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)換及其過程測控教育部重點實驗室，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[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。鍋爐效率是衡量鍋爐運行狀態(tài)的重要指標，也是鍋爐燃燒優(yōu)化的重要目標。傳統(tǒng)的鍋爐優(yōu)化方法主要通過專家經(jīng)驗，采用交叉試驗或單因素輪回試驗對燃燒工況進行優(yōu)化調(diào)整[2-3]，不僅費時費力，而且試驗工況有限，一旦鍋爐煤種或運行狀態(tài)發(fā)生變化，原有的優(yōu)化試驗結(jié)果即失效。因此為了更好地對鍋爐效率進行優(yōu)化，采用啟發(fā)式算法對鍋爐進行參數(shù)尋優(yōu)是目前較好的方法之一，要求首先構(gòu)建鍋爐運行參數(shù)與鍋爐效率之間的實時計算模型。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算鍋爐熱效率的方法，該方法無需進行煤質(zhì)測試，具有良好的實時性，但其依賴于對過熱蒸汽與再熱蒸汽的測量，大型設(shè)備需安裝大量測點。王詣[5]針對鍋爐效率計算中灰渣含碳量難以獲得的問題，研究了基于圖像處理技術(shù)的灰渣含碳量快速檢測系統(tǒng)，并對鍋爐效率反平衡計算進行簡化分析，建立了鍋爐效率的實時計算模型。趙國強[6]利用極限學(xué)習(xí)機方法對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算模型，得到實時的鍋爐效率計算結(jié)果。也有學(xué)者采用機器學(xué)習(xí)算法對鍋爐效率進行計算，如混合最小二乘支持向量機[7]、分布式極限學(xué)習(xí)機[8]、神經(jīng)網(wǎng)絡(luò)[9-12]、支持向量機[13-14]等，這些研究將鍋爐效率直接作為機器學(xué)習(xí)模型的輸出，但實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算模型。這些研究促進了電廠鍋爐智能化運行的發(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時鍋爐效率計算方法，本文利用遺傳算法改進神經(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，計算鍋爐的煙氣熱損失與固體不完全燃燒熱損失，并對文獻[4]提出的鍋爐效率計算方法進行改進，減少計算模型所需的測量數(shù)據(jù)，降低鍋爐的改造成本。

1 目標鍋爐與燃燒系統(tǒng)

鍋爐特征參數(shù)的選擇對構(gòu)建鍋爐效率的計算模型十分重要，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，分別對應(yīng)6個磨煤機，每個磨煤機與2層燃料空氣(FA)和一次風(fēng)出口連接。每個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輔助空氣(AA)，2個燃燒器頂部是緊湊燃盡風(fēng)(CCOFA)。 6個燃燒器分別記為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位置由一個測點測量。鍋爐的過熱段和再加熱段產(chǎn)生蒸汽，過熱段包含一、二、三級過熱器，再熱段包含一、二級再熱器。燃燒器布置在4個角落，通常同一層上4組燃燒器的風(fēng)門同步運行。擋板的制動以及當前位置的測量直接在爐壁內(nèi)設(shè)備的機械驅(qū)動器內(nèi)進行。

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號參數(shù)作為樣本特征，其中，負荷代表鍋爐不同發(fā)電負荷下的工況，爐膛氧量表示氧量對鍋爐燃燒的影響，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號參數(shù)為鍋爐配風(fēng)方式對鍋爐燃燒的影響；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算。

表1 樣本特征

2 數(shù)據(jù)預(yù)處理

從實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。由于故障或測量儀器原因，直接采集的數(shù)據(jù)通常存在與相鄰數(shù)據(jù)點差異較大的明顯異常點，采用基于數(shù)學(xué)統(tǒng)計學(xué)的3σ原則剔除異常值：假設(shè)某一樣本含有n個數(shù)據(jù)，平均值為μ，標準差為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，機組的負荷也會發(fā)生變化，穩(wěn)態(tài)工況會受到破壞。鍋爐的非穩(wěn)態(tài)工況一般無法準確反映輸入量與被輸入量之間的關(guān)系，若直接用于建模，會對模型預(yù)測精度產(chǎn)生嚴重影響，因此，建模前需要判別穩(wěn)態(tài)工況、篩選穩(wěn)態(tài)工況點。本文利用滑動窗口法判別穩(wěn)態(tài)工況，通過選擇某一合適的窗口寬度并進行滑動，計算每次滑動后窗口內(nèi)數(shù)值的標準差，若標準差過大，則該點處于非穩(wěn)態(tài)工況。根據(jù)電站鍋爐性能試驗規(guī)程，1 000 MW鍋爐機組穩(wěn)態(tài)蒸發(fā)量最大允許波動范圍為±2%。窗口內(nèi)負荷波動低于2%時，認為窗口內(nèi)工況穩(wěn)定。對于已完成異常值與非穩(wěn)定工況點剔除的數(shù)據(jù)，由于數(shù)據(jù)樣本量較大且樣本點均處于穩(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，降低模型的計算量，需要對其進行相似度處理，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 鍋爐效率計算

為了對鍋爐效率進行優(yōu)化，建立鍋爐運行參數(shù)與鍋爐效率之間的實時計算模型十分重要。文獻[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算方法，實時性強，但該方法依賴于對過熱蒸汽與再熱蒸汽的測定，需安裝大量測點，安裝與維護成本較高，部分電廠不具備相關(guān)條件。本文鍋爐效率計算公式為

(2)

(3)

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

固體不完全燃燒熱損失Qs計算公式為

(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)系進行計算[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)為鍋爐運行氧量，%。

4 遺傳算法改進的神經(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，無法準確獲取，因此，考慮引入遺傳算法對神經(jīng)網(wǎng)絡(luò)進行優(yōu)化。

遺傳算法(GA)是一種智能算法，可通過模擬自然演化過程來搜索最佳解。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)的測試誤差作為種群適應(yīng)度代入遺傳算法的進化過程并生成新的種群，將新的種群加入BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，直至網(wǎng)絡(luò)的測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 鍋爐效率計算流程Fig.4 Flow chart of boiler efficiency calculation

5 結(jié)果與分析

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

圖5 排煙溫度、飛灰含碳量煤質(zhì)灰分測試樣本的驗證結(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)測結(jié)果可滿足大部分樣本的預(yù)測需求。對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)測試次數(shù)較少，為了充分利用電廠的運行數(shù)據(jù)，將某一時刻的測試數(shù)據(jù)擴展到其他時刻，因此造成部分樣本數(shù)據(jù)偏差較大。以實際的測試數(shù)據(jù)為基準，3倍平均相對誤差為范圍，圖5(b)、(c)中超過實際測試數(shù)據(jù)3倍平均相對誤差的預(yù)測數(shù)據(jù)標記為“+”，被標記的數(shù)據(jù)視為由于數(shù)據(jù)推測引起的誤差。飛灰含碳量的測試樣本中的推測誤差數(shù)據(jù)占7.07%，煤質(zhì)數(shù)據(jù)測試樣本的推測誤差數(shù)據(jù)占5.13%。

圖6為電廠某一天的鍋爐效率隨時間的變化(R為實際蒸發(fā)量與額定蒸發(fā)量的比值)。可以看出，鍋爐效率與實際蒸發(fā)量的變化近似一致。鍋爐的實際蒸發(fā)量下降時，鍋爐效率降低，這可能與鍋爐蓄熱有關(guān)，負荷降低導(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，鍋爐的實際蒸發(fā)量在60%以上額定蒸發(fā)量時，鍋爐效率易保持在較高水平。

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

6 結(jié) 論

1)對所運行的鍋爐進行分析研究，選擇合適的鍋爐燃燒運行特征作為樣本特征。

2)根據(jù)特征采集相應(yīng)數(shù)據(jù)，并對數(shù)據(jù)進行剔除異常值、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)利用遺傳算法改進的神經(jīng)網(wǎng)絡(luò)算法計算排煙溫度、飛灰含碳量與煤質(zhì)灰分，進而計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算模型中得到鍋爐效率。計算所得的鍋爐效率變化與實際蒸發(fā)量變化近似一致。鍋爐的實際蒸發(fā)量下降時，鍋爐效率降低。鍋爐的實際蒸發(fā)量在60%以上額定蒸發(fā)量時，鍋爐效率易保持在較高水平。

4)計算結(jié)果表明該方法可操作性與實時性強，且精度符合預(yù)測需求，可滿足電廠對鍋爐效率的日常監(jiān)測要求。