CC BY
33
УДК 539.3
ПРИМЕНЕНИЕ НЕЙРОСЕТЕВОЙ ОПТИМИЗАЦИИ ПРОЦЕССА СЖИГАНИЯ ТВЕРДОГО ТОПЛИВА В ТЕПЛОЭНЕРГЕТИЧЕСКИХ УСТАНОВКАХ ДЛЯ СНИЖЕНИЯ ВРЕДНЫХ ВЫБРОСОВ
ВАХИДОВА З.Р.*, МУХУТДИНОВ А.Р.**
'Казанский (Приволжский) федеральный университет Казанский государственный энергетический университет
В данной статье показана нейросетевая оптимизация процесса сжигания твердого топлива на теплоэнергетических установках с целью минимизации вредных выбросов в атмосферу.
Ключевые слова: оптимизация, эксплуатационные параметры, искусственная нейронная сеть.
Введение
Известно, что теплоэнергетические установки электростанций являются крупными источниками загрязнения атмосферы. При сжигании твердого топлива (ТТ) образуются токсичные продукты сгорания: оксид азота, углерода и серы. С ростом энергопотребления увеличиваются их выбросы в атмосферу. В настоящее время действующие методы оценки влияния стабильности процесса сжигания ТТ на образование вредных выбросов в атмосферу либо неэффективны, либо слишком дороги и требуют много времени. Поэтому проблему негативного воздействия энергетики на окружающую среду можно решить оптимизацией процесса горения ТТ. В связи с этим актуальным является решение задачи минимизации образования вредных выбросов за счет нейросетевой оптимизации процесса сжигания ТТ на энергетической установке. Эта задача относится к классу, не имеющему простого аналитического решения. Кроме того, сложность необходимых вычислений экспоненциально возрастает при увеличении количества входных параметров. Одним из возможных решений является построение гибкой математической модели на основе искусственных нейронных сетей (ИНС), функционирование которой определено конечным числом параметров. Поэтому использование нейросетевых алгоритмов в задачах оптимизации процесса сжигания является перспективным направлением.
Известно, что минимизация образования вредных выбросов также возможна за счет использования адаптивного управления эксплуатационными параметрами процесса горения ТТ (температура, соотношение «окислитель-горючее» и др.). Разработан целый ряд методов для синтеза оптимальных систем регулирования: методы, основанные на классическом вариационном исчислении, динамическом программировании, принципе максимума и т. д. Попытки практического создания оптимальных регуляторов с использованием указанных методов встречают ряд принципиальных сложностей, главными из которых являются необходимость знать
© Вахидова З.Р, Мухутдинов А.Р.
Проблемы энергетики, 2013, № 5-6
точную математическую модель объекта управления и иметь возможность контролировать все переменные состояния системы.
Развитие современных программных сред разработок позволяет строить на основе искусственной нейронной сети компьютерные модели, выполняющие сложные многомерные отображения входного вектора параметров x(t) на выходной вектор y(t) [1-4]. Данные модели дают возможность найти оптимальные значения входного комплекса характеристик для минимизации выходных параметров, что используется в автоматизации с целью нахождения оптимального сочетания управляющих воздействий, обеспечивающих эффективность работы теплоэнергетической установки.
В данной работе основным объектом исследования является процесс горения ТТ, а его определяющим эксплуатационным параметром в теплоэнергетических установках - температура, от которой зависят образование продуктов сгорания, количество вредных выбросов в атмосферу и др. Рассматривается возможность использования ИНС для оптимизации процесса сжигания ТТ [5] в тангенциальной топочной камере котла БКЗ-210-140Ф. Оптимизация процесса горения осуществляется на основе данных из справочной и научной литературы [6-10] для ТТ (майкубенского угля) Шоптыкольского месторождения при следующих допущениях: температура и давление перегретого пара, температура вторичного воздуха (568 К) и аэросмеси (494 К) на выходе из горелок, давление разряжения, расход выпускных газов и подача воды (нагрузка котла 0,72Бном) - постоянны; компоновка горелок - тангенциальная (работают или 3, или 4 горелки).
Первоначально создавалась база знаний (табл. 1), которая делилась на обучающую (15 примеров) и тестирующую (6 примеров) выборку. Затем обучающая выборка помещалась в программную среду разработки Neural Planner, где разрабатывалась компьютерная модель на основе ИНС, т.е. определялись входные и выходные данные, ее структура. Входными данными являлись: состав ТТ [органическая сера (8о, %), колчеданная сера (8к, %), углерод (С, %), водород ( Н, %), азот (N, %), кислород (О, %), влага (W, %), зола (А, %)]; количество горелок (n, штук); плотность ТТ (р,*1000 кг/м3) и дисперсность (R90, %) его частиц, соотношение окислителя и горючего (а), температура продуктов сгорания (T, К). Выходными данными являлись: количество твердых остатков (А), значение концентрации NOx (CNOx, мг/м3) и SO2 (CSO2, мг/м3). Нейросетевая модель определяла, при каких значениях входных параметров, из ряда возможных вариантов, значения выходных будут минимальными. Далее производилось обучение заданной ИНС по заложенному алгоритму, тестирование обученной сети. В программной среде разработки компьютерной модели на основе ИНС применялся процесс обучения с учителем.
В процессе работы производился выбор оптимальной структуры ИНС (рис.1), т.е. определялось оптимальное количество скрытых слоев - 1 и количество нейронов в слоях, соответственно: 12; 12; 3. Общее число шагов обучения для данной выборки из 21 эксперимента составил 10842 циклов. Результаты тестирования сети представляют собой выходные данные по параметру (количество твердых остатков, концентрация N0, и SCb), значения их прогноза. Средняя ошибка соответственно составляет 0,3%.
Рис. 1. Вид нейронной сети
© Проблемы энергетики, 2013, № 5-6
o K O V 00 1190 o 8 1128 0 7 3 in 9 1056 1 3 8 V 1190 0 7
[CNO] V a\ on 00 4 4 3 4 o on 2 3 5 4 1 5 on 3 V 8 4 o on
A 22.9 22.9 on <N on <N 23.1 23.1 23.1 1 23.7 A 23.7 22.9
EI A 1122 1298 1125 1271 1115 1223 1261 1 1169 1298 1115
g A o <N in vo a\ 00 1 vo A o <N in
o A 11.62 13.52 13.02 13.22 12.52 12.4 12.58 1 11.8 A 13.52 11.34
g A vo o vo Ö in Ö vo Ö vo Ö in Ö in Ö 1 Ö A vo Ö in Ö
g A o\ <N on on on on on 1 <N A on on ON <N
o A 41.6 44.3 on 43.7 41.4 42.5 43.3 1 44.4 A 45.1 41.3
[So] A 0.19 0.19 0.19 0.19 0.19 <N Ö 0.21 1 <N Ö A 0.21 0.18
[Sk] A 0.19 0.19 0.19 0.19 0.19 <N Ö 0.21 1 <N Ö A 0.21 0.18
CD Ei A o vo in vo in in in in 1 vo in A vo in o
A <N <N <N on 1 <N A <N
s A 1.38 1.36 1.32 1.33 1.35 1 1.37 A on
A on on on 1 A on
[LABELS] [TRAINING] - <N on in vo 1 <N [END] [LIMITS] [highs] [lows]
© npoöneMbi энергетики, 2013, № 5-6
В работе установлено влияние входных параметров на выходные (количество твердых остатков, концентрацию N0* и Б02). Так, соотношение «окислитель-горючее» оказывает большее влияние на выходные параметры, чем химические компоненты состава ТТ. Температура и количество горелок также оказывают значительное влияние на выходные параметры. Результаты опытно-промышленного сжигания майкубенского угля на котле П-57 ст. №3 ТОО «АЕБЭкибастуз» показали, что колебание температуры газов в диапазоне 1200... 1400 °С ведет к образованию на поверхности нагрева прочных первичных отложений. Установлено, что до температуры 1200°С отложения на поверхностях нагрева верхней части топки и фестона непрочные и саморазрушающиеся. Влияние дисперсности частиц горючего на выходные параметры незначительно выше, чем влияние их плотности, что естественно, связано с удельной поверхностью частицы. Полученные результаты закономерны, хорошо согласуются с литературными данными.
В результате циклического поиска наименьшего значения выходных параметров, в программной среде разработки, с использованием компьютерной модели на основе ИНС определено оптимальное сочетание управляющих входных параметров, обеспечивающих минимальные концентрации N0* и Б02, а также количество твердых остатков. Значения параметров оптимального решения отображаются в окне среды разработки на рис. 2.
Interrog ati n g
Test day
J.
J.
W Real
R efresh
J_1
I Min. I Max.
Change
n 4
р 1 .35
. 1 1.2
R90 48
Sk 0.1Э
So О 13
С 43 3
H 3.13
N 0.58
О 1 2.53
В лаг э W 1 4.5
Т 1113.4
Outputs Cycle
Cno
Cso2
Л
High |
Беек Ьон
J Stop !
Threshold 05
327.5 784.7 23.3
Рис. 2. Окно программы с результатом поиска оптимального решения
Следовательно, минимальный выход вредных выбросов из различных комбинаций управляющих входных параметров обеспечивается при следующих условиях: количество горелок - 4 шт., плотность - 1350 кг/м3, количество частиц ТТ размером 90 мкм - 48%, температура - 1113,4 К; состав топлива: органическая сера -0,19%, колчеданная сера - 0,19%, углерод - 43,3%, водород - 3,13%, азот - 0,58%, кислород - 12,53%, влага - 14,5%.
Полученная в работе компьютерная модель процесса горения ТТ на основе ИНС дает возможность нахождения оптимального сочетания управляющих входных параметров, обеспечивающих минимальный выход вредных выбросов для достижения максимальной эффективности работы энергетической установки.
Таким образом, показана перспективность использования нейросетевых технологий для уменьшения вредных выбросов. Внедрение нейросетевых систем управления позволит повысить эффективность работы энергетических установок и использования топлива.
Апробирован разработанный метод оптимизации процесса сжигания твердого топлива на тепловых электростанциях для минимизации вредных выбросов в атмосферу, основывающийся на использовании ИНС. Оптимизация осуществлялась с © Проблемы энергетики, 2013, № 5-6
применением нейросетевой модели, созданной в программной среде разработки, позволяющей проектировать интеллектуальные программные модули, обучать их и тестировать. Показана возможность минимизации количества твердых остатков (А) и концентрации (NOx и SO2) на основании вводимых в ИНС данных о
- твердом топливе (состав топлива, дисперсность и плотность его частиц);
- температуре процесса горения топлива;
- конструктивных особенностях теплоэнергетической установки.
Показана возможность решения оптимизационных задач с использованием гибкой компьютерной модели на основе ИНС на примере нахождения минимальных значений выходных параметров (количество твердых остатков (А) и концентрации NOx и SO2) для эффективной работы энергетической установки.
Summary
This article shows the neural network optimization ofprocess of burning of solid fuel in heat power installations with the purpose of minimization of harmful emissions into the atmosphere.
Keywords: optimization, operating parameters, artificial neural network.
Литература
1. Галушкин А.И. Теория нейронных сетей / А.И. Галушкин / Кн.1: Учеб. пособие для вузов. М.:ИПРЖР, 2000. 416 с.
2. Мухутдинов А.Р. Повышение эффективности работы котла ТП-230 за счет нейросетевых технологий / А.Р. Мухутдинов, З.Р. Вахидова, П.Е. Любимов // Вестник Казан. технол. ун-та. 2011. Т.14, № 21. С. 91-94.
3. Мухутдинов А.Р. Применение современных информационных технологий для определения и изучения упругих характеристик композиционных сгораемых материалов / А.Р. Мухутдинов, З.Р. Вахидова, М.В. Окулин //Вестник Казан. технол. ун-та. 2011 Т.14, № 21. С. 84-91.
4. Марченко Г.Н. Интеллектуальные системы в повышении эффективности теплоэнергетического оборудования / Г.Н. Марченко, А.Р. Мухутдинов // Энергетика Татарстана. 2008. №3 . С 16-22.
5. Мухутдинов А.Р. Нейросетевое моделирование и оптимизация сложных процессов и наукоемкого теплоэнергетического оборудования / А.Р. Мухутдинов, Г.Н. Марченко, З.Р. Вахидова. Казань: Казан. гос. энерг. ун-т, 2011. 296 с.
6. Богомолов В.В. Теплотехнические и физико-механические характеристики майкубенского угля / В.В. Богомолов, Н.В. Артемьева, А.Н. Алехнович //Электрические станции. 2007. №7. С. 10-16.
7. Щеголев М.М. Топливо, топки и котельные установки / М.М. Щеголев. М.: Государственное издательство литературы по строительству и архитектуре, 1953. 544 с.
8. Хзмалян Д. М. Теория горения и топочные устройства / Д.М. Хзмалян, Я.А. Каган / Учеб. пособие для студентов высш. учеб. заведений. М.: Энергия, 1976. 488 с.
9. Петашвили О.М. Измерение температуры продуктов сгорания / О.М. Петашвили, О.Г. Цибиногин. М.:Энергоатомиздат, 1984. 112 с.
10. Энергетическое топливо СССР / Справочник/ под ред. Т.А. Зикеева. М.: Энергия, 1968.
112 с.
Поступила в редакцию 12 марта 2013 г.
Вахидова Зульфия Рашидовна - канд. техн. наук, доцент кафедры «Математика и механика», Казанского (Приволжского) федерального университета. Тел.: 8 (84371) 5-90-42. Е-таП: MRZulphiya@rambler.ru.
Мухутдинов Аглям Рашидович - д-р техн. наук, профессор кафедры «Информатика и информационно-управляющие системы» (ИИУС) Казанского государственного энергетического университета (КГЭУ). Тел.: 8(432) 519-43-27, 8 (432) 510-32-06. Е-таП: Muhutdinov@rambler.ru.
© Проблемы энергетики, 2013, № 5-6
