许乐飞，李少华，孟立新

(1．东北电力大学能源与动力工程学院，吉林 吉林132012;2．同煤大唐热电有限公司，山西大同037003)

0 引言

目前，我国比较常用的锅炉试验规程如国标GB标准和美国ASME标准都有对锅炉效率计算的数学模型。但是无论哪种计算模型，都需要入炉煤的分析数据、环境参数、运行参数等，而且测点多且有些测点对测量技术要求高，使整个锅炉效率计算过程繁琐，用于现场实时在线监测具有一定的难度。然而，神经网络中单个神经元具有反映非线性本质特征的能力，将这些简单的神经元进行任意组合，可使神经网络建立任意的非线性连续函数。通过神经网络的训练和学习，使神经网络可以获取数据之间内在的规律，从而对未来进行预测。因此，本文以电厂锅炉实际运行数据为依据，通过分析选取与锅炉效率密切相关的且易于测量的参数作为输入变量，利用BP神经网络来预测锅炉效率。

1 简化的国标锅炉效率计算模型

锅炉效率反平衡计算公式如式(1)所示，q2～q6分别为排烟热损失、气体未完全燃烧热损失、固体未完全燃烧热损失、散热损失和灰渣物理显热损失。对于煤粉炉，式(2)－式(6)已按照国标规定对其进行了简化［1］。

从式(1)－式(6)可以看出，国标中规定的锅炉热损失项目不多，但是每一项的影响因素较多，数据测量计算量大，实时在线计算锅炉效率比较困难，归结原因如下:

1)排烟热损失q2项中需计算出干烟气容积和烟气中水蒸气容积，因此需知道入炉煤的各项元素分析，但是一般电厂只能进行煤的工业分析。如何知道入炉煤的变化是一个难点。

2)固体未完全燃烧热损失q4和灰渣物理热损失q6的计算都需知道飞灰含碳量和炉渣含碳量。精确的飞灰含碳量及炉渣含碳量测量方法为燃烧称重法，此种方法为实验室测量方法，一般需要几个小时的时间，测量结果严重滞后。

2 锅炉效率的影响因素及其影响特性

2.1 煤质变化的影响

一般电厂都难以做到按设计煤种投炉燃烧，而是混掺几样煤种燃烧，尽量接近设计煤种，这样就使得煤的成分发生变化。由文献［2］得知，经过对20多种不同类型和产地的煤的化学分析，可得到煤的收到基低位发热量Qnet，ar与理论烟气量Vy之间的关系如下图1所示，由此可见用Qnet，ar可以表征Vy。

图 1 Qnet，ar与 Vy 的关系图

目前，由于煤的低位发热量的在线分析仪还没有出现，一般先进行煤的工业分析或元素分析，然后再根据相关公式进行计算获得，这样使得数据获取滞后［3］。通过对50种煤样工业分析的数据的分析观察，发现低位发热量与煤质的收到基水分、灰分具有很好的线性关系，如图2所示。

继续对这50组数据进行回归分析，可得到煤低位发热量与收到基灰分、水分之间的关系式(7)及图3回归分析的预测值与实际值的对比图。

从图3中可以看出，煤的低位发热量的预测值和实际值非常接近，而且公式(7)的方差为0.928 6，也表明煤的低位发热量的预测值和实际值相差不远，回归分析所得的煤的低位发热量与煤的收到基灰分、水分之间的关系稳定。因此，可以通过在线监测煤的收到基灰分、水分来获得煤的低位发热量。目前实时性的煤质分析技术有核技术(低能γ射线反散射法、双能γ射线穿透法等)、近红外技术等，由于不受采样的限制，它们都可以不间断地检测煤质，且测量精度高［4］。

2.2 排烟温度的影响

由式(2)、式(6)知，排烟温度的变化必会引起排烟热损失、灰渣物理显热损失的波动。排烟热损失是锅炉各项损失中最大的一项，约为4%～7%，占整个热损失的50%～70%［5］。一般情况下，排烟温度升 10℃，排烟热损失随之增加 0.4% ～0.6%［6］。除此之外，由于排烟温度升高，飞灰温度随之升高，同样质量的飞灰所携带的热值增大，灰渣物理显热损失增多，影响锅炉效率。

一般电厂都是在锅炉尾部烟道各个方向布置温度传感器，实现对排烟温度的在线测量。

2.3 过量空气系数的影响

过量空气系数对锅炉效率的影响是正反两方面的:氧量增大有利于煤粉的完全燃烧，减少未燃可燃物及一氧化碳造成的损失;氧量增大，使烟气量增大，排烟温度升高，干烟气损失、各项水分引起的损失及灰渣显热损失增大;氧量增大，使送、引风机电耗增加，造成厂用电率和单位煤耗增多。一般通过在线监测锅炉尾部烟气中含氧量，再根据式(8)来间接获得过量空气系数，表达式为

电厂都装有氧量在线测量仪，如氧化锆氧量仪。一些科研单位研发的新式排烟温度测量仪、烟气分析仪等，能对排烟温度进行在线连续测量。

2.4 飞灰含碳量的影响

由式(4)、式(6)知机械未完全燃烧损失、灰渣物理显热损失主要是由灰渣和烟气中未燃碳引起的，占锅炉全部输入热量的1%～4%。根据国标规定，灰渣组合成分按飞灰占90%、炉渣占10%取，因此这两项损失主要取决于飞灰含碳量的大小。

实际运行中锅炉飞灰含碳量受配风方式、煤种、氧量、负荷以及燃烧器摆角等因素影响，选取某300 MW电厂锅炉65组稳定工况下得到的运行数据，经过数据统计发现飞灰含碳量与锅炉负荷和排烟氧量分别成线性关系，如图4、图5所示。

通过Excel数据分析宏对这65组数据进行回归分析，得:

图6是采用回归分析后得到的65组预测值与实际值的结果比较，从图6中可以看到用回归分析所得的数学模型式(9)，能较好地预测飞灰含碳量的值和证明该模型的可行性。

图6 Cfh预测值与实际值的比较

2.5 进风温度的影响

从排烟热损失及灰渣物理显热损失来说，空气温度越高，造成的损失越大［7］，其原因在于空气温度升高减弱了空气预热器的换热能力，同时使干烟气、烟气中的水蒸气及灰渣的平均温度变高，使它们的焓值增大，故热损失增多;空气温度的升高还会使送风机出力降低，增加送风机电耗;空气温度的升高增加了燃料的着火热，有利于煤粉的稳定燃烧，不至于着火不稳而需增加燃料量。以某电厂锅炉带暖风器运行为例，将进入锅炉系统的空气温度从20℃逐渐调至50℃，计算其锅炉效率。结果表明，当进入锅炉的空气温度每提高10℃，锅炉效率下降0.35%。

3 BP神经神经网络锅炉热效率模型

3.1 建立BP神经网络的锅炉效率预测模型

BP(Back Propagation)神经网络，是一种误差反向传播的多层前馈网络，由信息的正向传播和误差的反向传播两个过程组成。BP神经网络的学习规则是使用追速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小，收敛速度快。因此，根据以上分析，可建立以煤的收到基水分、煤的收到基灰分、排烟温度、排烟氧量、锅炉负荷和冷空气温度为输入变量，锅炉效率为目标输出变量的BP神经网络，其结构如图7所示。

选取某电厂2号125 MW锅炉试验过的30组数据作为BP神经网络的训练样本，另外10组数据作为预测验证样本。经反复选取训练函数和模型特征参数后，发现当网络结构为6－14－13－1，节点传递函数分别取为tansig、tansig、purelin，学习算法取为量化攀登共轭梯度法trainscg时，网络的收敛速度最快。其模型特征参数为:迭代过程显示net．trainParam．show=100;最大训练次数net．trainParam．epochs=5 000;训练目标误差 net．trainParam．goal=1e－3。

3.2 BP神经网络的训练和验证

该BP神经网络的训练过程如图8所示。由图

图7 锅炉热效率BP神经网络模型

8可知，当训练达到1 877步时，模型达到了预期的误差目标，训练结束。

图8 BP神经网络的训练过程

图9、图10是该神经网络训练样本和预测验证样本的预测输出和期望输出。从图9、图10中可以看出，无论是训练样本还是预测样本的预测输出锅炉效率值与实测的锅炉效率值都非常接近。这表明，该神经网络训练集误差和预测集误差都较小，网络具有良好的泛化能力，能较准确地预测锅炉效率，同时也说明了该模型的正确性。

4 结论

1)煤的低位发热量与燃烧所产生的理论烟气量存在着线性增长关系，低位发热量越大，理论烟气量越多。在实际电厂运行中，可以采用在线测量的煤的收到基水分、灰分来表征煤的低位发热量，其回归线性关系式见式(7)。

2)锅炉负荷和排烟氧量分别与飞灰含碳量存在着线性增大与减小的关系，采用回归分析得到锅炉负荷、排烟氧量与飞灰含碳量的关系式(9)，据此，可以通过在线监测锅炉负荷和排烟氧量来预测飞灰含碳量。

3)基于BP神经网络的锅炉效率预测模型其训练样本与预测样本非常接近，具有良好的泛化能力，因此可以用于工程实践测量锅炉效率。

4)该锅炉效率BP神经网络预测模型，采用少量的测量数据即可得到锅炉效率，简便可行。现场运行人员根据得到的锅炉效率及时准确地调整锅炉运行参数，使机组保持在最高的锅炉效率下运行，对于机组的节能降耗具有重要意义。

［1］汪永祥，王德彬．采用煤低位发热量计算烟气量方法的探讨［J］．吉林电力，2008，36(5):11 －14，53．

［2］刘天新，韩士杰，杨小平，等．利用工业分析结果推导计算我国煤低位发热量的新公［J］．煤炭科学技术，1992(7)．

［3］王友壮，顾炯，薛伟超．热电厂煤质在线分析的应用［J］．煤，2010，19(8):30 －32．

［4］容銮恩，袁镇福，刘志敏，等．电站锅炉原理［M］．北京:中国电力出版社，1997．

［5］孙中国．煤质水分、热值变化对排烟温度及锅炉效率的影响［J］．锅炉制造，2010(2):19 －22．

［6］周昊，朱洪波，曾庭华，等．基于人工神经网络大型电厂锅炉飞灰含碳量建模［J］．中国电机工程学报，2002，22(6):96 －100．

［7］刘林波，李斌，蔺殿军．进风温度变化对锅炉修正排烟温度和修正热效率的影响［J］．华中电力，2004，17(2):20 －22．