基于神经网络的火电厂飞灰含碳量测量

飞灰含碳量软测量方法研究
飞灰含碳量严重影响着火电厂锅炉燃烧经济效益,含碳量过高会造成燃烧热损失增大,燃烧效率下降,甚至造成锅炉机组出现安全隐患。

目前基于物理测量法的测碳仪均存在难以适应工业现场、维护不易等问题,而软测量技术的出现与发展为飞灰含碳量提供了新的测量途径。

本课题以锅炉燃烧系统为背景,在分析锅炉燃烧工艺的基础上,进行辅助变量选取及其特征矩阵提取,并对飞灰含碳量的软测量模型及优化算法进行研究。

主要研究内容如下:(1)通过机理分析选取了煤种特性、锅炉负荷、给煤机给煤量、燃烧器摆角等辅助变量,建立偏最小二乘回归模型对辅助变量进行特征提取,根据舍一交叉验证法确定特征矩阵的最佳主成分个数,最终确定7维特征矩阵作为软测量模型的输入变量。

(2)建立BP神经网络模型,并采用改进PSO算法对网络权值、阈值的初始值进行优化。

在MATLAB环境下进行模型建立及模型验证,结果表明改进PSO-BP的飞灰含碳量模型精度较高、可靠性好,且能有效避免PSO算法陷入早熟收敛问题,测试样本的均方误差为0.0049。

(3)建立LSSVM、改进PSO-LSSVM的飞灰含碳量模型。

结果表明,经网格搜索法优化正则化参数和核参数后的LSSVM模型其稳定性、预测精度均优于BP神经网络,改进PSO-LSSVM模型精度优于LSSVM模型。

采用均方误差、平均相对误差、最大相对误差3种指标分别评价以上四种模型,得出基于改进PSO-LSS VM的飞灰含碳量模型精度最高,测试样本均方误差为0.0032,满足飞灰含碳量的测量要求。

(4)提出基于OPC技术的飞灰含碳量在线软测量方案,在MATLAB下进行数据预处理及模型运算,通过OPC技术与WinCC软件进行实时数据通讯,实现飞灰含碳量的在线软测量。

第3期(总第204期) 2017年6月山西电力SHANXI ELECTRIC POWERNo.3 (Ser.204)Jun. 2017基于L-M算法优化B P神经网络的飞灰含碳量测量崔锐，刘国栋，李晓江(京能山西漳山发电有限责任公司，山西长治046021)摘要：针对目前用于测量飞灰含碳量的烟道微波飞灰测碳仪没有充分考虑烟气密度影响的问题，设计了一种微波幅度和相位组合测试系统用于补偿烟气密度变化。

通过对飞灰含碳量影响因素 的机理分析以及灰色关联法对其相关性的计算，以微波功率衰减、微波相移量、燃烧器摆角、一次风总风压、二次风挡板开度作为模型输入参数，构造了基于L-M算法优化BP神经网络的 数据融合技术的飞灰含碳量测量系统。

仿真实验结果表明该系统对飞灰含碳量的测量较烟道式飞灰测碳仪的测量结果更加真实和准确。

关键词：飞灰含碳量；数据融合；B P网络中图分类号：TP183 文献标志码：A 0引言锅炉飞灰含碳量是表征锅炉燃烧效率的一个 重要研究指标，快速而准确检测有助于提高机组 的运行效率，提高运行人员的掺烧水平。

根据当 前的飞灰含碳量检测技术，构造了基于L-M (levenberg -m arquardt)算法优化BP(back propagation)神经网络的数据融合技术[1-2]的飞灰 含碳量测量系统，用于对烟气密度的变化进行有 效补偿。

首先，BP神经网络对信息数据进行融 合；其次，应用L-M算法对BP神经网络进行优 化，提高网络的训练精度。

收稿日期：2016-11-11，修回日期：2017-04-12作者简介：崔锐（1987)，男，山西襄汾人，2013年毕业于东北电力 大学控制科学与工程专业，硕士，工程师，研究方向为火电厂热工智能控制、直驱式风力发电机组建模及控制策略优化；刘国栋（1988)，男，山西吕梁人，2013年毕业于山西大学自动化专业，助理工程师，研究方向为火电厂热工智能控制；李晓江（ 1986)，男，河北邯郸人，2012年毕业于华北电力大学控制科学与控制工程专业，硕士，工程师，研究方向为复杂机组控制与建模、直驱风机控制策略优化等。

耦拟命任何连拟续何何照何辨锅 炉 技 术试改之存敛慢 局敛部极许改存改附习FS措施耦拟例许S施何站新权施例拟续何何解下表连耗拟续续赖2何续2何拟初每某W 耗四圆滑仿何赖真乘2函例引例思越办往扩例庞混元滤除冗元滤余少既留充四除冗例意义例敏逼预良推例景手段困陷逐步刘鸿周元克毅刘趋-潘黎文章编号耗 部许莹何2何乘续杨仿拟续何何函续何2续续续何2续耦玉元克峰备h g b e r 毅r 趋-tw 余c i四圆滑例四s d 例u 滑y 例f p m仿庞混元滤除冗元滤余少既留除冗例庞混拟续续续赖续函吴戈陆耗 飞灰含碳量继玉元克继东亮毅r 继英毅r 继牛培张报阎 要耗 飞灰含碳量是反映火电厂锅炉燃烧效率的重要指标例伟谢峰备刚李蔡九菊吴戈郭伟宏朱洪曾庭华群毅r 贞h g b e r 黎军陈W 北湘涛郭叶念菊渝科h g b e 毅r 段版菊充初春林例昊樟湘Z 谭菊浩艺炳例源D 贞湘v q U x 黎k z 欢群W 北湘迎照j t w 础j 菊h g b e r 牛培张报毅r 段版曾英毅r 段版例源昊阻湘Z 谭菊趋-达炳黎验h g b e r 毅r 段版菊证够余景手主问题菊易辅助良切间黎待代昊替硬耗 局核拟拟心施莹继局就乘莹莹施耦 文献标识码耗 建续 前 言飞灰含碳量是火力发电厂燃煤锅炉燃烧效率的重要指标例Z 两p 湘规律料衡立依军规积累态菊回归黎涛h g b e r 支谢例两p 贞峰备持律兼长短报林例规积短依军例短供良先t 元知识节谢例省训练又回湘偿保换误菊差该例修正律g 菊况济迫切间求开例验始如练安知装己菊只输继h g b e r 入开般挥滑负荷支口例回r 菊磨步膛支箱压差贞例总二摆求开峰备蔡九例又针情转留门菊差该黎虑条略洪去毅h g b e r 例主济蒸汽初扩耦条拟命刚李段任例何h g b e r 刘鸿东连续照辨例试省改r 伟谢规积四之例伟谢料存刚李敛慢黎供宏h g b e r 局蒸部律科周峰备极许周刚李汽初敛慢潘渝科附习菊只输例省训吴F S 措例施例站新权解东亮毅r 黎下表耗赖伟贞渝科h g b e r 虑条初毅趋-例源训问每趋-赖某W x 留黎识四何军陈W 北圆科h g b e r 毅r 段版菊充初春林周达炳余预U 克滑例达樟宏迎照t w 础j 菊牛培张报毅r 段版曾英毅r 段版例识四验h g b e r 毅r 段版菊证够余景手主问题菊易辅助良切间黎何 飞灰含碳量的数据融合测量方法何施何牛培张报趋- 数据融合是指对来自单个或多个传感器的数据进行自动检测、关联、相关、估计和组合等多层次、多方面的处理例例仿真验乘函易牛周达引周思越周李陷潘办针朱洪菊往扩曾庞混元滤黎牛培张报趋-除主冗余少既周F 留朱之谢周充意义林华之庭周敏逼少预周充意仿真知识开潘达炳黎牛培张报况昊陷良习推周达引推曾景手推莹段短总困陷张报例牛培张报段版站渝例叶迫菊充意张报逐版况昊陷元滤版周留滤版周充意步段版曾逐步段版例刘待逐步段版鸿周克某毅趋周-潘黎莹周杨玉逐版潘段版例克某毅趋例刘峰留步滤预周备题少谢周冗余少既周庭华主蔡菊浩h 例附省东牛培张报待菊g 迫表b 部e 己r 黎何施拟h g b e r 菊牛培张报毅r 段版目前例下表耗赖某伟贞渝科h g b e r 初毅趋-例训t 每趋-w 识赖某W x 留黎c 培毅r 春林菊短总例h g 毅e i 况昊陷规积态己版周磨己昊阻版周s d 版周u 除两y 版周f 耗亮版周C放射法、流化床部改拟版周u p 蔡g 版周元冗版周m u 吴预戈陆u继版周东元版周庭华C中子活化分析法等测量方法亮何2耦英黎供局蒸h g 二x 菊牛之周误之周培之周张之曾h g 待圆科报门阎菊b r 潘伟验毅r 朱之主只输例毅r 朱之宏渝科附习谢刚只输菊李亮少F留例蔡九菊迫郭问玉吴宏菊毅r 段版赖朱版军陈往扩洪毅h g 菊达少例附曾例毅r 朱之庭九短谢例华修菊迫英毅r 趋-菊h g b e r 练新例群条炉技术第耦拟命两p律阎贞留验h g b e菊只输黎军陈求开圆科附习验毅r极北菊只输例湘军菊迫渝玉吴宏初毅趋-例试短总涛之两p洪毅W阎达少例九叶济迫牛培张报趋-念渝段玉吴宏初毅e菊牛培渝李昊阻曾科知例伟真洪毅验版菊主蔡充意例例春知验洪毅验版充意军陈曾依命菊往扩黎t二况仿林长郭段玉吴宏昊主樟段玉吴宏菊逐-慢Z 间办略洪菊毅r极北例试省伟谢毅r菊朱之曾备题少黎四谭亮乘英待菊迫乘郭浩峰修迫菊箱压任s d 毅e i渝李东亮去毅例供东虑艺待箱荷牛之曾炳华验i宏菊毅r朱之主己军只输例修毅r极北U 预源回d既例附省膛支证够曾D滤报v菊玉吴宏毅r贞s d q九U x周k z贞留r周箱压箱荷牛之曾炳华t耦段余h g b e r毅r极北预k吴菊达引r例仿林湘验h g b e r菊渝欢充意往扩例证迫w蒸存2迎浩留逐版菊莹困试j克某毅趋验敏逼菊渝玉吴宏菊充意渝李主蔡张报例试省伟谢湘h g b e r菊毅r朱之曾毅r备题少黎四谭亮真英东昊阻湘只输h g b e r毅r朱之菊主吴附习w础庞例菊迫s d q九周s d k z周元冗周长元阻曾牛之玉吴宏许安湘渝玉吴宏菊毅r F留例例仿真h g W阎菊渝欢充意例九叶济迫莹困试j克某毅趋验渝玉吴宏菊牛培渝李牛培张报义林例例连达e求开h g W阎易牛贞留验毅r极北菊只输曾伟谢毅r朱之菊乘菊黎虑验极北证滑湘曾版步够求开g科周牛之曾始如附习贞留验毅r极北菊只输例伟谢湘毅r极北菊略洪少曾况充少黎拟飞灰含碳量的软测量方法拟施何英毅r趋-软测量技术主要解决工业过程中普遍存在的一类无法或难以在线测量的过程变量仿主良贞r函菊初毅问题黎Z宏济迫问每易蒸毅r贞r 仿辅助贞r函余洪毅贞r仿主良贞r函牛切吴F例膛支英越昊阻余滤逐例j间解元滤贞待毅贞r菊段版黎Z宏例英越代替硬越仿玉吴宏函q步黎英毅r趋-菊核心宏英毅r-q例英毅r-q就宏辅助贞r余主良贞r菊牛除吴F-q例建-段版主料林建-周某验建-群两每极报建-段版黎刘待料林建-宏试支四表东菊门林曾留除规律贞t例膛支门料慢衡周步r慢衡曾既r慢衡例建立牛除-q继某验建-宏膛支虑毅昊依培积累菊汽初牛培例菊迫i态元滤周回归昊阻周-潘克某毅趋周支持困r料潘段版林e某验-q继料林建-余某验建-k极报况兼主两每长义例敏逼刘短黎料林-q伟供菊先验知识例况陷某验建-节省训练二识例总条例某验建-又步逼偿料林-q 建-达少黎辅助毅r贞r证够鸿周证够辅助毅r贞r 菊替q周牛r群毅r炳莹段段陈黎陷保证英毅r 菊朱洪少例菊科牛培湘军渝李换逐义林曾误差义林黎英毅r F留g该c培验版达少菊贞留例东亮修正英毅r-q例例v g贞留菊充况黎拟施拟h g b e r菊英毅r段版各种测碳仪由于技术或成本的原因难以成功地应用于现场例省元克贞蒸伟谢某济蔡b菊乘菊例又迫切军求步够庭华周朱洪毅r h g b e r例附曾扩谭开始景手菊迫英毅r趋-验h g b e r渝李主蔡毅r黎规律峰备h g b e r达少部e如律科周刚李易牛曾峰备D滤鸿初安装潘附习菊只输例吴F源陷S措黎东英毅r建-条例局蒸峰备赖某建知刚李例刘D滤曾安装易牛Z己洪题例附曾况例只证够律阎达少易牛曾峰备刚李充况初陷英毅r菊输入黎证够辅助贞r条例问般况菊迫规律菊解e w开z t磨r周挥t昊周g昊曾敛昊例j两p律阎达少继菊迫峰备负荷周省律宏贞口转r周圆磨律料D律r周备膛余持箱差压周问陷持总持压周圆困二陷持压周规积宏摆涛潘易牛两p峰备刚李充况黎东除保英毅r建-条例圆四谭伟针验圆少景手菊峰备验版菊虑艺情况例渝李料林昊阻曾辅助贞r 证够黎如四谭亮心2赖英何省律宏贞口箱荷b转r例问陷总持压例圆困二陷持压例圆困D正料转华例解e w开z t磨r周挥t昊周g昊曾敛昊例料存负荷潘初陷输入贞r黎四谭亮杨2何何英证真峰备负荷周备膛贞口转r Z间周圆磨律料D律r周解e w菊耦段律阎达少易牛周问陷持总持压周圆二陷持门开之间例群二陷持总持压余备膛差压毅炳菊慢Z间潘易牛初陷输入贞r黎四谭亮何拟英辅虑e元克虑艺条越曾滤逐华之问题例略去湘验h g b e r只输短入回菊易牛例只证真蒸汽培之周主蒸汽压滤周差箱培之周律正欢之周解e w g昊周解e w开z t 磨周b转r初陷英毅r-q输入黎峰备菊规积支四宏问段S措菊门林周留除支四例只输峰备h g b e r渝附习除主耦报少预周李亮少预潘达引黎附曾峰备h g b e r菊英拟何连四圆滑例潘耗玉元克峰备h g b e r毅r趋-t w余c i毅r例新例菊迫料林建-例长源v报菊迫某验建-黎克某毅趋初陷李亮少-拟菊问科除主预命滤菊段版例赖浩峰g迫蒸英毅r建-支四黎试j 毅趋宏乘郭g迫连浩峰菊渝困郭困毅趋例Z步虑c任何李亮少连续p照例东h g b e r渝李英毅r建-条例回伟菊迫湘试j克某毅趋渝李辨识建-黎如四谭亮杨英例磨态虑备试验牛培陷训练二识例菊迫试j克某毅趋极许例源改渝湘逐版例建立湘元克峰备圆刚李易牛余h g b e r达少之间吴F例膛支试验验证湘-q菊主蔡少黎局蒸试j逐版存东训练条间长周解敛华之慢周解敛蒸局部极归炳潘艺炳例许渝扩伟贞湘渝科试j毅趋改渝逐版曾浩留逐版例如附针刚r版周少v g除习华九周存2迎逐版周附建逐版周试F附S版潘例问每改渝措施洪迫蒸h g b e r英毅r黎例如例四谭亮心英菊迫东验支四料林昊阻菊w础庞例膛支许安试j克某毅趋曾菊迫存2迎浩留逐版渝李毅趋训练例j建立h g b e r菊毅r-q例膛支该毅r-q况例渝李元站峰备h g b e r菊虑条毅r例总条余峰备规积浩留英越F留k极报例虑c峰备规积菊浩留刘鸿继四谭亮何续英菊迫湘w蒸试j克某毅趋极报杨玉逐版仿附建函菊新q英毅r -q例膛支附建训练试j克某毅趋权间菊段版例仿林涛郭连续菊峰备规积拟命段任例解景湘峰备贞充况下刚李易牛w略间菊问题黎慢试F毅趋东问题四之庞解景湘试j毅趋训练条间长曾存东局部极间菊问题例除主解敛华之庭例军局浩留菊达炳黎乘郭东建-待g迫源浩黎四谭亮赖英菊迫试j毅趋菊存2迎逐版周试F附S逐版曾慢试F毅趋逐版渝李h g b e r英毅r建-例-q 虑验极北表滑慢试F毅趋菊训练朱之连谢周耗条连短例存2迎逐版陷之例试F附S逐版k验连差例供t莹科逐版东训练华之曾朱之庞Z浩蒸试j改渝逐版黎支持困r料仿SF迎函菊段版验二识牛培菊依赖四之曾峰留步滤长试j克某毅趋军既例训练条间源短例训东D题湘初始易牛叶例SF迎训练每陷伟况例林e k迎菊极北例省克某毅趋东k总D题下例湘军渝陷训练试待证够报v菊-q黎四谭亮何莹英菊迫某莹续续迎W四涛切圆规积峰备滑压刚李段任下菊磨态虑备试验牛培初陷训练二识例g 迫SF迎逐版建立湘h g b e r菊英毅r-q例仿真极北表滑SF迎余刘Z建-段版k长除主峰留步滤既例滤逐华之庭周v报蒸东亮建-潘浩炳例宏峰备h g b e r达少建-菊主蔡充除黎连归二乘支持困r料仿存S2SF迎函宏函略SF迎东二陷累态函牛下菊春任例念-q浩留问题转留陷亮少段四存菊求解例回回伟谢湘求解华之黎四谭亮何耦英针验某莹续续迎W四涛切圆元克峰备菊虑毅充况牛培例菊迫存S2SF迎段版渝李h g b e r英毅r建-景手例引入湘局部除习思陈例菊迫改渝菊核函牛例虑c湘-q易牛菊少既浩留黎仿真极北表滑湘局部存S2SF迎英毅r建-段版菊主蔡少曾浩越少黎东证真辅助贞r条例问般菊迫料林昊阻菊办版例供宏局蒸验版料林菊S措少例往往摆扩回辅助贞r菊证够照辨例修林二识牛培支蒸庞回黎附曾例赖主扩伟贞湘h g b e r英毅r菊混报建-段版黎例如例四谭亮何乘英菊迫何主元回归昊阻仿j部建函余克某毅趋极报菊混报建-段版渝李b e r东亮毅r例引入j部建菊乘菊宏滤除输入贞r之间菊k吴附习例求开牛培冗余四之例陷叶陈菊充初x少刚逐r例节省硬越曾条间黎t既保留湘春始贞r菊达引充意例又某留湘克某毅趋极许例修克某毅趋菊浩炳林例充昊t挥黎虑验极北表滑湘混报-q余郭问克某毅趋-q k长例况例仿林源谢菊毅r朱之例t科建-段版主刘c虑意义余g迫切间黎四谭亮何何英辅虑输入贞r之间菊亮少昊李亮少吴F验-q朱之曾峰留步滤菊只输例极报核主元昊阻仿核j部建函菊李亮少达引伟真步滤曾SF迎验输入欢牛短敏吴周函牛逼迎步滤预菊浩炳例伟贞湘核j部建2SF迎菊h g b e r英毅r建-段版例源验某莹续续迎W四涛切圆峰备短总充况下菊h g b e r渝李预毅例仿真极北验证湘t科建-段版菊主蔡少曾浩越少例挥滑刘除主良既菊推浩g迫郭景黎总之例h g b e r英毅r F留菊修迫例何陷元站峰备h g b e r菊虑条毅r伟供湘问科己军菊手段例刘除主峰留步滤良既周刚逐条间短周v g照辨浩潘浩炳例除主站既菊推浩g迫郭景黎莹结束语飞灰含碳量在线监测是火电厂节能减排的重要监测手段之一例供h g b e r达少部e如律科周刚李易牛曾峰备D滤鸿初安装潘渝科附习菊只输例Z菊庭华周朱洪毅r长源困新黎识四军陈W北湘涛郭叶迫菊渝科h g b e r毅r趋-菊t w周春林余达炳例供每科毅r段版Z存东问每莹炉技术第耦拟命艺陷例c正逐步洪迎照t w础j菊渝科毅r段版菊牛培张报趋-昊间解英毅r趋-施真代例四待练W北湘h g b e r牛培张报毅r段版曾英毅r段版菊趋-达炳黎识四验h g b e r毅r段版菊证够余景手主问题菊易辅助良切间黎易辅四谭耗亮何英刘鸿例周克毅施峰备h g毅e i菊趋-c i群t w趋h亮站英施峰备趋-例拟续续耦例莹乘仿拟函耗真乘-真杨施亮拟英潘林黎例f续莹例杨玉峰例潘施玉元克h g b e r东亮去毅D 备c i亮站英施磨滤t元例拟续续杨例莹心仿何何函耗何续-何耦施亮莹英迎新Sh S权g F例慢Sb e r t部例试r Sw权S施j r e c i s i S权新权d新c c u r新c y Sf p h St S2新c Su s t i cme新s u r e m e权t s Sfu权b u me d c新r b Sr i权f措y新s h 亮站英施Fu e措例拟续续何例杨续仿何何函耗何乘耦乘-何乘乘耦施亮耦英吴戈例陆继东例余亮英例潘施m u吴预戈陆u继趋-毅r h gb e r亮站英施磨步既滤充四例拟续续乘例拟续仿耦函耗莹真乘-莹真赖施亮乘英牛培峰例留克例张c慢施w蒸充意张报趋-菊峰备h g b e r 毅刘F留亮站英施i宏i表除报例拟续续赖例莹续仿真函耗何拟续心-何拟何续施亮真英阎谢伟例谢刚例谢克滑例潘施w蒸渝玉吴宏张报趋-菊h g be r毅r亮站英施待下元料充四除报例拟续续真例拟真仿心函耗莹乘-莹赖施亮心英李逐例蔡九菊例郭宏施w蒸克某毅趋菊元站峰备h g b e r英毅r F留亮站英施节步趋-例拟续续耦例拟拟仿何拟函耗真-心施亮杨英周吴例朱洪d例曾庭华例潘施w蒸扩充克某毅趋菊回q例鸿克峰备h g b e r建-亮站英施待下元料充四除报例拟续续拟例拟拟仿真函耗赖真-何续续施亮赖英f混群例张习贞例刘军施扩充克某毅趋东规律峰备b e r毅r 待菊g迫亮站英施峰备趋-例拟续续耦例莹乘仿拟函耗莹乘-莹乘施亮何续英陈敏预例刘题慢施元站峰备h g b e r菊浩留刘鸿亮站英施既滤充四例拟续续乘例拟乘仿耦函耗乘耦乘-乘耦赖施亮何何英陈敏预例刘题知施w蒸核主元昊阻曾支持困r料菊元站峰备h g b e r英毅r建-亮站英施华北元滤回除除报例拟续续真例莹莹仿何函耗心拟-心乘施亮何拟英段湘涛例叶念渝施w蒸试j克某毅趋菊元克峰备h g b e r 预毅亮站英施华待科趋回除除报仿少九科除版函例拟续续莹例莹何仿何拟函耗心乘-心心施亮何莹英f春林例周昊例周樟华例潘施w蒸支持困r料菊回q元克峰备h g b e r建-亮站英施待下元料充四除报例拟续续乘例拟乘仿拟续函耗心拟-心真施亮何耦英附u i w e i Z h新权g例存i权试新S施S Sf t2s e权s i权g mSd e措i权g Sf t h e c新r b S权c S权t e权ti权f措y新s h b新s e d S权i权f Sr m新t i S权f u s i S权f Sr t h e r m新措p Swe r p措新权t亮部英施j r Sc e e d i权g s Sf t h e之敛敛敛之权t e r权新t i S权新措部S权f e r e权c eS权迎e c h新t r S权i c s新权d建u t Sm新t i S权例部h新权g c h u权例部h i权新例拟续续赖耗莹杨真续-莹杨真乘施亮何乘英谭浩艺例陈北炳例周少预施w蒸j部建-试j克某毅趋菊峰备律阎菊英毅r亮站英施步源趋-例拟续续赖例莹续仿何函耗赖-何何施局h e D e v e措Sp me权t新权dSt新t u sS权t h e迎e新s u r e me权t局e c h权i q u e sSf 部新r b S权部S权t e权tSfF措y建s hi权试Si措e rSf局h e r m新措j Sw e rj措新权t部极敛许附就i2mi权g例部极敛许附习i权2m新权例W建许附迎i权g2me i例W建许附习i权g2f e i 仿部S措措e g eSf敛措e c t r i cjSwe r新权d建u t Sm新t i S权敛权g i权e e r i权g例Sh新权g h新iU权i v e r s i t ySf敛措e c t r i cjSwe r例Sh新权g h新i拟续续续赖续例部h i权新函核e yw Sr d s耗c新r b S权c S权t e权tSf f措y新s h继t h e r m新措p Swe rp措新权t继S权措i权eme新s u r e me权t继s Sf t2 s e权s i权g继d新t新f u s i S权建b s t r新c t耗局h ec新r b S权c S权t e权tSff措y新s h i s新权i mp Sr t新权ti权d e x t h新tr e f措e c t s c Smb u s t i S权e f f i c i e权c ySfc S新措2f i r e d b Si措e r例t h e k e y p r e mi s et S i权c r e新s e b Si措e re f f i c i e权c y i st S me新s u r ec新r b S权c S权t e权tSff措y新s he x新c t措y新权dr新p i d措y施之权t h i sp新p e r例t h ewSr kp r i权c i p措eSf t h ec u r r e权tc SmmS权me新s u r i权g me t h Sd sSfc新r b S权c S权t e权ti权f措y新s h新r ei权t r Sd u ce d例t h e i r新d v新权t新g e s新权d d i s新d v新权t新g e s新r e新权新措y z e d例新权d t h e i r t y p i c新措p r Sd u c t s新r e g i v e权施局h e d新t新f u s i S权me t h Sd s新权dt h es Sf tme新s u r e me权tme t h Sd sSf c新r b S权c S权t e权ti权f措y新s h新r e新措s S d e s c r i b e di权d e t新i措t h新ti sd e v e措Sp e di权r e c e权ty e新r s例新权dt h e i rt e c h权i c新措f e新t u r e s新r e新权新措y z e d施局h i sp新p e rh新s新c e r t新i权r e f e r e权c e新权d g u i d i权g v新措u et S t h ec h Si c e新权d s t u d y Sfme新s u r i权g me t h Sd sSf c新r b S权c S权t e权ti权f措y新s h施欢迎j下欢迎订阅g措j s@s h新权g h新i2e措e c t r i c施c Sm耦。

• 18 •新技术新仪器2017年第37卷第1期doi：10. 11821/j.issn. 1674-5795. 2017. 01. 05基于蚁群神经网络的飞灰含碳量测量方法张正友、钱家俊2，冯旭刚2(1.安徽省马鞍山市质监局，安徽马鞍山243000; 2.安徽工业大学，安徽马鞍山243000)摘要：飞灰含碳量是衡量电站锅炉燃烧效率的重要参数。

飞灰含碳量的准确测量有助于调整锅炉燃烧，提高锅炉运行的经济性和安全性。

本文采用了蚁群神经网络算法，利用蚁群算法对神经网络进行优化，将优化过后的神经网络用于飞灰含碳量的预测，并分析了经过蚁群神经算法与遗传神经网络的预测效果。

关键词：蚁群算法；神经网络；飞灰含碳量中图分类号：TB94; TN081; TM621 文献标识码： A 文章编号：1674-5795(2017)01-0018-03 Prediction Method of Unburned Carbon Content in Fly Ash Based on Ant Colony AlgorithmZHANG Zhengyou1 , QIAN Jiajun2, FENG Xugang2(1. Quality Supervision Bureau of Maanshan City, Maanshan 243000, China ；2. Anhui University of Technology, Maanshan 243000, China)Abstract: Unburned carbon content of fly ash is an important index reflecting the combustion efficiency of utility boilers. Measuring the car­bon content in the fly ash accurately is beneficial to the detection and adjustment of boiler combustion. This paper uses the ant colony neural net­work which optimized the initializing weights, thresholds and numbers of nodes in the hidden layer of the BP neural network. The optimized neural network is used to predict the unburned carbon content of fly ash. And the prediction result is also analyzed in this paper.Key words：ant colony algorithm；neural network；unburned carbon content0引言锅炉燃烧过程中的飞灰可燃物含量可反映燃煤锅 炉机组燃烧效率。

浅析火电厂锅炉飞灰含碳量测量技术与展望摘要：飞灰含碳量的是反映火电厂经济运行的重要指标，其高低直接影响着锅炉的效率。

因此准确的监测飞灰含碳量有着非常重要的意义。

本文对当前常见的多种物理测量方法做了相应的研究，指出了它们的优缺点。

报告了近年来发展起来的飞灰含碳量软测量方法的现状，并分析了它们的技术特点。

最后本文展望了测碳技术的新发展，对火电厂选择测碳方法与研究有一定的参考指导价值。

关键词：飞灰含碳量；测量方法；展望引言飞灰含碳量是火电厂重要监测的参数，其高低直接影响着锅炉的燃烧效率。

当飞灰含碳量偏高，主要锅炉风煤配比不合理造成的，燃烧不完全，其直接结果导致发电成本升高，而且也增大了固体颗粒的排放，使粉煤灰的可利用价值降低，同时也对环境也造成严重的影响；飞灰含碳量偏低则说明空气过剩，将有大量的热能通过烟道排出，造成换热效果不够好，同时还会增加氮氧化物的排放【1】。

对于实时准确监测飞灰含碳量，有利于操作人员随时调整运行方式，将飞灰含碳量控制在最佳范围，从而尽量提高燃烧程度，提高机组运行水平。

但是影响飞灰含碳量的因素错综复杂，是一个高度的非线性结构体。

目前国内外许多公司研发的在线测碳设备均已商品化。

本文将介绍各种在线测碳设备的工作原理、特点。

本文还会对近些年兴起的软测量技术给予一定介绍。

对飞灰含碳量测量方法的选择与研究有一定的参考指导价值。

1 飞灰含碳量的物理测量技术1.1 微波透射衰减法测量技术利用未燃尽的碳对特定波长微波的吸收及对微波相位的影响来测量飞灰含碳量，这是微波透射衰减法测碳原理。

目前在我国火电厂使用的产品主要有：深圳赛达力电力设备有限公司研发生产的MCM型微波飞灰测碳仪，测量精度还较为准确为0.5%左右，澳大利亚CSIRO矿产和工程公司开发的微波测碳仪，测量精度较为高，约在0.08%-0.28%之间，测量周期在三分钟之内。

因其测量精度最高，测量速度最快。

微波吸收法是目前研究得最多的。

随着国内外的学者对该法研究的进一步深入，测碳精度和速度还会得到进一步的提高。

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。