基于时延Elman神经网络的火电机组低负荷煤量平衡自动化控制方法

熊锐，程文峰，李世杰，肖嘉鸣，刘嘉晔

（1.国家电投集团江西电力有限公司，江西 南昌 330096；2.国家电投集团江西电力有限公司分宜发电厂，江西 新余 336611）

0 引 言

在极端运行环境下，当某一段线路出现失电故障时，可能使火电机组瞬间失去控制，燃烧大量的煤炭，严重可导致机组发生安全事故。因此，对低负荷下的火电机组燃料系统进行平衡自动化控制是十分必要的。

Elman神经网络具有非常优秀的学习能力和非线性拟合能力，基于此，本文将其应用在火电机组煤量控制中，提出一种煤量平衡自动化控制方法。其创新之处在于基于热能转换为机械能和电能所消耗的煤炭量，引入Elman神经网络算法，优化反馈单元、预见前馈单元以及预见平衡控制单元的权重系数，实现火电机组低负荷煤量平衡自动化控制。

1 时延Elman神经网络分析

Elman神经网络是由多个前馈连接构成的，前馈连接主要由输入层、隐含层以及输出层构成，隐含层又分为普通隐含层和特殊隐含层两部分，特殊隐含层又被称为联系单元层或者关联层，作用与状态反馈类似。

假设Elman神经网络中共有个神经元=[，，…，u]，输出层的神经元=[，，…，y]数量为个，隐含层和承接层的输出向量分别为=[，，…，t]、=[，，…，h]。

输入层与隐含层的连接权值矩阵用来表示，输出层与隐含层的连接权值矩阵用来表示，关联层与普通隐含层的连接权值矩阵用来表示。、在训练过程中始终处于更新状态，是固定不变的。Elman神经网络计算公式如式（1）所示：

式中，表示权值连接矩阵因子，通常取值在[0，1]范围内；（·）、（·）分别表示与隐含层、输出层所对应的激活函数；b、b分别表示与隐含层、输出层所对应的阈值矩阵，表示输出层变量。

2 煤耗特性曲线计算

发电厂主要由汽轮机、锅炉、发电机以及其他一些辅助设备组合在一起，共同完成发电过程。发电过程中水作为介质存在，煤炭燃烧产生的化学能，使水产生热能；热能带动汽轮机旋转，转换为机械能；同时，热能带动发电机发电，热能又转换为电能。发电过程涉及设备众多，对自动化的要求较为严格，通过对煤耗特性曲线的分析，可以了解每台机组的负荷分配是否均匀、煤炭燃烧是否完全、机组作业分配是否合理等。本文从锅炉、汽轮机和发电机三方面展开对火电机组煤耗特性曲线的分析。

2.1 锅炉效率

从能量平衡定律来说，煤炭在锅炉内燃烧产生的热量与输出的热量是对等的。但是在实际中，锅炉输出的热量中必然会产生一部分的损失，这部分损失的热量与输出总热量之比，就是锅炉效率。本文利用反平衡计算法来计算。

当火电机组处于稳定运行状态时，被锅炉吸收的热量与各项热量损失存在如式（2）所示的关系：

式中，Q表示1 kg煤炭可产生的总热量，表示锅炉吸收的总热量，表示排放掉的热量，表示煤炭灰尘燃烧产生的热损失，表示煤炭燃烧产生的热损失，表示锅炉产生的散热损失总量，表示其他热损失。

2.2 汽轮机组效率

热能在汽轮机组中转换为机械能。根据热力学定律：热能在转换为机械能的过程中必然会损失掉一部分的能量，不可能实现百分百转换。对于热力损失的计算本文主要从以下两方面展开：

式中，l表示汽轮机所产生的蒸汽比焓，l表示凝结水的比焓。

汽轮机内功率的计算公式为：

式中，D、G均表示汽轮机进汽质量流量，前者单位为t/h，后者单位为kg/s。

（2）机械效率和发电机效率。当汽轮机处于正常运行状态下时，径向轴承与推力轴承会产生一定的摩擦阻力，再加上主油泵和调速器的运行也要损失一部分效率，将这些损失的效率统称为机械损失。汽轮机机械效率η计算公式为：

式中，p表示汽轮机联轴器的输出功率。

发电机效率计算公式为：

式中，表示发电机出线端的功率值。

2.3 标准煤耗率计算

煤耗率指的是每产生1 kW • h的电能所需要燃烧的煤量，单位是g/kwh。煤耗率可以用来评判火电机组的经济性能，以及能量转换是否完善等，计算公式为：

式中，η表示电厂效率，单位为%；29 271表示1 kg标准煤产生的低位发热量，单位为kJ/kg。

3 火电机组低负荷煤量平衡自动化控制方法

通过上文对煤耗特性曲线的分析后，利用时延Elman神经网络对低负荷下火电机组的煤量进行平衡控制。

图1 Elman神经网络结构图

在土1的Elman神经网络中，假设共有个自适应神经元，神经元的权重系数W（1≤≤）又由三部分组成：第一部分为基本反馈单元，输入向量为X，权重系数向量为W；第二部分为预见前馈单元，输入向量为X，权重系数向量为W；第三部分为预见平衡控制单元，输入向量为X，权重系数向量为W。这三个部分的权重系数学习算法均不相同。

3.1 反馈单元

神经元反馈单元的X由该神经元内输出量的给定值、给定值与实际值之间的偏差、偏差的变化率以及当下其他输出量的偏差来决定。反馈单元的权重系数学习算法为：

式中，表示学习因子，e表示输出向量的偏差，μ表示神经元的输入变量。

3.2 预见前馈单元

将神经元的预见步数设定为M，在时刻下，第个神经元内的输入向量为：

式中，表示给定的信号值，表示信号值分量，、Y分别表示和的第个分量，的值由M来确定。按照规定，在步以内就要得到煤耗量的原值，在+1步至第M步时，就要得到当前煤耗量与标准量的差值，这是实现煤量平衡控制非常关键的一步。本文中，值取M的一半。

该单元内权重系数学习算法为：

式中：

f表示预见步数。

3.3 预见平衡控制单元

在火电机组低负荷煤量平衡控制过程中，输出向量分量不仅仅作用于一个输出向量分量，所以，需要在第个神经元中引入式（13）所示的输入量来实现平衡控制：

式中，1≤≤，≠，表示第个神经元，表示输入向量的维数，是一个常数项，通常取值1或2。（X（））是输入向量第个分量所产生的平衡控制输入量。

该单元的权重系数学习算法为：

式中，1≤h≤，是一个常数项；

令：

式中，W（）、X（）分别表示Elman神经网络的权重值与输入值，表示Elman神经网络系数值。

利用联想式学习策略计算煤量平衡控制的算子：

确定了平衡控制算子后，即可实现对火电机组低负荷煤量的平衡自动化控制。

4 仿真实验

为了验证本文方法在实际应用中是否同样合理有效，构建了仿真实验环境，展开了性能测试。实验在某发电厂进行，该电厂有4台以燃煤为基本能量的发电机组，标记为1#、2#、3#、4#。机组的运行方式通常有三种：双机、三机和四机同时运行。按照顺序依次进行排列，双机运行可得到6种组合方式：（1#，2#）、（1#，3#）、（1#，4#）、（2#，3#）、（2#，4#）、（3#，4#）；三机运行可得到4种组合方式：（1#，2#，3#）、（1#，2#，4#）、（2#，3#，4#）；四机运行共有一种方式：（1#，2#，3#，4#）。4台机组均处于350～400 MW的低负荷运行状态下，机组内的主蒸汽压力值始终保持为恒定状态。

首先，对不同训练步数下的火电机组煤耗量进行测试，结果如图2所示。

图2 不同训练步数下的煤耗量

从图2中可以很明显地看出，当训练步数达到第5步时，煤耗量逐渐趋于稳定状态，之后再增加训练步数，也没有出现较大的波动幅度。这说明本文方法在火电机组低负荷的运行状态下，可实现对煤炭燃烧量的快速控制，在不影响发电效率的前提下，始终控制煤耗量在最低。

接下来对运用本文方法前后的4台火电机组煤耗量进行比较，结果如表2所示。

表2 应用本文控制方法前后煤耗量对比

通过表2可以看出，利用本文方法进行自动化控制后，每台机组根据自身性能的不同，所提供的发电贡献比例也是不同的，有效控制了机组内煤炭的燃烧情况，在一定程度上减少了煤耗量。在6种不同的负荷下，控制后的煤耗量较控制前比，平均降低了1.87 t/h，大大节省了经济开支。

最后，在主蒸汽压力不变的前提下，对应用本文方法前后的火电机组低负荷煤量平衡控制效果进行实验测试。将主蒸汽压力值设定为13.8 MPa，机组负荷从350 MW逐渐升为400 MW（该过程为升负荷），然后再从400 MW逐渐降为350 MW（该过程为降负荷）升、降负荷过程速率均为6 MW/min。由于实验中并未对控制器参数进行调整，所以选取出厂参数，控制器工作原理表达式为：

式中，煤炭燃烧锅炉主控制器参数为：=5、K=1.06、K=0.08/分、K=1.19、K=10.600 1；火电机组主控制器参数为：=0.17、K=0.45、K=2、K=0、K=10。表示控制器输出系数。

对应用本文方法前后，机组负荷的变化情况展开测试，结果如图3、图4所示。

图3 应用本文方法前后机组负升荷变化情况

图4 应用本文方法前后机组负降荷变化情况

由图3、图4可知，当火电机组处于低负荷运行状态下时，应用本文控制方法后，提高了整体的响应速度，使机组更加稳定运行。在升负荷过程中，在气机调门的作用下，主蒸汽压力曲线先出现下降趋势，随后一直沿着13.8 MPa直线变化；在降负荷过程中，气机调门逐渐关闭，主蒸汽压力随之出现上升趋势，而后又在平衡控制的作用下迅速稳定在13.8 MPa。由此可以说明本文方法对于火电机组的响应时间和稳定时间都有了明显的缩短，在一定程度上实现了对煤炭燃烧量的有效控制。

5 结 论

本文在时延Elman神经网络算法的基础上，提出了一种煤量平衡自动化控制方法。在对煤耗特性曲线分析之后，确定发电过程中煤炭的损失以及产生的电能，然后再利用Elman神经网络中的反馈单元、预见前馈单元以及预见平衡控制单元实现对煤量的平衡自动化控制，实现对低负荷运行下的火电机组煤量平衡控制，可在很大程度上助力发电厂提高运行经济性。