電站鍋爐運(yùn)行氧量基準(zhǔn)值確定方法的比較分析

馬曉東，劉 揚(yáng)，李永華，牛海寶

(1.大唐國(guó)際發(fā)電股份有限公司張家口發(fā)電廠，河北張家口075133;2.華北電力大學(xué)能源動(dòng)力與機(jī)械工程學(xué)院，河北保定071003)

0 引言

爐膛出口運(yùn)行氧量是機(jī)組運(yùn)行中調(diào)整最頻繁、變化范圍最寬、與其它運(yùn)行指標(biāo)耦合性最強(qiáng)、對(duì)經(jīng)濟(jì)性影響最大的參數(shù)之一［1］。然而，實(shí)際運(yùn)行操作中僅憑經(jīng)驗(yàn)確定運(yùn)行氧量及其控制參數(shù)的方法很難保證鍋爐安全經(jīng)濟(jì)運(yùn)行。近年來(lái)，以供電煤耗率作為機(jī)組經(jīng)濟(jì)性評(píng)價(jià)準(zhǔn)則來(lái)確定機(jī)組運(yùn)行氧量基準(zhǔn)值的研究取得了一定的成果，本文對(duì)其中四種確定鍋爐運(yùn)行氧量基準(zhǔn)值的方法進(jìn)行了分析比較。

氧量設(shè)定值偏小或偏大都不利于機(jī)組經(jīng)濟(jì)性，在同一負(fù)荷下存在一個(gè)使各項(xiàng)損失之和達(dá)到最小的氧量值，即氧量基準(zhǔn)值［2］。爐膛出口運(yùn)行氧量發(fā)生變化時(shí)，對(duì)經(jīng)濟(jì)性的最直接影響來(lái)自煙氣量引起的排煙熱損失的變化，同時(shí)，它還會(huì)引起其它運(yùn)行參數(shù)的改變，這些參數(shù)包括：灰渣未燃燼碳含量、排煙溫度、送引風(fēng)機(jī)總電耗、主汽溫度和減溫水量、再熱汽溫度和減溫水量，這些都可通過(guò)供電煤耗率綜合體現(xiàn)出來(lái)。因此，可利用供電煤耗率作為機(jī)組經(jīng)濟(jì)性評(píng)價(jià)準(zhǔn)則來(lái)確定運(yùn)行氧量基準(zhǔn)值［1］。

1 基于最佳煙氣含氧量偏微分方程的運(yùn)行氧量基準(zhǔn)值的確定

1.1 基于煙氣含氧量變化的供電煤耗率定量分析計(jì)算模型

電站鍋爐運(yùn)行過(guò)程中煙氣含氧量O2的變化，會(huì)同時(shí)引起灰渣平均含碳量、煙氣中可燃?xì)怏w一氧化碳含量CO、排煙溫度tpy和送、引風(fēng)機(jī)總電耗Wsy等熱經(jīng)濟(jì)性參數(shù)的變化，進(jìn)而通過(guò)引起鍋爐熱效率ηgl和輔機(jī)設(shè)備耗電份額ζ的變化對(duì)機(jī)組供電煤耗率bg產(chǎn)生綜合影響，將供電煤耗率bg表示為各主要熱經(jīng)濟(jì)性參數(shù)的函數(shù)，可以得到：

將式(1)對(duì)煙氣含氧量求導(dǎo)，可以得到供電煤耗率bg對(duì)電站鍋爐運(yùn)行過(guò)程中煙氣含氧量O2變化的偏導(dǎo)數(shù)關(guān)系：

式中：?F/?ηgl，?F/?ξ分別為鍋爐熱效率和輔機(jī)設(shè)備耗電份額引起的鍋爐供電煤耗率的變化率;?ηgl/?O2，?ηgl/，?ηgl/?CO，?ηgl/?tpy分別為各熱經(jīng)濟(jì)性參數(shù)引起的鍋爐熱效率的變化率;?ξ/?Wsy為送、引風(fēng)機(jī)總電耗引起的輔機(jī)設(shè)備耗電份額的變化率;/?O2，?CO/?O2，?tpy/?O2，?Wsy/?O2分別為運(yùn)行過(guò)程中煙氣含氧量變化引起的各熱經(jīng)濟(jì)性參數(shù)的變化率。

式(2)即為電站鍋爐運(yùn)行過(guò)程中基于煙氣含氧量變化的供電煤耗率定量分析計(jì)算模型計(jì)算表達(dá)式［3］。

1.2 電站鍋爐最佳煙氣含氧量偏微分方程

根據(jù)最優(yōu)化控制理論，當(dāng)供電煤耗率bg對(duì)電站鍋爐運(yùn)行過(guò)程中煙氣含氧量O2變化的偏導(dǎo)數(shù)關(guān)系式(2)右邊各項(xiàng)之和等于0時(shí)，可以使供電煤耗率bg達(dá)到最小值，此時(shí)的煙氣含氧量即為最佳煙氣含氧量。因此使電站鍋爐運(yùn)行過(guò)程中在不同負(fù)荷和運(yùn)行工況下供電煤耗率bg達(dá)到最小值的最佳煙氣含氧量設(shè)定值應(yīng)滿(mǎn)足以下偏微分方程：

式(3)即為以最小供電煤耗率bg為目標(biāo)的電站鍋爐運(yùn)行過(guò)程中最佳煙氣含氧量偏微分方程。通過(guò)求解式(3)，可以確定電站鍋爐運(yùn)行過(guò)程中不同負(fù)荷和運(yùn)行工況下對(duì)應(yīng)的最佳煙氣含氧量設(shè)定值。在計(jì)算過(guò)程中，對(duì)于某一負(fù)荷，首先根據(jù)初始運(yùn)行工況下的各熱經(jīng)濟(jì)性參數(shù)計(jì)算出最佳煙氣含氧量偏微分方程中的各偏導(dǎo)數(shù)，然后給定不同的煙氣含氧量，將煙氣含氧量的變化量乘以各熱經(jīng)濟(jì)性參數(shù)對(duì)煙氣含氧量變化的偏導(dǎo)數(shù)可以預(yù)測(cè)計(jì)算出各熱經(jīng)濟(jì)性參數(shù)的變化，并利用各熱經(jīng)濟(jì)性參數(shù)的預(yù)測(cè)值對(duì)各偏導(dǎo)數(shù)進(jìn)行重新計(jì)算，采用逐次逼近的方法使最佳煙氣含氧量偏微分方程中左邊各項(xiàng)之和最終為0，最后一次給定的煙氣含氧量即為所求的最佳煙氣含氧量設(shè)定值。

2 基于增量式模糊數(shù)值型關(guān)聯(lián)規(guī)則挖掘的運(yùn)行氧量基準(zhǔn)值的確定

增量式模糊數(shù)值型關(guān)聯(lián)規(guī)則挖掘算法是將數(shù)據(jù)增量式挖掘技術(shù)引入到參數(shù)最優(yōu)值確定中，并利用關(guān)聯(lián)規(guī)則挖掘算法確定各負(fù)荷、各工況下參數(shù)的基準(zhǔn)值，而且解決了當(dāng)數(shù)據(jù)庫(kù)發(fā)生改變后優(yōu)化目標(biāo)值的增量更新問(wèn)題，并將其用于火電機(jī)組鍋爐運(yùn)行氧量基準(zhǔn)值的確定中［2］。

采用增量式挖掘算法確定運(yùn)行氧量基準(zhǔn)值的基本思路為：充分挖掘出對(duì)氧量有影響的某些參數(shù)及相關(guān)效率與氧量之間的多維關(guān)聯(lián)規(guī)則，選擇該規(guī)則中相關(guān)效率較高區(qū)間所對(duì)應(yīng)的氧量區(qū)間作為氧量在這些影響因素下的基準(zhǔn)值區(qū)間。當(dāng)數(shù)據(jù)庫(kù)發(fā)生改變時(shí)，充分利用原有挖掘結(jié)果，僅對(duì)少量更新數(shù)據(jù)進(jìn)行挖掘，即得到更新后的關(guān)聯(lián)規(guī)則。

3 基于BP神經(jīng)網(wǎng)絡(luò)模型和遺傳算法的運(yùn)行氧量基準(zhǔn)值的確定

3.1 基于BP神經(jīng)網(wǎng)絡(luò)的運(yùn)行氧量基準(zhǔn)值模型

人工神經(jīng)網(wǎng)絡(luò)是由大量模擬生物神經(jīng)元的人工神經(jīng)元廣泛互聯(lián)而成的網(wǎng)絡(luò)，BP網(wǎng)絡(luò)即誤差反向傳播神經(jīng)網(wǎng)絡(luò)，是神經(jīng)網(wǎng)絡(luò)模型中使用最廣泛的一類(lèi)，具有極強(qiáng)的非線(xiàn)性擬合能力，可以將低維空間的非線(xiàn)性問(wèn)題轉(zhuǎn)化為高維空間的線(xiàn)性問(wèn)題求解。借助BP網(wǎng)絡(luò)的非線(xiàn)性動(dòng)力學(xué)特性及自學(xué)習(xí)特性，構(gòu)建鍋爐運(yùn)行氧量與機(jī)組供電煤耗率之間關(guān)系的神經(jīng)網(wǎng)絡(luò)模型［4］。

采用BP神經(jīng)網(wǎng)絡(luò)模型和遺傳算法確定運(yùn)行氧量基準(zhǔn)值的基本思路為：對(duì)于已投運(yùn)的鍋爐，其爐膛結(jié)構(gòu)參數(shù)已經(jīng)確定，鍋爐運(yùn)行氧量主要受煤質(zhì)特性和鍋爐運(yùn)行工況的影響，因此可將煤質(zhì)特性參數(shù)和鍋爐運(yùn)行工況作為神經(jīng)網(wǎng)絡(luò)的輸入量，鍋爐運(yùn)行氧量和機(jī)組的供電煤耗率作為神經(jīng)網(wǎng)絡(luò)的輸出量。確定隱含層和神經(jīng)元的數(shù)目，分別采用雙曲正切激活函數(shù)和對(duì)數(shù)激活函數(shù)，輸出層采用線(xiàn)性結(jié)構(gòu)，對(duì)試驗(yàn)數(shù)據(jù)進(jìn)行處理，使之成為網(wǎng)絡(luò)模型的樣本數(shù)據(jù)。在此基礎(chǔ)上建立鍋爐運(yùn)行參數(shù)和爐膛出口煙氣含氧量、鍋爐熱效率關(guān)系的神經(jīng)網(wǎng)絡(luò)模型。以此模型為基礎(chǔ)，應(yīng)用遺傳算法進(jìn)行運(yùn)行氧量尋優(yōu)。

3.2 遺傳算法實(shí)現(xiàn)運(yùn)行氧量的優(yōu)化

在眾多的優(yōu)化算法中，遺傳算法(geneticalgorithms，GA)是一種基于生物自然選擇與遺傳機(jī)理的隨機(jī)搜索算法［5］，它與傳統(tǒng)的搜索方式不同，以模擬自然界生物進(jìn)化過(guò)程，采用人工進(jìn)化的方式對(duì)目標(biāo)空間進(jìn)行搜索，對(duì)于處理復(fù)雜優(yōu)化問(wèn)題通用性強(qiáng)。而且遺傳算法從多個(gè)初始點(diǎn)開(kāi)始尋優(yōu)，沿多路徑搜索實(shí)現(xiàn)全局或準(zhǔn)全局最優(yōu)，優(yōu)化求解過(guò)程與梯度信息無(wú)關(guān)，對(duì)優(yōu)化問(wèn)題沒(méi)有太多的數(shù)學(xué)約束，可以處理任意形式的目標(biāo)函數(shù)和約束條件。因此與傳統(tǒng)的優(yōu)化方法相比，遺傳算法可以更有效地找到全局最優(yōu)，并以其運(yùn)行過(guò)程簡(jiǎn)單、計(jì)算效率高、搜索速度快而被廣泛應(yīng)用。

由于優(yōu)化對(duì)象是由BP神經(jīng)網(wǎng)絡(luò)建立的模型，輸入和輸出之間的函數(shù)關(guān)系具有高度的非線(xiàn)性特性，對(duì)其求導(dǎo)相當(dāng)困難，因此在對(duì)氧量基準(zhǔn)值進(jìn)行優(yōu)化時(shí)就需要尋找一個(gè)簡(jiǎn)單直接的優(yōu)化算法。將上述已完成訓(xùn)練的BP網(wǎng)絡(luò)模型作為求解目標(biāo)函數(shù)值的數(shù)學(xué)表達(dá)式，采用遺傳算法對(duì)其進(jìn)行優(yōu)化處理。根據(jù)優(yōu)化求得的各輸入變量，帶入BP網(wǎng)絡(luò)模型，即得供電煤耗率最低時(shí)的氧量值。

4 基于支持向量回歸和遺傳算法的運(yùn)行氧量基準(zhǔn)值的確定

支持向量機(jī)是在統(tǒng)計(jì)學(xué)理論的基礎(chǔ)之上發(fā)展起來(lái)的算法，將該法用于解決回歸問(wèn)題即支持向量回歸(support vector regression，SVR)。

SVR可以表述為：由k組樣本組成的訓(xùn)練集T={(x1，y1)，(x2，y2)，…，(xk，yk)}∈(X × T)k，其中的變量x和 y的區(qū)間為，xi∈X=Rn，yi∈T=R，i=1，2，…，k。在線(xiàn)性函數(shù)集 F={f(x，?)=(w·x)+b，?∈Λ}中尋找回歸函數(shù) f(x，?0)，使損失函數(shù) L(y，f(x，?))在訓(xùn)練集上最?。?］。

采用SVR模型和遺傳算法確定運(yùn)行氧量基準(zhǔn)值的基本思路為：借助于現(xiàn)場(chǎng)運(yùn)行數(shù)據(jù)，建立基于支持向量回歸的鍋爐氧量特性模型，然后根據(jù)鍋爐運(yùn)行氧量的特性進(jìn)行二次建模，獲得了運(yùn)行氧量、機(jī)組供電煤耗率與各運(yùn)行參數(shù)之間的關(guān)系模型，最后以機(jī)組的供電煤耗率為優(yōu)化目標(biāo)，并結(jié)合遺傳算法對(duì)輸入?yún)?shù)進(jìn)行尋優(yōu)，最終確定了優(yōu)化后的鍋爐運(yùn)行氧量基準(zhǔn)值。

5 結(jié)束語(yǔ)

(1)最佳煙氣含氧量偏微分方程，給出了機(jī)組變氧量運(yùn)行經(jīng)濟(jì)性理論分析方法，用數(shù)學(xué)關(guān)系全面深入地反映了電站鍋爐運(yùn)行過(guò)程中煙氣含氧量變化引起各熱經(jīng)濟(jì)性參數(shù)變化，進(jìn)而通過(guò)各熱經(jīng)濟(jì)性參數(shù)影響鍋爐熱效率和輔機(jī)設(shè)備耗電份額，并最終引起供電煤耗率bg變化的本質(zhì)過(guò)程。通過(guò)求解該方程，可以確定電站鍋爐運(yùn)行過(guò)程中不同負(fù)荷和運(yùn)行工況下對(duì)應(yīng)的最佳煙氣含氧量設(shè)定值。但是所需的試驗(yàn)計(jì)算與理論推導(dǎo)較為繁瑣，在實(shí)際的操作中存在一定的困難。

(2)采用增量式挖掘算法確定運(yùn)行氧量基準(zhǔn)值，這種新的挖掘算法具有良好的快速性，大大減少了候選項(xiàng)集的數(shù)目，因而大量減少了重復(fù)計(jì)算的費(fèi)用。充分利用數(shù)據(jù)庫(kù)中現(xiàn)有的實(shí)時(shí)和歷史的海量數(shù)據(jù)資源，探討目標(biāo)值的多種影響因素，從而得出在各種影響因素變化下符合當(dāng)前機(jī)組實(shí)際運(yùn)行狀態(tài)的氧量基準(zhǔn)值。但是局限于煤質(zhì)和外界條件變化不大時(shí)的穩(wěn)定運(yùn)行工況。

(3)采用BP神經(jīng)網(wǎng)絡(luò)模型和遺傳算法確定運(yùn)行氧量基準(zhǔn)值，該方法借助了神經(jīng)網(wǎng)絡(luò)較強(qiáng)的非線(xiàn)性擬合能力、網(wǎng)絡(luò)泛化及容錯(cuò)能力，同時(shí)結(jié)合了運(yùn)行過(guò)程簡(jiǎn)單、計(jì)算效率高、搜索速度快的遺傳算法。其預(yù)測(cè)結(jié)果和基于燃燒機(jī)理的定量分析結(jié)果一致，相對(duì)誤差僅為0.033%［7］，表明該模型具有較高的準(zhǔn)確性。但是，當(dāng)訓(xùn)練樣本相同時(shí)，BP模型的測(cè)試精度明顯低于SVR模型［6］。

(4)采用SVR模型和遺傳算法確定運(yùn)行氧量基準(zhǔn)值，該方法借助了SVR較高的回歸精度和較好的泛化能力以及高效率的遺傳算法。計(jì)算結(jié)果表明該模型具有較高的準(zhǔn)確性［6］，通過(guò)全局尋優(yōu)得到的氧量值具有可操作性，很好地解決了鍋爐變工況運(yùn)行參數(shù)基準(zhǔn)值的確定問(wèn)題。但SVR存在著一些缺陷，如建模所需的樣本數(shù)量較多，建模訓(xùn)練時(shí)間較長(zhǎng)，不適于在線(xiàn)學(xué)習(xí)和優(yōu)化等。

［1］ 劉福國(guó)，郝衛(wèi)東等.電廠鍋爐變氧量運(yùn)行經(jīng)濟(jì)性分析及經(jīng)濟(jì)氧量的優(yōu)化確定［J］.中國(guó)電機(jī)工程學(xué)報(bào)，2003，23(2)：172-176.

［2］ 劉吉臻，牛成林等.鍋爐經(jīng)濟(jì)性分析及最優(yōu)氧量的確定［J］.動(dòng)力工程，2009，29(3)：245-248.

［3］ 古俊杰，孔德奇等.電站鍋爐燃燒優(yōu)化中最佳煙氣含氧量設(shè)定值的計(jì)算［J］.華北電力大學(xué)學(xué)報(bào)，2007，34(6)：61-65.

［4］ 蒼國(guó)超，吳海姬等.鍋爐運(yùn)行氧量基準(zhǔn)值確定方法的研究［J］.鍋爐技術(shù)，2008，39(2)：22-24.

［5］ 雷英杰，張善文等.MATLAB遺傳算法工具箱及應(yīng)用［M］.西安電子科技大學(xué)出版社.2005，3-4.

［6］ 周建新，司風(fēng)琪等.基于SVR和GA的鍋爐運(yùn)行氧量基準(zhǔn)值的優(yōu)化確定［J］.東南大學(xué)學(xué)報(bào)，2008，38(6)：22-1066.

［7］ 趙緒新.基于人工智能技術(shù)的電站鍋爐最優(yōu)氧量預(yù)測(cè)［J］.技術(shù)交流，2006，10：42-44.