專利名稱：基于人工神經網絡原理的鍋爐受熱面智能吹灰方法
技術領域：
本發(fā)明涉及鍋爐受熱面吹灰技術領域，尤其涉及一種基于人工神經網絡原理的鍋爐受熱面智能吹灰方法。
背景技術：
在我國火力發(fā)電機組中，隨著燃煤量的不斷增加和劣質煤的大量使用，有相當一部分存在著不同程度的爐膛結焦問題，輕者使其受熱面?zhèn)鳠岵涣?，降低鍋爐的出力和熱效率，增加NOx排放等；嚴重時爐膛結焦，在高溫對流過熱器的管子上搭橋，破壞爐內的空氣動力場，使爐內燃燒工況惡化，迫使機組降負荷運行，更甚者如大塊灰渣同時落下，還會造成鍋爐保護動作導致停爐或砸壞冷灰斗，導致被迫停爐甚至可能造成爐膛爆炸事故，嚴重影響發(fā)電機組的安全運行。同時，鍋爐尾部受熱面積也經常出現(xiàn)嚴重積灰，影響傳熱和煙氣的流通，尤其是通道截面較小的對流受熱面，甚至會堵塞煙氣的通道，造成排煙溫度升高、引風機電流急劇上升，以致鍋爐出力降低，甚至被迫停爐。因此，電站鍋爐大部分都配置了吹灰系統(tǒng)對爐膛結焦和尾部受熱面積灰進行吹掃。常用的吹灰方式有蒸汽吹灰、脈沖吹灰、振打吹灰及聲波吹灰等。目前，電站吹灰系統(tǒng)普遍采用定時全面對鍋爐各個受熱面進行吹掃的運行方式，這種吹灰方式雖然簡單易行，卻存在著很大的盲目性和不少的問題。鍋爐各受熱面的積灰、結渣過程受許多因素的影響，遠不是與時間成線性的關系。定時全面吹灰可能導致一部分受熱面因為被過度吹掃，管壁外層氧化膜遭到頻繁破壞，增大了金屬的磨損量，容易引發(fā)管壁泄漏事故；或者因吹灰、吹渣不及時或不足，造成排煙溫度升高，甚至造成鍋爐結大渣，引發(fā)鍋爐掉焦滅火事故，嚴重影響鍋爐安全經濟運行。

發(fā)明內容
針對現(xiàn)有技術存在的問題，本發(fā)明的目的在于提供一種基于人工神經網絡原理，有針對性地對受熱面具體部位吹灰、吹渣，既能提高電站鍋爐熱效率、又能節(jié)約運行成本的鍋爐受熱面智能吹灰方法。為實現(xiàn)上述目的，本發(fā)明基于人工神經網絡原理的鍋爐受熱面智能吹灰方法，具體為I)根據(jù)受熱面溫度與當?shù)鼐植繜崃鞔嬖谝灰粚P系，為了獲得鍋爐受熱面熱流，在鍋爐受熱面各部分別設置溫度檢測點，并把所測量的溫度數(shù)據(jù)作為BP神經網絡的輸入端檢測變量；2)由于受熱面熱流受到鍋爐運行條件的影響，把鍋爐運行數(shù)據(jù)采集系統(tǒng)的DAS數(shù)據(jù)作為BP神經網絡的輸入端條件變量；3)采用具有高度非線性映射能力的計算模型-BP (Back propagation)神經網絡，來模擬計算鍋爐受熱面灰污系數(shù)；BP神經網絡以鍋爐運行DAS數(shù)據(jù)和鍋爐受熱面溫度檢測數(shù)據(jù)作為輸入，以鍋爐各受熱面灰污系數(shù)λ i作為輸出?；椅巯禂?shù)λ i定義為
Qi為鍋爐實際運行時某一受熱面處的熱流，受熱面溫度與當?shù)鼐植繜崃鞔嬖谝灰粚P系，依據(jù)檢測獲得的受熱面溫度，通過神經網絡模擬獲得;qoi為鍋爐受熱面潔凈時的熱流，該值可以通過鍋爐熱力計算獲得；4)通過溫度檢測數(shù)據(jù)和DAS數(shù)據(jù)，把爐內受熱面監(jiān)測到的一些工況下的爐內局部熱流作為樣本點，利用人工神經網絡原理，對網絡進行訓練，得出各種工況下爐內受熱面各部的局部熱流和灰污系數(shù)，并對各部受熱面的灰污系數(shù)設定閥值；5)利用已訓練好的人工神經網絡，監(jiān)測受熱面積灰和結渣，當某受熱面灰污系數(shù)超過一閥值時，系統(tǒng)即自動判定該受熱面已積灰或結焦嚴重，開始對其進行吹渣、吹灰。進一步，所述步驟I)中鍋爐內的受熱面包括水冷壁和對流受熱面。進一步，所述步驟I)中通過在受熱面設置溫度檢測點，實時測得爐內各部位的局部實際熱流。進一步，所述步驟2)中DAS數(shù)據(jù)包括負荷(蒸汽流量)、壓力、進風量、風溫、煤量、煤值、燃燒器投運方式、對流受熱面進口煙溫。進一步，所述BP神經網絡由三層神經元組成，具有一個輸入層，一個輸出層和一個隱含中間層。進一步，所述人工神經網絡的訓練過程為依據(jù)傳熱學原理計算各受熱面的熱流，同時測得潔凈的受熱面溫差，以此作為學習樣本，依據(jù)BP神經網絡自學習能力，通過不斷調整輸入層與隱含層之間的權重因子以及隱含層與輸出層之間的權重因子，達到訓練網絡的目的。本發(fā)明采用智能方式除灰，避免了定時吹灰的缺陷，同時達到節(jié)能的目的。


圖1為水冷壁溫度監(jiān)測示意圖；圖2為鍋爐受熱面灰污系數(shù)模擬計算人工神經網絡框圖。
具體實施例方式下面，參考附圖，對本發(fā)明進行更全面的說明，附圖中示出了本發(fā)明的示例性實施例。然而，本發(fā)明可以體現(xiàn)為多種不同形式，并不應理解為局限于這里敘述的示例性實施例。而是，提供這些實施例，從而使本發(fā)明全面和完整，并將本發(fā)明的范圍完全地傳達給本領域的普通技術人員。為了易于說明，在這里可以使用諸如“上”、“下” “左” “右”等空間相對術語，用于說明圖中示出的一個元件或特征相對于另一個元件或特征的關系。應該理解的是，除了圖中示出的方位之外，空間術語意在于包括裝置在使用或操作中的不同方位。例如，如果圖中的裝置被倒置，被敘述為位于其他元件或特征“下”的元件將定位在其他元件或特征“上”。因此，示例性術語“下”可以包含上和下方位兩者。裝置可以以其他方式定位(旋轉90度或位于其他方位)，這里所用的空間相對說明可相應地解釋。本發(fā)明基于人工神經網絡原理的鍋爐受熱面智能吹灰方法，具體為
I)根據(jù)受熱面溫度與當?shù)鼐植繜崃鞔嬖谝灰粚P系，為了獲得鍋爐受熱面熱流，在鍋爐受熱面各部分別設置溫度檢測點，并把所測量的溫度數(shù)據(jù)作為BP神經網絡的輸入端檢測變量，鍋爐內的受熱面包括水冷壁和對流受熱面；2)由于受熱面熱流受到鍋爐運行條件的影響，把鍋爐運行數(shù)據(jù)采集系統(tǒng)的DAS數(shù)據(jù)作為BP神經網絡的輸入端條件變量，DAS數(shù)據(jù)包括負荷(蒸汽流量)、壓力、進風量、風溫、煤量、煤值、燃燒器投運方式、對流受熱面進口煙溫等；3)采用具有高度非線性映射能力的計算模型-BP (Back propagation)神經網絡，來模擬計算鍋爐受熱面灰污系數(shù)；BP神經網絡以鍋爐運行DAS數(shù)據(jù)和鍋爐受熱面溫度檢測數(shù)據(jù)作為輸入，以鍋爐各受熱面灰污系數(shù)λ i作為輸出。灰污系數(shù)λ i定義為
權利要求
1.基于人工神經網絡原理的鍋爐受熱面智能吹灰方法，其特征在于，該方法具體為1)根據(jù)受熱面溫度與當?shù)鼐植繜崃鞔嬖谝灰粚P系，為了獲得鍋爐受熱面熱流，在鍋爐受熱面各部分別設置溫度檢測點，并把所測量的溫度數(shù)據(jù)作為BP神經網絡的輸入端檢測變量；2)由于受熱面熱流受到鍋爐運行條件的影響，把鍋爐運行數(shù)據(jù)采集系統(tǒng)的DAS數(shù)據(jù)作為BP神經網絡的輸入端條件變量；3)采用具有高度非線性映射能力的計算模型-BP(Back propagation)神經網絡,來模擬計算鍋爐受熱面灰污系數(shù)；BP神經網絡以鍋爐運行DAS數(shù)據(jù)和鍋爐受熱面溫度檢測數(shù)據(jù)作為輸入，以鍋爐各受熱面灰污系數(shù)λ i作為輸出?；椅巯禂?shù)λ i定義為
2.如權利要求1所述的基于人工神經網絡原理的鍋爐受熱面智能吹灰方法，其特征在于，所述步驟I)中鍋爐內的受熱面包括水冷壁和對流受熱面。
3.如權利要求1所述的基于人工神經網絡原理的鍋爐受熱面智能吹灰方法，其特征在于，所述步驟I)中通過在受熱面設置溫度檢測點，實時測得爐內各部位的局部實際熱流。
4.如權利要求1所述的基于人工神經網絡原理的鍋爐受熱面智能吹灰方法，其特征在于，所述步驟2)中DAS數(shù)據(jù)包括負荷(蒸汽流量)、壓力、進風量、風溫、煤量、煤值、燃燒器投運方式、對流受熱面進口煙溫。
5.如權利要求1所述的基于人工神經網絡原理的鍋爐受熱面智能吹灰方法，其特征在于，所述BP神經網絡由三層神經元組成，具有一個輸入層，一個輸出層和一個隱含中間層。
6.如權利要求1所述的基于人工神經網絡原理的鍋爐受熱面智能吹灰方法，其特征在于，所述人工神經網絡的訓練過程為依據(jù)傳熱學原理計算各受熱面的熱流，同時測得潔凈的受熱面溫差，以此作為學習樣本，依據(jù)BP神經網絡自學習能力，通過不斷調整輸入層與隱含層之間的權重因子以及隱含層與輸出層之間的權重因子，達到訓練網絡的目的。
全文摘要
本發(fā)明公開了一種基于人工神經網絡原理的鍋爐受熱面智能吹灰方法，該方法具體為，采用具有高度非線性映射能力的計算模型—BP神經網絡，通過溫度檢測數(shù)據(jù)和鍋爐DAS數(shù)據(jù)，利用人工神經網絡原理，對網絡進行訓練，模擬計算鍋爐受熱面灰污系數(shù)，并將訓練好的吹灰人工神經網絡用于實時監(jiān)測受熱面積灰和結渣，當監(jiān)測到某受熱面灰污系數(shù)超過一閥值時，系統(tǒng)即自動判定該受熱面已積灰或結焦嚴重，開始對其進行吹渣、吹灰。本發(fā)明由于采用智能方式除灰，避免了定時吹灰的缺陷，同時達到節(jié)能的目的。
文檔編號F23J3/00GK103062781SQ201310006298
公開日2013年4月24日 申請日期2013年1月8日 優(yōu)先權日2013年1月8日
發(fā)明者余立新 申請人:北京世紀源博科技股份有限公司