基于人工神经网络模型的电站燃煤锅炉结渣预测方法评价.doc

基于人工神经网络模型的电站燃煤锅炉结渣预测方法评价 摘 要文章以神经网络模型实现预测煤灰结渣情况为手段，通过研究煤灰成分与结渣情况之间的关系来揭示煤的结渣情况，分别采用BP神经网络模型与RBF神经网络模型，同时把两个模型得到的结果进行对比和分析，并通过改变隐藏节点数对收集的现场数据进行训练，对产生的误差进行了分析。最终可以通过两种神经网络模型的诊断结果来调节锅炉的运行状态，减轻锅炉结渣，延长锅炉正常运行时间。 关键词煤灰结渣；BP神经网络；RBF神经网络 1前言 结渣是在锅炉内烟气侧受热面出现的严重影响锅炉正常运行的故障现象，其主要由烟气中夹带的熔化或部分熔化的颗粒碰撞在炉墙，水冷壁或管子上被冷却凝固而形成。结渣主要以粘稠或熔融的沉淀物形式出现在辐射受热面上，如水冷壁、水排管、防渣管、过热器管排等[1]。 本文为了有效地克服单一指标分类界限过于明显的问题。采用现研究领域比较广泛采用多指标综合评价方法，利用模糊数学对结渣进行评判，从而可以更好的解决单一指标所造成的分界过于明显和准确率偏低的缺陷[2]。 2影响煤灰结渣特性的因素分析 灰分是由金属氧化物和非金属氧化物及其盐类组成的复杂物质，以SiO2和Al2O3为主，主要有Fe2O3、CaO、MgO、TiO2、SO3、Na2O和K2O等。可将灰中各氧化物分成两类一类为酸性氧化物，即SiO2、Al2O3；另一类为碱性氧化物，即Fe2O3、CaO、MgO等。对于灰的结渣性能来说，灰的熔融特性是应特别予以关注的，煤灰没有固定的熔化温度，仅有一个熔化范围。在锅炉设计中，大多采用软化温度ST作为灰的熔点。根据灰熔点的高低，把煤灰分成易熔、中等熔融、难熔、极难熔。而灰黏度是表征高温熔融状态下灰的流动特性，通常根据牛顿摩擦定律，采用黏度计测定[4]。 3多指标神经网络模型的建立 3.1四种指标综合对比分析 1硅比G GSiO2100/SiO2＋CaO＋MgO＋当量Fe2O3 2–1 式中，当量Fe2O3＝Fe2O3＋1.11FeO＋1.43Fe。 表2﹣1 硅比G判断结渣性的判别界限 硅比 中国 美国 法国 结渣倾向 G 77.8 66.177.8 72 6572 0.7 严重 3.2神经网络模型 神经网络模型的运算是以MATLAB软件为平台的，MATLAB是Math Works公司推出的一套高性能的数值计算可视化软件，MATLAB具有以下的特点1功能强大；2界面友善、语言自然；3开放性强[6] [7]。 （1）BP神经网络 在进行BP神经网络设计时，需要考虑以下问题网络的拓扑结构（隐层的层数及各层的神经元的数目）；神经元变换函数的选取；网络的初始化（连接权值和阈值的初始化）；训练参数设置；训练样本的归一化处理；样本数据导入方式等。 根据以上分析可知，针对本文内容，BP网络的建立可以分为4个基本步骤 （1）网络建立。网络的输入层为熔融温度和混煤煤灰成分含量（即混煤煤灰中的各氧化物含量），此输入层有4个神经元节点，煤灰的软化温度t2、碱酸比B/A、硅铝比、硅比 G作为输入的TT矩阵的4个神经元节点，模型选用30个已知实验数据作为网络的训练样本，并对数据进行预处理，使其在[-1,1]的区间内。网络系统初始采用4个输入节点，16个、20个、25个、30个隐层节点及3个输出节点，其运行残差曲线如图1所示。 （2）初始化。创建网络对象时自动调用初始化函数，根据缺省的参数对网络进行连接权值和阈值的初始化。 （3）网络训练。设置网络训练参数。初始设置学习率为默认值，训练目标为0.001，最大训练次数为5000次。 （4）网络仿真。它根据已训练好的网络，对测试数据进行仿真计算。 a）