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T上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在教育資源-天天文庫。

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重要因素，但飛灰含碳量受煤種、鍋爐設(shè)計結(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調(diào)整獲得的最優(yōu)值。在對某臺300MW四角切圓燃煤電廠鍋爐飛灰含碳量特性進行多工況熱態(tài)測試的基礎(chǔ)上，應(yīng)用人工神經(jīng)網(wǎng)絡(luò)的非線性動力學(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)濟性一直是電廠運行和設(shè)計人員關(guān)心的重要問題。飛灰含碳量是影響鍋爐熱效率的一個重要指標(biāo)，特

2、別是對于燃用劣質(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)計安裝水平、鍋爐運行操作水平等多種因素的影響，很難采用簡單的公式進行估算，往往需采用實爐測試方法加以確定并摸索降低飛灰含碳量的運行方法。但實爐測試工作量大，測試工況有限，各運行參數(shù)和煤種對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，不可能保證在試驗工況下運行，導(dǎo)致偏離燃燒調(diào)整獲得的最佳工況下而無法獲得最低的飛灰含碳量。相對而言，影響鍋爐熱效率的其他幾項熱損失根據(jù)運行參數(shù)可以有明確的計算公

3、式可以求得，影響因素比較簡單。獲得飛灰含碳量與煤種和運行參數(shù)之間的關(guān)系對于鍋爐的運行優(yōu)化是有意義的。????本文在對某臺300MW四角切圓燃煤電廠鍋爐的飛灰含碳量特性進行多工況實爐熱態(tài)測試的基礎(chǔ)上，應(yīng)用人工神經(jīng)網(wǎng)絡(luò)的非線性動力學(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，并對此模型進行了校驗。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)，由大量的簡單處理單元連接而成的自適應(yīng)非線性系統(tǒng)。通過輸入信號在各神經(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樣本中，通過學(xué)習(xí)提取出有效的知識和規(guī)則，對自身不斷完善、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)，可看成是一個從輸入到輸出的高度非線性映射，即對樣本集合，通過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算法中通過神經(jīng)計算得到的輸出和樣本值進行誤差分析，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算法中誤差計算是由輸出層向輸入層的方向進行，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)提供了簡單有力的方法，但也存在局部最小和收斂速度慢等問題，為此，提出了附加動量法和自適應(yīng)學(xué)習(xí)速率等改進方法。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)用實例見文[4]~[7]。3?研究對象介紹???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RP863中速磨煤機，爐膛尺寸為(14022×12330)mm2。爐膛四角

7、布置切向擺動式燃燒器,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)測試結(jié)果????在該300MW燃煤鍋爐上進行了熱態(tài)多工況實爐測試，對影響鍋爐燃燒特性的各種運行參數(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、燃燒器擺角等進行了變工況試驗，具體工況見表1及表2。????試驗過程保持煤粉細(xì)度不變，測量了飛灰含碳量，如表

8、3所示。試驗結(jié)果表明，鍋爐飛灰含碳量特性受到各種運行參數(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????燃煤鍋爐飛灰含碳量特性受到如煤種、運行參數(shù)和鍋爐設(shè)計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)建成運行，其設(shè)計和安裝參數(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