摘要：针对电站锅炉NOx浓度和发电效率的非线性及复杂耦合关系问题，分别建立某320MW火电机组RBF神经网络模型、BP神经网络模型和模糊规则模型。采用满负荷70%～80%的常规工况进行训练，RBF神经网络有效地预测了发电效率及NOx排放浓度，平均相对误差分别为2.03%和2.41%。根据专家经验制定25条模糊控制规则，将RBF神经网络的输出值作为模糊控制器输入值，对锅炉运行参数进行调整，并将调整后的值输入BP神经网络进行预测。结合RBF/BP神经网络和模糊控制规则建立了综合优化模型，使NOx调整值相对于实际值平均下降了7.89mg/m3，发电效率提高了1.08%。
关键词：RBF神经网络;BP神经网络;模糊规则;燃烧控制
引言
提高发电效率能够有效地提升能源利用率和发电厂的经济效益，降低NOx排放浓度有利于提高锅炉运行的稳定性并有效节约SNCR脱硝的喷氨成本。但受锅炉复杂燃烧状况的影响，每个机组的NOx排放浓度和机组的发电效率不易通过简单的公式或线性模型进行拟合估算。因此，如何平衡各影响因素之间复杂的耦合关系，提高发电效率并降低锅炉NOx排放浓度值得研究者深入探究。
使用人工神经网络工具能够拟合各种变量之间的非线性关系。GuotianYang等人[1]利用LSTM神经网络，采用主成分分析法消除原始变量之间的耦合关系，对某660MW锅炉建立了基于LSTM的NOx排放模型。牛鹏坤等人[2-4]将遗传算法等运用于解决锅炉效率和NOx排放问题。李昊等人[5]采用粒子群优化算法优化BP神经网络，对间接空冷散热器的性能进行了有效监测。王成等人[6]通过研究RBF神经网络对电力系统负荷的短期连续及时的规律性进行预测。此外，李明辉等人[7-9]将模糊控制理论运用于各种工业之中，解决了锅炉负荷和锅炉温度等问题。牛培峰等人[10]提出了一种带有自适应补偿器的直接型模糊控制器设计方案，提高了模糊控制系统的性能。
目前，人工神经网络和模糊控制理论被广泛运用，但通过BP/RBF神经网络和模糊规则相结合，处理受到多输入影响的发电效率和NOx排放的综合优化问题尚有不足。本文提出了一种基于BP/RBF神经网络耦合模糊规则的电站锅炉燃烧控制方法。
1算法原理
RBF神经网络和BP神经网络都是包含了输入层、输出层和隐含层的神经网络，都可用于解决复杂的非线性问题。其中，RBF是一种三层前向型神经网络[11]，结构简单，收敛速度快。通过计算隐含层节点和每个输入向量之间的距离(欧式空间)，得到一个非线性变换的结果，隐含层的这种函数变换称为径向基函数变换，该函数根据输入向量和中心点的距离分布产生响应。第二层和第一层之间是一种局部响应，第二层与第三层之间是线性的，输出结果就像中间层的加权求和[12]。三层结构各自分工，径向基函数的运用能够将输入向量非线性映射到隐含层空间，输出层为线性层做权重调整[13]。与RBF神经网络不同，BP神经网络是一种全局逼近网络，强调通过误差反向传播的算法，精确有效地逐层修正网络连接权值，修正误差以提高模型的预测精准度。确定层数以及每一层神经元个数后，先随机产生权值系数，然后输入学习样本，信号沿着正向传播，得到输出值。根据输出值与预期输出值计算误差，再由误差信号反向传播，对各层神经元间的连接权值进行修改，直到网络误差达到最小为止[14]。RBF神经网络适用于短期规律性预测，而BP神经网络适用于变量较多的复杂非线性预测。
模糊控制与BP/RBF神经网络的效果相似，能解决复杂的非线性问题，是一种整合了模糊集合、模糊语言变量和模糊逻辑推理的数字控制技术。但不同于BP/RBF神经网络，其包含一系列的推理方法，可根据简单的规则解释输入向量的值，为输出向量赋值[15]。这些规则更多的是根据专家的经验和通用知识，先进行模糊规则表的编写，再将输入信号进行模糊化处理，将处理后的模糊信号作为控制信号来实现模糊推理，最后将推理后产生的输出信号进行反模糊处理[16]。模糊控制系统具有较强的鲁棒性，适合应用于非线性系统，调节复杂变量。
2模型建立
2.1RBF神经网络建模
以广州某320MW机组火电厂为研究背景，该厂锅炉为HG1021/18.2-YM3型亚临界自然循环四角切圆粉煤锅炉。选取机组运行时连续的20组数据，这些数据对应的NOx排放浓度和发电效率较为稳定，无太大波动，在时间上具有连续性，适合RBF神经网络进行连续性、规律性预测。通过newrb函数创建RBF神经网络，设置目标误差为0001，扩展速度为10，最大神经元个数为20，对该时段以后的56组连续工况下的数据进行预测，以便提前预测NOx和发电效率，方便模糊控制规则进行调整。
2.2模糊规则模型
2.2.1确定模糊变量
模糊控制器是控制系统的核心，将RBF神经网络输出量NOx浓度和发电效率的精确值作为模糊控制器的输入变量，给煤量、一次风量、二次风量和燃烧器摆角作为模糊控制器的输出变量，对锅炉运行参数进行调控。模糊控制器流程如图1所示。该锅炉运行时，给煤量为90～140t/h，一次风量为220～280km3/h，二次风量为1100～1400km3/h，燃烧器摆角20°～80°，NOx浓度为250～290mg/m3，发电效率为36%～40%。
2.2.2精确量的模糊化
对精确量进行模糊化处理，分别将精确量的变化范围等分为5个离散论域，选择控制输入输出量的语言变量模糊集合和离散论域为：
给煤量={很多，较多，正常，较少，很少｝，简记为FC={TM，SM，ZO，SL，TL｝;
一次风量={很多，较多，正常，较少，很少｝，简记为FA={TM，SM，ZO，SL，TL｝;
二次风量={很多，较多，正常，较少，很少｝，简记为SA={TM，SM，ZO，SL，TL｝
;燃烧器摆角={很大，较大，正常，较小，很小｝，简记为TA={TB，SB，ZO，SS，TS｝;
NOx浓度={很高，较高，正常，较低，很低｝，简记为NC={TH，SH，ZO，SL，TL｝;
发电效率={很高，较高，正常，较低，很低｝，简记为EF={TH，SH，ZO，SL，TL｝。
2.2.3确定隶属度函数
常见的隶属函数有三角形、梯形和高斯型等。高斯型隶属函数是正态分布，连续且处处可求导，比较适合自适应模糊控制隶属函数的修正。本文使用正态分布的高斯型隶属函数。一般合适的隶属度函数应该保证相邻模糊量的交点在0.3～0.7之间，使其具有一定的重叠鲁棒性。在此仅列出发电效率的隶属度函数，如图2所示。
2.2.4确定模糊控制规则
根据锅炉运行的实际情况，结合相关研究[17]和现场专家的经验，可以总结出25条模糊控制规则：
同时采用IFTHEN语句表示模糊控制规则：
(1)IFEF=THANDNC=SHTHENFC=SLANDFA=SMANDSA=SMANDTA=SB;
(2)IFEF=SHANDNC=SLTHENFC=SMANDFA=SMANDSA=SLANDTA=SS;………
(25)IFEF=TLANDNC=SLTHENFC=TMANDFA=TMANDSA=TLANDTA=TS。
以上控制规则包含了现场可能出现的所有情况。在此仅给出给煤量的控制规则，如表1所示。
3模型评价与验证
3.1RBF神经网络
对NOx排放浓度和发电效率的规律性预测结果的相对误差如图4所示。发电效率的最大相对误差为561%，平均相对误差为2.03%，说明RBF神经网络对于发电效率的预测效果极好。NOx的最大相对误差为8.88%，平均相对误差为2.41%，说明RBF神经网络对NOx整体预测效果较好，但由于NOx变化较大，极少工况下会出现较大误差。
3.2模糊规则模型
将各控制量的数据和25条控制规则输入Fuzzy模糊控制器，在SIMULINK模块建立模糊控制输入量与输出量的关系。以RBF神经网络预测的发电效率和NOx浓度为输入量，实现对锅炉性能的调控。
以某一正常运行工况为例，RBF预测输出值发电效率为38.14%，NOx浓度为277.97mg/m3，发电效率正常，NOx浓度较高。此时应适量减少锅炉燃煤进料量，降低NOx浓度。虽然给煤量的减少可以降低NOx排放浓度，但是会导致发电效率下降。因此，此时保持一次风量、二次风量和摆角不变，可以在降低NOx排放浓度的同时，保持发电效率不变甚至略微提高。由图5可知，应调节给煤量为103.2t/h，一次风量为250.6km3/h，二次风量为1247km3/h，燃烧器摆角为49.39°。
3.3BP神经网络
对于1～10组预测样本，其最大相对误差仅为4.39%，均未超过5%，这是由于已经训练好的BP神经网络对训练过的数据有较高适应性。而对于改变锅炉负荷的11～15组样本，可以明显看到相对误差整体偏大，尤其对于发电效率预测出现了较大误差。具体来看，工况11、工况12、工况15对应满负荷的50%、60%、100%，出现的相对误差较大。工况13、工况14对应满负荷的75%、85%，相对误差较小，均不超过5%。根据现场经验，夏季锅炉运行负荷为满负荷的70%～80%，大部分训练数据也是在该负荷所得，因此工况13、工况14预测值的相对误差较小。整体来看15个样本的NOx排放浓度和发电效率预测值的平均相对误差分别为1.77%和2.77%，这说明模型预测效果较好，可用于预测锅炉参数与NOx和发电效率的关系。
相关期刊推荐：《热能动力工程》(双月刊)创刊于1986年，报道宗旨：贯彻军民结合和两个面向的指导思想，交流国内、外热能动力工程的研究成果，开发新的研究项目，为促进我国热能动力工程事业的发展，为国民经济建设服务而努力开拓。读者对象：热能动力工程领域中的科研人员、工程技术人员、大专院校的师生。报道内容：报导热能动力工程领域的现状、发展趋势的专题综述论文;报导燃机、汽机、锅炉、传动元部件的试验、研究、设计方面的论文;报导具有实用性的技术交流论文。
当大幅度改变锅炉负荷时，对应的其他控制参数也在大幅度改变，BP神经网络模型对其中的非线性关系适应性一般。若要使BP神经网络模型对其有良好的预测效果，需要在变负荷工况下进行训练。
3.4综合优化模型
在训练模型的基础上，提出了BP/RBF神经网络耦合模糊规则的电站锅炉燃烧控制模型，利用RBF神经网络对13个工况的NOx排放浓度和发电效率进行预测，将预测值输入模糊控制器进行调整，模糊控制器输出锅炉燃烧的输入调整值(给煤量、一次风量、二次风量和燃烧器摆角)，BP神经网络根据输入调整值进行仿真，输出NOx排放浓度和发电效率的最终调整结果。优化结果如表2所示。经过优化后，NOx排放浓度和发电效率都得到了有效调整。NOx排放浓度调整值相对于实际值平均下降7.89mg/m3，而发电效率调整值相对于实际值平均升高1.08%，说明综合优化模型对于电站锅炉的高效低污染燃烧实现有较好效果。
4结论
(1)RBF神经网络对于锅炉运行时的发电效率和NOx排放浓度预测有较好效果，平均相对误差分别为2.03%和2.41%。
(2)建立合适的模糊控制规则，利用SIMULINK仿真的模糊控制器对调节锅炉工况有较好效果。
(3)利用典型的BP神经网络预测模型能够有效地解决复杂的非线性问题，准确映射输入变量(给煤量、煤质特性、一次风量、二次风量和燃烧器摆角)与输出变量(发电效率和NOx排放浓度)的潜在关系。对于两个输出变量预测值的平均相对误差都不超过5%。
(4)使用RBF/BP神经网络耦合模糊规则建立的电站锅炉燃烧控制模型，能够有效地处理发电效率和NOx排放的综合问题，有效降低NOx排放浓度并提高发电效率，该模型对于电厂实现高效低污染燃烧具有一定指导意义。——论文作者：洪昌少1，黄俊1，关应元1，马晓茜2
转载请注明来自：http://www.lunwencheng.com/lunwen/dzi/19888.html
