论文部分内容阅读
摘 要：随着工业的快速发展和科技水平的显著提高，更多的现代工厂中都使用建模与控制策略方法来辅助工作，并起到了较好的效果，通过此方法能够更好的对系统在运行过程中出现的动态变化与静态特征进行描述和分析。
关键词：锅炉燃烧;仿真;应用研究;控制系统
混合模型在火电厂锅炉燃烧系统经过仿真后的各种结果，在设计火电厂的锅炉燃烧体系的时候应用了混合模型这一方法，运用遗传算法计算出在300兆瓦条件下的优化结果，对氮氧化合物的增益问题进行分析，对比了运用不同模型后计算出来的数值[1] 。
1 模型研究
1.1 稳态模型建模效果评估
BP（贝叶斯正则化）训练算法以及可变训练速率的梯度下降训练算法（带有动量项）计算氮氧化物的排放含量以及相对耗煤量的结果均比较准确。在训练样本中运用Levenberg-Marquardt最优化计算方法可以获得较小的MSE数值，但是在实验过程中MSE的数值却比较大，没有良好的泛化能力。然而通过对比BP（贝叶斯正则化）训练算法以及可变训练速率的梯度下降训练算法（带有动量项），这两种算法计算结果相似，训练样本的计算结果差距不到10%，实验样本的测试结果类似，泛化能力也比较高，具有较高水平的训练精度[2] 。
1.2 混合模型建模效果评估
该文章把火电厂内锅炉的燃烧体系作为样本来解释混合模型是如何应用的，因为在煤中含有氮这一元素，所以造成了排放大量的氮氧化合物，在正常运作时，火电厂内的锅炉燃烧体系忽略了排放物中氮的含量，所以造成了无法测量煤中所含的氮元素所占比例，因此，氮元素含量就是属于扰动变量。
1.3 模型评估
反馈系数存在于一阶的自回归模型中，本文把这个系数的数值限制为大于零小于一。对大量的测试进行总结，无论反馈的系数数值为多少，系数最后都会变成大于零小于一。在选定正则化系数时可以设置的偏小，本文把正则化系数设置为0.005。混合模型的拟合度超过98%，拥有比单一神经网络建模更佳的拟合精度，这是混合模型添加了系统的动态特性之后获得的结果[3] 。
1.4 算法实现
算法的实现步骤主要包括五步：
（1）对混合模型的各个参数进行初始化。本次文章最后选出的CV和MV如下：可调参数MV总共是15个，各层风门开一共九个，给煤机煤量一共四个，另外两个是差压和机组氧量。一共有九个反应参数，分别是汽压，单位是兆帕，汽温，单位是摄氏度，总喷水量，单位是小时每吨，蒸汽温度，单位是摄氏度，再喷水量，单位是小时每吨，飞灰的含碳量，单位是百分数，烟气的含量，单位是百分数，氮氧化合物的排放量，单位是兆克每立方米，空预器的出口温度，单位是摄氏度。这些数据是本文建立模型的基础。
（2）调整权重;
（3）判断终止条件是否满足，如果满足则算法结束转向4，如果不满足则转向2，继续调整权重;
（4）模型训练结束，获得权重已经调整好的最终模型;
（5）对模型进行评估，在模型进行实际运用后，仍然有时会出现偏差，此时需要分析原因重新训练模型。
2 混合模型的实际应用
在模型训练好以后，可以将其应用于实际工况，求解算法有很多种，本文不再对各种求解算法进行比较，直接选择遗传算法进行全局寻优，遗传算法亦有很多改进以提高寻优效率，本文也不再做深入研究，仅使用传统遗传算法，遗传算法需要首先确定目标函数，然后全局寻优。本节确定的目标函数是使氮氧化物排放量和热效率达到最佳平衡，在输入可调变量给定了目标函数后运用遗传算法对氮氧化物的排放量和单位相对煤耗全局寻优使锅炉处在最佳运行状态。
通常由于很多环境因素使系统并不稳定，存在很多的不确定因素，比如劣质煤、训练样本记录错误等等，这些都会使算法寻优出现偏差，对遗传算法抗噪性专家学者有过很多研究，复杂的方法损失了效率并不可取，本文采用重复采样的方法计算适应度值并计算平均适应度值以提高遗传算法的抗噪性。
2.1 基于神经网络模型的优化
对模型进行更深层次的验证，假设存在系数为0.7的氮氧化物排放量，系数为0.3的煤耗，此设置对环保效益更加注重，此种条件下可以实现氮氧化物从500 mg/m^3左右降低到450mg/m^3左右，相对煤耗在此种情况下会有所提升。
2.2 基于混合模型中稳态映射的优化
静态映射中适合采用向前神经网络，可是存在一定的动态成分在数据现场采集中，因而在构建神经网络模型时需要对动态成分进行剥离，对dt=adt-1+wt这种一阶动态式进行剥离，就能够获取到所需的非线性神经网络FNN（·），此种神经网络就是我们需要创建的具备稳态的混合模型。
2.3 氮氧化物排放量的相对增益分析
为了帮助机组运行人员更好地调整可调参数和获得更好的运行效果，我们把那些可调输入参数强力影响着反应参数这一现象称之为增益分析。本节拿火电厂锅炉燃烧为例，探索其中影响系统氮氧化物排放量的因素中更为显著的因素有哪些。系统之间在各个变量之间相互影响存在一定的耦合性，但相互之间也相互协调，因此，就随之出现了敏感度一词，用来衡量这个关系，简单来说，就是用增益来衡量。例如，系统中的输入发生调整时，要想知道其它输入量是否发生改变，我们可以利用之前计算的增益来判断。
3 优化系统实施实验方案
针对研究现状和缺陷，本研究为能更好的模拟系统的动态性特征，特采用数据驱动的系统优化方法，基于传统神经网络建模方法，提出动态与稳态相结合的混合模型，可同时兼顾系统的热效率与NOx排放量两个指標，能有效提高系统的控制能力，实现热效率提升与污染物排放控制的双重目标，有利于企业和社会的共同发展，实现经济与环保的双赢。发达国家很早就开始相关研究，其研究的中心就是针对优化燃烧过程以及检测排放指标进行展开的，在锅炉静态、动态性，控制和测算方面的研究获得了很多成果，策略和方法相比较之前也大有改进，我国目前由于设备更新不及时，工人的技术水平参差不齐，大多数都没有达到标准，导致了我国在发展火力而进行的环境保护，与发达国家存在差异，不光在外在的设备和操作上落后，在锅炉燃烧建模、操作策略和控制方面的研究还很浅显，之所以形成现在的局面是因为火电厂的锅炉燃烧不是单纯的操作，而是一个相对复杂的操作系统，这个系统受变量和各种特性的制约，在火电厂建模上使研究人员工作量增加，准确率很难达到标准。本文着重阐述火电厂锅炉燃烧系统在数据驱动下的建模和优化方案。我国的火力发电厂有严格的监督控制系统，检测火电厂的周围环境和废料排放，因为我国的要求是在获得经济效益的同时不能不顾环境因素，经济环境一把抓，达到火电厂节能减排的长远目标，要达到这一目标首先要对系统进行调整，本文在提升锅炉效率的同时，又对环境保护进行着重考虑，减少排量在外界环境的排放量。
4 结论
此模型是否适应火电厂的燃烧系统，并对该模型进行测试，遗传算法可以把在负荷当中的优化结果计算出来，同时检测火电厂燃烧系统的氮氧化物排放量，两次检测分析得到的结果也不相同，在混合模型当中的分析准确、清晰、贴合实际，揭示了氮氧化物排放的影响变量。
参考文献
[1] 郭士强.简述湿法脱硫石膏脱水困难的原因和控制措施[J].江西化工，2020（03）：442-443.
[2] 何峰.智能解耦控制技术在湘钢二期135 MW发电机组锅炉上的应用[J].节能，2020，39（05）：74-76.
[3] 李志国，张讳，梁军.燃煤锅炉低氧燃烧技术对提高机组经济运行的研究[J].东北电力技术，2020，41（05）：14-17+24.
关键词：锅炉燃烧;仿真;应用研究;控制系统
混合模型在火电厂锅炉燃烧系统经过仿真后的各种结果，在设计火电厂的锅炉燃烧体系的时候应用了混合模型这一方法，运用遗传算法计算出在300兆瓦条件下的优化结果，对氮氧化合物的增益问题进行分析，对比了运用不同模型后计算出来的数值[1] 。
1 模型研究
1.1 稳态模型建模效果评估
BP（贝叶斯正则化）训练算法以及可变训练速率的梯度下降训练算法（带有动量项）计算氮氧化物的排放含量以及相对耗煤量的结果均比较准确。在训练样本中运用Levenberg-Marquardt最优化计算方法可以获得较小的MSE数值，但是在实验过程中MSE的数值却比较大，没有良好的泛化能力。然而通过对比BP（贝叶斯正则化）训练算法以及可变训练速率的梯度下降训练算法（带有动量项），这两种算法计算结果相似，训练样本的计算结果差距不到10%，实验样本的测试结果类似，泛化能力也比较高，具有较高水平的训练精度[2] 。
1.2 混合模型建模效果评估
该文章把火电厂内锅炉的燃烧体系作为样本来解释混合模型是如何应用的，因为在煤中含有氮这一元素，所以造成了排放大量的氮氧化合物，在正常运作时，火电厂内的锅炉燃烧体系忽略了排放物中氮的含量，所以造成了无法测量煤中所含的氮元素所占比例，因此，氮元素含量就是属于扰动变量。
1.3 模型评估
反馈系数存在于一阶的自回归模型中，本文把这个系数的数值限制为大于零小于一。对大量的测试进行总结，无论反馈的系数数值为多少，系数最后都会变成大于零小于一。在选定正则化系数时可以设置的偏小，本文把正则化系数设置为0.005。混合模型的拟合度超过98%，拥有比单一神经网络建模更佳的拟合精度，这是混合模型添加了系统的动态特性之后获得的结果[3] 。
1.4 算法实现
算法的实现步骤主要包括五步：
（1）对混合模型的各个参数进行初始化。本次文章最后选出的CV和MV如下：可调参数MV总共是15个，各层风门开一共九个，给煤机煤量一共四个，另外两个是差压和机组氧量。一共有九个反应参数，分别是汽压，单位是兆帕，汽温，单位是摄氏度，总喷水量，单位是小时每吨，蒸汽温度，单位是摄氏度，再喷水量，单位是小时每吨，飞灰的含碳量，单位是百分数，烟气的含量，单位是百分数，氮氧化合物的排放量，单位是兆克每立方米，空预器的出口温度，单位是摄氏度。这些数据是本文建立模型的基础。
（2）调整权重;
（3）判断终止条件是否满足，如果满足则算法结束转向4，如果不满足则转向2，继续调整权重;
（4）模型训练结束，获得权重已经调整好的最终模型;
（5）对模型进行评估，在模型进行实际运用后，仍然有时会出现偏差，此时需要分析原因重新训练模型。
2 混合模型的实际应用
在模型训练好以后，可以将其应用于实际工况，求解算法有很多种，本文不再对各种求解算法进行比较，直接选择遗传算法进行全局寻优，遗传算法亦有很多改进以提高寻优效率，本文也不再做深入研究，仅使用传统遗传算法，遗传算法需要首先确定目标函数，然后全局寻优。本节确定的目标函数是使氮氧化物排放量和热效率达到最佳平衡，在输入可调变量给定了目标函数后运用遗传算法对氮氧化物的排放量和单位相对煤耗全局寻优使锅炉处在最佳运行状态。
通常由于很多环境因素使系统并不稳定，存在很多的不确定因素，比如劣质煤、训练样本记录错误等等，这些都会使算法寻优出现偏差，对遗传算法抗噪性专家学者有过很多研究，复杂的方法损失了效率并不可取，本文采用重复采样的方法计算适应度值并计算平均适应度值以提高遗传算法的抗噪性。
2.1 基于神经网络模型的优化
对模型进行更深层次的验证，假设存在系数为0.7的氮氧化物排放量，系数为0.3的煤耗，此设置对环保效益更加注重，此种条件下可以实现氮氧化物从500 mg/m^3左右降低到450mg/m^3左右，相对煤耗在此种情况下会有所提升。
2.2 基于混合模型中稳态映射的优化
静态映射中适合采用向前神经网络，可是存在一定的动态成分在数据现场采集中，因而在构建神经网络模型时需要对动态成分进行剥离，对dt=adt-1+wt这种一阶动态式进行剥离，就能够获取到所需的非线性神经网络FNN（·），此种神经网络就是我们需要创建的具备稳态的混合模型。
2.3 氮氧化物排放量的相对增益分析
为了帮助机组运行人员更好地调整可调参数和获得更好的运行效果，我们把那些可调输入参数强力影响着反应参数这一现象称之为增益分析。本节拿火电厂锅炉燃烧为例，探索其中影响系统氮氧化物排放量的因素中更为显著的因素有哪些。系统之间在各个变量之间相互影响存在一定的耦合性，但相互之间也相互协调，因此，就随之出现了敏感度一词，用来衡量这个关系，简单来说，就是用增益来衡量。例如，系统中的输入发生调整时，要想知道其它输入量是否发生改变，我们可以利用之前计算的增益来判断。
3 优化系统实施实验方案
针对研究现状和缺陷，本研究为能更好的模拟系统的动态性特征，特采用数据驱动的系统优化方法，基于传统神经网络建模方法，提出动态与稳态相结合的混合模型，可同时兼顾系统的热效率与NOx排放量两个指標，能有效提高系统的控制能力，实现热效率提升与污染物排放控制的双重目标，有利于企业和社会的共同发展，实现经济与环保的双赢。发达国家很早就开始相关研究，其研究的中心就是针对优化燃烧过程以及检测排放指标进行展开的，在锅炉静态、动态性，控制和测算方面的研究获得了很多成果，策略和方法相比较之前也大有改进，我国目前由于设备更新不及时，工人的技术水平参差不齐，大多数都没有达到标准，导致了我国在发展火力而进行的环境保护，与发达国家存在差异，不光在外在的设备和操作上落后，在锅炉燃烧建模、操作策略和控制方面的研究还很浅显，之所以形成现在的局面是因为火电厂的锅炉燃烧不是单纯的操作，而是一个相对复杂的操作系统，这个系统受变量和各种特性的制约，在火电厂建模上使研究人员工作量增加，准确率很难达到标准。本文着重阐述火电厂锅炉燃烧系统在数据驱动下的建模和优化方案。我国的火力发电厂有严格的监督控制系统，检测火电厂的周围环境和废料排放，因为我国的要求是在获得经济效益的同时不能不顾环境因素，经济环境一把抓，达到火电厂节能减排的长远目标，要达到这一目标首先要对系统进行调整，本文在提升锅炉效率的同时，又对环境保护进行着重考虑，减少排量在外界环境的排放量。
4 结论
此模型是否适应火电厂的燃烧系统，并对该模型进行测试，遗传算法可以把在负荷当中的优化结果计算出来，同时检测火电厂燃烧系统的氮氧化物排放量，两次检测分析得到的结果也不相同，在混合模型当中的分析准确、清晰、贴合实际，揭示了氮氧化物排放的影响变量。
参考文献
[1] 郭士强.简述湿法脱硫石膏脱水困难的原因和控制措施[J].江西化工，2020（03）：442-443.
[2] 何峰.智能解耦控制技术在湘钢二期135 MW发电机组锅炉上的应用[J].节能，2020，39（05）：74-76.
[3] 李志国，张讳，梁军.燃煤锅炉低氧燃烧技术对提高机组经济运行的研究[J].东北电力技术，2020，41（05）：14-17+24.