1  引言

     大型燃煤电厂锅炉的经济性一直是电厂运行和设计人员关心的重要问题。飞灰含碳量是影响锅炉热效率的一个重要指标，特别是对于燃用劣质煤的锅炉。但影响燃煤锅炉飞灰含碳量的因素多而且复杂，受到如锅炉燃用煤种、设计安装水平、锅炉运行操作水平等多种因素的影响，很难采用简单的公式进行估算，往往需采用实炉测试方法加以确定并摸索降低飞灰含碳量的运行方法。但实炉测试工作量大，测试工况有限，各运行参数和煤种对锅炉飞灰含碳量都存在影响，互相叠加，导致数据分析困难。而锅炉燃用煤种和操作参数千变万化，不可能保证在试验工况下运行，导致偏离燃烧调整获得的最佳工况下而无法获得最低的飞灰含碳量。相对而言，影响锅炉热效率的其他几项热损失根据运行参数可以有明确的计算公式可以求得，影响因素比较简单。获得飞灰含碳量与煤种和运行参数之间的关系对于锅炉的运行优化是有意义的。
    本文在对某台300MW四角切圆燃煤电厂锅炉的飞灰含碳量特性进行多工况实炉热态测试的基础上，应用人工神经网络的非线性动力学特性及自学习特性，建立了大型四角切圆燃烧锅炉飞灰含碳量特性的神经网络模型，并对此模型进行了校验。结果表明，该模型能根据燃煤特性及各种操作参数准确预报锅炉在不同工况下的飞灰含碳量特性，如结合寻优技术，可为大型电厂锅炉通过燃烧调整提高锅炉效率提供有效手段。

2  人工神经网络和BP学习算法

    人工神经网络是由大量模拟生物神经元的人工神经元广泛互连而成的网络，由大量的简单处理单元连接而成的自适应非线性系统。通过输入信号在各神经元之间的传递，获得输出，可以模拟人类大脑神经网络结构和行为，具有高度的非线性，并且系统可以从大量存在的知识样本中，通过学习提取出有效的知识和规则，对自身不断完善、发展和创新。
    目前应用最广泛的BP网络是一种单向传播的多层前向网络，可看成是一个从输入到输出的高度非线性映射，即对样本集合，通过BP网络可近似复杂的非线性函数关系而获得输出。人工神经网络近似复杂函数、处理信息的能力完全取决于网络中各种神经元之间的耦合权值，由于较大规模网络，各权值不可能被一一确定，因此网络本身需要学习能力，即能够从示范模式的学习中逐步调整各权值。业已证明用一个3层的BP网络可以完成任意的n维到m维的映射^[1]。
     BP算法即误差反向传播算法是神经网络学习中最常用的学习方法之一，BP算法中通过神经计算得到的输出和样本值进行误差分析，不断反复修正神经网络中各权值，从而使网络的输出接近所希望的输出，最终误差满足要求，即学习结束，获得学习成功后的权值。由于在BP算法中误差计算是由输出层向输入层的方向进行，因此称为误差反向传播算法。由梯度下降法构成的BP算法为网络的学习提供了简单有力的方法，但也存在局部最小和收敛速度慢等问题，为此，提出了附加动量法和自适应学习速率等改进方法。另外一些最优化方法，如模拟退火、单纯形法和遗传算法也可用来完成神经网络的学习。有关人工神经网络和BP算法的具体论述可参见文[2]、[3]。
    神经网络在煤燃烧方面的应用实例见文[4]~ [7]。

3  研究对象介绍

    某300MW四角切圆粉煤燃烧锅炉为亚临界中间再热控制循环锅炉，采用正压直吹式制粉系统，配5台RP863中速磨煤机，炉膛尺寸为(14022×12330)mm²。炉膛四角布置切向摆动式燃烧器,燃烧器为一二次风间隔布置，燃烧器可在上、下方向摆动以调节再热汽温，采用同心反切燃烧系统，二次风偏离一次风一定角度送入炉膛。满负荷条件下投用A~D层一次风，E层一次风备用。锅炉炉膛结构和燃烧器结构如图1所示。

4  飞灰含碳量特性热态测试结果

     在该300MW燃煤锅炉上进行了热态多工况实炉测试，对影响锅炉燃烧特性的各种运行参数如锅炉负荷、磨组合、燃尽风（OFA）配风方式、二次风配风方式、煤种、燃烧器摆角等进行了变工况试验，具体工况见表1及表2。
     试验过程保持煤粉细度不变，测量了飞灰含碳量，如表3所示。试验结果表明，锅炉飞灰含碳量特性受到各种运行参数的影响，因素多而且复杂。

5  飞灰含碳量特性神经网络模型的设计

     燃煤锅炉飞灰含碳量特性受到如煤种、运行参数和锅炉设计制作安装等因素的影响，关系较为复杂，但如将锅炉考虑成黑箱模型，由于锅炉已经建成运行，其设计和安装参数均已确定，因此将锅炉负荷、省煤器出口氧量、各二次风挡板开度、燃尽风挡板开度、燃料风挡板开度、煤种特性，各磨煤机给煤量、炉膛与风箱差压、一次风总风压、燃烧器摆角等运行参数作为神经网络的输入量，飞灰含碳量作为神经网络的输出。
    该300MW锅炉采用滑压运行方式，采用电负荷以描述锅炉负荷的影响；5台磨煤机对应5个磨煤机给煤量，用以描述一次风粉量沿炉高分配对炉内燃烧的影响；二次风共投用6层，同层联动，底层AA层二次风门开度固定，因此有5个二次风挡板开度值，以描述二次风配风方式对燃烧的影响；1个燃尽风挡板开度值以描述燃尽风的影响；取炉膛与风箱差压测点的平均值作为1个输入参数以考察其对二次风速的影响；取省煤器出口氧量平均值作为1个输入参数，描述燃烧氧量的影响；煤种特性取发热量、挥发分Var、灰分Aar和水分Mar共4个参数，以描述煤种特性的影响；各层燃烧器联锁摆动，对应1个燃烧器摆角；各燃料风开度联锁，对应1个燃料风开度；取1个一次风总风压以考虑一次风压对一次风速的影响。运行参数均可由电厂DCS中获得。

     因此，选用21个输入节点，1个输出节点，24个隐节点的BP网络结构。取表1和表2中工况1~12，工况14~21对应的样本数据来训练神经网络。利用反向传播学习算法对网络进行训练，学习参数取为0.9，采用自适应的学习步长，当系统的均方误差小于0.00001时训练结束，共需58508次循环，输出此时调整后的权值和阈值，从而使人工神经网络通过学习获得了正确的输入-输出响应行为，建立了锅炉运行参数和飞灰含碳量关系的神经网络数学模型。
    为了验证模型正确性，利用训练好的神经网络模型，采用调整后的权值和阈值对组合工况13的锅炉飞灰含碳量特性进行了评价检验，模型的输出为2.423％，而试验实测为2.35％，绝对误差为0.073％，相对误差为3.125％。利用调整后的权值和阈值对作为学习样本的工况也进行了验证，各工况的实际测试值，模型估计值和相对误差如表4和图2所示，可见对于学习样本，模型输出误差普遍很小，而工况13作为未学习过的样本，相对误差略有增大。

6  结论

    （1）大型四角切圆粉煤燃烧锅炉的飞灰含碳量特性受到如煤种、锅炉负荷、配风方式、炉型、燃烧器型式、炉温、过剩空气系数、煤粉细度、风粉分配均匀性等多种因素的影响，其影响关系较为复杂，本文进行了多工况热态试验以摸索大型四角切圆粉煤燃烧锅炉的飞灰含碳量特性。
   （2）采用人工神经网络对锅炉的燃烧经济性进行预报是一种非常有效的方法。本文通过将热态实炉试验数据作为训练样本，训练人工神经网络，调整、修正神经网络中各权值，建立了大型电厂锅炉各运行参数与飞灰含碳量特性之间关系的神经网络模型，并通过试验值和模型计算值的比较，证实了模型的合理性。
    （3）对大型四角切圆粉煤燃烧锅炉，将锅炉负荷、省煤器出口氧量、各二次风挡板开度、燃尽风挡板开度、燃料风挡板开度、煤种特性，各磨煤机给煤量、炉膛与风箱差压、一次风总风压、燃烧器摆角作为神经网络的输入向量，飞灰含碳量作为神经网络的输出，建立神经网络模型以模拟锅炉燃用煤种、运行参数与飞灰含碳量之间关系，是比较合适的，而且运行参数可从电厂DCS中获得，便于现场运用。

    （4）与其它的数学建模方法相比，人工神经网络通过对样本的学习，能够发现其隐含的信息，可避免或减少常用数据分析工作量和建模工作量，由于人工神经网络具有很强的非线性、自适应性和鲁棒性，善于联想，概括、类比和推广，如果学习样本增多，还可在新的条件下进一步训练网络，提高其准确性。
    （5）通过人工神经网络建立大型电厂锅炉的燃烧经济性模型后，即可根据输入参数预报锅炉的飞灰含碳量，如果结合全局寻优算法，可以在燃用任何煤种条件下寻找出最优的操作参数，以获得高的燃烧经济性。

参考文献

[1]     Hechi Nielsen R．Theory of the back propagation neural network [M]．Proc of IJCNN，1989，1：593-603．
[2]      焦李成（Jiao Licheng）．神经网络系统理论（The theory of neural network system）[M]．西安：西安电子科技大学出版社（Xian：Xian Electronic and science University Press），1990，242-251．
[3]      赵振宇，徐用懋（Zhao Zhenyu, Xu Yongmo）．模糊理论和神经网络的基础与应用（Introduction to fuzzy theory，neural networks，and their applications）[M]．北京：清华大学出版社，南宁：广西科学技术出版社（Beijing：Tsinghua University Press，Nanning：Guangxi Science and Technology Press），1996．
[4]      Yin C，Luo Z，Zhou J，et al．A novel non-linear programming-based coal blending technology for power plants [J]．Chemical Engineering Research and Design，2000，78（1）：118-124.
[5]     钱诗智，陆继东，李广（Qian Shizhi, Lu Jidong, Li Guang）．煤焦非均相着火温度与煤种关系的神经网络模型（An artificial neural network model on the correlation between the heterogeneous ignition temperatures of coal char particles and coals）[J]．应用科学学报（Journal of Applied Sciences），1997, 15（2）：211-216．
[6]      Carsky M，Kuwornoo D K．Neural network modelling of coal pyroly-sis [J]．Fuel，2001，80（7）：1021-1027．
[7]      Zhu Q，Jones J M，Williams A，et al．The predictions of coal/char combustion rate using an artificial neural network approach [J]．Fuel， 1999，78（14）：1755-1762．