基于數(shù)據(jù)驅(qū)動(dòng)的灰渣含碳量軟測(cè)量方法研究.pdf

1、在鍋爐的實(shí)時(shí)運(yùn)行中，灰渣含碳量直接反映了煤的利用率也是鍋爐熱效率的一個(gè)重要參考指標(biāo)。大多數(shù)中小型鍋爐運(yùn)行中，由于受測(cè)量手段的限制，只能通過離線燃燒失重法測(cè)量灰渣含碳量的值，該方法耗時(shí)長(zhǎng)、滯后大。難以應(yīng)用這個(gè)參數(shù)對(duì)鍋爐的燃燒進(jìn)行及時(shí)的優(yōu)化調(diào)節(jié)。軟測(cè)量技術(shù)以其實(shí)時(shí)性強(qiáng)和建模方法多樣化等優(yōu)點(diǎn)成為解決這一問題的有效手段之一。鍋爐的燃燒是一個(gè)復(fù)雜的過程，灰渣含碳量與鍋爐的熱工參數(shù)和各個(gè)操作變量之間存在著非線性、強(qiáng)耦合的關(guān)系。
　　本文應(yīng)用較

2、常用的建模方法—多元逐步回歸法對(duì)灰渣含碳量進(jìn)行軟測(cè)量建模，以此方法得到的灰渣含碳量模型是一種線性數(shù)學(xué)表達(dá)式，可以確定進(jìn)入表達(dá)式的輔助變量及具體模型參數(shù)。回歸模型把各個(gè)變量與灰渣含碳量之間的關(guān)系線性化，在特定的區(qū)段基本能反映灰渣含碳量的變化趨勢(shì)。當(dāng)灰渣含碳量超過該區(qū)間范圍時(shí)，該模型的泛化能力較差并無法較吻合的反應(yīng)灰渣含碳量的實(shí)際值。因此把灰渣含碳量與輔助變量之間的關(guān)系線性化是不合適的。神經(jīng)網(wǎng)絡(luò)具有良好的非線性問題處理能力、強(qiáng)大的自學(xué)習(xí)能力

3、，可以利用不同的權(quán)重值表述各個(gè)工藝參數(shù)的權(quán)重，但是對(duì)于建模過程人不可參與;模糊系統(tǒng)可以充分利用經(jīng)驗(yàn)與知識(shí)，建模過程不再是一個(gè)“黑箱”過程。神經(jīng)網(wǎng)絡(luò)與模糊系統(tǒng)之間有著顯著的互補(bǔ)優(yōu)勢(shì)，兩者結(jié)合形成的自適應(yīng)神經(jīng)模糊推理系統(tǒng)ANFIS(Adaptive Neural Fuzzy Inference System)兼?zhèn)淞藘烧叩膬?yōu)點(diǎn)，能夠利用語言信息與數(shù)值信息。利用ANFIS建立灰渣含碳量模型時(shí)，通過對(duì)自變量劃分不同數(shù)量的模糊語言，生成了全面性的規(guī)

4、則庫，并通過機(jī)理分析對(duì)隸屬度函數(shù)進(jìn)行調(diào)節(jié)，使模型的精確度更高適用范圍更廣。通過對(duì)不同模型精確度的對(duì)比可知ANFIS模型的平均絕對(duì)誤差率比神經(jīng)網(wǎng)絡(luò)模型低2.22％，比多元逐步回歸模型低3.06％。因此ANFIS模型更適合對(duì)灰渣含碳量進(jìn)行軟測(cè)量。將ANFIS建立的灰渣含碳量模型應(yīng)用到某大學(xué)的一臺(tái)熱水鍋爐上。根據(jù)灰渣含碳量的在線實(shí)時(shí)軟測(cè)量值優(yōu)化鍋爐的燃燒，灰渣含碳量平均下降了2.45％，提高了煤炭的利用率。因此灰渣含碳量的軟測(cè)量對(duì)鍋爐的燃燒提