CN103886370A - 适合不同磨煤机组合的电站锅炉燃烧性能神经网络模型 - Google Patents

Abstract

适合不同磨煤机组合的电站锅炉燃烧性能神经网络模型，包括模型输入、模型输出和神经网络，模型输入分为全局影响性输入和燃烧器局部影响性输入两类，神经网络包括输入层神经元、隐含层神经元和输出层神经元，输入层神经元燃烧器局部影响性输入神经元仅与所属燃烧器局部影响性隐含层神经元相连，不与其它燃烧器所属局部影响性隐含层神经元相连，也不与一般隐含层神经元相连，一般隐含层神经元和燃烧器局部影响性隐含层神经元均与输出层神经元相连；将电站锅炉结构转化为对应的神经网络特殊结构，可天然适应不同磨煤机组合条件，不仅具有更加优异的性能，且大幅降低模型对样本的依赖，显著提高神经网络模型的建模、训练、学习效率及模型应用成功率。

Description

适合不同磨煤机组合的电站锅炉燃烧性能神经网络模型

技术领域

本发明涉及电站锅炉燃烧特性建模技术领域，具体涉及一种适合不同磨煤机组合的电站锅炉燃烧性能神经网络模型。

背景技术

锅炉燃烧系统是电站系统最复杂最难建模的部分，其涉及大空间场内的复杂的物理和化学变化，其热量的传递又引起工质的相变，燃烧的高温两相流缺乏有效的测试手段，因此，很难用经典数学方法加以描述，尚无成熟可靠的经典数学模型。神经网络技术以其适合于复杂非线性系统和自学习特性在大量工业系统的建模领域取得了广泛的应用。

锅炉的数学模型较多集中于汽水一侧的建模，但这类模型难以反映锅炉的燃烧效率，为了用数学模型描述燃煤锅炉的煤粉投入及配风分布的影响，必须建立评价锅炉燃烧特性的数学模型，反映锅炉风、粉系统输入与锅炉燃烧效率输出之间的关系。

现有技术绝大多数都采用前向多层神经网络或神经网络序列来模拟锅炉的燃烧性能，不同的建模实例可能采用不同的隐含层神经元数量，但这类神经网络属于经典的神经网络结构，但用于锅炉燃烧性能的模型存在以下几个问题：

1.锅炉燃烧输入参数多，系统复杂，需要较多神经元组成网络，其训练和学习都需要海量的样本，而实际的锅炉运行过程工况常常波动，难以在短时间内获得足够数量的样本；

2.常规神经网络模型适应性广泛，但无法将锅炉系统的特殊结构和物理规律转化为神经网络结构或参数，隐含层神经元数量难以确定，建模过程复杂耗时，初始权值矩阵数值影响大，训练成功率低；

3.锅炉系统输入量多，但不同输入之间的相关性要么很强，要么很弱，对于常规神经网络技术中采用的对称结构（前一层神经元的输出与下一层的每个神经元都有连接）模型的训练来说极易因学习的早熟而失败。

4.电站锅炉负荷波动大，因此常常存在低负荷时部分磨煤机无需工作的状态，此外，磨煤机因配煤或故障的原因可能经常变换磨煤机组合，导致对应的燃烧器组出力波动巨大，现有技术在燃烧器出力较低时，会因为风煤比的巨大偏离而出现局部饱和，严重影响整个网络输出的精度和可靠性，因此采用现有技术的国外产品多针对不同的磨煤机组合单独进行模型的学习和训练，从而对样本数量要求更加强烈，也常因对应工况样本严重不足使训练周期大幅延长。

发明内容

为了解决上述现有技术存在的问题，本发明的目的在于提出一种适合不同磨煤机组合的电站锅炉燃烧性能神经网络模型，可将电站锅炉结构转化为对应的神经网络特殊结构，可天然适应不同磨煤机组合条件，不仅具有更加优异的性能，且大幅降低模型对样本的依赖，可显著提高神经网络模型的建模、训练、学习效率及模型应用成功率。

为了实现上述目的，本发明采用以下技术方案：

适合不同磨煤机组合的电站锅炉燃烧性能神经网络模型，包括模型输入、模型输出和神经网络，所述的模型输入分为全局影响性输入和燃烧器局部影响性输入两类，所述燃烧器局部影响性输入是指其信号的变化对所属燃烧器的燃烧状态和特性影响显著，但对整个炉膛或其他燃烧器的影响相对较小；所述神经网络包括输入层神经元、隐含层神经元和输出层神经元，所述输入层神经元分为分别与模型输入的全局影响性输入和燃烧器局部影响性输入对应的全局影响性输入层神经元和燃烧器局部影响性输入层神经元两类，所述隐含层神经元分为分别与全局影响性输入层神经元和燃烧器局部影响性输入层神经元对应的一般隐含层神经元和燃烧器局部影响性隐含层神经元两类，所述输出层神经元数量包括与模型输入的全局影响性输入和燃烧器局部影响性输入对应的两类；燃烧器局部影响性输入神经元仅与所属燃烧器局部影响性隐含层神经元相连，不与其它燃烧器所属局部影响性隐含层神经元相连，也不与一般隐含层神经元相连，所述一般隐含层神经元和燃烧器局部影响性隐含层神经元均与输出层神经元相连；燃烧器局部影响性隐含层神经元的输出计算与该燃烧器归一化的相对出力或相对出力比进行耦合，耦合方法为：将燃烧器局部影响性隐含层神经元各输入的权值与该燃烧器归一化的相对出力或相对出力比相乘或在燃烧器局部影响性隐含层神经元输出计算中叠加偏置之前与该燃烧器归一化的相对出力或相对出力比相乘。

所述神经网络中燃烧器局部影响性隐含层神经元采用如下公式进行计算：

$y=f\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_i{u}_i{u}_p\right)+b$ 或 $y=f\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_i{u}_i\right)u_p+b$

其中：u_p为该燃烧器组的出力比或燃料量比，f为传递函数；w_i为上一层第i个神经元输出至该神经元的权值；u_i为上一层第i个神经元输出，也即该神经元的第i个输入；b为该神经元的偏置。

所述神经网络中其余神经元的计算，采用如下传递函数：

$y=f\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_i{u}_i\right)+b$

这样该组燃烧器所属局部影响性隐含层神经元的输出除受输入信号的变化影响外，还与该组燃烧器的出力正相关，即该组燃烧器相对出力减少，其对整个锅炉燃烧特性的影响减弱，对应的局部影响性神经元的输出变化也降低，随着燃烧器出力的进一步减少，风煤比等关键指标溢出，但对应神经元的输出将因燃烧器出力的微小而失去对整个神经网络模型输出的影响。这样不同磨煤机组合条件下可采用统一的神经网络即可排除燃烧器出力下降产生的负面影响而适应不同磨煤机组合条件下的建模需要。

所述燃烧器局部影响性输入包括燃烧器组的煤质参数、煤粉浓度一次风速、风粉混合物温度、二次风量和二次风挡板开度；所述全局影响性输入包括机组负荷、排烟含氧量、炉膛负压、燃尽风量、燃尽风门开度、烟气一氧化碳含量和一次风压。

采用以上结构的特殊神经网络相比现有技术的神经网络具有以下优势：

该网络可天然区分不同输入参数的类别，将电站锅炉的燃烧特性从神经网络模型的结构上即可获得先天的继承，且大幅降低了神经网络的权值矩阵规模，可大幅降低网络学习和训练对样本数量的依赖。其最重要的特点是在常规神经网络的计算过程中引入燃烧器出力的修正，一方面很好体现了燃烧器出力对整个锅炉性能影响比重的正相关关系，另一方面可在燃烧器出力较低时各输入信号大幅偏离正常运行比例时的负面影响降低到最低。这使采用该方法进行锅炉性能建模时不必针对不同磨煤机组合进行单独的训练和学习，只需采用统一的网络结构和方法。

附图说明

附图为本发明网络模型结构图。

具体实施方式

下面结合附图和具体实施例对本发明作更详细的说明。

如附图所示，本发明适合不同磨煤机组合的电站锅炉燃烧性能神经网络模型，包括模型输入、模型输出和神经网络，所述的模型输入分为全局影响性输入和燃烧器局部影响性输入两类，所述燃烧器局部影响性输入是指其信号的变化对所属燃烧器的燃烧状态和特性影响显著，但对整个炉膛或其他燃烧器的影响相对较小；所述神经网络包括输入层神经元、隐含层神经元和输出层神经元，所述输入层神经元分为分别与模型输入的全局影响性输入和燃烧器局部影响性输入对应的全局影响性输入层神经元和燃烧器局部影响性输入层神经元两类，所述隐含层神经元分为分别与全局影响性输入层神经元和燃烧器局部影响性输入层神经元对应的一般隐含层神经元和燃烧器局部影响性隐含层神经元两类，所述输出层神经元数量包括与模型输入的全局影响性输入和燃烧器局部影响性输入对应的两类；燃烧器局部影响性输入神经元仅与所属燃烧器局部影响性隐含层神经元相连，不与其它燃烧器所属局部影响性隐含层神经元相连，也不与一般隐含层神经元相连，所述一般隐含层神经元和燃烧器局部影响性隐含层神经元均与输出层神经元相连；燃烧器局部影响性隐含层神经元的输出计算与该燃烧器归一化的相对出力或相对出力比进行耦合，耦合方法为：将燃烧器局部影响性隐含层神经元各输入的权值与该燃烧器归一化的相对出力或相对出力比相乘或在燃烧器局部影响性隐含层神经元输出计算中叠加偏置之前与该燃烧器归一化的相对出力或相对出力比相乘。

所述神经网络中燃烧器局部影响性隐含层神经元采用如下公式进行计算：

$y=f\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_i{u}_i{u}_p\right)+b$ 或 $y=f\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_i{u}_i\right)u_p+b$

其中：u_p为该燃烧器组的出力比或燃料量比，f为传递函数；w_i为上一层第i个神经元输出至该神经元的权值；u_i为上一层第i个神经元输出，也即该神经元的第i个输入；b为该神经元的偏置。

所述神经网络中其余神经元的计算，采用如下传递函数：

$y=f\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_i{u}_i\right)+b$

这样该组燃烧器所属局部影响性隐含层神经元的输出除受输入信号的变化影响外，还与该组燃烧器的出力正相关，即该组燃烧器相对出力减少，其对整个锅炉燃烧特性的影响减弱，对应的局部影响性神经元的输出变化也降低，随着燃烧器出力的进一步减少，风煤比等关键指标溢出，但对应神经元的输出将因燃烧器出力的微小而失去对整个神经网络模型输出的影响。这样不同磨煤机组合条件下可采用统一的神经网络即可排除燃烧器出力下降产生的负面影响而适应不同磨煤机组合条件下的建模需要。

作为本发明的优选实施方式，所述燃烧器局部影响性输入包括燃烧器组的煤质参数、煤粉浓度一次风速、风粉混合物温度、二次风量和二次风挡板开度；所述全局影响性输入包括机组负荷、排烟含氧量、炉膛负压、燃尽风量、燃尽风门开度、烟气一氧化碳含量和一次风压。

实施例

某大功率电站锅炉为前后墙对冲型式，前后墙各三排共六组燃烧器，分层配煤掺烧，每层燃烧器配有一个二次风箱，两端设置二次风挡板，制粉系统旋风分离挡板不可自动调整，旋流二次风拉杆为手动。根据以上锅炉类型、结构特点、自动控制的条件和建模目标，选择负荷、氧量、燃烧器组一次风量、各层二次风挡板开度、各层煤质、各燃烧器出力、前后燃尽风挡板开度作为模型输入，其中各层煤质、燃烧器出力、层二次风挡板开度作为燃烧器局部影响性输入，锅炉效率作为模型输出，采用如附图所示网络结构，将各燃烧器出力占全部燃烧器出力的比例系数与该燃烧器局部影响性隐含层神经元的输入权值相乘进行神经网络的计算，采用经典粒子群算法作为网络学习和训练算法，根据锅炉运行过程中获得的样本进行训练，即可获得用于锅炉燃烧效率分析的神经网络模型。

Claims (3)

1.适合不同磨煤机组合的电站锅炉燃烧性能神经网络模型，其特征在于：包括模型输入、模型输出和神经网络，所述模型输入分为全局影响性输入和燃烧器局部影响性输入两类，所述燃烧器局部影响性输入是指其信号的变化对所属燃烧器的燃烧状态和特性影响显著，但对整个炉膛或其他燃烧器的影响相对较小；所述神经网络包括输入层神经元、隐含层神经元和输出层神经元，所述输入层神经元分为分别与模型输入的全局影响性输入和燃烧器局部影响性输入对应的全局影响性输入层神经元和燃烧器局部影响性输入层神经元两类，所述隐含层神经元分为分别与全局影响性输入层神经元和燃烧器局部影响性输入层神经元对应的一般隐含层神经元和燃烧器局部影响性隐含层神经元两类，所述输出层神经元数量包括与模型输入的全局影响性输入和燃烧器局部影响性输入对应的两类；燃烧器局部影响性输入神经元仅与所属燃烧器局部影响性隐含层神经元相连，不与其它燃烧器所属局部影响性隐含层神经元相连，也不与一般隐含层神经元相连，所述一般隐含层神经元和燃烧器局部影响性隐含层神经元均与输出层神经元相连；燃烧器局部影响性隐含层神经元的输出计算与该燃烧器归一化的相对出力或相对出力比进行耦合，耦合方法为：将燃烧器局部影响性隐含层神经元各输入的权值与该燃烧器归一化的相对出力或相对出力比相乘或在燃烧器局部影响性隐含层神经元输出计算中叠加偏置之前与该燃烧器归一化的相对出力或相对出力比相乘。 

2.根据权利要求1所述的适合不同磨煤机组合的电站锅炉燃烧性能神经网络模型，其特征在于： 

所述神经网络中燃烧器局部影响性隐含层神经元采用如下公式进行计算： 

或

其中：u_p为该燃烧器组的出力比或燃料量比，f为传递函数；w_i为上一层第i个神经元输出至该神经元的权值；u_i为上一层第i个神经元输出，也即该神经元的第i个输入；b为该神经元的偏置。 

所述神经网络中其余神经元的计算，采用如下传递函数： 

。

3.根据权利要求1所述的适合不同磨煤机组合的电站锅炉燃烧性能神经网络模型，其特征在于：所述燃烧器局部影响性输入包括燃烧器组的煤质参数、煤粉浓度、一次风速、风粉混合物温度、二次风量和二次风挡板开度；所述全局影响性输入包括机组负荷、排烟含氧量、炉膛负压、燃尽风量、燃尽风门开度、烟气一氧化碳含量和一次风压。