锅炉生产过程神经网络建模方法研究.docVIP

锅炉生产过程神经网络建模方法研究 　　摘要：针对锅炉效率计算中正平衡法和反平衡法都不能完全反映真实锅炉燃烧过程的实际情况，该文提出基于神经网络的锅炉生产过程建模方法，该方法不需要太多监测数据并且保证了建模的准确性。 　　关键词：锅炉效率；神经网络；建模 　　中图分类号：TP183文献标识码：A文章编号：1009-3044(2008)34-1845-03 　　Research on Neural Network Modeling for Boiler Production Process 　　YU Yun, WEI Jin 　　(Nanjing College of Information Technology, Nanjing 210046, China) 　　Abstract: Based on the fact that Thermodynamics?method cannot reflect the true combustion process,a Neural Networks modeling method is presented in this paper, This method does not need too much data and can also ensure the accuracy 　　Key words: boiler efficiency; neural network; modeling 　　 　　1 引言 　　电力是国民经济的命脉，在我国政治、经济和社会生活中，电力系统发挥着十分重要的作用。在电力系统中，火力发电又显得尤为关键。在火力发电过程中，煤炭经过工业锅炉燃烧产生蒸汽，蒸汽驱动气轮发电机来产生电能。因此工业锅炉是火力发电的、关键生产设备之一[1]，而锅炉效率是表征锅炉经济运行的主要综合技术指标，在锅炉的性能考核时有相应的锅炉效率的计算模型，但所需测量参数比较多，在锅炉实际运行过程中，受运行条件的限制，几乎不可能测得进行锅炉效率计算的所有参数，此外在实际生产过程中，影响系统运行的因素繁多，即使相同的设备、相同的运行工况也会因为某一个操作参数发生变化而影响系统运行过程。因而单纯从物质、能量等角度建立准确的、反映设备生产过程的机理性数学模型十分困难。从生产现场采集的数据中隐含了与过程运行状态相关的建模知识，对此生产数据的准确建模，可以建立起能反映生产过程运行状态的较为精确的数学模型，在保证稳定性的同时，提高整个系统运行的效率和系统的可维护性，让生产由一般意义上的安全运行向经济运行飞跃。 　　2 锅炉生产过程的神经网络建模 　　锅炉系统的主要性能参数是锅炉效率，由于电厂锅炉的效率受设备、工况、燃料等等多种因素影响，并且它们之间存在着高度的复杂性和非线性性，无论是正平衡法还是反平衡法都是经验的公式总结，不能完全反映真实锅炉燃烧过程的实际情况，因此在实际使用中有很大的局限性。神经网络作为一种智能建模方法，能够充分逼近任意复杂的非线性关系，非常适合描述具有黑箱性质和非线性强的对象。同时采用神经网络方法对锅炉效率进行建模预测的结果对锅炉效率的优化也可以起到一定的指导作用，因此本文采用神经网络对锅炉效率进行建模研究。 　　2.1 建模思路 　　在了解锅炉的生产过程，特别是了解了锅炉效率的计算模型后，可以很容易得确定影响锅炉效率的因素，通常情况下，对锅炉效率用神经网络进行建模时，需要测定以下参数：排烟温度、排烟处的氧量、飞灰含碳量、应用基低位发热量、应用基灰分、NOx排放等等。将这些因素作为神经网络的输入，而将锅炉效率作为神经网络的输出建立模型。模型结构如图1所示。此模型比较简单，需要测量的数据量不大，计算比较方便。 　　上述参数中，排烟温度、排烟处的氧量等可以从电厂DCS中获得实时数据，而应用基低位发热量、应用基灰分等一类和煤种煤质相关的数据可以从检验部分获得。而飞灰含碳量、NOx排放浓度等数据通常是要靠计算出来的。这些靠计算得到的数据其计算又牵涉到很多复杂的影响参数，并且参数之间的非线性程度也比较高，往往也很难通过某一数学公式计算出来，即便根据经验总结出相应的计算公式，在不同生产环境下计算出来的数据也不一定准确，这时，我们也可以通过神经网络的方法建立飞灰含碳量和其主要影响因素之间的模型以及NOx排放的质量浓度和其主要影响因素之间的模型，对其进行建模、预测和软测量。 　　2.1.1 锅炉生产过程中飞灰含碳量建模 　　影响锅炉热效率较大的几个因素主要是排烟损失和固体不完全燃烧损失，对于煤粉燃烧锅炉，固体不完全燃烧损失中又以飞灰含碳量造成的不完全燃烧损失为主。排烟损失与锅炉运行参数（配风、煤质、氧量等）的关系较简单，已知锅炉燃用煤质、排烟氧量、排烟温度及环境温度