论文部分内容阅读
本文对珠海电厂700MW大型锅炉受热面的积灰结渣状况进行了研究。采用了人工神经网络BP算法，并对传统的BP神经网络进行了改进，加快了学习速度。神经网络方法具有极强的处理非线性问题的能力，并能弥补以往热平衡法和其他监测方法的弊端。
珠海电厂存在着锅炉受热面严重结渣的状况，分析得知导致结渣严重的因素是炉膛结构、燃烧器摆角、炉膛出口烟温、运行氧量以及煤质特性等，由于珠海电厂锅炉结渣严重的区域分布在炉膛的出口处，即在二级和三级过热器的屏底，以及炉膛出口处的侧墙上，因此本文主要研究了二级过热器、三级过热器和再热器受热面的积灰结渣情况，并对这三个受热面建立了BP神经网络模型。
本文定义了焓差灰污系数并将它作为监测对象，所建立的神经网络模型的输入参数均可从DCS系统直接获得，避免了重新布点测量带来的误差。通过利用神经网络模型对锅炉受热面进出口蒸汽的焓差进行预测，而得到实时的焓差灰污系数变化曲线，根据该曲线的变化趋势和变化规律来指导吹灰，并总结出受热面积灰结渣的规律，从而得知哪些部位容易结渣，哪些部位不易结渣，从而相应的增加和减少吹灰次数。目前在我国的锅炉燃烧与监测领域，较多采用热平衡法，神经网络理论的应用还刚刚起步不久，一些学者也在此领域作出了努力，分别对遗传算法、BP算法等多种神经网络算法进行了尝试，他们通常是定义洁净因子CF(0≤CF≤1)，采用焓差灰污系数的较少。目前还没有较为成熟的基于人工神经网络的积灰结渣在线监测系统投入使用，因此用神经网络方法对锅炉受热面进行在线监测具有很大的研究价值。
珠海电厂于2004年进行了印尼煤掺烧和多种煤掺烧试验，在试验期间，燃用煤种的煤质必然会出现不同程度的波动，因此在掺烧印尼煤和多种煤的情况下，对原始的BP神经网络模型进行了改进，在输入层增加了两个反应煤质特性的参数，分别对二级过热器、三级过热器和再热器在印尼煤掺烧和多种煤掺烧条件下的受热面积灰结渣状况也进行了建模和预测。多种煤掺烧试验是在一个燃煤数字化管理系统的支持下进行的，所有相关的数据都可以在数据库中获得，这在国内还是首创。
在对传统BP神经网络的改进方面，不仅在编写程序时引入了可以加快神经网络训练速度的因子，而且在对数据进行预处理时将样本归一化到[0.1，0.9]，也大大加快了训练速度。为与其他的人工神经网络方法作比较，我们也建立了二级过热器、三级过热器和再热器的径向基(RBF)神经网络模型，RBF神经网络训练速度较快，单与改进的BP神经网络相比，其预测精度没有BP神经网络高。BP神经网络的预测值和实际值的平均相对误差最大为3.5％，预测结果较为准确。
最后进行了展望，该课题还有一些技术问题没有得到实现和解决，还需要进一步的研究。