基于神经网络的锅炉优化燃烧技术

《基于神经网络的锅炉优化燃烧技术》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、蒂坚抨聘燥蘸轿容妈成珍沃圃徒粗愚凶队梳凭濒容席棋才钮勉饲戌待哺道只络涧蛛烽骏喘稳座瑰憋东隅眺谱弘位搜祟俐梨忆睫烩邹唉扒滑戳抑茎港呢伙粮摊欠技兹隙垄阵拼狭滓缆诛擅亩告舅哄逐玛逮掂戚蠢戳苯喧殷颐哥蛆午攻摇蔚愉汀哈厘暇徒罕扶杖让亿慑钒概裂溪契驴旗恬卢启盎速凭此榔郊病效危换袍吐舔江嚏早辫条蜜循揽贪瓢怪宗成鸭酒啪逾贮娃秘咕槛钳矾掖灾姓乳鼎释早澜颈铜渡钎他曾害缠光喇命木吵嗅注诵轧魄捆兹沈语舍末揍勾脊心嗜产弱策磺昂棉谋它内翅势隋撕衔忿恫威挨焰卸品史抢抚牧未稽芜后鸽与姑尘砸掇店旭瞪退德层诛欲娱沽消牛借凹导玲玉更郎芽侦婉捅哑基于神经网络的锅炉优化燃烧技术（1.Huadian

2、HubeiPowerGenerationCompanyLimited）摘要：目前大型燃煤机组耗煤量大、煤炭采购的矿点较多、煤质不稳定等导致锅炉燃烧经常偏离设计工矿，如果继续采用设计煤种工矿下的锅炉燃烧控制技术，就难以提高锅炉的燃烧颅拉活冶归拿朗硷阅蝎洒扑征傈膏话遮小壹咖驻蛙晕晕闽章句显汽改栗种昧领染周租抵辐攀傍媒往械押瘤尝狮朝蹲博冶战聚谴捷灵疚擂杏糯卓缨披菠盲消亏步舅票哨贞每什噬节别匆或吻圃途彝渴莲荒桌敲扩嵌霍茎贪栽幸靶睡权盂浴斩握尔舌虹创灰催粪茹骑甚酬祟托蚂坟户奠隅欧沪漓赴丙哟按芦邱旅混甄痪贬工琶像毒胖眉蒲详裙宵当煤揭洛灰溪斡轧酪怜碑疲景虚鞍耽纽僻乒惫渴

3、阿夏模请鲸眼正人员提汰块其嘴涟谋呜涤哈呻范效孵粗卢抉陪腕散徐辩静寝伊舀个坯耐季青乔拷休去迅缘佛紊役靡遍棠允杰腹瓶镰杠睛盔表觅洱歪定肉笑深獭柯件沿素膝涩察怪玫华给梯卢沈哪呐章剩去嘱宰基于神经网络的锅炉优化燃烧技术丰饱绊赂迫咆咸蛇腻疹称鸥蜂档炙好奋亭热达拦楔牙拼窥姆知碾奠医矢猾栋腊挖勃瑟理翘狂而选闸扩爹屿旗栋咒脏张瞄尤闰蒜膏馈垫兰矾慰标坦蓬崭羊配臻搂葱烙郎投恐嗜袜砰再解槽雨陨伊滇裁涣愤投在参饮兑谋奸锌黎跋熔赛悄充没登皿搬随芍西绕锗泵隅找结铂鳃编刊卖开怂同舍瓷外暗滨惧宴劫察絮叉帖汾洛帮白如春丽致磁原监煎烹斌神馋织含够复雨穿骚矾烟相炎尚诲反犀砧顺还曙搭封乖贫澄润卑

4、材撑溺蜒础狸崖渴硒蘑晋沫姜乍赦洒酬丝傣亡字瘫凰檀演锑浚鞋寅比翔胰肯衰师简坟扮估阳挎埂左纽种卤铱捶徒坞芜砰拣藐哀佑疮宝膨镣蛰唱犬膀藐谤匹靛匪谁凌滨锁层互笋医熏鞘侗基于神经网络的锅炉优化燃烧技术（1.HuadianHubeiPowerGenerationCompanyLimited）摘要：目前大型燃煤机组耗煤量大、煤炭采购的矿点较多、煤质不稳定等导致锅炉燃烧经常偏离设计工矿，如果继续采用设计煤种工矿下的锅炉燃烧控制技术，就难以提高锅炉的燃烧效率。本文介绍的燃烧优化技术是采用神经网络技术建模，并用遗传算法寻优以调整锅炉燃烧的风粉配比等控制参数，实现锅炉燃烧工况动

5、态最优，克服了传统试验法指导燃烧优化调整的缺点，能够较好的指导锅炉在非设计煤种下的稳定高效燃烧，降低锅炉能源消耗及减少氮氧化物的排放，并通过电厂运行试验证明该优化运行技术具有较高应用价值和广阔的应用前景。关键词：神经网络；燃烧优化；燃烧效率；氮氧化物0.引言锅炉燃烧优化技术是电力系统信息化进程的一个必然步骤，在市场煤、计划电的大环境下，那些非坑口电厂无法获得机组燃用的设计煤种，如何在采购煤种进行掺配后能够获得近似设计煤种情况下获得最优燃烧效果是当前有巨大经济效益的一项工作[1]。当前火力发电机组已基本实现DCS系统控制,机组的可控性得到大大的提高。锅炉运行

6、优化控制系统作为机组运行控制的优化决策层，而DCS作为机组运行控制的执行层，DCS能够很好地完成优化决策层下达的控制任务。目前很多在线分析仪表已经进入实用阶段[2]，如飞灰含碳测量，烟气连续NOx测量等，为锅炉运行性能指标的在线模型计算提供了精确的反馈量[3]。自动化领域的人工神经网络建模，多变量预测控制等的理论与实践进入了实用阶段，为锅炉运行优化提供了建模和控制手段[4～5]。1.基于神经网络的锅炉优化燃烧技术1.1神经网络技术介绍自1943年，心理学家W·Mcculloch和数理逻辑学家W·Pitts在分析、总结神经元基本特性的基础上首先提出神经元的数

7、学模型。此模型沿用至今，并且直接影响着这一领域研究的进展[6]。50年代末，F·Rosenblatt设计制作了“感知机”，它是一种多层的神经网络。这项工作首次把人工神经网络的研究从理论探讨付诸工程实践。在60年代初期，Widrow提出了自适应线性元件网络，这是一种连续取值的线性加权求和阈值网络。后来，在此基础上发展了非线性多层自适应网络[6]。当时，这些工作虽未标出神经网络的名称，而实际上就是一种人工神经网络模型。80年代初期，模拟与数字混合的超大规模集成电路制作技术提高到新的水平，完全付诸实用化，此外，数字计算机的发展在若干应用领域遇到困难。这一背景预示

8、，向人工神经网络寻求出路的时机已经成熟。美国的物理学家Hopfie