朱龍彪,王 恒,賈民平,陳左亮
(1.南通大學(xué) 機械工程學(xué)院,南通 226019;2.東南大學(xué) 機械工程學(xué)院,南京 211189;3.大唐南京下關(guān)發(fā)電廠,南京 210011)
在我國,球磨機制粉系統(tǒng)是火電廠主要的輔助系統(tǒng)。對于中間倉儲式制粉系統(tǒng),火力發(fā)電廠廠用電占電廠總發(fā)電量的10%左右,而制粉系統(tǒng)約占廠用電的15%~20%,是電廠的耗電大戶之一,也是潛在的節(jié)能大戶[1~3]。降低制粉系統(tǒng)的能耗,實現(xiàn)經(jīng)濟優(yōu)化運行,對于電廠降低成本、提高競爭力具有重要的意義。由于制粉系統(tǒng)具有非線性、時變性和強耦合的特點,同時由于受到測量手段的局限,一些工藝參數(shù)(如料位、煤粉細度)難以在線直接測量,導(dǎo)致了用常規(guī)的機理模型來進行系統(tǒng)優(yōu)化具有一定的局限性。
球磨機制粉系統(tǒng)優(yōu)化的方法一般是根據(jù)電廠制粉系統(tǒng)的實際情況,設(shè)計和安排系統(tǒng)優(yōu)化試驗,通過試驗來確定制粉系統(tǒng)的最佳工作點和最佳運行方式[4,5]。這種優(yōu)化方法多是基于試驗基礎(chǔ)上的區(qū)間優(yōu)化或結(jié)構(gòu)參數(shù)的調(diào)整,一般可以根據(jù)實際情況對制粉系統(tǒng)進行優(yōu)化調(diào)整,指導(dǎo)實際運行。但是,需要做大量的試驗、成本高、工作量大、實驗數(shù)據(jù)分散,同時該方法并且沒有形成具有定量和適合于自動控制的參數(shù)化工況,使得系統(tǒng)的優(yōu)化和自動控制是相互獨立的。
隨著人工智能技術(shù)的發(fā)展,目前文獻出中已有基于建模法來對熱工系統(tǒng)進行優(yōu)化[6~8],其基本思路是依據(jù)系統(tǒng)的過程特性與生產(chǎn)過程中的技術(shù)要求、限制條件和安全性等,抽象出具體的數(shù)學(xué)模型,包括目標(biāo)函數(shù)、約束條件,在數(shù)學(xué)模型的基礎(chǔ)上,采用適當(dāng)?shù)膬?yōu)化算法進行系統(tǒng)的優(yōu)化求解,以獲得熱工系統(tǒng)的優(yōu)化運行參數(shù),指導(dǎo)運行人員的操作。但是上述算法中的模型都是離線得到的,并不適合在線建模和實時優(yōu)化。所謂實時優(yōu)化,就是指根據(jù)所得到的各種信息,利用計算機自動地周期性地完成優(yōu)化計算,并將最優(yōu)參數(shù)值直接送到控制器作為設(shè)定。事實上,由于電廠DCS系統(tǒng)或?qū)S玫膶崟r數(shù)據(jù)庫中保存了機組運行時所有必要的實時數(shù)據(jù),這些數(shù)據(jù)反映了機組的運行狀態(tài)信息,利用這些實時數(shù)據(jù),并通過非線性在線建模技術(shù),就能得到制粉單耗與當(dāng)前運行工況之間的數(shù)學(xué)關(guān)系。
針對目前制粉系統(tǒng)優(yōu)化方法的不足,本文基于在線神經(jīng)網(wǎng)絡(luò)建模算法,建立了制粉單耗與各種影響因素之間的非線性模型,并結(jié)合遺傳算法對上述模型進行尋優(yōu),獲得可控變量參數(shù)的優(yōu)化值,為實現(xiàn)系統(tǒng)優(yōu)化控制奠定了基礎(chǔ)。
球磨機制粉系統(tǒng)的優(yōu)化目標(biāo)是在保證系統(tǒng)安全穩(wěn)定運行的基礎(chǔ)上、在滿足鍋爐燃燒煤粉細度的前提下,使球磨機運行在高出力工況下,使得制粉單耗盡可能降低。
球磨機消耗的電網(wǎng)功率按下式計算[9]:
式中,ηcd—電動機至球磨機的傳動效率,一般可取為0.885;
ηdj—電動機效率,取為0.92;
Kr—考慮燃料性質(zhì)的系數(shù),與燃料種類和鋼球充滿系數(shù)有關(guān),對無煙煤Kr=0.95,其他的煤Kr =1.05,筒中無煤時Kr=1.0;
S—筒體和護甲的總厚度(波浪型護甲按波的中心線計算),一般有S=D/40。
根據(jù)磨煤出力和消耗的電網(wǎng)功率,可以確定磨煤單耗為:
由于給煤機電耗占制粉系統(tǒng)總電耗的比重很小,而且?guī)缀醪浑S系統(tǒng)調(diào)整而變化,一般情況下不考慮給煤機的電耗。因此,整個制粉系統(tǒng)的電耗主要包括球磨機電耗和排粉機電耗兩部分,即:制粉系統(tǒng)總電耗:Ps=Pdw+Ptf,則制粉單耗Es為:
式中,Em—磨煤單耗,KWh/t;Etf——通風(fēng)單耗,KWh/t。
由式(1)可知,鋼球磨煤機磨煤時的功率消耗與無煤空載功率消耗相差無幾。在正常的鋼球裝載系數(shù)范圍之內(nèi),磨煤功率消耗只比空載運行增加5%[9]。這是因為球磨機運動部分(帶護甲的筒體和鋼球)的質(zhì)量要比其中的燃料大許多倍,絕大部分能量消耗在轉(zhuǎn)動筒體和提升鋼球上。由此可知,球磨機的磨煤功率與磨煤出力無關(guān),而磨煤的單位電耗隨出力的增加而降低。因此,為了提高球磨機的運行經(jīng)濟性,通常要求球磨機在高出力下運行。
由式(3)可見,制粉單耗所包含的磨煤單耗和排粉單耗都與球磨機的出力有關(guān),提高制粉出力不僅可以降低磨煤單耗,也可以有效降低排粉單耗,從而降低制粉單耗,是實現(xiàn)制粉系統(tǒng)系統(tǒng)優(yōu)化的關(guān)鍵所在。因此,可將球磨機制粉系統(tǒng)優(yōu)化問題轉(zhuǎn)化為單目標(biāo)優(yōu)化問題,即在保證安全運行的基礎(chǔ)上,如何調(diào)整制粉系統(tǒng)的運行參數(shù),使得制粉單耗降低。
人工神經(jīng)網(wǎng)絡(luò)模型具有很強的非線性映射能力、自學(xué)習(xí)適應(yīng)能力、聯(lián)想記憶能力、并行信息處理能力及容錯能力,這些特點使神經(jīng)網(wǎng)絡(luò)非常適合于復(fù)雜系統(tǒng)的建模與控制,特別是當(dāng)系統(tǒng)存在不確定性因素時,更體現(xiàn)了神經(jīng)網(wǎng)絡(luò)方法的優(yōu)越性。神經(jīng)網(wǎng)絡(luò)離線建模技術(shù)在實際中已經(jīng)得到了較多的應(yīng)用,目前在線建模方法也得到了越來越多的重視。Platt提出的資源分配網(wǎng)絡(luò)(Resource Allocating Network, RAN)[10]是典型的RBF神經(jīng)網(wǎng)絡(luò)在線學(xué)習(xí)算法。V Kadirkamanathan和M Niranjan從函數(shù)空間的角度對RAN方法進行了描述,并采用擴展卡爾曼濾波器 (Extended Kalman Filter, EKF)算法[11]代替LMS算法調(diào)整網(wǎng)絡(luò)參數(shù),改進了RAN方法的收斂速度,并可以降低網(wǎng)絡(luò)的復(fù)雜性,且在函數(shù)逼近和時間序列預(yù)測方面的性能明顯優(yōu)于RAN方法,所得到的網(wǎng)絡(luò)稱為RAN-EKF。Lu針對RAN中隱節(jié)點數(shù)只增不減的缺點,提出了隱節(jié)點數(shù)可以按一定要求減少的最小資源分配網(wǎng)絡(luò)(Minimum RAN,MRAN)[12]。MRAN除滿足距離準(zhǔn)則和誤差準(zhǔn)則外,當(dāng)前網(wǎng)絡(luò)對過去多個樣本偏差都過大時,才增加新隱節(jié)點;某隱節(jié)點對多個連續(xù)輸入的樣本不被激活后就刪除該節(jié)點。
RAN、RAN-EKF和MRAN可以實現(xiàn)在線學(xué)習(xí),但這些方法存中,隱節(jié)點一旦添加就不能刪除。在線學(xué)習(xí)的情況下,隨著學(xué)習(xí)時間的增加,網(wǎng)絡(luò)的隱節(jié)點將越來越多,其中相當(dāng)一部分隱節(jié)點可能是無用的或冗余的。根據(jù)神經(jīng)網(wǎng)絡(luò)泛化理論,在滿足學(xué)習(xí)精度的情況下,網(wǎng)絡(luò)的規(guī)模越大,不僅會浪費系統(tǒng)資源,更會導(dǎo)致泛化能力變差。MRAN對隱節(jié)點的刪除做了簡單處理,但存在誤刪隱節(jié)點的可能性。此外,由于RAN、RANEKF和MRAN只用最新的單個樣本訓(xùn)練網(wǎng)絡(luò),容易陷入局部最優(yōu),且抗劣質(zhì)樣本能力較差。另外,在數(shù)據(jù)中心調(diào)節(jié)過程中,部分數(shù)據(jù)中心的位置可能與網(wǎng)絡(luò)中其他數(shù)據(jù)中心趨于重合,還有部分數(shù)據(jù)中心可能移出正常工作區(qū)域,這都將浪費系統(tǒng)資源并影響網(wǎng)絡(luò)的泛化能力。
因此,比較合理的在線建模方法是在學(xué)習(xí)過程中使用最近的多個樣本,并動態(tài)調(diào)節(jié)網(wǎng)絡(luò)參數(shù):在當(dāng)前網(wǎng)絡(luò)對樣本偏差過大時在線生成隱節(jié)點;當(dāng)偏差較小時,調(diào)節(jié)數(shù)據(jù)中心、輸出權(quán)值和偏移,消除誤差;當(dāng)網(wǎng)絡(luò)中產(chǎn)生重合的隱節(jié)點時,合并冗余的節(jié)點;刪除對多個連續(xù)輸入的樣本不被激活的隱節(jié)點。基于上述思想,魏海坤提出了一種RBF網(wǎng)絡(luò)在線建模算法—資源優(yōu)化網(wǎng)絡(luò)(Resource Optimized Network, RON)[13,14],本文基于RON算法對制粉單耗進行在線建模與監(jiān)測。
制粉單耗的影響因素有很多,其與球磨機出力、筒內(nèi)料位、鋼球裝載量、鋼球直徑及配比、系統(tǒng)通風(fēng)量、粗粉分離器折向門開度、煤種及煤質(zhì)等諸多因素相關(guān)。這些影響因素歸納起來可以分為兩類,即設(shè)備參數(shù)和運行參數(shù)。設(shè)備參數(shù)主要是指鋼球裝載量、鋼球直徑配比、煤種和粗粉分離器擋板開度等設(shè)備相關(guān)參數(shù),這些參數(shù)在運行時基本不會發(fā)生改變或者是隨時間緩慢變化;運行參數(shù)主要是指進出口壓差、磨電流、出口溫度等實時參數(shù),這些參數(shù)直接反映了球磨機當(dāng)前的運行狀況。
在煤種穩(wěn)定的情況下,原煤水分和可磨性系數(shù)的變化對制粉單耗的影響不是主要因素,可以忽略這些因素的影響;現(xiàn)場實際運行中,當(dāng)煤粉細度滿足要求時,粗粉分離器折向門開度一般維持在某個固定值,不需要經(jīng)常變動;鋼球裝載量和直徑配比是慢時變過程,通過對球磨機電流的監(jiān)測,定期補充一定數(shù)量的鋼球,可以基本維持不變,鋼球裝載量變化的影響可以不予考慮。因此,在上述影響因素穩(wěn)定或者忽略不計的情況下,制粉單耗的主要影響因素歸結(jié)為球磨機出力、系統(tǒng)通風(fēng)量和料位。
綜上所述,采用球磨機出口溫度反映煤粉干燥能力,用給煤量、球磨機電流表征磨煤能力,用筒體振動有效值、進出口壓差反映筒內(nèi)料位的變化,用球磨機入口負壓和排粉機電流來反映系統(tǒng)的通風(fēng)量。因此,選取球磨機電流、筒體振動信號、排粉機電流、球磨機出口溫度、入口負壓﹑進出口壓差和給煤量這7個過程參數(shù)作為資源優(yōu)化網(wǎng)絡(luò)模型的輸入變量,將制粉單耗作為模型的輸出變量,制粉單耗在線監(jiān)測模型結(jié)構(gòu)如圖1所示。該模型反映了系統(tǒng)當(dāng)前工況與制粉單耗之間的非線性映射關(guān)系。
圖1 制粉單耗在線監(jiān)測模型結(jié)構(gòu)
為了獲取制粉單耗建模的數(shù)據(jù)樣本,以某電廠135MW機組球磨機系統(tǒng)作為試驗對象,進行制粉出力全負荷的測試試驗。其中,球磨機筒體振動信號由現(xiàn)場同步采集,采集方法可參見文獻[15],其他工藝量數(shù)據(jù)由電廠DCS系統(tǒng)的工程師站獲得。實驗開始時,調(diào)整現(xiàn)場采集計算機時間,使其與DCS系統(tǒng)時間保持一致。最后,將同一時刻采集的筒體振動數(shù)據(jù)和其余工藝量數(shù)據(jù)作為一組樣本,制粉單耗離線計算求得。試驗中球磨機的相關(guān)參數(shù)如表1所示。
表1 球磨機相關(guān)參數(shù)
選取給煤量為45t/h的工況下所獲得的試驗樣本數(shù)據(jù)50組,前40組數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本,后10組數(shù)據(jù)用來驗證模型的泛化能力。在建模之前,輸入、輸出數(shù)據(jù)都進行歸一化處理。
RON 算法的參數(shù)選擇為:γ =0.97,L=10,εmin=0.001,δmax=18,δmin=1,κ=0.3,η=0.5,Cmax=100,max Epoch=200,Δcmin=Δrmin=0.01。模型計算結(jié)果如表2所示。
由表2可見,對于驗證樣本,RON建模結(jié)果的最大相對誤差為0.33%,建模的精度非常高。因此,可以認為建立的神經(jīng)網(wǎng)絡(luò)模型具有良好的泛化能力。
表2 制粉單耗實際值與模型值的比較
為了便于比較,在Matlab運行環(huán)境下,給出RON算法與RBF網(wǎng)絡(luò)離線學(xué)習(xí)的正交最小二乘法算法(Orthogonal Least Square algorithm, OLS)、資源分配網(wǎng)絡(luò)算法(RAN)的辨識結(jié)果比較,定義性能指標(biāo)PER如式(4),比較結(jié)果如表3所示。
表3 幾種算法的辨識結(jié)果比較
由表3可見,無論是訓(xùn)練誤差還是最終的隱節(jié)點RON都要優(yōu)于RAN和OLS算法。在獲得較高建模精度的同時,也獲得了優(yōu)化的網(wǎng)絡(luò)結(jié)構(gòu)。盡管CPU運行時間上,RON算法要慢于OLS和RAN算法,但是由于球磨機系統(tǒng)對象時間常數(shù)比較長、慣性較大,故RON的運算速度是可以滿足工程實際建模需要的。
應(yīng)用已訓(xùn)練好的制粉單耗模型來優(yōu)化球磨機系統(tǒng)是從輸出到輸入,即求取在給定條件下當(dāng)制粉單耗達最小時,各輸入?yún)?shù)所對應(yīng)的工況。因此,球磨機系統(tǒng)優(yōu)化的問題轉(zhuǎn)化成給定條件下使得目標(biāo)函數(shù)制粉單耗最小的優(yōu)化問題,優(yōu)化參數(shù)采用決策模型中所選取的7個參數(shù)。在保證球磨機系統(tǒng)安全運行的前提下,同時兼顧現(xiàn)有的運行情況和設(shè)備狀況,每一個優(yōu)化參數(shù)都有一定的運行范圍,這樣就構(gòu)成了優(yōu)化的約束條件。設(shè)優(yōu)化參數(shù)為Xi(i=1,2,…,7),每一個參數(shù)范圍設(shè)定為[ai,bi]。
綜上所述,球磨機系統(tǒng)優(yōu)化問題可以描述為:
式中,Es為制粉單耗(KWh/t),f表示已訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)所建立的非線性映射關(guān) 系;Xi(i=1,2,…,7)為優(yōu)化參數(shù),[ai,bi]是每個優(yōu)化參數(shù)所對應(yīng)的約束條件。
在對球磨機系統(tǒng)進行不同工況測試的基礎(chǔ)上,對已建立的制粉單耗優(yōu)化模型利用遺傳算法進行尋優(yōu)。遺傳算法優(yōu)化的主要步驟如下:
1) 參數(shù)編碼
在研究的實際問題中,需要尋優(yōu)的參數(shù)就是神經(jīng)網(wǎng)絡(luò)模型的7個輸入量,同時分別對待尋優(yōu)參數(shù)進行范圍限制,以保證系統(tǒng)在有效的范圍內(nèi)尋求最優(yōu)參數(shù)或次優(yōu)參數(shù),采用固定長度的二進制編碼的方式。
2 )初始群體的設(shè)定
根據(jù)先驗知識對參數(shù)的取值進行限制,然后在滿足這些要求的解中隨機選取,即待尋優(yōu)參數(shù)范圍的確定是參數(shù)的合理范圍,初始種群從該范圍內(nèi)隨機選取。用這種方式產(chǎn)生初始種群可使遺傳算法更快地到達最優(yōu)解。
3) 適應(yīng)度函數(shù)的設(shè)計
適應(yīng)度函數(shù)是根據(jù)目標(biāo)函數(shù)確定的用于區(qū)分群體中個體好壞的標(biāo)準(zhǔn),是算法演化過程的驅(qū)動力,也是進行自然選擇的惟一標(biāo)準(zhǔn)。球磨機系統(tǒng)優(yōu)化的目標(biāo)是尋求最優(yōu)運行參數(shù)值,使得制粉單耗最小,這是目標(biāo)函數(shù)最小化問題。因此,適應(yīng)度函數(shù)可以直接取為制粉單耗,即
4)遺傳操作
圖2 制粉單耗遺傳算法尋優(yōu)過程
遺傳操作主要包括選擇、交叉和變異。選擇運算采用比例選擇算子、交叉運算采用單點交叉算子、變異運算采用基本變異算子。
5)算法控制參數(shù)的設(shè)定
遺傳參數(shù)設(shè)置: 遺傳代數(shù)G=200,群體規(guī)模N=100,交叉概率Pc=0.6,突變概率Pm=0.10。
制粉單耗遺傳算法尋優(yōu)過程如圖2所示。由遺傳算法優(yōu)化優(yōu)化得到的結(jié)果如表4所示(只列出可控參數(shù))。同時為了便于比較,表4中列出了試驗中獲得的制粉單耗最小的實際工況參數(shù)。
表4 遺傳算法優(yōu)化結(jié)果
由表4可見,通過遺傳算法優(yōu)化得到的制粉單耗比實際運行中的最小制粉單耗低0.34 KWh/t。經(jīng)計算,優(yōu)化后的制粉單耗比測試試驗中的平均單耗低0.84KWh/t,此機組年耗煤量為40萬噸,上網(wǎng)電價為0.38元/千瓦時,則年效益可增加:
ΔP=4×105×0.38×0.84=127,680(元)
針對目前制粉系統(tǒng)優(yōu)化算法的不足,引入神經(jīng)網(wǎng)絡(luò)非線性在線建模技術(shù),提出了一種基于改進資源分配網(wǎng)絡(luò)算法的球磨機系統(tǒng)在線優(yōu)化算法?;谫Y源分配網(wǎng)絡(luò)算法獲得制粉單耗與過程參數(shù)之間的非線性映射關(guān)系,在此基礎(chǔ)上,建立起球磨機系統(tǒng)在線監(jiān)測模型,并利用遺傳算法對決策模型進行尋優(yōu),獲得優(yōu)化運行參數(shù)。優(yōu)化結(jié)果表明,該算法能有效地降低制粉單耗,較之傳統(tǒng)優(yōu)化算法更為簡單實用,并且獲得料位、入口負壓和出口溫度等可控變量參數(shù)的優(yōu)化值,為實現(xiàn)系統(tǒng)優(yōu)化控制奠定了基礎(chǔ)。
[1] Peltier R.Coal plants work to stay competitive, compliant[J].Power, 2003, 147(1): 35-45.
[2] Leonard G.Austin, Heechan Cho.An alternative method for programming mill models[J].PowerTechnology, 2002,122(2-3): 96–100.
[3] M.A.Van Nierop, M.H.Moys.Exploration of mill power modeled as function of load behaviour[J].Minerals Engineering, 2001, 14(10): 1267-1276.
[4] 周名亮.300MW機組中儲式制粉系統(tǒng)優(yōu)化運行的試驗研究[J].上海電力學(xué)院學(xué)報, 2006, 22(3): 217-220.
[5] 吳東垠, 盛宏至, 魏小林, 等.燃煤鍋爐制粉系統(tǒng)的優(yōu)化運行試驗[J].中國電機工程學(xué)報, 2004, 24(12): 218-221.
[6] 羅子湛, 何祖威.基于系統(tǒng)辨識的中儲式制粉系統(tǒng)的運行優(yōu)化[J].重慶大學(xué)報, 2005, 28(1): 60-64.
[7] 劉定平, 肖蔚然, 陸繼東.基于煤粉細度反饋控制的制粉系統(tǒng)優(yōu)化[J].華南理工大學(xué)學(xué)報, 2007, 35(6):34-37.
[8] 禤莉明,卓小芳,何祖威.基于遺傳算法的火電機組制粉系統(tǒng)運行優(yōu)化[J].系統(tǒng)仿真學(xué)報,2007,19(1): 156-158.
[9] 范從振.鍋爐原理[M].北京: 中國電力出版社, 1985: 48-62
[10] Platt J.A resource allocating network for function interpolation[J].Neural Computa, 1991(3): 213-225.
[11] Kadirkamanathan V, Niranjan M.A function estimation approach to sequential learning with neural network[J].Neural Computa, 1993(5): 954-975.
[12] Lu Y, Sundararajan N, Saratchandran P.Analysis of minimal radical basis function neural network algorithm for real-time identif i cation of nonlinear dynamic system [J].IEEE Proc.Control Appl., 2000, 147(4): 476-484.
[13] 魏海坤, 徐嗣鑫, 宋文忠.基于RBF網(wǎng)絡(luò)的火電機組實時成本在線建模方法[J].中國電機工程學(xué)報, 2004, 24(7):246-252.
[14] 魏海坤, 丁維明, 宋文忠, 等.RBF網(wǎng)的動態(tài)設(shè)計方法[J].控制理論與應(yīng)用, 2002, 19(5): 673-680.
[15] Peng Huang, Minping Jia, Binglin Zhong.Investigation on measuring the fill level of an industrial ball mill based on the vibration characteristics of the mill shell[J].Minerals Engineering,2009, 22(14): 1200-1208.