山东电力工程咨询院有限公司 山东济南 250013
摘要:本文研究了基于入炉煤质在线监测的锅炉智能燃烧优化系统设计方法,提出了基于煤质智能计算的燃烧神经网络建模方案以及基于多目标智能优化算法的燃烧参数优化方案,根据负荷和煤种变化进行在线燃烧参数优化,实现锅炉效率和烟气NOx排放的柔性优化控制,给国内智能发电中智能燃烧优化模快的设计提供借鉴。
关键词:燃烧优化;煤质监测;人工智能
Design and Application of Intelligent
Combustion Optimization System for Boilers
Wei Jing
(Shandong Electric Power Engineering Consulting Co., Ltd, Jinan, China, Post Code: 250013)
Abstract: This article studies the design method of an intelligent combustion optimization system for boilers based on online monitoring of incoming coal quality. A combustion neural network modeling scheme based on intelligent calculation of coal quality and a combustion parameter optimization scheme based on multi-objective intelligent optimization algorithm are proposed. Online combustion parameter optimization is carried out based on changes in load and coal type, achieving flexible optimization control of boiler efficiency and flue gas NOx emissions, Provide reference for the design of intelligent combustion optimization modules in domestic intelligent power generation.
Key words: combustion optimization, coal quality monitoring, artificial intelligence
0前言
在国家节能减排的严格要求下,如何提高锅炉运行效率,同时降低烟气NOx排放,是各火电企业迫切需要解决的问题[1]。锅炉燃烧智能控制技术是实现电站锅炉高效燃烧和污染物控制的有效方法。本文提出了基于入炉煤质在线监测的锅炉智能燃烧优化系统设计方法,针对基于煤质监测的燃烧建模,对燃烧参数优化,提出了基于多目标智能优化算法的燃烧参数寻优方法,实现锅炉效率和烟气NOx排放的柔性优化控制,提高了燃烧优化系统运行的灵活性。
1入炉煤质在线监测系统设计
考虑到国内火电机组普遍采用分磨配煤掺烧的运行方式,智能燃烧优化系统采用在线监测各磨入炉煤质的方案,首先监测各磨入炉煤的水分和灰分,再根据水分和灰分计算各磨入炉煤的热值。
1.1 入炉煤水分和灰分监测
采用水分仪和灰分仪测量各磨入炉煤的水分和收到基灰分。水分测量采用微波透射法测量技术,目前该技术较为成熟。灰分采用天然γ放射性测量技术,由于灰分仪无放射源,没有辐射安全隐患。
煤质硬件测点有三个安装位置:原煤仓输煤皮带、原煤仓出口到磨煤机入口和磨煤机出口。由于原煤仓的煤进入炉膛燃烧有很大的延时,很难准确计算监测的煤质何时进入炉膛,测点安装在原煤仓输煤皮带上难以满足精准燃烧闭环优化控制的需要。测点安装在磨煤机出口只能测量经过干燥的煤粉煤质,无法监测入炉煤的水分,进而无法监测入炉煤的收到基热值,不利于锅炉效率的实时计算。因此,应用于燃烧优化的煤质硬件测点应安装在原煤仓出口到磨煤机入口位置。
1.2 入炉煤热值监测
煤热值是无法通过硬件直接测量的,只能通过间接计算获得,即软测量。煤除去灰分和水分,剩下的挥发份和固定碳是可燃物,决定了煤的热值,因此,根据煤的灰分和水分可以间接监测煤热值。
系统利用煤质大数据数据库,采用神经网络技术建立煤热值与煤的灰分和水分关系模型:
(1)
式中NNet为神经网络模型,A为煤收到基灰分,Mt为煤全水分。
由于相同灰分和水分的煤热值存在一定的差异,考虑到对特定机组而言燃用的煤种总是有限的,可用电厂近几年的实际燃烧煤质数据修正该模型,以进一步提高热值软测量的精度
[2]。
2 基于人工智能技术的燃烧优化系统设计
2.1总体设计方案
人工智能技术的发展为解决燃烧优化问题提供了一个有效途径。在实现入炉煤质在线监测的基础上,可根据大量的机组运行数据,运用人工智能技术建立燃烧优化神经网络模型,再基于燃烧优化神经网络模型,采用智能优化算法技术,根据机组负荷和煤质动态、滚动优化锅炉配风配煤燃烧运行参数,实现燃烧闭环优化控制,达到锅炉安全、经济、环保运行的目的。
2.2基于人工智能技术的燃烧优化神经网络模型
神经网络建模是一种数据驱动的建模方法。锅炉的燃烧特性和运行人员的运行经验总是蕴涵于机组运行数据中的。根据机组运行数据,采用神经网络技术可以建立如图1所示的锅炉燃烧神经网络模型。
图1 燃烧优化模型原理图
Fig1 Schematic diagram of combustion optimization model
燃烧优化模型应能反映机组不同工况、不同运行方式下的燃烧性能,才能实现有效的基于模型的燃烧优化。因此燃烧建模应采用基于大数据的建模方案,用于建模的样本应是尽可能涵盖机组各种可能运行工况。
通常DCS中机组不同工况、不同运行方式的数据分布是不均匀的,如果不加处理直接用于训练神经网络模型,数据量较少的燃烧特性就会被淹没而不能在模型中反映。为提高神经网络训练样本的均匀性,保证建模的质量,需要对大数据进行处理。
记机组运行历史大数据集合为燃烧样本Π,神经网络训练样本记为Ω,可按如下算法从燃烧样本Π获取神经网络训练样本Ω:
(1)置神经网络训练样本Ω为空;
(2)在燃烧样本Π中随机选择一个样本i,其对应的燃烧优化神经网络模型的输入记为;
(3)在燃烧样本Π中寻找满足如下条件的所有样本j,构成样本集Π1:
(2)
其中为第j个样本对应的燃烧优化神经网络模型的输入,||•||为向量的欧拉距离,
为较小的正实数;
(4)将对应的样本加入样本集Π1,在Π1中选择与当前时间最近的N个样本加入神经网络训练样本Ω中;
(5)删除燃烧样本Π中包含在样本集Π1中的样本;删除后,如果样本Π为空,则结束,否则,置样本集Π1为空,返回步骤(2)。
上述算法每次随机选择的样本确定了一个燃烧运行工况模式,最终训练样本中各模式的样本数基本相同,保证了各不同模式训练样本的均匀性。
2.3基于智能优化技术的燃烧参数寻优
提高锅炉效率和降低SCR入口烟气NOx是一对矛盾,燃烧优化是一个典型的多目标优化问题。对于燃烧优化问题可采用相对成熟的多目标非支配快速排序遗传算法,在保证安全的条件下以锅炉效率最大、烟气NOx最小为目标对燃烧参数进行寻优,获得优化的锅炉效率和SCR入口烟气NOx的 Pareto前沿曲线,如图2所示。根据当前时刻的工况点A确定Pareto前沿曲线上的两个点B和C,由A、B、C围成的区域内任一工况点的锅炉效率和SCR入口NOx都优于当前运行工况点A,其中Pareto前沿曲线的B、C段为最优燃烧工况点。
图2 多目标燃烧优化Pareto前沿
Fig2 Multi-objective combustion optimization Pareto frontier
考虑到锅炉不同工况下的燃烧调整目标不尽相同,可采用如下策略确定最佳燃烧工况点:在Pareto前沿曲线BC段上,选取使如下性能指标J最大的点作为最终燃烧优化的结果,该点对应的燃烧参数用于现场燃烧优化控制:
J= λ* η+(1-λ)*1/NOx (3)
式中λ为炉效优化权重系数。
通过权重系数λ,可方便调整炉效η和SCR入口NOx排放的平衡点,完成锅炉效率与NOx排放的柔性控制,实现NOx最优、NOx优兼顾炉效、炉效兼顾NOx、炉效最优等不同的优化目标,适应深度调峰、SCR氨逃逸等特殊工况的运行需求,有效提高锅炉燃烧运行的灵活性。
4结论
本文提出了基于入炉煤质在线监测的锅炉智能燃烧优化系统设计方法,使优化系统能适应锅炉入炉煤质的变化。提出的燃烧模型训练样本的处理方法,可有效提高燃烧模型的质量;提出的基于多目标智能优化算法的燃烧参数优化方案,可实现锅炉效率和烟气NOx排放的柔性优化控制,提高燃烧优化系统运行的灵活性。基于煤质智能计算的锅炉燃烧优化技术研究,对智能燃烧优化模快的推广应用具有促进作用。
参考文献:
[1] 张洪源. 火电机组锅炉燃烧优化研究[D]. 南京:东南大学能源与环境学院, 2016.
[2]刘国福. 电厂锅炉运行监测与优化模型及应用[M]. 北京: 科学出版社, 2015.
作者简介:魏静(1973-),男,研究生,高级工程师,长期从事火电厂自动化研究与设计。
邮箱:weijing@sdepci.com 电话:053185183452,17515319138