朱 超,郁 翔,李 峰,周熙宏,畢凌峰,楊 冬
(1.國(guó)網(wǎng)陜西省電力公司電力科學(xué)研究院,陜西 西安 710100;2.西安交通大學(xué) 動(dòng)力工程多相流國(guó)家重點(diǎn)實(shí)驗(yàn)室,陜西 西安 710049)
當(dāng)前,我國(guó)電力行業(yè)仍以煤炭為主要能源消耗,加之電站鍋爐常用燃煤中的硫含量與灰分較高,易造成受熱面的積灰和結(jié)渣,而爐膛嚴(yán)重結(jié)渣將限制鍋爐出力,威脅機(jī)組運(yùn)行的經(jīng)濟(jì)性與安全性[1-3]。鍋爐爐膛結(jié)渣是一個(gè)不斷加劇過(guò)程,一旦發(fā)生結(jié)渣,爐內(nèi)水冷壁的吸熱減少,導(dǎo)致水冷壁外壁溫與灰渣溫度升高,加上灰渣表面不平滑,灰渣更易發(fā)生黏附,加劇結(jié)渣過(guò)程[4]。爐膛結(jié)渣包含一系列錯(cuò)綜復(fù)雜的物理及化學(xué)反應(yīng),不僅涉及煤灰的結(jié)渣特性,還受到煤燃燒、爐內(nèi)傳熱傳質(zhì)及管壁與灰渣靜電吸附等因素影響[5]。我國(guó)常用的判斷燃煤結(jié)渣特性的指標(biāo)較多[6],主要考慮灰分熔點(diǎn)和影響灰熔融溫度的灰分成分,也開(kāi)發(fā)出許多研究煤灰結(jié)渣特性的特殊方法,但存在很大局限性。單一結(jié)渣判別指標(biāo)分辨率較低,綜合判別指標(biāo)并未充分考慮主要影響因素。因此,開(kāi)發(fā)一種全面、綜合性的結(jié)渣預(yù)測(cè)模型將是進(jìn)一步研究重點(diǎn),可對(duì)鍋爐爐膛結(jié)渣程度進(jìn)行有效監(jiān)測(cè)[7-9]。楊冬等[6]依據(jù)煤灰渣組分工業(yè)分析,建立了綜合指標(biāo)判據(jù)與單一指標(biāo)判據(jù)的超臨界鍋爐結(jié)渣趨勢(shì)預(yù)判程序,該模型雖然運(yùn)算速度快、結(jié)構(gòu)簡(jiǎn)單,但預(yù)測(cè)準(zhǔn)確率偏低,且無(wú)法預(yù)測(cè)鍋爐燃用煤種不均勻時(shí)爐內(nèi)情況。王宏武[10]采用不同的聚類算法預(yù)處理燃煤電站鍋爐結(jié)渣指標(biāo),通過(guò)支持向量機(jī)算法(SVM)預(yù)測(cè)爐膛結(jié)渣趨勢(shì),該方法在選擇不同的聚類算法和聚類指標(biāo)時(shí),預(yù)測(cè)結(jié)果變化較大,若想獲得較高的預(yù)測(cè)精確度,則需進(jìn)行多個(gè)分類計(jì)算,計(jì)算量較大。任林等[11]提出一種優(yōu)化量子粒子群(QPSO)算法,建立了優(yōu)化量子粒子群算法改進(jìn)隸屬函數(shù)的模糊SVM燃煤電站鍋爐結(jié)渣傾向預(yù)判模型,通過(guò)與試驗(yàn)結(jié)果對(duì)比,該模型準(zhǔn)確度較好,但單一優(yōu)化改進(jìn)量子粒子群算法具有較大局限性。
判定鍋爐爐膛的結(jié)渣特性可被視為典型的模式識(shí)別問(wèn)題,而神經(jīng)網(wǎng)絡(luò)的一個(gè)重要功能是模式識(shí)別技術(shù)[11]。在上述研究基礎(chǔ)上,筆者將模糊數(shù)學(xué)理論和神經(jīng)網(wǎng)絡(luò)相結(jié)合,采用4種不同類型的隸屬函數(shù),將判別指標(biāo)模糊化后,作為模型輸入,并將不進(jìn)行模糊化處理的神經(jīng)網(wǎng)絡(luò)作為對(duì)比,根據(jù)統(tǒng)計(jì)學(xué)原理,選用出現(xiàn)概率最大的結(jié)果作為最終指標(biāo),構(gòu)造了爐膛結(jié)渣的模糊神經(jīng)網(wǎng)絡(luò)模型,以此判定華能秦嶺電廠660 MW超臨界鍋爐常用混煤的結(jié)渣特性,為綜合評(píng)價(jià)鍋爐爐膛的結(jié)渣特性提供了新方法。
神經(jīng)網(wǎng)絡(luò)算法不僅具有自我學(xué)習(xí)功能,能快速找到最優(yōu)解,還有很強(qiáng)的泛化能力和一定的容錯(cuò)能力,最顯著特點(diǎn)在于超強(qiáng)的非線性映射能力[12-13]。BP算法即多層前饋網(wǎng)的誤差反向傳播算法(Back Propagation),在神經(jīng)網(wǎng)絡(luò)中的應(yīng)用極為廣泛,其核心思想是將每一個(gè)神經(jīng)元的均方根誤差當(dāng)作目標(biāo)函數(shù),依據(jù)不同訓(xùn)練算法優(yōu)化修正閾值與權(quán)值,將全局誤差調(diào)整到最小[14]。運(yùn)算過(guò)程由2部分組成:輸入樣本的前向計(jì)算與誤差的逆向散布,其結(jié)構(gòu)如圖1所示,初始運(yùn)算循環(huán)中,由已知的樣本輸入數(shù)據(jù),結(jié)合初始化的閾值與權(quán)值計(jì)算各隱層和輸出層神經(jīng)元的輸入和輸出,根據(jù)神經(jīng)元的實(shí)際輸出和期望輸出得到目標(biāo)函數(shù),依據(jù)不同訓(xùn)練函數(shù)對(duì)閾值與權(quán)值求偏導(dǎo)來(lái)獲得修正值,依照輸出層—隱層—輸入層的順序逆向修正參數(shù),網(wǎng)絡(luò)反復(fù)迭代計(jì)算,當(dāng)達(dá)到設(shè)置的循環(huán)次數(shù)或要求的精度時(shí),結(jié)束循環(huán)。
圖1 BP神經(jīng)網(wǎng)絡(luò)的組成結(jié)構(gòu)Fig.1 Composition structure of BP neural network
BP神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)的前向計(jì)算:
(1)
式中,yj為對(duì)應(yīng)神經(jīng)元的輸出值;m為迭代計(jì)算次數(shù);j為層數(shù);f為傳遞函數(shù);n為神經(jīng)元總個(gè)數(shù);i為神經(jīng)元序數(shù);wij為權(quán)值;xi為對(duì)應(yīng)神經(jīng)元的輸入值;θj為閾值。
誤差的反向傳播過(guò)程:
均方誤差E:
(2)
式中,Ri為對(duì)應(yīng)xi的期望輸出向量。
(3)
(4)
其中,Δw為對(duì)應(yīng)步長(zhǎng)下權(quán)值的變化量;η為動(dòng)量梯度下降算法中的步長(zhǎng),也稱學(xué)習(xí)算子或收斂因子(0<η<1);Δθ為對(duì)應(yīng)步長(zhǎng)下閾值的變化量。
BP神經(jīng)網(wǎng)絡(luò)是一種有監(jiān)督式的學(xué)習(xí)算法,其使用分為2個(gè)過(guò)程:① 學(xué)習(xí)過(guò)程,根據(jù)輸入的學(xué)習(xí)樣本,不斷調(diào)整輸入層與隱層、隱層與輸出層間的權(quán)值和閾值,使輸入與輸出間建立特定的非線性映射關(guān)系,只有建立科學(xué)、有效的學(xué)習(xí)網(wǎng)絡(luò)才能利用此網(wǎng)絡(luò)實(shí)現(xiàn)后續(xù)計(jì)算預(yù)測(cè)。神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過(guò)程如圖2所示。② 計(jì)算過(guò)程,輸入計(jì)算樣本,利用上述建好的各層間權(quán)值、閾值對(duì)樣本進(jìn)行計(jì)算,得到預(yù)測(cè)結(jié)果??梢钥闯錾窠?jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果的精確度取決于學(xué)習(xí)網(wǎng)絡(luò)輸入、輸出的準(zhǔn)確性及廣泛性,因此需保證學(xué)習(xí)樣本盡可能準(zhǔn)確和全面。
爐膛結(jié)渣是一個(gè)模糊化的概念,結(jié)渣程度是一個(gè)由輕變重的歷程,筆者應(yīng)用“模糊化”概念,將模糊數(shù)學(xué)理論與BP神經(jīng)網(wǎng)絡(luò)算法串聯(lián)型結(jié)合,使用模糊數(shù)學(xué)理論,采用4種不同類型的隸屬度函數(shù)將判別結(jié)渣程度的6個(gè)指標(biāo)模糊化后作為模型的輸入,以3種不同的爐膛結(jié)渣程度,“輕微”、“中等”與“嚴(yán)重”作為模型的輸出,構(gòu)成模糊神經(jīng)網(wǎng)絡(luò)模型,再根據(jù)上述BP算法進(jìn)行訓(xùn)練,最終可以用于預(yù)判鍋爐爐膛的結(jié)渣特性。
造成鍋爐爐膛結(jié)渣的主要原因不僅包括煤灰自身因素,還包括鍋爐爐膛結(jié)構(gòu)、運(yùn)行參數(shù)2類外部因素[15]。目前我國(guó)判別結(jié)渣的指標(biāo)較多,各指標(biāo)在對(duì)應(yīng)的適用范圍內(nèi)具有一定精度[16],僅靠單一指標(biāo)很難準(zhǔn)確預(yù)測(cè)結(jié)渣特性,其中硅比R(Si)和軟化溫度t2準(zhǔn)確度最高[17]。另外選擇代表煤灰成分特性的指標(biāo)如堿酸比R(B/A)、硅鋁比R(Si/Al)以及準(zhǔn)確度最高的綜合指標(biāo)R作為爐膛結(jié)渣的判別指標(biāo)。此外,考慮到鍋爐運(yùn)行方式對(duì)爐膛結(jié)渣特性影響,引入爐膛無(wú)因次最高溫度ψt,確定了6個(gè)評(píng)價(jià)指標(biāo),各指標(biāo)表達(dá)式[17]具體為
(5)
φ(Fe2O3)=1.43w(Fe)+1.11w(FeO)+w(Fe2O3),
(6)
R(B/A)=
(7)
R=5.41-0.002t2+1.24R(B/A)-0.02R(Si)+
0.28R(Si/Al),
(8)
(9)
(10)
其中,w為質(zhì)量分?jǐn)?shù);φ為當(dāng)量;a、b分別為爐膛寬度、深度,m;Bj為計(jì)算燃料消耗量,kg/s;Qd為煤的低位發(fā)熱量,kJ/kg;ηf為二次風(fēng)層數(shù);ξ為衛(wèi)燃帶修正系數(shù);Ca為二次風(fēng)距,m;Fw為衛(wèi)燃帶面積,m2;h為燃燒器高度,m。不同判別指標(biāo)的結(jié)渣評(píng)價(jià)標(biāo)準(zhǔn)見(jiàn)表1。
表1 不同判別指標(biāo)的評(píng)價(jià)標(biāo)準(zhǔn)Table 1 Evaluation criteria of discriminant indexes
通常將鍋爐爐膛結(jié)渣情況劃分為“輕微”、“中等”、“嚴(yán)重”3種程度。由于結(jié)渣程度難以量化,不同結(jié)渣程度之間沒(méi)有明確的界限,因此引入每一個(gè)指標(biāo)的隸屬度函數(shù)將其模糊化處理,求得指標(biāo)相應(yīng)的不同結(jié)渣程度的隸屬度。利用隸屬度函數(shù)將輸入判別指標(biāo)模糊化,得到模糊集合,作為神經(jīng)網(wǎng)絡(luò)模型的輸入。采用不同隸屬度函數(shù)對(duì)輸入數(shù)據(jù)進(jìn)行處理,得到不同的模糊集合,作為神經(jīng)網(wǎng)絡(luò)計(jì)算數(shù)據(jù)初始值計(jì)算時(shí)會(huì)得到不同結(jié)果,分別利用4種隸屬函數(shù)對(duì)每一輸入項(xiàng)進(jìn)行了模糊化處理:三角形(Trimf)、梯形(Trapmf)、高斯形(Gaussmf)以及π形(Pimf),另設(shè)一傳統(tǒng)神經(jīng)網(wǎng)絡(luò)(No-fuzzy)即不進(jìn)行模糊化處理的神經(jīng)網(wǎng)路與上述4種模糊化處理后的網(wǎng)絡(luò)進(jìn)行比較,4種隸屬函數(shù)的數(shù)學(xué)模型如圖3所示。
圖3 隸屬函數(shù)數(shù)學(xué)模型Fig.3 Mathematicalmodel of membership function
以硅比R(Si)為例,分別寫(xiě)出了三角形隸屬函數(shù)對(duì)應(yīng)不同結(jié)渣程度的表達(dá)式。其他判別指標(biāo)函數(shù)形式相似,構(gòu)造各種類型的隸屬度函數(shù),求得不同判別指標(biāo)的隸屬度。
(11)
(12)
(13)
其中,r1、r2、r3分別為“輕微”、“中等”、“嚴(yán)重”的隸屬度。輸入層經(jīng)模糊化處理后作為網(wǎng)絡(luò)結(jié)構(gòu)的第1隱層,因此第1隱層共3×6=18個(gè)節(jié)點(diǎn)。
輸出層設(shè)置3個(gè)神經(jīng)元,分別對(duì)應(yīng)于樣本結(jié)渣程度,“輕微”、“中度”、“嚴(yán)重”。由于輸出層與隱層間的傳遞函數(shù)采用了S型傳遞函數(shù),因而輸出層各神經(jīng)元的輸出值只能趨向于但不能等于1和0。規(guī)定“輕微”、“中度”與“嚴(yán)重”3種結(jié)渣程度分別對(duì)應(yīng)的輸出為(0.99,0.01,0.01)、(0.01,0.99,0.01)、(0.01,0.01,0.99)。所建立的模糊神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)以Trimf形為例如圖4所示。
圖4 模糊神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)Fig.4 Topology of fuzzy neural network
在MATLAB神經(jīng)網(wǎng)絡(luò)工具箱中的訓(xùn)練函數(shù)有:附加動(dòng)量法(Traingdm)、自適應(yīng)學(xué)習(xí)速率法、共軛梯度法、RPROP方法、擬牛頓法以及Levenberg-Marquardt方法(Trainlm)[19]。使用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱對(duì)建立的模型進(jìn)行訓(xùn)練和計(jì)算,與C/C++、FORTRAN等語(yǔ)言相比,MATLAB的功能更加強(qiáng)大,且語(yǔ)法規(guī)則簡(jiǎn)單。
傳遞函數(shù)包含3種:Purelin型、Logsig型以及Tansig型。3種傳遞函數(shù)的表達(dá)式如下:
fp(x)=x,
(14)
(15)
(16)
傳遞函數(shù)曲線如圖5所示。
圖5 傳遞函數(shù)曲線Fig.5 Transfer function graph
輸入層經(jīng)模糊化處理后通過(guò)Purelin型傳遞函數(shù)線性傳遞給第1隱層,根據(jù)隸屬函數(shù)性質(zhì)可知此時(shí)第1隱層值域?yàn)?0,1),為確保輸出層值域的廣泛性,第2隱層和輸出層間傳遞函數(shù)選用Logsig型傳遞函數(shù),輸出層值域同樣為(0,1)。
訓(xùn)練函數(shù)的功能在于全局調(diào)整神經(jīng)網(wǎng)絡(luò)的閾值與權(quán)值,現(xiàn)有函數(shù)10多種,由于構(gòu)建的神經(jīng)網(wǎng)絡(luò)較為簡(jiǎn)單,學(xué)習(xí)樣本較小,選用Trainlm訓(xùn)練函數(shù)。Trainlm訓(xùn)練函數(shù)適用于中等規(guī)模的神經(jīng)網(wǎng)絡(luò),具有學(xué)習(xí)速度與收斂速度快等特點(diǎn)。
學(xué)習(xí)函數(shù)是對(duì)訓(xùn)練函數(shù)的進(jìn)一步補(bǔ)充,用于局部調(diào)整閾值和權(quán)值。訓(xùn)練函數(shù)計(jì)算得到閾值和權(quán)值后,由學(xué)習(xí)函數(shù)重新調(diào)整閾值和權(quán)值進(jìn)行,再由訓(xùn)練函數(shù)進(jìn)行訓(xùn)練,不斷重復(fù)。選用帶動(dòng)量的梯度下降的權(quán)值和閾值學(xué)習(xí)函數(shù)(Learngdm)。
在文獻(xiàn)[18,20]中38組不同鍋爐數(shù)據(jù)的基礎(chǔ)上,利用28組作為神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)數(shù)據(jù),其他10組作為驗(yàn)證數(shù)據(jù)。分別用4種模糊神經(jīng)網(wǎng)絡(luò)和傳統(tǒng)神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)和預(yù)測(cè)。傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)直接將6項(xiàng)判別指標(biāo)歸一化處理后作為輸入項(xiàng),未進(jìn)行模糊處理。表2和表3為驗(yàn)證集數(shù)據(jù)和不同神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果。
續(xù)表
表3 不同的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果Table 3 Different neural network prediction results
根據(jù)表3預(yù)測(cè)結(jié)果,傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的精度為70%,而4種模糊神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果更加精確,依次是80%、90%、90%和100%,由不同隸屬度函數(shù)構(gòu)造的模糊神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果存在偏差。雖然π形隸屬度函數(shù)構(gòu)造的模糊神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精確度為100%,但由于預(yù)測(cè)樣本較少,不能保證該模型對(duì)所有樣本都能達(dá)到100%。因此,引入統(tǒng)計(jì)結(jié)果指標(biāo),并通過(guò)各種隸屬度函數(shù)構(gòu)造的模糊神經(jīng)網(wǎng)絡(luò)的計(jì)算結(jié)果來(lái)獲得最終統(tǒng)計(jì)預(yù)測(cè)結(jié)果。與單一模糊神經(jīng)網(wǎng)絡(luò)相比,精確度大幅提高,只要確保學(xué)習(xí)過(guò)程選用的樣本范圍足夠大,便可進(jìn)行預(yù)測(cè),且預(yù)測(cè)精確度高,對(duì)不同爐型和煤種的包容性更大。
對(duì)華能秦嶺電廠660 MW鍋爐BMCR負(fù)荷運(yùn)行時(shí)爐膛結(jié)渣情況進(jìn)預(yù)測(cè),分別對(duì)該機(jī)組常用華亭煤(煤種1)、黃陵1號(hào)煤(煤種2)、75%華亭煤和25%黃陵1號(hào)煤混配煤(煤種3)、50%華亭煤和50%黃陵1號(hào)煤混配煤(煤種4)以及、25%華亭煤和75%黃陵1號(hào)煤混配煤(煤種5)進(jìn)行爐膛結(jié)渣預(yù)測(cè),混配煤的煤質(zhì)指標(biāo)根據(jù)配煤煤質(zhì)指標(biāo)計(jì)算得到,表4為煤灰工業(yè)特性分析數(shù)據(jù),表5為爐膛結(jié)渣判別指標(biāo)計(jì)算結(jié)果。
表4 煤灰工業(yè)特性分析數(shù)據(jù)Table 4 Analysis data of coal ash industry characteristics
表5 爐膛結(jié)渣判別指標(biāo)Table 5 Discriminant index of furnace slagging
根據(jù)表5計(jì)算結(jié)果,將該機(jī)組燃用不同煤種時(shí)的不同結(jié)渣判別指標(biāo)值輸入上述構(gòu)建好的模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)計(jì)算,預(yù)測(cè)結(jié)果見(jiàn)表6。
表6 不同神經(jīng)網(wǎng)絡(luò)計(jì)算結(jié)果Table 6 Different neural network calculation results
由表6可知,單一燃用華亭煤時(shí),所有神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果均為嚴(yán)重結(jié)渣;燃用黃陵1號(hào)煤時(shí),除No-fuzzy型神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果為中等,其余均為輕微結(jié)渣,因此判斷為輕微結(jié)渣;燃用摻燒25%黃陵1號(hào)煤的配煤時(shí),Trimf型和Trapmf型神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果為中等結(jié)渣,其余均為嚴(yán)重結(jié)渣,因此判斷為嚴(yán)重結(jié)渣。燃用摻燒50%黃陵1號(hào)煤的配煤時(shí),No-fuzzy型神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果為輕微結(jié)渣,Trapmf型神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果為嚴(yán)重,其余均為中等結(jié)渣,因此判斷為中等結(jié)渣。燃用摻燒75%黃陵1號(hào)煤的配煤時(shí),No-fuzzy型神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果為輕微結(jié)渣,其余均為中等結(jié)渣,因此判斷為中等結(jié)渣。綜上所述,在單獨(dú)燃燒華亭煤時(shí),存在較嚴(yán)重的爐膛結(jié)渣問(wèn)題,而適當(dāng)摻燒黃陵1號(hào)煤時(shí),爐膛結(jié)渣情況緩解。該方法預(yù)測(cè)結(jié)果準(zhǔn)確,為綜合評(píng)價(jià)鍋爐爐膛的結(jié)渣特性提供了一個(gè)新途徑。
1)在選擇輸入評(píng)判指標(biāo)時(shí),充分考慮了煤灰本身結(jié)渣特性和鍋爐結(jié)構(gòu)及運(yùn)行工況的影響,選取了最具代表性、分辨率較高的幾個(gè)因素作為本模型的判別指標(biāo),并將反映鍋爐運(yùn)行情況的結(jié)渣判別指標(biāo)—無(wú)因次爐膛最高溫度ψt納入模型,將鍋爐的運(yùn)行工況考慮在內(nèi),判別依據(jù)更加全面。
2)將模糊數(shù)學(xué)理論與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合,采用4種不同類型隸屬函數(shù),將判別指標(biāo)模糊化后,作為模糊神經(jīng)網(wǎng)絡(luò)模型的輸入,并將不進(jìn)行模糊化處理的神經(jīng)網(wǎng)絡(luò)作為對(duì)比,根據(jù)統(tǒng)計(jì)學(xué)原理,選用出現(xiàn)概率最大的結(jié)果作為最終評(píng)判指標(biāo),增加預(yù)測(cè)結(jié)果的精確度。
3)采用構(gòu)造好的適合于鍋爐爐膛結(jié)渣的模糊神經(jīng)網(wǎng)絡(luò)模型對(duì)華能秦嶺電廠660 MW超臨界鍋爐BMCR負(fù)荷運(yùn)行時(shí)爐膛結(jié)渣情況進(jìn)預(yù)測(cè),結(jié)果表明該機(jī)組在燃用華亭煤時(shí)嚴(yán)重結(jié)渣,適當(dāng)摻燒黃陵1號(hào)煤時(shí)中等結(jié)渣,因此可采用摻燒優(yōu)質(zhì)煤來(lái)改善爐膛結(jié)渣狀況。該模型預(yù)測(cè)結(jié)果準(zhǔn)確,為綜合評(píng)價(jià)鍋爐爐膛的結(jié)渣特性提供了新方法。