首页 > 论文范文 > 社会科学论文 > 科技论文 > 自动化论文 > 铜陵电厂BP神经网络的烟气含氧量预测研究

铜陵电厂BP神经网络的烟气含氧量预测研究

2024-10-17 61 上传者：管理员

摘要：烟气含氧量是锅炉燃烧调整和运行的一个重要参数，对烟气含氧量的可靠预测和精准控制是保证锅炉燃烧效率的重要前提。针对锅炉燃烧过程中存在的氧量信号测量滞后大和可靠性差的问题，提出基于BP神经网络的烟气含氧量预测方法。对铜陵电厂#1机组630 MW锅炉的烟气含氧量进行预测，试验结果表明，预测结果与实际结果相吻合，平均均方误差仅为0.0277,因此基于BP神经网络的软测量方法可以有效地预测烟气含氧量，为锅炉燃烧的优化调整提供依据。

关键词：
BP神经网络
优化运行
火力发电站
烟气含氧量
燃烧效率
加入收藏

在火力发电站中，过量空气系数会影响锅炉的燃烧状态，进而影响锅炉的燃烧效率，因此对过量空气系数的控制尤为重要。而过量空气系数无法通过直接测量得到，工程上通常通过测量烟气含氧量来间接得到过量空气系数。传统火电厂的烟气含氧量是采用热磁式氧量计或氧化锆氧量计测量[1],但这些仪表存在测量精度低、维护成本高、滞后性大等诸多问题，不利于机组运行过程中的实时监测[2]。

国能铜陵发电有限公司(简称铜陵电厂)一期工程两台630 MW机组，锅炉采用东方锅炉厂DG1900/25.4-Ⅱ1型，汽轮机为上海汽轮机厂N600-24.2/566/566型，发电机为上海汽轮发电机有限公司QFSN-600-2型。铜陵电厂针对#1锅炉630 MW机组的运行数据展开分析，提出基于反向传播(back propagation, BP)神经网络的软测量技术，对#1机组的锅炉烟气含氧量进行预测，为实现锅炉的精准化燃烧和优化运行提供参考依据。

1、BP神经网络

神经网络是模仿人脑的工作机理建立起来的模型，它能自学习不确定系统的一些动态特性，对非线性、时变、强约束、大滞后工业过程的预测控制提供了一个很好的解决方法。火电厂锅炉系统具有强非线性、大延迟的特点，并且实际运行工况十分复杂，系统中各参数变量之间耦合性高[3],因此在火电厂烟气含氧量预测方面，神经网络有着别的方法无法比拟的优势。BP神经网络的非线性映射能力强，自学习和自适应能力高，目前在各个领域都得到了广泛的应用，而在电厂烟气含氧量预测方面，BP神经网络是近年来研究最为广泛的一种人工智能神经网络[4]。

BP神经网络[5,6]通常由输入层、隐藏层和输出层组成，网络的各层之间由输入层向输出层依次相互连接起来，并对连接进行加权，形成完整的网络结构。BP神经网络能够从给出的示范模式的学习中逐步调节各权值，现已证明用一个3层的BP神经网络可以完成任意的n维到m维的映射。图1所示为典型的3层BP神经网络结构，其中[x1,x2,…,xn]为输入层变量，[y1,y2,…,yn]为输出层变量，wij表示输入层和隐藏层之间的权值，vjt表示隐藏层和输出层之间权值。

图1典型3层BP神经网络结构

2、电厂数据预处理

2.1 辅助变量的选取

火电厂测量变量类型复杂，各变量之间耦合性高，因此有必要对氧量预测的辅助变量进行选取。辅助变量的选择需要对机组运行过程中的机理进行分析，选择与待测变量之间存在较强相关性的变量作为辅助变量[7]。合理的辅助变量选取不仅可以简化模型，提高神经网络训练效率，而且可以提高模型的预测精度。结合该电厂630 MW机组的系统结构以及各变量参数之间的影响关系，本文选择机组实发功率、给煤量、风量、#1-1 SCR反应器入口O2、#1-2 SCR反应器入口O2、#1炉A侧SCR反应器入口NOx、#1炉B侧SCR反应器入口NOx共7个参数作为输入变量。输出变量为省煤器出口的烟气含氧量，因此本文将选取7个参数作为输入变量，1个参数作为输出变量，如表1所示。

表1模型输入、输出变量

2.2 数据的获取

本研究所需数据来自铜陵电厂#1机组的分布式控制系统(Distributed Control System, DCS)历史数据库。由于数据总量庞大，因此神经网络训练所需的数据需要进行甄选，选择的数据应尽量覆盖机组运行的各种工况，保证数据样本能够较全面地反应机组运行的实际情况。本研究所选取的数据为铜陵电厂某连续时间段内的实时数据共5000组，覆盖了机组从330～630 MW负荷典型工况，其中90%的数据作为训练样本，10%的数据不参与训练作为测试样本。另外选取500组数据作为验证集，用以验证模型的预测性能，所选样本具有较好的正交性和完备性，能够满足神经网络训练对样本的要求。

2.3 降噪处理

由于火电厂生产环境复杂，电场、磁场的干扰会使得传感器测得的数据存在噪声，与真实数据有一定的偏差，如果将这些数据直接导入模型进行预测，会对结果产生比较大的影响，因此需要对数据进行降噪处理[8]。本文将采用时频分析能力较强的小波降噪的方式进行处理，相关参数设置如下：小波分解层数为5,降噪模式选择软阈值降噪，阈值选取规则选择启动式阈值(heursure)。以实发功率为例，图2(a)表示实发功率的实际变化情况，图2(b)为采用小波降噪的结果。可以看出，实发功率原始数据存在噪声，降噪处理后，实发功率曲线变得光滑，数据噪声已被显著地削弱。

图2机组实发功率变化曲线

2.4 归一化

由于DCS取得的数据各变量之间存在单位上的差异，数值上也往往不在同一个数量级范围内，而训练样本数值差异过大将影响神经网络的训练效率，同时也会对预测结果产生较大的影响，因此需要对各变量的数据进行归一化处理。本文所采用的归一化的公式为：

式中：y表示原始数据x经过归一化之后的数据；xmax为所有样本中的最大值；xmin为所有样本中的最小值，利用式(1)可以将所有数据都转化到[0,1]区间内。归一化后的数据用于神经网络的训练，此时输出的数据也在[0,1]范围内，并非氧量的真实值，因此需要反归一化将结果转化为氧量的实际数值。

3、BP神经网络预测模型的建立

本文采用典型的3层BP神经网络进行烟气含氧量的预测，其中包含一个输入层，一个隐藏层和一个输出层。输入层包含实发功率、给煤量、风量、#1-1SCR反应器入口O2、#1-2SCR反应器入口O2、#1炉A侧SCR反应器入口NOx、#1炉B侧SCR反应器入口NOx共7个输入变量，输出层为烟气含氧量，输入层和输出层节点数可分别确定为 7和1。

隐藏层节点传递函数采用Sigmoid特征函数，即

输出层节点传递函数采用purelin函数，即

BP神经网络的迭代步数上限设置为1000,训练的期望误差设置为0.001,学习率设置为0.01,因此整个网络结构中只有隐藏层节点数还有待确定。

隐藏层节点个数对神经网络的性能有较大的影响，如果节点个数太少，网络就不能很好地反映输入变量与输出变量之间的隐含关系，训练精度不高；如果节点个数太多，则会增加网络训练的时间，甚至出现“过拟合”的现象。隐藏层节点数的选取目前并没有统一完整的理论指导，往往可以根据经验公式确定大致的数值范围。常用的经验公式[9]如下：

式中：s为隐藏层节点个数；m为输入层节点个数；n为输出层节点个数；a为区间[1,10]内的常数。

根据本文的网络结构，输入层节点数为7,输出层节点数为1,可以确定隐藏层节点数应该在范围[3.8,12.8]内，但是实际预测过程中可适当增加隐藏层节点数以提高模型预测性能，但不宜过多。本文将对隐藏层节点数为[4,18]范围内的整数逐一试验，选择最优的隐藏层节点数。本文以测试样本的均方误差(Mean Square Error, MSE)作为评价指标，对比不同隐藏层节点数情况下，模型的预测性能，从而确定最优网络模型。均方误差MSE的计算公式如下：

为预测值；yi为真实值。

图3隐藏层节点数对预测性能的影响

构建隐藏层节点数分别为4～18的3层BP神经网络，除了隐藏层节点数之外，其余参数设置完全相同。对上述网络模型逐一训练，记录每次训练后的样本测试集均方误差，并制成折线图，见图3。由图可知，当隐藏层节点数为17时，均方误差达到最小值0.0258,因此BP神经网络模型的隐藏层节点数最终确定为17。

4、结果分析

4.1 模型训练结果

选取铜陵电厂典型工况样本共5000组，对上述的7-17-1结构的BP神经网络模型进行训练。由于烟气含氧量的测量具有滞后性，烟气含氧量的预测需要具备一定的提前量，确保工作人员有足够的调整空间。结合铜陵电厂#1机组的实际情况，认为30 s的时间能够满足电厂运行中提前调控氧量的需要，因此将数据提前30 s, 即某时刻的输入变量数据与该时刻30 s后的氧量数据一一对应。训练过程中的模型均方误差MSE变化曲线见图4,可见，整个训练过程一共经历了52步，其中当训练迭代步数达到46时，达到验证最优性能，此时的MSE为0.0018,训练停止。

图4 BP神经网络模型训练图

4.2 模型验证

为了验证上述所建模型的精度，将验证集的500组数据导入训练好的神经网络进行预测，将预测结果与电厂实际结果进行对比，见图5。从图5可见，模型的预测输出和实际输出基本吻合。对预测值和真实值计算均方误差MSE,结果为0.0277,证明了该BP神经网络模型具有较高的预测精度。

图5预测值与真实值对比图

5、小结

锅炉烟气含氧量的准确预测对于电站锅炉的运行优化具有重要的意义，本文以铜陵电厂某600 MW机组为研究对象，建立了基于BP神经网络的烟气含氧量的预测模型。以机组实发功率、给煤量、风量、#1-1SCR反应器入口O2、#1-2SCR反应器入口O2、#1炉A侧SCR反应器入口NOx、#1炉B侧SCR反应器入口NOx为辅助变量，对烟气含氧量进行预测，结果显示BP神经网络模型可以较好地反映烟气含氧量的变化情况，模型具有比较好的预测性能。BP神经网络为火电厂的烟气含氧量预测提供了一种新的技术手段，为锅炉的精准化燃烧提供了可靠的依据。

参考文献:

[1]吕楠.氧化锆氧量分析仪[J].机械工程与自动化,2013,(5):214~216.

[2]梁向锋.基于氧化锆传感器的烟气含氧量检测技术[D].天津大学,2008.

[3]赵绪新.基于人工智能技术的电站锅炉最优氧量预测[J].热力发电,2006,(10):43~45,76.

[4]杨丽雯,王景成,史元浩.基于粒子群算法的炉膛烟气含量分段优化[A].东北大学､IEEE新加坡工业电子分会､IEEE哈尔滨控制系统分会[C].2014:1858~1863.

[5]陈敏.火电厂锅炉烟气含氧量预测及燃烧系统优化研究[D].北京交通大学,2011.

[6]耿铭垚,胡锐,李凌.火电机组锅炉烟气含氧量预测[J].上海理工大学学报,2021,43(4):319~324,359.

[7]马良玉,左晓桐,王永军.神经网络在风烟系统含氧量软测量中的应用[J].自动化仪表,2019,40(3):12~16,22.

[9]李嘉玲,蒋艳.基于BP神经网络的公共建筑用电能耗预测研究[J].软件导刊,2019,18(7):49~52.

文章来源:岳健,刘岗,徐业明.铜陵电厂BP神经网络的烟气含氧量预测研究[J].电站系统工程,2024,40(06):30-32+34.