河北建投任丘熱電有限責(zé)任公司 李 奔 薛 峰 劉四輩

1 引言

飛灰含碳量是反映電廠燃煤鍋爐效率及經(jīng)濟(jì)性的重要指標(biāo)之一。飛灰含碳量的準(zhǔn)確測量是提高鍋爐運(yùn)行過程的熱轉(zhuǎn)化效率、降低發(fā)電煤耗的基礎(chǔ)。目前，飛灰含碳量測量方法主要分為物理測量和軟測量兩大類。主流的物理測量方法中，傳統(tǒng)的燃燒失重法準(zhǔn)確性高，適用性廣但是取樣間隔長、時(shí)滯性大，難以及時(shí)反映鍋爐燃燒情況；熱重分析法自動(dòng)化程度高、準(zhǔn)確度高，但是分析時(shí)間長，設(shè)備昂貴；微波法測量速度快、精度高、儀器簡單，但是難以適應(yīng)火電廠煤質(zhì)多變情況，測量腔易堵灰[1]。其它物理測量方法也都面臨延時(shí)性、準(zhǔn)確性、價(jià)格方面的問題，難以做到飛灰含碳量的實(shí)時(shí)測量。

軟測量技術(shù)是利用一些易于實(shí)時(shí)測量的，與被測量密切相關(guān)的變量，通過在線分析來估計(jì)難以測量的實(shí)時(shí)值，為飛灰含碳量測量提供了方法。在飛灰含碳量軟測量方面，多采用支持向量機(jī)（SVM）構(gòu)建軟測量模型：基于數(shù)據(jù)相似度加權(quán)因子的最小二乘支持向量機(jī)（LSSVM）軟測量模型，利用雙種群差分進(jìn)化算法優(yōu)化模型參數(shù)的選取，通過在線評(píng)估和遞推矯正實(shí)現(xiàn)模型的自適應(yīng)矯正[2]；萬有引力搜索算法（GSA）與LSSVM 算法相結(jié)合的GSA-LSSVM 飛灰含碳量預(yù)測模型[3]；利用主成分分析的方法優(yōu)化了LSSVM 模型的輸入?yún)?shù)[4]；在計(jì)算樣本特征距離的基礎(chǔ)上，融合密度和離散度構(gòu)建全局代表性指標(biāo)，完成樣本的稀疏化，降低了LSSVM 模型的計(jì)算規(guī)模的同時(shí)提高了模型精度[5]；采用交叉驗(yàn)證法[6]、粒子群[7]優(yōu)化了SVM 模型的主要參數(shù)，并驗(yàn)證了模型的準(zhǔn)確性；采用粒子群和支持向量回歸法構(gòu)建了飛灰含碳量測量模型[8]；基于LSSVM 飛灰含碳量測量裝置[9-10]。支持向量機(jī)的優(yōu)勢在于具有較強(qiáng)的非線性映射能力，并且具有明確的數(shù)學(xué)理論支持，但是在處理多特征大規(guī)模的樣本時(shí)會(huì)耗費(fèi)大量機(jī)器內(nèi)存和運(yùn)算時(shí)間，難以保證時(shí)效性。除支持向量機(jī)外，具有高緯非線性擬合能力的神經(jīng)網(wǎng)絡(luò)在預(yù)測飛灰含碳量方面同樣得到了廣泛應(yīng)用。文獻(xiàn)提出一種基于互信息選擇的神經(jīng)網(wǎng)絡(luò)飛灰含碳量預(yù)測模型，并通過PLC 硬件實(shí)現(xiàn)[11]。還有基于蟻群算法優(yōu)化的BP 神經(jīng)網(wǎng)絡(luò)模型預(yù)測飛灰含碳量，和燃煤鍋爐飛灰含碳量的BP 神經(jīng)網(wǎng)絡(luò)模型。

支持向量機(jī)、BP 神經(jīng)網(wǎng)絡(luò)雖然具有較好的非線性映射能力，但是算法研究的對象是某一時(shí)刻的操作參數(shù)與對應(yīng)時(shí)刻的飛灰含碳量。而瞬時(shí)的飛灰含碳量是一段時(shí)間內(nèi)操作的綜合結(jié)果，用瞬時(shí)的操作對飛灰含碳量進(jìn)行擬合更適用于穩(wěn)態(tài)工況，難以滿足飛灰含碳量的動(dòng)態(tài)測量要求。本文利用長短期記憶網(wǎng)絡(luò)（LSTM）結(jié)合灰色關(guān)聯(lián)算法構(gòu)建飛灰含碳量預(yù)測模型，為飛灰含碳量動(dòng)態(tài)測量提供優(yōu)化方案。

2 參數(shù)選擇

2.1 數(shù)據(jù)篩選

本文使用的數(shù)據(jù)為某熱電廠350MW 機(jī)組實(shí)際運(yùn)行數(shù)據(jù)。該電廠采用實(shí)驗(yàn)方法測量飛灰含碳量，每天測量兩次，實(shí)測數(shù)據(jù)具有較高的準(zhǔn)確性。選取機(jī)組一年的運(yùn)行數(shù)據(jù)，參考電廠超溫超限、環(huán)保性要求，以主蒸汽溫度、SO2排放量、NOx 排放量等參數(shù)為篩選條件，除去不符合電廠安全環(huán)保要求對應(yīng)的時(shí)間標(biāo)簽的樣本數(shù)據(jù)。以早晚兩次飛灰含碳量取樣時(shí)間為節(jié)點(diǎn)，按時(shí)間標(biāo)簽取主要相關(guān)參數(shù)的前半小時(shí)運(yùn)行數(shù)據(jù)作為樣本數(shù)據(jù)。其中，主要相關(guān)參數(shù)數(shù)據(jù)由現(xiàn)場DCS 系統(tǒng)中直接取出，飛灰含碳量由現(xiàn)場實(shí)測數(shù)據(jù)錄入。主要參數(shù)及測點(diǎn)名稱如表1所示：

表1 主要參數(shù)及測點(diǎn)

2.2 飛灰含碳量影響因素分析

根據(jù)理論分析及現(xiàn)場實(shí)際調(diào)研，選用鍋爐汽水系統(tǒng)中的主蒸汽溫度、主蒸汽壓力、主蒸汽流量，風(fēng)煙系統(tǒng)中的總風(fēng)量、入爐一次風(fēng)溫度、空預(yù)器出口二次風(fēng)溫度、二次風(fēng)箱與爐膛差壓、燃燒器擺角，制粉系統(tǒng)中的總煤量、煤質(zhì)參數(shù)、磨煤機(jī)給煤量、電流等參數(shù)與飛灰含碳量進(jìn)行相關(guān)性分析。采用斯皮爾曼等級(jí)相關(guān)系數(shù)，即spearman 相關(guān)系數(shù)進(jìn)行相關(guān)性計(jì)算分析，該系數(shù)計(jì)算公式為：

將飛灰含碳量與每一個(gè)參數(shù)進(jìn)行相關(guān)性分析計(jì)算，結(jié)果如圖1所示。

圖1 飛灰含碳量相關(guān)性因素分析

從相關(guān)性分析結(jié)果來看，汽水系統(tǒng)中選取的參數(shù)均與飛灰含碳量有較強(qiáng)的相關(guān)性。主蒸汽溫度與飛灰含碳量的關(guān)聯(lián)性最強(qiáng)。主蒸汽溫度主要受燃燒強(qiáng)度的影響，主蒸汽溫度越高，燃燒強(qiáng)度越大，燃盡情況越好飛灰含碳量越低。與主蒸汽溫度類似，主蒸汽壓力、流量等與鍋爐燃燒狀態(tài)直接相關(guān)的狀態(tài)參數(shù)與飛灰含碳量也有較強(qiáng)的相關(guān)性。

風(fēng)煙系統(tǒng)中煙氣含氧量是評(píng)價(jià)爐內(nèi)燃燒情況的重要指標(biāo)，表征了爐內(nèi)的氧化還原氣氛，含氧量越高煤粉燃盡越充分?？傦L(fēng)量、二次風(fēng)箱與爐膛差壓表征了爐內(nèi)總配風(fēng)量及二次風(fēng)配風(fēng)大小，在影響爐內(nèi)燃燒氣氛的同時(shí)也影響了煙氣帶出熱量的多少，與飛灰含碳量具有較強(qiáng)的相關(guān)性。入爐一次風(fēng)平均溫度體現(xiàn)了煤粉流在燃燒初期攜帶的熱量，影響煤粉的初期燃燒情況。一次風(fēng)溫的大小取決于入爐煤的煤種，對于難燃的無煙煤、貧煤等一般采用較高的一次風(fēng)溫，而此類煤種燃盡情況較差，從總體趨勢上呈現(xiàn)出一次風(fēng)溫越高，燃盡情況越差的趨勢。燃燒器擺角決定了爐內(nèi)火焰的基本形狀，進(jìn)而影響燃燒狀況，影響飛灰含碳量。

制粉系統(tǒng)中，表征煤質(zhì)信息的參數(shù)直接影響了煤粉的燃燒過程，其中熱值表征了入爐煤在爐膛內(nèi)釋放的熱量，對燃燒強(qiáng)度起決定性作用，但是熱值越高的煤種煤化程度越高，通常燃燒特性較差，著火溫度要求高，燃盡困難。而揮發(fā)分較高的煤種燃燒特性好，易于燃盡。灰分不參與燃燒并且在燃燒過程中會(huì)吸收熱量，導(dǎo)致爐膛溫度降低，進(jìn)而導(dǎo)致燃盡程度降低，飛灰含碳量升高?？偯毫吭诳傮w趨勢上體現(xiàn)了鍋爐帶負(fù)荷的情況，總煤量越大爐內(nèi)燃燒強(qiáng)度越高，燃燼情況越好。與總煤量類似的各層磨煤機(jī)給煤量對燃燼情況也具有較強(qiáng)的影響，同時(shí)呈現(xiàn)上下層磨煤機(jī)影響較大，中間層影響較小的趨勢。磨煤機(jī)電流一定程度上表征了磨煤機(jī)的出力情況，影響煤粉細(xì)度，與飛灰含碳量具有較強(qiáng)的相關(guān)性。

根據(jù)灰色相關(guān)性分析結(jié)果，最終選定氧量、總煤量、空預(yù)器二次風(fēng)出口溫度、入爐一次風(fēng)平均溫度、燃燒器擺角、灰分、揮發(fā)分、熱值、總風(fēng)量、主蒸汽流量、主蒸汽壓力、主蒸汽溫度作為模型輸入?yún)?shù)，構(gòu)建飛灰軟測量模型。

3 飛灰含碳量預(yù)測模型

3.1 長短期記憶網(wǎng)絡(luò)簡介

長短期記憶網(wǎng)絡(luò)（LSTM）是在循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）的基礎(chǔ)上提出的時(shí)序神經(jīng)網(wǎng)絡(luò)算法。與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)不同，在RNN 神經(jīng)網(wǎng)絡(luò)中，一個(gè)序列當(dāng)前的輸出與之前的輸出也有聯(lián)系。具體表現(xiàn)為網(wǎng)絡(luò)會(huì)對前面的信息進(jìn)行記憶并應(yīng)用于當(dāng)前輸出的計(jì)算中，即隱含層之間的節(jié)點(diǎn)互相連接，并且隱含層的輸入包括輸入層的輸出與上一時(shí)刻隱含層的輸出。但是循環(huán)神經(jīng)網(wǎng)絡(luò)無法解決長時(shí)依賴問題。針對這一問題LSTM 在RNN 的基礎(chǔ)上增加了遺忘門、信息增加門、輸出門的概念，實(shí)現(xiàn)長期記憶功能。在LSTM 算法中，將各種門控的結(jié)果稱為細(xì)胞記憶，細(xì)胞記憶的更新過程就是LSTM 算法訓(xùn)練的過程，由各種門層的結(jié)構(gòu)決定。

LSTM 算法中，遺忘門用于決定從上一時(shí)刻的細(xì)胞狀態(tài)中丟棄哪些信息。本文中選擇sigmoid 函數(shù)作為遺忘門ft的激活函數(shù)，記為σ，則忘記門表達(dá)式為：

其中Wf為遺忘門的權(quán)值，bf為偏置值，ht-1為上一時(shí)刻的隱藏狀態(tài)。

信息增加門中，包括輸入門層it和候選值向量選兩值部向分量，為輸備入選門的層更it新決內(nèi)定容哪。些本信文息中需選要擇更σ新，作候?yàn)榈募せ詈瘮?shù)，tanh 函數(shù)作為的激活函數(shù)，則對應(yīng)的表達(dá)式為：

利用遺忘門和信息增加們對細(xì)胞狀態(tài)Ct進(jìn)行更新：

輸出門中，包括輸出ot和t 時(shí)刻的隱藏狀態(tài)ht，表達(dá)式為：

對于每一時(shí)刻，采用梯度下降法（backpropagation through time，BPTT）進(jìn)行網(wǎng)絡(luò)的反向傳播，假設(shè)該時(shí)刻網(wǎng)絡(luò)的第k 個(gè)輸出參數(shù)為ok，該輸出參數(shù)的實(shí)際值為yk，則總誤差E 的計(jì)算公式為：

則采用梯度下降法對LSTM 網(wǎng)絡(luò)各層權(quán)值更新的計(jì)算公式為：

3.2 基于LSTM 的飛灰含碳量預(yù)測模型

采 用TensorFlow-2.2構(gòu) 建LSTM 網(wǎng) 絡(luò)，對飛灰含碳量進(jìn)行預(yù)測模型建模。建模使用該廠350MW 機(jī)組2020年1月至12月的實(shí)際運(yùn)行數(shù)據(jù)。模型中選用sigmoid 函數(shù)作為遺忘門、輸入門層的激活函數(shù)，選用tanh 函數(shù)作為候選值向量、細(xì)胞狀態(tài)的激活函數(shù)。選用均方誤差作為模型的損失函數(shù)，選用平均誤差作為評(píng)價(jià)預(yù)測誤差的標(biāo)準(zhǔn)。模型實(shí)現(xiàn)過程如下：

根據(jù)電廠各系統(tǒng)之間的耦合關(guān)系及現(xiàn)場調(diào)研結(jié)果，初步選定與飛灰含碳量相關(guān)的參數(shù)；以飛灰取樣時(shí)間為基準(zhǔn)，按時(shí)間標(biāo)簽向前取半小時(shí)主要影響參數(shù)的運(yùn)行數(shù)據(jù)作為時(shí)序樣本數(shù)據(jù)，對樣本數(shù)據(jù)進(jìn)行穩(wěn)定性、環(huán)保性、安全性篩選；采用灰色關(guān)聯(lián)分析模型，計(jì)算出相關(guān)參數(shù)與飛灰含碳量的關(guān)聯(lián)系數(shù)，并對參數(shù)進(jìn)行篩選，得到影響飛灰含碳量的主要參數(shù)的時(shí)序樣本數(shù)據(jù)；采用Kera3.0構(gòu)建基于LSTM神經(jīng)網(wǎng)絡(luò)的飛灰含碳量測量模型：

初始化網(wǎng)格，設(shè)置雙層隱含層結(jié)構(gòu)、損失函數(shù)、對應(yīng)層的激活函數(shù)、初始化各層權(quán)值、設(shè)置初始超參數(shù)；按照時(shí)間標(biāo)簽對時(shí)序樣本數(shù)據(jù)進(jìn)行處理，將相同時(shí)間段內(nèi)的數(shù)據(jù)與對應(yīng)的飛灰含碳量測量值作為一組樣本，按照6:2:2的比例將樣本組劃分為訓(xùn)練集、驗(yàn)證集和測試集；利用訓(xùn)練集和驗(yàn)證集對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并根據(jù)訓(xùn)練結(jié)果調(diào)整網(wǎng)格結(jié)構(gòu)和超參數(shù)；利用測試集數(shù)據(jù)驗(yàn)證模型的有效性與準(zhǔn)確性。

3.3 模型訓(xùn)練結(jié)果

取該廠2019年全年的運(yùn)行數(shù)據(jù)的4/5作為訓(xùn)練集用于模型訓(xùn)練。采用交叉驗(yàn)證法，將訓(xùn)練集分為5個(gè)子集，每個(gè)子集均做一次測試集，其余的作為訓(xùn)練集，進(jìn)行交叉驗(yàn)證。模型優(yōu)化器選擇綜合性能較好的Adam 優(yōu)化器，在學(xué)習(xí)率0.01、一階矩估計(jì)的指數(shù)衰減0.9，二階矩估計(jì)的指數(shù)衰減率0.99的情況下，以均方誤差作為模型的損失函數(shù)，對模型進(jìn)行500次訓(xùn)練，訓(xùn)練結(jié)果顯示初始階段損失函數(shù)值下降較快，之后在震蕩中持續(xù)下降，最終在250次訓(xùn)練后趨于穩(wěn)定。此時(shí)飛灰含碳量的均方誤差為0.0038168，平均訓(xùn)練誤差為4.17%，符合現(xiàn)場應(yīng)用的精度要求。

4 預(yù)測模型效果驗(yàn)證

圖2 LSTM 飛灰含碳量預(yù)測結(jié)果比對

從測試數(shù)據(jù)集中隨機(jī)選取50組數(shù)據(jù)，驗(yàn)證模型預(yù)測效果，結(jié)果如圖3所示。從圖中可以看出，預(yù)測結(jié)果與實(shí)際測量結(jié)果吻合較好。預(yù)測樣本誤差如圖4、圖5所示，其中相對誤差均值為9.85%，最大相對誤差為23.995%，絕對誤差絕對值的均值為0.104，最大為0.4126，證明軟測量模型具有較好的預(yù)測效果。

圖3 LSTM 飛灰含碳量預(yù)測相對誤差

圖4 LSTM 飛灰含碳量預(yù)測絕對誤差