中出在线视频-制服丝袜综合网-制服 丝袜 亚洲 中文 综合-只有精品-直接看毛片-正在播放亚洲一区

    許多電廠因能源問題不得不燃用非設(shè)計煤種，導致鍋爐燃燒不穩(wěn)定、結(jié)渣嚴重、鍋爐經(jīng)濟性差等問題。因此，亟需建立鍋爐效率與煤質(zhì)特性及運行工況之間的關(guān)系，并在此基礎(chǔ)上對鍋爐燃燒進行優(yōu)化，以增強鍋爐的穩(wěn)燃能力，提高鍋爐運行經(jīng)濟性。
    本文在一臺125 MW燃用無煙煤鍋爐熱態(tài)試驗的基礎(chǔ)上，利用人工神經(jīng)網(wǎng)絡(luò)對這臺鍋爐的效率與煤質(zhì)特性及運行工況進行建模；并從DCS系統(tǒng)下載實時工況數(shù)據(jù)，根據(jù)建立的鍋爐效率模型運用遺傳算法對該鍋爐進行了燃燒工況尋優(yōu)，富通新能源銷售生物質(zhì)鍋爐，生物質(zhì)鍋爐主要燃燒木屑顆粒機壓制的木屑生物質(zhì)顆粒燃料。
1、建立鍋爐效率神經(jīng)網(wǎng)絡(luò)模型
    人工神經(jīng)網(wǎng)絡(luò)是基于生物學中的神經(jīng)網(wǎng)絡(luò)的基本原理而建立的。現(xiàn)在幾種典型神經(jīng)網(wǎng)絡(luò)有BP神經(jīng)網(wǎng)絡(luò)、競爭型神經(jīng)網(wǎng)絡(luò)及Hopfield神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)是目前應用最為廣泛的，BP網(wǎng)絡(luò)中隱單元可以根據(jù)需要自由設(shè)定，一個三層網(wǎng)絡(luò)可以實現(xiàn)以任意精度近似任何連續(xù)函數(shù)。因此，本文所取的鍋爐效率的模型訓練采用了3層BP神經(jīng)網(wǎng)絡(luò)。
1.1  鍋爐效率熱態(tài)試驗分析
    在125 MW燃用無煙煤鍋爐上進行了熱態(tài)試驗，從熱態(tài)試驗的結(jié)果分析，在相同煤質(zhì)的情況下，配風方式為正寶塔配風時，鍋爐效率較優(yōu)。根據(jù)負荷，煤質(zhì)，配風方式的不同，總共進行丁47個工況的熱態(tài)試驗。在47個工況中，選取41個工況為神經(jīng)網(wǎng)絡(luò)的訓練樣本，另外6個工況作為檢驗樣本來驗證網(wǎng)絡(luò)是否合理。
1.2  神經(jīng)網(wǎng)絡(luò)訓練及結(jié)果分析
    由于鍋爐已經(jīng)投入運行，其設(shè)計和安裝參數(shù)已經(jīng)確定，鍋爐效率主要受實際運行工況和煤質(zhì)特性參數(shù)的影響。因此，將煤質(zhì)特性（包括揮發(fā)分、灰分、固定碳、發(fā)熱量）、鍋爐負荷、熱風溫度、一次總風壓、二次風門開度（上二次風門、中二次風門、下二次風門）、氧量共11個參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入量，鍋爐效率作為神經(jīng)網(wǎng)絡(luò)的輸出量。
    本文采用3層神經(jīng)網(wǎng)絡(luò)，輸入層為11個輸入節(jié)點，輸出層為一個輸出節(jié)點，經(jīng)過試驗選用10個隱節(jié)點的網(wǎng)絡(luò)結(jié)構(gòu)，利用自適應學習速率的動量法對網(wǎng)絡(luò)進行訓練，學習速率為0.1，動量因子為0.9，當系統(tǒng)的均方誤差小于0. 001或訓練次數(shù)大于50 000次時訓練結(jié)束。
    神經(jīng)網(wǎng)絡(luò)訓練結(jié)果如圖1和表1、表2所示，對于41組訓練樣本，網(wǎng)絡(luò)的輸出值與實測值非常接近，最大相對誤差為0.348%；對于6組檢驗樣本，網(wǎng)絡(luò)的輸出值與實測值的相對誤差均在3%以內(nèi)，可以認為此網(wǎng)絡(luò)具有良好的泛化能力。
2、遺傳算法對鍋爐效率進行優(yōu)化
    遺傳算法是模擬達爾文的遺傳選擇和自然淘汰的生物進化過程的計算模型，其主要特點是簡單、通用、魯棒性強、適用于并行分布處理、應用范圍廣，但也存在著早熟收斂和收斂速度慢的問題。而小種群自適應遺傳算法能夠在種群規(guī)模較小的情況下進行有效的全局搜索和局部搜索，避免了早熟，并能以很快的速度收斂到全局最優(yōu)解，是一種快速而又全局收斂的算法。
2.1  優(yōu)化數(shù)學模型
    在對鍋爐效率進行神經(jīng)網(wǎng)絡(luò)建模之后，就可以根據(jù)已經(jīng)建立的鍋爐效率模型來優(yōu)化鍋爐的燃燒過程。整個優(yōu)化過程是根據(jù)已經(jīng)訓練好的神經(jīng)網(wǎng)絡(luò)所建立的映射關(guān)系，求得鍋爐效率達到最大值時，各個輸入?yún)��?shù)的值。因此，鍋爐效率優(yōu)化的問題就轉(zhuǎn)變成求目標函數(shù)最大值的優(yōu)化問題。在電廠鍋爐運行中，運行人員調(diào)節(jié)最為頻繁的參數(shù)主要是配風方式、氧量等，其余影響鍋爐燃燒的因素，如負荷和煤種，對于運行人員而言在某一工況下是不可調(diào)節(jié)因素。因此本文選擇各二次風門開度和氧量為優(yōu)化參數(shù)，并根據(jù)實際情況對優(yōu)化參數(shù)設(shè)置了一定的優(yōu)化范圍，實現(xiàn)鍋爐效率的優(yōu)化。
2.2優(yōu)化結(jié)果及分析
    本文采用小種群自適應遺傳算法對鍋爐實時工況進行優(yōu)化，選擇的參數(shù)種群規(guī)模為5，交換概率為0.5，突變概率為0.02，迭代次數(shù)200次，優(yōu)化參數(shù)4個，計算獲得優(yōu)化后的各風門開度、氧量及鍋爐效率。
    實際運行工況如表3所示，表中所列工況均從某臺125 MW鍋爐的DCS系統(tǒng)下載，對應的煤種特性由人工輸入；遺傳算法優(yōu)化后的結(jié)果與實際工況運行結(jié)果的比較如表4所示，并且優(yōu)化后工況的配風方式均為正寶塔配風，與鍋爐熱態(tài)試驗的結(jié)果是相符的。通過對這些工況的優(yōu)化過程分析，優(yōu)化結(jié)果均達到了收斂，表明遺傳算法選取的計算參數(shù)是合理的。
3、結(jié)論
    (1)針對某臺125 MW燃用無煙煤鍋爐，在熱態(tài)試驗的基礎(chǔ)上運用人工神經(jīng)網(wǎng)絡(luò)對鍋爐效率進行建模，建立了這臺鍋爐的鍋爐效率與鍋爐運行參數(shù)及煤質(zhì)特性之間的關(guān)系，網(wǎng)絡(luò)模型具有良好的泛化能力。
(2)利用DCS系統(tǒng)采集實時數(shù)據(jù)，通過人工神經(jīng)網(wǎng)絡(luò)建立的鍋爐效率模型，運用遺傳算法對這臺鍋爐的氧量及各二次風門開度進行優(yōu)化，優(yōu)化獲得的配風方式為正寶塔配風，與鍋爐熱態(tài)試驗的結(jié)果一致，優(yōu)化結(jié)果能夠用于鍋爐燃燒優(yōu)化調(diào)整。
富通新能源銷售生產(chǎn)生物質(zhì)鍋爐，同時我們還大量銷售木屑顆粒機壓制的楊木木屑顆粒燃料。