锅炉结渣特性的预测模型研究

赵宁宁，荣令玉

(1.华北电力大学，河北 保定 071003;2.华能吉林发电有限公司九台电厂，吉林 九台 130501)

0 引言

煤粉锅炉结渣问题至今未得到很好的解决，该问题已成为火力发电厂的一大顽疾，随着机组容量的进一步加大，这一问题将更加突出，会对电站锅炉的安全和经济运行产生严重威胁。因此，准确判断锅炉的结渣状况，采取相应的防范措施，对于防止严重结垢、优化运行具有非常重要的意义［1－3］。长期以来，使用任何单一的判别指标，分辨率都不高，原因在于炉膛结渣原因复杂，结渣倾向是一个模糊的概念，而且是一个由弱到强的过程，所以，至今未找到能够定量描述结渣过程的模型。

锅炉受热面结渣影响锅炉的正常运行，但常规结渣判别指标的准确性往往不高，因为各项影响指标分级界限过于明确，忽略了锅炉结渣是一个由弱到强的变化过程，而把“结渣程度”这一概念简单地处理成一个明确的界限［4－5］。此外，单一结渣指标只能从单方面去判断锅炉结渣程度。因此，建立一个能够准确预测锅炉结渣倾向的模型，根据预测结果采取正确的方法防止严重结渣，从而优化运行，具有非常重要的意义。

1 研究方法

锅炉结渣是多因素耦合的、十分复杂的物理、化学过程，有很多专家、学者一直致力于结渣预测的研究，提出了许多预测锅炉结渣的方法，虽然这些方法在特定的研究条件下有一定的准确性，但至今无统一适用的预测方法。下面简单介绍近年来国内、外在该领域的一些研究方法［6］。

(1)单指标评判方法是根据一种指标来粗略预测锅炉结渣的方法。单一指标评判方法利用影响锅炉结渣的主要因素(煤的特性即静态特性和锅炉运行特性即动态特性)进行预测，预测结果存在准确率偏低的问题，但其在锅炉结渣预测方法的发展过程中起着至关重要的作用［7－8］。随着锅炉容量不断增大和科学研究的不断深入，单一指标评判的劣势日益明显，所以，开始考虑用一些非常规的方法或是通过一些非常规指标来对锅炉结渣情况进行预测。但其预测精度仍然不理想，与实际工程要求还有一定差距。

(2)多指标综合评判方法是将几个单指标评判方法综合起来去预测煤的结渣特性的方法。

1)综合指数R。把灰熔点、硅铝比、碱酸比、硅比4个常规指标［9］综合起来考虑，利用加权平均法，综合出一种新的判别方法——综合指数R，克服单一指标准确率偏低的缺点。对我国90余种动力用煤结渣特性进行评判，准确率达90%。

2)模糊数学方法。为了克服单一指标分类界限过于明确的问题，开始采用模糊数学对结渣进行评判，与综合指数相比，很好地解决了权值过于平均化的问题［10］。

3)模式识别方法应用于燃煤结渣预测和评判所经历的时间比模糊思想方法所经历的时间短一些，所以，涉及此种方法的文献资料不多。对于模式识别算法模型，要尽量建立由已知结渣特性的燃煤和锅炉信息组成的数据库作为模式识别的知识库，据此来预测和评判未知燃煤的结渣倾向［11］。可以预见的是，如果能提取最有效的特征数据用于模式识别并将数据库建立起来，那么，这种方法在预测锅炉结渣方面的优势将会得到较好的发挥。

4)人工神经网络方法是一种模仿和拓展人类神经功能的新一代智能算法，该算法是从大量已经存在的知识样本中寻求规律，从而提取出有效的规则［12］。在训练过程中，整个网络在不断适应数据的变化规律，不断完善和创新网络，使网络具有高度的容错性、适时性和鲁棒性。因此，该方法已被广泛应用于锅炉结渣性的预测［13－14］。在将人工神经网络应用于燃煤结渣性判别时，需要考虑下面几点:合理选取样本，即特征提取，使样本具有代表性;网络结构的问题，包括网络层数以及各层的结点数;训练样本学习函数的选取;网络输入、输出变量的选取［15－16］。

2 评判系统的平台设计

评判系统的平台主要用来完成数据的采集和处理，本文采用以LabVIEW为基础开发的平台，并与Matlab语言相结合完成整个结渣诊断系统的功能。

2.1 LabVIEW 简介

LabVIEW是一种通用的、可以完成大量编程任务的函数库。该系统具有数据采集、分析、串口控制等功能，便于显示、调试以及存储数据。文本编程语言是根据语句和指令的逻辑顺序来执行的，而Lab-VIEW则是根据数据流来编程，程序框图中节点之间的数据流的流向决定了VI的执行顺序(VI指的是虚拟仪器)，称LabVIEW的程序模块为VI。

2.2 实现功能

锅炉结渣预测系统的软件功能见表1。

2.3 功能实现

数据采集界面如图1所示，它是综合评判时所有评判指标的数据采集图并具有实时数据波形显示、采样间隔、数据临时存储路径等功能，可方便设置通道数。

表1 锅炉结渣预测系统的软件功能

图1 数据采集界面

3 对锅炉结渣预测的试验研究

本文将结渣程度分为轻微、中等和严重3类。结渣程度是一个模糊的概念，没有明显的界限，具有模糊性。本文把神经网络与模糊系统结合在一起，用以评价燃煤锅炉的结渣特性。

3.1 网络输入与输出变量的确定

本文选取的判别指标即输入变量为灰熔点，硅铝比，碱酸比、硅比，无因次实际切圆直径、无因次炉膛平均温度及局部过量空气系数，共7个输入变量，将每个模糊变量分为3个区域:轻微、中等和严重。

3.2 网络结构

具体的网络结构为:模糊化层，21个节点对应7个指标模糊化后的隶属度值;隐层，根据上文的计算方法求得为13个节点。综上所述，本文采用4层BP模糊神经网络，具体结构是7－21－13－3。采用激励函数作为网络训练函数，训练数据来源于以往山西大唐国际云冈热电有限责任公司机组不同结渣状态的数据。

3.3 网络训练

从数据库中随机抽取45组数据，用30组数据作训练样本，来建立燃煤锅炉结渣的模糊神经网络的预测模型，预测结果见表2。将样本的7个特征指标经过预处理后依次输入网络，当均方差达到要求时，迭代次数为8240。

3.4 网络测试结果

用15组数据作测试样本，来检验模型的性能，见表3。将未知状态的测试数据输入到网络中，对模型进行检验。

3.5 结果分析

将15个测试样本放到训练好的预测模型中进行校验，可以看出，14个正确，正确率达93.33%。第14个测试样本的实际情况为严重，而本文的判别结果为中等，分析认为主要是样品数据有限，对数据规律反映不够充分而导致出现误差。但整体来讲，误差较小，如果采用的训练样本数据更大，该模型的预测能力会更好。

表2 训练样本的预测结果

表3 测试样本的预测结果

4 结论

近年来，国内、外许多专家学者对燃煤锅炉结渣特性的问题进行了研究，提出了众多锅炉结渣倾向的预测方法，但总的来说，各评判方法的准确率都不令人满意。因此，本文从分析诸方法评判准确率方面入手，对近年来此领域内的研究成果及新的进展进行了简述，同时分析了各方法的优、缺点，找出了导致其准确率偏低的根源。接着，将表征锅炉结渣特性的动态指标导入模糊数学模型和模糊神经网络模型当中，通过对实际锅炉结渣特性评判，提高了各模型评判的准确率。

［1］王俊武.锅炉结渣的危害及防治措施［J］.内蒙古石油化工，2008(20):39－41.

［2］梁晓茹.锅炉结渣评判因素权重的确定方法［J］.煤炭技术，2010，29(8):190 －194.

［3］陈立军，文孝强，王恭，等.燃煤锅炉结渣特性预测方法综述［J］.热力发电，2006(6):1 －5，67.

［4］王洪亮，王东风，韩璞.基于模糊神经网络的电站燃煤锅炉结渣预测［J］.电力科学与工程，2010(6):28－32.

［5］Kalogirou S A.Artificial Intelligence for the Modleling and Control of Colnbustion Procsses:A Review［J］.Progress in Energy and Combustion Science，2003，29(6):515 －566.

［6］Nigel V Russell，Fraser Wigley，Jim Williamson.The Roles of Lime and Ironoxide on the Formation of Ash and Deposits in PF Combustion［J］.Fuel，2002，81(5):673 －681.

［7］徐乾.模糊综合评判模型预测电站燃煤结渣特性的研究［J］.锅炉技术，2006，37(2):55 －59.

［8］陈春华，施发，承陈俊.电站锅炉结渣倾向性模糊综合评判［J］.锅炉技术，2005，36(3):28－31.

［9］赵显桥，曹欣玉，兰泽全，等.基于粗集理论的煤灰结渣模糊综合评判权系数确定方法研究［J］.煤炭学报，2004，29(2):222 －225.

［10］舒红宁，黄镇宇，董一真，等.基于煤灰成分的非线性结渣模糊综合预测模型的研究［J］.电站系统工程，2006，22(4):11－12.

［11］赵利敏，路丕思.电站锅炉结渣的模糊数学预示分析［J］.黑龙江电力技术，1996(3):129 －132.

［12］肖隽，吕震中，王军，等.基于改进BP算法的煤灰结渣特性诊断模型［J］.热能动力工程，2002(3):271－274，325.

［13］谷俊杰，张小勇，鲁许鳌.粗集模糊神经网络方法在煤灰结渣特性评判中的应用［J］.华东电力，2003(7):34－36.

［14］徐创学，张心，康爱军，等.基于人工神经网络数据挖掘技术进行煤灰结渣特性分析［J］.热力发电，2004(6):27 －30，87.

［15］Brant G W，Browning G J，Gupta S K，et al.Thermomechanical Analysis of Coal Ash the Influence of the Material for the Sample Assembly［J］.Energy Fuels，2000，14(2):326－335.

［16］伍昌鸿，马晓茜，廖艳芬.基于模糊神经网络的电站燃煤锅炉结渣预测［J］.燃烧科学与技术，2006，12(2):175－179.