黃孝彬，楊 萱，林鍇翔，許 琦，李永生

（1.華北電力大學控制與計算機工程學院，北京 102206；2.清潔高效燃煤發(fā)電與污染控制國家重點實驗室，江蘇 南京 210023）

入爐煤質是影響燃煤機組安全經濟運行的重要參數[1]，當入爐煤質發(fā)生變化時，能及時檢測到煤質情況，則可根據不同煤質特性及時調整制粉及配風系統(tǒng)的運行參數，使鍋爐燃燒性能得到優(yōu)化。

根據應用技術的不同，目前電廠常用的煤質在線檢測方法有：瞬發(fā)γ射線中子活化分析法[2]、激光誘導擊穿光譜（laser induced breakdown spectroscopy，LIBS）技術、低能X射線技術、近紅外光譜分析技術等。蔣蓬勃[3]根據LIBS技術在煤炭行業(yè)及火電行業(yè)的應用進行分析，提出煤質在線監(jiān)測一體化應用系統(tǒng)；楊振華等[4]利用低能X射線散射熒光法測量煤灰和爐渣中的殘?zhí)剂?，證明了低能X射線散射熒光法對測量煤質中Ca、Fe等元素的可行性；楊策[5]采用近紅外光譜分析技術檢測煤的水分、灰分、揮發(fā)分和固定碳?？偨Y這些檢測方法存在問題有：1）瞬發(fā)γ射線中子活化分析法現場應用較為廣泛，但因使用了放射源存在污染和安全問題；2）其他基于無放射源的檢測技術的設備普遍價格昂貴、維護麻煩，且現場應用的可靠性、準確度仍有待進一步研究驗證；3）各類在線檢測技術的煤質采樣點大多設置在輸煤皮帶上，經過采樣、制樣、化驗分析后，被檢測的煤質還需儲于煤倉等待磨制，并非直接進入鍋爐內燃燒，這會對入爐煤質改變時調整燃燒方案產生滯后性。

近年來，大型火電廠廣泛采用靜電傳感器相關的檢測儀器系統(tǒng)[6-7]檢測管道內煤粉流量等參數，從而進行鍋爐燃燒調整優(yōu)化[8-9]，這種方法優(yōu)勢在于無外部能量注入、價格相對較低、現場測量效果較好等。不同煤質的煤粉在通過一次風管道時產生的靜電信號強度不同[10-11]，結合給煤量等特征信息，可以對煤質進行一定的辨識。但由于各參數測量傳感器的位置不同，特征信息間存在一定遲延。本文提出一種靜電法聯(lián)合長短時記憶（long short-term memory，LSTM）神經網絡的入爐煤質辨識方案，以某600 MW機組的2號鍋爐實測數據為例，使用不同模型進行對比仿真實驗，結果表明靜電信號與煤質之間具有較強相關性，且利用LSTM神經網絡有較高的煤質辨識精度。

1 靜電法煤質辨識原理

1.1 煤粉帶電原因

煤粉在通過一次風管道時，會在顆粒之間或顆粒與管壁出現碰撞或摩擦產生靜電，靜電的強度與煤粉的自身性質和運動過程中流動及環(huán)境有關[12]，如圖1所示。

圖1 煤粉顆粒帶電情況示意Fig.1 Schematic diagram of pulverized coal particles charged

1.2 靜電法煤質辨識原理

煤粉在管道中流動時產生靜電強度的影響因素有以下幾方面：

1）煤質 不同煤質的含碳量、揮發(fā)分、含水率等參數存在差別，使得煤質的介電常數不同，導致產生的靜電強度不同[13-16]。文獻[13]整理了按照國家標準《庫侖法微量水分測定儀》（GB/T 26793—2011）使用水分測定儀以及電磁法駐波傳感器等工業(yè)分析儀器對不同煤化程度的煤種進行常規(guī)分析，得到不同煤質中各成分質量分數，結果見表1。

表1 不同煤質成分參數Tab.1 Quality analysis for different coals

2）風煤比 風煤比表征管道內煤粉的濃度大小，當煤粉濃度增大使得顆粒碰撞、摩擦概率增加且更加劇烈，煤粉產生的靜電強度會隨之增大[17]。

3）煤粉流速 一次風風速增加，煤粉流速增大，煤粉顆粒的碰撞、摩擦的次數隨之增加，煤粉產生的靜電強度也就增大[18-19]。

4）其他因素 磨煤機出口管道內溫度會影響煤質的介電常數，煤質介電常數的變化從而影響煤粉的靜電強度[20]。

根據煤粉靜電強度的影響因素可知，在實際電廠運行時入爐煤質、風煤比、煤粉流速、磨煤機出口溫度等會同時影響煤質靜電強度的變化。故可以建立靜電強度E與煤質M、風煤比C、磨煤機出口溫度T、煤粉流速V的映射關系為：

根據式(1)，基于靜電法進行煤質辨識機理可表示為：

2 煤質辨識方案設計及實施

本文以某電廠600 MW機組2號鍋爐為研究對象。該鍋爐共有5臺磨煤機，每臺磨煤機出口有4根一次風管道，具體辨識方案如圖2所示。

圖2 靜電法煤質辨識方案流程Fig.2 Flow chart of coal quality identification scheme by electrostatic method

2.1 靜電傳感器選取與安裝

選用北京華清茵藍有限公司生產的全截面非接觸式煤粉測量系統(tǒng)[6]，該系統(tǒng)主要基于非接觸式陣列靜電感應技術，根據煤粉在外加電場下存在帶電能力的特性，可以實現對流經管道的煤粉截面進行感應測量，測量主要包括一次風管道內煤粉的流速及流量分配等參數。傳感器采用非接觸式結構設計，煤粉與傳感電極不接觸即可實現測量；傳感器與管道內徑一致，安裝后相當于煤粉管道的一部分，對煤粉流動無任何擾動，提高了測量的可靠性，其測量原理[11-12]如圖3所示。

圖3 靜電傳感器測量煤粉流動參數的基本原理Fig.3 Basic principle of measuring pulverized coal flow parameters by electrostatic sensor

靜電傳感器安裝于磨煤機出口每個一次風管道的直管段（圖4），傳感器連接靜電信號處理器，再經通信總線連接系統(tǒng)配套信號分析中心機柜，可獲取靜電強度以及管道內風粉流速等數據。系統(tǒng)采樣間隔設置為30 s，每天可獲取約2 856組數據。

圖4 靜電傳感器安裝位置Fig.4 Installation position of the electrostatic sensor

2.2 現場數據獲取

排除不同傳感器存在的系統(tǒng)誤差以及管道設計帶來的影響，以2號鍋爐A磨煤機出口的1號管道為例。使用該電廠2020年5月數據，排除停機時間后最終采用5月3日至5月24日的現場數據進行研究。將該時間段A磨煤機的煤質加倉情況整理成統(tǒng)計表，并對其加倉的不同煤質進行人工編號，得到具體情況見表2。

表2 2號鍋爐A磨煤機加倉情況統(tǒng)計Tab.2 Statistics of feeding of mill A of No.2 boiler

根據煤質辨識方案的機理和該時間段內A磨煤機的煤質加倉情況，從全截面非接觸式煤粉測量系統(tǒng)機柜獲取不同煤粉的靜電強度和風粉流速數據，并從電廠DCS得到磨煤機給煤量、風量以及磨煤機出口溫度的數據，將不同參數按時間形成所需辨識4種煤質的特征數據組。然后對采集原始數據進行預處理，基于Python編程語言進行數據清洗程序編寫，功能包括數據整合，缺失值、異常值等數據清洗，其中異常值的判定依據各參數中與均值相差超過3倍標準差的數據定義為離群值，最后將不同煤質數據整合形成煤質數據庫。

對煤質的辨識需要在采集數據后，建立模型來實現。在煤質數據庫中，4種煤質各隨機選取1 500組數據，共計6 000組作為分類模型訓練集樣本；另各取300組數據，共計1 200組作為驗證集進行實驗分析。

2.3 數據分析

2.3.1 數據相關性分析

首先對特征參數的數據做相關性分析，判斷根據機理所選參數對靜電強度的相關情況。以煤質1的數據為例，對其各項特征參數進行Spearman相關性分析，計算公式為：

式中：di為2組數據之間等級差；n為變量中數據個數。

得到特征數據間的相關性，結果如圖5所示。圖5中紅色代表正相關，藍色代表負相關，顏色越深相關性越大，數字為相關系數。由圖5可見，靜電強度與其他4項參數均存在不同程度的相關性，故可以證明煤質辨識機理的可行性。

圖5 特征參數相關性分析Fig.5 Correlation analysis of characteristic parameters

2.3.2 數據遲延性分析

對數據做遲延性分析：分別移動4個特征參數的時序，計算其與煤質標簽的基尼系數?；嵯禂抵饕硎就粋€樣本集合中隨機抽取到錯分樣本的概率。其作用和信息增益相同，主要用于表達樣本特征與目標分類之間的相關性。特征與目標分類相關性越強則分類效果明顯，得到的基尼系數越小，當分類完全準確時，基尼系數為0?；嵯禂涤嬎愎綖椋?/p>

式中：p(x)表示某一分支中屬于某一分類的概率。

計算Spearman系數較大的4個特征變量與煤質的最優(yōu)基尼系數，結果如圖6所示。

圖6 特征參數基尼系數Fig.6 Gini coefficient plot for feature parameters

由圖6可見，靜電和風粉流速取得最優(yōu)基尼系數時延遲時間為0，證明風粉流速與煤質在同一時刻采樣點存在對應關系。而風粉流速和煤量取得最優(yōu)基尼系數時明顯超前其他變量，主要由于一次風量和給煤量測點都在磨煤機出口，其采集數據超前屬于合理現象。可以證明：數據樣本中同一時刻采集的數據點部分存在較強遲延。

2.3.3 數據范圍及均值分析

對各項參數進行特征分析，對數據進行最小最大歸一化處理，將參數的范圍及均值情況繪制成箱型圖，結果如圖7所示。由圖7可見不同煤質各特征參數的數據范圍均有不同程度的重合：1）從風量分析，煤質2與煤質4的數據均值接近且重合度高；2）從給煤量分析，煤質2、煤質3與煤質4的數據均值接近且重合度高；3）從靜電強度分析，煤質2與煤質3的數據均值接近且重合度高；4）從磨煤機出口溫度分析，煤質2與煤質3的數據均值接近且重合度高，煤質1與煤質4數據重合度也較高；5）從風粉流速分析，煤質2、煤質3與煤質4的數據均值接近且重合度高。

綜上數據情況可以得出，將不同的特征變量進行有效的組合，可以實現對不同煤質的辨識。

3 模型構建與算例分析

根據采集的特征數據，利用LSTM神經網絡提取不同特征信息間相關性以及同一特征數據的時序相關性，構建煤質辨識分類模型并進行仿真實驗。利用支持向量機（support vector machine，SVM）模型[21]、隨機森林（random tree，RF）[22]模型和循環(huán)神經網絡（recurrent neural network，RNN）[23]進行對比實驗。

3.1 LSTM神經網絡模型

LSTM神經網絡[23-24]是為解決RNN存在的梯度消失和梯度爆炸問題的一種改進，LSTM神經網絡中加入了記憶門、遺忘門等結構，使得其具有長期時序信息提取能力，并廣泛應用在時間序列預測當中。從傳感器設備及DCS獲取數據呈現時間序列數據形態(tài)，且考慮到現場數據可能存在遲延，故選用LSTM神經網絡來訓練數據進行辨識。

為適應煤質辨識的需求，在LSTM神經網絡中使用softmax激活函數（又稱歸一化指數函數）[25]，該函數是二分類函數sigmoid在多分類問題的發(fā)展，可將多分類的結果以概率的形式展現出來。

softmax激活函數公式為：

式中：ak為輸出層中第k個輸入信號；exp(ak)為ak的指數函數；yk為第k個神經元輸出。

3.2 算例分析

3.2.1 LSTM神經網絡測試及辨識結果

LSTM神經網絡模型參數設置情況見表3。LSTM神經網絡模型隱含層層數和神經元個數較少易導致模型學習不充分，過多則易導致模型訓練過擬合，因而分析LSTM神經網絡模型隱含層層數和每層神經元數對辨識結果準確率影響，結果見表4。

表3 LSTM模型參數設置Tab.3 Parameters setting for LSTM model

表4 模型準確率實驗Tab.4 Model accuracy experiment result

根據表4結果，模型辨識結果的最佳準確率為86.84%，選擇最佳的參數為2層隱含層，每層神經元個數分別為16和8。圖8為煤質的辨LSTM神經網絡模型辨識結果。

圖8 LSTM神經網絡模型辨識結果Fig.8 Identification result of the LSTM model

為了更進一步判斷模型辨識的有效性，分別以4種煤質為正樣本引入混淆矩陣（表5），并繪制操作特征曲線（receiver operating characteristic curve，ROC）。同時為衡量分類模型性能，進一步計算ROC曲線下的面積AUC值和正負樣本累計分布間的差值KS值，應用這2個指標進行評價。

表5 混淆矩陣Tab.5 Confusion matrix

其中，分類正確的正樣本占比δTPR和分類錯誤的負樣本占比δFPR根據分類閾值的設定而改變，其計算公式為：

以δFPR為橫軸、δTPR為縱軸，在所有閾值條件下取得的(δFPR,δTPR)數對構成的曲線即為ROC曲線。ROC曲線與δFPR軸包圍的面積大小則為AUC值，δTPR和δFPR的誤差絕對值最大的則為KS值，AUC和KS數值越接近1，表明分類模型效果越準確。分別以4種煤質為正樣本，構建ROC、AUC、KS曲線，圖9為模型評估結果，其中黑色為ROC曲線，紅色為KS曲線，藍色為AUC曲線。

圖9 模型評估結果Fig.9 Evaluation results of the model

由圖9可以看出，針對4種煤質的分類結果ROC曲線都距離對角線較遠，且AUC值基本穩(wěn)定在0.9以上，證明建立基于靜電信號聯(lián)合LSTM神經網絡的煤質辨識模型有一定效果。其中煤質1的ROC曲線上升最快且KS值最高，煤質2和煤質4相近，辨識度相對煤質1較低。

3.2.2 對比實驗

為了更近一步驗證LSTM神經網絡在煤質辨識中的效果，使用SVM模型、RF模型和RNN模型分別進行了對比實驗。其中SVM模型和RF模型是常見的機器學習模型，RNN模型也具有時序特征提取能力，但理論上不具有長期記憶能力。

選取和LSTM神經網絡模型同樣的訓練集和測試集數據，對不同模型進行實驗，得到的AUC值和KS值見表6。由表6可見，不同機器學習模型在基于靜電信號對煤質進行分類的試驗上均有一定效果，證明基于靜電信號建模對煤質分類具有一定辨識度。其中時序網絡LSTM模型和RNN模型分類效果明顯高于常規(guī)SVM模型和RF模型。而相對于RNN模型，基于LSTM神經網絡進行建模分類AUC值和KS值明顯提高，主要由于部分特征變量有較高遲延性，RNN模型無法進行長時序數據間特征提取。

表6 模型對比評價結果Tab.6 Model comparison and evaluation result

4 結 論

1）提出一種基于靜電法聯(lián)合LSTM神經網絡的入爐煤質辨識方法，并在某電廠600 MW機組的2號鍋爐進行實測實驗。

2）提出靜電法入爐煤質辨識機理，煤質與靜電強度、風煤比、磨煤機出口溫度、風粉流速存在非線性映射關系；對各參數數據進行相關性及遲延性分析，得出所選特征參數與煤粉靜電信號強度存在較強相關性，且同一時刻采集的數據點部分有較強遲延。

3）仿真實驗，LSTM模型得到的辨識準確率為86.84%，對不同煤質分類結果的ROC曲線都距離對角線較遠，且AUC值基本穩(wěn)定在0.9以上，證明建立基于靜電信號聯(lián)合LSTM神經網絡的煤質辨識模型有一定效果。

4）分別使用SVM模型、RF模型和RNN模型進行對比實驗并計算各模型AUC值和KS值，得出不同模型對煤質辨識均有一定效果，LSTM模型效果明顯優(yōu)于其他模型，同時證明了基于靜電信號與其他相關特征建模對入爐煤質分類辨識的可行性。