智能燃烧优化系统的研究与应用

田建勇，郭 涛

(国家电投集团河南电力有限公司开封发电分公司，河南 开封 475002)

智能燃烧优化系统的研究与应用

田建勇，郭 涛

(国家电投集团河南电力有限公司开封发电分公司，河南 开封 475002)

影响火电厂锅炉性能的因素繁多，很难实现大量控制对象的在线优化控制。介绍了基于智能技术开发的锅炉燃烧优化闭环控制系统，应用该系统对影响锅炉燃烧的控制参数和大量对象进行在线优化调整，实现了各种运行条件下的锅炉经济性优化运行，提高了火电厂自动化运行水平，起到了节能降耗作用。

智能燃烧优化系统；燃煤锅炉；闭环控制；粒子群优化

0 概述

锅炉性能和状态监测装置的开发和相关设备的节能、低排放改造，在本质意义上都可归入锅炉燃烧优化范畴。但从机组的运行和控制角度来说，锅炉燃烧优化控制多指基于现有监测手段对燃煤锅炉的制送粉和配风相关对象和参数进行建议或控制，以实现锅炉的节能优化运行。

在这方面，国外相关研究和实践起步较早，成果较丰富。如美国的Ultramax系统、NeuSIGHT系统、Power Perfecter系统都是比较典型的燃烧优化系统。此外美国GE公司的KN3系统、艾默生公司的Smart process燃烧优化技术、Neuco公司的Combustionopt燃烧优化技术和英国Powergen公司的GNOCIS PLUS也是国外比较成熟的燃烧优化系统。这些公司的燃烧优化系统比较类似，均采用“黑箱”模型，用于对锅炉燃烧模型的训练和修正，需要在被优化工况下采集大量的样本数据或DCS历史数据。

国内早期燃烧优化控制技术的研究主要为锅炉烟气含氧量的优化控制，很多研究采用了烟气中CO含量与锅炉效率的关系作为间接寻优烟气氧量的依据。此类控制系统简单、有效，但是比较粗糙，实际应用很少，主要是受早期锅炉可控性较差、各种分析测量仪表尚未成熟的影响。

西安热工研究院研究出的锅炉燃烧优化指导系统，属于开环指导性系统；浙江大学开发的基于Internet/Intranet的燃烧优化指导系统，也不具备闭环控制功能；清华大学开发的OCP3系统、东南大学开发的BCOS-2000/2.0系统都采用神经网络“黑盒”模型和非线性寻优技术，模型可自修正，可实现锅炉燃烧优化的闭环控制。

综上所述，目前绝大多数锅炉燃烧优化控制系统都以“黑盒”神经网络模型为核心模型，以监测数据为主要样本来源，采用寻优和修正技术，对该模型进行在线修正，优化燃烧控制指令，提高锅炉效率。但由于我国普遍存在煤质变化大、配煤掺烧和磨煤机运行方式多样的情况，往往无法满足各种工况下对模型不断训练和修正的要求。

下面开发的智能燃烧优化系统，充分利用锅炉燃烧调整原理和经验，建立神经网络模型，将氧量给定、各层二次风门开度、燃烬风门开度都纳入在线燃烧优化的控制范围，实现炉侧的全面闭环控制。此外，由于锅炉系统涉及设备和工况繁多，在出现特殊情况，使燃烧优化的个别控制回路需切换为手动并进行人工干预时，该系统仍能对剩余控制回路进行优化，具有较高的生存能力。

1 系统原理

如图1所示，智能燃烧优化系统核心由神经网络模块和粒子群优化控制模块组成。由于该系统受modbus通信速率的限制，需尽可能降低通信点数以提高运算和控制指令周期，将容易在DCS中实现的优化控制在DCS内部通过逻辑修改的方式实现。另一方面，由于制粉系统配置的静态分离器，已通过前期燃烧调整试验获得最佳的分离器挡板开度，各粉管风速及出力也已进行了试验调平，运行后原则上不再进行相关调整，因此相关控制不再参与智能优化控制。

图1 智能燃烧优化系统原理

就地测量信号经直接或间接方式实时通过有效性验证、滤波和数据优选过程，送入智能燃烧优化系统。通过优选的部分数据被作为神经网络的训练样本，供人工神经网络进行学习，其余参数作为神经网络的输入信号供神经网络模型用于预测锅炉燃烧的效率和排放水平。此外，在目标系统中进行多负荷、多磨煤机组合、多煤种分层配煤掺烧的燃烧调整试验，对原有锅炉系统仅能就地调整的旋流二次风门开度、旋流分离器等进行就地调试和优化。以上述燃烧调整试验结果和经验为基础，以锅炉设备及燃烧特性为根据，进行专属神经网络的初始建模，用于模拟锅炉的燃烧性能。

燃烧系统控制指令输出由粒子群优化控制模块生成，优化模块采用多目标优化方式，采用一定数量的粒子，生成若干控制指令向量，并利用PSO(Particle Swarm Optimization，粒子群优化)算法调用神经网络模型进行粒子的计算，从而寻找最为合理的控制指令向量，作为控制模块输出，送入系统DCS，进行锅炉燃烧的控制。

燃烧优化控制指令的生成是根据控制指令优化PSO算法，采用训练好的人工神经网络，用以在寻优空间内智能搜索对应最优经济性的控制指令组合。PSO是一种智能搜索算法，该算法源于模仿鸟群、鱼群、蜂群或蚁群等生物种群在未知区域的探索和觅食方式。即种群中的一只“鸟”被看做一个粒子，描述其所在位置的n维向量包含1个目标问题候选解的n个元素，这些粒子不断地根据自己的搜索经历和种群中其他粒子的搜索经历来更新它们的位置，并向最终的优化目标移动。种群中的每一个粒子通过给定的适应度函数判断所到位置的“食物丰富程度”，也即问题解的适应度；并在它们的移动过程中记录它们曾经到过的最佳位置，该最佳位置向量被称为个体最优位置。与此同时，整个种群会记录整个种群搜索到的最优个体的最优位置，该位置向量被称为整体最优位置。每一个粒子便根据当前的运动惯性、个体最优位置和整体最优位置来修改下一个时刻的搜索方向和行进速度。这样，任何一个具有n个参数的搜索或者优化问题便可以转化为一定数量的粒子种群在n维空间内进行的智能搜索。

假设搜索或优化空间为n维，则t时刻第i个粒子的位置向量为：

该粒子当前的速度向量为：

该粒子到过的最优位置被记录为：

整个粒子群的最优位置向量为：

这样，每一个粒子便可以根据式(5)和(6)更新其下一时刻的速度和下一时刻的位置。

式中：

Iw——惯性质量；

c1——认知加速度(cognitive acceleration)，一般取值为2；

c2——社会加速度(social acceleration)，一般取值为2；

r1，r2——[0，1]区间的随机数。

当然，由于给定搜索空间的限制，一般还会设置一个最大速度限制Vmax；当某一粒子速度的大小超过该最大速度限制时，强制令该速度等于最大速度限制。

从式(5)可见，粒子速度的更新包括惯性项、认知项和社会项3部分。式(5)中的第1项为惯性项，代表粒子会在一定程度上保留上一时刻的运动；第2项为认知项，代表粒子会有一定的几率朝自己到过的最优位置移动；第3项为社会项，代表粒子会有一定的几率朝向整个种群的最优位置移动。后2项主要代表粒子群的智能搜索能力，第1项则使粒子群具备一定的随机搜索能力。

已有相关研究经验表明，粒子群算法较之常规的遗传算法倾向于利用较少的系统资源，尤其适用于复杂模型的多维空间寻优，且避免了遗传算法编码解码造成的寻优精度限制。粒子群算法的寻优搜索空间具有给定边界，因此可避免常规算法的发散和无效解的出现；而且动态边界的设置还可以叠加已有控制经验；此外其高效的搜索效率和优良的稳定性使之更适合工业控制应用。

图2给出了基于PSO优化算法的控制指令生成流程。粒子群中每个粒子的空间坐标代表一组控制指令组合，通过训练好的燃烧优化神经网络转换为每个粒子的适应度输出，这样PSO算法就可以根据每个粒子的适应度分布，智能寻找最优的空间坐标，也即最优的控制指令向量，输出优化控制参数组合。

对于粒子群算法而言，寻优解空间的合理给定是提高寻优效率和成功率的重要一环。燃烧优化控制系统。可在前期燃烧调整试验获得的静态优化曲线两侧选取合理的浮动优化空间，供智能算法进行寻优。一方面，采用试验获得的优化曲线，可保证寻优结果不会偏离至不安全或不稳定的区域；另一方面，实际最优控制目标应不会偏离试验得到的优化结果很远，因此这样的寻优空间设置可使寻优粒子更接近最优的目标位置，大幅提升寻优效率。

图2 基于PSO算法的控制指令生成流程

由于系统燃烧特性的精确评估往往需精确的实验测点和所投入煤质的元素分析，这无法从现场表计中全部获得，因此将锅炉燃烧优化试验的结果作为多个原始样本，是形成智能人工神经网络的初始根据。系统在运行过程中不断根据预设的样本采集系统模块，收集满足要求的实测数据向量作为学习样本并进行存储，当样本更新至一定的程度后自动启动自学习模块，更新用于控制的神经网络。

2 智能燃烧优化系统应用

某公司2号机组(600 MW)采用的超临界锅炉(2号炉)系东方锅炉厂制造的DG1900/25.4-Ⅱ1型锅炉，燃烧采用正压直吹式制粉系统，中速磨煤机配旋流燃烧器，前后墙各3排对冲燃烧，每排4只，共24只燃烧器。锅炉制粉系统采用中速磨正压直吹式冷一次风制粉系统，共配有6台磨煤机(5台运行，1台备用)。DCS控制系统采用北京ABB贝利公司的Symphony分散控制系统(DCS)，该系统是一套机组各项控制功能完善、软硬件一体化完全成套的控制系统。

2015-11-10，智能燃烧优化自动控制系统在该公司2号机组前后墙对冲锅炉完成配置，对锅炉设备进行了静态的调整优化，并安装调试。截至2016-05-07投入全部主要闭环优化运行回路，完成在287—622 MW负荷区间实施连续稳定控制，使全部二次风门、燃烬风门和氧量实现实时智能优化控制。

初步估算系统投运后的运行数据，与2号炉燃烧优化前性能对比，智能燃烧优化系统投运后，锅炉热效率平均提高了0.77 %，省煤器出口实测NOx浓度平均降低了31.5 mg/m3，年平均节约标煤8 370 t，折合人民币500万元以上。

3 结论

该智能燃烧优化系统采用人工智能神经网络与多目标PSO控制算法，基于燃烧优化试验与实时测量数据进行神经网络建模，利用试验确定的优化基准采用PSO算法在给定的优化范围内进行优化控制，实现燃烧效率的提高和排放的降低。智能燃烧优化系统自实施以来，效果较好，对节能减排具有重要的意义。

1 陈彦桥，刘建民，曾德良，等．火电机组燃烧优化的研究现状及展望[J]．华东电力，2010，38(10)：1 599-1 603.

2 刘海波，周 洪，林光锐．神经元控制在锅炉燃烧系统中的应用研究[J]．电力科学与工程， 2004，20(1)：32-34.

3 孔 亮，张 毅，丁艳军，等．电站锅炉燃烧优化控制技术综述[J]．电力设备，2006，7(2):19-22.

4 应 剑，徐旭，王新龙．基于闭环控制系统的电站锅炉燃烧优化[J]．华东电力，2007，35(1)：69-72．

5 孙巧玲，沈 炯，李益国．基于遗传算法的燃煤电站锅炉整体燃烧优化方法研究[J]．热能动力工程，2004，19(1)：85-88．

华能集团全力以赴确保安全防洪度汛

近期，我国南方遭遇大范围持续暴雨袭击，多条河流出现超警戒水位，泥石流、山体滑坡等灾害隐患突出，防洪度汛工作形势严峻。中国华能集团公司认真学习贯彻习近平总书记关于安全生产工作的系列重要指示批示精神，进一步落实国务院、上级有关部门部署要求，提前谋划、加强领导，立即组织、及时动员，备足物资、加强巡查，精心操作、确保设备和人员安全。特别是在湖南、广西、江西、广东、湖北等受灾较为严重的省份，集团公司各企业密切关注汛情，积极应对洪涝灾害，第一时间启动应急预案，加强24 h值班值守和巡查排查，健全上下贯通、指挥顺畅、运转高效的组织领导体系，全力以赴确保安全防洪度汛。截至目前，集团公司安全生产平稳进行，所有机组保持稳定运行。

在湖南，6月22日至7月2日的11天时间里，全省降雨量高达287 mm，降雨量之多、强度之大，历史罕见。2017-07-03T08:00，岳阳电厂城陵矶超警戒水位1.84 m，湘祁水电站所在湘江祁阳段超警戒水位6.11 m。汛情发生以来，华能湖南分公司高度重视防洪度汛工作，进一步压紧压实防汛工作责任，做到防洪度汛工作分工明确、责任到人、落实到位，切实加强值班值守，认真落实领导带班24 h值班制；确保防洪度汛工作万无一失。

广西、江西、广东、湖北等省分公司也都启动相应防汛预警，加强值守，确保厂房及水电站设施安全。

（来源：中国华能集团公司网站 2017-07-03）

2017-01-19；

2017-03-22。

田建勇(1961—)，男，工程师，主要从事火力发电厂热工专业技术管理工作，email：TJYWJY@126.com。

郭 涛(1975—)，男，工程师，主要从事火力发电厂热电管理工作。