循環流化床鍋爐燃燒過程預測控制與經濟性能優化

謝磊，毛國明，金曉明，蘇宏業（浙江大學工業控制技術國家重點實驗室，智能系統與控制研究所，浙江 杭州 3007；浙江華能玉環電廠，浙江 玉環 37604）

?

循環流化床鍋爐燃燒過程預測控制與經濟性能優化

謝磊1，毛國明2，金曉明1，蘇宏業1
（1浙江大學工業控制技術國家重點實驗室，智能系統與控制研究所，浙江 杭州 310027；2浙江華能玉環電廠，浙江 玉環 317604）

摘要：針對循環流化床鍋爐燃燒過程多變量耦合、時滯、非線性等復雜過程特性和經濟運行要求，提出了一種結合經濟性能優化與多變量控制的雙層預測控制策略，可在實現主蒸汽壓力、料床溫度和煙氣含氧量約束控制的基礎上，優化燃燒過程的經濟性能。工業應用實例表明，該控制策略不僅能有效提高燃燒過程主要工藝參數的平穩性，而且能降低單位蒸汽的燃煤消耗量，具有顯著的經濟效益。

關鍵詞：循環流化床鍋爐；預測控制；過程控制；優化；煤燃燒

2015-12-21收到初稿，2016-01-05收到修改稿。

聯系人及第一作者：謝磊(1979—)，男，副教授。

引 言

循環流化床鍋爐（circulating fluidized bed boiler，CFBB）因具有燃料適應范圍廣、燃燒中直接脫硫、低NOx排放、燃燒效率高、負荷調節范圍寬、灰渣便于綜合利用等優點，在國內外得到了快速發展，并廣泛應用于電力、供熱和化工等生產企業。與煤粉鍋爐相比，CFBB燃燒機理十分復雜，既要滿足熱負荷的需要（穩定蒸汽壓力），又要維持床溫穩定在850～950℃的范圍之內，還要保證合理的風煤比和燃燒效率，控制SO2和NOx排放等諸多任務。隨著CFBB技術朝著大型化和高參數方向發展，其復雜的過程特性與特殊的控制與優化問題日益成為熱電過程控制領域的一個新課題[1-4]。

國內外許多專家學者已從建模、控制與優化等方面對鍋爐的燃燒優化和節能降耗開展了深入研究[5-7]。最近的研究將經濟性能指標與廣義預測控制（generalized predictive control，GPC）相結合的雙層多目標優化控制策略[8]，并通過仿真實例驗證了該策略的有效性。在此基礎上，本文將鍋爐煙氣氧含量、熱效率等經濟性能指標用于CFBB先進控制系統上層的多變量穩態目標優化，并將其與下層的二次型動態規劃相結合，形成雙層控制結構，使減小關鍵過程變量波動和“卡邊”控制能更好地銜接，從而獲得更大的經濟效益。工業CFBB應用結果表明，具有雙層結構的先進控制系統不僅能有效改善控制品質，而且能實現降低煙氣氧含量和煤耗等經濟性能優化。

1 CFBB燃燒過程特性分析

CFBB主要由給料機、布風器、爐膛、循環灰分離器、返料機構、排渣機構、過熱器、省煤器、空預器和煙道等部分組成，如圖1所示。

圖1 CFBB燃燒過程示意圖Fig.1 Flowchart of CFBB combustion process

CFBB燃燒過程簡要描述如下[3-4]：煤與脫硫劑顆粒從爐膛底部送入后，迅速被爐膛中處于流化狀態的大量熱物料加熱著火燃燒；燃燒所需的一次風和二次風分別從爐膛的底部和側墻送入，物料在上升氣流的作用下向爐膛上部運動，較大的煤粒在爐膛的密相區“沸騰”燃燒，較小的煤粒被煙氣夾帶出密相區，在爐膛上部稀相區懸浮燃燒，對水冷壁和爐內布置的其他受熱面放熱。稀相區的物料在重力及其他外力作用下不斷減速偏離主氣流，并最終形成附壁下降粒子流，而被氣流夾帶出爐膛的一部分細顆粒通過分離器后被收集下來，由返料機構送回爐膛循環再燃直至燃盡。未被分離的極細粒子隨煙氣進入尾部煙道，進一步對過熱器、省煤器和空氣預熱器等尾部受熱面放熱。煙氣冷卻至一定溫度后經除塵、脫硫、脫硝處理，由煙囪排入大氣。

CFBB在運行過程中需要以生產安全為前提，實現以下幾方面的目標。

（1）保持鍋爐主蒸汽壓力和溫度等主要工藝參數的穩定。針對發電與供汽負荷的變化以及煤質變化等影響因素，及時調節并優化燃燒過程，以保證蒸汽量和蒸汽品質。

（2）實現鍋爐燃燒過程的經濟性。根據負荷調整的指令，及時準確地調節燃料量及相應的一次風量、二次風量和引風量，降低煙氣氧含量、提高鍋爐熱效率。

（3）保證鍋爐的料床溫度穩定在合適的工作區間。料床溫度不僅是表征燃料在爐膛內燃燒狀況的指標，而且直接影響到鍋爐運行的流化工況、脫硫效率和NOx生成量。通常，床溫需保持在850～950℃之內。

從過程控制與優化的角度看，CFBB燃燒過程是一個具有大慣性、強耦合、非線性和時變等復雜特性的多變量過程，負荷變化、煤質變化等則是鍋爐平穩、高效運行的主要干擾。隨著儀表和DCS系統的日益普及，CFBB鍋爐的重要工藝參數已實現了單回路控制乃至復雜控制策略。然而，燃燒過程特性的復雜多變和燃燒控制性能、經濟性能和環保指標的日趨嚴格，導致現有常規控制難以實現多變量控制，也無法滿足CFBB多目標優化運行的要求。很多情況下，鍋爐生產運行仍主要依賴于操作經驗，不僅因操作習慣差異帶來各種人為影響因素，導致工藝參數波動頻繁，難以獲得好的經濟性能，而且增加了操作人員的勞動強度，工況也難以長期保持穩定。因此，采用雙層預測控制結構并選擇合理經濟性能目標是解決CFBB燃燒過程控制與優化問題的關鍵。

2 雙層預測控制與經濟性能優化策略

從CFBB燃燒過程預測控制系統的工程實現出發，在分析CFBB燃燒過程物料和能量變化規律的基礎上，結合實際CFBB系統測量與控制儀表的配置情況，得到圖2所示的CFBB系統的輸入變量、輸出變量關系。圖中，輸入變量是預測控制算法中可能的操縱變量，輸出變量是預測控制算法中的被控變量或輔助變量，燃料品質和負荷則是擾動變量。

圖2 CFBB系統變量關系示意圖Fig.2 System variables of CFBB process

基于此，在CFBB系統的70%～110%負荷范圍內開展大量的過程測試，并獲得相關通道的輸入輸出數據，利用合適的辨識方法得到了主蒸汽壓力、床層溫度、煙氣氧含量與給煤量、一次風量、二次風量和引風量等的階躍響應模型。這些模型是實現CFBB燃燒過程雙層預測控制和經濟性能優化的基礎，限于篇幅，這里略去模型的具體形式。

圖3 雙層預測控制結構示意圖Fig.3 Structure of two-layper MPC

為了滿足上述要求，燃燒系統模型中選取的操縱變量個數比被控變量的個數多而且被控變量的控制要求為區間控制。這樣當被控要求得到滿足后，操縱變量還可以在一定范圍內變化，存在剩余的自由度，這些剩余自由度能夠用來實現一定的經濟指標優化。如圖3所示，MPC層可以分為動態控制層和穩態優化層。在動態控制層，控制器在不違反約束的前提下計算輸出預測值，并更新相應軟約束使其作為硬約束加入到上層穩態優化層控制中；穩態優化層，在過程穩態的基礎上按照優化要求計算出系統的最佳穩態值和最經濟輸入變量。

2.1 經濟性能指標

就CFBB燃燒過程而言，原煤消耗量和給煤與輸煤系統、一次風機、二次風機的耗電量決定著其主要運行成本。由于給煤與輸煤系統耗電量與一、二次風機耗電量相比相對較小，這里的經濟性能指標以原煤消耗量和一、二次風機耗電量為主[5]。參考文獻[5]的方法，結合工業CFBB的工藝與設備參數，經匯總和整理，得到式（1）的經濟性能優化的目標函數：

式中，B為輸煤系統給煤量；Q1和Q2分別為一、二次風機的送風量；u=[B Q1Q2]T為操縱變量，uhigh、ulow為操作變量u的上下限約束，Δuhigh和Δulow為操作變量增量Δu的上下限約束；煙氣含氧量C、料床溫度Tb和主蒸汽壓力p0是燃燒過程的被控變量，即y=[C Tbp0]T；和是由下層優化計算得到的滿足控制要求的區間上下限。此外，CFBB穩態運行時，風和煤的比例還要符合以下約束條件：

式中，α為過量空氣系數，一般取值為1.1～1.2；Hnet,ar為動力煤對應的發熱量。

2.2 預測控制策略

CFBB燃燒過程的控制目標是：在保證主蒸汽壓力p0穩定和料床溫度Tb在合理區間內的基礎上達到最佳燃燒狀態。因此，可以用區間控制策略來實現上述控制指標。通過對區間上下限加入軟約束（即在輸出變量的不等式約束中加入松弛變量）來達到區間控制的目的。基于軟約束的床溫、主蒸汽壓力和煙氣含氧量區間控制目標函數如下[9-13]：

約束條件為

式中，ylow、yhigh、分別為區間控制的設定上下界以及預測輸出；δhigh、δlow為預測輸出超出區間上下限的軟約束調整；Qhigh、Qlow和R為超出上下限部分偏差和輸出增量的懲罰；P、M分別為預測時域和控制時域長度。

2.3 雙層預測控制的求解

CFBB燃燒過程的雙層預測控制具有動態和穩態兩方面的目標，首先，要保證主蒸汽壓力p0穩定、料床溫度Tb在850～950℃范圍內、煙氣含氧量C盡量接近3%的下限，在上述控制指標滿足的情況下，進而實現經濟指標的優化。由于在動態控制層采用了區間控制，因此能夠在保證第1級動態控制目標的基礎上，進行第2級穩態目標的優化。因此，雙層預測控制的控制指標與經濟性能指標可分別計算。下層優化是基于主蒸汽壓力、料床溫度和煙氣含氧量有約束區間控制性能指標的優化[14-16]。上層優化是經濟性能指標的優化[17-18]。兩層預測控制的優化策略可以表述成式(5)所示。

首先利用二次規劃求解帶約束的預測控制目標函數J1，計算得到主蒸汽壓力、料床溫度和煙氣含氧量的輸出預測值，同時更新輸出區間約束上下限為和，并將新的輸出區間約束作為硬約束加入上層經濟性能指標優化的計算中，同時還要滿足鍋爐燃燒過程的風煤協調控制要求；然后利用線性規劃求解上層優化目標函數J2，計算得到當前時刻所需的輸入。這樣，滿足控制指標的要求就成為了求解經濟性能指標控制的條件，最后計算得到的就是最經濟的控制輸入量[19-20]。

經過上層經濟指標優化之后，可在解空間內獲得唯一的最優解。同時，由于優化子命題的加權矩陣均為正定的，可保證其最優解是唯一的。此外，預測控制器在工程實現時，可選擇滿足優化約束條件的、且操縱變量變化最小的解，以提高控制器的魯棒性。

3 工業應用實例

某企業熱電廠采用了5臺130 t·h?1CFBB鍋爐，所產蒸汽主要用于供企業的主生產裝置使用，多余的蒸汽用于發電。這些鍋爐已采用中控的ECS-100 DCS系統實現了常規的監視與控制。在此基礎上，將上述雙層預測控制策略用于CFBB鍋爐燃燒過程的控制，并通過中控的先進控制平臺APC-iSYS在DCS的上位機上實現。先進控制平臺與DCS系統之間通過OPC方式實現雙向數據通信。為保證系統安全，在先進控制平臺與DCS系統兩端都需要做必要的安全保護邏輯。

針對實驗測試獲得的CFBB鍋爐燃燒過程的動態模型，設計雙層預測控制系統，選擇優化控制周期，控制時域長度M=5，預測時域長度P=10，料床溫度區間取為910～950℃，主蒸汽壓力基本穩定，取為9.0～9.5 MPa，煙氣含氧量取為3%～4%。并針對采用風門擋板調節風量的鍋爐，依據風門擋板響應特性建立非線性補償器，有效克服風門存在的死區和調節非線性問題，提高風量調節精度。

在工業應用中，針對鍋爐檢測儀表可能出現的數據異常突變或偏差較大等問題，增加了智能監控與診斷功能，通過監控關鍵工藝指標的變化、設備異常事件等，及時發現并給出報警信息或緊急自動處理，避免爐況惡化，為鍋爐的安全、平穩運行提供保障。

這里，以3#CFBB為例，匯總并對比了雙層預測控制系統投入前后主蒸汽壓力、料床溫度、煙氣含氧量的控制效果（圖3～圖6中，前24 h為常規控制，后24 h為雙層預測控制）。

（1）主蒸汽壓力

3#CFBB雙層預測控制系統投運后，主蒸汽壓力平穩性有明顯改善，其標準差比投運前降低48.1%，圖4給出了投運前后主蒸汽壓力平穩性對比情況。

圖4 雙層預測控制投運前后主蒸汽壓力的控制效果對比Fig.4 Control result comparison of main steam pressure with/without two-layer MPC

圖5 雙層預測控制投運前后料床溫度的控制效果對比Fig.5 Control result comparison of bed temperature with/without two-layer MPC

圖6 雙層預測控制投運前后煙氣含氧量的控制效果對比Fig.6 Control result comparison of O2% with/without two-layer MPC

（2）料床溫度

3#CFBB雙層預測控制系統投運后，料床溫度平穩性有了明顯改善，其標準差比投運前平均值降低超過50%；在90%以上時間內，床溫控制精度在R±20℃之內，圖5給出了投運前后料床溫度平穩性對比情況。

（3）煙氣含氧量

3#CFBB雙層預測控制系統投運后，煙氣含氧量平穩性有明顯改善，其標準差比投運前降低38.1%，圖6給出了投運前后煙氣含氧量平穩性對比情況。更為重要的是，經過雙層優化，煙氣含氧量更加接近工作范圍的下限，從一個側面體現出燃料經過充分燃燒后，將使鍋爐經濟性能得到改善。

（4）經濟指標分析

表1 3#CFBB投用優化控制系統前后主要運行指標對比情況Table 1 Control result comparison with/without two-layer MPC of 3#CFBB

在全部CFBB優化控制系統實施完成并正常使用后，該企業熱電廠組織了鍋爐優化控制系統的對比考核，主要經濟指標為噸汽煤耗、平均飛灰含碳量和平均爐渣含碳量等。表1給出了3#CFBB雙層預測控制系統投運前后主要經濟指標對比情況。

根據表1的數據統計分析結果可知，CFBB優化控制系統投用后各能耗指標均好于投用前。從總體上來看，噸汽煤標煤消耗降低了2%以上，飛灰含碳降低了10%以上，爐渣含碳降低了5%以上，均比投運優化控制系統前有不同程度的降低。其他幾臺CFBB也取得了類似的應用效果，這里不再贅述。

總之，雙層預測控制系統應用后，提高了主蒸汽壓力、料床溫度和煙氣含氧量等關鍵工藝指標的平穩性，標準差平均降低30%以上。通過經濟性能優化，單臺鍋爐的噸蒸汽煤耗、飛灰殘炭含量和爐渣含碳量均有明顯的下降。據此測算，對于1臺130 t·h?1循環流化床鍋爐，以平均運行時間330 d·a?1計，實施優化控制之后，可節約標煤2900 t·a?1。此外，在CFBB正常運行期間，雙層預測控制系統的投用率平均達到95%以上，明顯降低了操作人員的勞動強度。

4 結 論

本文提出了符合循環流化床鍋爐燃燒過程的雙層預測控制策略，并通過先進控制平臺實現了工業化應用。應用結果表明，與傳統控制策略相比較，應用雙層預測控制策略對CFBB燃燒過程進行多目標優化，能在提高燃燒過程主要工藝參數的平穩性，降低單位蒸汽的燃煤消耗量，具有顯著的經濟效益和應用推廣價值。

References

[1] ?ARKO ?, VOLKER S, MICHAEL G. Intelligent control of complex combustion processes [J]. Mechanical Engineering, 2003, 1(10): 1393-1406.

[2] VLADIMíR H, JI?í F. Application of model predictive control to advanced combustion control [J]. Control Engineering Practice, 2005, 13: 671-680. DOI: 10.1016/j.conengprac.2004.01.005.

[3] PETTERSSON A, ZEVENHOVEN M, STEENARI B-M, et al. Application of chemical fractionation methods for characterisation of biofuels, waste derived fuels and CFB co-combustion fly ashes [J]. Fuel, 2008, 87(15/16): 3183-3193. DOI: 10.1016/j.fuel.2008.05.030.

[4] LIU R, JIN B, ZHONG Z. Comparison of two kinds of bed materials during CFB combustion of cotton stalk [J]. Chemical Engineering & Technology, 2007, 30(10): 1434-1439. DOI: 10.1002/ceat.200600396. [5] GUNGOR A, ESKIN N. Two-dimensional coal combustion modeling of CFB [J]. International Journal of Thermal Sciences, 2008, 47(2): 157-174. DOI: 10.1016/j.ijthermalsci.2007.01.017.

[6] GUNGOR A. Two-dimensional biomass combustion modeling of CFB [J]. Fuel, 2008, 87(8/9): 1453-1468. DOI: 10.1016/j.fuel. 2007.08.013.

[7] GAUVILLE P, FOUCHER J C, MOREAU D. Achievable combustion efficiency with Alstom CFB boilers for burning discarded coal [J]. Journal of the Southern African Institute of Mining and Metallurgy, 2012, 112(6): 437-447.

[8] MAYNE D Q, RAWLINGS J B, RAO C V, et al. Constrained model predictive control: stability and optimality [J]. Automatica, 2000, 36(6): 789-814. DOI: 10.1016/S0005-1098(00)00173-4.

[9] QIN S J, BADGWELL T A. A survey of industrial model predictive control technology [J]. Control Engineering Practice, 2003, 11(7): 733-764. DOI: 10.1016/S0967-0661(02)00186-7.

[10] GOODWIN G C, KONG H, MIRZAEVA G, et al. Robust model predictive control: reflections and opportunities [J]. Journal of Control and Decision, 2014, 1(2): 115-148. DOI: 10.1080/23307706. 2014.913837.

[11] MAYNE D Q. Model predictive control: recent developments and future promise [J]. Automatica, 2014, 50(12): 2967-2986. DOI: 10.1016/j.automatica.2014.10.128.

[12] 劉雨波, 羅雄麟, 許鋒. 分布式預測控制全局協調及穩定性分析[J]. 化工學報, 2013, 64(4): 1318-1331. DOI: 10.3969/j.issn. 0438-1157. 2013.04.028.

LIU Y B, LUO X L, XU F. Global coordination and stability analysis for distributed model predictive control system [J]. CIESC Journal, 2013, 64(4): 1318-1331. DOI: 10.3969/j.issn.0438-1157.2013.04.028.

[13] 鄒濤, 王丁丁, 潘昊. 從區間模型預測控制到雙層結構模型預測控制[J]. 化工學報, 2013, 64(12): 4474-4483. DOI: 10.3969/j.issn. 0438-1157.2013.12.031.

ZOU T, WANG D D, PAN H. From zone model predictive control to double-layered model predictive control [J]. CIESC Journal, 2013, 64(12): 4474-4483. DOI: 10.3969/j.issn.0438-1157.2013.12.031.

[14] HILMI A, HUSEYIN D, MIHAI C. Control of the bed temperature of a circulating fluidized bed boiler by using particle swarm optimization [J]. Advances in Electrical and Computer Engineering, 2012, 12(2): 27-32. DOI: 10.4316/AECE.2012.02005.

[15] YING C M, JOSEPH B. Performance and stability analysis of LP-MPC and QP-MPC cascade control system [J]. AIChE Journal, 1999, 45(7): 1521-1534. DOI: 10.1002/aic.690450714.

[16] ALEXEI N, CHRISTOPHER L E. Sensitivity analysis of LP-MPC cascade control systems [J]. Journal of Process Control, 2009, 19: 16-24. DOI: 10.1016/j.jprocont.2008.02.005.

[17] RAO C V, RAWLINGS J B. Steady states and constraints in model predictive control [J]. AIChE Journal, 1999, 45(5): 1266-1278. DOI: 10.1002/aic.690450612.

[18] 趙超, 張登峰, 許巧玲, 等. 基于加權偏離度統計方法的預測控制性能評估算法[J]. 化工學報, 2012, 63(12): 3971-3977. DOI: 10.3969/j.issn.0438-1157.2012.12.033.

ZHAO C, ZHANG D F, XU Q L, et al. Control performance assessment of model predictive control based on statistics analysis of weighted points [J]. CIESC Journal, 2012, 63(12): 3971-3977. DOI: 10.3969/j.issn.0438-1157.2012.12.033.

[19] 羅雄麟, 于洋, 許鋆. 化工過程預測控制的在線優化實現機制[J].化工學報, 2014, 65(10): 3984-3992. DOI: 10.3969/j.issn. 0438-1157. 2014.10.032.

LUO X L, YU Y, XU J. Online optimization implementation on model predictive control in chemical process [J]. CIESC Journal, 2014, 65(10): 3984-3992. DOI: 10.3969/j.issn.0438-1157. 2014. 10.032.

[20] WANG C, JIA L, TAN Y, et al. Carbonation of fly ash in oxy-fuel CFB combustion [J]. Fuel, 2007, 87(7): 1108-1114. DOI: 10.1016/ j.fuel.2007.06.024.

研究論文

Received date: 2015-12-21.

Foundation item: supported by the National Natural Science Foundation of China (61134007, 61374121).

Predictive control and economic performance optimization of CFBB combustion process

XIE Lei1, MAO Guoming2, JIN Xiaoming1, SU Hongye1
(1State Key Laboratory of Industrial Control Technology, Institute of Cyber-System and Control, Zhejiang University, Hangzhou 310027, Zhejiang, China;2Zhejiang Huaneng Yuhuan Power Plant, Yuhuan 317604, Zhejiang, China)

Abstract:For the combustion process of industrial circulating fluidized bed boiler (CFBB) with nonlinearity, time-variation, strong delay and multivariable coupling, considering how to satisfy the economic target with decreasing power consumption, an two level multivariable predictive control (MPC) method was proposed. The method based on the constrained control of main steam pressure, bed temperature and flue gas oxygen content is constructed to optimize the economic target. The industrial application result demonstrates that the proposed method can decrease the coal consumption of unit steam while assuring the steady of the main process parameters of the boiler combustion and bring high economical profit.

Key words:circulating fluidized bed boiler; predictive control; process control; optimization; coal combustion

DOI:10.11949/j.issn.0438-1157.20151939

中圖分類號：TP 273

文獻標志碼：A

文章編號：0438—1157（2016）03—0695—06

基金項目：國家自然科學基金項目（61134007，61374121）。

Corresponding author:XIE Lei, leix@iipc.zju.edu.cn