基于遗传神经网络的锅炉入炉煤质软测量研究

　　在我国发电结构中，火力发电约占80%，而在今后相当长的时间里，煤炭仍将是火力发电的最主要能源。目前髯自燃煤发电的平均供电煤耗高于发达国家水平，提高火电机组运行的经济性仍然是一项重要的课题。如果能够实现对入炉煤质的实时准确测量，就能够实时分析机组运行的经济性，及时对机组运行进行操作指导。

　　目前煤质在线分析以吸收/散射法、受激辐射法自然Υ射线辐射法和性质变化法等在线监测技术为主。软测量技术是近几年发展较快的测试技术，其来源于Brosilow等人提出的推断控制思想闭，已被广大研究者关注。本文结合人工神经网络(ANN)的BP算法(BP网络)和具有全局寻优能力的GA原理，建立使用GA优化BP网络权值初值的入炉煤质软测量模型，对煤燃烧全过程进行分析以确定BP网络的结构，并且根据运行数据和煤质数据进行网络的训练和检验，从而得到在线测量煤质的软测量模型。

　　一、BP网络与遗传算法的结合

　　月前国内外对GA和BP网络相结合的研究较多，其结合方式有GA优化BP权参数和GA优化BP网络拓补结构和参数2种，本文选择GA优化BP权参数方式构建模型。

　　GA优化BP权参数方式通过对BP网络的初始参数(包括权值，偏置值)进行编码，将BP前向计算的均方误差作为适应度判别准则，以此对权值空间进行预处理，寻找到最接近真极小点的初始权值，使用优化的权值进行训练，可以大大提高训练的稳定性和收敛速度，有效避免收敛误差陷入局部极小，其流程见图1。

　　二、煤质软测量模型

　　选取3层BP网络，确定输入层节点参数、输出层节点参数、隐含层节点数目。

　　(1)输出节点软测量模型输出层为测量的目标变量，因此输出层节点参数反映了煤质的各项指标。本文选取煤的挥发分、发热量、固定碳为测量模型输出层节点参数。

　　(2)输入节点在软测量中，输入层参数为受到输出参数影响的二次变量。将在入炉煤进入制粉系统到燃烧结束排出炉膛的过程中受煤质参数影响的锅炉运行参数作为BP网络的输入参数，从制、送粉和燃烧2个环节中筛选作为煤质软测量模型的输入参数。

　　煤质对锅炉经济性的影响主要体现在锅炉效率上，采用对锅炉效率的影响作为判别准则，根据锅炉的热平衡计算公式进行分析，从已有的运行数据中筛选出相关的输入变量。锅炉的热平衡计算公式为：

　　Qr=Q1+Q2+Q3十Q4+Q5+Q6 (l)

　　式中：Qr为锅炉的输入热量;Q1为锅炉有效利用热，其包括主蒸汽和再热蒸汽，涉及主蒸汽、给水、高压缸排汽和再热蒸汽等参数; Q2为排烟热损失，其涉及烟气含氧量，排烟温度和送风温度等参数;Q3为可燃气体不完全燃烧热损失，正常燃烧时一般为1个很低的值，在本文的分析研究中不予考虑;Q4为固体不完全燃烧热损失，其涉及炉渣含碳量(由一次和二次风风速、锅炉负荷(主蒸汽参数)、烟气含氧量、给粉机和磨煤机参数进行表征)和飞灰含碳量;Q5为散热损失，其涉及主蒸汽流量;Q6为其它热损失，其不考虑征兆参数。