基于神經(jīng)網(wǎng)絡(luò)的CFB鍋爐灰渣含碳量預(yù)測(cè)

陳 斌，王樹(shù)宇，劉林濤，朱 偉，董瑀非

（1.桐鄉(xiāng)泰愛(ài)斯環(huán)保能源有限公司，浙江 嘉興 314500；2.能源清潔利用國(guó)家重點(diǎn)實(shí)驗(yàn)室（浙江大學(xué)），杭州 310027）

0 引言

CFB（循環(huán)流化床）鍋爐采用工業(yè)化程度最高的潔凈煤技術(shù)，燃燒效率高，NOX等污染物排放低，燃料適應(yīng)性廣（可摻燒污泥、垃圾等非煤炭燃料）［1］，目前在我國(guó)熱電廠中廣泛應(yīng)用。一方面，由于對(duì)入爐煤煤質(zhì)要求不高，CFB 鍋爐的燃煤多為灰分較高、水分較大的難燃煤種（如無(wú)煙煤或煙煤等），燃用此類燃煤時(shí)往往會(huì)增加鍋爐灰渣量，且灰渣中的可燃物含量也會(huì)增多［2］；另一方面，國(guó)內(nèi)熱電廠技術(shù)力量和運(yùn)行水平相對(duì)較為薄弱，在日常運(yùn)行中存在鍋爐性能浪費(fèi)的現(xiàn)象。能夠獲取實(shí)時(shí)的鍋爐效率，對(duì)于指導(dǎo)鍋爐運(yùn)行調(diào)整、獲得更佳的經(jīng)濟(jì)效益有非常重要的意義［3］，而飛灰含碳量和爐渣含碳量是影響鍋爐效率的重要數(shù)據(jù)指標(biāo)之一。

目前國(guó)內(nèi)熱電廠多采用人工檢測(cè)法、光學(xué)檢測(cè)法等方法進(jìn)行飛灰含碳量的檢測(cè)，在線監(jiān)測(cè)多采用灼燒法在線監(jiān)測(cè)裝置，但此類方法存在準(zhǔn)確度不夠和滯后性嚴(yán)重的問(wèn)題［4］。圖1為國(guó)內(nèi)某發(fā)電廠的飛灰含碳量在線監(jiān)測(cè)裝置測(cè)得的數(shù)據(jù)與試驗(yàn)實(shí)測(cè)值對(duì)比，可以看出存在較大誤差。目前國(guó)內(nèi)外對(duì)爐渣含碳量在線監(jiān)測(cè)的關(guān)注較少，幾乎沒(méi)有相關(guān)設(shè)備裝置用以在線實(shí)時(shí)測(cè)量爐渣含碳量，一般均為人工取渣后進(jìn)行化驗(yàn)。爐渣由于其排渣過(guò)程時(shí)間較長(zhǎng)，且一般需經(jīng)烘干研磨后再進(jìn)行含碳量化驗(yàn)，相較于飛灰滯后性更嚴(yán)重。

圖1 國(guó)內(nèi)發(fā)某電廠飛灰含碳量在線監(jiān)測(cè)數(shù)據(jù)與實(shí)測(cè)值對(duì)比

因此，對(duì)鍋爐飛灰和爐渣含碳量的軟測(cè)量方法得到了廣泛關(guān)注，尤其是神經(jīng)網(wǎng)絡(luò)方面的研究取得了長(zhǎng)足的進(jìn)展［5］。崔銳［6］等利用灰色關(guān)聯(lián)法對(duì)飛灰含碳量影響因素的相關(guān)性進(jìn)行計(jì)算，提出了基于L-M（Levenberg-Marquardt）算法優(yōu)化BP（反向傳播）神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合技術(shù)的飛灰含碳量預(yù)測(cè)方法；周昊［7］等基于熱態(tài)鍋爐試驗(yàn)數(shù)據(jù)建立并訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)模型，用于預(yù)測(cè)大型電廠鍋爐飛灰含碳量；朱琎琦［8］建立了基于L-M 算法改進(jìn)的BP-ANN（反向傳播人工神經(jīng)網(wǎng)絡(luò)）預(yù)測(cè)模型，包含一個(gè)用于預(yù)測(cè)飛灰含碳量的母模型和三個(gè)確定影響母模型的煤質(zhì)參數(shù)偏差的子模型；王月蘭［9］等利用減法聚類算法自適應(yīng)確定初始模糊規(guī)則和結(jié)構(gòu)參數(shù)，利用最小二乘估計(jì)算法和誤差反向傳播算法構(gòu)成的混合算法對(duì)模糊神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行學(xué)習(xí)，最終得到飛灰含碳量的模型構(gòu)建。

本文以我國(guó)現(xiàn)有主要?jiǎng)恿τ妹旱娜紵匦詳?shù)據(jù)庫(kù)及現(xiàn)場(chǎng)試驗(yàn)數(shù)據(jù)為基礎(chǔ)，首先構(gòu)建以水分、揮發(fā)分和發(fā)熱量等煤質(zhì)參數(shù)為輸入?yún)?shù)的神經(jīng)網(wǎng)絡(luò)子模型，計(jì)算得到表征煤粉燃盡難易程度的煤粉燃盡特性指數(shù)。然后以煤粉燃盡特性指數(shù)與鍋爐運(yùn)行負(fù)荷和爐膛出口氧量作為輸入?yún)?shù)，構(gòu)建計(jì)算灰渣平均含碳量的神經(jīng)網(wǎng)絡(luò)模型。通過(guò)灰渣平均含碳量神經(jīng)網(wǎng)絡(luò)模型計(jì)算得到灰渣平均含碳量的預(yù)測(cè)值，可直接用于熱電廠的鍋爐效率在線性能計(jì)算，方便熱電廠更好地掌握鍋爐的運(yùn)行狀況和經(jīng)濟(jì)性指標(biāo)，提高鍋爐運(yùn)行情況，降低生產(chǎn)成本［10］。

1 CFB鍋爐飛灰和爐渣含碳量的影響因素

飛灰和爐渣含碳量受多種因素影響，如煤質(zhì)、鍋爐負(fù)荷、鍋爐流化風(fēng)與播煤風(fēng)的配比等，在神經(jīng)網(wǎng)絡(luò)建模過(guò)程中，輸入?yún)?shù)的選擇是否合適對(duì)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果的優(yōu)劣有直接的影響。

1.1 入爐煤煤質(zhì)

入爐煤的灰分、水分、硫分、揮發(fā)分以及低位發(fā)熱量等因素均會(huì)影響灰渣含碳量。灰分和水分會(huì)在爐膛內(nèi)吸收熱量，降低爐膛內(nèi)溫度，導(dǎo)致煤粉無(wú)法充分燃燒，使飛灰中的含碳量升高?；曳謿埩粑镌谌紵^(guò)程中會(huì)將部分煤粉包裹在內(nèi)形成爐渣，使?fàn)t渣中的含碳量升高［11］。硫分一般不直接影響灰渣中的含碳量，但硫分與煤的煤化程度直接相關(guān)，硫分越高，煤的煤化程度越低，更容易燃燒且更易完全燃燒。一般來(lái)說(shuō)，揮發(fā)分越高煤粉越容易燃燒，反之則不易完全燃燒，增加灰渣中的可燃物含量。低位發(fā)熱量表征煤的好壞程度，低位發(fā)熱量高的煤含碳量相對(duì)更高，水分含量相對(duì)更低，所以也會(huì)對(duì)灰渣含碳量產(chǎn)生影響。

1.2 鍋爐運(yùn)行負(fù)荷

鍋爐運(yùn)行負(fù)荷直接影響爐膛床層溫度、流化風(fēng)和播煤風(fēng)的風(fēng)量、給煤量等運(yùn)行參數(shù)［12］，這些運(yùn)行參數(shù)會(huì)直接或間接地影響煤粉在爐膛內(nèi)的燃燒情況，而鍋爐運(yùn)行負(fù)荷與這些運(yùn)行參數(shù)之間的數(shù)據(jù)關(guān)系相對(duì)穩(wěn)定，可將運(yùn)行負(fù)荷看作眾多鍋爐運(yùn)行參數(shù)的一個(gè)綜合值。鍋爐運(yùn)行負(fù)荷一般存在一個(gè)最佳區(qū)間，在此區(qū)間內(nèi)煤粉燃燒較為充分，灰渣含碳量相對(duì)較低，過(guò)高或過(guò)低的鍋爐運(yùn)行負(fù)荷都會(huì)影響煤粉的燃燒情況。

1.3 爐膛出口氧量

爐膛氧量直接影響煤粉在爐膛內(nèi)燃燒狀況，合適的氧量是保證煤粉在爐膛內(nèi)燃燒充分的必要條件，氧量過(guò)低會(huì)導(dǎo)致煤粉無(wú)法充分燃燒，氧量過(guò)高一般是風(fēng)量過(guò)大，風(fēng)量過(guò)大會(huì)導(dǎo)致煤粉在爐膛內(nèi)停留時(shí)間變短，煤粉同樣無(wú)法充分燃燒［13］。有研究證明爐膛出口氧量會(huì)明顯影響飛灰、爐渣含碳量和機(jī)械未完全燃燒損失值，而且存在最佳爐膛出口氧量［14］。

2 神經(jīng)網(wǎng)絡(luò)建模

2.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種模擬人類大腦結(jié)構(gòu)和思維方式的神經(jīng)網(wǎng)絡(luò)，是人工神經(jīng)網(wǎng)絡(luò)中使用最廣泛也是最重要的模型之一。人工神經(jīng)網(wǎng)絡(luò)由大量模擬生物神經(jīng)元的人工神經(jīng)元廣泛互連而成，這些人工神經(jīng)元組成了BP 神經(jīng)網(wǎng)絡(luò)中廣義的輸入層、隱藏層和輸出層［15］。不同種類的數(shù)據(jù)通過(guò)輸入層傳遞到隱藏層，在隱藏層中進(jìn)行數(shù)據(jù)的加工處理，再通過(guò)輸出層輸出結(jié)果，神經(jīng)網(wǎng)絡(luò)中每層的每個(gè)神經(jīng)單元都有各自的權(quán)重值，BP神經(jīng)網(wǎng)絡(luò)根據(jù)計(jì)算輸出結(jié)果與期望值的誤差以梯度下降的方式反向逐層修正各神經(jīng)單元的權(quán)值直到輸入層，完成一次迭代。通過(guò)多次迭代后將各層各神經(jīng)元權(quán)值調(diào)整到合適范圍，使輸出的結(jié)果與期望值的誤差符合預(yù)期效果或達(dá)到設(shè)置的學(xué)習(xí)次數(shù)時(shí)完成訓(xùn)練［16］。

2.2 煤質(zhì)燃盡特性指數(shù)神經(jīng)網(wǎng)絡(luò)模型

2.2.1 輸入?yún)?shù)與輸出參數(shù)確定

由于國(guó)內(nèi)大部分熱電廠入爐煤的化驗(yàn)單僅有空氣干燥基（以下簡(jiǎn)稱“空干基”）成分?jǐn)?shù)據(jù)，出于方便考慮，選擇空干基水分Mad、空干基灰分Aad、干燥無(wú)灰基揮發(fā)分Vdaf、空干基彈筒發(fā)熱量Qb，ad、彈筒洗液含硫量Sb，ad（在煤質(zhì)低位發(fā)熱量大于14.6 MJ/kg 時(shí)，默認(rèn)Sb，ad等于空干基全硫分St，ad）作為輸入?yún)?shù)。

煤的燃盡特性指數(shù)BR是由煤粉熱重試驗(yàn)得到的TGA（熱重分析）曲線計(jì)算出來(lái)用以表征煤的燃盡特性的指標(biāo)［17］，其值與燃盡特性優(yōu)劣程度的對(duì)應(yīng)關(guān)系見(jiàn)表1。相比各種煤質(zhì)參數(shù)，燃盡特性指數(shù)BR從熱重試驗(yàn)TGA曲線計(jì)算獲得，能更好地反映煤粉的燃盡程度。因此，本文選擇燃盡特性指數(shù)作為輸出參數(shù)，同時(shí)作為后續(xù)灰渣平均含碳量神經(jīng)網(wǎng)絡(luò)建模的輸入?yún)?shù)之一。

表1 燃盡特性指數(shù)與燃盡程度的對(duì)應(yīng)關(guān)系

2.2.2 神經(jīng)網(wǎng)絡(luò)中間量確定

神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)來(lái)源為某實(shí)驗(yàn)室燃煤特性數(shù)據(jù)庫(kù)，經(jīng)篩選后共計(jì)400組數(shù)據(jù)，由于數(shù)據(jù)總量偏小，訓(xùn)練參數(shù)集囊括所有數(shù)據(jù)，隨機(jī)選取其中40 組測(cè)試數(shù)據(jù)集。經(jīng)不斷調(diào)試神經(jīng)網(wǎng)絡(luò)模型后，最終確定計(jì)算效果較好的數(shù)據(jù)設(shè)置模型。首先對(duì)輸入?yún)?shù)進(jìn)行歸一化處理，歸一化后的范圍為［-1，1］，設(shè)置輸入層節(jié)點(diǎn)數(shù)、各隱藏層節(jié)點(diǎn)數(shù)和輸出層節(jié)點(diǎn)數(shù)分別為5、5、1；隱藏層設(shè)置為3層，各層傳遞函數(shù)分別為logsig、logsig、tansig，采用梯度下降法訓(xùn)練；設(shè)置最大迭代次數(shù)為1 000，學(xué)習(xí)速率0.02，訓(xùn)練目標(biāo)最小誤差為10-7，設(shè)置訓(xùn)練停止條件為達(dá)到最大迭代次數(shù)或達(dá)到泛化要求（連續(xù)6次迭代后誤差不下降）。

2.2.3 神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果

神經(jīng)網(wǎng)絡(luò)建模計(jì)算后得到測(cè)試集的預(yù)測(cè)值與期望值以及兩者誤差如圖2 所示，測(cè)試集的MAE（平均絕對(duì)誤差）為0.343 2%，MSE（均方誤差）為2.245 8%，RMSE（均方根誤差）為1.498 6%。神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程中的相關(guān)性分析如圖3所示，期望值與輸出值的相關(guān)性較好。

圖2 煤質(zhì)燃盡特性指數(shù)神經(jīng)網(wǎng)絡(luò)測(cè)試集期望值與預(yù)測(cè)值分布

圖3 煤質(zhì)燃盡特性指數(shù)神經(jīng)網(wǎng)絡(luò)的相關(guān)性分析

2.3 灰渣平均含碳量神經(jīng)網(wǎng)絡(luò)建模

2.3.1 輸入?yún)?shù)與輸出參數(shù)確定

飛灰和爐渣含碳量受運(yùn)行方式影響較大，本文選取對(duì)燃燒情況影響較大的鍋爐主要運(yùn)行參數(shù)鍋爐負(fù)荷和爐膛出口氧量，以及上文中通過(guò)建立神經(jīng)網(wǎng)絡(luò)模型擬合得到的煤質(zhì)燃盡特性指數(shù)作為輸入?yún)?shù)。

輸出參數(shù)確定為灰渣平均含碳量，灰渣平均含碳量由飛灰含碳量、飛灰系數(shù)、爐渣含碳量、爐渣系數(shù)計(jì)算得到，是反平衡鍋爐效率計(jì)算法中的一個(gè)中間過(guò)程量，具體計(jì)算公式見(jiàn)式（1）?；以骄剂靠梢暂^好地綜合表征飛灰和爐渣的含碳量，而且減少了一個(gè)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)輸出參數(shù)，從而減小了神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)計(jì)算的誤差。

式中：C為灰渣平均含碳量；αfh為飛灰系數(shù)；αlz為爐渣系數(shù)；Cfh為飛灰含碳量；Clz為爐渣含碳量。

2.3.2 神經(jīng)網(wǎng)絡(luò)中間量確定

設(shè)置灰渣平均含碳量神經(jīng)網(wǎng)絡(luò)模型輸入層節(jié)點(diǎn)數(shù)、各隱藏層節(jié)點(diǎn)數(shù)和輸出層節(jié)點(diǎn)數(shù)分別為3、4、1；隱藏層設(shè)置為3 層，各層傳遞函數(shù)分別為tansig、tansig、tansig，采用梯度下降法訓(xùn)練；設(shè)置最大迭代次數(shù)為1 000，學(xué)習(xí)速率0.01，訓(xùn)練目標(biāo)最小誤差為10-7，設(shè)置訓(xùn)練停止條件為達(dá)到最大迭代次數(shù)或達(dá)到泛化要求（連續(xù)6 次迭代后誤差不下降）。

2.3.3 神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果

訓(xùn)練后灰渣平均含碳量神經(jīng)網(wǎng)絡(luò)的測(cè)試集MAE為0.974 7、MSE 為1.504 9、RMSE 為1.226 7。神經(jīng)網(wǎng)絡(luò)建模計(jì)算后得到測(cè)試集的預(yù)測(cè)值與期望值以及兩者誤差如圖4所示，神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程中的相關(guān)性如圖5所示，可以看出神經(jīng)網(wǎng)絡(luò)模型整體訓(xùn)練效果較好。

圖4 灰渣平均含碳量神經(jīng)網(wǎng)絡(luò)測(cè)試集期望值與預(yù)測(cè)值分布

圖5 灰渣平均含碳量神經(jīng)網(wǎng)絡(luò)的相關(guān)性分析

3 神經(jīng)網(wǎng)絡(luò)模型計(jì)算結(jié)果驗(yàn)證分析

3.1 使用子模型計(jì)算結(jié)果分析

選擇某熱電廠的部分鍋爐現(xiàn)場(chǎng)性能試驗(yàn)數(shù)據(jù)代入用以預(yù)測(cè)煤質(zhì)燃盡特性指數(shù)的神經(jīng)網(wǎng)絡(luò)子模型和用以預(yù)測(cè)灰渣平均含碳量的神經(jīng)網(wǎng)絡(luò)母模型進(jìn)行計(jì)算，驗(yàn)證本文中神經(jīng)網(wǎng)絡(luò)模型的實(shí)際適用性和準(zhǔn)確度。某熱電廠的幾臺(tái)CFB 鍋爐型號(hào)均一致，采用單鍋筒橫置式、單爐膛、自然循環(huán)、全懸吊結(jié)構(gòu)、全鋼架π型布置，具體鍋爐參數(shù)設(shè)計(jì)值見(jiàn)表2。

表2 某熱電廠CFB鍋爐的設(shè)計(jì)值

將真實(shí)的試驗(yàn)數(shù)據(jù)先代入煤質(zhì)燃盡特性指數(shù)神經(jīng)網(wǎng)絡(luò)模型，獲得煤質(zhì)燃盡特性指數(shù)。再通過(guò)灰渣平均含碳量神經(jīng)網(wǎng)絡(luò)模型計(jì)算得到灰渣平均含碳量預(yù)測(cè)值，與試驗(yàn)獲得的灰渣平均含碳量真實(shí)值進(jìn)行對(duì)比，如圖6所示?；以骄剂空鎸?shí)值與預(yù)測(cè)值的MAE為0.84%。

圖6 灰渣平均含碳量真實(shí)值與預(yù)測(cè)值對(duì)比

將灰渣平均含碳量真實(shí)值替換為預(yù)測(cè)值，得到用灰渣平均含碳量預(yù)測(cè)值計(jì)算的鍋爐效率預(yù)測(cè)值，鍋爐效率真實(shí)值與預(yù)測(cè)值的對(duì)比如圖7 所示，兩者的MAE為0.15%。

圖7 鍋爐效率真實(shí)值與預(yù)測(cè)值對(duì)比

3.2 不使用子模型計(jì)算結(jié)果分析

為了驗(yàn)證煤質(zhì)燃盡特性指數(shù)對(duì)灰渣平均含碳量預(yù)測(cè)值的影響，建立一個(gè)直接將各煤質(zhì)參數(shù)作為輸入?yún)?shù)的神經(jīng)網(wǎng)絡(luò)模型，不使用煤質(zhì)燃盡特性指數(shù)作為中間量，輸入?yún)?shù)分別為鍋爐負(fù)荷、爐膛出口氧量、空干基水分Mad、空干基灰分Aad、干燥無(wú)灰基揮發(fā)分Vdaf、空干基彈筒發(fā)熱量Qb，ad、彈筒洗液含硫量Sb，ad，輸出參數(shù)仍為灰渣平均含碳量。經(jīng)不斷調(diào)整神經(jīng)網(wǎng)絡(luò)參數(shù)完成訓(xùn)練后測(cè)試集的MAE 為1.038 0、MSE 為2.183 6、RMSE 為1.477 7。

代入現(xiàn)場(chǎng)試驗(yàn)數(shù)據(jù)計(jì)算得到灰渣平均含碳量預(yù)測(cè)值與真實(shí)值的MAE為1.29%，代入計(jì)算得到鍋爐效率預(yù)測(cè)值與真實(shí)值的MAE為0.23%。

對(duì)比分析使用子模型和不使用子模型的計(jì)算結(jié)果，數(shù)據(jù)如表3所示。兩個(gè)模型的MAE僅相差0.063 3，MSE相差0.678 7，可以認(rèn)為兩個(gè)模型訓(xùn)練效果較為接近。但是兩個(gè)神經(jīng)網(wǎng)絡(luò)最后算得的灰渣平均含碳量相差0.45%，代入計(jì)算得到的鍋爐效率相差0.08%，存在明顯差距。通過(guò)兩個(gè)神經(jīng)網(wǎng)絡(luò)模型計(jì)算結(jié)果對(duì)比分析可以認(rèn)為，使用煤質(zhì)燃盡特性指數(shù)神經(jīng)網(wǎng)絡(luò)子模型進(jìn)行灰渣平均含碳量預(yù)測(cè)計(jì)算相較于不使用子模型直接預(yù)測(cè)計(jì)算準(zhǔn)確度更高，誤差更小。兩種情況的灰渣平均含碳量、鍋爐效率預(yù)測(cè)值與真實(shí)值對(duì)比如圖8、圖9所示。

表3 使用子模型和不使用子模型計(jì)算灰渣含碳量結(jié)果對(duì)比

圖8 兩種情況的灰渣平均含碳量預(yù)測(cè)值與真實(shí)值對(duì)比

圖9 兩種情況的鍋爐效率預(yù)測(cè)值與真實(shí)值對(duì)比

4 結(jié)語(yǔ)

1）本文分別建立用以預(yù)測(cè)煤質(zhì)燃盡特性指數(shù)的神經(jīng)網(wǎng)絡(luò)子模型和用以預(yù)測(cè)灰渣平均含碳量的神經(jīng)網(wǎng)絡(luò)母模型，用煤質(zhì)燃盡特性指數(shù)表征入爐煤綜合煤質(zhì)質(zhì)量，用灰渣平均含碳量代替飛灰含碳量與爐渣含碳量作為輸出參數(shù)，盡量減少誤差。

2）本文中的神經(jīng)網(wǎng)絡(luò)訓(xùn)練效果較好，煤質(zhì)燃盡特性指數(shù)神經(jīng)網(wǎng)絡(luò)經(jīng)訓(xùn)練后測(cè)試集的MAE 為0.343 2、MSE為2.245 8、RMSE為1.498 6；灰渣平均含碳量神經(jīng)網(wǎng)絡(luò)經(jīng)訓(xùn)練后測(cè)試集MAE 為0.974 7、MSE為1.504 9、RMSE為1.226 7。

3）用某熱電廠現(xiàn)場(chǎng)試驗(yàn)獲得的數(shù)據(jù)驗(yàn)證神經(jīng)網(wǎng)絡(luò)模型，經(jīng)兩個(gè)神經(jīng)網(wǎng)絡(luò)模型計(jì)算后得到灰渣平均含碳量預(yù)測(cè)值與真實(shí)值的MAE為0.84%，用灰渣平均含碳量預(yù)測(cè)值計(jì)算得到的鍋爐效率預(yù)測(cè)值與真實(shí)值的MAE 為0.15%，具有較好的泛化性，但仍具優(yōu)化空間。

4）使用煤質(zhì)燃盡特性指數(shù)子模型進(jìn)行預(yù)測(cè)相較于不使用子模型計(jì)算得到的灰渣平均含碳量的偏差為0.45%，代入計(jì)算得到鍋爐效率的偏差為0.08%，證明使用子模型能夠有效減小誤差。