基于人工神经网络的煤粉燃烧特性预测模型
|
摘要
煤质常规分析指标与燃烧特性参数的综合运用有利于指导电厂的优化运行。对81个煤样进行了热重分析实验并获得燃烧特性参数,利用人工神经网络建立基于煤质分析数据的燃烧特性参数预测模型,并通过相关性分析、遗传算法和多次预测取平均的方法对模型进行优化。结果表明:优化建立的着火稳燃特性指数(R_w)预测模型的拟合度(R~2)为0.957,10个预测样品的平均绝对误差(MAE)为0.15;燃尽特性指数(R_j)预测模型的R~2为0.938,MAE为1.17。在生产现场利用常规分析快速预测煤粉的燃烧特性。
The application of coal quality analysis index and thermos gravure combustibility index is helpful to guide the optimal operation of power plant. The thermogravimetric analysis were carried out with 81 coal samples to obtain the combustibility index. We used artificial neural network to establish the prediction model of combustion characteristic based on coal quality analysis. The model is optimized step by step by means of correlation analysis, genetic algorithm and multiple prediction. The results show that the goodness of fit(R~2) of the ignition-stability index(R_w) prediction model is 0.957, the mean absolute error(MAE) of 10 unknown samples is 0.15. The R~2 of burnout index(R_j) prediction model is 0.938, the MAE of 10 unknown samples is 1.17. It is expected to quickly predict the combustion characteristics of pulverized coal using conventional analysis at the production site.
The application of coal quality analysis index and thermos gravure combustibility index is helpful to guide the optimal operation of power plant. The thermogravimetric analysis were carried out with 81 coal samples to obtain the combustibility index. We used artificial neural network to establish the prediction model of combustion characteristic based on coal quality analysis. The model is optimized step by step by means of correlation analysis, genetic algorithm and multiple prediction. The results show that the goodness of fit(R~2) of the ignition-stability index(R_w) prediction model is 0.957, the mean absolute error(MAE) of 10 unknown samples is 0.15. The R~2 of burnout index(R_j) prediction model is 0.938, the MAE of 10 unknown samples is 1.17. It is expected to quickly predict the combustion characteristics of pulverized coal using conventional analysis at the production site.
引文
[1] 魏兆龙, 郭朝令. 煤种燃烧稳定性试验研究[J].锅炉技术,1999,30(10):6-9.
[2] 陈春元, 李杜田. 燃料特性判别指数的研究[J]. 动力工程, 1993, 13(2): 9-15.
[3] 宋拙夫, 朱跃, 翟忠和, 等. 动力用煤特种分析指标与工业分析数据的相关性研究[J]. 黑龙江电力技术, 2002, 24(1): 11-15.
[4] K?K M. An investigation into the combustion curves of lignites[J]. Journal of thermal analysis and calorimetry, 2001, 64(3): 1319-1323.
[5] 周俊虎, 平传娟, 杨卫娟, 等. 混煤燃烧反应动力学参数的热重研究[J]. 动力工程, 2005, 25(2): 207-210.
[6] 胡文斌, 杨海瑞, 吕俊复, 等. 煤着火特性的热重分析研究[J]. 电站系统工程, 2005, 21(2): 8-9.
[7] YU D, XU M, SUI J, et al. Effect of coal particle size on the proximate composition and combustion properties[J]. Thermochimica Acta, 2005, 439(1): 103-109.
[8] 祝文杰, 周永刚, 赵虹. 单煤热天平着火温度指数的建立[J]. 能源工程, 2006 (4): 14-17.
[9] 张辉, 王焱, 杨威, 等. 混煤燃烧特性的热重实验[J]. 长沙理工大学学报: 自然科学版, 2012, 9(1): 78-84.
[10] BABINSKI P, LABOJKO G, KOTYCZKA-MORANSKA M, et al. Kinetics of coal and char oxycombustion studied by TG–FTIR[J]. Journal of Thermal Analysis and Calorimetry, 2013, 113(1): 371-378.
[11] ZHANG B, FU P, LIU Y, et al. Investigation on the ignition,thermal acceleration and characteristic temperatures of coal char combustion[J]. Applied Thermal Engineering, 2017, 113: 1303-1312.
[12] 朱跃, 郭文靖. 煤的热天平分析试验结果与工业分析数据的相关性研究[J]. 黑龙江电力技术, 1998, 20(5): 257-263.
[13] 朱群益, 赵广播. 煤粉着火温度与煤的元素分析及工业分析间的关系[J]. 哈尔滨工业大学学报, 1993, 25(2): 25-28.
[14] 周坤, 杨建国, 赵虹. BP 神经网络对煤着火特性的预测[J]. 热力发电, 2005, 34(11): 21-25.
[15] CHENG J, WANG X, SI T, et al. Maximum burning rate and fixed carbon burnout efficiency of power coal blends predicted with back-propagation neural network models[J]. Fuel, 2016, 172: 170-177.
[16] 常爱英, 吴铁军, 包鑫, 等. 基于最小二乘支持向量机的动力配煤着火特性预测模型[J]. 煤炭学报, 2010, 35(8): 1380-1383.
[17] 林宗虎, 徐通模. 实用锅炉手册[M]. 北京: 化学工业出版社, 1999.
[18] 李望超, 李金艳. 用三层网络逼近任何连续函数[J]. 河北工学院学报, 1994, 23(4): 7-11.
[19] 陈鹏. 中国煤炭性质、分类和利用[M]. 北京:化学工业出版社, 2007.
[20] 谢克昌. 煤的结构与反应性[M]. 北京:科学出版社, 2002.
[21] 岑可法. 高等燃烧学[M]. 杭州:浙江大学出版社, 2002.
[22] 何云华. 水对煤燃烧特性的影响[J]. 煤炭加工与综合利用, 2000(2):29-30.
[23] 郑敏. 煤粉浓度及氧浓度变化下煤粉燃尽特性的热分析研究[D]. 杭州: 浙江大学, 2007.
[24] 杨建国, 翁善勇, 赵虹, 等. 采用遗传算法优化的煤粉着火特性BP神经网络预测模型[J]. 动力工程, 2006, 26(1): 81-83.
[2] 陈春元, 李杜田. 燃料特性判别指数的研究[J]. 动力工程, 1993, 13(2): 9-15.
[3] 宋拙夫, 朱跃, 翟忠和, 等. 动力用煤特种分析指标与工业分析数据的相关性研究[J]. 黑龙江电力技术, 2002, 24(1): 11-15.
[4] K?K M. An investigation into the combustion curves of lignites[J]. Journal of thermal analysis and calorimetry, 2001, 64(3): 1319-1323.
[5] 周俊虎, 平传娟, 杨卫娟, 等. 混煤燃烧反应动力学参数的热重研究[J]. 动力工程, 2005, 25(2): 207-210.
[6] 胡文斌, 杨海瑞, 吕俊复, 等. 煤着火特性的热重分析研究[J]. 电站系统工程, 2005, 21(2): 8-9.
[7] YU D, XU M, SUI J, et al. Effect of coal particle size on the proximate composition and combustion properties[J]. Thermochimica Acta, 2005, 439(1): 103-109.
[8] 祝文杰, 周永刚, 赵虹. 单煤热天平着火温度指数的建立[J]. 能源工程, 2006 (4): 14-17.
[9] 张辉, 王焱, 杨威, 等. 混煤燃烧特性的热重实验[J]. 长沙理工大学学报: 自然科学版, 2012, 9(1): 78-84.
[10] BABINSKI P, LABOJKO G, KOTYCZKA-MORANSKA M, et al. Kinetics of coal and char oxycombustion studied by TG–FTIR[J]. Journal of Thermal Analysis and Calorimetry, 2013, 113(1): 371-378.
[11] ZHANG B, FU P, LIU Y, et al. Investigation on the ignition,thermal acceleration and characteristic temperatures of coal char combustion[J]. Applied Thermal Engineering, 2017, 113: 1303-1312.
[12] 朱跃, 郭文靖. 煤的热天平分析试验结果与工业分析数据的相关性研究[J]. 黑龙江电力技术, 1998, 20(5): 257-263.
[13] 朱群益, 赵广播. 煤粉着火温度与煤的元素分析及工业分析间的关系[J]. 哈尔滨工业大学学报, 1993, 25(2): 25-28.
[14] 周坤, 杨建国, 赵虹. BP 神经网络对煤着火特性的预测[J]. 热力发电, 2005, 34(11): 21-25.
[15] CHENG J, WANG X, SI T, et al. Maximum burning rate and fixed carbon burnout efficiency of power coal blends predicted with back-propagation neural network models[J]. Fuel, 2016, 172: 170-177.
[16] 常爱英, 吴铁军, 包鑫, 等. 基于最小二乘支持向量机的动力配煤着火特性预测模型[J]. 煤炭学报, 2010, 35(8): 1380-1383.
[17] 林宗虎, 徐通模. 实用锅炉手册[M]. 北京: 化学工业出版社, 1999.
[18] 李望超, 李金艳. 用三层网络逼近任何连续函数[J]. 河北工学院学报, 1994, 23(4): 7-11.
[19] 陈鹏. 中国煤炭性质、分类和利用[M]. 北京:化学工业出版社, 2007.
[20] 谢克昌. 煤的结构与反应性[M]. 北京:科学出版社, 2002.
[21] 岑可法. 高等燃烧学[M]. 杭州:浙江大学出版社, 2002.
[22] 何云华. 水对煤燃烧特性的影响[J]. 煤炭加工与综合利用, 2000(2):29-30.
[23] 郑敏. 煤粉浓度及氧浓度变化下煤粉燃尽特性的热分析研究[D]. 杭州: 浙江大学, 2007.
[24] 杨建国, 翁善勇, 赵虹, 等. 采用遗传算法优化的煤粉着火特性BP神经网络预测模型[J]. 动力工程, 2006, 26(1): 81-83.