基于模糊相对权重的燃煤锅炉结渣特性预测.pdf

第 40 卷第 1 期 2013 年 1 月 华 北 电 力 大 学 学 报 Journal of North China Electric Power University Vol. 40， No. 1 Jan． ，2013 doi10. 3969 /j. ISSN. 1007 － 2691. 2013. 01. 012 基于模糊相对权重的燃煤锅炉结渣特性预测 文孝强，徐志明，王建国 东北电力大学，吉林 吉林 132012 摘要基于模糊相对权重建立了燃煤锅炉结渣特性预测模型。该模型选取了软化温度、硅铝比、碱酸比、硅 比、无因次炉膛平均温度及无因次切圆直径 6 项单一指标作为输入变量，以结渣程度作为输出变量。选取了 17 台锅炉作为标准模式。首先，通过计算模糊关联系数 FIC 和模糊关联度 FID 获得了各指标的模糊 相对权重 FRW ，然后将其应用 6 台锅炉结渣特性评判中。评判结果表明该模型是有效的。 关键词燃煤锅炉;结渣特性;预测;模糊相对权重 中图分类号TK229. 6文献标识码A 文章编号1007 － 2691 201301 － 0061 － 05 Prediction of the slagging characteristics of coal- fired boilers based on fuzzy relative weight WEN Xiao-qiang，XU Zhi-ming，WANG Jian-guo NorthEast Dianli University，Jilin 132012，China AbstractA new model was built based on Fuzzy relative weight to predict the slagging state of coal-fired boilers，in which there were six vectors，which were softening temperature tST ，SiO2－ Al2O3ratio w SiO2 /w Al2 O3 ，alkali-acid ratio J ，percentage of silicon content G ，the dimensionless average temperature furnace φt and the dimensionless inscribed circle diameter furnace φd ，and one output vectors，which was slagging degree． 17 coal-fired boilers were selected as samples． Firstly，the fuzzy relative weight was calculated by calculating the fuzzy in- cidence coefficient FICand fuzzy incidence degree FID ． Then the feasibility of this was proved by the re- sult of predicting the state of slag on the six coal-fired boilers． Key wordscoal-fired boiler;slagging state;prediction;fuzzy relative weight 收稿日期2012 － 06 － 01． 基金项目国家自然科学基金资助项目 51076025 ;国家自然 科学基金资助项目 51176028 ． 0引言 长期以来，炉内结渣一直是危及电站燃煤锅 炉安全、经济运行的主要因素之一，也是一直困 扰锅炉工作者的主要问题。众所周知，炉内结渣 是一种非常复杂的现象，取决于许多因素的综合 影响，难以用一种判据来判断结渣性。西安热工 研究院有限公司采用美国 CE 公司和 Babcok 公司 的结渣指数对我国 24 个电厂入炉煤质的结渣指 数与现场运行情况作了对照研究，发现灰熔点型 结渣指数的分辨率为 50 ～ 60 ，而灰成分型 结渣指数的分辨率只有 20 ～ 40 ，显然没有 任何一项单独的指数可以完全正确地预报结焦倾 向 ［1］。不仅如此，结渣程度与判断指标的界限值 对应的是阶跃函数关系式，指标的计算值在界限 值附近缺少变化。以软化温度为例软化温度为 1 260 ℃ 和1 390 ℃ 均可以评判为中等结渣程度; 而1 395 ℃ 和1 255 ℃ 则分别被评判为轻度结渣和 严重结渣。其实它们之间紧相差5 ℃ ，然而却可 被评判为不同的结渣程度。显然这种判断与实际 情况有较大的出入，并没有考虑各参数对某一级 别的置信度及各因素对结渣性影响程度的大小等 因素 ［2］。 华 北 电 力 大 学 学 报2013 年 由于现实世界中存在着大小、轻重、高低等 模糊概念，由此，Zadeh 于 1976 年基于模糊集理 论，提出了模糊关联系数 Fuzzy Incidence Coef- ficient，FIC及模糊关联度 Fuzzy Incidence De- gree，FID 的 概 念， 构 造 了 模 糊 相 对 权 重 Fuzzy Relative Weight，FRW ［3］。本文尝试利用 该理论，建立了预测锅炉结渣的数学模型，以对 各种影响因素进行综合评价。 1锅炉结渣特性评判方法 按照锅炉结渣程度角度，锅炉结渣可划分为 不结渣、轻微结渣、中等结渣和严重结渣等四个 基本模式，其中后三者为锅炉异常结渣状态，应 采取相应的处理措施。 评判燃煤锅炉结渣特性可以分为静态特性和 动态特性。其中静态特性有常规的软化温度、硅 铝比、硅比及碱酸比等，和非常规的重力筛分、 磁力分析、相图及热显微镜等。而动态特性有锅 炉燃烧器结构、炉膛平均温度、流场、减温水 量、炉膛出口烟温、切圆直径、过量空气系数及 锅炉负荷比等。而每一种特性指标又可划分为轻 微、中等和严重等三个评判界限，如表 1 所示。 表 1各指标评判界限 Tab. 1Thresholds of the six indices 指标严重中等轻微 ST/℃＜ 1 2601 260 ～ 1 390＞ 1 390 ωSiO2 / ω Al2O3＞ 2. 652. 65 ～ 1. 87＜ 1. 87 B /A＞ 0. 4000. 400 ～ 0. 206＜ 0. 206 G /＜ 66. 166. 1 ～ 78. 8＞ 78. 8 φt＜ 0. 9700. 97 ～ 1. 065＞ 1. 065 φd＜ 0. 475 00. 475 0 ～ 0. 587 5＞ 0. 587 5 而传统的综合评判方法包括综合指数 R、模 糊数学、常规模式识别、人工神经元网络等方 法 ［4］。就模式识别方法而言大致可分为两种，一 种是直接方法，另一种是间接方法，而通常适用 于电站锅炉结渣特性判断的主要是间接方法。相 对于模糊数学方法而言，模式识别方法应用于燃 煤结渣预测和评判所经历的时间不长，相应地， 涉及此种方法的文献资料较少。但是，可以预见 如果能将用于辨识的模型的数据库建立起来，此 种方法在预测燃煤锅炉结渣方面的优势将得以很 好的发挥出来。 2FRW 的综合评判模型 2. 1关联度 ID Incidence Degree 设锅炉结渣特性标准模式库为 X0 ［ x01， x02， ， x0n］ ，其中 x0k表示相应的锅炉结渣标准模 式，k 1，2， ，n。x0k i表示第 k 个标准锅 炉模式第 i 个单一指标，i 1，2， 6。设待识 别锅炉模式集为Y ［ y1， y2， ， ym］ ，其中 yl为 第 l 个待识别锅炉模式的特 征向量，l 1，2， ，m。yl i为 yl模式第 i 个特征值。x0k i、 yl i ，i 1，2， 6，分别表示静态特新指标中 的软化温度、硅铝比、碱酸比、硅比及动态特性 指标中的无因次切圆直径、无因次炉膛平均温 度。则 X0、Y 可以分别表示为 X0 x01 1 x01 2 ． ． ．x01 6 x02 1 x02 2x02 6 x0n 1 x0n 2x0n 6             1 Y y1 1y1 2 y1 6 y2 1y2 2 y2 6 ym 1 ym 2 ym 6             2 锅炉结渣模式识别的任务是通过已知标准锅 炉结渣模式库，计算与比较待识锅炉模式的关联 度，将待识样本 yl划入标准样本 x0 k。待辨识样 本 yl与各标准样本 x0 k在第 i 个特征参数点的关联 度为 ξk i min k min i x0k i－ yl i ρ max k max i x0k i－ yl i x0k i－ yl i ρ max k max i x0k i－ yl i 3 k 1，2， ，n，l 1，2， ，m，i 1，2， ，6，ρ 为分辩系数 0 ＜ ρ ＜ 1 。 设不同特征值点的权重是不同的，则权向量 可表示为 ω ［ ω1 ， ω 2， ． ． ． ， ωj］ ， j 1， 2， ， 6 4 则 yl与 x0 k的差异程度用 dlk p Σ 6 i ω 1 － ξk i 槡 p 5 来表示，称之为广义闵可夫斯基 Minkowski距 离，其中 p 为距离参数。则待识别模式 yl与标准模 26 第 1 期文孝强，等基于模糊相对权重的燃煤锅炉结渣特性预测 式 x0 k的关联度 incidence degree，ID［5 ～ 6］为 γlk 1 － dlk 1 － p Σ 6 i ω 1 － ξk i 槡 p 6 2. 2模糊相对权值 FRW 设 Ini ［xi 1 ，xi 2 ，，xi n ］ 和 Inj ［xj 1 ，xj 2 ， ，xj n ］ 分别表示 6 种燃煤锅炉结渣评判指标中的任意两种。则为 模糊关联系数 Fuzzy Incidence Coefficient，FIC 为 r ～ Ini， Inj Σ n k 0 ［ xk i∧ xk j ］ Σ n k 0 ［ xk i∨ xk j ］ 7 式中，i，j 1，2， ，6。而 r ～ Ini， Ini 1 n － 1 Σ n j 1， j≠i ［r ～ Ini， Inj ］ ， i 1， ， n 8 称之为模糊关联度 FID 。 此处，r ～ Ini， Ini反映了指标 Ini对其他各指 标 Inj的影响程度，r ～ Ini， Ini值越大，则指标 Ini 在整个系统中包含的信息量越多，反之则越少。 定义 根据式 8 ，对所求得的 n 个 FID 进行 规范化处理，即可得到各个特征指标的相对权重 ωi r ～ Ini， In Σ n i r ～ Ini， Ini ， i 1， 2， ， n 9 称之为模糊相对权重 FRW 。 3锅炉结渣特性 FRW 模型 3. 1锅炉样本集 在此选取了 17 台已知结渣状况的燃煤锅炉 作为标准模式集 Ω ［ α1 ， α 2， ， α17］ ，同时选取 了北仑电厂等 6 台锅炉组成了测试样本集 Ψ ［ β 1 ， β 2， ， β6］。 3. 2原始数据的处理 为了消除各单一指标单位的差别和特性指标 数量级不同的影响，在此，对各特征指标施行数 据变换。具体采用如下公式进行归一化处理 x x － xmin xmax－ xmin 10 式中x 为各单一指标值;xmin为各单一指标值中 数值最小者;xmax为各单一指标值中数值最大者。 则归一化之后的样本数据库如表 2 所示 3. 3基于 FRW 的评判过程 第一步，计算模糊关联系数 FIC如下 表 2样本归一化结果 Tab. 2The normalized results of the samples 样本 pSTpJpw SiO2/Al2O3pGptpd α10. 346 00. 358 30. 000 00. 149 30. 417 91. 000 0 α21. 000 00. 000 00. 254 51. 000 00. 000 00. 963 3 α30. 873 40. 075 00. 620 90. 869 70. 253 70. 963 3 α40. 377 60. 141 70. 801 50. 627 40. 268 70. 945 0 α51. 000 00. 030 00. 233 30. 843 20. 021 00. 849 2 α60. 641 40. 123 30. 371 50. 529 40. 197 20. 849 2 α70. 557 00. 116 70. 600 50. 668 50. 328 40. 816 5 α81. 000 00. 033 30. 366 40. 898 50. 104 50. 779 8 α90. 894 50. 075 00. 384 20. 732 90. 074 60. 761 5 α100. 346 00. 233 30. 570 00. 279 60. 313 40. 743 1 α110. 198 30. 116 70. 755 70. 637 90. 298 50. 743 1 α120. 915 60. 033 30. 335 90. 936 50. 059 70. 724 8 α130. 789 00. 116 70. 300 30. 788 60. 194 00. 724 8 α140. 282 70. 066 71. 000 00. 000 00. 313 40. 706 4 α150. 831 20. 083 30. 325 70. 713 90. 074 60. 578 0 α160. 000 00. 166 70. 721 90. 701 40. 561 20. 506 4 α170. 000 01. 000 00. 722 60. 701 40. 179 10. 504 6 β10. 346 00. 358 30. 732 80. 149 30. 479 10. 993 0 β21. 000 00. 030 00. 233 30. 843 20. 052 70. 883 5 β30. 641 40. 123 30. 371 50. 529 40. 233 00. 883 5 β40. 198 30. 120 00. 754 70. 637 90. 298 50. 746 4 β50. 346 00. 235 80. 570 00. 279 60. 343 30. 736 3 β61. 000 00. 053 80. 300 30. 775 00. 038 80. 647 3 36 华 北 电 力 大 学 学 报2013 年 r ～ In1， In2 0． 183 6， r ～ In1， In3 0． 372 7， r ～ In1， In4 0． 712 5， r ～ In1， In5 0． 311 4， r ～ In1， In6 0． 593 8， r ～ In2， In3 0． 273 0， r ～ In2， In4 0． 199 3， r ～ In2， In5 0． 429 0， r ～ In2， In6 0． 051 1， r ～ In3， In4 0． 500 0， r ～ In3， In5 0． 418 7， r ～ In3， In6 0． 521 7， r ～ In4， In5 0． 287 8， r ～ In4， In6 0． 657 3， r ～ In5， In6 0． 296 1。 第二步，计算模糊关联度 FID如下 r ～ In1， In1 0． 4348， r ～ In2， In2 0． 2272， r ～ In3， In3 0． 4172， r ～ In4， In4 0． 4714， r ～ In5， In5 0． 3486， r ～ In6， In6 0． 4240。 第三步，计算模糊相对权重 FRW ω1 0． 1876， ω2 0． 0978， ω3 0． 1796， ω4 0． 2029， ω5 0． 1501， ω6 0． 1825。 第 四 步，计 算 相 关 系 数 Incidence Coeffi- cient，IC ，以待判样本 1 为例，所得结果如表 3 表 3相关系数 Tab. 3Correlation coefficient ICρ 0． 5ρ 0． 3 ξ1， 11. 000 01. 000 00. 367 31. 000 00. 874 20. 983 81. 000 01. 000 00. 104 01. 000 00. 581 60. 924 0 ξ1， 20. 394 10. 542 80. 470 70. 333 30. 470 30. 934 70. 115 10. 191 90. 151 00. 090 90. 150 80. 741 2 ξ1， 30. 446 40. 600 20. 791 70. 371 20. 653 60. 934 70. 138 90. 230 90. 431 90. 105 60. 274 00. 741 2 ξ1， 40. 930 80. 662 60. 860 90. 470 80. 669 10. 898 60. 729 20. 282 00. 553 20. 151 10. 287 90. 639 3 ξ1， 50. 394 10. 564 40. 459 90. 380 00. 481 50. 747 30. 115 10. 205 80. 145 50. 109 20. 156 60. 371 7 ξ1， 60. 590 10. 644 10. 540 70. 528 10. 601 40. 747 30. 223 60. 265 80. 190 60. 182 90. 231 80. 371 7 ξ1， 70. 668 40. 637 80. 762 80. 450 30. 738 40. 706 70. 287 30. 260 40. 391 40. 140 80. 360 80. 325 2 ξ1， 80. 394 10. 566 90. 537 20. 362 10. 531 70. 666 10. 115 10. 207 50. 188 40. 102 00. 185 10. 285 2 ξ1， 90. 436 80. 600 20. 549 60. 421 60. 512 60. 647 60. 134 30. 230 90. 196 20. 127 20. 173 80. 268 7 ξ1， 101. 000 00. 772 90. 723 20. 765 50. 719 70. 629 91. 000 00. 405 00. 343 20. 395 00. 339 20. 254 0 ξ1， 110. 742 30. 637 80. 948 90. 465 40. 702 00. 629 90. 365 50. 260 40. 787 90. 148 30. 320 20. 254 0 ξ1， 120. 427 50. 566 90. 517 30. 350 80. 503 50. 613 30. 129 90. 207 50. 176 50. 097 50. 168 60. 240 8 ξ1， 130. 489 80. 637 80. 495 80. 399 50. 598 70. 613 30. 161 10. 260 40. 164 40. 117 40. 229 80. 240 8 ξ1， 140. 870 50. 593 30. 614 20. 740 20. 719 70. 597 40. 573 40. 225 80. 241 50. 363 00. 339 20. 228 9 ξ1， 150. 467 10. 607 30. 511 00. 429 70. 512 60. 506 20. 149 20. 236 30. 172 80. 130 90. 173 80. 170 1 ξ1， 160. 551 40. 689 40. 975 00. 435 20. 838 20. 466 40. 197 30. 307 50. 886 40. 133 50. 508 90. 148 8 ξ1， 170. 551 40. 398 60. 976 60. 435 20. 586 40. 465 50. 197 30. 117 10. 892 90. 133 50. 220 90. 148 3 第 五 步， 计 算 广 义 闵 可 夫 斯 基 距 离 Minkowski Distance，MD ，以待判样本 1 为例， 所得结果如表 4 所示 第六步计算关联识别度 Incidence Pattern Recognition Degree，IPRD ，如表 4 第七步选择新的待判锅炉，返回第四步重 新计算。 IPRD 越大，表明测试模式与该类标准模式 越接近。如果令 γlk max［ γl1 ， γ l2， ． ． ． ， γlm］ ， k 1， 2， ， 17 11 依据贴近度原则，可把第 l 个测试模式划归 为第 k 类标准模式。经过计算和评判，六台锅炉 的具体评判结果表 5 所示。 表 4 MD 和 IPRD 值 Tab. 4MD and IPRD values 锅炉已 知样本 MD ρ 0． 5 ρ 0． 3 IPRD排序IPRD排序 α10. 115 20. 884 820. 863 61 α20. 220 70. 779 3160. 736 413 α30. 181 20. 818 890. 777 89 α40. 127 40. 872 630. 836 23 α50. 219 40. 780 6150. 733 616 α60. 169 70. 830 370. 779 48 α70. 154 20. 845 860. 7996 α80. 216 90. 783 1140. 735 114 α90. 206 20. 793 8120. 743 612 α100. 107 50. 892 510. 850 82 α110. 148 30. 851 750. 807 75 α120. 220 70. 779 3170. 730 417 α130. 205 10. 794 9110. 744 611 α140. 130 10. 869 940. 8244 α150. 214 60. 785 4130. 734 215 α160. 176 70. 823 380. 787 α170. 192 50. 807 5100. 761 710 46 第 1 期文孝强，等基于模糊相对权重的燃煤锅炉结渣特性预测 表 5评判结果 Tab. 5uation results 待测锅炉样本IPRD对应锅炉结渣状况实际结渣情况 β10. 892 5 严重严重 β20. 982 7 轻微轻微 β30. 982 6中等中等 β40. 913 2 严重严重 β50. 988 6 严重严重 β60. 941 4轻微轻微 3. 4讨论 不难看出，分辩系数 ρ 对评判结果是有直接 影响的，因此有必要针对其取值对评判结果的影 响进行 讨 论。在 此，分 别 取 ρ 值 为 0. 1，0. 3， 0. 5，0. 7，按照上述方法，计算测试样本所对应 的最大 IPRD 值。由此，可以得出测试样本的分 辩系数 － 最大 IPRD 值曲线 如图 1 所示 。限于 篇幅原因，在此仅列出样本 1 的分辩系数 － 最大 IPRD 值曲线，其余测试样本，也可得出相似结 论。由图 1 不难看出，随着 ρ 取值不断增大，其 所对应的 IPRD 值也不同程度的增大。IPRD 值越 大，则表明测试模式与标准模式的相似度越高， 从而使现场运行人员更容易对待判样本做出准确 评判。因此，在分辩系数的取值范围内 0 ＜ ρ ＜ 1 ，提 高 ρ 的 值，可 以 在 一 定 程 度 上 提 高 IPRD 的区分能力。 图 1ρ 取不同值时，对应 IPRD 值 Fig. 1The corresponding IPRD values for different 4结论 基于模糊关联系数及关联度理论，构造了模 糊相对权重，并将其应用于燃煤机组锅炉的结渣 特性评判。通过对北仑电厂等 6 台锅炉的评判， 结果表明所建模型能够准确的实现结渣程度的预 测评判，为现场运行人员合理组织和调整燃烧提 供了有力的依据。此外，通过对分辩系数的讨论 可知，关联度公式中的分辩系数对评判结果有一 定程 度 的 影 响，当 其 取 值 较 大 时，能 够 提 高 IPRD 的区分能力。 需要说明的是，由于动态特性指标无因次切 圆直径、无因次炉膛平均温度的引入，使得该模 型还仅限于切圆燃烧的锅炉，对于它是否也适用 于其它型式的锅炉，这有待于动态指标的改进和 新指标的提出，这将会是今后进一步研究的方向。 参考文献 ［1］徐乾． 模糊综合评判模型预测电站燃煤结渣特性的 研究 ［J］． 锅炉技术，2006，37 2 55 － 59． ［2 ］ 常 公 鹏，支 国 军．电 厂 锅 炉 结 渣 预 测 模 型 研 究 ［J］． 电力学报，2004，19 1 15 － 17． ［3］Zadeh L A． Fuzzy sets and their application to pattern classification cluster analysis ［M］．Academic Press， 1976． ［4］陈立军，文孝强，王 恭，等． 燃煤锅炉结渣特性预 测方法综述 ［J］． 热力发电，2006，16 6 1 － 5． ［5］丁世飞，靳泰祥． Fuzzy Grey 信息集成模式识别算 法的 研 究 ［J］． 计 算 机 辅 助 设 计 与 图 形 学 学 报， 2004，16 3 275 － 278． ［6 ］ 李兵，张培林，傅建平，等． 发动机磨损模 式的 FGRD 识别模型 ［J］． 内燃机工程，2006，27 2 71 － 74． 作者简介文孝强 1979 － ，男，讲师，主要从事数值传 热及节能与测控等研究。 56