CC BY
50
НЕЙРОСЕТЕВОЕ ПРОГНОЗИРОВАНИЕ И УПРАВЛЕНИЕ ЭКСПЛУАТАЦИОННЫМИ ПАРАМЕТРАМИ ПРОЦЕССА ГОРЕНИЯ ТОПЛИВА НА ТЕПЛОВЫХ ЭЛЕКТРИЧЕСКИХ СТАНЦИЯХ
А.Р. МУХУТДИНОВ Казанский государственный энергетический университет
Разработан новый научно-обоснованный подход к экономичному использованию топлива на тепловых электростанциях, основывающийся на использовании искусственных нейронных сетей.
Введение
В настоящее время твердое органическое топливо (уголь) является одним из важных видов сырья для тепловых электрических станций нашей страны, занимая второе место по объему его использования. Поэтому актуальными являются проблемы, связанные с развитием теоретических основ и методов моделирования горения твердого топлива (ТТ) для повышения эффективности промышленных теплоэнергетических установок.
В соответствии с этим, основным объектом исследований в работе является процесс горения ТТ, а его определяющим эксплуатационным параметром в топках тепловых электрических станций - температура продуктов сгорания, от которой зависят надежность и экономичность работы оборудования, образование вредных выбросов в атмосферу и т. д. Процесс горения ТТ является сложным гетерогенным физико-химическим процессом, состоящим из двух стадий: подвода кислорода к поверхности топлива турбулентной и молекулярной диффузией и химической реакции на нем. Химические реакции горения в топочной камере протекают в мощных пылегазовоздушных потоках за чрезвычайно короткое время пребывания (1...2 с) топлива и окислителя в топочной камере. Поэтому скорость химических реакций горения зависит от природы топлива и физических условий: концентрации реагирующего газа на поверхности, температуры и давления. Следовательно, на эксплуатационные параметры процесса горения оказывают влияние условия сложного теплообмена, зависящие от вида топлива, способа его сжигания, конструкции котла, типа и расположения горелок. Условия измерений в топках характеризуются повышенной мощностью излучения факела, неравномерностью полей температуры и скорости продуктов сгорания по объему топки, наличием золовых, шлаковых и сажистых частиц.
Несмотря на наличие мощных систем управления эксплуатационными параметрами теплоэнергетических установок, задача разработки системы с взаимосвязанными контурами регулирования непрерывного процесса по-прежнему остается нерешенной. Одним из перспективных путей решения данной проблемы является применение нейротехнологий, основывающихся на искусственных нейронных сетях (ИНС), обученных сравнению эксплуатационных параметров (состав, дисперсность, влажность и плотность частиц топлива, давление в камере, расход подачи горючего и окислителя и др.) рабочего режима с эксплуатационными параметрами эталонного режима и формированию поправочных сигналов на автоматические регуляторы для приближения рабочих эксплуатационных характеристик к эталонным на основе сравнения.
© А. Р. Мухутдинов
Проблемы энергетики, 2006, № 7-8
В связи с этим целью данной работы является разработка нейросетевого метода прогнозирования и управления эксплуатационными параметрами процесса горения ТТ на теплоэнергетических установках.
Методика исследования
В работе рассматривается возможность использования нейросетевого метода [1] для прогнозирования эксплуатационной характеристики процесса горения ТТ (в частности, температуры). Моделирование эксплуатационных характеристик процесса горения ТТ осуществляется на данных из справочной и научной литературы [2-5] при ряде допущений: режимные условия (коэффициент избытка воздуха а=1; степень рециркуляции г=0,5); физико-химические константы при давлении 0,1013 МПа и температуре 273 К [коэффициент теплопроводности и диффузии 10=2,08*10-5 кВт/(м2*К); b=4,3*10-8 кВт/(м2*К2); .D0=0,18*104 м2/с, теплоемкость газов и частиц сГ=1,46 кДж/(м3*К); сЧ=0,96 кДж/(кг*К)].
Первоначально создается база данных из 15 экспериментов в программном средстве MS Access (см. таблицу).
Таблица
Выборка экспериментальных и справочных данных по влиянию различных входных
параметров на температуру процесса горения ТТ
Рабочая масса топлива
№ п/п р, *1000 кг/м3 Й90, % Состав в % Темпе-
Летучая сера С11 Hp Np Op Влага Wp Зола Ap ратура, К
S p к SоP
1 1,42 22 0,25 0,25 25,46 3,3 1,5 1,9 9 14,5 1623
2 1,45 12 0,3 0,3 28,41 3,5 1,6 1,7 6 12,2 1661
3 1,46 11 0,3 0,3 26,77 4,7 2,2 6,4 8,5 10,1 1594
4 1,37 21 0,25 0,25 26,48 3,2 1,6 3,3 7 15 1586
5 1,45 12 0,3 0,3 28,43 4,6 2,2 3,2 6,2 12,5 1665
6 1,44 14 0,25 0,25 26,21 4,8 2,2 3,5 6,1 8,3 1640
7 1,41 19 0,25 0,25 25,46 4,5 1,7 3 9 14,5 1623
8 1,4 16 0,3 0,3 28,12 4,8 2,2 4,2 6,6 9 1669
9 1,41 18 0,3 0,3 24,65 5 1,8 5,6 8 16 1603
10 1,35 25 0,3 0,3 25,29 5,1 2 6,3 7,5 14 1619
11 1,4 20 0,2 0,2 27,00 5,3 2,3 7 7,5 10 1659
12 1,44 13 0,3 0,3 25,83 4,9 1,8 5,2 7,5 15 1636
13 1,36 24 0,25 0,25 26,50 4,8 2,3 3,4 6 7,5 1645
14 1,45 11 0,25 0,25 28,76 4,7 2,2 3,3 6 9,5 1673
15 1,42 17 0,3 0,3 27,97 4,7 2,1 3,3 6 12 1661
Примечание: Район месторождения - Кузнецкий бассейн, Кемеровское месторождение; марка угля - «Слабоспекающийся»; индекс «р» - обозначает рабочее топливо; р - плотность частиц горючего; К90 - дисперсность частиц горючего; Ар - зола; 'р - влага; Ор - кислород; № - азот; __________Нр - водород; Ср - углерод, 8„р - органическая сера; 8кр - колчеданная сера_
Значения экспериментальных данных вводятся без предварительного отсева экспериментов, в которых по температуре получен разброс. Эта база данных помещается в программную среду разработки для создания ИНС, т.е. определяются входные и выходные данные, ее структура (рис. 1). Входными
данными являются характеристики топлива: состав, плотность частиц,
фракционный состав. Выходным параметром является температура.
Производится обучение заданной ИНС по заложенному алгоритму, тестирование обученной сети. Необходимо отметить, что ИНС обучается также сравнению эксплуатационных входных параметров рабочего режима с эксплуатационными входными параметрами эталонного режима и формированию поправочных сигналов на автоматические регуляторы для приближения рабочих эксплуатационных характеристик к эталонным на основе сравнения. В процессе работы производился выбор оптимальной структуры нейронной сети и метода оптимизации.
Рис. 1. Схема ИНС
Стендовая установка нейросетевого управления температурой (рис. 2) состоит из блока адаптивного управления (БАУ) на основе ИНС (на программном или аппаратном уровне); персональной электронно-вычислительной машины (ПЭВМ); водяной бани (ВБ); электрической печи (ЭП); заслонки (З); вентилятора (В); теплоносителя (Т); датчика температуры (ДТ); датчика давления (ДД); датчика частоты вращения (ДЧ); автоматического регулятора напряжения (АРН); автоматического регулятора расхода (АРР). Для определения работоспособности предлагаемой системы управления проводились испытания на интеллектуальных датчиках фирмы Dallas Semiconductor. Принцип действия системы: БАУ (мастер сети) посылает запрос датчикам и получает на него ответ. Далее БАУ с помощью ИНС сравнивает эксплуатационные характеристики (температура теплоносителя и водяной бани, давление в трубопроводе, частоту вращения вентилятора) рабочего режима, поступающие с цифровой шины в виде входных сигналов (на рис. 2 обозначены пунктирной линией), с
эксплуатационными характеристиками эталонного режима. При условии несовпадения параметров рабочего режима с эталонными, ИНС формирует поправочные сигналы на автоматические регуляторы (АРН и АРР) для приближения рабочих эксплуатационных характеристик к эталонным на основе сравнения. Другими словами, ИНС самостоятельно по обученным выборкам определяет причину изменения выходного эксплуатационного параметра -температуры теплоносителя. Результат выводится на экран ПЭВМ. Рассматриваемая система сбора, анализа и управления информацией
основывается на ИНС и на перспективных однопроводных каналах связи, специальном однопроводном протоколе обмена и целой серии датчиков и устройств (адаптер ML97U-009, пр.), поддерживающих однопроводный интерфейс.
Рис. 2. Функциональная схема нейросетевого управления температурой
Основные результаты
Предложен и обоснован вариант программно-аппаратной реализации нейросетевого прогнозирования и управления эксплуатационными параметрами процесса горения топлива на тепловых электростанциях. Предложен алгоритм сбора, обработки и регулирования эксплуатационных параметров процесса горения топлива с использованием ИНС и построена система нейросетевого управлениями. Разработана методика на основе ИНС для моделирования и управления параметрами процесса горения ТТ, установлены особенности показателей значимости входных данных и соответствия их закономерностям процесса горения ТТ. Оптимизирована структура нейронной сети на основе метода сопряжены градиентов, т.е. установлено оптимальное количество слоев - 3 и количество нейронов в слоях: 9; 19; 1. Тестирование показало более высокую точность прогноза температуры (средняя ошибка составляет 0,079, а максимальная - 0,086) по сравнению с традиционными методами
прогнозирования, что обеспечивается нейросетевой технологией после 2367 циклов обучения. Стендовыми испытаниями (на примере простейшей схемы (рис. 2) управления температурой) подтверждена работоспособность предлагаемой системы управления процессом горения ТТ.
Обсуждение результатов
Рассматриваемая система управления температурой, характеризующаяся совокупностью x(t) и y(t) (где x(t) - входное управляющее воздействие, а y(t) -выходной параметр системы в момент времени t), основывается на расчетных и экспериментальных данных (см. таблицу) - примерах (case-based) для настройки адаптивной системы на базе ИНС. Цель - управление температурой - достигается системой за счет расчета такого входного воздействия x(t), при котором система следует по требуемой траектории, диктуемой эталонной моделью ИНС.
Достоинствами предлагаемой системы управления являются: возможность использования большой номенклатуры взаимозаменяемых аппаратных средств (датчиков и пр.), однопроводного интерфейса; возможность работы без внешнего источника питания; гибкая топология сетей сбора информации; возможность организации беспроводной сети на основе автономных энергонезависимых датчиков-накопителей информации.
Возможность определения показателей значимости входных данных позволяет установить входной параметр, оказывающий максимальное влияние на выходной параметр. Значимость показателей представлена списком по убыванию: содержание влаги; содержание водорода; дисперсность частиц топлива; содержание азота; содержание углерода; содержание колчеданной серы; плотность частиц топлива; содержание кислорода; содержание органической серы. Влияние входных параметров на выходной (температура) - закономерно, хорошо согласуется с литературными и экспериментальными данными. Так, содержание влаги оказывает большее влияние на температуру, чем химические компоненты состава ТТ. Влияние дисперсности частиц топлива намного выше, чем их плотность, что, естественно, связано с удельной поверхностью частиц топлива.
Таким образом, в работе апробирована разработанная методика на основе ИНС для решения задач прогнозирования значения температуры и управления его величиной с использованием интеллектуального программного модуля. Изучена возможность прогнозирования температуры на основе вводимых в программное средство данных: о твердом топливе (соотношение компонентов состава, дисперсность и плотность частиц топлива), конструктивных особенностях котельных установок; об окружающих условиях. Показана возможность прогнозирования и управления другими эксплуатационными параметрами процесса горения ТТ: зольностью, теплотворной способностью и др.
Выводы
Разработана методика нейросетевого моделирования и управления
эксплуатационными параметрами процесса горения ТТ. Показано решение задачи распознавания отклонений от заданных режимов и управления
эксплуатационными параметрами процесса горения ТТ на тепловых электрических станциях. Показано, что использование нейронных сетей для моделирования горения ТТ в теплоэнергетических установках — это новое и перспективное направление, позволяющее прогнозировать и управлять
эксплуатационными параметрами процесса.
Summary
The new scientifically-grounded approach to economic use of fuel on the thermal power stations, based on use artificial neuro - networks is developed.
Литература
1. Мухутдинов А.Р., Вахидова З.Р., Тахавутдинов Р.Г. Компьютерное прогнозирование эксплуатационных характеристик твердых топлив с использованием интеллектуальных систем // Известия вузов. Проблемы
энергетики. - Казань: Изд-во КГЭУ. - 2006. - №1-2. - С.85-90.
2. Щеголев М. М. Топливо, топки и котельные установки. - М.: Государственное издательство литературы по строительству и архитектуре, 1953. ■ 544 с.
3. Петашвили О. М., Цибиногин О. Г. Измерение температуры продуктов сгорания. - М.:Энергоатомиздат, 1984. - 112 с.
4. Хзмалян Д. М., Каган Я. А. Теория горения и топочные устройства: Учеб. пособие для студентов высших учебных заведений. - М.: «Энергия», 1976. - 488 с.
5. Энергетическое топливо СССР: Справочник / Под ред. Т.А. Зикеева. ■ М.: «Энергия», 1968. - 112 с.
Поступила 23.05.2006
