锅炉飞灰含碳量预测研究
2010-03-17王继宝白佑强
王继宝 白佑强
1.张家口市高级技工学校;2.怀来县住建局
0 引 言
锅炉飞灰含碳量对锅炉运行效率和机组总体性能有着很大的影响,但是由于受到煤质、锅炉运行参数等复杂因素的影响,对该指标的测量技术上难度很大,目前还未见成熟的方法.对该指标的准确测量有利于监测锅炉燃烧,降低煤耗,提高运行经济性能.目前,国内外关于飞灰含碳量的监测主要有锅炉飞灰测碳仪[1,2,3]、软测量技术[4,5,6].飞灰测碳仪在技术上遇到了样品管堵灰、附加设备复杂和对测量精度的影响因素较多,造价高、维修保养高.软测量模型多是基于神经网络算法,由于算法本身的特点,很难在较短时间内收敛.
BP神经网络由于其良好的非线性逼近能力,具有较高的预测精度,在各种预测中得到了广泛的应用[7,8,9].但是BP神经网络算法自身存在着不足[10]:(1)学习过程存在陷入局部极值的可能性;(2)学习新样本时有遗忘已学样本的趋势;(3)原始数据信噪比不高时,学习效率不高,甚至不收敛.为了解决BP神经网络自身的缺陷,国内外学者提出了将遗传算法(Genetic Algorithm,GA)等演化算法与BP神经网络相结合的混合算法.差异演化算法(Differential Evolution,DE)是近几年发展起来的一种相对较新的演化算法,在函数优化领域表现突出[11].本文尝试在BP神经网络预测模型中引入差异演化算法,构造DE-BP神经网络预测模型,利用实际数据进行预测实验,并与BP神经网络、GA-BP神经网络模型预测结果进行了对比,以期为锅炉飞灰含碳量预测提供一种新的途径.
1 DE-BP神经网络预测模型
1.1 飞灰含碳量
飞灰含碳量是影响锅炉效率的一个重要指标,通常每降低飞灰含碳量三个百分点,锅炉效率就能提高一个百分点.监测飞灰含碳量有利于指导生产,调整风煤比,降低发电成本,提高机组运行经济性.飞灰含碳量受到煤的全水分、空气干燥基水分、挥发分、灰分等诸多因素的影响,具有耦合性、非线性特征,很难用一个函数准确描述.因此,本文采用预测功能强大的DE-BP神经网络进行飞灰含碳量预测.
1.2 BP神经网络模型
BP神经网络是一种具有三层或者三成以上的阶层型前向神经网络(输入层、中间层、输出层).本文采用三层结构网络,结构图如图1所示.其输入层包含n个结点,中间层为p个结点,输出层为m个结点.
图1 三层BP神经网络结构图
BP神经网络的训练结果将生成四个矩阵:
1.3 DE算法
差异演化算法(DE)是基于实数编码的演化算法,它包括生成初始种群、变异操作、交叉操作和选择操作.其主要运算步骤如下:
1)种群初始化.
将W,V,T,S四个矩阵进行映射到DE的染色体串,映射关系如图2所示.
图2 染色体与权值阈值的编码映射
2)变异操作.
式中η为缩放因子.
3)交叉操作.
变异后的个体和种群中当前的演化个体Si(t)以离散交叉方式进行交叉操作,生成交叉个体Ci(t+ 1),以增加种群的多样性,该个体的第j个分量表是为:
其中randij(0,1)为[0,1]区间的随机数,CR为交叉概率,且CR∈[0,1],rand(i)为[1,l]之间的随机整数,这种交叉策略保证了Si(t+1)至少有一位分量由Si(t)相应分量贡献.
4)适应度函数.
本文采用误差平方测度进行适应度评价,形式如下:
5)选择操作.交叉个体Ci(t+1)和当前个体Si(t)通过对适应度函数的比较,按照贪婪方式进行优选择,即:
反复执行1)—4)的步骤,直到达到最大进化代数tmax.
1.4 基于DE-BP神经网络的预测方法
BP-DE神经网络算法的流程如图3所示.
2 实验结果
选取对飞灰含碳量影响最大的8种影响因素作为神经网络的输入,输出层为飞灰含碳量Ca.输入参数分别是煤的全水分W、空气干燥基水分Wad、挥发分Vad、灰分Aad、低位发热量QL、煤粉细度R、炉膛空气系数α和排烟温度t.实验样本采用张家口某厂锅炉(煤粉锅炉)30组运行数据作为训练样本,对BP-DE神经网络进行训练,另外10组运行数据(如表1所示)利用BP-DE算法进行预测.
图3 DE-BP神经网络算法流程图
表1 神经网络预测样本数据
将BP神经网络、GA-BP神经网络、DE-BP神经网络经过训练以后对表1数据进行预测,结果如图4所示,预测相对误差的绝对值如图5所示.
图4 三种方法预测结果
图5 三种方法预测相对误
通过数据对比图4、图5可知,飞灰含碳量预测的三种方法中,DE-BP神经网络预测方法在各组预测数据中均优于其他两种方法,BP神经网络最大预测误差为 3.61%,GA-BP神经网络最大误差3.63%,本文采用的GA-BP神经网络最大预测误差2.412%,预测精度上有明显提高.
3 结 论
本文针对飞灰含碳量预测构造了基于DE算法的DE-BP神经网络预测模型,并采用该算法对真实数据进行计算,并将预测结果与BP神经网络、GA-BP神经网络预测结果进行对比,表明该算法在预测精度上较其他两种算法有明显的提高.本文为飞灰含碳量预测提供了一种新的途径.
[1]Ouazzane A K,Castagner J L.Design of an optical instrument to measure the carbon content of flay ash.Fuel,2002, 81(15):1907~1911
[2]方湘涛,宜寿民,冯长青.MCE-1型烟道式飞灰含碳量在线测量系统的研制.工程热物理学报,2003,24(3):523~527
[3]刘鸿,周克毅.锅炉飞灰含碳仪的技术现状及发展趋势.锅炉技术,2004,35(2):65~68
[4]Zhou H,HongBo Z.Artificial neural network modeling on the unburned carbon in flay ash from utility boilers.Proceeding of the CSEE,2007,33(6):96~120
[5]Xiaotao F,Nisnyu Y.A system for procasting the unburned carbon of the ash from utility boilers based on BP artificial neural networks.Journal Huazhong University of Science&technology,2005,31(12):75~77
[6]M arta Sebastia,Inaki F.Neural network prediction of unconfined compressive strength of coal fly ash cement mixtures.Cement and concrete research,2007,33(8):1137~1148
[7]Wang Q,Stockton D.J,Baguley P.Using neural networks in cost model development process.Proc of the 16th National Conf on Manufacturing Research.UK:Professional Engineering,2007:59~63
[8]Fortuna L,Grazianis.Soft sensors for product quality monitoring in debutanizer distillation columns.Control Engineering Practice,2005,13(8):499~508
[9]郑洪源,周良.神经网络在销售预测中的应用研究.计算机工程与应用,2001,37(24):30~31
[10]党建武.神经网络技术及其应用.北京:中国铁道出版社,2000
[11]Kenneth P,Rainer M,Jouni A.L.Differential evolution:A practical approach to global optimization(Natural Computing Series).Springer,2006