吴鹏 赵石磊 滕玉彬 潘启明 范长胜

摘要：为改善锅炉吹灰的盲目性，基于改进的径向基函数神经网络递归正交最小二乘算法构建了工厂锅炉积灰预测的非线性模型，用来预测运行过程中锅炉各个受热面积灰程度。根据电厂锅炉实际运行情况，确定了多个特征变量来决定锅炉的工作状况。Matlab仿真实验证明通过所建立的非线性模型，能有效预测出锅炉工作时受热面清洁状况下的吸热量，因此能够实时的反映受热面的积灰程度。

关键词：神经网络；径向基函数；递归正交最小二乘算法；锅炉积灰

DOI：1015938/jjhust201705006

中图分类号： TP391

文献标志码： A

文章编号： 1007-2683（2017）05-0030-05

An Improved Monitoring Model of Boiler Ash Fouling

WU Peng1，ZHAO Shilei2，TENG Yubin1，PAN Qiming1，FAN Changsheng1

（1College of Mechanical and Electronic Engineering， Northeast Forestry University， Harbin 150040， China；

2School of Software， Harbin University of Science and Technology， Harbin 150080， China）

Abstract：To improve the blindness of the boiler soot blowing， the nonlinear model of boiler ash fouling prediction based on improvement of radial basis function neural network （RBF NN） recursive orthogonal least squares （ROLS） algorithm was presented to predict the extent of the boiler heating area during operation According to the actual operation of power plant boiler， multiple characteristic variables were determined to decide the boiler operating conditions The Matlab simulation experiment proves the presented model can predict the heat absorption of the heat surface cleaning effectively， which can reflect the degree of the ash fouling of the heating surface in real time

Keywords：neural network； radial basis function； recursive orthogonal least squares； boiler ash fouling

收稿日期： 2016-01-05

基金項目： 黑龙江省教育厅科学技术研究项目（12533028）

作者简介： 吴鹏（1980—），男，博士后，副教授，硕士研究生导师；

赵石磊（1979—），男，博士，副教授

通信作者： 滕玉彬（1962—），男，硕士，副教授，Email：yubinteng@sinacom

0引言

锅炉在工作过程中会不断地产生积灰，这些积灰产生的热阻会直接减弱工质间的热量交换，影造成换热设备的热效率降低，同时增加能源消耗因而会严重影响设备的正常工作[1-6]。为了防止锅炉积灰严重，使锅炉能够正常运行，锅炉都会采用定时的吹灰方式，但这种吹灰方式一般存在：频繁吹灰造成锅炉受热面损害及吹灰不足时会使锅炉受热面积灰严重两种情况。因此有必要设计新型的吹灰方式以保证锅炉运行的安全性和经济性。

本文基于径向基函数，同时结合锅炉运行时工作的特点，建立了一个检测锅炉积灰的非线性模型。通过对所选取的样本点进行训练，计算出锅炉的灰污特征系数，在仿真实验中可以看出使用所提出的非线性模型可以有效判断锅炉受热面的积灰程度。

3应用实例及结果

将本文提出的模型应用于某额定负载为450t/h的锅炉，由于神经网络训练过程是通过对样本的学习来获得的非线性映射关系的过程。由于锅炉运行在0～300t/h范围内的时间比较少，因此不考虑加入这部分的样本点；本文从现场DAS系统中获取了吹灰器工作结束后20min内的采样点，所采集的训练样本有150个，泛化样本集有50个。应用本文提出的RBF神经网络递归正交最小二乘训练算法所建立的非线性模型进行仿真，仿真结果如图4和图5所示。

图4为预测吸热量与实际吸热量的仿真比较图。图4中圆点代表预测的吸热量；三角形代表实际吸热量。从图中可知，预测值与实际值的相对误差最小为035%，最大为327%，平均相对误差为162%，预测结果比较可靠，能够比较精确的计算出锅炉工作时的灰污特征系数，同时能够计算出锅炉工作时受热面的灰污系数曲线图。

图5所示为锅炉工作时的灰污系数曲线图。该曲线图反映了锅炉工作时吹灰器吹灰前后锅炉受热面积灰结渣的大致情况。由于确定锅炉的运行时各组数据中参数之间的合理性时比较复杂的，因此灰污系数曲线局部存在不稳定现象。endprint

4结论

本文基于神经网络理论，提出了基于RBF神经网络递归正交最小二乘改进算法，将所提出的算法应用到某电厂实际运行的锅炉上，有选择性的选择样本点集，构建了基于神经网络的锅炉积灰在线检测的非线性模型。通过Matlab仿真可以得到本文所提出的非线性模型可精确预测出锅炉工作时炉膛受热面清洁状况下的吸热量，从而能够计算出锅炉的灰污特征系数，能够实时反映受热面的积灰程度。

参 考 文 献：

[1]杨琦， 王辉， 曹伟， 等 锅炉飞灰沉积的数值模拟综述[J]. 节能技术， 2015， 33（6）： 495-508

[2]张雄， 易凡， 徐国飚， 等 燃煤锅炉闭环吹灰优化系统的研发与应用[J]. 电力与能源， 2014， 35（4）： 483-487

[3]吴煜忠， 王茂贵， 张明， 等 智能吹灰优化控制系统的开发和应用[J]. 浙江电力， 2013， 13（2）： 38-43

[4]陈东升， 王龙 基于污染率模型的智能燃气脉冲吹灰系统[J]. 制造业自动化， 2015， 37（10）： 139-141

[5]王杰华， 张韵辉， 杨庆峰 电站锅炉智能吹灰程控系统的应用研究[J]. 工业控制计算机， 2013， 26（5）： 46-47

[6]陈烨璇 基于不同计算机模型的燃煤电站锅炉吹灰优化系统的研究[D]. 北京：华北电力大学， 2015， 3

[7]CHEN S， WANG X X， BROWN D J Sparse Incremental Regression Modeling Using Correlation Criterion With Boosting Search [J]. IEEE Singal Processing Letters， 2005， 12（3）： 198-201

[8]张兴兰，曹长，梅彬 一种新型径向基函数神经网络学习算法 [J].重庆大学学报，2002， 25（10）： 56-60

[9]叶健，葛临东，吴月娴 一种优化的RBF神经网络在调制识别中的应用 [J].自动化学报，2007， 33（6）： 652-654

[10]柴天佑，王笑波 RBF神经网络在加速冷却控制系统中的应用 [J].自动化学报，2000， 26（2）：219-225

[11]CHEN S， WOLFGANG A， HARRIS C J，et al Symmetric RBF Classifier for Nonlinear Detection in Multipleantennaaided Systems [J]. IEEE Transactions on Neural Networks， 2008， 19（5）： 737-745

[12]FERRARI S，BELLOCCHIO F， PIURI V， et al A Hierarchical RBF Online Learning Algorithm for Realtime 3D Scanner [J]. IEEE Transactions on Neural Networks， 2010， 21（2）： 275-285

[13]宋清昆， 李源松 RBF神经网络锅炉燃烧系统建模[J]. 哈尔滨理工大学学报， 2016， 21（1）： 89-92

[14]曹勤峰， 崔巍 锅炉吹灰优化控制系统的研究与应用[J]. 浙江电力， 2015， 4（3）： 35-39

[15]李源松 基于神经网络的锅炉控制系统优化研究[D]. 哈尔滨：哈尔滨理工大学， 2015

[16]王卫兵， 徐国臣， 石林， 等 基于Symphony DCS系统的燃煤电站海水脱硫温度控制[J]. 哈尔滨理工大学学报， 2014， 2（1）： 67-73

[17]石林 燃煤动力锅炉气力除灰控制系统的设计与实现[D]. 哈尔滨：哈尔滨理工大学， 2015

[18]信晶， 孙保民， 肖海平， 等 应用支持向量机检测电站锅炉受热面积灰研究[J]. 中国电机工程学报， 2013， 33（5）： 21-27

[19]CHEN S， COWAN C F N， GRANT P M Orthogonal Least Squares Learning Algorithm for Radial Basis Function Networks [J].IEEE Transactions on Neural Networks， 1991， 2（3）： 302-308

[20]姜家輝 矩阵理论基础[M].大连：大连理工大学出版社，1995

[21]王永骥， 涂健 神经网络控制[M].北京： 机械工业出版社，1998

（编辑：温泽宇）endprint