失重法飛灰測(cè)碳儀實(shí)測(cè)預(yù)測(cè)組合模型

王 鵬，鄭圣鵬，解海龍

（1.東北電力大學(xué)能源與動(dòng)力工程學(xué)院，吉林 吉林 210006；2.福建省計(jì)量科學(xué)研究院，福建 福州 3500033.東北電院開(kāi)元科技有限公司，吉林 吉林 210006）

1 概 述

利用飛灰含碳量的在線監(jiān)測(cè)數(shù)據(jù)調(diào)節(jié)煤粉爐的燃燒，歷來(lái)是提高電站鍋爐運(yùn)行經(jīng)濟(jì)性的重要手段。在眾多檢測(cè)方法中，主要可概括為微波法和失重法這2種類型。微波法誤差較大，受變工況的影響大，而失重法是被普遍認(rèn)可的經(jīng)典測(cè)量方法，基于該方法的在線監(jiān)測(cè)系統(tǒng)，目前已應(yīng)用于生產(chǎn)，但是，其可靠性和使用壽命問(wèn)題嚴(yán)重影響了該系統(tǒng)的推廣使用。該系統(tǒng)的執(zhí)行機(jī)構(gòu)需進(jìn)行采樣、灼燒、稱量、清灰等一系列反復(fù)動(dòng)作，加之這套系統(tǒng)需在極其惡劣的條件下工作，所以長(zhǎng)期可靠的運(yùn)行是非常困難的；同時(shí)，灼燒爐加熱元件的氧化，飛灰分離裝置的堵塞，機(jī)械零部件的磨損，高溫多塵環(huán)境下對(duì)電子稱量裝置的干擾，也是影響其使用壽命的重要原因。所以整合可靠的軟件和硬件控制顯得勢(shì)在必行?，F(xiàn)將LVQ神經(jīng)網(wǎng)絡(luò)的自適應(yīng)分類法和BP網(wǎng)絡(luò)的非線性擬合并結(jié)合數(shù)據(jù)庫(kù)技術(shù)，應(yīng)用到灼燒失重法飛灰含碳量在線監(jiān)測(cè)系統(tǒng)中，通過(guò)采集和積累大量的實(shí)測(cè)飛灰含碳量數(shù)據(jù)及其相關(guān)運(yùn)行參數(shù)，通過(guò)LVQ網(wǎng)絡(luò)將熱力數(shù)據(jù)劃分大類及子類，使用BP網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)與飛灰測(cè)碳儀實(shí)測(cè)相結(jié)合的控制模式，仿真結(jié)果表明，整套模型預(yù)測(cè)精度能夠滿足工程精度要求。在硬件的控制方面，因加入了軟件預(yù)測(cè)系統(tǒng)，能逐漸減少機(jī)械系統(tǒng)的動(dòng)作頻率，延長(zhǎng)了整個(gè)系統(tǒng)的使用壽命。

2 失重法飛灰測(cè)碳儀模型

失重法的在線飛灰測(cè)碳原理是基于中國(guó)電力工業(yè)標(biāo)準(zhǔn)《飛灰和爐渣可然物測(cè)定方法》和《煤的工業(yè)分析方法》。當(dāng)含有未燃盡碳的飛灰經(jīng)高溫灼燒后，由于灰樣中殘留的碳被燃盡，使灰樣的質(zhì)量出現(xiàn)了損失，利用灰樣的燒失量作為依據(jù)，計(jì)算出灰樣中的含碳量。該裝置解決了測(cè)量結(jié)果受煤質(zhì)變化影響的問(wèn)題，也解決了實(shí)驗(yàn)室飛灰含碳量化驗(yàn)值無(wú)法及時(shí)的反映機(jī)組運(yùn)行當(dāng)前狀態(tài)的問(wèn)題［1］。

現(xiàn)設(shè)計(jì)了飛灰測(cè)碳儀模型，如圖1所示，上位機(jī)與就地控制單元進(jìn)行通信，就地控制單元將指令發(fā)送至執(zhí)行機(jī)構(gòu)，采用多點(diǎn)無(wú)外加動(dòng)力的自抽式取樣器，自動(dòng)地將煙道中的灰樣收集到采樣機(jī)構(gòu)的坩堝中，再由灼燒單元（包含灼燒爐和灼燒機(jī)構(gòu)）內(nèi)部的執(zhí)行機(jī)構(gòu)，將裝有灰樣的坩堝送入灼燒爐進(jìn)行高溫灼燒，灼燒結(jié)束后，系統(tǒng)將對(duì)收灰前、收灰后及灼燒后所稱得的重量信號(hào)，送入信號(hào)分析單元進(jìn)行數(shù)據(jù)計(jì)算，將處理結(jié)果（實(shí)時(shí)監(jiān)測(cè)值）經(jīng)過(guò)串行通訊電纜送入DCS以及計(jì)算機(jī)單元，灼燒后的灰樣通過(guò)系統(tǒng)的排灰裝置返回?zé)煹溃缓筮M(jìn)行下1次飛灰的取樣和含碳量的測(cè)量。

圖1 失重法飛灰測(cè)碳結(jié)構(gòu)模型

3 神經(jīng)網(wǎng)絡(luò)軟預(yù)測(cè)控制模型

3.1 神經(jīng)網(wǎng)絡(luò)原理

人工神經(jīng)網(wǎng)絡(luò)理論從建立發(fā)展至今，主要存在幾種網(wǎng)絡(luò)：（1）基于非線性擬合的數(shù)學(xué)模型網(wǎng)絡(luò)；（2）聯(lián)想網(wǎng)絡(luò)；（3）競(jìng)爭(zhēng)網(wǎng)絡(luò)。其他的神經(jīng)網(wǎng)絡(luò)多為這幾種網(wǎng)絡(luò)功能的組合。BP神經(jīng)網(wǎng)絡(luò)作為非線性擬合的代表網(wǎng)絡(luò)，也稱誤差反向傳播算法。它通過(guò)神經(jīng)網(wǎng)絡(luò)計(jì)算輸入樣本所對(duì)應(yīng)的輸出值，再將輸出值與期望值進(jìn)行誤差分析，依照誤差值來(lái)反復(fù)修正權(quán)值，從而使網(wǎng)絡(luò)的輸出接近所希望的輸出值；LMBP算法是BP權(quán)值更新算法－牛頓法的變形，它采用了雅克布矩陣來(lái)近似逆矩陣，牛頓法的計(jì)算復(fù)雜且工作量大，同時(shí)吸收了最速下降法收斂快的優(yōu)點(diǎn)，能夠應(yīng)用到在線預(yù)測(cè)。

LVQ網(wǎng)絡(luò)是1種混合網(wǎng)絡(luò)，通過(guò)有監(jiān)督和無(wú)監(jiān)督的學(xué)習(xí)來(lái)形成分類［2］。LVQ網(wǎng)絡(luò)分為2層，第1層神經(jīng)元將指定某個(gè)類，用于學(xué)習(xí)原型向量，對(duì)輸入空間的區(qū)域進(jìn)行分類，傳來(lái)的分類信息在第2層中轉(zhuǎn)變成使用者所定義的類別。LVQ神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)在于：它不僅能夠?qū)€性輸入數(shù)據(jù)進(jìn)行分類，而且還能處理多維的、甚至是含噪、含干擾的數(shù)據(jù)。實(shí)驗(yàn)證明，只要在各個(gè)隱層存在足夠的神經(jīng)元，那么目標(biāo)輸出的分類量將會(huì)得到相應(yīng)的增加。

3.2 硬件控制方法

基于預(yù)測(cè)控制的硬件模型，如圖2所示。

圖2 硬件控制方法

上位機(jī)將電廠熱力參數(shù)數(shù)據(jù)p（k）從DCS中調(diào)出并將飛灰測(cè)碳儀實(shí)測(cè)數(shù)據(jù)傳輸至上位機(jī)中的軟件預(yù)測(cè)模型（LVQ－數(shù)據(jù)決策－BP）中，軟件預(yù)測(cè)模型將數(shù)據(jù)進(jìn)行分類篩選并進(jìn)行預(yù)測(cè)，轉(zhuǎn)換成多個(gè)不同工況下的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，通過(guò)控制模型中輸出的預(yù)測(cè)值n（k）和實(shí)測(cè)值y（k）的偏差e（k），使之逐漸停止飛灰測(cè)碳儀的動(dòng)作，如實(shí)測(cè)與預(yù)測(cè)偏差e（k）較大，則重新啟動(dòng)飛灰測(cè)碳儀的實(shí)測(cè)，對(duì)模型進(jìn)行校正，提高預(yù)測(cè)精度。

3.3 軟件預(yù)測(cè)模型

文獻(xiàn)［3］用BP網(wǎng)絡(luò)進(jìn)行了離線訓(xùn)練，但由于BP網(wǎng)絡(luò)本身有著學(xué)習(xí)新樣本遺忘舊樣本的現(xiàn)象 ，加之建立BP模型所需樣本數(shù)并不能無(wú)限大，數(shù)據(jù)量的增多導(dǎo)致其速度和精度的明顯降低，小范圍的數(shù)據(jù)量所建立的模型，必然不適用于飛灰含碳量的預(yù)測(cè)，所以其并不完全適用于在線預(yù)測(cè)的控制，現(xiàn)提出1種BP神經(jīng)網(wǎng)絡(luò)輔以LVQ網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)的方法，其軟件模型和運(yùn)算步驟如下：

（1）通過(guò)DCS和飛灰測(cè)碳儀獲得電廠熱力參數(shù)以及飛灰含碳量樣本集P ＝ ｛p1，p2，...pq｝。

（3）將參數(shù)pi輸入進(jìn)LVQ網(wǎng)絡(luò)進(jìn)行訓(xùn)練，對(duì)相似度判斷：＝－－，對(duì)任意ni有≥；j≠i，則輸出pi，進(jìn)入第2層線性網(wǎng)絡(luò)，利用Kohonen規(guī)則對(duì)LVQ網(wǎng)絡(luò)競(jìng)爭(zhēng)層進(jìn)行訓(xùn)練，若＝＝1則用下式訓(xùn)練：i＊w1（q）＝i＊w1（q－1）＋α（p（q）－i＊w1（q－1）））若＝1≠tk＊ ＝0，則用下式訓(xùn)練［4］：i＊w1（q）＝i＊w1（q－1）－α（p（q）－i＊w1（q－1）））。

（4）對(duì)于訓(xùn)練完成的子類將其數(shù)據(jù)輸入至BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到各子類下的BP預(yù)測(cè)模型。對(duì)于預(yù)測(cè)值和實(shí)測(cè)值誤差超出設(shè)定范圍的類，轉(zhuǎn)步驟5。

4 模型仿真

（1）子分類數(shù)的選取

為了確定每個(gè)類下子類的數(shù)據(jù)量，用數(shù)學(xué)手段進(jìn)行了仿真，根據(jù)現(xiàn)場(chǎng)飛灰含碳量數(shù)據(jù)的變動(dòng)，將輸出選取了式（1）作為目標(biāo)模型：

該模型曲線的變化能夠滿足鍋爐飛灰含碳量頻繁的變化，其中p為輸入向量，g（p）為目標(biāo)輸出向量，分別選擇了25和50的樣本數(shù)作為檢驗(yàn)，神經(jīng)元的數(shù)量根據(jù)誤差要求可自適應(yīng)調(diào)節(jié)，結(jié)果如圖3、圖4所示。

訓(xùn)練所用的神經(jīng)元結(jié)構(gòu)經(jīng)調(diào)校后均為1-10-1，50個(gè)樣本相對(duì)于25樣本的預(yù)測(cè)結(jié)果，在神經(jīng)元數(shù)量足夠多的情況下總體誤差相差不大，但是個(gè)別數(shù)據(jù)誤差較大，最小相對(duì)誤差分別為0.045%和0.069%，最大相對(duì)誤差分別為20.81%和87.6%。而最大相對(duì)誤差通常發(fā)生基數(shù)較低的區(qū)域，當(dāng)數(shù)據(jù)量提高到200時(shí)，預(yù)測(cè)最大相對(duì)誤差為5%，這表明在圖形的復(fù)雜程度一定，數(shù)據(jù)分布較為均勻的的情況下，預(yù)測(cè)精度和數(shù)據(jù)量成正比。

確定了每個(gè)類下的子分類數(shù)，按某600MW機(jī)組的運(yùn)行特性，將測(cè)試數(shù)據(jù)按負(fù)荷區(qū)間段分為5個(gè)類進(jìn)行訓(xùn)練，分別為 BMCR，75%BMCR，50%BMCR，最低負(fù)荷，高加切除；各負(fù)荷區(qū)間段為一類，前述仿真試驗(yàn)表明，選擇200的子類數(shù)進(jìn)行預(yù)測(cè)能夠滿足工程誤差精度要求。根據(jù)子類數(shù)設(shè)定好預(yù)定分類權(quán)值并輸入LVQ網(wǎng)絡(luò)進(jìn)行訓(xùn)練，結(jié)果如圖5所示，為L(zhǎng)VQ網(wǎng)絡(luò)分類的ROC性能曲線，其中橫坐標(biāo)為誤判率，即為實(shí)際分類為假值判定為真值的概率，縱坐標(biāo)為靈敏度，表示實(shí)際分類為真值判定為真值的概率，曲線下方與橫坐標(biāo)軸的所包圍的面積表示變量對(duì)因變量的判定效果，面積越大，表示分類效果越好，圖5中所包圍的面積接近于1，說(shuō)明訓(xùn)練后的模型對(duì)于按負(fù)荷范圍分類的效果較好，幾乎很少存在誤判，這表明對(duì)于多維變化且較為復(fù)雜的輸入，按負(fù)荷范圍對(duì)其分類是可行的。

圖5 LVQ ROC性能曲線

表1是選取了經(jīng)過(guò)LVQ分類以及BP網(wǎng)絡(luò)預(yù)測(cè)后的實(shí)測(cè)與預(yù)測(cè)部分?jǐn)?shù)據(jù)，共10組，前5組以及后5組分別代表了BMCR和75%BMCR工況，ΔC／%表示了當(dāng)前樣本在各組工況下實(shí)測(cè)和預(yù)測(cè)的相對(duì)誤差，分析數(shù)據(jù)可得全局預(yù)測(cè)，BMCR負(fù)荷和75%BMCR負(fù)荷的數(shù)據(jù)預(yù)測(cè)，具有更高精度，最大相對(duì)誤差分別為36.93%和2.36%。對(duì)于相同工況點(diǎn)的預(yù)測(cè)，如樣本8和樣本10所示，其相對(duì)誤差分別為36.93和0.92%以及13.12%和2.36%，同時(shí)還可以看出75%BMCR的平均相對(duì)誤差比100%BMCR的平均相對(duì)誤差稍高，表1數(shù)據(jù)充分表明了現(xiàn)使用模型的預(yù)測(cè)精度較高，數(shù)據(jù)穩(wěn)定，個(gè)別不穩(wěn)定點(diǎn)如樣本10，需要不斷地學(xué)習(xí)以提高數(shù)據(jù)穩(wěn)定性和精度。

綜上所述，該模型對(duì)數(shù)據(jù)進(jìn)行實(shí)時(shí)分類，并結(jié)合飛灰測(cè)碳儀實(shí)時(shí)獲取飛灰含碳量，及時(shí)地對(duì)模型進(jìn)行訓(xùn)練，保證了模型的實(shí)時(shí)性和準(zhǔn)確性，模型對(duì)飛灰含碳量預(yù)測(cè)所產(chǎn)生的數(shù)據(jù)文件存儲(chǔ)于上位機(jī)中，在飛灰測(cè)碳儀運(yùn)行時(shí)，通過(guò)labview調(diào)用dll文件接口與上行DCS以及下行就地控制單元進(jìn)行通訊，主程序隔5 min訪問(wèn)1次DCS，以便實(shí)時(shí)地獲取電廠熱力參數(shù)，得到較為精準(zhǔn)的飛灰含碳量預(yù)測(cè)值，從而逐漸減少了飛灰測(cè)碳儀的動(dòng)作次數(shù)，延長(zhǎng)了其使用壽命。

表1 各工況實(shí)測(cè)和預(yù)測(cè)飛灰含碳量數(shù)值比較

5 結(jié) 語(yǔ)

分析了影響飛灰測(cè)碳儀使用壽命的因素，設(shè)計(jì)了預(yù)測(cè)與實(shí)測(cè)相結(jié)合的軟、硬件控制模型，并用仿真法確定了數(shù)據(jù)分類后各大類中子類的數(shù)據(jù)量。仿真結(jié)果表明，相較于傳統(tǒng)BP全局預(yù)測(cè)模型，該模型的分類效果好，預(yù)測(cè)精度較高，能夠逐漸訓(xùn)練并逐步替代飛灰測(cè)碳儀的實(shí)測(cè)，減少其動(dòng)作次數(shù)，為失重法飛灰測(cè)碳儀的可靠穩(wěn)定運(yùn)行提供了保證。

［1］劉鴻，周克毅.鍋爐飛灰測(cè)碳儀的技術(shù)現(xiàn)狀和發(fā)展趨勢(shì)［J］.鍋爐技術(shù)，2004，35（2）：65－68.

［2］Martin T.Hagan，Howard B.Demuth，Mark H.Beale：Neural Network Design［M］，PWS Publish Company.1996.

［3］周昊，朱洪波，曾庭華，岑可法，等.基于人工神經(jīng)網(wǎng)絡(luò)大型電廠飛灰含碳量建模［J］.中國(guó)電機(jī)工程學(xué)報(bào)，2002（6）：96－100.

［4］Hechi Nielsen R.Theory of the back propagation neural network［M］.Proc of IJCNN，1989，593－603.