1、 神经网络燃烧优化拄制系统在莱城发电厂的应用发表时间:2005-4-29作者：王恒山 宋兆龙 王磊摘要：随着我国改革的深化，发电企业在几年内将通过“竞价上网“ 相继进入市场竞争行列，这就对机组运行的安全性、经济性，以及对柔性运行管理方式和决策支持等提出了新的更高的要求。同时，随着相关学科如智能控制技术、新型传感测量技术、计算机及网络技术的发展，也加速了火电厂生产和管理工作与信息网络相结合的步伐;管控一体化的理念，促进了监控信息和管理信息的有机结合，也为火电机组的经济运行和决策支持提供了全新的信息化解决方案。人工神经网络是智能化技术发展的一个重要方向，是基于数据对非线性系统进行建模及分析的工具。
2、用神经网络模拟实际的物理过程模型，具有识别、学习、逻辑思维和分析判断的能力。基于人工神经网络基础和优化控制理论的锅炉燃烧优化系统，通过对锅炉运行历史数据和试验数据的分析判断，实现以热效率和氮氧化物、一氧化碳排放量及机组安全性为目标的优化燃烧，在不断变化的特定系统运行状况下找出最佳匹配的操作参数，选择最优化的系统运行万案，这己经成为未来发展的一个趋势。开发锅炉燃烧优化控制系统的目的，是在原有燃烧优化系统软件的基础上，结合我国煤质及锅炉的特点，实现锅炉燃烧优化控制，提高锅炉热效率，减少点火的燃料损失，减少锅炉停炉次数，降低氮氧化物、一氧化碳等烟气中的污染物排放，同时提高企业的生产开发实力。这一项目
3、的实施必将促进国内电厂锅炉燃烧优化软件开发水平的总体提升，对推动民族软件产业的发展具有积极意义。同时，由于有国际领先的技术水平和性能。并有中国国情的价格，使得该产品的性能价格比十分优越。该项目实施后，对增强企业国际竞争力必将起到十分重要的作用，必将形成显著的经济效益和社会环保效益。下面结合在山东菜城电厂#1 炉投运的首台 “神经网络燃烧优化控制系统“ 进行简要的介绍。一、系统实现的功能神经网络燃烧优化系统可实现以下功能:(1)该系统通过与 DCS 的有机结合，通过闭环控制的方式进行燃烧优化调整。(2)该系统为多目标多变量优化系统，用户可以根据机组的实际情况选择优化回路，通过投切优化回路变换，实
4、现系统灵活配置。(3)该系统为开放式系统，用户可根据电厂实际情况加入优化对象，实现对后续对象的优化。(4)该系统具有动态预测功能。(5)提供离线仿真功能。该系统可以用来查找模型的失谐和提供偏差扰动的纠正能力。同时，神经网络燃烧优化系统可以采用动态反馈来升级模型，通过使用动态反馈，可以迅速地消除扰动偏差、模型的失谐以及传感器的噪声。二、系统原理和结构1.系统原理该系统是一种基于人工种经网络、现代控制理论和非线性优化算法的多变量动态锅炉燃烧优化控制系统。系统拥有很强的适用于复杂环境和多目标控制要求的能力，并具有以任意精度逼近任意非线性连续函数的特性(自组织、自学习、自适应)，适用于复杂的热工控制领
5、域。系统利用机组 DCS 本身具有的数据库的数据作为系统数据分析的基础，经过神经网络模型在线分析，迅速得出运行参数的最优修正值。然后输出到 DCS，对控制量进行修正。首先，系统通过 DCS 获取锅炉运行历史数据以及通过附加的分步燃烧调整试验获取试验数据，然后对这些大量数据通过专用分析工具进行综合分析判断。在此基础上。形成系统机组燃烧优化模型，以表征锅炉运行参数的变化。环境条件的改变及不可预测的扰动对机组热效率。不完全燃烧热损失、主要辅机电耗和氮氧化物等的影响。通过神经网络技术。在模型基础上经过计算、预测过程，对特定目标进行优化，从而在不断变化的特定系统运行状况下找出最佳匹配的操作参数。选择最优
6、化的系统运行方案，以实时在线的方式直接将优化参数作为 DCS 控制系统的设定值，实现闭环控制，如图 1 所示。2.系统的特点该系统作为一种高级优化控制系统“它依赖于机组现有 DCS 进行过程及协调控制，同时工作在独立的微机上。不会对机组现有 DCS 的安全及联锁进行干预，不改变机组原有 DCS 的控制思想。同时，它还有如下特点:(1)它是基于多变量(MVS) 的多目标(CVs)综合优化;(2)它是对机组进行实时在线优化，提供机组的优化预测功能;(3)实现闭环控制，真正与 DCS 融合;(4)优化的控制策略是基于整个机组大量试验的基础上，因此:其优化步长适度，是安全的 ;考虑了变量的延迟特性，是
7、高效的。(5)重要优化目标参量可以根据用户需要进行自由扩展，系统具有良好的开放性。因此，该系统对运行人员来说，是一个高效实用的助手!神经网络燃烧优化技术应用方案示意图详见图 2。三、系统的核心技术该项目采用的关键技术包括:电站锅炉燃烧优化控制系统的人工神经网络模型。传感器确认模型;神经网络训练模型;模糊权系数模型;模糊神经网络学习算法，数据挖掘技术、信息融合技术和几种技术有机的整合方法等。1.高效、适应性强的人工神经网络技术神经网络模型如图 3 所示。神经网络是由数据驱动的，这意味着它们必须输入大量系统过去的特性数据，进行分析，称为“培训“。在“培训“ 期间，神经网络系统研究它收到的原始随机性
8、的数据，重建它们的数学关系，将之转换为连续性的有数学规律性的形式，结果得到一个适合这些数据的模型(称为建模) 。即:神经网络系统依据被控系统的输入输出数据对，通过学习得到一个描述系统输入输出关系的非线性映射。然后，神经网络系统还会自动对它本身的模型进行调整，也就是神经网络系统还有“推断“ 功能。 2.信号分析处理技术(1)数据挖掘技术在燃烧诊断与燃烧优化上的应用火电厂的 DCS 控制主要是依据一些经典规则和经验模型。机组实际运行工况虽满足了发电负荷的需要，但常常既非最佳安全工况，更非最高效率工况。经验模型往往是建工在机组运行所产生的经验数据基础上。过去由于技术等方面的原因，无法对大量的历史运行
9、数据进行全面的工体分析、综合，所以得到的经验模型往往不是很全面很科学，从而导致机组(尤其是锅炉及辅机)运行故障频繁，锅炉燃烧效率难以进一步提高。另一方面。发电机组运行时，每天都产生大量的实时数据,并被保存在实时数据库中。这些实时数据从各个侧面反映了发电机组的运行状况，蕴含着大量的信息量。但是并未得到深入有效的分析与使用。除提供给 DCS 系统外，通常只是将这些数据采集到 MlS 网络上，用于记录发电 机组的运行状态，并为一些简单的分析工具。如报表等)提供数据。数据挖掘技术是指从数据库中提取先前末知的、有用的、具有应用价值的信息，并将该信息运用于制定重要决策的过程。该技术在为大型火电厂机组设备状
10、态检修及锅炉燃烧诊断与优化、提高燃烧效率等决策支持方面，提供了有效的解决方法。图 4 说明了数据挖掘技术在大型火电厂设备故障及优化燃烧应用中的位置。数据采集系统将机组实时数据及各类特种传感控制装置的实时数据采集到 MIS 历史数据库中，以利于长期保存和再利用。数据挖掘系统以历史数据库中的大量历史数据作为数据源，首先进行数据选择，即选择与燃烧及设备性能有关的数据记录;再经过数据筛选及模式集成，删去与目标无关的属性，挖掘与目标有关的属性，增加一些导出属性以简化处理;在此基础上再采用特定算法挖掘出数据模样，以找到数据中存在的可能的燃烧规律及设备性能变化规律;最后对数据模样进行评价，以指导燃烧调整及设
11、备维护。在数据挖掘过程中。数据模样的挖掘是最为重要的。在本系统中，主要采用基于关联规则的挖掘方法对同一时间的各类数据之间的联系进行分析，采用序列挖掘的方法对不同时间系列及不同工况下的同一类数据之间的关系进行分析。找到不同负荷下的最佳效率运行工况点。(2)研究信息融合技术在燃烧诊断与燃烧优化上的应用信息融合(DATA FUSION) 技术是信息科学领域的一项高新技术。是对多种多样信息的获取。传输与处理的基本方法。技术、手段，以及信息的表示、内在联系和运动规律进行研究的技术;在电站锅炉燃烧优化控制系统中，信息融合技术采用了模糊控制、智能控制等系统理论，将多组特种传感器信号的空间和时间信息进行有机融
12、合，信息在不同的传感器之间相互验证。将电站锅炉燃烧特性与运行控制知识作为先前经验的约束条件，被用来实施这种处理。通过信息融合，对燃烧过程进行定性、定量的分析，诊断燃烧故障及隐患。对燃烧状况的演变趋势给予判定，并进行优化燃烧控制或提供操作指导。在锅炉燃烧优化控制系统中使用了多种信息融合算法，传感器的数量和种类极大地影响信息融合算法的性质和处理要求。信息融合常常采用数据库管理系统，存储收集大量信息，数据库管理系统可在检索大量以前的信息中进行印证。识别、分析和判断。在燃烧优化控制系统中的信息融合，是对来自多个信息源的数据和信息的一种多级。多方面处理，它涉及到对这些数据和信息的关联、相关和组合。系统配
13、置灵活，规模可大可小，可以进行统一规划，滚动开发。四、经济性分析山东莱城发电厂#1 机组神经网络燃烧优化控制系统通过连续闭环运行己经体现出良好的收益，最大收益就是锅炉燃烧效率的提升，同时对过热汽温。再热汽温、飞灰含碳量和 NOX 排放也有较好的优化作用。下面我们仅就锅炉效率的提升作一分析。我们使用 GBl0184 反平衡方法计算锅炉燃烧效率，将燃烧优化系统正式投入闭环连续运行期间的锅炉效率和历史数据进行了对比。图 5 是根据 2003 年 23 月期间历史数据计算出的锅炉效率分布图。以机组负荷为横坐标，效率放纵坐标，下同 )。图6 是根据燃烧优化系统投入一个月闭环运行期间的实时数据所计算出的锅炉效率分布图。 由图 5 和图 6 可以看出，2003 年 23 月间锅炉效率分布比较发散，同一负荷段的效率相差很大，这说明了燃烧状况的不稳定;而燃烧优化系统投入后锅炉效率分布要集中许多。这证明在优化系统作用下。同一负荷段下的锅炉效率相对比较稳定，说明燃烧状况在改善。我们将它们各自的拟合曲线放在一起对比，如图 7。通过对两条曲线的积分、比较，我们可以得出。优化后效率比优化前效率平均可提升 0.71%。C-2004-4 关闭本页
