人工神经网络的大型电厂锅炉飞灰含碳量建模

基于神经网络的锅炉多工况燃烧建模研究的开题报告一、论文选题背景及意义随着工业生产的快速发展，燃煤锅炉作为重要的能源装备，其工作状态和燃烧效率已经成为制约燃煤锅炉运行效率和环保排放的重要因素。

而传统的燃烧建模方法受到了多种因素（如燃料组成、燃烧空气量、锅炉压力等）的影响，同时建模时需要统计多种参数，导致建模精度较低。

为了解决这个问题，基于神经网络的多工况燃烧模型逐渐被引入到燃烧建模中，由于其自适应性，适应性强，不受数据分布和噪声干扰等因素影响，能够有效提高燃烧建模精度。

本文将基于神经网络的多工况燃烧模型，通过实验测试和数据分析，建立多工况燃烧模型，以提高锅炉的燃烧效率和减少污染排放，为节能减排、保护环境提供技术支持。

二、研究内容和目标1、对燃料组成、空气量、锅炉压力等影响燃烧的因素进行分析研究，并提取重要的参数；2、建立基于神经网络的多工况燃烧建模模型，对锅炉的不同工况进行燃烧建模；3、通过实验测试和数据分析，验证燃烧建模模型的准确性和稳定性；4、利用建立的燃烧建模模型，提高燃烧效率，减少污染排放，节约能源。

三、研究方法1、收集锅炉燃烧数据，对数据进行清洗和处理；2、对燃料组成、空气量、锅炉压力等影响燃烧的因素进行分析研究，并提取重要的参数；3、建立基于神经网络的多工况燃烧建模模型，优化模型参数；4、通过实验测试和数据分析，验证燃烧建模模型的准确性和稳定性；5、利用建立的燃烧建模模型，提高燃烧效率，减少污染排放，节约能源。

四、论文创新点1、本研究针对煤炭锅炉多工况燃烧建模领域，采用基于神经网络的方法建立多工况燃烧建模模型；2、对燃料组成、空气量、锅炉压力等影响燃烧的因素进行分析研究，并提取重要的参数，为建模提供了可靠的数据支持；3、通过实验测试和数据分析，验证燃烧建模模型的准确性和稳定性，为燃烧过程优化提供了重要的理论支持；4、利用建立的燃烧建模模型，提高燃烧效率，减少污染排放，节约能源，为环保、节能提供了有效的技术手段。

基于自适应神经模糊推理系统的煤粉锅炉飞灰含碳量建模王月兰;马增益;尤海辉;唐义军;沈跃良;倪明江;池涌;严建华【期刊名称】《热力发电》【年(卷),期】2018(47)1【摘要】The unburned carbon content in fly ash is a critically important parameter during the boiler operation, which influences both the efficiency and safety of the boiler, therefore, it is of great significance to establish the model for unburned carbon content in fly ash. The present work employs the adaptive neuro-fuzzy inference system (ANFIS) to model the unburned carbon content in fly ash based on the real time data for a 660 MW tangentially coal-fired boiler. First of all, the initial input parameters are determined by expert knowledge and operation experience, then subtractive clustering is used to determine the initial fuzzy rules and structural parameters, the hybrid learning algorithm composed of the least square algorithm and error back propagation algorithm is employed to optimize the parameters of the ANFIS, thus the initial modelling for the unburned carbon content in fly ash is completed. Then, sensitivity analysis is used to determine the final input parameters of the ANFIS model to reduce the complexity and improve the accuracy. Finally, the model for unburned carbon content in fly ash is constructed. When applied to the test datasets, this model has high prediction accuracy, which can reflect the variation of unburned carbon content in fly ash. Moreover, comparedto the least squared support vector machine (LSSVM) and typical back propagation neuro network (BP), the proposed ANFIS model has a higher prediction accuracy and greater generalization ability in the case with enough training samples, while the LSSVM is better in the case with small training samples.%飞灰含碳量是煤粉锅炉运行过程中的重要参数,对其进行建模预测具有重要意义.本文采用自适应神经模糊推理系统(ANFIS)对某660 MW机组四角切圆煤粉锅炉的飞灰含碳量进行建模.根据相关知识和运行经验,确定模型的初始输入参数;利用减法聚类算法自适应确定初始模糊规则和结构参数;利用由最小二乘估计算法和误差反向传播算法构成的混合学习算法对模糊神经网络的参数进行学习,完成飞灰含碳量模型的初始构建;对模型输入参数进行敏感性分析确定最终输入参数,以降低输入参数对模型预测精度和复杂度的影响,完成飞灰含碳量预测模型的建立.该模型预测得到的结果精度较高,可真实反映飞灰含碳量的变化情况.在此基础上,将ANFIS模型和最小二乘支持向量机(LSSVM)及BP神经网络模型的预测结果进行对比.结果表明:在训练样本数足够多的情况下,ANFIS模型对飞灰含碳量具有更高的预测精度和更强的泛化能力;而在小样本情况下,LSSVM模型的预测精度和泛化能力更好.【总页数】7页(P26-32)【作者】王月兰;马增益;尤海辉;唐义军;沈跃良;倪明江;池涌;严建华【作者单位】浙江大学能源清洁利用国家重点实验室,浙江杭州 310027;浙江大学能源清洁利用国家重点实验室,浙江杭州 310027;浙江大学能源清洁利用国家重点实验室,浙江杭州 310027;浙江大学能源清洁利用国家重点实验室,浙江杭州310027;广东省电力科学研究院,广东广州 510080;浙江大学能源清洁利用国家重点实验室,浙江杭州 310027;浙江大学能源清洁利用国家重点实验室,浙江杭州310027;浙江大学能源清洁利用国家重点实验室,浙江杭州 310027【正文语种】中文【中图分类】TK229.91;TP391.4【相关文献】1.基于核主元分析和支持向量机的电站锅炉飞灰含碳量软测量建模 [J], 陈敏生;刘定平2.基于改进BP网络的煤粉锅炉飞灰含碳量预测 [J], 地力木拉提;哈米达3.基于混合建模的锅炉飞灰含碳量软测量研究 [J], 郑佳;侯媛媛;陈立军4.基于BP神经网络的CFB锅炉飞灰含碳量建模 [J], 白继亮;李斌;朱琎琦;韩平;邬万竹;肖显斌5.基于BP神经网络的煤粉锅炉飞灰含碳量研究 [J], 赵新木;王承亮;吕俊复;岳光溪因版权原因，仅展示原文概要，查看原文内容请购买。

第26卷第6期2010年6月电力科学与工程E l e c t r i c P o w e r S c i e n c ea n dE n g i n e e r i n gV o l .26,N o .6J u n .,201033　电站锅炉燃烧系统的神经网络建模刘　芳1,张德珍2,赵文杰1(1.华北电力大学控制与计算机工程学院,河北保定071003;2.国华河北定州发电厂,河北定州073000)摘要:提高锅炉运行效率,降低烟气N O x 的排放是电站锅炉燃烧优化的主要目标,而燃烧特性模型是燃烧优化的核心。

基于某电站锅炉燃烧系统的稳态试验数据,通过对锅炉系统模型结构的分析,应用人工神经网络建立了N O x 排放量和锅炉效率的预测模型,实现了其飞灰含碳量、排烟温度、炉膛温度、N O x 排放量等参数的软测量和锅炉效率的预测,为锅炉燃烧优化奠定了基础。

关键词:燃烧优化;神经网络;锅炉效率;N O x 排放中图分类号:T P 183 文献标识码:A收稿日期:2010-04-24。

作者简介:刘芳(1983-),女,硕士研究生,研究方向为控制理论与控制工程,E -m a i l :f l 983@163.c o m 。

0　引　言 燃烧系统是一个多变量、非线性和关联性都非常复杂的热力过程,该过程的模型化是优化控制的关键步骤。

根据锅炉运行特性可以知道,锅炉运行性能,即锅炉效率和N O x 排放,受到诸多因素的影响,包括负荷、煤质、煤粉细度、一次风量、二次风量、磨煤机出口温度、烟气含氧量等,鉴于燃烧系统的复杂性,很难通过标准的数学方程来对其特性进行描述。

随着智能控制的发展,国内外众多学者将人工智能技术应用于电站锅炉燃烧优化控制技术的研究[1～10]。

文献[4]利用神经网络建立了电站锅炉燃烧系统的模型,并利用运行数据对模型精度作了验证,文献[7]建立了大型电站锅炉N O x 排放特性神经网络的模型,文献[9]采用改进的R B F 神经网络建立了N O x 排放和锅炉效率模型,文献[10]为了提高锅炉效率模型的预测精度,采用神经网络分别建立了飞灰含碳和排烟温度的预测模型,并作为锅炉效率模型的中间变量,得到了锅炉效率神经网络混合模型。

燃煤锅炉的积灰和结渣，会降低燃煤锅炉低温受热面热效率，并且增加发电机组煤耗率，塌灰、落渣等严重事故会对锅炉的稳燃产生影响，甚至会导致机组降负荷运行，严重时甚至停机,给电网运营带来挑战。

灰污自动检测目前已经在燃煤锅炉领域广泛应用，但加装SCR 脱硝装置的燃煤锅炉会带来严重的低温积灰问题，如何结合锅炉尾部对流受热面的积灰状况，建立科学的积灰智能监测模型非常重要。

人工智能时代，人工神经网络拥有强大的计算能力、逼近能力、学习能力和动态分析能力，其中，以BP 神经网络算法为代表的反向误差传播训练算法最常用，在燃煤电厂各个环节得到了广泛的应用。

1BP 神经网络人工神经网络（Artificial Neural Networks ，简写为ANNs ）简称为神经网络（NNs ）或连接模型（Connection Model ），常用的神经网络有BP 、RBF 、SOM 、Hopfield 等，BP 神经网络（back propagation ）是ANN 人工神经网络中的一种（如图1)。

BP 神经网络是一种按误差反向传播(简称误差反传)训练的多层前馈网络，简称BP 算法，它的基本思想是大型燃煤电站锅炉积灰的智能神经网络预测邓云天（上海电气电站环保工程有限公司，上海200000）摘要:人工智能时代,人工神经网络拥有强大的计算能力、逼近能力、学习能力和动态分析能力,其中,以BP 神经网络算法为代表的反向误差传播训练算法最常用,在燃煤电厂各个环节得到了广泛的应用。

为了实现超临界燃煤锅炉受热面灰污的预测,本文采用基于BP 神经网络预测锅炉低温受热面的清洁因子,从而实现安全、经济、稳定的燃烧。

关键词:燃煤锅炉;省煤器;BP 神经网络;清洁因子中图分类号：TK123文献标识码：AIntelligent neural network prediction of ash accumulation in boilersof large coal-fired power stationsDENG Yun-tian(Shanghai Electric Power Station EnvironmentalProtection Engineering Co.,Ltd.,Shanghai 200000,China )Abstract:In the era of artificial intelligence,artificial neural networks have powerful computing power,approximation power,learning power and dynamic analysis power.Among them,the back error propagation training algorithm represented by BP neural network algorithm is the most commonly used,and has been widely applied in all links of coal-fired power plants.In order to predict the fouling of the heating surface of the supercritical coalfired boiler,this paper USES BP neural network to predict the cleaning factor of the low -temperature heating surface of the boiler,so as to realize the safe,economical and stable combustion.Key words:coal-fired boiler;economizer;BP neural network;clean factors文章编号：1005—7277（2020）03—0024—032020年第42卷电气传动自动化Vol.42，No.3梯度下降法，利用梯度搜索技术，以期使网络的实际输出值和期望输出值的误差均方差为最小。

一种实用的火电厂飞灰含碳量软测量建模方法
张贵炜;鲍琳;李奇伟
【期刊名称】《自动化与仪器仪表》
【年(卷),期】2010(0)6
【摘要】提出了同时利用自适应加权融合和最小二乘支持向量机建模的实用新方法。

首先,给出了基于小波的自适应加权融合和最小二乘支持向量机算法;其次,将BP神经网络、最小二乘支持向量机和基于小波的自适应加权融合的最小二乘支持向量机算法进行建模精度比较;最后,采用真实火电厂飞灰含碳量数据进行模型验证与预测,仿真结果表明基于小波的自适应加权融合的最小二乘支持向量机算法具有较好的建模精度和实用性。

【总页数】4页(P112-115)
【关键词】自适应加权融合;最小二乘支持向量机;软测量;飞灰含碳量;建模
【作者】张贵炜;鲍琳;李奇伟
【作者单位】河北工程大学经济管理学院;河北邯郸热电股份有限公司
【正文语种】中文
【中图分类】TP273
【相关文献】
1.基于改进的KPCA和LSSVM飞灰含碳量的软测量建模 [J], 王真;魏琳;金秀章
2.一种基于LSSVM的飞灰含碳量软测量方法及装置 [J], 楼锐;黄冬兰;刘宇穗;王升太;张世荣
3.火电厂飞灰含碳量多模型融合软测量方法 [J], 乔弘;李瀚;王天堃
4.基于混合建模的锅炉飞灰含碳量软测量研究 [J], 郑佳;侯媛媛;陈立军
5.基于信息融合的火电厂飞灰含碳量的软测量建模 [J], 张贵炜;鲍琳;李奇伟
因版权原因，仅展示原文概要，查看原文内容请购买。

电站锅炉飞灰含碳量在线软测量模型算法陈 强!王培红!李 琳!冯泽磊(东南大学动力系9江苏省南京市210096>摘要!针对目前锅炉飞灰含碳量测量方法存在时间滞后和精度不高等问题9在分析对锅炉飞灰含碳量影响因素和做锅炉燃烧持性实验的基础上9建立了锅炉飞灰含碳量在线软测量的神经网络模型D 算例表明该模型具有良好的泛化能力和敏感性9能正确描述电站锅炉飞灰含碳量的响应持性9可进一步推广使用D关键词!锅炉9神经网络9软测量9飞灰含碳量中图分类号!T K 31收稿日期I 2004-08-27D国家自然科学基金资助项目(50376011)9江苏省自然科学基金资助项目(B K 2001005)D 0 引言飞灰含碳量是电厂燃煤锅炉的主要考核指标之一o 飞灰含碳量对锅炉的运行效率和机组总体性能有较大影响9实时准确监测飞灰含碳量9有利于调整风煤比9提高锅炉燃烧控制水平9提高机组的经济性和安全性o 传统测量飞灰含碳量是采用化学灼烧失重法和使用微波测试[1]的方法9这些方法存在数据采集量少\取样代表性差\时间上滞后\精度不高等间题o 而且飞灰含碳量受煤种\锅炉结构\运行操作水平等多种因素的影响9关系复杂o 为实现锅炉飞灰含碳量的在线测量9本文在锅炉燃烧特性试验的基础上9建立了基于神经网络的飞灰含碳量在线软测量模型o1 锅炉飞灰含碳量的影响因素影响飞灰含碳量的因素很多9如煤种特性\煤粉细度\锅炉热负荷\燃烧氧量(过量空气系数>\配风方式\炉膛温度以及炉膛温度分布的均匀度等o煤粉细度对燃烧有较大影响o 粗煤粉不易烧透9使飞灰含碳量升高9从而降低锅炉热效率;细煤粉容易着火燃烧9但过低的煤粉细度会增加制粉系统的电耗和对磨煤机的磨损o 因此9锅炉运行中9选择恰当的煤粉细度9兼顾制粉系统和燃烧的要求9这样的煤粉细度成为经济细度或最佳细度o 影响煤粉经济细度的一个主要因素是燃料性质o 挥发分和可磨系数都较低的煤9既难磨又难燃烧9故要求磨得细些9而挥发分较高的煤9则允许磨得粗些o 其次9如果煤粉的颗粒分布均匀9也允许磨得粗些o燃煤的挥发分愈高9灰分愈少9煤粉愈细9则飞灰含碳量愈小9机械不完全燃烧热损失愈小o炉膛温度与燃烧调整也密切相关[2]o 由于煤粉在炉膛内停留时间较短9因此9要使煤粉燃烧完全9必须使炉膛有足够高的温度o 炉膛温度高9燃烧迅速9就容易实现完全燃烧9但过高的炉膛温度易造成炉内结渣9炉膛温度不能超过灰分的熔点温度o运行中过量空气系数减少9一般会使得飞灰含碳量增大9从而使机械不完全燃烧损失增大o煤粉的经济细度确定之后9昏且不考虑运行中煤粉细度因素9则飞灰含碳量的大小与燃煤特性\锅炉热负荷\燃烧氧量(过量空气系数>\配风方式\炉膛温度以及炉膛温度分布的均匀度等因素有关o2 锅炉飞灰含碳量在线软测量的神经网络模型软测量技术[3]是利用一些较易在线测量的辅助变量(与被测变量密切联系>9通过在线分析估计不可测或难测变量的方法o 其核心内容是发现和建立辅助变量与主要变量之间的模型关系o 建立软测量的方法很多9诸如线性估计\机理推导\回归分析和神经网络方法等o 基于线性模型的方法9对于工业过程中大量的非线性过程其估计值是有偏差的9有时还导致测量值发散o 对于复杂的工业过程9机理推导法要对工艺机理有较深的了解且要有很多假设和限制9在许多情况下9很难得出准确的测量模型o 回归分析方法是通过对生产过程历史资料的回归分析9建立回归模型9在线估计产品质量o 该方法需要大量的资料并对误差很敏感9对于复杂的对象9它很难给出回归模型的结构o 神经网络方法能够描述高度非线性的输入输出关系9且具有并行计算\分布式处理和容错性\适应性强等优良品质9因此9基于神经网络的软测量技术[495]已经成为研究最多\发展最快和应用范围最广的一种软测量技术o54第29卷 第2期2005年1月25日V o l .29 N o .2J a n .2592005人工神经网络无需对象的先验知识 而是根据对象的输入输出资料直接建模使它在解决高度非线性和严重不确定性系统建模与监控方面具有巨大的潜力 它将辅助变量作为神经网络的输入 将主导变量作为其输出 通过训练网络来实现主导变量在线估计本文利用文献 6 7]提供的燃烧特性试验结果 建立锅炉飞灰含碳量在线软测量的神经网络模型 2.1 锅炉燃烧设备概况进行特性试验的锅炉为亚h 界控制循环固态排渣煤粉炉 在炉膛四角布置切向摆动燃烧器 燃烧器在上~下方向 20 范围内摆动 采用同心反切燃烧系统 满负荷条件下投用A 层～E 层一次风~F 层一次风备用 投用A A A B B C C D D E E F 层二次风 F F 层为二次风备用 O F A O F B 为燃尽风 锅炉投用5台磨煤机和5台给煤机2.2 神经网络模型的输入与输出本文以入炉总煤量和入炉总空气量表示锅炉热负荷的影响;采用6个二次风门开度值表示6层二次风的影响;2个燃尽风开度表示投用2层燃尽风的影响;二次风箱与炉膛之间的差压作为一个输入参数 表示其对二次风和燃尽风出口速度的影响(上述11个输入量共同表示配风方式的影响);5台磨煤机通风量和5台给煤机开度对应着煤粉和一次风沿炉膛高度方向的分布对炉内燃烧的影响;煤种特性取收到基碳(C a r )~氢( a r )~氧(O a r )~氮(N a r )~挥发分(V a r )~水分(W a r )~灰分(A a r )和低位发热量(G a r )等8个量 所有燃烧器均以相同摆角在炉内高度方向摆动 燃烧器摆角作为其对炉膛燃烧分布的影响因素之一 取空气预热器空气出口温度表示预热空气温度对炉膛温度的影响 取省煤器出口氧量表示氧量的影响 网络模型的输入层节点共30个 输出层为飞灰含碳量2.3 锅炉特隘试验与神经网络的样本数据表1～表4中工况1为燃用煤种1的标准工况 工况2～工况5是燃尽风情况不同的效果 工况6~工况7为二次风配风方式不同的情况 工况8~工况9是燃烧器摆动时的影响 工况10~工况11为负荷变动时的情况 工况12为燃用煤种2的标准工况 各工况下的排烟氧量~N O I 排放情况和飞灰含碳量分别见表4表l 锅炉运行参数#I $T a b l e l B o i l e r o pe r a t i n gp a r a m e t e r s #I $工况入炉煤量/(T '1-1)总空气量/(T '1-1)给煤机开度/(%)A B C D E 磨煤机通风量/(T '1-1)A B C D E 1238.6236767.7768.8070.6066.1767.97111.40105.8106.60110.2102.202237.1235068.9368.8369.9366.0766.17111.60106.1104.00109.2103.203231.7232864.3768.2368.9367.8061.34109.00107.3105.10105.4103.904232.7229364.7369.6369.0068.1061.3798.54106.499.65105.8106.105228.7228363.1368.1768.2367.2360.70109.70108.1104.60107.6105.206240.4233767.2772.9772.8067.1060.27104.30118.9117.50106.7106.007242.6234370.3073.7773.1067.5061.10104.10110.4114.00106.7105.508241.0234468.0072.7772.7767.2060.37102.50110.8115.90107.7105.609240.6236770.9773.3773.0767.3059.57101.90112.2117.90107.6104.2010180.7187565.5066.5766.6060.500108.80112.4103.50114.620.4511143.0152049.7752.7353.3047.270112.40110.4101.40118.117.3012239.2232169.0773.5773.2767.6060.43102.80110.2116.50106.7105.80表2 锅炉运行参数#I $T a b l e 2 B o i l e r o pe r a t i n gp a r a m e t e r s #I $工况二次风门开度/(%)A A AB BC CD DE EF 燃尽风开度/(%)O F A O F B 燃烧器摆动风箱与炉膛差压/k P a 空预器出口温度/(C )165656565656560.0400.50.899315.6265656565656560.01000.50.844315.2365656565656560.000.50.962318.5465656565656531.200.51.016322.35656565656565000.51.014319.9665404080808560.0400.50.931310.7765656565658560.0400.50.888311.3865656565656560.0400.60.882316.5965656565656560.0400.40.919311.21045454545254560.000.50.836290.41145454545454548.000.50.480278.01265656565656560.0400.50.892308.1642005 29(2)表3 锅炉运行参数#I $T a b l e 3 B o i l e r o p e r a t i n gpa r a m e t e r s #I $工况煤种特性C a r/C %) a r/C %)O a r/C %)N a r/C %)V a r/C %)W a r/C %)A a r/C %)G a r/C k J k g -1)排烟温度/C C )冷空气温度/C C )164.513.996.531.5628.114.9518.0526069149.525.0264.513.996.531.5628.114.9518.0526069147.025.0364.513.996.531.5628.114.9518.0526069139.725.0464.513.996.531.5628.114.9518.0526069142.025.0564.513.996.531.5628.114.9518.0526069136.325.0657.893.179.940.9624.755.2022.2023677128.325.0757.893.179.940.9624.755.2022.2023677130.525.0857.893.179.940.9624.755.2022.2023677128.625.0957.893.179.940.9624.755.2022.2023677128.325.01064.513.996.531.5628.114.9518.0526069120.825.01164.513.996.531.5628.114.9518.0526069119.225.01257.893.179.940.9624.755.2022.2023677127.725.0表4 锅炉运行参数#V $T a b l e 4 B o i l e r o pe r a t i n gp a r a m e t e r s #V $%工况飞灰含碳排烟氧量工况飞灰含碳排烟氧量11.093.307571.293.079021.653.325081.213.091031.403.022591.183.231741.433.0417101.133.921751.332.7617110.734.732561.393.1000121.163.08902.4 网络模型的建立和验证在UM L 面向对象技术的基础上 运用V i s u a lC ++6.0设计了通用的B P 神经网络类 网络的输入为30个节点 网络的输出为1个节点 样本为表1～表4前11组工况 在综合考虑网络的泛化能力[8 9]\隐层节点数目\迭代次数和对学习样本预测的平均误差的基础上 最后选择37个隐层节点的结构 图1为不同隐层节点对应的循环次数 图2为不同隐层节点数对应飞灰含碳的泛化相对误差图l 不同隐层节点个数循环次数F i g .l R e l a t i o n s h i p be t w e e n i t e r a t i v e t i m e s a n d t h e n n m b e r of h i d d e n l a ye r n e n r o n s 采用BP 学习算法进行训练 初始权值和阈值的选择在激励函数变化较大的区域进行 以保证一开始不落到那些平坦区上[9]9步长取0.38 动量因子取0.9 网络误差小于10-6时训练结束 迭代次数为1730次 并输出此时的权值和阈值 神经网络通过学习训练获得了正确的输入输出响应行为 从而建立起锅炉飞灰含碳量的神经网络软测量模型 并选取第12组工况对训练好的网络进行验证 对比结果如表5所示图2 不同隐层节点个数飞灰含碳#C f h$泛化误差F i g .2 R e l a t i o n s h i p be t w e e n e x t e n s i v e e r r o r o fCf h a n d t h e n n m b e r o f h i d d e n l a y e r n e n r o n s 表5 网络模型训练结果及预测结果T a b l e 5 T r a i n i ng da t a a n d t h e p r e d i c t i o n r e s n l t s 工况实测值神经网络输出值相对误差/C %)11.091.08954-0.042472921.651.64964-0.021778131.401.400510.036528241.431.42882-0.082784351.331.32940-0.044842161.391.38939-0.043690771.291.28834-0.128474081.211.20882-0.097246991.181.17954-0.0388157101.131.130150.0129286110.730.730050.0067714121.161.15886-0.0980470注:前11组为网络训练结果 第12组为网络预测结果对于前11组训练样本 网络的输出值与实测值已经十分接近 最大的相对误差为0.128474% 对74"孝术研究" 陈 强 等 电站锅炉飞灰含碳量在线软测量模型算法非训练样本集的第12组输入参数神经网络对飞灰含碳量预测相对误差为0.098047%可以确认网络具有良好的泛化能力2.5网络模型的敏感隘讨论在增加燃烧氧量挥发分和总空气量3种情况下软测量模型输出值与原来实测值对比如表6～表8所示表6燃烧氧量提高5%的输出结果比较T a b l e6R e s n l t o n t h e c o n d i t i o n t h a t t h e0a r l e v e li n c r e a s e db y5%工况实测值神经网络输出值相对变化%11.091.07367-1.4983421.651.63921-0.6541331.401.38637-0.9738141.431.41535-1.0245751.331.31627-1.0326661.391.37675-0.9533871.291.27479-1.1791881.211.19539-1.2072591.181.16490-1.27976101.131.10621-2.10518110.730.70100-3.97299121.161.14495-1.29706表7挥发分提高5%的输出结果比较T a b l e7R e s n l t o n t h e c o n d i t i o n t h a t t h eV a rl e v e l i n c r e a s e db y5%工况实测值神经网络输出值相对变化%11.091.08555-0.40787521.651.64588-0.24947131.401.39774-0.16157341.431.42697-0.21189651.331.32778-0.16675161.391.38575-0.30563171.291.28486-0.39807181.211.20548-0.37392491.181.17610-0.330832101.131.12653-0.307252110.730.72778-0.304178121.161.15544-0.392820表8总空气量增加l50t+h的输出结果比较T a b l e8R e s n l t o n t h e c o n d i t i o n t h a t t h e t o t a l a i ra m o n n t i n c r e a s e db y l50t+h工况实测值神经网络输出值相对变化%11.091.06864-1.9599121.651.64873-0.0770631.41.36083-2.7978041.431.38800-2.9371351.331.28354-3.4935661.391.36999-1.4394971.291.26977-1.5682581.211.18672-1.9243291.181.16264-1.47104101.131.08875-3.65028110.730.69931-4.20453121.161.13969-1.75095由模型的输出结果可以看出提高燃烧氧量即增大过量空气系数飞灰含碳量减少提高挥发分飞灰含碳量减少增大总空气量飞灰含碳量减少这些都与对飞灰含碳量影响因素的定性分析相一致3结语在分析锅炉飞灰含碳量的影响因素和锅炉燃烧特性试验的支持下本文建立了锅炉飞灰含碳量在线软测量的神经网络模型改进了神经网络的初始权值和阈值的形成方式提高了网络模型的训练速度增强了算法的稳健性检验了模型的泛化能力分析了模型对主要扰动的敏感性将该方法应用于锅炉飞灰含碳量的软测量具有预测精度高适应范围广计算方法简单适于在线运行等优点有很高的应用推广价值参考文献1吴曙笛.微波飞灰测探仪现存间题及改进途径.西北电力技术200043741.WUS1u-d i.T r o u b l e s o m eP r o b l e m sa n d U p d a T i n g C o n c e p T i o n s o f E X i s T i n g M i c r o W a v e-b a s e d M o n i T o r s o f U n b u r n e d C a r b o nC o n T e n T i n T1e F l y A s1.N o r T1W e s T C1i n aE l e c T r i c P o W e r200043741.2高爱华.飞灰含碳量偏高的原因分析及对策.节能200112 3839.G A O A i-1u a.S o l u T i o n s T oD e c r e a s e T1eC a r b o nC o n T e n T L e v e l o fF l y A s1i n C o a l-f i r e d B o i l e r.E c o n o m i z e E n e r g y R e s o u r c e s2001123839.3于静江周春晖.过程控制中的软测量技术.控制理论与应用1996132137144.Y U J i n g-i a n g Z O U C1u n-1u i.S o f T-s e n s i n g T e c1n i I u e si n P r o c e s sC o n T r o l.J o u r n a lo fC o n T r o lT1e o r y a n d A p p l i c a T i o n s 1996132137144.4王宁会刘敏.神经元网络软测量技术的研究进展.控制工程20031011516.WA N G N i n g-1u i L I U M i n.D e v e l o p m e n To f T1eR e s e a r c1o n S o f T M e a s u r e m e n T B a s e d o n N e u r a l N e T W o r k s.C o n T r o lE n g i n e e r i n g o fC1i n a20031011516.5O U A Z Z A N E A K C A S T A G N E R J L J O N E S A R e Ta l.D e s i g no f a nO p T i c a l I n s T r u m e n T T oM e a s u r e T1eC a r b o nC o n T e n To fF l y A s1.F u e l2002811519071911.6周吴茅建波池作和等.燃煤锅炉低氮氧化物燃烧特性的神经网络预报.环境科学20022321822.Z O U a o MA OJ i a n-b o C IZ u o-1ee T a l.P r e d i c T i n g L o W N O XC o m b u s T i o nP r o p e r T y o f aC o a l-f i r e dB o i l e r.E n v i r o n m e n T a l S c i e n c e20022321822.7王培红李磊磊陈强等.人工智能技术在电站锅炉燃烧优化中的应用研究.中国电机工程学报2004244184188.WA N GP e i-1o n g L IL e i-l e i C E N G i a n g e T a l.R e s e a r c1o nA p p l i c a T i o n s o f A r T i f i c i a l I n T e l l i g e n c e T o C o m b u s T i o nO p T i m i z a T i o n i n aC o a l-f i r e dB o i l e r.P r o c e e d i n g s o f C S E E200484200529224 4)I 184 188.8张立明.人工神经网络理论及应用.上海I 复巳大学出版社91993.Z A N GL i -m i n g .T 1e o r y a n dA p p l i c a T i o no fA N N.S 1a n g 1a i I F u d a nU n i v e r s i T y Pr e s s 91993. 9魏海坤.基于泛化的多层前向网学习算法研究I 博士学位论文 .南京I 东南大学92000.W E I a i -k u n .O n M u l T i -l a y e rF e e d -f o r W a r dN e u r a lN e T W o r k s L e a r n i n g A l g o r i T 1m s f o r I m p r o v e d G e n e r a l i z a T i o n A b i l i T y9D o c T o r a lD i s s e r T a T i o n .N a n i n g I S o u T 1e a s TU n i v e r s i T y92000.陈 强(1980-> 男 硕士研究生 从事火电机组性能监测与优化研究王培红(1959-> 男 博士 教授 博士生导师 从事火电机组性能监测与优化领域的教学和研究工作 E -m a i l :p 1W a n g ＠se u .e d u .c n 李 琳(1978-> 女 硕士研究生 从事火电机组性能监测与优化研究A l g o r i t h mo f0n -l i n e S o f t S e n s o r sM o d e l o fC a r b o nC o n t e n t o f F l y As h i nC o a l -f i r e dB o i l e r C H E NG i a n g ,WA N GP e i -1o n g ,L IL i n ,F E N Gz e -l e i (S o u T 1e a s TU n i v e r s i T y ,N a n i n g 210096,C 1i n a )A b s t r a c t :I nv i e Wo f T 1e p r o b l e m se X i s T i n g i nT 1em e a s u r e m e n T o f T 1ec a r b o nc o n T e n T o f f l y a s 1,s u c 1a s T i m ed e l a y a n d p o o r a c c u r a c y ,an e u r a l n e T W o r k m o d e l i sd e v e l o p e df o ro n -l i n es o f T s e n s o r sb a s e do na na n a l y s i so f T 1e i n f l u e n c i n g f a c T o r so f T 1e c a r b o nc o n T e n T o f f l y a s 1i n a c o a l -f i r e db o i l e r a n db y c o m b u s T i o n c 1a r a c T e r i s T i c s e X p e r i m e n T ~T 1e c a l c u l a T i n g s a m p l e s s 1o WT 1a T T 1e p r o p o s e dm o d e l 1a s g o o d g e n e r a l i z a T i o na n ds e n s i T i v i T y a n d i s c a p a b l eo f c o r r e c T l y d e s c r i b i n g T 1e c a r b o nc o n T e n T o f f l y a s 1r e s p o n s e c 1a r a c T e r i s T i c s o f T 1e c o a l -f i r e db o i l e r a n db e i n g eX T e n d e d f o r f u r T 1e r a p p l i c a T i o n s ~T 1i sW o r k i s s u p p o r T e db y N a T i o n a lN a T u r a l S c i e n c eF o u n d a T i o no f C 1i n a (N o ~50376011)a n dN a T u r a l S c i e n c eF o u n d a T i o n o f J i a n gs uP r o v i n c e (N o ~B K 2001005)~K e y wo r d s :b o i l e r ;n e u r a l n e T W o r k s ;s o f T s e n s o r s ;c a r b o n c o n T e n T o f f l y a s 1(上接第12页 c o n T i n u e d f r o m p a ge 12> 16王晚9李渝曾9张少华.求解电力市场均衡模型的非线性互补方法.电力系统自动化92004928 1)I 7 11.WA N G X i a n 9L IY u -z e n g 9Z A N G S 1a o -1u a .A N o n l i n e a r C o m p l e m e n T a r y A p p r o a c 1T o T 1e S o l u T i o n o f E I u i l i b r i u m M o d e l s f o rE l e c T r i c i T y M a r k e T s .A u T o m a T i o no fE l e c T r i cP o W e r S ys T e m s 92004928 1)I 7 11. 17 A L S A CO 9S C O T T B .O p T i m a lL o a dF l o W W i T 1S T e a d y-s T a T e S e c u r i T y .I E E ET r a n s o nP o W e rA p p a r a T u sg S y s T e m s 91973994 3)I 45 751.李渝曾(1947-> 男 博士 教授 博士生导师 主要从事电力市场榆电定价 博孪分析等研究 E -m a i l :y z l i ＠m a i l .s 1u .e d u .c n王 观(1970-> 女 博士研究生 主要从事电力市场博孪分析和市场力研究张少华(1966-> 男 博士 副教授 主要从事电力市场风险管理 远期合同定价 博孪分析等研究L S F EA n a l y s i s f o rR e g i o n a l B i l a t e r a l E l e c t r i c i t y M a r k e t sC o n s i d e r i n g Tr a n s m i s s i o nC o n s t r a i n t s L IY U -z e n g ,WA N G X i a n ,z HA N GS 1a o -1U a (S 1a n g 1a iU n i v e r s i T y ,S 1a n g1a i 200072,C 1i n a )A b s t r a c t :L i n e a r s u p p l y f u n c T i o n e I u i l i b r i u m (L S F E )m o d e l c o n s i d e r i n g T r a n s m i s s i o n c o n s T r a i n T s f o r r e g i o n a l b i l a T e r a l e l e c T r i c i T y p o W e rm a r k e T i s d e v e l o p e d i n T 1i s p a p e r ~B a s e d o n T 1i sm o d e l ,i T 1a s b e e n a n a l y z e d T 1a T u n d e r d i f f e r e n T T r a n s m i s s i o n c o n s T r a i n T s T 1e a r b i T r a g e r c a ne X e r Td i f f e r e n T i n f l u e n c eo n m a n y f a c T so f T 1e p o W e r m a r k e Ts u c 1a sT 1e m a r k e T p o W e ro fs u p p l i e r s ,T 1e a v e r a g e p r i c e o f T 1e r e g i o n a l b i l a T e r a l e l e c T r i c i T y m a r k e T sa n dT 1en e T W o r k1o l d e r ~A n i n e X a c TL e v e n b e r g -M a r I u a r d T a l g o r i T 1m b a s e do n T 1e n o n l i n e a r c o m p l e m e n T a r y a p p r o a c 1i s u s e d T o s o l v e T 1e e I u i l i b r i u ms o l u T i o n ~I E E E30-b u s T e s T s y s T e mi s e m p l o y e d a s a ne X a m p l e ,T 1e c o m p u T a T i o n a l r e s u l T s s 1o WT 1a T T 1e e X i s T e n c e o f a r b i T r a g e r s i n T 1e r e g i o n a l b i l a T e r a l e l e c T r i c i T y m a r k e T s c a n r e d u c e T 1em a r k e T p r i c e ,r e s T r i c T T 1e m a r k e T p o W e ro fs u p p l i e r s ,m e a n W 1i l e ,i Tc a na l s o p r o m o T eT 1eT o T a l s o c i a lW e l f a r eo f m a r k e T s a n d T 1e c o n s u m e r s u r pl u s ~T 1i sW o r k i s s u p p o r T e db y N a T i o n a lN a T u r a l S c i e n c eF o u n d a T i o n o f C 1i n a (N o ~50377023,50107006)a n d T 1eD e v e l o p m e n T F o u n d a T i o no f S 1a n g1a i E d u c a T i o nC o m m i s s i o n (N o ~02A K 21)~K e y w o r d s :r e g i o n a l b i l a T e r a l e l e c T r i c i T y m a r k e T ;T r a n s m i s s i o nc o n s T r a i n T s ;l i n e a rs u p p l y f u n c T i o ne I u i l i b r i u m (L S F E )m o d e l ;a r b i T r a g e ;n o n l i n e a r c o m p l e m e n T a r y ap p r o a c 194"孝术研究" 陈 强9等 电站锅炉飞灰含碳量在线软测量模型算法电站锅炉飞灰含碳量在线软测量模型算法作者：陈强， 王培红， 李琳， 冯泽磊作者单位：东南大学动力系,江苏省,南京市,210096刊名：电力系统自动化英文刊名：AUTOMATION OF ELECTRIC POWER SYSTEMS年，卷(期)：2005,29(2)被引用次数：10次1.吴曙笛微波飞灰测探仪现存问题及改进途径[期刊论文]-西北电力技术 2000(04)2.高爱华飞灰含碳量偏高的原因分析及对策[期刊论文]-节能 2001(38-39)3.于静江;周春晖过程控制中的软测量技术 1996(02)4.王宁会;刘敏神经元网络软测量技术的研究进展[期刊论文]-控制工程 2003(01)5.OUAZZANE A K;CASTAGNER J L;JONES A R Design of an Optical Instrument to Measure the Carbon Content of Fly Ash[外文期刊] 2002(15)6.周昊;事建波;池作和燃煤锅炉低氮氧化物燃烧特性的神经网络预报[期刊论文]-环境科学 2002(02)7.王培红;李磊磊;陈强人工智能技术在电站锅炉燃烧优化中的应用研究[期刊论文]-中国电机工程学报 2004(04)8.张立明人工神经网络理论及应用 19939.魏海坤基于泛化的多层前向网学习算法研究[学位论文] 20001.陈敏生.刘定平.CHEN Min-sheng.LIU Ding-ping基于核主元分析和支持向量机的电站锅炉飞灰含碳量软测量建模[期刊论文]-华北电力大学学报2006,33(1)2.唐良广.郑楚光.赵海波实际锅炉中煤粉燃尽率与飞灰含碳量的预测[期刊论文]-华中科技大学学报(自然科学版)2001,29(z1)3.杨蒴降低220t/h燃煤锅炉飞灰含碳量的研究[学位论文]20084.张贵炜.鲍琳.李奇伟.ZHANG Guiwei.BAO Lin.LI Qiwei基于信息融合的火电厂飞灰含碳量的软测量建模[期刊论文]-信息与控制2009,38(6)5.杨卫娟.周俊虎.刘茂省.周志军.刘建忠.黄镇宇.岑可法.YANG Wei-juan.ZHOU Jun-hu.LIU Mao-sheng.ZHOUZhi-jun.LIU Jian-zhong.HUANG Zhen-yu.CEN Ke-fa煤粉再燃过程中飞灰含碳量的影响因素分析[期刊论文]-中国电机工程学报2006,26(18)6.陈立军.王莹.邹晓旭.杜箭.李思.CHEN Li-jun.WANG Ying.ZOU Xiao-xu.DU Jian.LI Si锅炉飞灰含碳量检测技术的发展和现状[期刊论文]-化工自动化及仪表2010,37(9)7.常建平入炉煤元素分析和飞灰含碳量的软测量实时监测[学位论文]20078.张贵炜.鲍琳.李奇伟.ZHANG Gui-wei.BAO Lin.LI Qi-wei一种实用的火电厂飞灰含碳量软测量建模方法[期刊论文]-自动化与仪器仪表2010(6)9.方如金.赵瑶丹试论宋代两浙路社会经济的发展及其在全国的领先地位[期刊论文]-温州大学学报2002,15(3)10.周新刚.刘志超.ZHOU Xin-gang.LIU Zhi-chao基于燃烧与传热相耦合的飞灰含碳量预测模型[期刊论文]-锅炉技术2009,40(3)1.张翼宇.唐广烟道式微波测碳技术的改进研究[期刊论文]-数字技术与应用 2011(11)2.彭献永.王培红运用信息技术挖掘火电机组节能潜力[期刊论文]-华东电力 2008(9)3.赵世杰.周钰哲.王海滨灼烧法飞灰含碳量在线检测与应用的研究[期刊论文]-华北电力技术 2011(10)4.温文杰.马晓茜.刘翱锅炉混煤掺烧的飞灰含碳量预测与运行优化[期刊论文]-热力发电 2010(3)5.王勇.刘保军.李琛软测量技术的新进展及其在火电厂热工过程中应用[期刊论文]-长春工程学院学报（自然科学版） 2006(4)6.程启明.胡晓青.王映斐.汪明媚锅炉飞灰含碳量测量方法综述[期刊论文]-上海电力学院学报 2011(5)7.韩璞.乔弘.王东风.翟永杰火电厂热工参数软测量技术的发展和现状[期刊论文]-仪器仪表学报 2007(6)8.洪军.司风琪.毕小龙.王雷.徐治皋火电机组运行优化系统的现状与展望[期刊论文]-电力系统自动化 2007(18)9.王莺歌大型火电厂燃煤锅炉飞灰含碳量控制方法研究[学位论文]硕士 200610.赵丽玲软测量技术在储油罐原油平均温度测量中的应用研究[学位论文]硕士 2006本文链接：/Periodical_dlxtzdh200502010.aspx。

基于PSO-BP神经网络的飞灰含碳量测量方法李力; 陆金桂【期刊名称】《《机械与电子》》【年(卷),期】2019(037)004【总页数】5页(P68-71,76)【关键词】粒子群算法; 神经网络; 飞灰含碳量; 预测模型【作者】李力; 陆金桂【作者单位】南京工业大学机械与动力工程学院江苏南京211816【正文语种】中文【中图分类】TP1830 引言飞灰含碳量是锅炉运行中的最重要、最基本的参数之一，它表征了锅炉的重要运行特征，准确有效地测量飞灰含碳量有利于调节锅炉燃烧中的工况，提高锅炉热效率，降低燃烧成本，扩大电厂经济效益[1]。

飞灰含碳量的大小主要受锅炉运行参数以及煤粉元素等因素的影响，且各因素之间存在较强的耦合性和非线性[2]，传统的测量方法很难精确地测量。

为了解决这些问题，近年来，软测量方法逐渐被用于飞灰含碳量测量，主要有神经网络建模、支持向量机(SVM)建模、模糊建模等。

在飞灰含碳量的软测量方面，国内研究人员经过多年积极探索，取得了一些研究成果。

钱家俊[3]等人通过引进狼群算法对神经网络模型进行优化，实现了对飞灰含碳量的精确预测；朱竞东[4]等人通过分析影响飞灰含碳量的因素，建立BP神经网络模型，实现了对飞灰含碳量的预测；王月兰[5]等人通过利用自适应神经模糊推理系统(ANFIS)对某煤粉锅炉的飞灰含碳量进行建模，并将ANFIS模型和最小二乘支持向量机(LSSVM)及BP神经网络模型的预测结果进行对比；贺瑶[6]等人采用了基于粒子群优化支撑向量回归法对飞灰含碳量软测量进行了研究。

在前人的基础上，通过引进粒子群算法优化BP神经网络结构模型，并将粒子群神经网络和传统神经网络测量效果进行比较，分析粒子群神经网络模型在飞灰含碳量测量中的效果。

1 粒子群神经网络算法1.1 BP神经网络BP神经网络是1986年由Rumelhart和McClelland为首的科学家提出的概念，是一种按照误差逆向传播算法训练的多层前馈神经网络[7]，主要由输入层、隐含层和输出层组成。