基于广义回归神经网络预测入炉煤发热量

2022-09-11

电厂入炉煤煤质对燃烧有重要影响, 煤中灰分含量直接影响发热量的大小, 而发热量又直接影响着炉膛的温度水平。煤质变差时, 运行人员往往在较高负荷都开始投油枪运行, 能源耗费巨大。现在受煤炭市场制约, 国内绝大多数火电厂都无法燃烧设计煤种, 不得已购买小窑煤, 有的电厂一天来煤要涉及十多个矿点, 购煤渠道多, 导致入厂煤煤质频繁变化, 给运行人员调整燃烧带来很大压力。炉内煤粉燃烧过程处于“不透明”状态, 运行人员只能凭经验操作, 给锅炉安全稳定运行带来隐患。当天的煤质化验结果运行人员往往要推迟一天才能知道, 因此, 通过对煤质发热量的预测研究, 能够给电厂相关技术人员一定程度上的指导。

从煤的工业分析成份出发, 煤中水份、灰份和挥发份对发热量有较大影响。已有不少文献分析了煤的工业分析成份与发热量的经验公式[1~3], 这些经验公式只能局限用于某一矿点, 通用性不强。广义回归神经网络 (GRNN) 是径向基函数神经网络的一种, 具有可以逼近任意非线性映射的能力, 并且网络结构简单。本文运用广义回归神经网络 (GRNN) 对煤质发热量进行了预测分析。

1 广义回归神经网络 (GRNN)

广义回归神经网络 (GRNN) 是径向基函数神经网络的一种, 具有一个径向基层和一个特殊的线性层, 参见图1。输入层节点传递输入信号到隐层, 隐层节点函数一般为高斯函数, 输出层节点通常是简单的线性函数。隐层节点中的作用函数 (基函数) 对输入信号将在局部产生响应, 当输入信号靠近基函数的中央范围时, 隐层节点将产生较大的输出, 所以GRNN具有极强的局部逼近能力[4]。

Matlab神经网络工具箱中有现成的广义回归神经网络调用函数, 调用语句为:n e t=n e w g r n n (P, T, s p r e a d) 。其中, 函数newgrnn () 是建立一个广义回归神经网络, spread是散布常数, 其大小与网络的输出有很大关系。如果散布常数越大, 则网络所覆盖的输入区域越大, 如果散布常数越小, 径向基函数曲线就要相对陡一些, 接近输入向量的权值相对应的神经元输出比其他神经元输出大得多, 网络输出自然就更接近期望值。一般来说, 散布常数越大, 径向基函数曲线的倾斜度越小, 与输入向量有关的神经元就越多[5]。

2 应用广义回归神经网络 (GRNN) 预测发热量

从煤的工业分析成份出发, 选取:外水份, 内水份, 灰份, 挥发份, 固定碳五项作为神经网络的样本输入, 发热量作为神经网络输出。神经网络源程序利用MATLAB神经网络工具箱中的现成函数[6], 采用广义回归神经网络MATLAB程序调用newgrnn () 函数。煤质数据来源于某厂入炉煤报表数据, 训练前先对样本进行统一归一化处理。调用newgrnn () 函数, 关键是散布常数的合理选取, 经过程序调试, 选取散布常数0.1误差较小。选取了25组样本数据对网络进行训练, 参见表1。

网络预测输出选取了6组样本, 预测结果参见表2, 绝对误差为预测发热量减去实际发热量, 相对误差为绝对误差与实际发热量的比值。

从表2预测结果可以看出, 训练好的神经网络预测发热量结果是满意的, 最大相对误差1.9%, 最小基本为0, 完全满足工程精度要求。