基于神经网络的固体未完全燃烧热损失研究

2018-07-10，，，，

节能技术 2018年3期

　，，，　，

(1.上海理工大学能源与动力工程学院，上海　2000931； 2.中国特种设备检测研究院，北京　100029)

0　引言

层燃工业炉是我国工业生产和居家生活中主要的能源转换设备，量大面广，但是能效转换率低，对工业锅炉的实际工作状况的了解，通常是对锅炉的运行热效率进行测试。然而，在工业锅炉反平衡计算中,固体未完全燃烧热损失q4是影响锅炉热效率的主要因素之一。锅炉飞灰含碳量是反映锅炉燃烧效率的一项重要指标。目前国内多使用比色卡法等纯经验的方法来确定其值，其测试周期长且准确性较差[1]。国外多采用灼烧失重法，虽测试精度高，但分析时间较长[2]。所以，对于运行中的锅炉，不能在线测出q4的实际值，及时有效地调整燃烧工况，对锅炉热效率影响很大。因此，如何在线定量了解固体未完全燃烧热损失q4，及时有效地调整燃烧工况，是提高燃煤工业锅炉的运行效率亟待解决的技术问题。

锅炉的燃烧是一个复杂的过程，受多因素影响，每一个影响因素都表现出明显的非线性特性,传统的计算方法难以准确描述这一潜在规律[3]。人工神经网络由于适于各种复杂系统输入输出关系的建模，已在锅炉空气预热器积灰的监测中得到应用[4]。本文在多元回归函数分析的基础上，选用目前技术最成熟的前向反馈神经网络[5](Back Propagation)构成黑箱模型来预测固体未完全燃烧热损失q4。

1　影响固体未完全燃烧热损失的因素

在锅炉各项热损失中，固体未完全燃烧热损失占第二位，通常仅次于排烟热损失。在锅炉实际运行中，因为锅炉漏煤一般返回炉膛继续燃烧，所以漏煤未完全燃烧热损失可以忽略不计,则表征它的主要参数为锅炉的飞灰含碳量和炉渣含碳量[6]。q4的简化计算公式如式(1)

(1)

式中αfh、αlz——飞灰份额、炉渣份额；

Aar——入炉煤灰分/[%]。

燃烧过程中，影响固体未完全燃烧热损失(飞灰和炉渣含碳量)的因素有很多，如：燃料特性、燃烧方式、炉膛结构和运行情况等[7]。对于已投运锅炉，其炉膛结构已确定，则影响固体未完全燃烧热损失的因素主要是煤质参数和运行工况。本文选取的具体参数如下。

1.1　过量空气系数(α)

过量空气系数(α)决定了锅炉燃烧的经济性，当过量空气系数减少时，煤粒燃烧所需氧量减少，碳的氧化速度减慢，燃烧就不充分，q4增大；与此同时，空气量的减少，在还原性与半还原性气氛下，炉膛结渣的可能性增大，使得煤粉颗粒的比表面积减少，煤的燃烬率降低，q4也会增大[8]。

1.2　燃煤的挥发分(Vdaf)

挥发分含量是判断燃煤燃烧特性的一项重要指标，挥发分含量越高，固定碳含量相对少一些，煤的总体热值会降低。但是挥发分高易于着火，燃烧放出的热量更快，易于造成炉内高温，有助于固定碳的迅速着火燃尽[9]；另一方面，煤颗粒中的挥发分析出时产生的空隙越多、碳粒的反应比表面积也越大，反应速度加快。所有这些使得煤粒燃烧越完全，锅炉飞灰可燃物越少。

挥发分含量降低时，碳粒的着火温度上升，着火困难，着火时间延迟，燃烧不稳定，锅炉飞灰可燃物增加。

1.3　水分(Mar)

从燃烧学角度来看，煤中有少量的水分对燃烧过程有利，燃烧效果好，q4减少；燃煤水分含量增加时，燃烧过程中水会吸收大量热量，使得炉膛整体温度水平下降,q4会增加[10]。

1.4　燃煤发热量(Qdw)

燃煤发热量大小取决于煤中含碳量高低。因此，一台锅炉的设计煤种与实际运行煤种改变会对q4有较大的影响。当燃用煤种的热值小于设计煤种时，为了维持相同的负荷，进入炉膛的燃料量会增加，此时烟气量增大，炉膛容积热负荷相应降低，燃烧不完全，q4增加；另一方面，当燃用煤发热量大于设计煤种时，燃煤含碳量较大，炉膛容积热负荷就会增加，燃烧不充分，同样会引起q4的增加[10]。

1.5　灰分(Aar)

当燃煤含灰率偏高时，煤燃烧时灰分的吸热量亦会增加，导致火焰温度偏低，煤的燃烬率下降，故固体未完全燃烧热损失q4会增大。

1.6　锅炉负荷(D)

对不同燃烧方式的锅炉都有一个经济性负荷运行范围，层燃方式的链条炉在额定负荷的80%～100%时，主要取决于其设计容积热负荷和炉排面积热负荷，超出或低于此负荷，都会使q4增加。

1.7　一氧化碳含量(CO)

当燃煤在炉内燃烧时过量空气系数偏小，以及炉内燃烧工况不稳定，使得煤燃烧不完全，故而引起q4的增大，造成CO含量偏高。

对于上述参数均为q4预测模型的主要因素，其特点：一是尽可能是工程上容易采集的参数；二是各因素相互之间具有耦合性。

综上所述，建立层燃炉固体未完全燃烧热损失q4的预测模型：如图1所示。

图1　层燃炉固体未完全燃烧热损失q4的预测模型

2　BP神经网络

近年来，人工神经网络由于能自主学习和存储大量的输入- 输出模式的映射关系，特别适合处理多因素相互耦合条件下的模糊信息处理问题。此种方法已在各工程领域中得到广泛的应用，特别是数据建模、预测和函数优化等方向[11]。

2.1　BP神经网络的原理

BP网络是一种按误差反向传播算法训练的多层前馈网络，其学习规则是使用最速下降法，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[12]。通过大量的学习样本训练后，权矩阵与阈值得以固定，接下来只有输入信息的正向传播[13]。算法流程图如图2。

图2　神经网络算法流程图

2.2　神经网络的构建

本文选用三层神经网络，图3为预测q4的神经网络结构图，输入层有i=7个神经元，分别为：锅炉负荷D(i1)、灰分Aar(i2)、燃煤发热量Qdw(i3) 、燃煤挥发分Vdaf(i4)、水分Mar(i5)、过量空气系数a(i6)和一氧化碳含量CO(i7)。隐含层神经元数尽量接近输入层神经元数[14]；经过经验选择和反复调试，当隐含层神经元j=8时，可以得到较准确地预测结果。输出层k=1，为固体未完全燃烧热损失q4，网络的初始矩阵及阈值一般设为随机数矩阵。

图3　q4神经网络结构图

本文记输入层到隐含层的权矩阵为W18×7，阈值为B18×1；隐含层到输出层的权矩阵为W21×8，阈值为B21×1。激励函数是反映下层输入对上层神经元刺激脉冲强度的函数，本文隐含层激活函数选用双曲正切S型函数(tan-sigmoid)。目的是将任意输入值压缩到(-1,1)的范围内；函数表达式如(2)所示；输出层激活函数为线性函数(purelin)，函数表达式如(3)所示[15]；网络输出函数为式(4)

(2)

purelin(n)=n

(3)

(4)

式中I=(D,Aar,Qdw,Vdaf,Mar,a,CO)为输入参数，Q=q4为输出参数；在学习过程中，网络输出为yq4,q4为期望值，则网络的误差平方和(mse)为

(5)

网络训练的过程就是不断减小mse，确定权值的过程。

3　运用BP算法对q4进行预测

初始样本来源于国家级检测中心对额定热功率范围为(4,25)MW, 额定工作压力范围为1.25 MPa和1.6 MPa的纵置式，燃用II类烟煤，层状燃烧，出口介质为饱和蒸汽的燃煤链条炉实际运行的检测数据。

考虑到各输入量之间的耦合，仅双变量耦合就有21种情况，而回归函数的输入不能多于16个。因此，尚无准确的函数模型表达q4。针对本文，利用数理统计方法建立各单一变量(D(x1)、Mar(x2)、Vdaf(x3)、Aar(x4)、Qdw(x5)、a(x6)和CO(x7))与q4(y)之间的回归函数。然后根据各单一变量对q4的影响程度，对网络的样本优化。其中，37组数据用以网络训练，另16组用作测试。

3.1　数据归一化处理

输入参数的取值范围不同，为使各参数所起作用大致相同，以减少各分量在不同数量级范围内对网络的训练造成偏差[16]。对优化后的样本进行归一化处理,最后将仿真得到的数据还原为原始的数量级。

3.2　神经网络预测结果与分析

应用MATLAB神经网络工具箱函数建立q4预测模型，网络采用TRAINDM作为训练函数，图4(a)、(b)分别表示初始样本与优化样本网络的输出均方差满足预设的精度(0.000 1)要求时，网络训练次数。

图4　BP算法的误差性能曲线

图5　网络输出回归函数

图5(a)、(b)分别为初始样本和优化的网络输出与期望输出回归函数，R为回归系数，越接近于1，拟合效果越好；如上图所示，经处理过的样本，R=0.999 94，非常接近于1；经比较，优化后的网络训练速度明显提高，拟合效果显著增强。表1和图6表示固体未完全燃烧热损失的网络输出与误差结果。

由表1计算得，固体未完全燃烧热损失q4的仿真相对误差在(-0.011 38，0.019 37)之间，平均误差为0.538 8%，16组测试样本的平均误差为0.975 1%；基本满足现场测量的精度要求；可见，神经网络在模拟研究对象方面具有较高的准确性，而且泛化能力较强，能满足工程应用需要。

表1q4的预测值与误差值

样本123……3637q4期望值5.228.825.60……7.705.97网络预测值5.279 48.711 35.547 4……7.670 95.892 1误差-0.010 50.013 70.004 6……0.003 80.010 4

图6　神经网络q4 的预测值与期望值的比较

4　q4的优化分析

在运用BP神经网络预测出q4的基础上，对结果分析，建立q4的模糊诊断模型，及时调整运行工况，减少热损失。

4.1　诊断模型的建立

对引起q4变大的主要因素进行编码[17]，编码第一位为0，表示煤质参数，1为运行工况；如表2所示，建立引起q4变大的模糊神经网络诊断模型，该模型的输入层神经元不变，二进制编码位数决定了输出层神经元个数，目标向量作为输出节点；经反复调试，隐含层神经元数为6时训练和测试效果最佳。选取高斯隶属度函数，对样本数据模糊化[18]。隐含层和输出层均采用LOGSIG作为传递函数，训练函数为TRAINGDM,当网络的输出误差平方和小于设定值0.000 1时，停止训练。经过分析，选取每个主要影响因素下的3组数据为训练样本，即18组数据，6个主要影响因素下的各一组数据作为测试样本，网络测试结果显示如表2和表3。

表2引起q4变大的主要因素编码表

序号目标向量主要影响因素及改善措施1[000]燃煤水分(偏大),选用合适的煤质参数2[001]燃煤挥发分(偏小),选用合适的煤质参数3[010]燃煤灰分(偏大),选用合适的煤质参数4[011]燃煤发热量(偏小),选用合适的煤质参数5[100]氧气含量,调节引风机风量6[101]一氧化碳含量,调节鼓风机风量

表3q4诊断网络测试结果

序号实际输出向量目标向量备注1-0.013 00.000 2-0.006 5[000]准确20.005 0-0.002 21.003 3[001]准确3-0.008 31.005 4-0.006 3[010]准确4-0.000 21.009 01.004 6[011]准确50.975 20.000 00.004 2[100]准确60.991 90.002 20.999 2[101]准确

由表3可知，测试的平均误差为-0.202%，准确率很高。证明了模糊神经网络对q4优化的有效性。