基于粒子群算法的电站锅炉效率优化研究.pdfVIP

第30卷第4期 杭州电子科技大学学报 VoI．30．pb．4 ∞lo年循月 JeereddH口咖璜∞五Ut面mity ^嘴．∞lo 基于粒子群算法的电站锅炉效率优化研究 史元浩，王景成 (上海交通大学自动化系，上海2(m,to) 摘要：该文以电站锅炉燃烧系统为研究对象，针对电站现场无法在线计算锅炉热效率的问题，利用 髓神经网络建立了锅炉的热效率模型，并在此基础上，采用粒子群优化算法对锅炉运行参数进行 优化。仿真结果表明，髓神经网络效率模型具有较高的精度，粒子群优化算法优化算法可以用于 电站锅炉的热效率优化。 关键词：锅炉效率；神经网络；粒子群算法 中图分类号：嗍 文献标识码：A 文章编号：1COl一9146《2010)04—0025—04 0引言 在能源日益紧张的今天，火力发电厂作为关系着我国国计民生的能源消耗大户，如何在保证安全生 产的基础上节能降耗已经成为其面临的一个十分迫切的问题。锅炉的燃烧优化技术是火电厂节能的重 要手段，而其中锅炉的燃烧效率是衡量电站锅炉能耗的重要指标。锅炉的燃烧过程是一个复杂的物理 化学过程，具有多输人多输出、非线性、大延迟以及强耦合等特点[1J1，难以建立准确的锅炉燃烧模型。在 电站锅炉燃烧试验采用反平衡法计算锅炉效率[2】2，燃煤的元素分析和工业分析数据目前都无法在线获 得，给在线计算锅炉的效率带来了困难。随着自动化控制技术的发展，我国的火力发电厂都实现了DCs 系统的控制，在DCS的基础上，利用锅炉运行的数据采用神经网络[3】3、支持向量机【引、贝叶斯网络【5】5等 人工智能技术以及预测控制[6】6等先进控制算法来建立锅炉的燃烧模型以及优化锅炉的燃烧效率。本文 Swarm 结合X_X神经网络方法以及粒子群优化算法【7J(Particle (Back 证模型精度的基础上利用PSO算法对输入变量进行优化寻找锅炉燃烧效率的最优点，使得运行参数合 理分配，实现优化锅炉效率的目的。 电站锅炉的效率模型建立 1．1 电站锅炉燃烧试验效率计算方法 据GB10184一ss(电站锅炉性能试验规程》锅炉的效率计算通常有两种方法：正平衡法和反平衡法， 对于大型的燃煤电站锅炉，一般采用反平衡法来计算锅炉效率。反平衡法采用以下公式求锅炉效率田： 1}=(1一q2一·q3一q4一q5一q6)×100％’ (1) 式中，q2为锅炉排烟损失，a3为化学未完全燃烧损失，q4为机械未完全燃烧热损失，q5为锅炉散热 损失，q6为灰渣物理热损失。 收稿日期：2010-03—3l 助项目(NcEr一08一0359) 作者简介：史：元浩(1982．-)，男，山西新绛人，在读博士研究生，实时系统控制与仿真． 第4期 史元浩等：基于粒子群算法的电站锅炉效率优化研究 27 该方法中计算锅炉效率需要知道锅炉燃煤的元素分析值以及工业分析值，受实际情况的限制，我国 大部分的电厂这两项数据无法在线获得；而且锅炉的实际运行工况跟试验工况有—定的差异，特别是锅 炉运行一段时间后机械部件的老化、漏风、煤种变化等因素的影响，都会使它的运行工况偏离实际的最 佳工况。为了能够更好的了解锅炉目前的燃烧工况，这就要求我们能够利用有限的在线数据建立实时 的效率模型并对其进行优化控制。 1．2基于BP神经网络的电站锅炉效率模型 —个典型的神经网络包括输入层、隐含层和一个输出层。BP网络的学习训练过程可以简单描述 为：工作信号前向传播，输入信号从输入层经隐含层，在输出端产生输出信号；而误差信号反向传播，网 络的实际输出与期望输出之间的差值即为误差信号由输出端开始逐层向前传播。在误差信号的传播 中，网络的权值右误差反馈进行调节；通过权值的不断修正最终使得网络的实际输出更接近期望输出。 影响锅炉效率的因素很多，如一次风压、二次风压、风煤比、磨煤机出口温度、烟气含氧量、排烟温 度、飞灰