电站锅炉运行性能综合预测模型.doc

电站锅炉运行性能综合预测模型第26卷第1期2006年2月动力工程JournalofPowerEngineeringVo1.26No1Feb.20()6文章编号:1000.6761(2006)01.084.05电站锅炉运行性能综合预测模型张毅,丁艳军,张鸿泉,吴占松,仇韬,孔亮(1.清华大学热能工程系,北京100084;2.河南电力试验研究院,郑州450052)摘要:采用人工神经网络提出了一种预测电站锅炉运行性能的综合模型方法.在对某台200MW电站燃煤锅炉进行多工况热态正交试验的基础上,采用BP网络建立了预测锅炉运行性能包括排烟温度,飞灰含碳以及氮氧化物(NO)排放的综合模型.由于综合模型采用了锅炉排烟温度预测模型的输出为中间变量,并作为另外两个模型的输入,因而大大提高了整个模型的预测精度.数据测试和定量分析表明:该模型是有效的,具有较高的精度.该模型目前已经成功应用于现场实际的锅炉运行优化监督控制,有效地提高了锅炉的运行性能.图4表6参9关键词:动力机械工程;锅炉;NO;飞灰含碳;人工神经网络中图分类号:TK31文献标识码:AAnIntegrativeModelforPredictingthePerformanceofUtilityBoilersZHANGYi,DINGYan-jun,ZHANGHong-quan.,WUZhan-song,QIUTao,KONGLiang(1.DepartmentofThermalEngineering,TsinghuaUniversity,Beijing100084,China;2.HenanInstituteofPowerTestingandResearch,Zhengzhou450052,China)Abstract:Anintegrativemodelingmethod,usingartificialneurnetworks,forpredictingtheperformanceofboilersisbeingproposed.Onthebasisoforthogonaltestsofa200MWcoalfiringutilityboiler,undervariousmodesofoperation,anintegrativeBPmodelhasbeenbuiltforpredictingaboilerSperformance,includingtheexhaustgastemperature,carboncontentoftheflyashandNOemission.BecausetheboilerSexhaustgastemperatureistakenastheintermediatevailable,tobeusedastheinputoftwoothermodels,thepredictiveprecisionofthewholemodelismarkedlyraised.Dataloggedtestsandquantitativeanalysesshowthattheproposedmodeliseffectiveandhasarelativelyhighaccuracy.Itisalreadybeingsuccessfullyusedinpracticalonsiteapplication,formonitoringoptimizedoperationofboilers,andisthuseffectivelyraisingtheboilersoperationalperformance.Figs4,tables6andrefs9.Keywords:powerandmechanicalenneefing;boiler;NO;carboncontentofflyash;artificialneuralnetwork在我国,由于电站锅炉热力优化试验时间间隔较长,设备改造频繁,燃烧煤种不稳定,运行中的积灰,结渣,漏风等问题而使运行工况偏离试验工况,因此我国电站锅炉普遍存在运行效率低,NO排放偏高的缺点,有较大的优化空间和节能潜力.而建立准确的锅炉运行性能在线预测模型,是指导机组收藕日期:2005.04.04修订日期:2005.O823基金项目:国家自然科学基金资助项目作者简介:张毅(1980.),男,江苏人,博士研究生.运行,优化控制的基础和关键.锅炉性能预测模型基本可分为机理模型和经验模型.机理模型以计算流体动力学模型(CFD)为主,它能够帮助设计人员优化锅炉设计和改造,但由于机理复杂,计算过于耗时,尚无法满足锅炉运行优化控制的实时性要求.经验模型主要是基于试验数据的非线性建模,由于其精度高,计算速度快,通用性和自适应性强等优点受到了广泛的关注和研究?.本文在对某台200MW电站燃煤锅炉进行多工第1期张毅,等:电站锅炉运行性能综合预测模型况热态正交试验的基础上,应用人工神经网络建立了一个综合模型,对锅炉排烟温度,飞灰含碳以及NO排放等进行预测.结果表明该方法能够准确预测不同工况下锅炉的运行性能和NO排放,具有不依赖于锅炉燃烧机理,计算速度快,通用性强的优点,能够满足锅炉燃烧优化系统的要求.1人工神经网络和BP学习算法人工神经网络是由大量模拟生物神经元的人工神经元广泛互联而成的网络,由于其对任意非线性函数的拟合能力和良好的泛化能力,以及对复杂问题具有自学习和自适应能力,在非线性系统建模方面得到了广泛的研究和应用.由于BP网络具有很强的非线性拟合能力,而且学习算法简单,便于计算机实现,所以目前大多数神经网络模型采用BP网络或它的变化形式.BP算法即误差反向传播算法,由给定的样本计算网络输出,若与期望输出不符即得出误差,此误差信号即作为修正各连接权值的依据,误差反向传播,权值不断调整的过程也就是网络的学习训练过程,一直进行到满足期望的误差指标或预先设定的学习次数为止.图1为1个3层BP网络,图中_l,为输入层与隐层之间的权值,i为隐层与输出层之间的权值.隐层图13层BP网络结构示意图Fig1SchematicsketchofathreelayerBPneuralnetwork是研究与处理多因素试验的一种科学方法,利用规格化的表格.正交表,科学地挑选试验条件,合理安排试验,可以达到减少试验次数,取得最优结果的目的.由于锅炉在不同负荷下运行性能有较大的差异,故在3种典型负荷下进行了试验,基本覆盖机组的运行范围,能很好地反映锅炉在大范围工况变化下的运行性能.试验共安排了54组,其中118组为95%负荷试验工况,l936组为8O%负荷试验工况,3754组为70%负荷试验工况,表1所示为部分试验工况数据.试验测量了锅炉排烟温度,NO排放,飞灰含碳量等,表2为部分试验测量数据.由于试验时为保证锅炉安全运行,各工况下烟气氧量相对较高,故飞灰含碳量较低.2锅炉热态试验3人工神经网络建模作者针对某台200MW四角切圆燃煤锅炉进行了热态多工况试验,采用正交试验方法,对烟气氧量,二次风压,磨煤机出口温度和3,4层给粉机转速等多个控制量进行了变工况试验.正交试验方法图2所示为预测电站锅炉运行性能的综合模型,其中神经网络A用于预测锅炉排烟温度,神经网络B和C用于预测锅炉飞灰含碳量和NO排放.通过数据相关分析发现,锅炉排烟温度与飞灰含碳表1现场热态试验数据Tab.1Onsitehottestdata.86.动力工程第26卷炉膛出口烟温神经网络A预测值烟气氧量一次风压效磨煤机出口风温一l,【1盥曩笙三层给粉机转速一神经网络Bll计I算四层给粉机转速J煤灰分煤热值炉膛出口烟温一?煤挥发分负荷测量值1:j神经网络clx预测图2锅炉运行性能和NO排放神经网络模型Fig2NeuralnetworkmodelforboilerspertbrmanceandNOemission以及NO排放具有很强的相关性,因此排烟温度作为飞灰含碳以及NO排放预测模型的输入之一.在模型训练阶段,为提高模型精度,采用_实际测量的锅炉排烟温度作为神经网络B和C的输入.但是当该综合模型用于运行监督优化控制时,只有烟气氧量,二次风压,3,4层给粉机转速,磨煤机出口风温等控制量可调,才能作为模型输入,此时锅炉排烟温度只是受这些调节量控制而需要预测的未知变量之一.对此,本文首先利用神经网络A预测锅炉排烟温度,再把它作为神经网络B和C的输入,如图2中虚线所示,预测锅炉飞灰含碳量和NO排放,最后经过进一步计算可以得到锅炉效率.上述综合模型算法可以描述为:,=(D)C=(肘,D)NO=:(,D)=(,D,)式中表示烟气氧量,二次风压,3,4层给粉机转速,磨煤机出口风温等控制量,D,表示燃煤热值,灰份,挥发份和负荷等干扰量,为预测锅炉排烟温度的神经网络A,为排烟温度预测值,为预测飞灰含碳的神经网络曰,c为飞灰含碳量预测值,为预测NO排放的神经网络C,NO为排放预测值,为锅炉效率计算函数,为效率.其中,.,.均根据试验数据建立.人工神经网络模型的建立过程分为输入输出量选取,数据预处理,模型训练与测试等.3.1输入输出量选取试验发现影响锅炉性能的主要因素为烟气氧量,二次风压,三四层给粉机转速,磨煤机出口风温等控制鼍.由于现阶段国内电站锅炉燃煤相对紧缺,导致试验中燃烧煤种发生了一定的变化,另外负荷对锅炉运行特性也有很大的影响,所以将燃煤的热值,灰份,挥发份和负荷等作为模型的扰动量加以考虑.选取烟气氧量,二次风压,3,4层给粉机转速,磨煤机出口风温,负荷,煤热值,灰份,挥发份等9个变量作为神经网络A的输入,输出为锅炉排烟温度.锅炉排烟温度是反映锅炉燃烧情况的一个重要因素,故选取烟气氧量,二次风压,3,4层给粉机转速,磨煤机出口风温,负荷,煤热值,灰份,挥发份,锅炉排烟温度等l0个变量作为神经网络B和C的输入,输出为飞灰含碳量和烟气NO排放.3.2数据预处理通过归一化将输入,输出数据限制在一1,1区间内,使网络训练一开始就给各输入分量以同等重要的地位,还可以防止因净输入的绝对值过大而使神经元输出饱和,从而防止权值调整进入误差曲面的平坦区.第J期张毅,等:电站锅炉运行性能综合预测模型.87.咄蝾吾训练集测试集最优模型点A图3训练飞灰含碳预测神经网络时的误差曲线Fig3ErrorCu/Wesduringneuralnetworktrainingforpredictingcarboncontentofflyash3.3模型训练与测试人神经网络主要用于预测锅炉运行性能,所以网络性能的好坏主要应看其是否具有很好的泛化能力,对泛化能力的测试不能用训练集的数据进行,而要用训练集以外的测试数据来进行检验.本文将可用试验数据样本随机分为2部分:一部分为训练集用来进行网络的学习训练;另一部分为测试集用来测试网络的泛化能力.如果网络对训练集误差很小,而对测试集的误差很大,说明网络已被训练得过度吻合,此时网络泛化能力较差,无法准确预测锅炉性能,所以模型的训练误差和测试误差同时达到最小值时模型最优.图3为训练飞灰含碳预测神经网络时的训l练误差曲线和测试误差曲线,当处于图中A点时,测试误差最小,因此可以停止训练;否则,尽管圳练误差能够不断减小,但由于模型被过度训练,将使得测试误差增加.对于神经网络A的训练,选用9个输入节点,1个输出节点的BP网络结构.随机选取热态试验数据中的47组作为神经网络的训练样本,7组为测试样本.采用BP算法,经过多次训练确定,隐层,输出层均采用sigmoid激励函数,隐层节点数为3时神经络泛化能力最强.表3所示为锅炉排烟温度测试样本测量值与网络预测值的比较,最大相对误差为1.93%,所以该模型能够准确预测锅炉排烟温度同样采用BP神经网络,选用10个输入节点,1个输出节点,3个隐层节点的BP网络结构,实现对锅炉飞灰含碳和NO排放的预测.表4为飞灰含碳量测试样本测量值与网络预测值的比较,表5为NO测试样本测量值与网络输出值的比较,结果表明该模型能实时,准确预报锅炉在不同工况下的飞灰含碳量和烟气NO排放特性,能够满足锅炉燃烧优化系统的要求.基于预测得到的锅炉排烟温度和飞灰含碳量,进一步汁算锅炉效率,结果如表6所示,表明该方法能够准确预测锅炉效率,可作为锅炉燃烧优化的基础.4模型分析为进一步检验锅炉运行性能预测综合模型的有效性,通过模型详细分析了各个控制变量与运行性能之间的关系.图4为通过模型计算出的烟气含氧量与飞灰含碳量和NO排放的关系.表3锅炉排烟温度预测值与测试样本实测值比较Tab.3Comparisonbetweenpredictedandfactualexhaustgastemperature表4飞灰含碳量预测值与测试样本实测值E匕较Tab.4Comparisonbetweenpredictedandfactualsamplesofmeasuredcarboncontentofflyash表5NO排放预测值与测试样本实测值比较Tab.5ComparisonbetweenpredictedandfactualsamplesofmeasuredNOemission动力工程第26卷表6锅炉效率预测值与实际值比较Tab.6Comparisonbetweenpredictedandfactualmeasuredboilerefficiency,删强缸图4飞灰含碳量和NO随烟气氧量变化情况Fig4CarboncontentofflyashandNOxemissionvsoxygencontentintheexhaustgas从图中可以看出:随着烟气氧量的降低,烟气NO排放有所降低,但烟气氧量降低又会带来燃烧不充分飞灰含碳量升高的负面影响,这与理论分析结果一致.所以在当前高效低污染的运行要求下,必须对烟气氧量以及其它所有影响锅炉运行性能的调节量进行优化,而基于该模型进行监督优化控制即可达到目的.输入机组当前负荷,燃用煤种等锅炉运行参数情况,根据不同的优化目标,如NO排放不超过限值的前提下锅炉效率最高:max17s.t.:A场实际的锅炉运行监督控制.实际应用中该模型还可以用作软件传感器,预测锅炉飞灰含碳,NO排放等,或进一步计算锅炉效率以及了解锅炉污染排放情况等.5结论(1)应用本文方法建立的锅炉运行性能预测综合模型,与实际锅炉运行特性一致,并具有计算速度快,精度高的优点,能够满足锅炉运行性能实时预测和优化控制的要求.(2)由于采用了综合预测模型,利用锅炉排烟温度预测值作为其它两个预测模型的输入,因而有效提高了整个模型的预测精度.(3)本文建立的模型仅适用于锅炉稳态运行优化控制,对于动态变化过程中的锅炉机组优化控制,需要采用动态控制方法实时优化运行,这在本文的后续研究中将深入进行,但本文建立的稳态预测模型,仍然是动态控制模型的一个主要部分.参考文献: