5(b)、(c)中超過(guò)實(shí)際測(cè)試數(shù)據(jù)3倍平均相對(duì)誤差的預(yù)測(cè)數(shù)據(jù)標(biāo)記為“+”，被標(biāo)記的數(shù)據(jù)視為由于數(shù)據(jù)推測(cè)引起的誤差。飛灰含碳量的測(cè)試樣本中的推測(cè)誤差數(shù)據(jù)占7.07%，煤質(zhì)數(shù)據(jù)測(cè)試樣本的推測(cè)誤差數(shù)據(jù)占5.13%。

圖6為電廠某一天的鍋爐效率隨時(shí)間的變化(R為實(shí)際蒸發(fā)量與額定蒸發(fā)量的比值)?？梢钥闯?，鍋爐效率與實(shí)際蒸發(fā)量的變化近似一致。鍋爐的實(shí)際蒸發(fā)量下降時(shí)，鍋爐效率降低，這可能與鍋爐蓄熱有關(guān)，負(fù)荷降低導(dǎo)致鍋爐的單位煤量煙氣量增加，但排煙溫度未降低，使煙氣熱損失增大，鍋爐效率突然降低。另外，鍋爐的實(shí)際蒸發(fā)量在60%以上額定蒸發(fā)量時(shí)，鍋爐效率易保持在較高水平。

圖6 電廠的鍋爐效率與實(shí)際蒸發(fā)量隨時(shí)間變化Fig.6 Change of boiler efficiency and actualevaporation of power plant with time

6 結(jié) 論

1)對(duì)所運(yùn)行的鍋爐進(jìn)行分析研究，選擇合適的鍋爐燃燒運(yùn)行特征作為樣本特征。

2)根據(jù)特征采集相應(yīng)數(shù)據(jù)，并對(duì)數(shù)據(jù)進(jìn)行剔除異常值、判別穩(wěn)態(tài)工況和相似性處理，減少了用于模型訓(xùn)練的數(shù)據(jù)量。

3)利用遺傳算法改進(jìn)的神經(jīng)網(wǎng)絡(luò)算法計(jì)算排煙溫度、飛灰含碳量與煤質(zhì)灰分，進(jìn)而計(jì)算出鍋爐的排煙熱損失與固體不完全燃燒熱損失，代入鍋爐效率的反平衡計(jì)算模型中得到鍋爐效率。計(jì)算所得的鍋爐效率變化與實(shí)際蒸發(fā)量變化近似一致。鍋爐的實(shí)際蒸發(fā)量下降時(shí)，鍋爐效率降低。鍋爐的實(shí)際蒸發(fā)量在60%以上額定蒸發(fā)量時(shí)，鍋爐效率易保持在較高水平。

4)計(jì)算結(jié)果表明該方法可操作性與實(shí)時(shí)性強(qiáng)，且精度符合預(yù)測(cè)需求，可滿足電廠對(duì)鍋爐效率的日常監(jiān)測(cè)要求。