根据气温对锅炉运行的影响构造闭环燃烧优化控制的试验研究

2022-06-23刘瑞东周远科彭献永周怀春

节能技术 2022年2期

刘瑞东，王志，周远科，彭献永，周怀春

(1．四川中电福溪电力开发有限公司，四川宜宾 645152；2.东北电力大学自动化工程学院，吉林吉林 132012；3.武汉九州三维燃烧科技有限公司，湖北武汉 430074；4.中国矿业大学智慧能源研究中心，江苏徐州 221116)

0 引言

当前能源危机已开始凸显，尤其是2021年下半年全国多个省份突发拉闸限电的状况。燃煤发电是我国一半以上电力的生产源头，提高燃煤发电效率，减少燃煤排放污染是该方向研究重点。数据驱动的燃煤锅炉燃烧优化方法在节能减排方面取得成效[1-3]。文献[1]采用数据驱动的模型来优化多目标问题，使用高斯过程模型来捕捉由测量误差和数据缺乏引起的NOx和未燃碳含量预测的不确定性，提出了一种基于概率优势的进化算法来估计NOx和未燃碳含量的最优平衡，并最终获得了满意的预测结果。文献[2]提取电厂锅炉的SIS历史数据，建立离线的燃烧数据案例库，并接入DCS实时优化系统进行在线燃烧优化，试验结果显示数据驱动的燃烧优化系统有效且实用。文献[3]采用数据驱动的方法针对某电厂的多机型、多热源的复杂机组，提出了一种改进的遗传算法,对该机组进行负荷优化分配，优化后的热耗有明显下降。文献[4]为了有效挖掘和利用电站机组运行过程中积累的海量数据，提出了一种基于工况划分的机组运行寻优方法。利用模糊聚类方法实现机组工况划分，挑选相同工况下的当前运行数据和历史数据中具有低能耗的运行控制参数，由此达到锅炉运行优化。文献[5]针对热工过程具有强耦合、大惯性和非线性等特点，提出一种鲁棒模糊C均值回归(RFCR)算法，其中TS模糊模型是分段线性化的一个拓展[6]，即利用若干个局部线性模型逼近全工况的非线性。文献[7]提出静态ARX模型，结合最优选择的输入变量集和提取特征，对燃煤锅炉NOx进行多步预测。叶灵芝[8]提出适用于工况划分的K-means改进算法，采用多目标优化方法协调经济性指标和环保性指标的最优解，将NSGA-Ⅱ与理想点法结合，并使用新相似度度量方法，得到性能指标最优的运行参数。文献[9]开发了一个深度数据驱动的燃烧系统操作优化框架，基于深度信念网络的方法来模拟燃烧效率和NOx排放。然后通过优化燃烧系统的控制设置，进一步提高燃烧效率和降低NOx排放。

但是，以神经网络为核心的机器学习算法比较耗时，无法适用于锅炉实时控制。文献[10]以一台600 MW机组近一年DCS存储的相关历史运行数据为基础，分析了锅炉运行性能和参数随锅炉出力(主蒸汽流量)和气温(送风机入口风温)的变化。计算分析结果表明：不同季节(气温)条件下该机组运行经济性存在很大的差异。为了研究环境温度变化对锅炉性能的影响，提高锅炉效率、减少NOx排放，本文在将目标机组特定历史数据以负荷、气温(送风机入口风温)划分二维区间的基础上，进一步根据锅炉效率较高和NOx排放较低的相对优化的气温区间的运行特性构造锅炉燃烧优化控制规律。然后，将该优化规律投入一台600 MW机组锅炉燃烧优化控制工业试验，验证了该方法的有效性。

1 燃烧优化规律提取

1.1 有效数据提取

以1 min为周期，提取一台600 MW机组2020年4月～2021年4月DCS存储的相关历史运行数据。相关数据主要包括锅炉的监测和控制参数，如负荷、主蒸汽参数(流量、压力、温度)、各层(角)燃烧器给煤量、总风量、给水流量、总燃料量、全部二次风门开度、烟气含氧量、排烟温度、NOx排放量、送风机入口风温等。

根据文献[10]的数据分析方法，通过公式(1)计算不同负荷、不同气温区间内各参数均值

(1)

式中i——负荷区间，该机组负荷划分范围：320～620 MW，一个负荷区间为15 MW，共20个负荷区间；

j——气温区间，6～36 ℃为全年气温变化范围，一个气温区间为1.5 ℃，共20个气温区间；

k——参数类型，本文为102个；

l——该子集内工况点个数，l=1,2,3,…,L(i,j)个，且各子集内的工况点个数各不相同。

全部运行数据共分为20×20=400个数据子集，代表不同负荷、不同气温区间下的全部运行数据。优化模型侧重锅炉运行的经济性和氮氧化物排放[16-17]，经济性通过总煤量与负荷比值表征，本文通过公式(2)筛选满足要求的工况点，即将优于锅炉效率均值和NOx排放均值的工况点筛选出来

(2)

式中k=1——实时负荷;

k=2——总燃料量;

k=101——NOx排放量。

利用筛选后的数据包，由公式(3)计算各个负荷和气温区间各个运行参数的均值

(3)

l′——该子集内数据包的个数，l′=1,2,3,…,L′(i,j)个。

1.2 能耗分析

其中图1(a)为总燃料量均值随负荷和气温的变化趋势，图中可看出相同负荷下低温区间18 ℃及以下，燃料量消耗较多；高温区间27 ℃以上次之，中间温度区间[21,27]℃之间燃料消耗最低。其中图1(b)为烟气含氧量均值随负荷和气温的变化趋势，在高温区间烟气氧量趋于稳定且合适的前提下，图1(c)中排烟温度升高造成锅炉效率降低的主要原因则是总风量过度增加(图1(d))，加之控制系统趋于风煤比的控制逻辑，导致锅炉燃烧多余燃料量所致。因此，仅以最佳烟气氧量这一指标认定锅炉实现了优化燃烧的认识是片面的。

综合以上对图1中历史数据的分析，除18℃及以下，风量偏低，燃料量消耗较大，其它气温下风量基本一致，燃料量消耗相差不大。10×1.5+6=21 ℃到14×1.5+6=27 ℃之间燃料量消耗全年较低，可作为整体优化的依据。

图1 主要参数随负荷和气温的变化

1.3 建立数据模型

利用公式(3)的计算结果，构建优化数据模型M1如公式(4)所示为其矩阵表示

(4)

基于1.2节对历史运行数据能耗的分析，在温度区间21～27 ℃内，相同负荷下总煤量均值较其他温度区间更低，所以该温度区间锅炉运行效率最高，即该区间锅炉历史运行工况更好。本文提出计算该温度区间不同负荷下各参数均值，然后将计算结果扩展至所有温度区间，记为基础数据模型M0，式(5)～(7)演示了模型M0的构建过程

(5)

(6)

(7)

本文提出将模型M0和模型M1按不同权重构造优化数据模型M2和M3，其计算过程如公式(8)和(9)所示

(8)

(9)

2 试验

2.1 对比试验

对本文设计的燃烧优化在线控制系统开展了全尺寸工业试验，将三个数据驱动的优化模型M1、M2和M3各投入运行1天，未优化工况为投运前3天的机组运行数据，表1详细记录了对比试验统计数据。其中数据采样时间间隔为1 min，模型M1～M3的采样工况点个数为1 440。未优化对比工况点个数为4 320。表1统计数据可以看出温度重合区间10.5～15 ℃，本文对三组温度重合区间数据进行对比，即10.5～12 ℃、12～13.5 ℃、13.5～15 ℃气温区间，对比不同负荷下各参数均值(燃料量、NOx排放量、排烟温度均值、总风量及烟气含氧量)。

表1 对比试验统计数据

2.2 试验结果

图2所示为四种试验的燃料量，分别在三组温度区间的数据对比。图中可以看出各个气温区间下，优化模型M1的燃料量在中、低负荷段明显低于其他工况，尤其在低负荷380 MW时，燃料量出现最低值，说明该工况下，锅炉燃烧效率处于高位。在10.5～12 ℃温度区间，整个试验负荷区间内优化模型M1燃料量最低，其他温度区间内，在负荷高于480 MW时，优化模型M1比未投优化时燃料量略高。

图2 燃料量试验数据对比

图3所示为四种试验的NOx排放量，分别在三组温度区间的数据对比。图中显示负荷低于485 MW时，优化系统的投入对NOx排放的降低作用不明显，负荷高于485 MW时，优化模型M1的投入明显降低了NOx排放量，然而在低负荷区间，三种优化模型对应的NOx排放量普遍偏高，主要原因是模型过于追求燃烧效率，导致炉内燃烧环境利于NOx的生成。