基于模糊神经网络的电站燃煤锅炉结渣预测 forecasting slagging properties of coal-fired boiler in power station based on fuzzy neural network.pdfVIP

第26卷第6期 电力科学与工程 V01．26．No．6 ElectricPowerScienceand Jun．．2010 20lO年6月 En西neering 基于模糊神经网络的电站燃煤锅炉结渣预测 王洪亮，王东风，韩 璞 (华北电力大学控制与计算机工程学院，河北保定071003) 摘要：分析了电站锅炉结渣的影响因素，确定评判锅炉结渣倾向性的指标。将模糊数学和BP网络相结 合，构成模糊神经网络模型。采用不同的隶属函数将判别指标模糊化，以实际电站锅炉作为训练样本， 对该模糊神经网络模型进行训练，并对给定4组电站锅炉进行预测。分析比较预测结果，最终确定4组 锅炉的结渣倾向性；试验结果表明，此种方法能够更准确地预测电站锅炉结渣倾向性，为实际锅炉设计 及运行提供科学依据。 关键词：结渣特性；模糊神经网络；隶属函数；样本；预测 中图分类号：TK227．2文献标识码：A 络的输出。 0 引 言 1．1判别指标的确定 综合考虑影响锅炉结渣的因素，将代表煤灰 影响电站锅炉炉膛结渣的因素很多，长期以 本身特性和锅炉实际运行工况的7个指标∞]：软 来，很多研究人员对此进行了试验总结。炉膛结 渣不仅仅与煤灰本身特性相关，还要受炉内温度 比G，综合指数尺，以及无因次炉膛平均温度妒。， 水平及温度场、炉内空气动力工况的影响…。但 无因次实际切圆直径吼确定为该模型预测锅炉结 这些单一的判别指标的分辨率往往不高，原因在 渣的判别指标，将这些指标定义为 于炉膛结渣倾向性本身就是一个模糊的概念，结 硅比G： 渣程度是一个由弱到强的过程。本文充分利用了 siO．×100 G=——————————————二三_————————————————一 “模糊”的概念，将模糊数学理论与神经网络的 知识相结合，构成模糊神经网络模型，引入了代 酸碱比删： 表煤灰自身特性和锅炉实际运行工况等7个指标； B 一：=～ 另外，采用了10个不同的隶属函数，将以上7个 A Si02+A1203+Ti02 指标分别进行模糊化处理，作为模型的输入，并 综合指数R： 利用实际的25组电站锅炉作为训练样本，对模型 R：5．415—0．002 9G+ 3￡2+1．237B／A一0．018 进行训练，对另外的4组电站锅炉结渣特性进行 0．282Si02／A1203 预测；观察比较不同隶属函数得到的结果，最终 无因次炉膛平均温度纯：吼=瓦j／t： 确定锅炉的结渣倾向性。 无因次实际切圆直径妒。：钆=D。／／06 l锅炉结渣模糊神经网络模型 为炉膛平均温度；D。i为实际切圆直径；口，6分别 为炉膛的深和宽。各个指标的结渣判别界限见表l。 本模型基于模糊数学理论，采用5种类型的 表l各判别指标的分类界限 隶属函数将结渣预