好-有数据-基于神经网络和遗传算法的锅炉燃烧建模与优化_石云

第6期　　　

Cf

石云等:基于神经网络和遗传算法的锅炉燃烧建模与优化

　227

LG=33730

(100-Cf)

rf1000Hu

100(4)

该模型采用三层BP神经网络,构造结构为9-19-1,隐含

层神经元数目为19。应用神经网络建立锅炉燃烧过程模型的具体步骤如下:

step1　从DCS采集到的数据中选择对建模有益的数据项(根据经验选择或采用数据挖掘的方法);

step2　根据已选择的参数以及建模对象生成网络学习样

其中rf为飞灰比率。锅炉散热损失LR可由式(5)求得:

LR=CqQN

-0.3

100φ

-6

(5)

其中QN为锅炉的最大出力;C为表面系数;q为平均热流密度;φ为负荷系数。

2　神经网络建立锅炉燃烧过程模型

通过前面的分析可知:对锅炉的燃烧过程影响比较大的因素有排烟温度、排烟处的氧量、飞灰含碳量、应用基低位发热量、应用基灰分等,而且上述各个物理量之间存在着强非线性关系。本文选择排烟温度、飞灰含碳量、氧量、水份、灰份、低位发热量、锅炉的最高负荷、主汽温度、主汽压力、主汽焓、给水焓、标准煤量作为神经网络的输入,将锅炉的燃烧效率和氮氧化物的排放量作为神经网络的输出,建立如图1所示的模型。该模型的结构为:12-25-2,隐含层神经元数为25

。

本和预测样本;

step3　确定网络的结构以及网络的参数(学习速率,最大迭代次数,误差限等);

step4　通过网络训练的结果计算误差;

step5　判断误差是否满足要求,满足则建模完成,否则转

向step4。

3　遗传算法对锅炉燃烧的优化

3.1　适应度函数的设计

,,本文采用式6:

(6)J=M×eff+N×[NOX]其中:eff为锅炉燃烧效率的评价函数,取神经网络输出的锅炉燃烧效率;[NOX]为氮氧化物的评价函数,取神经网络氮氧化物的输出值;M、N为这两个评价函数的加权系数,通常取决于燃

烧优化的目标,即对效率和排放的关注程度。

3.2　遗传操作

本文应用遗传算法进行最佳氧量设定值的计算,调整烟气

图1　锅炉燃烧过程神经网络建模结构图

含氧量的给定值,使锅炉的燃烧效率和污染物的排放达到最优。遗传算法采用实数编码策略;由于传统的精英保留选择法会导致大多数非精英解不能参与遗传操作,使全局最优解的搜索减慢并最终导致种群局部最优解。为使搜索结果逼近全局最优解,并能充分体现“适者生存,优胜劣汰”的原则,本文采用综合选择法,即把当前种群中的N个旧个体,与经过交叉、变异等遗传操作产生的N个新个体(共2N个),同时作为被选择的对象,再用轮盘选择法从这2N个个体中选出N个作为下一代种群,这种方法扩大了选择范围;为了实现种群的多样化,本文采用两点交叉和非均匀变异的方法,随机产生初始种群P=[W1,W2,…,WM],种群中每一个个体Wi(1<i<M)对应一个烟气含氧量向量,在交叉操作之前首先对群体中的个体进行配对,采用随机配对方法,即把种群中的M个个体以随机方式组成M/2对,交叉操作在配对个体组中的每两个个体之间进行。设进行交叉的两个父代个体分别为Wi和Wj,以概率Pc进行交叉后得到的子代个体Wi′和Wj′为:

W′Wi+(1-γ)Wji=γW′Wj+(1-γ)Wij=γ

在图1所建模型的参数中,排烟温度、排烟处的氧量等可以直接从电厂DCS中获得实时数据,应用基低位发热量、应用基灰分和煤种煤质相关的数据可以从检验部分获得。而飞灰含碳量通常又受很多变量的影响,并且这些变量之间的非线性程度也比较高,通常很难通过某一具体的数学公式计算出飞灰含碳量[3],即便根据经验总结出相应的计算公式,当生产环境改变时,计算出来的数据也不一定准确。因此,本文对飞灰含碳量的求解仍然采取用神经网路建模的方法。

通常情况下,影响锅炉飞灰含碳量比较大的因素有煤种、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。我们将这九个参数值作为神经网络的输入,将锅炉的飞灰含碳量作为输出,建立如图2所示的飞灰含碳量的神经网络结构模型。

(7)(8)

其中,i,j=1,2,…,M/2;γ为区间[0,1]上均匀分布的随机数。设以概率Pm进行变异的个体为W=[w0,w1,…,wL-1]T,其中分量wk执行变异操作,其变化范围是(wk_min,wk_max),变异后当α=0与α=1时分别为式(9)与式(10):

(9)w′k=wk+Δ(t,wk_max-wk)

w′k=wk+Δ(t,wk-wk_min)

图2　飞灰含碳量的神经网络建模结构图

(10)

其中,α为区间[0,1]上均匀分布的随机数,t表示进化代数,Δ