★ 王磊（廣東粵電環保有限公司，廣東 廣州 510630）

關鍵詞： 燃煤機組；粉煤灰細度；機器學習；隨機森林；分選工藝優化；粒子群算法

在燃煤機組運行過程中，煤粉細度與飛灰含碳量是直接影響鍋爐燃燒效率與制粉電耗的兩項關鍵指標。由于現場難以實現煤粉細度與飛灰含碳量的高頻精準在線檢測，因此基于數據驅動和機器學習算法的軟測量建模已成為該領域的主流研究方向。

侯儒偉等 [ 1] 采 用 改 進 麻 雀 搜索 算 法（Sparrow Search Algorithm， SSA）優化隨機森林，實現飛灰含碳量預測與鍋爐燃燒優化。但SSA易早熟，變工況下模型泛化預測精度波動明顯；朱萬進等[2]利用遺傳算法（Genetic Algorithm， GA）優化最小二乘支持向量機，建立了直吹式制粉系統煤粉細度軟測量模型。但GA在種群多樣性不足時易陷入局部最優；劉鑫屏等[3]基于堆疊稀疏自編碼器提取特征，并結合BP神經網絡實現SSAE+BPNN變工況飛灰含碳量軟測量。但BPNN對初始權閾值敏感，影響準確性；郭文康等[4]構建了改進自適應最小二乘支持向量機的飛灰含碳量軟測量模型，并引入核主成分分析融合變量信息。但該自適應策略對突變工況響應滯后，軟測量準確性降低。

因此，本文提出了一種基于機器學習的燃煤機組粉煤灰細度預測與分選工藝優化方法，以實現粉煤灰細度的準確預測。

1   基于機器學習的燃煤機組粉煤灰細度預測

粉煤灰細度與燃煤機組、分選設備的運行參數之間存在強耦合關系。結合燃煤機組生產實際與現有研究成果，本文篩選出影響粉煤灰細度的核心輸入參數，包括機組負荷、燃煤熱值、燃煤灰分、鍋爐排煙溫度、分選機主軸轉速、進料流量、風選風速；選取粉煤灰45μm篩余值作為細度預測輸出指標，篩余值越小，粉煤灰細度越高、品質越好。

在開展燃煤機組粉煤灰細度正式預測前，本文首先采集燃煤機組的現場運行實測數據，數據采集頻率為1次/5min。原始工業數據普遍存在噪聲異常、數據缺失、量綱不統一等問題，需對原始數據進行預處理以提升模型預測精度。本文采用相鄰數據均值填充法補全少量缺失數據，并刪除缺失率超過10%的無效樣本；采用改進3σ準則完成噪聲數據篩選，引入數據集偏差修正系數提升異常判別精度。異常值判別公式如式（1）所示：

式中，Χ_i為單組原始實測數據，μ為對應參數數據集總體均值， σ為對應參數數據集總體標準差， τ為數據偏差修正系數，λ為異常閾值調控系數。

當樣本數據滿足式（1）判別條件時，判定該樣本為隨機噪聲或異常故障數據，直接剔除。

接下來，本文采用隨機森林算法構建粉煤灰細度預測模型。該算法基于集成學習思想，可有效處理高維非線性數據，具備抗過擬合、泛化能力強、容錯性高的優勢，適配工業復雜工況下的參數預測場景。模型整體結構如圖1所示。

圖1 粉煤灰細度隨機森林預測模型結構示意圖

隨機森林由多棵決策樹組成，每棵樹基于隨機子空間選取訓練樣本與特征子集。本研究引入樣本權重衰減優化分裂，通過多樹加權投票輸出結果。單樹分裂增益采用改進基尼系數進行計算，并引入特征權重因子弱化冗余特征，計算公式如式（2）所示：

式中， Gini(D)為樣本集D的改進基尼系數，  K為樣本類別總數， P_k為第k類樣本在樣本集中的占比， W_k為第k類特征的權重因子， Var(p)為樣本占比序列的方差，用于抑制數據波動干擾[5]。

模型以多決策樹加權預測值的均值作為輸出結果，并引入樹模型置信度系數優化輸出精度。模型輸出過程的表達式如式（3）所示：

式中，Y為粉煤灰細度最終預測值， n為決策樹數量，f_i (x)為第i棵決策樹的預測輸出值，δ_i為第i棵決策樹的置信度權重系數。

該模型通過改進基尼系數實現特征加權分裂，依托多棵決策樹的加權投票機制輸出細度預測值，可實時反映當前工況下的粉煤灰細度水平，為后續分選工藝參數的動態優化提供了數據支撐。

2   燃煤機組粉煤灰分選工藝優化

現有燃煤機組粉煤灰分選工藝多采用固定參數運行模式，分選機轉速、風選風速、進料流量等核心參數依靠操作人員經驗設定，無法適配機組負荷、煤質波動帶來的工況變化，極易出現粉煤灰細度超標、粗細灰分選不徹底、制粉分選能耗過高、成品灰品質不均等問題。通過前文構建的機器學習細度預測模型，可實時獲取不同工況下粉煤灰細度的精準預測值，以此為核心依據，從工藝參數理論優化和現場實操流程優化兩個維度對分選工藝全流程進行優化調控，最終實現分選品質、生產效率與運行能耗的多目標協同優化。

本文以細度預測模型輸出的篩余值誤差最小化為優化目標，以機組安全穩定運行邊界為約束條件，構建了多參數協同優化模型，完成工藝參數理論最優值求解。目標函數公式如式（4）所示：

式中，Y₀為目標優質篩余值， E為分選系統單位物料電耗，w₁、w₂分別為品質權重、能耗權重。

結合機組設備運行安全邊界，設置參數約束條件如表1所示。

表1 分選系統運行參數約束條件

本文基于機器學習模型的實時工況感知能力，采用粒子群算法對多參數進行迭代尋優，破除了傳統單參數調節的局限性，得到了不同工況下的參數最優匹配方案。

同時，本文基于上述優化參數規則，結合電廠現場生產規范，對分選工藝開機、停機流程實操操作進行了標準化優化，形成了可直接落地的現場作業方案。

傳統開機操作僅依靠固定參數啟動設備，未結合當前煤質與機組工況，易出現開機初期粉煤灰細度不合格、設備振動超標等問題。優化后實操流程如下：機組制粉系統啟動前5min，操作人員調取機組實時運行數據，包括當前機組負荷、燃煤熱值、燃煤灰分、排煙溫度，將數據導入訓練完成的細度預測模型；模型自動匹配對應工況下的最優初始工藝參數，輸出分選機轉速、風選風速、進料流量、系統負壓初始設定值；操作人員按照模型輸出參數完成設備初始化設定，替代傳統固定參數設置。同時，開機前完成分選機葉輪、風道、篩網的簡易排查，清理殘留積灰與結塊物料，避免雜質干擾分選精度；開機后空載運行2min，確認設備振動、風壓、轉速穩定后，逐步提升進料流量至設定值，完成開機平穩過渡。

傳統停機操作直接斷料停機，易導致設備內部殘留物料結塊、風道積灰堆積，影響下次分選精度。優化后停機實操流程：生產結束后，首先逐步降低進料流量，3min后完全停止進料；保持風選系統、分選機空載運行5min，利用高速氣流清空設備內部殘留粉煤灰顆粒，徹底清理風道、葉輪、篩網附著物料；隨后依次下調風速、轉速，最后關閉設備電源。同時建立每日運維實操規范，每日停機后完成設備簡易清灰，每周對分選機葉輪、軸承、風壓檢測裝置進行校準維護，每月結合模型歷史數據復盤參數匹配合理性，微調優化參數閾值，保障設備長期高精度運行。

圖2 分選系統多目標優化效果分析

圖2對比了單參數經驗調節與粒子群多參數協同尋優在分選系統中的運行效果。由結果可知，經驗調節下粉煤灰細度波動較大且能耗偏高，而粒子群算法以細度偏差最小與單位電耗最低為雙目標，在安全邊界約束下尋得的最優參數組合使細度穩定收斂于目標值附近，且能耗顯著降低，驗證了多參數協同尋優策略在提升分選品質與運行經濟性方面的有效性。

3   實驗

3.1   實驗準備

為驗證本文所構建預測模型精度與分選工藝優化方案的實際應用效果，本次實驗選取某300MW燃煤發電機組開展全工況現場對比實驗。該機組配套專用風選式粉煤灰分選系統，可滿足多工況數據采集與工藝對比測試的需求。

為保障實驗數據的全面性與真實性，本次實驗連續采集30天機組不同負荷、不同煤質工況下的實測運行數據，數據采集頻率為5min/次，累計獲取原始樣本數據8640組，經數據清洗、降噪、補缺等預處理操作后， 最終篩選有效樣本720組。將有效樣本按照7:2:1的比例劃分為訓練集、驗證集與測試集，分別用于模型訓練、超參數調優與泛化性能測試。本次實驗硬件環境為Intel i7處理器、16G運行內存，軟件環境基于Python3.9、 TensorFlow框架完成模型搭建、訓練與優化迭代，實驗現場如圖3所示。

圖3 實驗現場圖

該實驗平臺完整復現了燃煤機組粉煤灰分選的實際生產流程，為后續模型驗證與工藝優化提供了可靠的現場數據支撐。

3.2   實驗結果及分析

為驗證該研究方法的優越性，本文設計了對比實驗。將本文提出的燃煤機組粉煤灰細度預測方法作為實驗組，設為方法1，同時選取三種同領域經典智能優化預測算法作為對照組：基于ISSA-RF-SSA的飛灰含碳量預測與燃燒優化調整設為方法2、基于GA-LSSVM直吹式制粉系統煤粉細度軟測量設為方法3、基于改進自適應最小二乘支持向量機的飛灰含碳量軟測量方法設為方法4。使用四種方法對燃煤機組粉煤灰細度進行預測，結果如圖4所示。

圖4 各方法粉煤灰細度預測值與真實值對比

圖4結果表明： 方法1預測值與實際值在全樣本區間內高度重合；方法2、3、4出現明顯預測偏差，預測精度遠遜于本文提出的方法1。

本文方法的優勢來源于改進隨機森林的多重優化策略：通過改進3σ準則+偏差修正系數剔除噪聲，采用改進基尼系數弱化冗余特征，引入特征權重因子優化節點分裂，結合多決策樹置信度加權投票機制，提升了模型對負荷、煤質、設備參數等強耦合變量的解析能力，強化了模型非線性擬合與變工況的泛化性能，實現了高精度穩定預測。

為進一步量化驗證本文分選工藝優化方案的工程應用價值，本次實驗對優化前后粉煤灰成品合格率、細度波動標準差、單位物料分選電耗及有效分選效率等關鍵指標進行了對比，結果如表2所示。

表2 分選工藝優化前后效果對比

表2結果表明，本文優化方案成效顯著：成品合格率從87.36%升至96.82%（+9.46%） ，年減少近萬噸不合格品；細度波動標準差從0.086降至0.032（降幅62.79%），抗工況干擾能力強；分選電耗從1.86降至1.42 kW·h·t-1（降幅23 .66%），有效分選效率從12 .35提至14.68 t·h-1，實現了提質增效降本。

本文優化方案核心優勢為改進隨機森林+粒子群多參數尋優融合。傳統工藝依靠人工經驗固定參數，無法適配變工況。改進隨機森林可精準捕捉細度動態，解決了調控滯后難題；粒子群以品質與能耗雙目標+安全邊界完成了多參數全局尋優，再配合標準化運維，從智能調控與規范作業兩方面實現了工藝升級。

4   結束語

針對粉煤灰細度預測精度低、分選優化難的問題，本文提出了一種改進隨機森林預測+粒子群多參數尋優的分選優化方案。該模型預測值與真實值高度擬合，解決了傳統軟測量模型變工況泛化差的問題。工業應用結果表明，優化后成品合格率達96.82%， 細度波動標準差降至0 .032，單位分選電耗降至1 .42 kW·h·t-1 ，實現了產品品質與生產經濟的雙重提升，為粉煤灰精細化分選與資源化利用提供了有效的技術路徑。

作者簡介：

王   磊（ 1985-），男，遼寧本溪人，工程師，學士，現就職于廣東粵電環保有限公司，研究方向為電力管理、發電副產品管理、微藻固碳管理、環保與節能減排等。

參考文獻：

[1] 侯儒偉, 田放, 蔡浩, 等. 基于ISSA-RF-SSA的飛灰含碳量預測與燃燒優化調整[J]. 熱力發電, 2025, 54 (12 ): 134 - 141.

[2] 朱萬進, 岳峻峰. 基于GA-LSSVM直吹式制粉系統煤粉細度軟測量[J]. 上海電力大學學報, 2023, 39 (05) : 472 - 478.

[3] 劉鑫屏, 李波, 鄧拓宇. 一種SSAE+BPNN的變工況飛灰含碳量軟測量方法[J]. 熱力發電, 2023, 52 (01) : 66 - 73.

[4] 郭文康, 莫正陽, 李益國. 基于改進自適應最小二乘支持向量機的飛灰含碳量軟測量方法[J]. 動力工程學報, 2025, 45 (07) : 1082 - 1090.

[5] 陳植元, 譚厚章, 成思揚, 等. 基于機器學習的飛灰含碳量預測模型比較研究[J]. 熱力發電, 2023, 52 (07) : 64 - 73.

摘自《自動化博覽》2026年6月刊