一种电站锅炉燃烧特性神经网络模型的制作方法
【专利摘要】一种电站锅炉燃烧特性神经网络模型，包括模型输入、模型输出、神经网络；模型输入包括各燃烧器出力、燃烧器对应煤粉的煤质参数、煤粉浓度、流速、一次风、二次风、燃尽风、氧量、负荷、一氧化碳含量、炉膛负压、各风箱压力和风粉流程各调节机构开度；模型输出包括衡量锅炉性能的炉效或相对炉效及表征排放的NOx含量；模型输入根据物理特性被分成燃烧器专属输入和其它全局影响性输入，对应不同类型的输入层和隐含层神经元；本发明可将电站锅炉结构转化为对应的神经网络特殊结构，使网络模型包含实际锅炉物理特性的信息，避免不必要的交互和耦合，同时可使类似特性的子网络参数可以重用，具有较高的性能和效率。
【专利说明】一种电站锅炉燃烧特性神经网络模型
【技术领域】
[0001]本发明涉及电站锅炉燃烧特性建模【技术领域】，具体涉及一种电站锅炉燃烧特性神经网络模型。
【背景技术】
[0002]锅炉燃烧系统是电站系统最复杂最难建模的部分，其涉及大空间场内的复杂的物理和化学变化，其热量的传递又引起工质的相变，燃烧的高温两相流缺乏有效的测试手段，因此，很难用经典数学方法加以描述，尚无成熟可靠的经典数学模型。神经网络技术以其适合于复杂非线性系统和自学习特性在大量工业系统的建模领域取得了广泛的应用。
[0003]锅炉的数学模型较多集中于汽水一侧的建模，但这类模型难以反映锅炉的燃烧效率，为了用数学模型描述燃煤锅炉的煤粉投入及配风分布的影响，必须建立评价锅炉燃烧特性的数学模型，反映锅炉风、粉系统输入与锅炉燃烧效率输出之间的关系。
[0004]现有技术绝大多数都采用前向多层神经网络或神经网络序列来模拟锅炉的燃烧性能，不同的建模实例可能采用不同的隐含层神经元数量，但这类神经网络属于经典的神经网络结构，并有成熟的自学习和训练算法可供使用，已在大量工业过程建模中获得应用，但用于锅炉燃烧性能的模型存在以下几个问题:
[0005]1.锅炉燃烧输入参数多，系统复杂，需要较多神经元组成网络，其训练和学习都需要海量的样本，而实际的锅炉运行过程工况常常波动，难以在短时间内获得足够数量的样本；
[0006]2.常规神经网络模型适应性广泛，但无法将锅炉系统的特殊结构和物理规律转化为神经网络结构或参数，隐含层神经元数量难以确定，建模过程复杂耗时，初始权值矩阵数值影响大，训练成功率低；
[0007]3.锅炉系统输入量多，但不同输入之间的相关性要么很强，要么很弱，对于常规神经网络技术中采用的对称结构(前一层神经元的输出与下一层的每个神经元都有连接)模型的训练来说极易因学习的早熟而失败。
【发明内容】
[0008]为了解决上述现有技术存在的问题，本发明提出一种新的电站锅炉燃烧特性神经网络模型，可将电站锅炉结构转化为对应的神经网络特殊结构，避免不必要的交互和耦合，使类似特性的子网络参数可以重用，不仅引入了锅炉物理原理的信息且大幅降低模型对样本的依赖，可显著提高神经网络模型的建模、训练、学习效率及模型应用成功率。
[0009]为了实现上述目的，本发明采用以下技术方案:
[0010]一种电站锅炉燃烧特性神经网络模型，包括模型输入、模型输出和神经网络；所述的模型输入包括各燃烧器出力、燃烧器对应煤粉的煤质参数、煤粉浓度、流速、一次风、二次风、燃尽风、氧量、负荷、一氧化碳含量、炉膛负压、各风箱压力和风粉流程各调节机构开度；所述模型输出选择衡量锅炉性能的炉效或相对炉效及表征排放的NOx含量；所述神经网络采用彼此独立的燃烧器组子神经元组对应每一个燃烧器组，各燃烧器组内的专属输入层神经元只与属于该组的隐含层神经元相连；各燃烧器组具有相似位置、结构或物理特性的燃烧器组强制采用相同的网络结构和权值参数，具体实施网络结构包括以下三类:
[0011]第一类:隐含层神经元被划分为N组燃烧器和其他系统共N+1部分，N个燃烧器组的专属输入层神经元只与属于该组燃烧器的隐含层神经元相连，燃烧器组之间相互独立，与全局影响性系统输入也相互独立，所有隐含层神经元输出与输出层神经元两两相连；
[0012]第二类:隐含层神经元被划分为N组燃烧器和其他系统共N+1部分，N个燃烧器组的专属输入层神经元只与属于该组燃烧器的隐含层神经元相连，燃烧器组之间相互独立，全局影响性系统输入则与每一个隐含层神经元两两相连，所有隐含层神经元输出与输出层神经元两两相连；
[0013]第三类:网络结构包含两个隐含层，第一隐含层的神经元被划分为N组燃烧器共N部分，N个燃烧器组的专属输入层神经元只与属于该组燃烧器的第一隐含层的神经元相连，燃烧器组之间相互独立，第一隐含层的神经元和全局影响性系统输入神经元与每一个第二隐含层神经元两两相连，所有第二隐含层神经元输出与输出层神经元两两相连。
[0014]所述模型根据物理原理将所有模型输入分为两类，各燃烧器组的煤质参数(包括发热量、灰分、水分、挥发分、各元素含量)和粉浓度、一次风速、风粉混合物温度、二次风量、二次风挡板开度与对应燃烧器组的燃烧具有较强的影响，而与其它燃烧器组的燃烧影响较弱，作为专属该燃烧器组的输入；燃尽风、氧量、负荷、一氧化碳含量、炉膛负压对每个燃烧器组的燃烧都有一定的影响，作为全局影响性输入。两种输入信号在所述模型中被区别开来。
[0015]根据电站锅炉炉型和控制条件的不同，实际输入选择模型输入的一个子集；实际输出选择模型输出的一个子集；实际专属燃烧器的输入选择上述专属燃烧器组输入信号的一个子集。
[0016]采用以上结构的特殊神经网络相比现有技术的神经网络具有以下优势:
[0017]首先该神经网络可天然区分不同输入参数的类别，燃烧器组的专属输入对其它燃烧器影响很小，而上述的氧量等全局影响性参数对整个锅炉的燃烧都具有较大的影响，这两类输入在模型结构中具有天然的权重差异，将影响整个锅炉燃烧的氧量等信号与影响局部燃烧的燃烧器专属输入相区别，使神经网络在学习和训练前就天然继承锅炉专属结构特点的信息；其次采用燃烧器组的划分，可对物理上具有相似特性的燃烧器组采用相同的局部网络结构和权值，例如对于前后墙对冲锅炉的底层前后墙燃烧器组可认为其专属输入对整个锅炉燃烧的影响类似，其网络模型应该具有类似的结构和参数，这样可大幅降低网络在学习和训练过程中需要求解的参数数量，且避免类似物理结构得出差异较大参数结果的不合理结果，从而使网络模型的训练速度和成功率得到大幅提升；最后由于相比现有技术采用的经典神经网络(每层神经元输出与下一层神经元两两互联)在训练过程中的求解参数大幅降低，对所需样本数量的需求也大幅降低，经分析平均仅需相同规模经典网络1/8甚至更少的样本即可实现同等级的训练效果。
[0018]由于该神经网络模型结构的特殊性，因此常规的经典网络学习和训练算法无法应用，只能选择基于“遗传算法”或“粒子群算法”类似的神经网络智能学习和训练算法，这类智能算法已在经典神经网络的学习和训练中取得了大量的应用，各种改进型算法层出不穷，均可应用于本发明所提出神经网络结构的学习和训练，尽管其学习和训练的速度较经典算法稍低，但其鲁棒性好，可通过搜索空间的控制避免训练的早熟和发散，比经典算法更适合工业自动化领域建模的应用。
【专利附图】
【附图说明】
[0019]图1为第一类实施网络结构图。
[0020]图2为第二类实施网络结构图。
[0021]图3为第三类实施网络结构图。
【具体实施方式】
[0022]下面结合附图和具体实施例对本发明作更详细的说明。
[0023]本发明一种电站锅炉燃烧特性神经网络模型，包括模型输入、模型输出、神经网络；所述神经网络模型输入包括各燃烧器出力、燃烧器对应煤粉的煤质参数、煤粉浓度、流速、一次风、二次风、燃尽风、氧量、负荷、一氧化碳含量、炉膛负压、各风箱压力和风粉流程各调节机构开度；所述模型输出可选择衡量锅炉性能的炉效或相对炉效及表征排放的NOx含量。
[0024]所述模型根据物理原理将所有模型输入分为两类，各燃烧器组的煤质参数(包括发热量、灰分、水分、挥发分、各元素含量)和粉浓度、一次风速、风粉混合物温度、二次风量、二次风挡板开度与对应燃烧器组的燃烧具有较强的影响，而与其它燃烧器组的燃烧影响较弱，作为专属该燃烧器组的输入；燃尽风、氧量、负荷、一氧化碳含量、炉膛负压对每个燃烧器组的燃烧都有一定的影响，作为全局影响性输入；两种输入信号在所述模型中被区别开来。
[0025]所述神经网络采用彼此独立的燃烧器组子神经元组对应每一个燃烧器组，各燃烧器组内的专属输入层神经元只与属于该组的隐含层神经元相连；各燃烧器组具有相似位置、结构或物理特性的燃烧器组强制采用相同的网络结构和权值参数，具体实施网络结构包括以下三类。
[0026]如图1所示为第一类实施网络结构:隐含层神经元被划分为N组燃烧器和其他系统共N+1部分，N个燃烧器组的专属输入层神经元只与属于该组燃烧器的隐含层神经元相连，燃烧器组之间相互独立，与全局影响性系统输入也相互独立，所有隐含层神经元输出与输出层神经元两两相连；
[0027]如图2所示第二类实施网络结构:隐含层神经元被划分为N组燃烧器和其他系统共N+1部分，N个燃烧器组的专属输入层神经元只与属于该组燃烧器的隐含层神经元相连，燃烧器组之间相互独立，全局影响性系统输入则与每一个隐含层神经元两两相连，所有隐含层神经元输出与输出层神经元两两相连；
[0028]如图3所示第三类实施网络结构:网络结构包含两个隐含层，第一隐含层的神经元被划分为N组燃烧器共N部分，N个燃烧器组的专属输入层神经元只与属于该组燃烧器的第一隐含层的神经元相连，燃烧器组之间相互独立，第一隐含层的神经元和全局影响性系统输入神经元与每一个第二隐含层神经元两两相连，所有第二隐含层神经元输出与输出层神经元两两相连。[0029]作为本发明的优选实施方式，根据电站锅炉炉型和控制条件的不同，实际输入可选择以上输入的一个子集；实际输出可选择上述输出的一个子集；实际专属燃烧器的输入可选择上述专属燃烧器输入信号的一个子集。
[0030]实施例
[0031]某大功率电站锅炉为前后墙对冲型式，前后墙各三排共六组燃烧器，分层配煤掺烧，每层燃烧器配有一个二次风箱，两端设置二次风挡板，制粉系统旋风分离挡板不可自动调整，旋流二次风拉杆为手动。根据以上锅炉类型、结构特点、自动控制的条件和建模目标，选择本发明方法所述输入信号的一个子集(负荷、氧量、燃烧器组一次风量、各层二次风挡板开度、各层煤质、各燃烧器出力、前后燃尽风挡板开度)作为模型输入，其中各层煤质、燃烧器出力、层二次风挡板开度作为燃烧器组专属输入，锅炉效率作为模型输出，采用如图1所示网络结构，采用经典粒子群算法作为网络学习和训练算法，根据锅炉运行过程中获得的样本进行训练，即可获得用于锅炉燃烧效率分析的神经网络模型。
【权利要求】
1.一种电站锅炉燃烧特性神经网络模型，其特征在于:包括模型输入、模型输出和神经网络；所述的模型输入包括各燃烧器出力、燃烧器对应煤粉的煤质参数、煤粉浓度、流速、一次风、二次风、燃尽风、氧量、负荷、一氧化碳含量、炉膛负压、各风箱压力和风粉流程各调节机构开度；所述模型输出选择衡量锅炉性能的炉效或相对炉效及表征排放的NOx含量；所述神经网络采用彼此独立的燃烧器组子神经元组对应每一个燃烧器组，各燃烧器组内的专属输入层神经元只与属于该组的隐含层神经元相连；各燃烧器组具有相似位置、结构或物理特性的燃烧器组强制采用相同的网络结构和权值参数，具体实施网络结构包括以下三类: 第一类:隐含层神经元被划分为N组燃烧器和其他系统共N+1部分，N个燃烧器组的专属输入层神经元只与属于该组燃烧器的隐含层神经元相连，燃烧器组之间相互独立，与全局影响性系统输入也相互独立，所有隐含层神经元输出与输出层神经元两两相连； 第二类:隐含层神经元被划分为N组燃烧器和其他系统共N+1部分，N个燃烧器组的专属输入层神经元只与属于该组燃烧器的隐含层神经元相连，燃烧器组之间相互独立，全局影响性系统输入则与每一个隐含层神经元两两相连，所有隐含层神经元输出与输出层神经元两两相连； 第三类:网络结构包含两个隐含层，第一隐含层的神经元被划分为N组燃烧器共N部分，N个燃烧器组的专属输入层神经元只与属于该组燃烧器的第一隐含层的神经元相连，燃烧器组之间相互独立，第一隐含层的神经元和全局影响性系统输入神经元与每一个第二隐含层神经元两两相连，所有第二隐含层神经元输出与输出层神经元两两相连。
2.根据权利要求1所述的一种电站锅炉燃烧特性神经网络模型，其特征在于:根据物理原理将所有模型输入分为两类，各燃烧器组的煤质参数包括发热量、灰分、水分、挥发分和各元素含量以及粉浓度、一次风速、风粉混合物温度、二次风量、二次风挡板开度与对应燃烧器组的燃烧具有较强的影响，而与其它燃烧器组的燃烧影响较弱，作为专属该燃烧器组的输入；燃尽风、氧量、负荷、一氧化碳含量、炉膛负压对每个燃烧器组的燃烧都有一定的影响，作为全局影响性输入；两种输入信号在所述模型中被区别开来。
3.根据权利要求1所述的一种电站锅炉燃烧特性神经网络模型，其特征在于:根据电站锅炉炉型和控制条件的不同，实际输入选择模型输入的一个子集；实际输出选择模型输出的一个子集；实际专属燃烧器的输入选择所述专属燃烧器组输入信号的一个子集。
【文档编号】G06N3/04GK103870878SQ201410124690
【公开日】2014年6月18日 申请日期:2014年3月28日 优先权日:2014年3月28日
【发明者】高林, 薛建中, 高海东, 王春利, 曾卫东, 肖勇 申请人:西安西热控制技术有限公司, 西安热工研究院有限公司