300MW循环流化床锅炉燃烧控制算法研究

熊 彬 潘维加

（1.长沙理工大学电气与信息工程学院；2.长沙理工大学电气与信息工程学院）

1 引言

近几年来，随着节能环保、能源绿色发展政策的提出，循环流化床（CFB）锅炉在热电厂得到广泛应用，在业界掀起了CFB锅炉热潮。2006年4月17日，国家重点项目——白马示范电站引进技术的国内首台300MwCFB锅炉机组顺利完成168h满负荷试运，正式投入商业运行，为国内最大的循环流化床机组；2006年6月、8月，云南大唐红河发电有限责任公司的两台300Mw机组相继投入运行，是我国根据引进技术、自主设计制造的首台300Mw循环流化床机组；2008年1月，完全由我国自主制造的首台国产大型循环流化床机组的秦皇岛发电有限责任公司撑5机组顺利试车成功，并移交生产，标志着国内首台国产化大型循环流化床机组正式投产发电。20lO年6月28日，由我院总承包的神华神东郭家湾发电厂300Mw循环流化床撑l机组顺利完成了168h满负荷试运。我国已经步入到大型循环流化床技术的飞速发展阶段。

针对循环流化床（CFB）锅炉分布参数、时变、非线性、多变量紧密耦合等待性，依据动态自适应方式建立模糊神经网络，提出一种基于自组织模糊神经网络的方法对CFB锅炉燃烧控制系统进行建模。自组织模糊神经网络具有较好的非线性逼近能力、较好的用户友好性和较好的预测精度及泛化能力等优点，能够很好地解决循环流化床锅炉多变量耦合及其动态滞后特性；同时采用PSO双层优化策略对自组织模糊神经网络进行优化[1]。文中所提建模方法对某循环流化床锅炉燃烧系统中床温系统进行实际建模，仿真结果证实了该方法的可行性，对于循环流化床锅炉燃烧系统的控制具有很好的实际意义和应用价值。

2 循环流化床锅炉的基本原理

循环流化床燃烧是在鼓泡流化床燃烧的基础上发展起来的，二者可统称为流化床燃烧技术。众所周知，煤的经典燃烧方式有层燃和悬浮燃烧两种。层燃是将煤均布在金属栅格即炉排上，形成一均匀的燃烧层，空气以较低速度自下而上通过煤层使其燃烧。悬浮燃烧则是先将煤磨成细粉，然后用空气流经燃烧器将煤粉喷入炉膛，并在炉膛空间内进行燃烧[2]。

当风速较低时，煤层固定不动，表现出层燃的特点。当风速增加到一定值（最小流化速度或初始流化速度）时，布风板上的煤粒子将被气流“托起一，床层开始松动，气体对粒子的作用力与粒子的重力相平衡，从而使整个燃料层具有类似流体的特性，形成鼓泡流化床燃烧（又称沸腾燃烧）。当风速继续增加，超过多数粒子的终端速度时，大量灰粒子和未燃尽的煤粒子将被气流带出流化床层和炉膛。为将这些未燃尽的煤粒子燃尽，可将它们从燃烧产物的气流中分离出来，送回并混入流化床继续燃烧，进而建立起大量灰粒子的稳定循环，这就形成了循环流化床燃烧。当气流速度超出所有粒子的终端速度时，就成了煤的气力输送。如果使煤粒子足够细，则可用空气通过专用的管道和燃烧器送入炉膛使其燃烧，这就是煤粉的悬浮燃烧。层燃时，空气流与燃料颗粒间的相对速度较大，燃料粒度组成不均且燃烧反应面积有限，因而反应速度地，燃烧强度不高，燃烧效率低。悬浮燃烧时，燃烧反应面积发生了极大的增加，使得反应速度极快，燃烧强度和燃烧效率高[3]。流化床燃烧介于二者之间。

3 自组织模糊神经网络结构与粒子群算法研究

3.1 自组织模糊神经网络结构

神经网络具有非常好的非线性逼近能力，能够逼近任何复杂的非线性系统，而且具有良好的自学习能力。但在应用中存在一些缺点：首先，网络结构的建立需要使用者具有深入的神经网络方面的理论基础和应用经验，限制着神经网络的应用。其次，存在过学习问题。由于模型结构过于复杂，导致训练精度高但是泛化能力低下，影响了神经网络的性能。因此，近年来大量的进化神经网络算法被提出，本文使用的自组织模糊神经网络（SOFNN）算法便是其一。SOFNN由Gang Leng提出，它结合模糊推理逻辑和神经网络自组织和并行处理的优势，自动地决定网络结构和模型参数[4]。其主要优点在于：具有很好的用户友好性，能够自动地决定网络结构并且给出模型参数，能够提供很好的精度。

自组织模糊神经网络结构为五层，分别为输入层、椭球基函数层、归一化层、模糊决策层和输出层。第一层输入层。本层中的每个神经元代表一个输入变量i=1，2，…，r。第二层椭球基函数（EBF）层。本层中的每个神经元代表一种模糊规则。所选隶属函数为高斯函数，每个隶属函数有自己的中心和宽度；隶属函数乘积作为椭球基函数层输出。第j个神经元输出定义为：

其中ϕ为椭球基函数层神经元个数。第三层中相关神经元的输出和加权偏差 jW ，两者乘积作为本层输出：

第五层输出层。本层中的每个神经元代表着一个由来自第四层的信号之和组成的输出变量。因此，该层的神经元输出为：

自组织模糊神经网络学习过程包括结构学习和参数学习。结构学习采用一种新型白组织方法，通过动态的增加或删减椭球基函数层神经元以得到经济型网络结构；参数学习采用在线递推最小二乘算法。

3.2 粒子群的进化速度和粒子的聚集度

粒子群优化算法首先初始化一群随机粒子，然后通过迭代找到最优解[6]。根据

更新自己的速度和位置。V 是粒子的速度；p present 是粒子的当前位置；r是（0，1）之间的随机数；c1和c2 被称作学习因子，通常c1 = c2 = 2；w 为惯性因子，取值范围在0.1～0.9 之间。

全局最优值取决于个体最优值的变化，同时也反映了粒子群的所有粒子的运动效果。存在：

h 称之为进化速度因子。h 值越小，进化速度越快。当h值保持为1，则断定算法停滞或者找到了最优解。

影响算法性能的另一个因素是粒子的聚集度。在算法中，全局最优值总是优于所有个体的当前的适应度值。并存在：

s称之为粒子聚集度因子。当0＜s＜1，反映所有粒子当前的聚集程度，同时在一定程度上反映出粒子的多样性。s值越大，粒子群聚集程度越大，粒子多样性越小。当s=时，粒子群中的所有粒子具有同一性，如果此时算法陷入局部最优，则结果不容易跳出该局部极点。

3.3 自适应动量因子粒子群算法

w 较大时算法具有较强的全局搜索能力，w较小则算法倾向于局部搜索[7]。LDW算法将惯性因子线性地减少，其变化公式为：

R为当前迭代次数；Wmax 为最大迭代次数。通常取Wmax 为0.9，Wmin为0.4。

w的大小应该随着粒子群进化速度和粒子的逐渐聚集程度而改变，即w可表示为h和s的函数，即

w随着粒子的聚集度的增大而增大，随着进化速度的降低而减小，并存在

式中：Wini为W的初始值，一般Wini=1。由于0＜h＜1，0＜s＜1，所以 Wini-Wh＜W＜Wini+Ws。

根据DCW算法[8]，该算法在运行过程中根据h和s 的值来动态调整w，从而改进算法的性能。初始状态下，置h= 0，s= 0，则DCW 算法步骤是：1初始化粒子的位置向量、速度向量，计算粒子的适应度；2初始化粒子的全局最优值和个体最优值；3如果算法收敛准则满足或达到最大迭代次数，执行7，否则执行4；4对粒子群中的所有粒子相继执行更新粒子速度和位置，计算粒子的适应度 更新粒子的全局最优值和个体最优值；5分别计算h、s和w；6将迭代次数加1，并执行步骤3；7输出gbes t，算法结束。

4 仿真实验研究

依据上文所述的建模结构，应用自组织模糊神经网络对循环流化床锅炉床温控制系统进行动态建模。模型训练结果和测试结果如图1所示。图中蓝色曲线为实际数据，红色曲线为模型预测输出数据。训练和测试过程中，评定标准MSE和RMSE的输出结果如表所示。同时，还给出了应用自适应动量因子粒子群算法优化后所得到的自组织模糊神经网络辨识模型的仿真结果的MSE和RMSE，可以从图2中看出，优化后得到的模型具有更好的辨识精度。

图1 自适应粒子群算法优化前局部放大输出

图2 自适应粒子群算法优化后局部放大输出

5 总结

自动控制系统是实现锅炉安全、经济运行的关键。而循环流化床锅炉是一个非线性、时变、大迟延及多变量强耦合的复杂对象，尤其是燃烧过程，使其自动控制调节异常困难，相对显得十分落后，甚至可以认为这已成为CFB锅炉发展的瓶颈之一。因此，寻求建立一种循环流化床锅炉燃烧系统的精确模型，保证燃烧系统自动控制正常投运，充分发挥循环流化床锅炉的优势，提高经济效益和社会效益，显得非常重要。

利用神经网络所具有的对任意非线性映射的逼近能力，将神经网络模型引入非线性系统建模和辨识中，通过学习得到一个描述系统输入输出关系的非线性映射，这是目前非线性系统辨识中一种引人注目的新途径。由于多层前馈神经网络具有逼近任意非线性映射的能力，因此目前多层前馈网络在系统辨识和建模应用中得到了广泛的应用。本文采用的建模方法：自组织模糊神经网络，结合了模糊推理逻辑和神经网络自组织和并行处理的优势，能够自动地决定网络结构和模型参数，具有较好的非线性逼近能力、较好的用户友好性和较好的预测精度及泛化能力等优点。

[1] 张华，岳中石.300MW循环流化床锅炉燃烧控制策略[J]电站系统工程.2010.06：12-14.

[2] 丁立新.电厂锅炉原理[M].北京：中国电力出版社2009：23-25.

[3] 王志身，杨建蒙，支保峰.锅炉稳定燃烧技术应用与研究[J].电力科学与工程.2008.2：36-39.

[4] 王源，胡寿松.自组织模糊CMAC神经网络及其非线性系统辨识[J] 航空学报，2011.12（1）：35-36.

[5] 乔俊飞.王会东模糊神经网络的结构自组织算法及应用 [J] 控制理论与应用 2008.08（2）：28-30.

[6] GLeng，GPrasad.and T.M.Mc Ginnity.An on-line algorithm for creating self-organizing fuzzy neural networks.IEEE Transactions on Neural Networks，2004，17：1477-1493.

[7] 张选平，杜玉平一种动态改变惯性权的自适应粒子群算法[J] 西安交通大学学报 2008.10：37-39.

[8] Shi Y H，Eber har t R C.A modified particle swarm optimizer [A] .Pro ceedings of the IEEE Co ng r ess on Evolut ionary Computation[C] .Piscataway，USA：IEEE Ser vice Center，1998.69-73.