文档介绍：基于神经网络的锅炉优化燃烧技术
(1. Huadian Hubei Power pany Limited)
摘要:目前大型燃煤机组耗煤量大、煤炭采购的矿点较多、煤质不稳定等导致锅炉燃烧经常偏离设计工矿,如果继续采用设计煤种工矿下的锅炉燃烧控制技术,就难以提高锅炉的燃烧效率。本文介绍的燃烧优化技术是采用神经网络技术建模,并用遗传算法寻优以调整锅炉燃烧的风粉配比等控制参数,实现锅炉燃烧工况动态最优,克服了传统试验法指导燃烧优化调整的缺点,能够较好的指导锅炉在非设计煤种下的稳定高效燃烧,降低锅炉能源消耗及减少氮氧化物的排放,并通过电厂运行试验证明该优化运行技术具有较高应用价值和广阔的应用前景。
关键词:神经网络;燃烧优化;燃烧效率;氮氧化物
锅炉燃烧优化技术是电力系统信息化进程的一个必然步骤,在市场煤、计划电的大环境下,那些非坑口电厂无法获得机组燃用的设计煤种,如何在采购煤种进行掺配后能够获得近似设计煤种情况下获得最优燃烧效果是当前有巨大经济效益的一项工作[1]。
当前火力发电机组已基本实现DCS系统控制, 机组的可控性得到大大的提高。锅炉运行优化控制系统作为机组运行控制的优化决策层,而DCS作为机组运行控制的执行层,DCS能够很好地完成优化决策层下达的控制任务。目前很多在线分析仪表已经进入实用阶段[2],如飞灰含碳测量,烟气连续NOx测量等,为锅炉运行性能指标的在线模型计算提供了精确的反馈量[3]。自动化领域的人工神经网络建模,多变量预测控制等的理论与实践进入了实用阶段,为锅炉运行优化提供了建模和控制手段[4~5]。
神经网络技术介绍
自1943年,心理学家W·Mcculloch和数理逻辑学家W·Pitts在分析、总结神经元基本特性的基础上首先提出神经元的数学模型。此模型沿用至今,并且直接影响着这一领域研究的进展[6]。
50年代末,F·Rosenblatt设计制作了“感知机”,它是一种多层的神经网络。这项工作首次把人工神经网络的研究从理论探讨付诸工程实践。在60年代初期,Widrow提出了自适应线性元件网络,这是一种连续取值的线性加权求和阈值网络。后来,在此基础上发展了非线性多层自适应网络[6]。当时,这些工作虽未标出神经网络的名称,而实际上就是一种人工神经网络模型。
80年代初期,模拟与数字混合的超大规模集成电路制作技术提高到新的水平,完全付诸实用化,此外,数字计算机的发展在若干应用领域遇到困难。这一背景预示,向人工神经网络寻求出路的时机已经成熟。美国的物理学家Hopfield于1982年和1984年在美国科学院院刊上发表了两篇关于人工神经网络研究的论文,引起了巨大的反响[7]。人们重新认识到神经网络的威力以及付诸应用的现实性。随即,一大批学者和研究人员围绕着 Hopfield提出的方法展开了进一步的工作,形成了80年代中期以来人工神经网络的研究热潮。[8]
BP 神经网络
BP 网络是一种单向传播的多层前向网络,是一种具有三层或三层以上的神经网络,包括输入层、中间层(隐层) 和输出层。上下层之间实现全连接,而每层神经元之间无连接。当一对学****样本提供给网络后,神经元的激活值从输入层经过中间层向输出层传播,在输出层的各神经元获得网络的输入响应。接下来,按照减少目标输出与实际误差的方向,从输出层经过各中间层逐层修正备连接权值,最后回到输入层,这种算法称为“误差逆传播算法”,即BP 算法。随着这种误差逆的传播修正不断进行,网络对输入模式响应的正确率也不断上升[8]。
BP 神经网络的设计
通过调用MATLAB 指令: net=newff ( PR, [S1 S2⋯SN], {TF1 TF2⋯TFN}, BTF, BLF, PF) 创建BP 神经网络。PR 为输入量的取值范围; Si 为第i 层的神经元个数,共n 层;TFi 为第i 层的传递函数;BTF 为BP 网络的训练函数;BLF 为BP 网络权值和阈值学****函数;PF 为性能函数。对于如何确定BP 网络隐含层中神经元的个数,往往需要根据设计者的经验和多次实验来确定,因而不存在一个理想的解析式来表示[9]。本研究中, 笔者经过多次尝试, 最后确定隐层神经元数为9, BP 网络调用的各主要函数如下:
net=newff ( minmax( Pn) , [9, 1‘], { tansig‘’, purelin’‘}, traincgf’)
BP 神经网络的训练和仿真
BP 网络生成和初始化后,.trainParam 进行适当设置,再调用train 函数来对网络进行训练。train 函数的常用格式如下:
[net, tr]=train( net, Pn, Tn)
式中: Pn 为输入样本