基于人工神经网络的火电厂燃煤锅炉燃烧优化方法

黄祖光，胡海舰，徐 杰，徐会咏，吉 喆，李晓明

（江西省新余市分宜县双林镇分宜发电厂，江西 新余 338000）

0 引 言

在新时代的背景之下，我国社会的各个行业得到了充分的发展，尤其是工业锅炉领域，相关的技术更是一再创新、优化，在各个方面利好因素的持续性驱动下，相关产业也保持着稳步扩张[1]。火电厂燃煤锅炉通常情况下会采用层级单相燃烧的形式实现日常的工作，考虑到燃烧的速度以及实际的效果，在这个过程之中，也会涉及部分的辅助燃烧装置与结构，扩大实际的燃烧范围，以此来进一步确保最终的处理结果[2]。这种燃烧模式虽然可以实现预期的工作目标，但是在实际应用的过程中，常常会出现不同程度的问题和缺陷，影响工作的整体效率。再加上最近几年，随着人们生活水平的提高以及燃烧标准的变化，对于火电厂燃烧工作的要求也在逐年发生着变化，部分火电厂采用的传统方式已经无法满足目前的需求[3]。

在上述的发展环境之中，需要对火电厂燃煤锅炉燃烧方法作出进一步的优化和完善[4]。人工神经网络实际上是一种连接模型，主要模仿动物神经的行为特征，结合网络的具体变化需求，调整网络的复杂程度，以及内部控制结构的连接的关系，最终达到数据信息处理的目的[5]。本文会在较为真实的背景之下，结合人工神经网络技术，构建更加灵活、多变的燃烧模式，在部分细节处对燃烧环节加以优化，逐渐形成高效、节能、低污染的工业锅炉燃烧模式，为后续智能化、信息化燃烧工作的发展奠定基础条件。

1 人工神经网络下火电厂燃煤锅炉燃烧优化方法

1.1 人工神经网络下燃烧数据预处理

与传统的燃烧方式不同的是，人工神经网络会将所有的数据转换成指令或者程序，形成一整套更加完整、精准的处理程序，一定程度可以提升火电厂的工作效率与质量[6]。所以，可以结合互联网以及大数据处理技术，对获取的数据预处理[7]。

由于火电厂通常采用模型计算，因此可以采用基础的核定计算模型，设定异常值的标准，结合电力需求的变化，构建火电厂输入量与被输入量之间的均衡关系[8]。本文以2×660 MW机组作为研究的对象，在这个环境之下，可以先计算出神经异常波动率，具体如公式（1）所示：

式中，K表示神经异常波动率；i表示波动次数；z表示单元波动值；j表示相似度；V表示燃烧间隔时间。通过上述计算，最终可以得出实际的神经异常波动率。根据神经异常波动率可以了解到具体的稳态波形情况，通过人工神经网络技术绘制成具体的图像，观察是否处于稳定的状态，同时设定锅炉机组的稳态蒸发量，并明确对应的最大允许波动范围。设置燃烧相似度函数，为后续的燃烧优化提供依据。

1.2 锅炉效率核算

在完成对人工神经网络下燃烧数据预处理之后，核算锅炉的具体效率。考虑到锅炉效率优化的目标，需要制定实时计算结构，提出锅炉有效输出、输入热量的计算方式，与传统的计算方式相对比，实时性更强一些。通常情况下，需要先设定基础的指标参数，烟气流量控制在150.23～345.55 kJ/（m3·℃），燃烧时间控制在20～35 s即可，可以通过温度控制器加强对燃烧温度的掌控，根据锅炉的固体不完全燃烧热损失情况，计算出平均定压比热，具体如公式（2）所示：

式中，B表示平均定压比热；o表示飞灰含碳量；f表示原煤量耗用量；S表示高位热值。通过上述计算，最终可以得出实际的平均定压比热，结合得出的数值，划定具体的锅炉运行区域范围，将燃烧原煤的数量与所产生的能耗作出对应的转换，使两者之间形成近似正比的关系，至此，完成了对锅炉效率的核算与控制。

1.3 人工神经网络交互优化模型构建

在完成对锅炉效率的核算之后，构建人工神经网络交互优化模型。根据上述的处理，对基础的燃烧结构作出调整，结合人工神经网络，构建交互优化结构，具体如图1所示。

图1 人工神经网络交互优化结构图示

根据图1，可以完成对人工神经网络交互优化结构的构建。随机采集人工神经的网络单元集，测定计算出燃煤锅炉的漏风系数，构建交互燃烧标准，具体如公式（3）所示：

式中，M表示漏风系数；l表示低位热值比；W表示锅炉运行氧量；a表示交互神经控制误差。通过上述计算，最终可以得出实际的漏风系数。依据得出的漏风系数，对锅炉在燃烧时的状态作出交互调整，形成具体的标准，与结构共同设定在模型之中，完成人工神经网络交互优化模型的构建。

1.4 遗传算法改进完成燃煤锅炉燃烧的优化处理

在完成对人工神经网络交互优化模型的构建之后，接下来，采用遗传算法改进来实现燃煤锅炉燃烧的优化处理。根据人工网络的逆向处理控制，设定具体的燃烧优化矩阵，并结合优化极限标准计算出交叉递进概率，如公式（4）—（6）所示：

式中，N、L、U表示交叉递进概率；E表示燃烧时效；q表示飞灰含碳量差异值。通过上述计算，最终可以得出实际的交叉递进概率。将其设定在交互优化模型之中，改变预设的人工网络执行优化结构，形成多层级、多目标的神经元，促使燃煤锅炉在不同的环境之下，可以实现更为高效、高质量的燃烧处理。

2 方法测试

本次主要是对人工神经网络下火电厂燃煤锅炉燃烧优化效果进行分析与验证。选取F火电厂作为测试的主要目标对象，同时结合实际的优化标准与规定，在合理的范围之内，完成燃烧模式的优化。考虑到最终测试结果的稳定性和可靠性，需要采用3种方法作对比测试，第一种为传统的煤粉锅炉燃烧方法，将其设定为传统煤粉锅炉燃烧优化测试组；第二组为传统的机器学习锅炉燃烧方法，将其设定为传统机器学习锅炉燃烧测试组；第三组为本文所设计的优化方法，将其设定为人工神经网络锅炉燃烧测试组。3种方法在相同的测试环境中测定，最终的测试结果以对比的形式测定。接下来，进行相关的测试准备。

2.1 测试准备

在对人工神经网络下火电厂燃煤锅炉燃烧优化效果进行分析与验证之前，为了保证测试结果的精准与稳定，需要搭建相应的测试环境。对火电厂的基础指标以及对应参数作出设定，选择2×660 MW的机组作为目标的测试机组。随后，设定火电厂的电压范围在2 200 V～2 600 V，额定电流为1 600 A，除此之外，还需要进行BP－ANN精度数值的归纳，具体如表1所示。

表1 BP－ANN精度数值归纳预设表

式中，G表示燃煤锅炉的单元燃烧速度；e表示辨识距离；b表示燃烧范围值，通过上述计算，最终可以完成对单元燃烧速度的计算，根据得出的单元燃烧速度。将F火电厂的燃烧区域划定为4个测试组，将燃烧的标准与环境调整一致。

根据上述测定基础，随后，对相关的燃烧过程以及环节作出制定与更改。一般会将各个流程根据处理的类型划分，同时，调整参数，形成燃烧建模，进行模拟测定，实施于日常的燃烧任务之中，最终完成燃烧目标。但是这种方式存在一定的弊端，对于部分流程的控制能力会相对较弱一些，导致极易出现误差，影响最终的处理优化结果。所以，需要结合人工神经网络，构建智能化的高效控制程序。

日常的执行环节依据顺序编制成一整套的程序，设定在控制平台之中，设定网络训练环境，选取燃烧目标任务，形成训练集的同时，作出初始测定。确保飞灰含碳量与煤质标准处于一致的状态后。核定测试的设备与装置是否处于稳定的运行状态，并确保不存在影响最终测试结果的外部因素，核定无误后，开始具体的测试。

2.2 测试过程及结果分析

在上述所搭建的测试环境之中，结合人工神经网络，进行具体的优化处理。首先，将测试集与训练集的优化比例划定为6：4，结合F火电厂的日常执行情况，在相同的排烟温度下，计算出均方根燃烧误差，具体如式（8）所示：

式中，Y表示均方根燃烧误差；R表示基础燃烧速度；g表示飞灰含碳量。通过上述计算，最终可以得出实际的均方根燃烧误差。将核定出的误差作为实际的极限标准以指令的形式设定在控制平台之中，设定介于输入层与隐层之间的神经元控制矩阵，根据燃烧量子的活化值变化情况，可以获取对应的变化激励函数，计算出活化权值，具体如式（9）所示：

式中，T表示活化权值；y表示隐藏向量；w表示阈值向量。通过上述计算，最终可以得出实际的活化权值。对人工神经网络作出调整，并在平台中建立基础隐藏神经元控制层级，具体如图2所示。

图2 基础隐藏神经元控制层级结构图示

根据图2，可以完成对基础隐藏神经元控制层级结构的建立。随后，依据训练集和测试集的划分比例，简化F火电厂的燃烧区域作出对应的测试划定。根据均方根燃烧误差，明确具体的控制位置。

由于标准的变化，需要对各个燃烧环节进行调整与更改，采用量子蜂群结构以及人工神经网络，实现F火电厂燃煤锅炉的燃烧优化处理。将燃烧的热任务初始化，作为一个处理个体，根据种群的单元规模，采用3种方法核定锅炉的实际蒸发量，具体如式（10）所示：

式中，M表示实际蒸发量；m额定蒸发比值；c表示允许出现的极限差值。通过上述计算，最终可以、得出实际的蒸发量，得出测试的结果，进行具体的对比分析，如表2所示。

表2 实际蒸发比对比分析表

根据表2，可以完成对测试结果的对比分析。在不同的时刻环境下，与两种传统方法对比，本文所设计的人工神经网络锅炉燃烧测试组最终得出的实际蒸发比相对较高，表明其燃烧的速度与质量更佳，具有实际的应用价值。

3 结 论

根据上述分析验证，便是对基于人工神经网络的火电厂燃煤锅炉燃烧优化方法的设计与构建。与传统的锅炉燃烧方法相对比，本文所构建的人工神经网络辅助燃烧方法相对更加灵活、多变，在面对复杂环境下的燃烧工作时，结合智能化的控制管理结构，在合理的范围之内，加快锅炉的燃烧速度以及质量。与此同时，依据对应的燃烧优化需求，开展工业燃煤锅炉的冷热态模拟处理，增加燃烧优化的工业性以及合理性，再加上人工神经网络技术的扶持，进一步提升了在线实时建模和优化工作的效果，完成全面改进的同时，提升自动辨别能力，逐步完成多目标的火电厂燃煤锅炉燃烧优化，为后续的施工处理提供理论依据。