人工神經(jīng)網(wǎng)絡(luò)的大型電廠鍋爐飛灰含碳量建模

《人工神經(jīng)網(wǎng)絡(luò)的大型電廠鍋爐飛灰含碳量建?！酚蓵?huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在教育資源-天天文庫(kù)。

1、基于人工神經(jīng)網(wǎng)絡(luò)的大型電廠鍋爐飛灰含碳量建模???摘?要：飛灰含碳量是影響鍋爐熱效率的一個(gè)重要因素，但飛灰含碳量受煤種、鍋爐設(shè)計(jì)結(jié)構(gòu)、操作參數(shù)等多種因素影響，關(guān)系復(fù)雜。煤種變化往往導(dǎo)致燃燒工況偏離試驗(yàn)調(diào)整獲得的最優(yōu)值。在對(duì)某臺(tái)300MW四角切圓燃煤電廠鍋爐飛灰含碳量特性進(jìn)行多工況熱態(tài)測(cè)試的基礎(chǔ)上，應(yīng)用人工神經(jīng)網(wǎng)絡(luò)的非線性動(dòng)力學(xué)特性及自學(xué)習(xí)特性，建立了大????關(guān)鍵詞：鍋爐；飛灰含碳量；人工神經(jīng)網(wǎng)絡(luò)1?引言????大型燃煤電廠鍋爐的經(jīng)濟(jì)性一直是電廠運(yùn)行和設(shè)計(jì)人員關(guān)心的重要問(wèn)題。飛灰含碳量是影響鍋爐熱效率的一個(gè)重要指標(biāo)，特

2、別是對(duì)于燃用劣質(zhì)煤的鍋爐。但影響燃煤鍋爐飛灰含碳量的因素多而且復(fù)雜，受到如鍋爐燃用煤種、設(shè)計(jì)安裝水平、鍋爐運(yùn)行操作水平等多種因素的影響，很難采用簡(jiǎn)單的公式進(jìn)行估算，往往需采用實(shí)爐測(cè)試方法加以確定并摸索降低飛灰含碳量的運(yùn)行方法。但實(shí)爐測(cè)試工作量大，測(cè)試工況有限，各運(yùn)行參數(shù)和煤種對(duì)鍋爐飛灰含碳量都存在影響，互相疊加，導(dǎo)致數(shù)據(jù)分析困難。而鍋爐燃用煤種和操作參數(shù)千變?nèi)f化，不可能保證在試驗(yàn)工況下運(yùn)行，導(dǎo)致偏離燃燒調(diào)整獲得的最佳工況下而無(wú)法獲得最低的飛灰含碳量。相對(duì)而言，影響鍋爐熱效率的其他幾項(xiàng)熱損失根據(jù)運(yùn)行參數(shù)可以有明確的計(jì)算公

3、式可以求得，影響因素比較簡(jiǎn)單。獲得飛灰含碳量與煤種和運(yùn)行參數(shù)之間的關(guān)系對(duì)于鍋爐的運(yùn)行優(yōu)化是有意義的。????本文在對(duì)某臺(tái)300MW四角切圓燃煤電廠鍋爐的飛灰含碳量特性進(jìn)行多工況實(shí)爐熱態(tài)測(cè)試的基礎(chǔ)上，應(yīng)用人工神經(jīng)網(wǎng)絡(luò)的非線性動(dòng)力學(xué)特性及自學(xué)習(xí)特性，建立了大型四角切圓燃燒鍋爐飛灰含碳量特性的神經(jīng)網(wǎng)絡(luò)模型，并對(duì)此模型進(jìn)行了校驗(yàn)。結(jié)果表明，該模型能根據(jù)燃煤特性及各種操作參數(shù)準(zhǔn)確預(yù)報(bào)鍋爐在不同工況下的飛灰含碳量特性，如結(jié)合尋優(yōu)技術(shù)，可為大型電廠鍋爐通過(guò)燃燒調(diào)整提高鍋爐效率提供有效手段。2?人工神經(jīng)網(wǎng)絡(luò)和BP學(xué)習(xí)算法???人工神經(jīng)

4、網(wǎng)絡(luò)是由大量模擬生物神經(jīng)元的人工神經(jīng)元廣泛互連而成的網(wǎng)絡(luò)，由大量的簡(jiǎn)單處理單元連接而成的自適應(yīng)非線性系統(tǒng)。通過(guò)輸入信號(hào)在各神經(jīng)元之間的傳遞，獲得輸出，可以模擬人類大腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和行為，具有高度的非線性，并且系統(tǒng)可以從大量存在的知識(shí)樣本中，通過(guò)學(xué)習(xí)提取出有效的知識(shí)和規(guī)則，對(duì)自身不斷完善、發(fā)展和創(chuàng)新。???目前應(yīng)用最廣泛的BP網(wǎng)絡(luò)是一種單向傳播的多層前向網(wǎng)絡(luò)，可看成是一個(gè)從輸入到輸出的高度非線性映射，即對(duì)樣本集合，通過(guò)BP網(wǎng)絡(luò)可近似復(fù)雜的非線性函數(shù)關(guān)系而獲得輸出。人工神經(jīng)網(wǎng)絡(luò)近似復(fù)雜函數(shù)、處理信息的能力完全取決于網(wǎng)絡(luò)中各

5、種神經(jīng)元之間的耦合權(quán)值，由于較大規(guī)模網(wǎng)絡(luò)，各權(quán)值不可能被一一確定，因此網(wǎng)絡(luò)本身需要學(xué)習(xí)能力，即能夠從示范模式的學(xué)習(xí)中逐步調(diào)整各權(quán)值。業(yè)已證明用一個(gè)3層的BP網(wǎng)絡(luò)可以完成任意的n維到m維的映射[1]。???BP算法即誤差反向傳播算法是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)中最常用的學(xué)習(xí)方法之一，BP算法中通過(guò)神經(jīng)計(jì)算得到的輸出和樣本值進(jìn)行誤差分析，不斷反復(fù)修正神經(jīng)網(wǎng)絡(luò)中各權(quán)值，從而使網(wǎng)絡(luò)的輸出接近所希望的輸出，最終誤差滿足要求，即學(xué)習(xí)結(jié)束，獲得學(xué)習(xí)成功后的權(quán)值。由于在BP算法中誤差計(jì)算是由輸出層向輸入層的方向進(jìn)行，因此稱為誤差反向傳播算法。由梯度

6、下降法構(gòu)成的BP算法為網(wǎng)絡(luò)的學(xué)習(xí)提供了簡(jiǎn)單有力的方法，但也存在局部最小和收斂速度慢等問(wèn)題，為此，提出了附加動(dòng)量法和自適應(yīng)學(xué)習(xí)速率等改進(jìn)方法。另外一些最優(yōu)化方法，如模擬退火、單純形法和遺傳算法也可用來(lái)完成神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)。有關(guān)人工神經(jīng)網(wǎng)絡(luò)和BP算法的具體論述可參見文[2]、[3]。????神經(jīng)網(wǎng)絡(luò)在煤燃燒方面的應(yīng)用實(shí)例見文[4]~[7]。3?研究對(duì)象介紹???某300MW四角切圓粉煤燃燒鍋爐為亞臨界中間再熱控制循環(huán)鍋爐，采用正壓直吹式制粉系統(tǒng)，配5臺(tái)RP863中速磨煤機(jī)，爐膛尺寸為(14022×12330)mm2。爐膛四角

7、布置切向擺動(dòng)式燃燒器,燃燒器為一二次風(fēng)間隔布置，燃燒器可在上、下方向擺動(dòng)以調(diào)節(jié)再熱汽溫，采用同心反切燃燒系統(tǒng)，二次風(fēng)偏離一次風(fēng)一定角度送入爐膛。滿負(fù)荷條件下投用A~D層一次風(fēng)，E層一次風(fēng)備用。鍋爐爐膛結(jié)構(gòu)和燃燒器結(jié)構(gòu)如圖1所示。4?飛灰含碳量特性熱態(tài)測(cè)試結(jié)果????在該300MW燃煤鍋爐上進(jìn)行了熱態(tài)多工況實(shí)爐測(cè)試，對(duì)影響鍋爐燃燒特性的各種運(yùn)行參數(shù)如鍋爐負(fù)荷、磨組合、燃盡風(fēng)（OFA）配風(fēng)方式、二次風(fēng)配風(fēng)方式、煤種、燃燒器擺角等進(jìn)行了變工況試驗(yàn)，具體工況見表1及表2。????試驗(yàn)過(guò)程保持煤粉細(xì)度不變，測(cè)量了飛灰含碳量，如表

8、3所示。試驗(yàn)結(jié)果表明，鍋爐飛灰含碳量特性受到各種運(yùn)行參數(shù)的影響，因素多而且復(fù)雜。5?飛灰含碳量特性神經(jīng)網(wǎng)絡(luò)模型的設(shè)計(jì)????燃煤鍋爐飛灰含碳量特性受到如煤種、運(yùn)行參數(shù)和鍋爐設(shè)計(jì)制作安裝等因素的影響，關(guān)系較為復(fù)雜，但如將鍋爐考慮成黑箱模型，由于鍋爐已經(jīng)建成運(yùn)行，其設(shè)計(jì)和安裝參數(shù)均已確定，因此將鍋爐負(fù)荷、省煤器出口氧量、各二次風(fēng)擋板開