电站锅炉燃烧智能优化控制策略研究

摘 要：目前新一代信息技術与火力发电技术正在深度融合，燃烧智能优化在火电站节能减排、少人值守等方面具有重要意义，是智慧电厂建设的关键一环。对大数据驱动下的燃烧智能优化以及开环/闭环控制策略分析后得到：在保证安全的前提下，燃烧智能优化将从历史经验向机器学习，开环控制向闭环控制逐渐过渡，最终实现锅炉燃烧参数自动调整，经济与环保性能提升的闭环优化控制。

关键词：燃烧优化；历史经验；机器学习；开环；闭环

中图分类号：TK222  文献标识码：A

Research on Intelligent Combustion Optimization Control

Strategy of Power Plant Boiler

Liao Pengwei

Datang Central South Electric Power Test Research Institute HenanZhengzhou 450000

Abstract：At present，the new generation of information technology and thermal power generation technology are being deeply integrated.Intelligent combustion optimization is of great significance in terms of energy saving and emission reduction，and unattended control in thermal power plants.It is a key link in the construction of smart power plants.After analyzing the intelligent combustion optimization and openloop/closedloop control strategies driven by big data，it is obtained：under the premise of ensuring safety，the intelligent combustion optimization will gradually transition from historical experience to machine learning，openloop control to closedloop control，and finally realize the closedloop optimization control for automatic adjustment of boiler combustion parameters and improvement of economic and environmental performance.

Keywords：combustion optimization；historical experience；machine learning；openloop；closedloop

当前人工智能的发展具有深度学习、群智开放、自主操控、人机协同等新特征，与移动互联网、大数据、超级计算等新理论、新技术呈现深度融合趋势。新一代人工智能技术是推动我国科技跨越发展、产业优化升级、生产力整体跃升的重要战略资源之一。

工业智能的本质是人工智能通用技术在具备自感知、自决策、自学习、自适应、自执行能力的前提下，适应动态变化的工业环境，与工业场景、机理、知识进行结合，完成定制化工业任务，达到增强企业洞察力，提高工业生产效率或产品性能的目的，实现设计模式、生产决策、资源优化等智能化应用［1］。

工业自动化领域有关数字化、智能化、智慧化电厂已经逐渐形成统一标准，中国智能电厂联盟制定了《智能电厂技术发展纲要》［2］，纲要中对于燃烧在线优化技术指出：应通过机理分析和系统辨识相结合建模，釆用先进控制策略与技术，实现控制参数最优搜索和整定，完成过程重要参数的精细控制，最大限度地实现机组全负荷范围的控制，保证其安全性和经济性，包括燃烧在线优化等技术。在试点取得成功经验的基础上，先在一部分电厂配置锅炉燃烧优化控制系统，重视和着力对超低排放设备和系统的控制系统进行优化，并争取尽快推广应用，以满足火电厂超低排放的需求。

1 大数据驱动下的燃烧智能优化

1.1 基于历史经验的燃烧优化

通过对锅炉运行燃烧机理分析，以煤质信息、负荷、环境变量、燃料量、设备状态等决定锅炉燃烧客观运行状态的特征参数为边界条件，可划分不同的运行工况。如式（1）所示，当特征参量数量越多时，运行工况的区分就越具体。

C=（Qnet，Load，Temp，QF，mi，…）（1）

式中，C表示某一运行工况区间；Qnet为燃煤发热量，kJ/kg；Load为机组负荷，MW；Temp为环境温度，℃；QF为燃料量，t/h；mi表示某设备i的运行状态。

当测点出现非正常干扰、损坏等异常情况时，数据所记录的内容将不能正常反映机组当前的工作情况，需要进行数据清洗。在机组升降负荷、汽水参数调整、风门调整和煤质变化等非稳态过程中往往伴随着参数的大幅波动，不能准确反映机组的真实特性，需要进行稳态判定。此外，在考虑经济性、环保性和安全性的同时，机组各项运行参数指标（例如主汽压力、主/再汽温度和减温水流量等）应满足设计要求，保障机组处于良好状态，因此需要进行约束判定。

在划分不同工况的基础之上，根据设计的寻优模型深入挖掘和分析海量历史运行数据，进行数据清洗、稳态判定和约束判定等处理，以关键参数（锅炉热效率、氮氧化物排放、汽温、壁温和燃烧状态等）为目标进行寻优，建立以历史数据为基础的运行标杆库。当历史数据足够全面、数量足够多时，标杆库则更为完善，更加趋近于最优值。

在初始运行标杆库基础之上，收集锅炉燃烧实时数据进行在线计算，将实际工况目标值与标杆库比对，获得不同煤种、不同负荷等条件下的锅炉的历史最佳燃烧工况以及各燃烧参数的最佳设定值，推送历史最优值参与机组运行调整。在推送历史最优值的基础上，运行人员可继续进行燃烧调整，不断通过判定因子对锅炉燃烧进行在线综合评价。若与标杆库对比后综合评价更优，则将此工况认定为新的标杆值并在标杆库中自动收录，强化巩固已有成果，最终实现锅炉燃烧愈来愈优。

1.2 基于机器学习算法的燃烧优化

一方面，随着近些年来计算机软、硬件技术的突破，其算力也在不断提高，机器学习技术因此取得了长足进步。另一方面，电站锅炉的燃烧过程具有多输入多输出、大滞后、多干扰、强耦合等特点，是一个复杂的化学反应过程。当前的一些研究采用人工神经网络、支持向量机等技术建立锅炉燃烧模型，以期自动挖掘发现变量之间隐藏的关系，再利用粒子群优化算法、遗传算法、蚁群优化算法等智能优化算法，寻找锅炉燃烧系统各输入参数的最佳组合，用以对锅炉燃烧进行实时优化指导。

余廷芳［3］等人建立了锅炉燃烧特性的BP神经网络模型，如图2所示，用以预测锅炉热效率和NOx排放质量浓度，利用遗传算法（GA）建立锅炉燃烧的优化模型，采用权重系数法实现锅炉热效率和NOx排放质量浓度多目标优化。张振星［4］利用支持向量回归机（SVM）建立NOx生成量和锅炉热效率模型并提出改进型NSGAII多目标遗传算法，得出一组最优解集，同时满足锅炉效率的提高和NOx生成的降低这两个目标。闫水保［5］等人在最小二乘支持向量回归算法（LSSVR）基础上提出了约束支持向量回归算法，通过优化支持向量的选择策略增强算法泛化能力和对不良数据的抵御能力，用来建立一个有效的电站锅炉效率与NOx排放浓度预测模型。

神经网络模型具有自学习功能，能高速寻找优化解，但基于经验风险最小化原则，依赖大数据样本，易陷入局部最优且训练速度慢。支持向量机在考虑有限样本情况时将问题转化为保障全局最优的凸二次规划问题，但超参数选择和求解规模受训练样本数量的影响较大。最小二乘支持向量回归是支持向量机的改进方法，采用简化模型进行训练，在小样本学习中表现较好，过学习现象不易发生，但是所有数据在决策函数中均有贡献，失去稀疏性，从而影响了模型的计算能力以及推广能力［6］。

2 开环与闭环控制策略

2.1 传统热工控制的限制

近些年火电行业的锅炉自动控制水平已经有了较大提高，但是采用的集控室分散控制系统（DCS）为逻辑组态方式，不能直接采用高级应用算法进行数据挖掘，机组的实时与历史数据无法得到充分、有效利用。运行操作人员的自身经验以及操作水平在很大程度上决定了锅炉的实际运行性能，难以实现锅炉燃烧系统的最优运行，不能根据锅炉负荷和煤种的变化自动优化调节配风、配煤燃烧运行参数（如各燃烧器负荷分配调整、总风量调整、一/二次风量分配调整等）。

为满足燃烧智能优化等高级算法应用的需求以及对海量数据的快速处理，一般需要配套建设燃烧优化软件的运行平台，采用Modbus（或OPC）方式与机组DCS系统建立通信连接。系统工作站通过通信网络从DCS获取机组运行数据，系统优化结果通过通信网络送入DCS实现燃烧优化控制。燃烧优化系统架构如图3所示。

2.2 开环与闭环控制

燃烧优化控制系统可分为开环和闭环两种，其中开环是指DCS控制参数由运行操作员根据燃烧优化结果进行手动修改，而闭环是系统优化结果直接与DCS通信并对其控制参数进行调整的封闭系统，没有人员参与。从实现的角度来看，无论是基于历史经验还是机器学习算法的燃烧智能优化系统均能完成开环与闭环控制。

安全、经济、环保往往是发电企业关心的主要方面，其中安全问题是放在首位的。开环与闭环控制相比较：一方面，开环控制由运行人员执行修改参数，在其经验判断进行人工二次核查后，可以避免高级算法可能推送的异常参数，安全性较闭环控制高，但是增加了人力干预且不符合未来智能化发展趋势。另一方面，以神经网络算法为例，其输入和输出均是可见和可被理解的，但是从输入输出的过程则缺乏透明度，是一个“黑箱”，由于计算结果的预测性质对闭环控制来说不可避免地会带来一定风险。

结语

基于历史经验的燃烧优化在保证安全性的前提下，提供了一套历史最优运行调整参数。基于机器学习算法的燃烧优化可以根据机组运行参数进行结果预测并计算得到实时最优解。开环控制的安全性比闭环控制高，闭环控制则无须人工干预。

随着计算机技术的不断发展、机器学习算法的优化以及现场实践经验的积累，基于机器学习算法的燃烧优化与闭环控制将是今后一段时间的研究方向，燃烧智能优化也会从历史经验向机器学习，开环控制向闭环控制逐渐过渡。最终目标是兼顾安全、经济、环保性能，自动调整锅爐燃烧参数，实现燃烧闭环优化控制。

参考文献：

［1］赵付青，刘欢，朱波，等.工业智能与工业互联网共性关键技术［J］.软件导刊，2022，21（10）：18.

［2］中国自动化学会发电自动化专业委员会，电力行业热工自动化技术委员会.智能电厂技术发展纲要［M］.北京：中国电力出版社，2016.

［3］余廷芳，耿平，霍二光，等.基于智能算法的燃煤电站锅炉燃烧优化［J］.动力工程学报，2016，36（08）：594599+607.

［4］张振星.基于智能优化算法的电站锅炉燃烧优化［D］.华北电力大学，2015.

［5］闫水保，冯灿，齐继鹏，等.基于约束支持向量回归的电站锅炉燃烧优化建模［J］.热能动力工程，2021，36（11）：126132.

［6］潘广强.基于机器学习的燃煤电站制粉及燃烧优化研究进展［J］.能源与节能，2021，195（12）：113115.

作者简介：廖彭伟（1993— ），男，汉族，河南新蔡人，硕士，工程师，主要从事电站锅炉燃烧优化、性能试验和调试等工作。