基于人工神经网络的锅炉原煤水分预测分析

黄忠和，郑逸飞，张朝金，周高盛

（1.福建福海创石油化工有限公司，福建 漳州 363215；2.福建中试所电力调整试验有限责任公司，福建 福州 350007）

引言

近年来燃煤市场供应紧张、竞争激烈，为了节约燃料成本，燃煤企业普遍采用混煤掺烧的方式运行。混煤品质的好坏直接关系到锅炉运行的安全性和经济型，也关系到电厂污染物排放是否达标。因此，电厂生产运行中迫切需要成熟的、性能可靠的煤质在线分析系统，以实时监测混煤品质。

燃煤水分与煤种品质密切相关，也是影响燃煤热值的关键因素，因此，准确的燃煤水分在线监测是判定煤种类型和煤质的重要手段，对电厂配煤掺烧、燃烧优化调整有着非常重要的意义。因此，燃煤水分软测量方法应运而生。

1 热平衡原理原煤水分在线监测及存在的问题

田永明等以磨煤机热平衡原理为依据，借助组态王、VB 和SQL 联合编程软件工具对入炉煤的水分实现软测量，并在多家发电厂进行了现场检验[1]。刘福国等以制粉系统热平衡原理建立了基于制粉系统运行状态分析的电站锅炉入炉煤水分实时监测的研究[2]。李锋等根据直吹式MPS 型中速辊式磨煤机运行机理，结合磨煤机入口和出口物质的能量平衡和质量平衡方程建立了燃煤水分质量分析的软测量模型[3]。

根据质量守恒原理，原煤中部分水分蒸发，转到磨煤机出口一次风[4]

式中：Mar- 收到基水分，%；

Mmf- 煤粉水分，%。

根据能量守恒原理得到磨煤机进出口热平衡基本公式

式中：qgz- 磨煤机进口一次风物理热；

qlf- 漏入冷空气的物理热；

qnm- 磨辊磨盘研磨产生的热量；

qr- 原煤的物理热；

qz- 原煤蒸发水分消耗的热量；

qjr- 加热原煤消耗的热量；

q2- 一次风带出的热量；

q5- 磨煤机的散热损失。

采用热平衡原理进行原煤水分在线监测，对磨煤机进口一次风量、一次风温、给煤量、煤粉水分和漏入冷空气量等计量准确性要求较高，对磨煤机本体散热损失计算精度不足，甚至在各台磨煤机之间偏差较大，因此在生产应用中存在一定的缺陷。

2 原煤水分在线监测人工神经网络建模

因为神经网络具有很强自学习性和适用性，同时具有很强的非线性映射能力，并且网络的中间层数和神经元个数可以根据具体情况而定，因而被广泛地应用在数据预测领域。在多种神经网络模型中，应用最广的是BP 网络模型。BP 算法用梯度搜索技术，采用反向传播学习手段来拟合网络连接权值的方法，使网络计算输出与样本真实值的均方差满足一定的精度要求。基于热平衡原理进行原煤水分在线监测的缺陷，采用基于人工神经网络模型的原煤水分在线监测系统，充分采集磨煤机稳定运行的实时参数，兼利用热平衡原理对稳定工况进行筛选，并对原煤和煤粉进行取样化验水分进行实物校准，利用神经网络进行样本训练，实现对原煤水分的在线监测。根据磨煤机结构和运行特性，构建了一个具有两个隐含层的神经网络(见图1)用于预测原煤的水分。

2.1 输入与输出变量的选择

入炉煤在制粉系统中研磨、干燥、输送的过程，可以看成一个热量传递和一个一次风粉混合物输送的过程，所以所有影响其热传递和一次风粉混合物输送的参数都将会对原煤水分的预测产生影响[5]。通过对入炉煤研磨、干燥、输送过程运行经验和现场实际情况，最终选定给煤量、磨煤机入口一次风量、磨煤机进出口差压、磨入口风温、一次风粉混合物温度等7 个参数作为神经网络的输入变量，输出变量为入炉煤的水分。

2.2 输入与输出参数归一化

神经网络输入、输出值应是归一化的数值，一般采用在－1 和＋1 区间。因此，对输入、输出参数数据要进行归一化

Xim、Pm- 第m 个样本第i 个参数的输入、输出标定值；

Ximax、Ximin- 第i 个参数输出最大、最小标定值。

2.3 神经网络的训练过程

确定了神经网络的输入、输出后，接下来就要对其进行训练，以满足使用要求。神经网络训练过程见图2。首先获取磨煤机在运行过程中的一些特征参数，及其对应的煤种参数，即上述提到的7 个输入参数和1 个输出参数，并将所取得的参数随机分为训练样本与测试样本，利用训练样本对神经网络进行训练，直至神经网络的输出结果满足准确度要求或者达到最大的训练次数。若达到最大训练次数后输出结果仍无法满足准确度要求，则重新调整神经网络参数，重复上述训练步骤，直至输出结果满足预测准确度要求。

计算隐层输出值f(Sj)。隐层单元输出值采用S 型函数，其计算公式

式中：Wji-输入层第i 个神经元至隐层第j 个神经元的连接权值；θj-阈值。

输出单元输出值f(Sk)，即网络的输出y=P′。输出值也采用S 型函数

式中：f(Sk)-输出层第k 个神经元的输出值；

Wkj-隐层第j 个神经元至输出层第k 个神经元的连接权值；θk-阈值。

2.4 神经网络的训练结果

研究BP 神经网络的预测结果，可以发现训练样本的预测水分与实测水分的相对误差全部都保持在6%以下，这样高的精度许多经验公式包括原煤热平衡方式也难以达到，完全可以满足生产应用需求。

3 影响预测结果的因素分析

从上述结果可以发现，预测的准确度已经可以满足实际生产应用需求，但是预测结果的稳定性同样不可忽视。选择了7 个参数作为神经网络的输入参数，相对来说，磨煤机出口一次风粉混合物的温度偏差对水分预测准确性的影响最大。

水分预测M 简化为各输入参数归一化值X 和权重f(A,B)的乘积

式中:A、B- 系数。

以某次训练结果为例，各输入参数对水分预测的权重f(A,B)见表1。

表1 各主要输入参数对水分预测的权重f(A,B)

注：以上权重参数因不同样本和磨煤机结构特性而不同。

对比磨煤机出口一次风粉混合物的温度和磨煤机进出口差压偏差对水分预测准确性的影响。

当一次风粉混合物温度偏大时，入炉煤水分的预测结果小于原预测值，并且随着一次风粉混合物温度偏差的增大，预测结果相应减小；相反，则反之。从中可以发现，一次风粉混合物温度与预测的原煤水分之间具有强负相关的关系。

当进出口差压小于原差压时，入炉煤水分的预测结果也小于原预测结果，并且随着差压的减小，预测结果也相应减小。相反当进出口差压大于原差压时，其预测结果大于原预测结果，并且随着差压的增大，预测结果也相应增大。从中可以发现，制粉系统进出口差压与预测的水分之间具有一定的正相关的关系。

从能量平衡理论的角度来考虑，原煤从进入磨煤机到喷入炉膛内燃烧不仅是一个物料运输的过程，也是一个不断干燥的过程[6,7]。在原煤质量一定的情况下，随着原煤含水量的不断增加，干燥到所需要的能量增加，磨煤机出口一次风温必然降低[8]。所以，在实际运行过程中，样本的一次风粉混合物温度稳定性对于神经网络预测准确性和稳定性具有重要意义。

4 结论

对传统的基于热平衡原理原煤水分在线监测和基于人工神经网络原煤水分预测方法进行对比，采用人工神经网络方法具有很强的非线性映射能力，训练样本的预测水分与实测水分的相对误差绝对值可以控制在6%以内，完全可以满足生产应用精度的需求。同时分别对一次风粉混合物温度对神经网络预测结果的影响进行研究，一次风粉混合物温度与预测结果具有强负相关关系，所以样本的一次风粉混合物温度稳定对于神经网络预测的准确性和稳定性具有重要意义。

在神经网络训练样本采集和筛选的过程，大范围采集磨煤机稳定运行参数，兼利用热平衡原理对各台磨煤机稳定工况进行筛选，并对原煤和煤粉进行取样化验水分进行实物校准，利用神经网络进行样本训练，实现对原煤水分的在线监测。燃煤水分与煤种品质密切相关，准确的燃煤水分在线监测是判定煤种类型和煤质的重要手段，对电厂配煤掺烧、燃烧优化调整有着非常重要的意义。