基于神经网络算法预测链条锅炉入炉煤水分掺混系统

阮 强，张志刚，陈 卓，武秀玲

(1.呼和浩特市城发供热有限公司；2.呼和浩特富泰热力股份有限公司，内蒙古 呼和浩特 010020)

工业锅炉是我国北方地区冬季集中供暖主要方式。我国在用工业锅炉约62万台。其中燃煤工业锅炉约47万台，占工业锅炉总数的80%以上，年消耗标准煤约4亿t，约占全国煤炭消耗总量的1/4[1]。链条炉排锅炉仍占在用燃煤工业锅炉总数的90%以上[2]，链条锅炉燃烧效率为60%～70%[3，4]。近年来对链条炉排锅炉的增效节能改造主要针对锅炉进行强化燃烧、增加二次风或者应用飞灰复燃技术，改造取得了一定效果。提高链条炉排锅炉燃烧效率，应从更全面的燃烧细节深度挖掘。针对呼和浩特地区各集中区域供热热源厂的链条炉排锅炉进行调查分析发现，锅炉燃烧效率不高。煤粉燃烧过程中，司炉工要根据负荷和炉况变化，综合考虑给煤及鼓风速率、燃料特性、炉膛温度、煤层厚薄、烟气含氧率、火焰位置等，给出相应的操作。操作是否合理，取决于司炉工的技术水平和执业状态。不同操作班组的链条锅炉热效率相差5%～10%。在锅炉入炉煤水分检测环节中，基本通过人为判断入炉煤质水分，控制煤中水分掺混量[10]。由于员工工作环境质量差，人为判定存在诸多主观因素，而入炉煤水分含量直接影响锅炉的燃烧效率和经济运行。要保证链条锅炉持续高效运行，应从入炉煤水分掺混自动控制入手，实现环节自动检测自动掺混以提高锅炉燃烧效率。

1 链条锅炉入炉煤水分含量对锅炉燃烧影响分析

1.1 锅炉入炉煤水分含量对燃烧影响分析

煤在炉膛中燃烧，入炉煤水分受热蒸发，水蒸气与灼热的碳反应生成水煤气，水煤气中的CO增加了碳粒表面的CO浓度，与空气中氧气发生反应放出大量的热，提高固定碳的燃烧速度。水煤气的燃烧速度比固定碳的燃烧速度快，燃烧的火焰长度比固定碳燃烧的火焰长度长，火焰能够更直接与物体进行对流和辐射换热，提高传热效率[5]。在常压下，由水变成水蒸气体积要增加1 650倍，水分从煤层中蒸发出来，在煤层内要留下很多空隙，导致煤层疏松，煤粒间空隙加大[11]，有利通风同时降低水分蒸发通风阻力，达到强化燃烧目的。

煤在炉膛燃烧过程中，初始炉膛温度低，固定碳燃烧速度慢，入炉煤中含有适当水分，可使碎屑和块煤粘在一起减少漏煤和飞灰，有效减少加煤时的煤粉飞扬造成的不完全燃烧热损失，减少黑烟对大气环境的污染[11]。对细粉较多、易黏结的高发热值煤加入适当的水分可使煤层不致过分结焦。

如果增加入炉煤中水分，煤粉干燥时间增加，水分蒸发吸收热量，对煤着火不利；当水分增加时，水蒸气混合到可燃气体中，增加燃气体的热容量，降低了可燃气体浓度，不利于可燃气体燃烧，燃烧室温度下降；水分增加，烟气体积增加，造成排烟损失增加。

1.2 锅炉入炉煤水分对锅炉运行影响分析

锅炉入炉煤水分含量是锅炉的重要参数指标。锅炉入炉煤水分含量影响煤的低位发热量。煤样的全水分值(质量分数)每变化1%，其收到基低位热值将变化209J/g～293J/g。相同质量入炉煤，水分含量高，可燃物比例小，低位发热量低。在燃烧过程中，入炉煤水分含量高，水分蒸发吸收汽化潜热多，煤的低位发热量降低。相同负荷条件下高入炉煤水分含量燃煤耗量增加。运煤设备、碎煤机、磨煤机等相应辅助设备需要加工处理更多煤量，与此相对应的一次风机需要提供更多风量，厂用电量消耗增加。此外，如果入炉煤水分含量增加，输煤管和其他的输煤通道可能会结冰、堵塞，增加运行成本。

综上所述，链条锅炉入炉煤水分对链条炉燃烧效率影响至关重要。如何通过入炉煤水分测试优化分析调整控制入炉煤水分含量备受关注，建模预测入炉煤水分作为链条锅炉优化燃烧控制基础，应进行深入研究。然而，锅炉炉膛内的燃烧及入炉煤水分测试所涉及影响因素较多，难以建立链条锅炉燃烧可调变量与水分测试机理模型。智能算法建模无须考虑输入参数和输出参数之间的测试机理，在建模预测方面应用广泛[6，7]。因此，本文提出基于BP神经网络算法建立链条锅炉燃烧效率与入炉煤水分关系的预测模型，以该预测模型为基础设计入炉煤测试掺混系统，实现入炉煤水分自动检测寻优为目的，为通过调整入炉煤水分控制燃烧，提高链条锅炉燃烧效率提供理论依据[12]。

2 BP神经网络

神经网络(Neural Networks)是基于人脑并从人脑神经网络的机制原理开始，最终映射出与之相近的神经网络模型[8]。学习是神经网络的主要特点。BP神经网络由三部分组成，即输入、输出层以及隐含层。如图1对外部环境提供的模式样本进行学习训练，存储这种模式(称为感知器)；对外部环境有适应能力，能自动提取外部环境变化特征(称为认知器)。在神经网络学习中由外部提供的模式样本信号(称为教师信号)，BP神经网络需要有教师信号进行学习，如图2[13，14]。 BP网络是一种对非线性可微分函数进行权值训练的多层网络，它的最大特点是仅借助样本数据，无须建立系统的数学模型就可对系统实现由若干输入神经元的模式向量P组成的pm空间到yn空间n(为输出节点数)的高度非线性映射。为解决多层前向神经网络权系数优化提出BP算法，其拓扑结构是一种无反馈的多层前向网络。输入部接收外来的输入样本X，由训练部进行网络的权系数W调整，然后由输出部输出结果[15]。在BP神经网络计算过程中，期望输出信号可以作为教师信号输入，由该师信号与实际输出进行比较，产生的误差去控制修改权系数W。学习机构可用图3来表示[9]。神经网络的学习需要多次重复训练，使误差值逐渐向零趋近，最后到达零，获得输出与期望一致目标[16]。

图1 神经网络学习系统

图2 三层BP网络结构

图3 学习机构

信号的前向传播过程中，隐含层第i个节点输入为：

(1)

隐含层第i个节点输出为：

(2)

输出层第k个节点的输入nk为：

(3)

输出层第k个节点的输出nk为：

(4)

误差的反向传播过程对于样本P的误差准则函数Ep为：

(5)

系统对P个样本总误差准则数为：

(6)

式中：Wij为输入层中，第j个节点到隐含层第i个节点之间的权值，Wki代表的是隐含层与输出层之间，第i个节点到第k个节点的权值，xj代表的是输入层的第j个节点的输入；代表的是隐含层第i个节点的阈值；ak代表的是输出层第k个节点的阈值；ok代表的是输出层第k个节点的输出值[13]。

3 基于BP神经网络算法优化的链条锅炉入炉煤水分掺混系统

通过BP神经网络算法以呼和浩特气象条件X1、采暖负荷X2、储煤仓温湿度X3、进厂煤质水分含量X4、入炉煤水分掺混量X5以及链条锅炉燃烧效率测试日时均值为输入样本信号，将数据分为训练样本、验证样本、测试样本进行训练。使用MATLAB软件编程建立训练样本，设置隐含层为8层，学习率为0.035。训练函数设置为train，设置50 000次训练。由训练部进行网络权系数调整，输入样本信号Xi量化至区间[0，1]。隐含层输出为：

hj=fh(nj+bj)

(7)

式中：hj为隐含层第j个节点的输出；wij为输入层的第i节点至隐含层的第j节点的权重；bj为隐含层第j的偏置量；xi为输入层的第i个分量；fh为输出层到隐含层的激活函数，文中选择双曲函数。

输出层的输出为：

(8)

链条炉排锅炉入炉煤水分掺混量预测模型以呼和浩特气象条件、采暖负荷、储煤仓温湿度、进厂煤质水分含量、入炉煤水分掺混量等变量为输入参数，入炉煤掺水量为输出参数。在试验得到的数据中，随机选取若干组作为训练样本，其余作为测试样本。通过BP神经网络算法确定入炉煤水分掺混量预测值。

4 结论

通过入炉煤掺水量预测模型对训练样本和测试样本的预测结果。设计与入炉煤水分采集装置及控制系统。建立入炉煤水分掺混系统流程，如图4所示。

图4 入炉煤水分掺混系统流程

基于BP神经网络算法建立的链条锅炉入炉煤水分含量预测模型与自动水分掺混控制装置可以为企业节约人工成本，提高企业经济效益，为进一步优化链条锅炉燃烧效率提供了理论试验基础。