基于改进PLS算法的火电机组燃煤热值建模

李 静 孙灵芳

(东北电力大学自动化工程学院，吉林 吉林 132012)

基于改进PLS算法的火电机组燃煤热值建模

李 静 孙灵芳

(东北电力大学自动化工程学院，吉林 吉林 132012)

通过对入炉燃煤工业分析数据和与热值的关系进行分析，选取了燃煤水分、灰分、挥发分、固定碳和全硫分5种工业分析成分作为模型的输入，以燃煤热值作为模型输出，基于改进偏最小二乘(PLS)算法搭建了某电厂燃煤热值预测模型。预测模型中采用PRESS值确定潜变量的个数。预测结果表明：该模型预测精度较高，预测偏差满足工程要求。

偏最小二乘算法 燃煤工业分析 热值 建模

燃煤的热值，也称为煤炭发热量，指单位质量的煤完全燃烧时所发出的热量。煤的热值不仅是动力煤热值计价依据，更是燃煤工艺过程热平衡、耗煤量及热效率等的计算依据。煤炭热值的高低，直接影响到煤的经济价值。煤的热值实质上是煤中碳、氢、氧及硫等元素的综合反映。目前,国内外主要采用离线方式测定煤的热值。国标规定的热值测量条件较为苛刻，对反应条件要求较高，因此不能对检测样品的热值做出快速反应。另外，还可利用工业分析与元素分析结果组成的试验数据推导出热值的经验公式进行预测，此类经验公式可以快速估算出煤的热值，但有些公式误差较大。

国外学者对燃煤热值的测量进行了诸多探索。Franco A[1]、Querol X[2]及Goodarzi F[3]等先后采用复杂的热力学分析方法，如热重法、导数热重法及差热分析法等去测定煤的热值；Hassanzadeh S[4]、Peter H G[5]等建立了相应的经验公式。而随着计算机应用技术的发展，许多新的方法被用于煤炭热值的计算，如人工神经网络算法等[6,7]。在国内，梅晓仁等建立了煤质热值与灰分之间的回归模型[8]；韩忠旭等运用能量守恒定律构造出了一种燃煤热值的软测量算法[9]；刘志华通过求解方程并采用门捷列夫公式，求得煤的收到基低位热值[10]；Li Z等采用近红外频域自适应分析法建立了燃煤热值模型[11]；周孑民等采用神经网络方法对煤的热值进行了预测建模[12]；关跃波等采用支持向量机理论建立了煤热值预测模型[13]；闵凡飞和王龙贵利用加权均值生成数据建立了GM(0,3)模型[14]；张西春等推导出了动力煤热值与工业分析指标间的数学模型[15]，笔者通过对某电厂入炉燃煤工业分析数据和与热值关系的分析，基于改进偏最小二乘(Partial Least Squares,PLS)算法搭建了入炉燃煤热值模型，并对该电厂另一超临界燃煤机组入炉燃煤热值进行了预测。

1 煤的工业分析成分和与热值的关系分析

在国家标准中，煤的工业分析是指对煤的水分、灰分、挥发分和固定碳4个分析项目指标的测定的总称[16]。通常煤的水分、灰分和挥发分是直接测出的，而固定碳是用差减法计算出来的。从广义上讲，煤的工业分析还包括煤的全硫分的测定。

水分。煤中水分分为内在水分、外在水分、结晶水和分解水。煤的水分增加，煤中有用成分相对减少，且水分在燃烧时变成蒸汽要吸热，因而降低了煤的热值。水分指标包括：全水分，是煤中所有内在水分和外在水分的总和，通常规定在8%以下；空气干燥基水分，指煤在空气干燥状态下所含的水分，也可以认为是内在水分，旧国家标准称之为分析基水分。

灰分。指煤在燃烧后留下的残渣。灰分高，说明煤中可燃成分较低，热值低。同时在精煤炼焦中，灰分高低决定焦炭的灰分。通常的灰分指标有空气干燥基灰分、干燥基灰分等。

挥发分。指煤中有机质可挥发的热分解产物。其中除含有氮、氢、甲烷、一氧化碳、二氧化碳及硫化氢等气体外，还有一些复杂的有机化合物。挥发分高的燃煤其热值也会增加。挥发分的大小与煤的变质程度有关，煤炭变质程度越高，挥发分就越低。常使用的挥发分指标有空气干燥基挥发分、干燥基挥发分、干燥无灰基挥发分和收到基挥发分。

固定碳。煤中去掉水分、灰分、挥发分后，剩下的就是固定碳。固定碳是煤的热值的重要来源，所以有的国家以固定碳作为煤热值计算的主要参数。

全硫分。煤中的硫分，按它存在的形态分为有机硫和无机硫两种，有的煤中还有少量的单质硫。按它在空气中能否燃烧又分为可燃硫和不可燃硫。有机硫、硫铁矿硫和单质硫都能在空气中燃烧，都是可燃硫。硫酸盐硫不能在空气中燃烧，是不可燃硫。常用的指标有空气干燥基全硫、干燥基全硫和收到基全硫。

2 基于改进PLS的火电机组燃煤热值模型搭建

2.1样本集的建立

选取某火力发电厂600MW超临界单元机组1#炉燃煤作为建模对象。从中随机选取了近两年的燃煤热值和工业分析数据共计70组作为训练样本，部分数据见表1。

表1 部分训练样本

2.2建模

根据PLS建模理论[17]建立火电机组燃煤热值PLS模型，具体建模过程如下：

b. 计算第k步的权重(组合系数)w(k)。

c. 采用公式t(k)=E(k)w(k)计算第k个潜变量t(k)。

异常点检查合格率(%)：针对本项目中各元素的含量情况，对不同元素中含量异常的样品进行了抽查分析，异常点检查数200件，占送样总数的3.03%。合格率均在91.00%～95.00%之间，均≥90%。

g. 建立PLS方程。若迭代在第k+1步停止，则PLS方程为y*=r1t1+r2t2+…+rktk。

图1 潜变量个数与PRESS的关系

根据以上步骤得到标准化后的PLS方程为：

y=1.3268-1.2812x1-0.7145x2-0.0585x3+

0.0611x4+0.2115x5

(1)

基于改进PLS的燃煤热值预测值与实际值对比如图2a所示。为了比较，在此采用常规的交叉验证方法并采用相同的训练样本进行训练，通过计算可得，Q32=0.0305lt;0.0975，因此，提取潜变量数为2，所建立的方程为：

0.0498x4+0.5237x5

(2)

该预测模型对训练样本的预测值与实际值对比如图2b所示。经过计算可知，改进前、后得到的燃煤热值预测模型平均误差分别为14.67%和7.12%。

a. 改进后预测结果与实际值对比

b. 改进前预测结果与实际值对比图2 训练样本预测结果对比

2.3应用实例

为验证模型的泛化能力，将搭建好的模型对该电厂另一台600MW火电机组的燃煤热值进行预测。随机选取了该机组2010年12月、2011年5月和7月3个月内共计39组煤质分析的数据，组成测试样本。模型预测结果见表2。由表2可知，该测试样本中最大误差出现在2011年5月，为9.89%，该误差满足工程要求，说明所建模型具有较好的泛化能力。

表2 2#机组燃煤热值预测结果

(续表2)

3 结束语

煤热值是评价入炉燃煤煤质的重要指标，也是调整锅炉燃烧的重要依据。笔者基于燃煤工业分析数据对某电厂入炉燃煤热值搭建了偏最小二乘模型。采用该模型进行预测，结果表明：预测精度较高，预测偏差满足工程要求，具有实际工程应用价值。

[1] Franco A, Diaz A R. The Future Challenges for “Clean Coal Technologies”: Joining Efficiency Increase and Pollutant Emission Control[J]. Energy, 2009, 34(3): 348～354.

[2] Querol X, Umana J C, Alastuey A,et al. Extraction of Soluble Major and Trace Elements from Fly Ash in Open and Closed Leaching Systems[J].Fuel，2001, 80(6): 801～813.

[3] Goodarzi F. Minerology,Elemental Composition and Modes of Occurrence of Elements in Canadian Feed Coals[J].Fuel，2002, 81(9): 1199～1213.

[4] Hassanzadeh S,Hosseinibalam F,Omidvari M.Statistical Methods and Regression Analysis of Stratospheric Ozone and Meteorological Variables in Isfahan[J].Physica A:Statistical Mechanics and Its Applications，2008,387(10):2317～2327.

[5] Peter H G,Diane W,Jerome H Z.Calculation of Calorific Value of Coals from Ultimate Analyses:Theoretical Basis and Geochemical Implications[J].Fuel,1998,65(6):849～854.

[6] Mesroghli S，Jorjani E，Chehreh C S. Estimation of Gross Calorific Value Based on Coal Analysis Using Regression and Artificial Neural Networks[J]. International Journal of Coal Geology, 2009, 79(1-2): 49～54.

[7] Telmo C,Lousada J, Moreira N.Proximate Analysis,Backwards Stepwise Regression between Gross Calorific Value, Ultimate and Chemical Analysis of Wood[J].Bioresource Technology,2010,101(11):3808～3815.

[8] 梅晓仁，陈鹏，高永胜.基于SPSS的煤质发热量相关因素分析及其回归模型研究[J].中国煤炭，2011，37(7): 88～92.

[9] 韩忠旭，周传心，李丹，等.燃煤发热量软测量技术及其在超临界机组控制系统中的应用[J].中国电机工程学报，2008，28(35):90～95.

[10] 刘志华. 基于烟气成分分析的电站锅炉入炉煤质监测模型的研究[D].长沙：中南大学，2007.

[11] Li Z, Wang S H, Zhao Y, et al. Model Research of Electric Coal Calorific Value Based on Near Infrared Frequency Domain Self-adaption Analysis Method [J]. Spectroscopy and Spectral Analysis, 2014, 34(10): 2792～2797.

[12] 周孑民，朱再兴，刘艳军，等. 基于Elman神经网络的动力配煤发热量及着火温度的预测[J].中南大学学报(自然科学版), 2011, 42(12): 3871～3875.

[13] 关跃波, 尹涌澜,孙斌，等.应用最小二乘支持向量机预测煤的发热量[J].东北电力大学学报, 2006, 26(6): 66～69.

[14] 闵凡飞, 王龙贵.GM(0,H)模型在煤炭发热量计算中的应用[J].煤炭科学技术，2000, 28(5):43～45.

[15] 张西春，马学军，刘萍.动力煤发热量与工业分析指标间数学模型的研究[J].选煤技术，2000,(4)：8～10.

[16] 徐继刚，冯新泸，管亮，等.复合PLS模型在近红外光谱分析煤炭中的应用[J].化工自动化及仪表，2012，39(2)：178～181.

[17] 文孝强，苗庆龙，孙灵芳.基于主成分分析和PLS算法的弧线管污垢特性研究[J].化工自动化及仪表，2015，42(6)：656～660.

ModellingofFireCoalCalorificValueinPowerUnitBasedonImprovedPartialLeastSquaresAlgorithm

LI Jing, SUN Ling-fang

(SchoolofAutomationEngineering,NortheastDianliUniversity,Jilin132012,China)

Through analyzing the relationship between industrial analysis data and calorific value of the fire coal in the furnace, and taking moisture, ash, volatile matter, sulphur content and fixed carbon and sulphur content in the fire coal as the model’s input and fire coal’s calorific value as the output, a coal-fired prediction model was built based on the improved partial least squares regression algorithm. In this prediction model, thePRESSwas taken to determine number of latent variables. The predicted results show that, the regression model has higher prediction accuracy and the prediction error can meet the engineering requirements.

partial least squares algorithm, coal fire industrial analysis, calorific value, modelling

TH89

A

1000-3932(2016)05-0501-05

2016-03-18(修改稿)