基于人工神經(jīng)網(wǎng)絡(luò)的電站鍋爐積灰實(shí)時(shí)監(jiān)測(cè)系統(tǒng)

楊祥良, 安連鎖, 孫鑫強(qiáng), 孫保民, 沈國(guó)清

(華北電力大學(xué)電站設(shè)備狀態(tài)監(jiān)測(cè)與控制教育部重點(diǎn)實(shí)驗(yàn)室,北京102206)

對(duì)流受熱面積灰是燃煤電站鍋爐經(jīng)常遇到的問(wèn)題,吹灰是確?；鹆Πl(fā)電廠安全、經(jīng)濟(jì)及平穩(wěn)運(yùn)行的一個(gè)重要環(huán)節(jié).以往的吹灰模式大多根據(jù)設(shè)計(jì)煤種和負(fù)荷工況進(jìn)行定期吹灰.然而,我國(guó)煤種品位高低不等,變化范圍大,而且電站鍋爐供煤和配煤系統(tǒng)仍存在許多不完善之處,燃用煤質(zhì)多變,有時(shí)偏離設(shè)計(jì)值較大,這使定期吹灰難以滿(mǎn)足當(dāng)今電站鍋爐的吹灰需要.而影響受熱面積灰的因素十分復(fù)雜,利用物理模型進(jìn)行仿真處理比較困難,難以涵蓋足夠的影響因素[1-2].吹灰不足會(huì)導(dǎo)致?lián)Q熱效率低,進(jìn)而影響鍋爐的效率;頻繁吹灰不僅會(huì)消耗大量能量,而且會(huì)因磨蝕和熱應(yīng)力對(duì)鍋爐受熱面造成損壞,縮短受熱面的壽命,同時(shí)也增加了吹灰裝置的維修費(fèi)用[3].在以往的灰污監(jiān)測(cè)系統(tǒng)中,通常選擇的監(jiān)測(cè)參數(shù)是灰污系數(shù)和熱有效系數(shù),但無(wú)論灰污系數(shù)還是熱有效系數(shù),在其推導(dǎo)過(guò)程中不僅需要工質(zhì)側(cè)的參數(shù),而且也需要煙氣側(cè)的參數(shù),而煙氣側(cè)的有些參數(shù)很難直接測(cè)出(如煙氣流速),有些參數(shù)測(cè)定需要很苛刻的測(cè)量工具.因此,采用灰污系數(shù)或熱有效系數(shù)作為監(jiān)測(cè)手段,在實(shí)際應(yīng)用中不可避免地受到較大限制.筆者根據(jù)電廠實(shí)際的運(yùn)行情況,采用人工神經(jīng)網(wǎng)絡(luò)(ANN)技術(shù)構(gòu)建了一個(gè)非線性模型,對(duì)受熱面積灰情況進(jìn)行實(shí)時(shí)預(yù)測(cè).

1 采用神經(jīng)網(wǎng)絡(luò)技術(shù)監(jiān)測(cè)對(duì)流受熱面積灰的原理

當(dāng)受熱面受到灰污以后,其傳熱效能變差,主要反映在鍋爐對(duì)流受熱面換熱量的減少上,因而提取灰污特征參數(shù)作為監(jiān)測(cè)依據(jù).

清潔受熱面的吸熱量即為被監(jiān)測(cè)受熱面在實(shí)際運(yùn)行工況下被清潔時(shí)的吸熱量.因此,可將灰污特征參數(shù)定義為[4-5]：

式中：Qfouling為受熱面的實(shí)際吸熱量;Qclean為清潔受熱面的吸熱量.

當(dāng)對(duì)流受熱面清潔時(shí),T為最小值,即趨于零;當(dāng)污垢很厚時(shí),管壁溫度接近于煙氣溫度,受熱面吸熱量趨于零,T達(dá)到最大,即趨于1.從上面的分析可知,T能很好地反映灰污狀況.

對(duì)于被監(jiān)測(cè)的受熱面,受熱面的實(shí)際吸熱量Q fouling可通過(guò)測(cè)得進(jìn)出口工質(zhì)的溫度、壓力和流量計(jì)算得到,其公式為：

式中：D為受熱面對(duì)應(yīng)的工質(zhì)流量;h2為工質(zhì)出口焓;h1為工質(zhì)進(jìn)口焓.

進(jìn)出口工質(zhì)溫度、壓力和流量可通過(guò)電廠現(xiàn)有的數(shù)據(jù)采集系統(tǒng)(DAS)非常準(zhǔn)確地得到,從而可以準(zhǔn)確地計(jì)算出各受熱面的實(shí)際吸熱量,但是各受熱面在清潔狀況下的潛在吸熱量是受到許多因素影響的變量,呈現(xiàn)出很強(qiáng)的非線性特點(diǎn),但可通過(guò)建立神經(jīng)網(wǎng)絡(luò)模型解決.

2 神經(jīng)網(wǎng)絡(luò)原理

人工神經(jīng)網(wǎng)絡(luò)通過(guò)訓(xùn)練獲得輸入量與輸出量之間的關(guān)系.人工神經(jīng)網(wǎng)絡(luò)包含一個(gè)個(gè)互相連接的神經(jīng)元,神經(jīng)元之間通過(guò)線性或者非線性的傳遞函數(shù)相連接[6].這種結(jié)構(gòu)使人工神經(jīng)網(wǎng)絡(luò)能夠應(yīng)用于一個(gè)非線性系統(tǒng).本文建立模型使用的BP網(wǎng)絡(luò)這一名稱(chēng)來(lái)源于它的學(xué)習(xí)算法：誤差反向傳播(Error Back Propagation)學(xué)習(xí)算法,簡(jiǎn)稱(chēng)BP算法,BP網(wǎng)絡(luò)是采用BP學(xué)習(xí)算法的網(wǎng)絡(luò).經(jīng)典BP網(wǎng)絡(luò)是全連接的前向網(wǎng)絡(luò),可分成3個(gè)部分：輸入層、隱含層和輸出層.輸入層接受外界的信息;隱含層是特征表征層,用于儲(chǔ)存學(xué)習(xí)對(duì)象的特征信息;輸出層將網(wǎng)絡(luò)計(jì)算結(jié)果輸出[7].

對(duì)于輸入信息,要先向前傳播到隱含層的結(jié)點(diǎn)上,經(jīng)過(guò)各單元的特性為Sigmoid型的激活函數(shù)(又稱(chēng)作用函數(shù)、轉(zhuǎn)換函數(shù)或映射函數(shù)等)運(yùn)算后,將隱含結(jié)點(diǎn)的輸出信息傳到輸出結(jié)點(diǎn),最后給出輸出結(jié)果.網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程由正向和反向傳播2部分組成.在正向傳播過(guò)程中,每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元網(wǎng)絡(luò).如果輸出層不能得到期望輸出,即實(shí)際輸出值與期望值之間存在誤差,那么輸出層轉(zhuǎn)入反向傳播過(guò)程,將誤差信號(hào)沿原來(lái)的連接通路返回,通過(guò)修改各層神經(jīng)元的權(quán)值,逐次地向輸入層傳播并進(jìn)行計(jì)算,再經(jīng)過(guò)正向傳播過(guò)程,通過(guò)這2個(gè)過(guò)程的反復(fù)運(yùn)用,使誤差信號(hào)達(dá)到最小.人工神經(jīng)網(wǎng)絡(luò)如圖1所示[8].

圖1 人工神經(jīng)網(wǎng)絡(luò)示意圖Fig.1 Sketch of artificialneural network

3 仿真試驗(yàn)

3.1 鍋爐系統(tǒng)簡(jiǎn)介

本文選用美國(guó)燃燒工程公司(CE)的引進(jìn)技術(shù)設(shè)計(jì)和制造的300MW鍋爐為研究對(duì)象,鍋爐為亞臨界參數(shù)、一次中間再熱、控制循環(huán)汽包爐,采用平衡通風(fēng)、直流式燃燒器和四角切圓燃燒方式.設(shè)計(jì)燃料為神府東勝煙煤.鍋爐以最大連續(xù)負(fù)荷(BMCR工況)為設(shè)計(jì)參數(shù),在機(jī)組電負(fù)荷為335.7 MW時(shí),鍋爐的最大連續(xù)蒸發(fā)量為1 025 t/h;當(dāng)機(jī)組電負(fù)荷為318.2 MW(額定工況)時(shí),鍋爐的額定蒸發(fā)量為960 t/h,電廠鍋爐示意圖,見(jiàn)圖2.

圖2 電廠鍋爐示意圖Fig.2 Sketch of the boiler

3.2 試驗(yàn)數(shù)據(jù)的采集與處理

電廠的DAS系統(tǒng)不間斷地采集數(shù)據(jù)并存儲(chǔ)在數(shù)據(jù)庫(kù)中,由于傳感器故障、人為疏忽以及系統(tǒng)問(wèn)題等原因,在采集到的大量數(shù)據(jù)中難免存在一些錯(cuò)誤的數(shù)據(jù);另外,在突然升降負(fù)荷、啟停等非常規(guī)運(yùn)行狀態(tài)下采集的數(shù)據(jù)都應(yīng)從數(shù)據(jù)組中去掉,因?yàn)檫@些數(shù)據(jù)會(huì)迷惑人工神經(jīng)網(wǎng)絡(luò).因此,在用這些數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)之前,應(yīng)進(jìn)行數(shù)據(jù)的預(yù)處理.為便于數(shù)據(jù)的處理,本文設(shè)計(jì)了SQL數(shù)據(jù)庫(kù)采集信息.由于預(yù)測(cè)數(shù)據(jù)的精度恒小于訓(xùn)練數(shù)據(jù)的精度,因此必須嚴(yán)格地篩查錯(cuò)誤數(shù)據(jù),去偽存真.下面介紹數(shù)據(jù)處理的具體方法.

3.2.1 訓(xùn)練數(shù)據(jù)的采集

為了通過(guò)神經(jīng)網(wǎng)絡(luò)得到受熱面清潔時(shí)的吸熱量,必須用受熱面清潔時(shí)的數(shù)據(jù)來(lái)訓(xùn)練網(wǎng)絡(luò),以確定受熱面清潔時(shí)吸熱量與工況特征變量之間的關(guān)系.訓(xùn)練樣本的個(gè)數(shù)不能過(guò)多,也不能過(guò)少.取對(duì)流受熱面吹灰器長(zhǎng)吹工作后10 min的吸熱量為該受熱面的清潔吸熱量.SQL數(shù)據(jù)庫(kù)的表名設(shè)計(jì)示于表1.當(dāng)吹灰器滿(mǎn)足上述條件時(shí),將記錄1組數(shù)據(jù)存入數(shù)據(jù)庫(kù)當(dāng)做訓(xùn)練數(shù)據(jù)備用.

表1 采集用數(shù)據(jù)庫(kù)Tab.1 Detailof database for collecting

3.2.2 訓(xùn)練數(shù)據(jù)的篩選

通過(guò)以上步驟采集到的數(shù)據(jù)必須經(jīng)過(guò)篩選才能進(jìn)行訓(xùn)練,數(shù)據(jù)的篩選是分階段進(jìn)行的.在開(kāi)始時(shí),辨認(rèn)錯(cuò)誤數(shù)據(jù)的一般方法為：觀察那些和相鄰數(shù)據(jù)反差很大、又不符合事實(shí)趨勢(shì)的數(shù)據(jù),并將其剔除;另外,需特別注意數(shù)據(jù)走勢(shì)和密切相關(guān)的幾個(gè)參數(shù)之間的關(guān)系,如增加燃料量時(shí),鍋爐的負(fù)荷必然會(huì)上升.

3.2.3 選擇合適的數(shù)據(jù)

通過(guò)選擇足夠多的數(shù)據(jù)訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)是十分重要的.這里的足夠大是指盡可能多地取得不同負(fù)荷下的原始數(shù)據(jù),以保持足夠?qū)挼呢?fù)荷值域,這樣才能在實(shí)際運(yùn)行中得到比較滿(mǎn)意的精度,如圖3中末級(jí)過(guò)熱器的樣本點(diǎn)與主蒸汽流量關(guān)系曲線中的樣本點(diǎn)選取在這一區(qū)域,可看出末級(jí)過(guò)熱器的工質(zhì)流量較為平緩,連續(xù)性強(qiáng),因此是訓(xùn)練數(shù)據(jù)的理想選擇.

圖3 選擇訓(xùn)練數(shù)據(jù)Fig.3 Selection of training data

3.3 神經(jīng)網(wǎng)絡(luò)模型的建立

3.3.1 輸入量的選取

影響鍋爐受熱面積灰結(jié)渣的運(yùn)行因素很多,基本上可歸結(jié)為2個(gè)原因：機(jī)組運(yùn)行工況的影響和該受熱面自身所處的狀況.結(jié)合這兩點(diǎn),影響因素可進(jìn)一步歸結(jié)為煤質(zhì)、爐膛結(jié)構(gòu)、燃燒方式和進(jìn)風(fēng)狀況等.由于爐膛結(jié)構(gòu)和燃燒方式在鍋爐設(shè)計(jì)之初便已確定,均屬于不可人為控制的因素,對(duì)輸出的影響是不變的,因此可不作為輸入層的因素.煤質(zhì)是一個(gè)模糊量,沒(méi)有一個(gè)定量的衡量,不好量化,但可用整個(gè)機(jī)組的燃煤量和進(jìn)風(fēng)量進(jìn)行衡量.同時(shí),這2個(gè)量還可定性地描述出整個(gè)機(jī)組所處的運(yùn)行工況.為了更加準(zhǔn)確地反映鍋爐的運(yùn)行工況,筆者還增加了另外3個(gè)輸入?yún)?shù)：工質(zhì)流量、工質(zhì)入口溫度和工質(zhì)壓力.工質(zhì)流量包含了一級(jí)減溫水或者二級(jí)減溫水的信息.此外,燃燒器的投運(yùn)方式也會(huì)對(duì)換熱情況有直接的影響,應(yīng)予以考慮.神經(jīng)網(wǎng)絡(luò)的輸入與輸出參數(shù)示于圖4.

3.3.2 ANN的結(jié)構(gòu)與訓(xùn)練

圖4 人工神經(jīng)網(wǎng)絡(luò)的輸入與輸出參數(shù)Fig.4 Inpu t and output parameters for artificialneural netw ork

人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練是在Matlab軟件中完成的,本文采用改進(jìn)的BP網(wǎng)絡(luò),并運(yùn)用了經(jīng)典的3層網(wǎng)絡(luò)模型.根據(jù)多次調(diào)試,同時(shí)考慮到運(yùn)行參數(shù)之間的復(fù)雜關(guān)系,將隱含層定為18個(gè)神經(jīng)元比較合理.經(jīng)神經(jīng)網(wǎng)絡(luò)的泛化預(yù)測(cè)試驗(yàn),泛化精度良好.采集到的所有數(shù)據(jù)首先被隨機(jī)排列順序,然后被分為3組：前70%的數(shù)據(jù)用于網(wǎng)絡(luò)的訓(xùn)練,后30%的數(shù)據(jù)用于驗(yàn)證其準(zhǔn)確性.

3.3.3 ANN的驗(yàn)證

為了了解訓(xùn)練好的 ANN的準(zhǔn)確性,將以上30%未用于訓(xùn)練的數(shù)據(jù)進(jìn)行驗(yàn)證.通過(guò)比較計(jì)算所得的吸熱量和實(shí)際測(cè)得的吸熱量,就可對(duì)ANN的準(zhǔn)確性進(jìn)行評(píng)價(jià).圖5為低溫過(guò)熱器附近預(yù)測(cè)的吸熱量與實(shí)際測(cè)得的吸熱量情況.通過(guò)計(jì)算可以發(fā)現(xiàn)：實(shí)測(cè)吸熱量和預(yù)測(cè)吸熱量的最大誤差不超過(guò)10%,平均誤差為3%左右,這在工程實(shí)際中的效果相當(dāng)理想.

圖5 低溫過(guò)熱器附近的實(shí)測(cè)吸熱量與預(yù)測(cè)吸熱量Fig.5 The actual and the p redicted heat absorption near low temperatu re superheater

表2為所有對(duì)流受熱面中預(yù)測(cè)的吸熱量和實(shí)際測(cè)得的吸熱量間的誤差.

表2 誤差分析Tab.2 Error analysis %

4 結(jié) 論

由于鍋爐系統(tǒng)的復(fù)雜性,要建立精確的物理模型是困難的.當(dāng)電廠的負(fù)荷變化時(shí),物理模型的精確性會(huì)降低,并產(chǎn)生較大偏差.相比之下,ANN模型處理真實(shí)數(shù)據(jù)不僅輸入量少,而且能達(dá)到與物理模型相當(dāng)?shù)木?甚至比它更高.因此,當(dāng)負(fù)荷變化的時(shí)候,采用這樣的模型能保證較高的精確度.由于ANN模型的響應(yīng)速度較快,因此可以在線應(yīng)用,這證明：ANN完全可以應(yīng)用于燃煤鍋爐受熱面積灰的實(shí)時(shí)監(jiān)測(cè).通過(guò)分析與研究,采用來(lái)自實(shí)際電廠和ANN未知的數(shù)據(jù)組進(jìn)行了自身驗(yàn)證.驗(yàn)證結(jié)果證明ANN應(yīng)用于鍋爐受熱面積灰的實(shí)時(shí)監(jiān)測(cè)具有足夠的精度.

[1] BHAM BARE K S,SUSHANTA K M,GA ITONDE U N.M odeling ofa coal-fired natural circulation boiler[J].J.Energy Resour.Technol.,2007,129(2)：159-168.

[2] LU S.Dynam ic modeling and simulation of power plant system s[J].Proc.Inst.Mech.Eng.：Part A,1999,213(1)：7-22.

[3] 蘭澤全,曹欣玉,周俊虎,等.鍋爐受熱面沾污結(jié)渣的危害及其防治措施[J].電站系統(tǒng)工程,2001,19(1)：21-23.

[4] 朱予東,閻維平,高正陽(yáng),等.600MW機(jī)組鍋爐對(duì)流受熱面污染狀況實(shí)驗(yàn)與吹灰優(yōu)化[J].動(dòng)力工程,2005,25(2)：196-200.

[5] AFGAN N H,CAVALHO M G,COELHO P.Concepto f expert system for boiler fouling assessment[J].App lied Thermal Engineering,1996,16(10)：835-844.

[6] 胡守仁,沈清,胡德文,等.神經(jīng)網(wǎng)絡(luò)應(yīng)用技術(shù)[M].北京：國(guó)防科技大學(xué)出版社,1993：105-197.

[7] HAYKIN S.Neural netw orks,a comprehensive foundation[M].2nd ed.New Jersey：Prentice H all Inc.,1999.

[8] 黃德雙.神經(jīng)網(wǎng)絡(luò)模式識(shí)別系統(tǒng)理論[M].北京：電子工業(yè)出版社,1996：37-105.