锅炉风烟系统过剩氧量特性建模技术

张鹏宇

摘 要：火电厂机组容量的不断提高，对锅炉燃烧系统的控制与运行优化就有着更加高的要求，风烟系统过剩氧量的测量与控制直接关系到对锅炉燃烧系统的优化水平。

关键词：锅炉；风烟系统；过剩氧量；软测量技术；神经网络

中图分类号：TK229.6 文献标识码：A 文章编号：1006-8937（2015）26-0074-01

本文介绍了过剩氧量建模的现状与发展，通过对锅炉运行过程的机理分析，分析了影响锅炉风烟系统过剩氧量的因素。

基于软测量建模方法，采用神经网络模型对风烟系统过剩氧量进行建模。文中以锅炉不同稳态工况和变负荷过渡工况采集的历史运行数据作为神经网络的训练样本，使用BP神经网络模型对氧量进行建模，取得了良好的效果。

该文建立的模型可用于送风系统的优化控制，具有一定的工程实用意义。

1 背景及研究内容

火力发电厂是工业中耗煤量较大的用户之一，每年耗煤总量占国家原煤产量的五分之一以上。因此，提高锅炉效率、降低煤耗、节约能源是电力系统的一项重要任务。为了使锅炉保持最佳燃烧工况，必须使空气量与燃料量的比例合适，这个比例称为过剩空气系数。

由于目前直接测量和控制过剩空气系数还很困难，所以只能采用间接的测量方法。

通常用连续测量烟气中氧气含量的方法来了解过剩空气系数，以判断燃烧状况，控制进入炉膛的空气量，从而维持最佳的风煤比，达到优化燃烧的目的。

2 BP神经网络建模原理

BP神经网络，即误差反传误差反向传播算法的学习过程，由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。

当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。

周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者达到预先设定的学习次数为止。

3 氧量特性的神经网络建模与结果比较

3.1 神经网络模型输入输出参数的选择

本文对过剩氧量的建模使用的是神经网络模型，根据对锅炉机组影响过剩氧量因素的分析，拟使用7输入，1输出的神经网络模型来对过剩氧量进行建模，其中7个输入分别是负荷、给煤量、总风量、燃烧器摆角、主汽压力、过热器末级汽温、主汽流量，一个输出是省煤器出口烟气氧量。

3.2 神经网络模型训练和验证数据

本文分别采用了独立的工况数据来训练和验证神经网络模型。用于训练模型的工况数据是一个从300 MW降负荷到210 MW，再从210 MW升到300 MW的变负荷工况数据，并且在300 MW、270 MW、240 MW和210 MW都有一定数量的稳态数据点。

用于验证模型的工况数据是另外一组从300 MW降负荷到210 MW，再从210 MW升负荷到300 MW的变负荷工况数据，同时也在300 MW、270 MW、240 MW和210 MW都有一定数量的稳态数据点。

3.3 过剩氧量BP模型的建立与验证

在BP训练过程中，取了三个较为典型的隐层数作为比较，分别为：5、13个隐层。

①采用5隐层的BP函数进行训练：

BP模型的建立与训练有7个输入，1个输出，采用5个隐层：

net=newff（an，bn，5，{'tansig' 'purelin'}，'trainbfg'）

通过训练以及使用另一组稳态数据对其进行验证，发现，在负荷最低处，即曲线的最顶端，出现的误差还是比较大的。

在检验数据的实际输出与模型输出的误差曲线中，最大误差达到接近0.05，因此反映出5隐层BP训练出的模型还是不能完整精确地反映目标的特性。

因此选择增加隐层数量，经过不断试验，发现当隐层数在13个时，模型反映出的特性较为接近训练与检验数据。

②采用13隐层的BP函数进行训练：

BP模型的建立与训练有7个输入，1个输出，采用13个隐层：

net=newff（an，bn，13，{'tansig' 'purelin'}，'trainbfg'）

先利用一组300 MW的稳态数据对模型进行训练，完成后保存模型，训练效果如下：

模型输出与实际输出的曲线对比，如图1（下转76页）（上接74页）所示。从曲线重合程度来看模型训练程度与5个隐层时的类似。

模型输出与实际输出的误差曲线，如图2所示。从图中可以看出，误差最大不超过0.015，说明训练模型更接近实际，误差已经没有5个隐层时那么大。

模型训练保存后，采用另一组300 MW的稳态数据对模型进行检验。结果如下：

另一组稳态数据的实际输出与模型利用其输入所计算出的模拟输出的曲线在各个负荷阶段的拟合程度都非常好。

检验数据的实际输出与模型输出的误差曲线，如图3所示。从图中可以看出，最大误差只有不到0.03，达到误差超过0.02的点也不是很多，绝大部分负荷区域的误差都能在0.01左右，因此能肯定，13个隐含层的BP网络训练出的模型能够很好地反映实际数据的情况。

4 结 语

本文对锅炉风烟系统过剩氧量特性建模的方法进行了阐述，并针对氧量特性建立模型来进行模拟。综上所述，BP神经网络的隐含层n的选取还是采用了经验公式n=2x-1（x为训练模型的输入参数个数）得出的13层更加能确切地反映出数据的实际情况，在利用外部数据检验模型中也表现出了强大的适应性，因此对BP模型而言，13个隐层是最理想的。

参考文献：

[1] 张路路.基于数据融合的氧量软测量[D].北京：华北电力大学，2005.

[2] 刘闯.基于人工智能方法的烟气含氧量软测量及优化配煤研究[D].杭州：浙江大学，2007.

[3] 赵征.基于信息融合的锅炉燃烧状态参数检测技术研究[D].北京：华北电力大学，2007.