燃煤电厂煤质成分软测量技术研究

张 勇，赵永利，朱宪磊，张秋瑶，毕有福，许 涛

（1.内蒙古霍煤鸿骏铝电有限责任公司 电力分公司，内蒙古自治区 通辽 029200；2.上海发电设备成套设计研究院有限责任公司，上海 200240）

0 引言

煤炭是大部分火力发电厂使用的燃料，煤质成分的变化对锅炉燃烧有着极大的影响。准确获得入炉煤质并根据煤质调整配风是提高锅炉效率及降低NOx生成量的重要手段之一，这对燃煤电厂节能减排，降碳增效运行有着重要意义。煤质成分在线分析装置主要使用核射线或其他高能束的介入来探测煤炭的内部成分，相关的检测仪器多依赖进口，其价格昂贵，应用要求高，后期维护投入较大[1]，目前很少有燃煤电厂配备煤质在线检测装置。

应对难以直接检测的情况，工程上通常使用软测量的方法。软测量是指通过生产过程机理分析，根据物理、化学原理构建待测的变量与易测的变量间的数学关系模型，根据关系模型，用容易测量的变量值来推断或者估计出待测变量的值，将原本的硬件测量转化为软件的测算。应用软测量技术获取电厂的煤质成分有着成本低，响应快，测量可连续的优势。

目前关于燃煤电厂煤质成分软测量的研究多集中在单一的方面，对于整个技术框架的总结和综述性文章还比较少。本文对目前各项煤质成分软测量技术进行了总结汇总，并探讨燃煤电厂煤质成分软测量技术未来的发展方向。

1 煤质成分及软测量方法

基于不同的分析方法，煤质成分通常有两种描述方式，一种是基于工业分析，分析煤炭中水分、灰分、固定碳、挥发分等的含量；另一种是基于元素分析，分析煤炭中可燃性元素碳（C）、氢（H）、氧（O）、氮（N）、硫（S）的含量。针对入炉煤质检测场景，需要获取全面的煤质信息，往往将两种分析方法耦合使用。此外，煤炭的发热量与发电成本直接挂钩，电厂对煤的发热量也格外关注，燃煤的发热量可分为高位发热量及低位发热量，电厂的入炉煤质分析以低位发热量的分析应用为主[1]。

煤质成分软测量通常指的是获取上述的这些反应煤炭品质的组分信息，这类软测量主要依靠机理分析，通过对电厂整个燃烧过程中环节的分析，构建能量守恒或物质守恒方程，推导待测变量与DCS系统中已有测点的变量间的关系，从而实现煤的水分、元素组成、发热量及灰分的软测量。随着数据分析技术的发展，很多学者应用机器学习方法进行煤种的在线辨识分类，这也可看做是一种广义上的煤质软测量技术。本文主要对基于机理分析的煤质成分软测量技术进行综述。

2 基于机理分析的煤质成分软测量技术

基于机理分析的煤质成分软测量主要用于测量煤中的水分、元素组成、发热量和灰分，该软测量技术是基于输入/损失技术[2]提出的，主要依靠能量、物质守恒构建软测量所需的关系模型。

2.1 煤质水分软测量

煤质中水分不是可燃物，对于燃料来说是一种杂质，通常需要采取干燥措施去除。一方面，当水分含量较大时，会吸收煤粉燃烧的一部分热量，使得着火的热量增加，不利于煤粉的燃烧，从而使飞灰含碳量变大，进一步导致锅炉效率降低；另一方面，煤中水分过大，会增加煤粉的粘性，增大堵煤事故的发生概率。因此，需准确测得入炉煤质的水分含量，从而可以进行准确干燥，以去除煤中的绝大部分水分。

电厂入炉煤中的水分通常在制粉环节进行干燥去除，因此软测量手段通常也是根据制粉环节来制定的。赵征等人[3]根据能量守恒原理，考虑进入制粉系统的总能量应等于系统消耗的能量与带出系统能量之和来建立煤质水分软测量模型。具体的思路如下：

1kg原煤经过制粉系统研磨，输入制粉系统的总能量qin（kJ/kg）计算如公式（1）所示。

式（1）中：qag1为干燥剂的物理热（kJ/kg）；qrc为原煤物理热（kJ/kg）；qmac为磨煤机研磨煤粉所产生的热量（kJ/kg）；qs为密封风的物理热（kJ/kg）；qle为漏入冷风的物理热（kJ/kg）。

1kg原煤经过制粉系统研磨，被消耗及带出的总热量qout（kJ/kg）计算如公式（2）所示。

根据能量平衡qin=qout，带入各项得到式（3）：

其中，qrc、qev、qf3个变量计算式中都包含煤水分Mar，将这3项移到等式一边得到式（4）：

带入每个子项后，可以获得一个关于煤质水分Mar的一元二次方程。解此方程，其中在0%～100%范围的实根即为煤质的水分含量。

该方法也经过了许多学者的验证，刘苹稷[4]参考此方法建立了类似的水分软测量模型，其实验结果显示求取模型的结果和化验值的变化趋势基本一致，具有可行性与实用性；李峰等人[5]指出，由能量平衡建立的关系模型为静态平衡关系，在大范围变出力时，由于制粉惯性的存在，会造成入口和出口测量数据存在暂时的不匹配现象，从而导致计算结果会出现异常。为此文献[5]的研究者添加了低通滤波器对软测量得出的煤质水分信号进行滤波，有效克服了测量信号扰动对燃煤水分质量分数信号造成的扰动。

2.2 煤质元素成分软测量

煤炭在锅炉中燃烧，最终的燃烧产物为烟气，根据物质守恒的原理，烟气的气体成分能够反映入炉煤的元素组成信息（C、H、O、N、S）。刘福国[6]基于物质守恒原理和煤炭燃烧过程的化学分析，总结了如下方程组：

式中，γCO2、γSO2分别为烟气中CO2、SO2的体积分数；a1、a2、b1、b2为回归系数，根据电厂常用煤的收到基成分进行拟合。

解上述6条方程组成的方程组即可获得煤炭的元素成分信息，在进行元素分析软测时，煤质水分应为已知值，收到基数据与干燥无灰基数据可按照指定公式进行换算，方程组中的各系数计算此处不作展开。

在上述基础上，很多学者展开了进一步的研究：米翠丽等人[7]引入锅炉效率作为中间量，通过正、反平衡两种计算方法建立锅炉效率等式，而等式中包含有入炉煤成分和烟气成分的相关变量，以此获得煤质元素成分的软测量关系模型。实验结果表明，这一改进的煤质元素成分软测量模型计算得到的煤质参数与试验结果的相对误差在±5%以内。刘福国等人[8]研究利用日常煤质数据来预测煤的元素成分，采用工业分析成分和元素分析成分之间的关联式以及发热量和元素成分之间的关联式构建预测模型，其预测频率受电厂日常检测周期限制，无法给出连续的实时值，但由于仅需要日常的检测数据，该方法比较适合现场实施。

2.3 煤质发热量软测量

煤的发热量即为单位质量煤粉燃烧所能释放的热量，准确获取煤的发热量并匹配与之对应的最佳的风量，是燃烧优化调整的重要手段。目前，现场主要采用间接矫正的方法来表征煤发热量变化，例如超临界机组通常将主蒸汽流量作为实际负荷参考值与负荷指令进行对比修正燃料发热量[1]，但是校正的精度有限，较难适应频繁变动的煤质信息，因此针对煤的发热量制定软测量方法是十分必要的。

电厂主要关注燃料的低位发热量，可表示为单位燃料量所释放出的热量。从锅炉热量传递视角看，煤粉入炉后燃烧所释放的热量大部分被各换热器内的循环工质吸收，主要表现为主蒸汽与再热蒸汽吸收的热量；剩下的热量表现为以排烟热损失为主的各项损失热量，根据能量守恒原理，可得煤粉燃烧释放热量等于主、再热蒸汽吸收热量加上损失的热量。根据蒸汽压力、温度测点信息可以计算蒸汽的焓值，各项损失也有相应的计算方法，合起来就可以表征煤粉燃烧释放的热量，结合这段时间进入锅炉的燃料量，即可求取入炉煤的低位发热量，煤的低位发热量计算公式如式（11）所示：

式（11）中，Qr为煤粉燃烧释放的总热量，kJ；K为与效率相关的系数，一般取K=1；Bv为进入炉膛的总煤量，kg/s；Qnet,ar为煤的低位发热量，kJ/kg。

式（12）中，Q1为锅炉有效吸热，kJ；Q2为排烟热损失，kJ；Q3为化学未完全燃烧热损失，kJ；Q4为机械未完全燃烧热损失，kJ；Q5为锅炉散热损失，kJ；Q6为灰渣物理热损失，kJ。

式（13）中，Dgr为主蒸汽流量，kg/s；igr为主蒸汽焓，kJ/kg；Dgs为给水流量，kg/s；igs为给水焓，kJ/kg；Djws为减温水流量，kg/s；ijws为减温水焓，kJ/kg；Dzr为再热蒸汽热量，kg/s；izr为再热蒸汽焓，kJ/kg；igp为高压缸排气焓，kJ/kg。各焓值可根据压力、温度按照汽水热力特性IFC97计算获得。

在已知煤元素成分含量及水分含量的基础上，也可用门捷列夫公式计算煤发热量，煤发热量与煤收到基元素成分含量间的统计公式如下：

李俨等人[9]采用烟气成分推算煤的元素组成后，根据门捷列夫公式计算煤的低位发热量并采用电厂实际的检测数据优化修正系数，最后将软测量得出的低位发热量数据引入机组协调控制系统，实现机组煤质自适应控制。

2.4 煤质灰分软测量

煤炭中的灰分和水分类似也是一种无法燃烧的杂质，在上述水分、元素成分和低位发热量均可通过软测量手段得出的基础上，煤质灰分的软测量通常通过总给煤量进行校验。刘福国[6]总结了一种电厂常用的灰分的校正方法：在入炉煤的低位发热量已知的情况下，煤燃烧释放总能量取决于总给煤量；假定煤炭中的灰分含量，即可计算煤炭除去灰分后的总质量；同时通过实际锅炉工质吸收热量及损失的热量及煤的低位发热量可以计算实际的耗煤量；然后根据两者的差值对假定的灰分进行校正，其流程图如图1。

图1 基于给煤量校验的灰分迭代计算过程Fig.1 The iterative calculation process of ash content based on the verification of coal feeding quantity

上述煤质的软测量本质上是一种计算校验的方法，其精度受到水分、元素组成、低位发热量的软测量精度的影响，通常应使用稳态数据来进行校正计算，动态数据波动大，各软测量的可靠性较低，会降低灰分校正的准确度。

3 结语

煤质成分软测量经过几十年的发展已较为成熟，本文对燃煤电厂常用的基于机理分析的煤质参数软测量方法进行了简要的综述。随着大数据和机器学习技术的不断发展，越来越多的学者将研究重点转移到基于数据驱动的软测量方法上，但需要注意的是：单纯依靠数据分析有可能会出现严重的原理性错误，而基于机理分析的软测量方法有着明晰的物理、化学原理作为支撑，可以保证避免原理性的错误。另一方面，数据建模在结构上比机理模型简单很多，能更好地适应实时检测的需求。因此，未来的煤质成分软测量发展方向应是以机理分析为基础，融合大数据建模手段的综合性软测量。