基于电厂混煤燃烧性能的优化配煤模型

郝 兵，赵 越，张 森，李仁义，刘家利，赵 川

基于电厂混煤燃烧性能的优化配煤模型

郝 兵1，赵 越2，张 森2，李仁义2，刘家利2，赵 川3

（1.华能新疆能源开发有限公司轮台热电分公司，新疆 轮台 841600； 2.西安热工研究院有限公司，陕西 西安 710054； 3.国电科学技术研究院有限公司成都分公司，四川 成都 610091）

随着火电厂对混煤的使用日益广泛，以煤的发热量、挥发分等工业分析指标作为约束条件的配煤已不能完全满足当前的需求，并且由于在线煤质检测设备的逐步应用使电厂在配煤过程中更加重视入炉混煤的着火、燃尽与结渣等燃烧性能。本文通过建立着火、燃尽与结渣指数的混煤配比关系模型并设置相关约束条件，再基于粒子群优化算法全局寻优，可快速、准确地搜索到满足需求的燃煤配比关系和最优的配煤价格，所配制的混煤不仅能保障电厂锅炉的安全运行，而且可极大地提高燃煤经济性。

粒子群优化算法；配煤；燃烧性能；约束条件；煤质参数；混煤价格

我国煤炭资源分布不均、种类繁多，由于煤价市场化、电价管制化等原因，火力发电企业为了经营效益被迫或主动掺烧非设计煤，不恰当的配煤将会导致锅炉及辅机设备与燃煤不适应，严重影响机组运行的安全性与经济性[1-2]。

为满足燃烧设备及辅助设备适应动力用煤煤质变化的需求，混煤掺烧被日益重视。现有混煤掺烧方法大多是使混煤在发热量、水分、灰分、挥发分、硫分等某几个参数上尽可能达到设计值或控制值以满足燃烧性能要求[3-7]。此类配煤中的参数多采用线性加权计算，操作人员通过简单计算即可给出掺配方案，对配煤掺烧具有一定指导作用，但其燃烧性能常常不稳定且与实际预期偏差较大，不能从根本上保证混煤的适用性。

煤的燃烧性能主要指煤的着火稳定性、燃尽性和结渣性能，这些性能决定了锅炉燃烧的稳定性、经济性和安全性[8-10]。因此依据燃烧性能的配煤方法更加科学有效，在此基础上可同时设置发热量、硫分等其他各种配煤约束条件，以满足电厂不同需求。

本文建立了着火、燃尽与结渣指数的混煤配比关系模型，并将其设置为寻优约束条件，采用粒子群优化（particle swarm optimization，PSO）算法全局寻优，快速、准确地搜索到满足需求的燃煤配比关系和最优的配煤价格。电厂可借助该算法根据机组负荷、煤场存煤与煤炭市场情况实时动态地进行配煤寻优计算，所配制的混煤不仅能够保障锅炉长期安全稳定运行，并可极大地提高燃煤经济性。

1 着火、燃尽与结渣指数的混煤配比关系模型

本文以混煤的着火温度IT、燃尽率和结渣指数分别作为混煤着火稳定性、燃烧经济性和安全性的指标。影响混煤性能的常规分析指标主要有掺烧煤的干燥无灰基挥发分Vdaf、收到基低位发热量net,ar、灰分Aar、水分Mt和混煤掺配比例等。而影响混煤结渣指数的主要指标有掺烧煤的灰熔融性软化温度ST、收到基低位发热量net,ar、煤灰碱酸比[11]、煤灰硅比[11]及混煤掺配比例等。根据上述相关影响因素，通过运用多元线性回归方法，利用统计学原理将本实验室已经掌握的混煤燃烧数据，经过计算整理得出混煤着火温度、燃尽率和结渣指数与上述因素的回归关系，通用关系表达式如下：

式中，代表IT、或，Y为上述各影响因素或其组合，A为系数，=1,… ,9。

各燃烧指标的回归因素及回归系数见表1，表中Ratio为挥发分最大煤种的比例。

表1 混煤燃烧指标的回归因素及回归系数

Tab.1 The regression factors and coefficients of combustion indexes for blended coal

表1中煤灰碱酸比、煤灰硅比的计算式如下：

式(1)在配煤掺烧寻优过程中，着火温度IT、燃尽率和结渣指数可根据掺烧单煤种煤质参数及比例变化动态计算获得。

2 粒子群优化算法的配煤模型

粒子群优化算法[12-15]是一种进化计算技术，源自于鸟群扑食的行为。该算法的优点是具有较强的全局数据搜索能力且适用于复杂情况下的优化问题求解[13]。配煤寻优过程中需利用个体与全局的极值对数据进行更新，其速度与位置更新公式为[4,12]：

粒子群优化算法的配煤模型是基于着火、燃尽与结渣指数的混煤配比关系模型，且以最优混煤价格作为目标函数，算法寻优过程中当满足混煤所有约束条件并且目标函数达到最小值即可获得各煤种的精确配比。采用本程序可在种煤中选择出种掺配煤并获得其配比，目标函数为

式中，C等于1或0即为是否选择第种煤，X为第种煤的配比，P为第种煤的价格。

各煤种的比例与选择满足

着火指数、燃尽指数与结渣指数的约束条件：

(8)

式中，代表IT、或指数，d与u分别代表指数的下上限值。在算法寻优过程中等式约束采用归一法，不等式约束采用惩罚函数法。本程序的正确性已在文献[16]进行了验证。

3 仿真实验及结果分析

本文基于粒子群优化算法进行建模，并采用表2中的7种单煤煤质参数化验数据及价格进行优化配煤仿真实验。由表2可见：热值、灰熔点及硫分对单煤价格影响较大，一般热值越高，灰熔点越高或硫分越低，煤价越高。实际上煤质指标往往高低相互交错导致煤价分布并不规律，并且各个电厂锅炉对煤质指标的需求也不尽相同，通过粒子群算法寻优煤质指标将会使电厂在购煤时获得可观的利润空间。如果在此基础上再从燃烧性能约束可购煤种，将能在保证锅炉安全稳定运行的前提下配制价格最优的混煤，大大降低掺烧运行成本与购煤成本，使燃煤电厂获得长远收益。

表3与表4分别为着火和燃尽性能以及结渣性能的判别指标与分级界限。在配煤寻优试算过程中选择各指标等级后，其相应的分级界限将作为约束条件不等式，同时考虑到配煤设备实际的运行性条件，单种煤的比例不得小于10%。采用粒子群优化算法在表2中的7种单煤中进行寻优计算，当配制混煤满足所有约束条件且价格最低时所对应的煤种及比例即为最优方案。

表2 煤质参数及价格

Tab.2 The coal quality parameters and price

表3 着火和燃尽性能判别指标与分级界限

Tab.3 The distinguishing indexes and classification limits of ignition and burnout

表4 结渣性能判别指标与分级界限

Tab.4 The distinguishing indexes and classification limits of slagging

表5为3种燃烧性能对应的寻优结果，包括煤种编号、煤种比例及混煤价格。由表5可见，燃烧性能越优的混煤，价格越高。5号煤种挥发分高、热值高、灰熔点高不易结渣，但由于硫分较高导致其价格较低，但其他指标较优，因此燃烧性价比高，3种燃烧性能条件的混煤均选取了该煤种。

表5 不同燃烧特性的混煤寻优结果

Tab.5 The optimization results of blended coal with different combustion performances

实际配煤过程中，硫分对环保性影响较大，而热值决定了机组带负荷的能力，这两种指标均较为重要，因此在燃烧性能约束的基础上再增加硫分与热值的约束条件进行寻优计算，计算结果见表6。由表6可见，3种燃烧性能的混煤在硫分小于0.8%与热值大于20 MJ/kg的约束条件下，煤种和比例发生了变化，价格均出现不同程度的升高。

表6 增加硫分与热值约束的混煤寻优结果

Tab.6 The optimization results of blended coal with constraints of sulphur and caloric value

此外，由于部分电厂配煤条件和管理的限制，掺配的煤种被限定为2种，因此在之前的基础上再限定2种单煤掺配。增加掺配煤种数量约束的混煤寻优计算结果见表7。由表7可见，3种燃烧性能的混煤价格均又出现升高。由此可见，配煤寻优过程中，约束条件越多，约束性能指标越优，混煤 价格越高。同时也反映出粒子群优化算法可适应多条件多范围的优化配煤，而且计算量小，配煤实时性较好。

表7 增加掺配煤种数量约束的混煤寻优结果

Tab.7 The optimization results of blended coal with constraint of species number of blending coal

由以上分析可知，通过设置备选煤种的燃烧性能与电厂其他需求为约束条件，应用粒子群算法可获得安全、环保与经济的配煤掺烧方案。配煤过程所涉及的约束条件还可根据机组主辅机设备适 应性、工况运行参数与污染物排放情况增减与调整[17-18]。本研究方法尤其对煤源复杂、锅炉安全问题突出的燃煤电厂具有促进作用。

4 结 论

1）通过混煤配比关系模型，混煤的燃烧性能，即着火温度IT、燃尽率和结渣指数可根据掺烧单煤种煤质参数及比例变化动态计算获得。

2）采用粒子群算法在满足燃烧性能、热值、硫分及煤种数量的约束条件下，可寻优获得混煤价格最低的掺烧煤种与比例，约束条件越多，约束性能指标越优，混煤价格越高。

3）本研究以燃烧性能寻优可购煤种，能在保证锅炉安全稳定运行的前提下配制价格最优的混煤，大大降低了掺烧运行成本与购煤成本，使燃煤电厂获得长远收益。

［1］ 滕飞, 杨洪波. 火电厂掺烧非设计煤种的经济性分析[J]. 热电技术, 2011(3): 14-16.

TENG Fei, YANG Hongbo. The study of economy analysis of blend-firing with non-designed coal sort[J]. Cogeneration Power Technology, 2011(3): 14-16.

［2］ 李自怡. 基于目标成本管理的火电厂成本控制体系[J]. 电网与清洁能源, 2014, 30(4): 36-39.

LI Ziyi. Cost control system of thermal power plant based on target cost management[J]. Power System and Clean Energy, 2014, 30(4): 36-39.

［3］ 沈桂男. 煤质变化对锅炉运行经济性的影响[J]. 华东电力, 2005, 33(3): 29-31.

SHEN Guinan. Effect of coal quality variation on economy of boiler operation[J]. East China Electric Power, 2005, 33(3): 29-31.

［4］ 高正平, 刘永江, 韩义, 等. 基于量子粒子群优化算法的配煤研究[J]. 热力发电, 2013, 42(7): 44-49.

GAO Zhengping, LIU Yongjiang, HAN Yi, et al. Investigation of coal blending optimization for power plants based on quantum-behaved particle swarm optimization[J]. Thermal Power Generation, 2013, 42(7): 44-49.

［5］ 蔡志荣. 350 MW机组锅炉配煤掺烧及燃烧调整[J]. 中国电力, 2009(3): 36-40.

CAI Zhirong. Blended coals and combustion adjustment of 350 MW unit boiler[J]. Eleetric Power, 2009(3): 36-40.

［6］ 彭娟, 程健, 韩仿仿, 等. 基于粒子群算法的自动配煤系统多目标优化[J]. 工矿自动化, 2009, 35(10): 25-28.

PENG Juan, CHENG Jian, HAN Fangfang, et al. Multi-target optimization for automatic blending coal system based on PSO algorithm[J]. Industry and Mine Automation, 2009, 35(10): 25-28.

［7］ 刘玉娇, 张海英, 关海盈. 基于多种算法的多目标配煤优化方法[J]. 热力发电, 2014, 43(9): 108-112.

LIU Yujiao, ZHANG Haiying, GUAN Haiying. Uniform design based multi-objective optimization method for coal blending[J]. Thermal Power Generation, 2014, 43(9): 108-112.

［8］ 孙路石, 陆继东, 曾丽华, 等. 大型电站锅炉煤种适应性分析实例[J]. 热能动力工程, 2002, 17(4): 353-355.

SUN Lushi, LU Jidong, ZENG Lihua, et al. Analysis of the adaptability of large-sized power plant boilers to various kinds of coals[J]. Journal of Engineering for Thermal Energy & Power, 2002, 17(4): 353-355.

［9］岳爽, 王春波, 司桐, 等. 基于煤质参数的恒温下混煤燃烧特性的新判定方法[J]. 动力工程学报, 2018, 38(5): 353-365.

YUE Shuang, WANG Chunbo, SI Tong, et al. A new judgement method for combustion characteristics of blended coal at constant temperature based on coal properties[J]. Journal of Chinese Society of Power Engineering, 2018, 38(5): 353-365.

［10］赵忠辉. 基于无源的煤质在线检测技术发展与应用分析[J]. 煤炭技术, 2018, 37(1): 312-315.

ZHAO Zhonghui. Development and application of coal quality on-line detection technology based on no radioactive source[J]. Coal Technology, 2018, 37(1): 312-315.

［11］ 黄千钧. 以煤灰碱酸比与硅铝比的乘积作为动力用煤结渣指数的探讨[J]. 动力工程学报, 2004, 24(3): 340.

HUANG Qianjun. The product of base/acid and silica/alumina of ash in steal coal: an index to ash slagging tendency[J]. Power Engineering, 2004, 24(3): 340.

［12］ KENNEDY J, EBERHART R. Particle swarm optimization[C]//Proceedings of IEEE International Con-ference on Neural Networks, 1995, 4: 1942-1948.

［13］ SHI Y, EBERHART R. Modified particle swarm optimizer[C]//Proceedings of IEEE International Con-ference on Evolutionary Computation, 1998, 6: 69-73.

［14］ 刘建华. 粒子群算法的基本理论及其改进研究[D]. 长沙: 中南大学, 2009: 1-10.

LIU Jianhua. The research of basic theory and improve-ment on particle swarm optimization[D]. Changsha: Central South University, 2009: 1-10.

［15］ 孙俊, 方伟, 吴小俊. 量子行为粒子群优化: 原理及其应用[M]. 北京: 清华大学出版社, 2011: 21-29.

SUN Jun, FANG Wei, WU Xiaojun. Quantum-behaved particle swarm optimization: principle and application [M]. Beijing: Tsinghua University Press, 2011: 21-29.

［16］ 赵越, 蒙毅, 李仁义. 基于粒子群优化算法分析约束条件对配煤最优价格的影响[J]. 热力发电, 2017, 46(12): 99-104.

ZHAO Yue, MENG Yi, LI Renyi. Influence of constraints on optimal price of blending coal: by particle swarm optimization algorithm[J]. Thermal Power Generation, 2017, 46(12): 99-104.

［17］ 张宇, 周连升, 王桂林, 等. 减少污染物排放成本的配煤优化模型[J]. 热力发电, 2015, 44(7): 88-92.

ZHANG Yu, ZHOU Liansheng, WANG Guilin, et al. Coal blending optimization model based on pollutant emission prediction[J]. Thermal Power Generation, 2015, 44(7): 88-92.

［18］ 李文学, 张东杰, 黄宣, 等. 配煤掺烧比对发电厂综合成本影响的定量分析和优化计算[J]. 电力科技与环保, 2016, 32(1): 50-53.

LI Wenxue, ZHANG Dongjie, HUANG Xuan, et al. Quantitative analysis and optimization of mixing ratio power coal on comprehensive cost of coal-fired power plants[J]. Electric Power Technology and Environmental Protection, 2016, 32(1): 50-53.

Optimal coal blending model based on co-combustion performance of mixed coal in power plants

HAO Bing1, ZHAO Yue2, ZHANG Sen2, LI Renyi2, LIU Jiali2, ZHAO Chuan3

(1. Luntai Thermal Power Station, Huaneng Xinjiang Energy Development Co., Ltd., Luntai 841600, China; 2. Xi’an Thermal Power Research Institute Co., Ltd., Xi’an 710054, China;3. Guodian Science and Technology Research Institute Limited Chengdu Branch, Chengdu 610091, China)

With the increasingly wide utilization of blended coal in coal-fired power plants, coal blending under constraints of industrial analysis indexes such as caloric value and volatile content cannot meet the current demand. Moreover, with the gradual application of on-line coal analyzer, the combustion performance of blended coals including ignition, burnout and slagging has attracted much more attentions in coal blending process. In this paper, the relationship model between combustion performance and blending proportion of coal is established, and the relevant constraints are set. Then, on the basis of global optimization based on particle swarm optimization algorithm, the cheapest coal blending solution that meets all set constraints can be found rapidly and exactly. The prepared coal mixture can not only guarantee the safe operation of the boiler in power plant, but also greatly improve the economy of burning blended coal.

particle swarm optimization algorithm, coal blending, combustion performance, constraints, coal quality parameter, price of blending coal

TK16

A

10.19666/j.rlfd.201901003

郝兵, 赵越, 张森, 等. 基于电厂混煤燃烧性能的优化配煤模型[J]. 热力发电, 2019, 48(5): 109-113. HAO Bing, ZHAO Yue, ZHANG Sen, et al. Optimal coal blending model based on co-combustion performance of mixed coal in power plants[J]. Thermal Power Generation, 2019, 48(5): 109-113.

2019-01-01

郝兵(1964—)，男，硕士，高级工程师，主要从事生产技术及管理，my4245@sina.com。

（责任编辑 马昕红）