陳 斌，王樹宇，劉林濤，朱 偉，董瑀非

（1.桐鄉(xiāng)泰愛斯環(huán)保能源有限公司，浙江 嘉興 314500；2.能源清潔利用國家重點實驗室（浙江大學），杭州 310027）

0 引言

CFB（循環(huán)流化床）鍋爐采用工業(yè)化程度最高的潔凈煤技術，燃燒效率高，NOX等污染物排放低，燃料適應性廣（可摻燒污泥、垃圾等非煤炭燃料）［1］，目前在我國熱電廠中廣泛應用。一方面，由于對入爐煤煤質要求不高，CFB 鍋爐的燃煤多為灰分較高、水分較大的難燃煤種（如無煙煤或煙煤等），燃用此類燃煤時往往會增加鍋爐灰渣量，且灰渣中的可燃物含量也會增多［2］；另一方面，國內熱電廠技術力量和運行水平相對較為薄弱，在日常運行中存在鍋爐性能浪費的現(xiàn)象。能夠獲取實時的鍋爐效率，對于指導鍋爐運行調整、獲得更佳的經(jīng)濟效益有非常重要的意義［3］，而飛灰含碳量和爐渣含碳量是影響鍋爐效率的重要數(shù)據(jù)指標之一。

目前國內熱電廠多采用人工檢測法、光學檢測法等方法進行飛灰含碳量的檢測，在線監(jiān)測多采用灼燒法在線監(jiān)測裝置，但此類方法存在準確度不夠和滯后性嚴重的問題［4］。圖1為國內某發(fā)電廠的飛灰含碳量在線監(jiān)測裝置測得的數(shù)據(jù)與試驗實測值對比，可以看出存在較大誤差。目前國內外對爐渣含碳量在線監(jiān)測的關注較少，幾乎沒有相關設備裝置用以在線實時測量爐渣含碳量，一般均為人工取渣后進行化驗。爐渣由于其排渣過程時間較長，且一般需經(jīng)烘干研磨后再進行含碳量化驗，相較于飛灰滯后性更嚴重。

圖1 國內發(fā)某電廠飛灰含碳量在線監(jiān)測數(shù)據(jù)與實測值對比

因此，對鍋爐飛灰和爐渣含碳量的軟測量方法得到了廣泛關注，尤其是神經(jīng)網(wǎng)絡方面的研究取得了長足的進展［5］。崔銳［6］等利用灰色關聯(lián)法對飛灰含碳量影響因素的相關性進行計算，提出了基于L-M（Levenberg-Marquardt）算法優(yōu)化BP（反向傳播）神經(jīng)網(wǎng)絡數(shù)據(jù)融合技術的飛灰含碳量預測方法；周昊［7］等基于熱態(tài)鍋爐試驗數(shù)據(jù)建立并訓練BP神經(jīng)網(wǎng)絡模型，用于預測大型電廠鍋爐飛灰含碳量；朱琎琦［8］建立了基于L-M 算法改進的BP-ANN（反向傳播人工神經(jīng)網(wǎng)絡）預測模型，包含一個用于預測飛灰含碳量的母模型和三個確定影響母模型的煤質參數(shù)偏差的子模型；王月蘭［9］等利用減法聚類算法自適應確定初始模糊規(guī)則和結構參數(shù)，利用最小二乘估計算法和誤差反向傳播算法構成的混合算法對模糊神經(jīng)網(wǎng)絡的參數(shù)進行學習，最終得到飛灰含碳量的模型構建。

本文以我國現(xiàn)有主要動力用煤的燃燒特性數(shù)據(jù)庫及現(xiàn)場試驗數(shù)據(jù)為基礎，首先構建以水分、揮發(fā)分和發(fā)熱量等煤質參數(shù)為輸入?yún)?shù)的神經(jīng)網(wǎng)絡子模型，計算得到表征煤粉燃盡難易程度的煤粉燃盡特性指數(shù)。然后以煤粉燃盡特性指數(shù)與鍋爐運行負荷和爐膛出口氧量作為輸入?yún)?shù)，構建計算灰渣平均含碳量的神經(jīng)網(wǎng)絡模型。通過灰渣平均含碳量神經(jīng)網(wǎng)絡模型計算得到灰渣平均含碳量的預測值，可直接用于熱電廠的鍋爐效率在線性能計算，方便熱電廠更好地掌握鍋爐的運行狀況和經(jīng)濟性指標，提高鍋爐運行情況，降低生產(chǎn)成本［10］。

1 CFB鍋爐飛灰和爐渣含碳量的影響因素

飛灰和爐渣含碳量受多種因素影響，如煤質、鍋爐負荷、鍋爐流化風與播煤風的配比等，在神經(jīng)網(wǎng)絡建模過程中，輸入?yún)?shù)的選擇是否合適對神經(jīng)網(wǎng)絡預測結果的優(yōu)劣有直接的影響。

1.1 入爐煤煤質

入爐煤的灰分、水分、硫分、揮發(fā)分以及低位發(fā)熱量等因素均會影響灰渣含碳量?；曳趾退謺跔t膛內吸收熱量，降低爐膛內溫度，導致煤粉無法充分燃燒，使飛灰中的含碳量升高?；曳謿埩粑镌谌紵^程中會將部分煤粉包裹在內形成爐渣，使爐渣中的含碳量升高［11］。硫分一般不直接影響灰渣中的含碳量，但硫分與煤的煤化程度直接相關，硫分越高，煤的煤化程度越低，更容易燃燒且更易完全燃燒。一般來說，揮發(fā)分越高煤粉越容易燃燒，反之則不易完全燃燒，增加灰渣中的可燃物含量。低位發(fā)熱量表征煤的好壞程度，低位發(fā)熱量高的煤含碳量相對更高，水分含量相對更低，所以也會對灰渣含碳量產(chǎn)生影響。

1.2 鍋爐運行負荷

鍋爐運行負荷直接影響爐膛床層溫度、流化風和播煤風的風量、給煤量等運行參數(shù)［12］，這些運行參數(shù)會直接或間接地影響煤粉在爐膛內的燃燒情況，而鍋爐運行負荷與這些運行參數(shù)之間的數(shù)據(jù)關系相對穩(wěn)定，可將運行負荷看作眾多鍋爐運行參數(shù)的一個綜合值。鍋爐運行負荷一般存在一個最佳區(qū)間，在此區(qū)間內煤粉燃燒較為充分，灰渣含碳量相對較低，過高或過低的鍋爐運行負荷都會影響煤粉的燃燒情況。

1.3 爐膛出口氧量

爐膛氧量直接影響煤粉在爐膛內燃燒狀況，合適的氧量是保證煤粉在爐膛內燃燒充分的必要條件，氧量過低會導致煤粉無法充分燃燒，氧量過高一般是風量過大，風量過大會導致煤粉在爐膛內停留時間變短，煤粉同樣無法充分燃燒［13］。有研究證明爐膛出口氧量會明顯影響飛灰、爐渣含碳量和機械未完全燃燒損失值，而且存在最佳爐膛出口氧量［14］。

2 神經(jīng)網(wǎng)絡建模

2.1 BP神經(jīng)網(wǎng)絡

BP神經(jīng)網(wǎng)絡是一種模擬人類大腦結構和思維方式的神經(jīng)網(wǎng)絡，是人工神經(jīng)網(wǎng)絡中使用最廣泛也是最重要的模型之一。人工神經(jīng)網(wǎng)絡由大量模擬生物神經(jīng)元的人工神經(jīng)元廣泛互連而成，這些人工神經(jīng)元組成了BP 神經(jīng)網(wǎng)絡中廣義的輸入層、隱藏層和輸出層［15］。不同種類的數(shù)據(jù)通過輸入層傳遞到隱藏層，在隱藏層中進行數(shù)據(jù)的加工處理，再通過輸出層輸出結果，神經(jīng)網(wǎng)絡中每層的每個神經(jīng)單元都有各自的權重值，BP神經(jīng)網(wǎng)絡根據(jù)計算輸出結果與期望值的誤差以梯度下降的方式反向逐層修正各神經(jīng)單元的權值直到輸入層，完成一次迭代。通過多次迭代后將各層各神經(jīng)元權值調整到合適范圍，使輸出的結果與期望值的誤差符合預期效果或達到設置的學習次數(shù)時完成訓練［16］。

2.2 煤質燃盡特性指數(shù)神經(jīng)網(wǎng)絡模型

2.2.1 輸入?yún)?shù)與輸出參數(shù)確定

由于國內大部分熱電廠入爐煤的化驗單僅有空氣干燥基（以下簡稱“空干基”）成分數(shù)據(jù)，出于方便考慮，選擇空干基水分Mad、空干基灰分Aad、干燥無灰基揮發(fā)分Vdaf、空干基彈筒發(fā)熱量Qb，ad、彈筒洗液含硫量Sb，ad（在煤質低位發(fā)熱量大于14.6 MJ/kg 時，默認Sb，ad等于空干基全硫分St，ad）作為輸入?yún)?shù)。

煤的燃盡特性指數(shù)BR是由煤粉熱重試驗得到的TGA（熱重分析）曲線計算出來用以表征煤的燃盡特性的指標［17］，其值與燃盡特性優(yōu)劣程度的對應關系見表1。相比各種煤質參數(shù)，燃盡特性指數(shù)BR從熱重試驗TGA曲線計算獲得，能更好地反映煤粉的燃盡程度。因此，本文選擇燃盡特性指數(shù)作為輸出參數(shù)，同時作為后續(xù)灰渣平均含碳量神經(jīng)網(wǎng)絡建模的輸入?yún)?shù)之一。

表1 燃盡特性指數(shù)與燃盡程度的對應關系

2.2.2 神經(jīng)網(wǎng)絡中間量確定

神經(jīng)網(wǎng)絡訓練數(shù)據(jù)來源為某實驗室燃煤特性數(shù)據(jù)庫，經(jīng)篩選后共計400組數(shù)據(jù)，由于數(shù)據(jù)總量偏小，訓練參數(shù)集囊括所有數(shù)據(jù)，隨機選取其中40 組測試數(shù)據(jù)集。經(jīng)不斷調試神經(jīng)網(wǎng)絡模型后，最終確定計算效果較好的數(shù)據(jù)設置模型。首先對輸入?yún)?shù)進行歸一化處理，歸一化后的范圍為［-1，1］，設置輸入層節(jié)點數(shù)、各隱藏層節(jié)點數(shù)和輸出層節(jié)點數(shù)分別為5、5、1；隱藏層設置為3層，各層傳遞函數(shù)分別為logsig、logsig、tansig，采用梯度下降法訓練；設置最大迭代次數(shù)為1 000，學習速率0.02，訓練目標最小誤差為10-7，設置訓練停止條件為達到最大迭代次數(shù)或達到泛化要求（連續(xù)6次迭代后誤差不下降）。

2.2.3 神經(jīng)網(wǎng)絡訓練結果

神經(jīng)網(wǎng)絡建模計算后得到測試集的預測值與期望值以及兩者誤差如圖2 所示，測試集的MAE（平均絕對誤差）為0.343 2%，MSE（均方誤差）為2.245 8%，RMSE（均方根誤差）為1.498 6%。神經(jīng)網(wǎng)絡訓練過程中的相關性分析如圖3所示，期望值與輸出值的相關性較好。

圖2 煤質燃盡特性指數(shù)神經(jīng)網(wǎng)絡測試集期望值與預測值分布

圖3 煤質燃盡特性指數(shù)神經(jīng)網(wǎng)絡的相關性分析

2.3 灰渣平均含碳量神經(jīng)網(wǎng)絡建模

2.3.1 輸入?yún)?shù)與輸出參數(shù)確定

飛灰和爐渣含碳量受運行方式影響較大，本文選取對燃燒情況影響較大的鍋爐主要運行參數(shù)鍋爐負荷和爐膛出口氧量，以及上文中通過建立神經(jīng)網(wǎng)絡模型擬合得到的煤質燃盡特性指數(shù)作為輸入?yún)?shù)。

輸出參數(shù)確定為灰渣平均含碳量，灰渣平均含碳量由飛灰含碳量、飛灰系數(shù)、爐渣含碳量、爐渣系數(shù)計算得到，是反平衡鍋爐效率計算法中的一個中間過程量，具體計算公式見式（1）?；以骄剂靠梢暂^好地綜合表征飛灰和爐渣的含碳量，而且減少了一個神經(jīng)網(wǎng)絡預測輸出參數(shù)，從而減小了神經(jīng)網(wǎng)絡預測計算的誤差。

式中：C為灰渣平均含碳量；αfh為飛灰系數(shù)；αlz為爐渣系數(shù)；Cfh為飛灰含碳量；Clz為爐渣含碳量。

2.3.2 神經(jīng)網(wǎng)絡中間量確定

設置灰渣平均含碳量神經(jīng)網(wǎng)絡模型輸入層節(jié)點數(shù)、各隱藏層節(jié)點數(shù)和輸出層節(jié)點數(shù)分別為3、4、1；隱藏層設置為3 層，各層傳遞函數(shù)分別為tansig、tansig、tansig，采用梯度下降法訓練；設置最大迭代次數(shù)為1 000，學習速率0.01，訓練目標最小誤差為10-7，設置訓練停止條件為達到最大迭代次數(shù)或達到泛化要求（連續(xù)6 次迭代后誤差不下降）。

2.3.3 神經(jīng)網(wǎng)絡訓練結果

訓練后灰渣平均含碳量神經(jīng)網(wǎng)絡的測試集MAE為0.974 7、MSE 為1.504 9、RMSE 為1.226 7。神經(jīng)網(wǎng)絡建模計算后得到測試集的預測值與期望值以及兩者誤差如圖4所示，神經(jīng)網(wǎng)絡訓練過程中的相關性如圖5所示，可以看出神經(jīng)網(wǎng)絡模型整體訓練效果較好。

圖4 灰渣平均含碳量神經(jīng)網(wǎng)絡測試集期望值與預測值分布

圖5 灰渣平均含碳量神經(jīng)網(wǎng)絡的相關性分析

3 神經(jīng)網(wǎng)絡模型計算結果驗證分析

3.1 使用子模型計算結果分析

選擇某熱電廠的部分鍋爐現(xiàn)場性能試驗數(shù)據(jù)代入用以預測煤質燃盡特性指數(shù)的神經(jīng)網(wǎng)絡子模型和用以預測灰渣平均含碳量的神經(jīng)網(wǎng)絡母模型進行計算，驗證本文中神經(jīng)網(wǎng)絡模型的實際適用性和準確度。某熱電廠的幾臺CFB 鍋爐型號均一致，采用單鍋筒橫置式、單爐膛、自然循環(huán)、全懸吊結構、全鋼架π型布置，具體鍋爐參數(shù)設計值見表2。

表2 某熱電廠CFB鍋爐的設計值

將真實的試驗數(shù)據(jù)先代入煤質燃盡特性指數(shù)神經(jīng)網(wǎng)絡模型，獲得煤質燃盡特性指數(shù)。再通過灰渣平均含碳量神經(jīng)網(wǎng)絡模型計算得到灰渣平均含碳量預測值，與試驗獲得的灰渣平均含碳量真實值進行對比，如圖6所示。灰渣平均含碳量真實值與預測值的MAE為0.84%。

圖6 灰渣平均含碳量真實值與預測值對比

將灰渣平均含碳量真實值替換為預測值，得到用灰渣平均含碳量預測值計算的鍋爐效率預測值，鍋爐效率真實值與預測值的對比如圖7 所示，兩者的MAE為0.15%。

圖7 鍋爐效率真實值與預測值對比

3.2 不使用子模型計算結果分析

為了驗證煤質燃盡特性指數(shù)對灰渣平均含碳量預測值的影響，建立一個直接將各煤質參數(shù)作為輸入?yún)?shù)的神經(jīng)網(wǎng)絡模型，不使用煤質燃盡特性指數(shù)作為中間量，輸入?yún)?shù)分別為鍋爐負荷、爐膛出口氧量、空干基水分Mad、空干基灰分Aad、干燥無灰基揮發(fā)分Vdaf、空干基彈筒發(fā)熱量Qb，ad、彈筒洗液含硫量Sb，ad，輸出參數(shù)仍為灰渣平均含碳量。經(jīng)不斷調整神經(jīng)網(wǎng)絡參數(shù)完成訓練后測試集的MAE 為1.038 0、MSE 為2.183 6、RMSE 為1.477 7。

代入現(xiàn)場試驗數(shù)據(jù)計算得到灰渣平均含碳量預測值與真實值的MAE為1.29%，代入計算得到鍋爐效率預測值與真實值的MAE為0.23%。

對比分析使用子模型和不使用子模型的計算結果，數(shù)據(jù)如表3所示。兩個模型的MAE僅相差0.063 3，MSE相差0.678 7，可以認為兩個模型訓練效果較為接近。但是兩個神經(jīng)網(wǎng)絡最后算得的灰渣平均含碳量相差0.45%，代入計算得到的鍋爐效率相差0.08%，存在明顯差距。通過兩個神經(jīng)網(wǎng)絡模型計算結果對比分析可以認為，使用煤質燃盡特性指數(shù)神經(jīng)網(wǎng)絡子模型進行灰渣平均含碳量預測計算相較于不使用子模型直接預測計算準確度更高，誤差更小。兩種情況的灰渣平均含碳量、鍋爐效率預測值與真實值對比如圖8、圖9所示。

表3 使用子模型和不使用子模型計算灰渣含碳量結果對比

圖8 兩種情況的灰渣平均含碳量預測值與真實值對比

圖9 兩種情況的鍋爐效率預測值與真實值對比

4 結語

1）本文分別建立用以預測煤質燃盡特性指數(shù)的神經(jīng)網(wǎng)絡子模型和用以預測灰渣平均含碳量的神經(jīng)網(wǎng)絡母模型，用煤質燃盡特性指數(shù)表征入爐煤綜合煤質質量，用灰渣平均含碳量代替飛灰含碳量與爐渣含碳量作為輸出參數(shù)，盡量減少誤差。

2）本文中的神經(jīng)網(wǎng)絡訓練效果較好，煤質燃盡特性指數(shù)神經(jīng)網(wǎng)絡經(jīng)訓練后測試集的MAE 為0.343 2、MSE為2.245 8、RMSE為1.498 6；灰渣平均含碳量神經(jīng)網(wǎng)絡經(jīng)訓練后測試集MAE 為0.974 7、MSE為1.504 9、RMSE為1.226 7。

3）用某熱電廠現(xiàn)場試驗獲得的數(shù)據(jù)驗證神經(jīng)網(wǎng)絡模型，經(jīng)兩個神經(jīng)網(wǎng)絡模型計算后得到灰渣平均含碳量預測值與真實值的MAE為0.84%，用灰渣平均含碳量預測值計算得到的鍋爐效率預測值與真實值的MAE 為0.15%，具有較好的泛化性，但仍具優(yōu)化空間。

4）使用煤質燃盡特性指數(shù)子模型進行預測相較于不使用子模型計算得到的灰渣平均含碳量的偏差為0.45%，代入計算得到鍋爐效率的偏差為0.08%，證明使用子模型能夠有效減小誤差。