电站锅炉是火力电站的三大主机设备之一。目前,我国的火力电站锅炉以亚临界和超临界大容量锅炉为主,由于设备本身及操作管理等方面的原因,性能指标与发达国家相比有较大差距,主要表现在煤耗高或热效率低。提高燃煤电站锅炉的热效率,节约有限的煤炭资源,同时降低燃煤过程产生的污染,是我国能源实现可持续发展的当务之急,也是电力科技工作者的攻关课题。 本文以电站锅炉燃烧系统为研究对象,探讨研究了锅炉燃烧优化理论与应用。电站锅炉设备庞大,过程多变量、大延迟、非线性。由于锅炉炉内煤粉燃烧过程极其复杂,无法用理论方法建立燃烧模型。本系统引入先进的人工智能神经网络技术,根据锅炉燃烧过程历史数据,利用RBF神经网络建立锅炉燃烧系统模型,并采用非线性寻优技术,从模型中找出不同运行参数下最佳的运行方式,以此指导锅炉燃烧调整,实现锅炉燃烧系统的优化运行。 针对现场无法在线计算锅炉热效率的现状,本文提出了一种基于拟合公式的实用方法,无需进行煤的元素分析,利用排烟温度、省煤器出口氧量、参考温度、飞灰含碳量、炉渣含碳量、发电机组负荷等运行监控参数,通过对燃煤的低位发热量、收到基灰分等燃煤工业分析,计算锅炉的热效率,可以满足电站锅炉燃烧系统优化运行的需要。 为了细化模型从而提高模型精度和建模过程的透明度,本文把锅炉燃烧系统的建模问题分为两个阶段。一是用模块化RBF神经网络,分别建立飞灰含碳量、排烟温度与有关运行参数之间的数学模型;二是将神经网络的输出量作为锅炉热效率计算的输入,建立一个模块化的电站锅炉燃烧系统神经网络组合模型。这样将燃烧模型中可以用数学描述的部分通过函数来表达,难以用数学描述的部分通过神经网络来表达,提高了黑箱模型的透明度。 本文提出了一种在线学习RBF网络模型以及学习算法。当出现新的学习样本或锅炉在运行过程中特性发生变化时,将激活隐含层的休眠节点,动态增加隐含层工作节点,并以新的学习样本作为新增的工作节点的中心,在线学习连接权值。这种模型能够在线学习锅炉的飞灰含碳量、排烟温度与各种调整参数之间的规律,根据锅炉最新的燃烧过程数据在线修正燃烧优化数学模型,使模型随着时间的推