★ 王磊（广东粤电环保有限公司，广东 广州 510630）

关键词： 燃煤机组；粉煤灰细度；机器学习；随机森林；分选工艺优化；粒子群算法

在燃煤机组运行过程中，煤粉细度与飞灰含碳量是直接影响锅炉燃烧效率与制粉电耗的两项关键指标。由于现场难以实现煤粉细度与飞灰含碳量的高频精准在线检测，因此基于数据驱动和机器学习算法的软测量建模已成为该领域的主流研究方向。

侯儒伟等 [ 1] 采 用 改 进 麻 雀 搜索 算 法（Sparrow Search Algorithm， SSA）优化随机森林，实现飞灰含碳量预测与锅炉燃烧优化。但SSA易早熟，变工况下模型泛化预测精度波动明显；朱万进等[2]利用遗传算法（Genetic Algorithm， GA）优化最小二乘支持向量机，建立了直吹式制粉系统煤粉细度软测量模型。但GA在种群多样性不足时易陷入局部最优；刘鑫屏等[3]基于堆叠稀疏自编码器提取特征，并结合BP神经网络实现SSAE+BPNN变工况飞灰含碳量软测量。但BPNN对初始权阈值敏感，影响准确性；郭文康等[4]构建了改进自适应最小二乘支持向量机的飞灰含碳量软测量模型，并引入核主成分分析融合变量信息。但该自适应策略对突变工况响应滞后，软测量准确性降低。

因此，本文提出了一种基于机器学习的燃煤机组粉煤灰细度预测与分选工艺优化方法，以实现粉煤灰细度的准确预测。

1   基于机器学习的燃煤机组粉煤灰细度预测

粉煤灰细度与燃煤机组、分选设备的运行参数之间存在强耦合关系。结合燃煤机组生产实际与现有研究成果，本文筛选出影响粉煤灰细度的核心输入参数，包括机组负荷、燃煤热值、燃煤灰分、锅炉排烟温度、分选机主轴转速、进料流量、风选风速；选取粉煤灰45μm筛余值作为细度预测输出指标，筛余值越小，粉煤灰细度越高、品质越好。

在开展燃煤机组粉煤灰细度正式预测前，本文首先采集燃煤机组的现场运行实测数据，数据采集频率为1次/5min。原始工业数据普遍存在噪声异常、数据缺失、量纲不统一等问题，需对原始数据进行预处理以提升模型预测精度。本文采用相邻数据均值填充法补全少量缺失数据，并删除缺失率超过10%的无效样本；采用改进3σ准则完成噪声数据筛选，引入数据集偏差修正系数提升异常判别精度。异常值判别公式如式（1）所示：

式中，Χ_i为单组原始实测数据，μ为对应参数数据集总体均值， σ为对应参数数据集总体标准差， τ为数据偏差修正系数，λ为异常阈值调控系数。

当样本数据满足式（1）判别条件时，判定该样本为随机噪声或异常故障数据，直接剔除。

接下来，本文采用随机森林算法构建粉煤灰细度预测模型。该算法基于集成学习思想，可有效处理高维非线性数据，具备抗过拟合、泛化能力强、容错性高的优势，适配工业复杂工况下的参数预测场景。模型整体结构如图1所示。

图1 粉煤灰细度随机森林预测模型结构示意图

随机森林由多棵决策树组成，每棵树基于随机子空间选取训练样本与特征子集。本研究引入样本权重衰减优化分裂，通过多树加权投票输出结果。单树分裂增益采用改进基尼系数进行计算，并引入特征权重因子弱化冗余特征，计算公式如式（2）所示：

式中， Gini(D)为样本集D的改进基尼系数，  K为样本类别总数， P_k为第k类样本在样本集中的占比， W_k为第k类特征的权重因子， Var(p)为样本占比序列的方差，用于抑制数据波动干扰[5]。

模型以多决策树加权预测值的均值作为输出结果，并引入树模型置信度系数优化输出精度。模型输出过程的表达式如式（3）所示：

式中，Y为粉煤灰细度最终预测值， n为决策树数量，f_i (x)为第i棵决策树的预测输出值，δ_i为第i棵决策树的置信度权重系数。

该模型通过改进基尼系数实现特征加权分裂，依托多棵决策树的加权投票机制输出细度预测值，可实时反映当前工况下的粉煤灰细度水平，为后续分选工艺参数的动态优化提供了数据支撑。

2   燃煤机组粉煤灰分选工艺优化

现有燃煤机组粉煤灰分选工艺多采用固定参数运行模式，分选机转速、风选风速、进料流量等核心参数依靠操作人员经验设定，无法适配机组负荷、煤质波动带来的工况变化，极易出现粉煤灰细度超标、粗细灰分选不彻底、制粉分选能耗过高、成品灰品质不均等问题。通过前文构建的机器学习细度预测模型，可实时获取不同工况下粉煤灰细度的精准预测值，以此为核心依据，从工艺参数理论优化和现场实操流程优化两个维度对分选工艺全流程进行优化调控，最终实现分选品质、生产效率与运行能耗的多目标协同优化。

本文以细度预测模型输出的筛余值误差最小化为优化目标，以机组安全稳定运行边界为约束条件，构建了多参数协同优化模型，完成工艺参数理论最优值求解。目标函数公式如式（4）所示：

式中，Y₀为目标优质筛余值， E为分选系统单位物料电耗，w₁、w₂分别为品质权重、能耗权重。

结合机组设备运行安全边界，设置参数约束条件如表1所示。

表1 分选系统运行参数约束条件

本文基于机器学习模型的实时工况感知能力，采用粒子群算法对多参数进行迭代寻优，破除了传统单参数调节的局限性，得到了不同工况下的参数最优匹配方案。

同时，本文基于上述优化参数规则，结合电厂现场生产规范，对分选工艺开机、停机流程实操操作进行了标准化优化，形成了可直接落地的现场作业方案。

传统开机操作仅依靠固定参数启动设备，未结合当前煤质与机组工况，易出现开机初期粉煤灰细度不合格、设备振动超标等问题。优化后实操流程如下：机组制粉系统启动前5min，操作人员调取机组实时运行数据，包括当前机组负荷、燃煤热值、燃煤灰分、排烟温度，将数据导入训练完成的细度预测模型；模型自动匹配对应工况下的最优初始工艺参数，输出分选机转速、风选风速、进料流量、系统负压初始设定值；操作人员按照模型输出参数完成设备初始化设定，替代传统固定参数设置。同时，开机前完成分选机叶轮、风道、筛网的简易排查，清理残留积灰与结块物料，避免杂质干扰分选精度；开机后空载运行2min，确认设备振动、风压、转速稳定后，逐步提升进料流量至设定值，完成开机平稳过渡。

传统停机操作直接断料停机，易导致设备内部残留物料结块、风道积灰堆积，影响下次分选精度。优化后停机实操流程：生产结束后，首先逐步降低进料流量，3min后完全停止进料；保持风选系统、分选机空载运行5min，利用高速气流清空设备内部残留粉煤灰颗粒，彻底清理风道、叶轮、筛网附着物料；随后依次下调风速、转速，最后关闭设备电源。同时建立每日运维实操规范，每日停机后完成设备简易清灰，每周对分选机叶轮、轴承、风压检测装置进行校准维护，每月结合模型历史数据复盘参数匹配合理性，微调优化参数阈值，保障设备长期高精度运行。

图2 分选系统多目标优化效果分析

图2对比了单参数经验调节与粒子群多参数协同寻优在分选系统中的运行效果。由结果可知，经验调节下粉煤灰细度波动较大且能耗偏高，而粒子群算法以细度偏差最小与单位电耗最低为双目标，在安全边界约束下寻得的最优参数组合使细度稳定收敛于目标值附近，且能耗显著降低，验证了多参数协同寻优策略在提升分选品质与运行经济性方面的有效性。

3   实验

3.1   实验准备

为验证本文所构建预测模型精度与分选工艺优化方案的实际应用效果，本次实验选取某300MW燃煤发电机组开展全工况现场对比实验。该机组配套专用风选式粉煤灰分选系统，可满足多工况数据采集与工艺对比测试的需求。

为保障实验数据的全面性与真实性，本次实验连续采集30天机组不同负荷、不同煤质工况下的实测运行数据，数据采集频率为5min/次，累计获取原始样本数据8640组，经数据清洗、降噪、补缺等预处理操作后， 最终筛选有效样本720组。将有效样本按照7:2:1的比例划分为训练集、验证集与测试集，分别用于模型训练、超参数调优与泛化性能测试。本次实验硬件环境为Intel i7处理器、16G运行内存，软件环境基于Python3.9、 TensorFlow框架完成模型搭建、训练与优化迭代，实验现场如图3所示。

图3 实验现场图

该实验平台完整复现了燃煤机组粉煤灰分选的实际生产流程，为后续模型验证与工艺优化提供了可靠的现场数据支撑。

3.2   实验结果及分析

为验证该研究方法的优越性，本文设计了对比实验。将本文提出的燃煤机组粉煤灰细度预测方法作为实验组，设为方法1，同时选取三种同领域经典智能优化预测算法作为对照组：基于ISSA-RF-SSA的飞灰含碳量预测与燃烧优化调整设为方法2、基于GA-LSSVM直吹式制粉系统煤粉细度软测量设为方法3、基于改进自适应最小二乘支持向量机的飞灰含碳量软测量方法设为方法4。使用四种方法对燃煤机组粉煤灰细度进行预测，结果如图4所示。

图4 各方法粉煤灰细度预测值与真实值对比

图4结果表明： 方法1预测值与实际值在全样本区间内高度重合；方法2、3、4出现明显预测偏差，预测精度远逊于本文提出的方法1。

本文方法的优势来源于改进随机森林的多重优化策略：通过改进3σ准则+偏差修正系数剔除噪声，采用改进基尼系数弱化冗余特征，引入特征权重因子优化节点分裂，结合多决策树置信度加权投票机制，提升了模型对负荷、煤质、设备参数等强耦合变量的解析能力，强化了模型非线性拟合与变工况的泛化性能，实现了高精度稳定预测。

为进一步量化验证本文分选工艺优化方案的工程应用价值，本次实验对优化前后粉煤灰成品合格率、细度波动标准差、单位物料分选电耗及有效分选效率等关键指标进行了对比，结果如表2所示。

表2 分选工艺优化前后效果对比

表2结果表明，本文优化方案成效显著：成品合格率从87.36%升至96.82%（+9.46%） ，年减少近万吨不合格品；细度波动标准差从0.086降至0.032（降幅62.79%），抗工况干扰能力强；分选电耗从1.86降至1.42 kW·h·t-1（降幅23 .66%），有效分选效率从12 .35提至14.68 t·h-1，实现了提质增效降本。

本文优化方案核心优势为改进随机森林+粒子群多参数寻优融合。传统工艺依靠人工经验固定参数，无法适配变工况。改进随机森林可精准捕捉细度动态，解决了调控滞后难题；粒子群以品质与能耗双目标+安全边界完成了多参数全局寻优，再配合标准化运维，从智能调控与规范作业两方面实现了工艺升级。

4   结束语

针对粉煤灰细度预测精度低、分选优化难的问题，本文提出了一种改进随机森林预测+粒子群多参数寻优的分选优化方案。该模型预测值与真实值高度拟合，解决了传统软测量模型变工况泛化差的问题。工业应用结果表明，优化后成品合格率达96.82%， 细度波动标准差降至0 .032，单位分选电耗降至1 .42 kW·h·t-1 ，实现了产品品质与生产经济的双重提升，为粉煤灰精细化分选与资源化利用提供了有效的技术路径。

作者简介：

王   磊（ 1985-），男，辽宁本溪人，工程师，学士，现就职于广东粤电环保有限公司，研究方向为电力管理、发电副产品管理、微藻固碳管理、环保与节能减排等。

参考文献：

[1] 侯儒伟, 田放, 蔡浩, 等. 基于ISSA-RF-SSA的飞灰含碳量预测与燃烧优化调整[J]. 热力发电, 2025, 54 (12 ): 134 - 141.

[2] 朱万进, 岳峻峰. 基于GA-LSSVM直吹式制粉系统煤粉细度软测量[J]. 上海电力大学学报, 2023, 39 (05) : 472 - 478.

[3] 刘鑫屏, 李波, 邓拓宇. 一种SSAE+BPNN的变工况飞灰含碳量软测量方法[J]. 热力发电, 2023, 52 (01) : 66 - 73.

[4] 郭文康, 莫正阳, 李益国. 基于改进自适应最小二乘支持向量机的飞灰含碳量软测量方法[J]. 动力工程学报, 2025, 45 (07) : 1082 - 1090.

[5] 陈植元, 谭厚章, 成思扬, 等. 基于机器学习的飞灰含碳量预测模型比较研究[J]. 热力发电, 2023, 52 (07) : 64 - 73.

摘自《自动化博览》2026年6月刊