火电厂锅炉运行氧量对锅炉效率影响的定量分析

宋涛 孙桂玲

摘    要：锅炉是火电厂中的重要热力设备，对其进行燃烧热效率的精准运算与分析，可以更好地指导各个机组稳定、高效、经济地运行。在对锅炉参数的耗差进行分析时，应当有效运用热损失的计算模型，从而得到由于运行氧量未达到基准值而导致的煤耗偏差。据调查，运行氧量既会直接影响到锅炉的效率，又会通过影响锅炉内部的各个参数。基于此，本文阐述了运行氧量耗差的定量分析法，建立了基于BP神经系统的网络模型，依据该模型对运行氧量给火电厂锅炉效率的影响作出定量分析，提供了必要的参考。

关键词：火电厂锅炉; 运行氧量;锅炉效率;定量分析

1  前言

在锅炉参数耗差分析中，主要分析排烟温度、运行氧量、飞灰含碳量等偏离基准值时引起的煤耗率的变化。在分析氧量引起的耗差时，一般从热损失计算公式中求得氧量引起的煤耗偏差，然而，当运行氧量发生变化时，对经济性的影响除了烟气量引起的排烟热损失的变化外，同时还将引起其他运行参数的改变。

2  运行氧量耗差的定量分析

2.1  耗差分析模型

通过相关的研究了解到，排烟损失及设备没有完全燃烧带来的损失皆会对锅炉效率造成一定的影响。利用锅炉反平衡效率的计算模型可知，排烟损失及设备未完全燃烧带来的损失主要受到氧量的影响。从排烟损失的相关计算公式可知，氧量既会对锅炉效率产生直接影响，又会对其产生间接影响。当对设备未充分燃烧的损失进行计算的时候，如果想要借助飞灰含碳量计算设备未充分燃烧的损失难以实现。因此，不能仅仅通过锅炉效率计算模型的相关公式计算，有效地分析运行氧量给锅炉效率带来的影响。经过相关资料的查询发现，在以煤炭特性及其运行特点为基础，建立锅炉设备未充分燃烧损失解析的评估模型，通过模型可以系统地分析运行氧量给锅炉效率带来的影响。所以，本文借助GBPTC的反平衡锅炉效率的计算模型，对锅炉中的各项损失进行计算，总结因参数引起锅炉效率的变化规律。对于锅炉效率的制约因素加以深层次地研究，建立以上两项损失之和的网络模型，进而对氧量变化给锅炉效率带来的影响展开定量分析。

2.2  一般计算方法

以往的计算方法仅仅对运行氧量给排烟损失的影响进行分析，没有对设备未完全燃烧损失方面的分析;或尽管分析了机械未完全燃烧的损失，没有对运行氧量对飞灰含碳量带来的影响加以考虑。排烟损失的计算模型一般会给大型的火电厂锅炉运行机组的在线热效率带来巨大影响。在对锅炉参数的改变引起的耗差进行分析时，以往的分析方法通常将锅炉的损失进行细划分，成为几部分的热量损失，最后得到影响锅炉损失的参数也较为复杂。所以，一般的计算方法仅仅适合定量分析小规模的火电厂锅炉机组的运行效率。

本文在对运行耗氧量导致的耗差进行计算时，主要利用GBPTC反平衡的锅炉效率计算模型里的计算公式，主要包括的参数如下：烟气内含有水蒸气热量、烟气带走热量、煤质、空气等。把运行氧量的实际测量值与基准值代入计算公式，可以算出氧量变化给锅炉效率带来的影响。

3  建立人工神经网络模型

人工神经网络主要是由诸多模拟生物的神经元广泛相连而构成的网络系统，因为人工神经网络对任何非线性的函数具有良好的拟合性能与泛化性能，并且，对于复杂问题也有着较大的自适应与自学习性能，在非线性系统的模型构建方面获得广泛的应用。基于BP网络有着良好的非线性的拟合性能，且学习算法也很简单，具有较大的可行性。所以，本文利用BP神经网络构建了相关模型，对运行氧量对锅炉效率产生的影响进行定量分析。

3.1  选择模型输入输出的参数

为了得到最优的燃烧效率，一定要让各项的燃烧损失尽量控制到最低。燃烧损失的影响因素一般包括以下几个方面：燃料性质、燃烧模式、锅炉中过量空气的系数、炉膛结构、运行工况等。对已经投入运行的中间仓储型制粉系统的火电厂锅炉，其炉膛的构造已比较稳定，且制粉系统不会对燃烧带来明显的影响，所以，不将其列为模型计算的输入参数;因煤粉的细度以当前的技术难以进行在线精确地测量，且煤粉细度处于特定范围时可借助调节别的参数，对燃烧进行调整。所以，暂时不将煤粉细度进行经济性分析。本次研究主要分析燃料性质、氧量、运行工况对锅炉燃烧的影响。经过对排烟热损失与设备未充分燃烧的损失相关因素的分析，结合煤炭特性与运行工况的影响，获得网络模型的输入参数：（1）煤质特性方面：应用基水分、可燃基挥发分、低位热值、应用基灰分;（2）运行特性方面：排烟温度、机组负荷、风煤配比、锅炉运行氧量;（3）环境方面：环境温度。输出参数：排烟热损失（q2）与设备未充分燃烧损失（q4）之和。为了方便表达，将q2、q4之和称作q24。

3.2  分析网络模型的训练及结果

选择某火电厂300 MW机组（50%-100%负荷）运行参数为模型的输入。本次研究抽取了实时数据共100组，分为80组的训练样本与20组的测试样本。上述样本里含有的5种煤质参数各不相同。构建的BP网络模型其隐含层为2，第一个隐含层有4个神经元，第二个隐含层有3个神经元，分别通过双曲正切与对数的激活函数;输出层为线性结构。考虑到网络收敛的需求，BP网络隐含层的神经元应用Sigmoid式变换函数，函数的取值范围：[-1，l]，所以，网络输入值、输出值皆要进行归一处理，让其在[0，1]范围内。通过观察网络模型实测值与输出值的对比曲线与模型的相对误差曲线了解到：对训练样本而言，网络的实测值与输出值大体接近，很多误差的绝对值在1线内，且输出的相对误差最大不超过1. 2。对测试样本而言，神经网络的相对预测误差最大值<200。且误差符合工程误差标准，这表明了网络有着良好的泛化性。可以通过该模型对氧量变化给锅炉效率带来的影响作出定量分析。

3.3  运行氧量对锅炉效率影响的定量分析

氧量是锅炉机组运行调节中的关键参数。如果氧量过大，则多余的空气经过加热以后，排入大气带走部分热量，增加了排烟的热损失;相反，如果氧量过小，燃烧需要的空气成分缺乏，导致不充分燃烧，增加了设备未充分燃烧的损失。所以，对氧量给锅炉效率带来的影响进行定量分析可以為调整锅炉运行氧量提供可靠参考。本次研究在两项损失之和与建立网络模型的基础上，分析了运行氧量对锅炉效率带来的影响。从耗差分析原理了解到，让其他参数保持不变，单独改变运行氧量的数值，可了解氧量对锅炉效率带来的影响。例如：定量分析负荷为220MW、320MW的锅炉系统中运行氧量对锅炉效率的影响。经过计算，得到在这样的工况条件下，氧量变化引起的排烟热损失与设备未充分燃烧损失之和的变化。在显示操作中，只要把氧量的基准值与实际值分别代入模型，就可以得到运行氧量对锅炉效率带来的影响。

4  结束语

综上所述，本文通过一般方法分析了运行氧量对锅炉效率带来的影响，了解到氧量会直接、间接地影响火电厂锅炉的运行效率。在此基础上，引入人工神经网络技术，构建了排烟热损失与设备未充分燃烧损失之和的模型，通过此模型定量地分析了氧量对锅炉效率带来的影响。经研究发现，运行氧量对锅炉效率带来的影响生成的曲线动态与物理规律相符，有利于工作人员合理调整机组运行方式，让机组接近最优的运行状态，确保锅炉稳定、高效、经济地运行。

参考文献：

[1] 敖选志.浅谈火电厂锅炉运行控制与故障预防[J].民营科技，2018（7）：26.

[2] 陈广伟，马海鹏.600MW超超临界锅炉最佳运行氧量试验研究[J].节能，2017（9）：43～47.