煤/气混燃锅炉运行优化与智能算法预测模型

梁占伟，陈鸿伟，杨 新，许文良，赵争辉，张志远

(华北电力大学能源动力与机械工程学院，河北 保定 071003)

0 引言

煤、生物质及煤气混燃的主要目的是为了降低化石燃料消耗[1-3]、提高可再生能源利用效率[4]及控制污染物排放等[5-7]。高炉煤气(blast furnace gas,BFG)和焦炉煤气(coke oven gas,COG)作为钢铁企业副产品，被广泛用于煤/气混燃锅炉。然而，燃料的混燃特性受到不同燃料混合物的影响，尤其是气固两相混合燃烧，其混燃特性不仅与燃料特性有关，还与煤/气配比有关[6-9]。为了控制NOx排放，分级配风燃烧技术得到了广泛的应用。但是基于煤/气配比与分级配风的协同作用对锅炉效率的影响鲜有报道。

本文对某300 MW煤/气混燃锅炉进行优化试验，得到了热量混燃比与分级配风对锅炉性能协同作用的优化结果。基于优化试验数据，采用智能算法建立了锅炉效率预测模型。

1 试验对象与方法

1.1 试验对象

试验研究对象为某300 MW四角切圆燃烧锅炉，燃料为煤粉混燃BFG和COG。煤粉、BFG及COG在燃烧器区域混合燃烧，烟气中携带的未燃尽碳颗粒和可燃气体进入分离燃尽风(SOFA)区域燃尽。每列燃烧器由2个高炉煤气喷嘴(A-GAA和B-GAA)，5个煤粉喷嘴(A-COAL～E-COAL)，15个二次风喷口(除GA、AA、AB、BC、CC、DD、DE及EE外，还包括7个周界风喷口：GAA、GBB、AS、BS、CS、DS及ES)，4个SOFA喷口(SOFA1～SOFA4)，4个焦炉煤气喷嘴(分别布置在二次风喷口GA、AB、BC及DE的中心位置)组成。燃煤元素分析、BFG与COG成分组成分别如表1、表2所示。由表1可知，高炉煤气的可燃成分为CO和少量H2与CH4，焦炉煤气主要可燃成分为H2和CH4及少量的CO和CmHn，煤的低位发热量最高，焦炉煤气次之，高炉煤气最低。

表1 燃煤元素成分组成

表1中：%为高炉煤气(BFG)与焦炉煤气(COG)成分的体积百分数；MJ/kg为高炉煤气和焦炉煤气的热值单位。

表2 BFG和COG成分组成

1.2 试验方法

试验过程中，机组负荷稳定在300 MW，煤粉、COG及BFG的总输入热量基本不变。分别改变COG或BFG的热量混燃比(单位时间内COG或BFG在锅炉炉膛的放热量占燃料总输入热量的百分比)，研究不同煤气混燃比对锅炉性能(飞灰含碳量、排烟温度及锅炉效率)的影响。通过改变SOFA挡板开度，研究混燃煤气工况分级配风对锅炉性能的影响。另外，利用手持铠装热电偶对排烟温度进行测量。采集的飞灰灰样去除水分后，采用差热分析仪应用TGA(TA-SDT-600)分析可燃成分。锅炉效率按反平衡法进行计算[10]：

(1)

式中：qi为各项热损失占输入热量的百分比，%。

2 试验结果与分析

2.1 热量混燃比优化

图1为COG的热量混燃比为8%时，不同BFG热量混燃比对锅炉性能的影响。

图1 BFG热量混燃比对锅炉性能影响图

由图1可知，飞灰含碳量和排烟温度逐渐增加，导致锅炉效率大幅降低。飞灰含碳量随着BFG热量混燃比的增加而增加，主要原因如下。增加BFG会强化主燃区的还原性气氛，煤粉与氧的配比低于化学当量比，使得煤粉在主燃区的燃烧份额相对减少。SOFA区域燃烧份额增加，但是SOFA区域距离炉膛出口较近，使煤粉未来得及燃尽便离开，炉膛的份额增加。增加BFG会增大烟气体积。相同的炉膛截面积下烟气流速增加，减少了碳颗粒在主燃区和SOFA区域的停留时间。混燃BFG会降低主燃区的温度水平。炉膛温度降低不利于煤粉的着火与燃尽，使得煤粉着火推迟，火焰中心上移，燃烧时间缩短，飞灰含碳量增加。

排烟温度随着BFG热量混燃比的增加而升高。其原因主要是由于增加BFG热量混燃比，使火焰中心上移；同时，炉膛整体温度随着BFG热量混燃比的增加而降低，导致炉膛内辐射换热量相对减少。炉膛出口温度升高，造成排烟温度也随之升高。锅炉效率变化趋势与飞灰含碳量及排烟温度有关。当COG的热量混燃比为8%时，随着BFG热量混燃比的增加，锅炉效率由92.87%降到了90.82%。尤其是BFG热量混燃比由11%增加到14%时，锅炉效率降低了1.18%。因此，应控制BFG热量混燃比小于11%。

由以上分析可知，BFG比COG的最佳热量混燃比应小于1.3(11%BFG∶8%COG)。此时，锅炉效率可以保持在92%以上，NOx排放浓度维持在210 mg/m3左右。

2.2 分级配风优化

开度对锅炉性能影响如图2所示。

图2 开度对锅炉性能影响图

在优化的BFG和COG热量混燃比工况下，研究了SOFA2和SOFA1挡板开度对飞灰含碳量、排烟温度及锅炉效率的影响。随着SOFA2和SOFA1挡板开度由10%增加到100%的过程中，飞灰含碳量和排烟温度逐渐升高导致锅炉效率降低。飞灰含碳量随着SOFA2/SOFA1开度的增加逐渐上升。随着SOFA2/SOFA1开度的增加，造成主燃区温度水平降低及SOFA区域燃烧份额增加，导致了炉内辐射换热量减少及火焰中心上移，进而提高了排烟温度。锅炉效率在飞灰含碳量及排烟温度共同影响下，随着SOFA2/SOFA1开度的增加而降低；但是，当SOFA2/SOFA1挡板开度为100%时，锅炉效率仍能保持在91.63%。综合对比不同的SOFA2和SOFA1挡板开度对锅炉性能的影响发现：保持SOFA2/SOFA1开度为100%，使NOx排放浓度降低到210 mg/m3左右，锅炉效率保持在较高水平。

3 建立智能预测模型

3.1 预测模型

由于炉膛内燃烧涉及复杂的物理化学过程，很难准确建立输入参数(燃料量、风量及挡板开度等)与输出参数(η)之间的数学关联关系。因此，支持向量机(support vector machine,SVM)、神经网络等智能算法在燃烧建模中得到了广泛的应用[11-12]。

SVM回归函数为：

(2)

本文采用高斯径向基核函数：

(3)

式中：σ为函数的宽度参数。

反向传播(back propagation,BP)神经网络输出层和隐含层的神经元传递函数分别为：

(4)

(5)

式中：f0(·)v为S型对数函数；fh(·)为S型对正切函数；x为自变量。

遗传算法(genetic algorithm,GA)优化BP(genetic algorithm back propagation,GABP)神经网络是采用遗传算法优化BP神经网络的权值和阀值，将预测和期望输出的误差绝对值作为适应度值。GABP算法流程如图3所示。

图3 GABP算法流程图

适应度函数为：

(6)

由优化试验结果可知，在煤质不变工况下，影响锅炉效率的变量主要有煤气热量混燃比、二次风量、一次风量、氧量、SOFA挡板开度及各层二次风挡板开度等。因此，预测模型选取包括以上变量在内的26个变量为输入参数，锅炉效率为输出参数。将试验得到的50组工况分为42组训练样本和8组测试样本。利用训练好的SVM、BP及GABP模型进行预测，并将预测值和试验值进行对比，研究建立各模型的预测性能。

3.2 预测结果分析

锅炉效率预测值与误差曲线如图4所示。由图4可知，试验得到的锅炉效率在91.80%～93.88%之间波动，而SVM部分训练样本和测试样本对试验结果的逼近能力比较差。相对误差同样表明，SVM模型对训练样本6和14的预测相对误差大于1%，对测试样本的最大预测相对误差为1.19%。SVM模型对预测样本的预测能力低于训练样本，表明SVM模型泛化能力较差。

图4 锅炉效率预测值与误差曲线

BP模型对训练样本的逼近能力较好，训练样本预测值能够非常准确逼近试验值，且相对误差范围为0.14%～0.76%。然而，该模型对测试样本的预测值严重偏离了试验值，且相对误差也较大；测试样本的相对误差为-4.89%～+1.90%，表明BP模型产生了过拟合现象。

GABP模型对训练样本和测试样本都具有较强的逼近能力。该模型对训练样本的预测相对误差与BP模型较为相近，都保持在较小范围。同时，该模型对测试样本的预测相对误差也较小，所有测试样本的预测相对误差均在-0.21%～+0.37%。因此，GABP模型具有较强的泛化能力，未出现过拟合现象。

为了进一步分析建立的3种模型的预测能力，本文采用均方根误差(root mean square error,RMSE)和平均绝对百分比误差(mean absolute percentage error,MAPE)，分别评价模型预测精度和预测值相对于试验值的平均偏离情况，如式(7)和式(8)所示：

(7)

(8)

模型预测性能如表3所示。

表3 模型预测性能

表3中:Tr为训练样本；Te为测试样本。

SVM对训练样本和测试样本的预测精度较低，且预测值偏离试验值。BP算法的RMSETr和MAPETr相对较小，说明该模型对训练样本具有较高的预测精度，且该算法对训练样本的预测值与试验值较为接近；但是BP算法的RMSETe和MAPETe都较大，说明BP算法出现了过拟合现象。GABP算法的RMSETr、MAPETr、RMSETe及MAPETe相对较小且相近，表明该算法具有较好的泛化能力，能够准确地对输出参数进行预测。

综上可知，RMSE和MAPE对SVM、BP及GABP模型的评价结果与3.1节得出的结论相符合，再次验证了GABP具有较高的预测能力。

4 结束语

本文针对煤、气混燃锅炉进行了优化试验，试验得到BFG与COG的最佳配比应小于1.3。调整SOFA2/SOFA1开度为100%，使锅炉效率保持在91.63%。基于优化试验数据，采用智能算法建立了锅炉效率的SVM、BP及GABP的预测模型。预测结果表明，SVM模型对试验结果的逼近能力与泛化能力较差，BP模型产生了过拟合现象，GABP模型具有较强的逼近能力和泛化能力。SVM、BP及GABP模型的RMSE和MAPE评价结果再次验证了GABP为最优锅炉效率预测模型。

[2] AGBOR E，OYEDUN A O，ZHANG X，et al.Integrated techno-economic and environmental assessments of sixty scenarios for co-firing biomass with coal and natural gas[J].Applied Energy，2016，169(5)：433-449.

[3] MUN T Y，TUMSA T Z， LEE U，et al.Performance evaluation of co-firing various kinds of biomass with low rank coals in a 500MWe coal-fired power plant[J].Energy，2016，115(11)：954-962.

[4] BHATTACHARYA A，MANNA D，PAUL B，et al.Biomass integrated gasification combined cycle power generation with supplementary biomass firing：energy and exergy based performance analysis[J].Energy，2011，36(5)：2599-2610.

[5] KUO P C，WU W.Design and thermodynamic analysis of a hybrid power plant using torrefied biomass and coal blends[J].Energy Conversion Management，2016，111(3)：15-26.

[6] 王春波，魏建国，盛金贵，等.300MW煤粉/高炉煤气混燃锅炉燃烧特性数值模拟[J].中国电机工程学报，2012，32(14)：14-19.

[7] HOU S S，CHEN C H，CHANG C Y，et al.Firing blast furnace gas without support fuel in steel mill boilers[J].Energy Conversion Management，2011，52(7)：2758-2767.

[8] 易正明，肖慧，杜炳旭.钢厂煤气混烧锅炉运行优化的试验研究[J].武汉科技大学学报(自然科学版)，2014，37(5)：345-349.

[9] CHEN H，LIANG Z.Damper opening optimization and performance of a co-firing boilerin a 300 MW plant[J].Applied Thermal Engineering，2017，123(8)：865-873.

[10]樊泉桂，阎维平，闫顺林，等.锅炉原理[M].北京：中电力出版社，2014：61-68.

[11]崔桂梅，张建平.热值的神经网络模型研究[J].自动化仪表，2017，38(5)：28-32.

[12]陈鸿伟，梁占伟，赵斌，等.调峰燃煤机组选择性催化还原烟气脱硝的建模预测优化[J].环境污染与防治，2017，39(8)：869-872.