CFB鍋爐燃燒優(yōu)化技術(shù)的研究

程換新，孟祥勇

(青島科技大學(xué) 自動化與電子工程學(xué)院，山東 青島 266061)

CFB鍋爐燃燒優(yōu)化技術(shù)的研究

程換新，孟祥勇

(青島科技大學(xué) 自動化與電子工程學(xué)院，山東 青島 266061)

分析了影響CFB鍋爐燃燒效率的各種因素，分別建立了以模型輸出為鍋爐燃燒效率及NOx排放量的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，并采用了遺傳算法實(shí)現(xiàn)對模型參數(shù)進(jìn)行全局優(yōu)化。通過調(diào)整燃燒工況參數(shù)使鍋爐燃燒效率和NOx排放最優(yōu),利用鍋爐真實(shí)運(yùn)行數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)經(jīng)行訓(xùn)練。通過Matlab仿真，結(jié)果表明： 該模型和算法對鍋爐燃燒的優(yōu)化是有效的。

CFB鍋爐系統(tǒng) 燃燒優(yōu)化 預(yù)測模型 仿真

針對電廠鍋爐降低成本和降低污染物排放的雙重要求，電廠節(jié)能減排已經(jīng)成為發(fā)展趨勢。對生產(chǎn)裝置的改造與采用高效低污染燃燒技術(shù)成為達(dá)到環(huán)保要求的必經(jīng)之路。某電廠鍋爐燃燒效率優(yōu)化改造過程中，將1號爐實(shí)驗(yàn)數(shù)據(jù)作為樣本，采用Matlab分別建立鍋爐燃燒效率和NOx排放的反向神經(jīng)傳播網(wǎng)絡(luò)(BPNN)預(yù)測模型，不斷訓(xùn)練該神經(jīng)網(wǎng)絡(luò)模型以提高精度。應(yīng)用遺傳算法進(jìn)行最佳風(fēng)煤比設(shè)定值的計算，對目標(biāo)模型不斷優(yōu)化，使得鍋爐燃燒效率和NOx排放量達(dá)到最優(yōu)。該次優(yōu)化以模型和通用燃燒優(yōu)化控制技術(shù)(BCS)為理論基礎(chǔ)，通過改變鍋爐控制系統(tǒng)的參數(shù)實(shí)現(xiàn)燃燒中的風(fēng)煤比優(yōu)化。

1 CFB鍋爐概述

原煤經(jīng)制粉系統(tǒng)磨粉送入粉倉，煤粉經(jīng)給粉機(jī)、排粉機(jī)入爐膛與從空氣預(yù)熱器進(jìn)入的空氣充分燃燒，加熱水冷壁內(nèi)的水；生成的煙氣經(jīng)過熱器、省煤器、空氣預(yù)熱器換熱后，進(jìn)入電除塵經(jīng)除塵處理后排出。汽機(jī)內(nèi)的給水經(jīng)省煤器吸收煙氣熱量后，送進(jìn)水冷壁吸收煤粉燃燒的熱量蒸發(fā)，在汽包內(nèi)經(jīng)過汽水分離后得到飽和蒸汽。飽和蒸汽經(jīng)過熱器吸收煙氣熱量，變?yōu)檫^熱蒸汽，送入汽輪機(jī)[1]。CFB鍋爐由給水系統(tǒng)、蒸汽系統(tǒng)、制粉系統(tǒng)、空氣系統(tǒng)、燃燒系統(tǒng)5部分組成。CFB鍋爐工藝流程如圖1所示[2]。

2 CFB鍋爐燃燒模型的建立

2.1 CFB鍋爐燃燒效率簡化模型

鍋爐燃燒效率是指鍋爐的有效利用熱量占輸入熱量的百分比。CFB鍋爐燃燒過程中，通過測量有效利用熱量和輸入熱量求得鍋爐效率的方法叫正平衡法。運(yùn)用正平衡法求得CFB鍋爐燃燒效率的過程如下：

Qc=Q1+Q2+Q3+Q4+Q5

式中：Qc——燃煤及燃料的熱值，kJ/kg；Q1——轉(zhuǎn)變?yōu)檎羝臒嶂担琸J/kg；Q2——鍋爐排煙熱損失的熱值，kJ/kg；Q3——化學(xué)不完全燃燒損失的熱值，kJ/kg；Q4——機(jī)械不完全燃燒熱損失的熱值，kJ/kg；Q5——鍋爐散熱損失的熱值，kJ/kg。

圖1 CFB鍋爐工藝流程示意

為減少不確定因素的影響并準(zhǔn)確地計算燃燒效率，鍋爐排煙熱損失率的計算如下式：

(1)

氣體未燃盡熱損失率的計算如下式：

(tpy-tR)×100%

(2)

式中：cp——可燃?xì)怏w的平均比熱；k3,k4——燃料特性系數(shù)。

固體未燃盡熱損失率的計算如下式：

(3)

式中：Cfh——飛灰可燃物含量；Cls——爐渣可燃物含量；CAy——干燥后灰分含量。

鍋爐散熱損失率如下式：

lun=0.5%

(4)

熱損失率總和計算如下式：

l=lG+lm+luc+lun

(5)

則鍋爐燃燒效率的計算如下式：

η=100%-l

(6)

該模型簡化了計算絕對溫度和干煙氣量的過程，可只測排煙溫度、冷空氣溫度、排煙氧含量、飛灰可燃物、煤的發(fā)熱量等影響因素，提高了相關(guān)計算效率。

2.2 鍋爐的BP神經(jīng)網(wǎng)絡(luò)模型

2.2.1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層、輸出層組成。BP神經(jīng)網(wǎng)絡(luò)有輸入節(jié)點(diǎn)M個、隱層節(jié)點(diǎn)K個、輸出節(jié)點(diǎn)N個，其結(jié)構(gòu)如圖2所示。

圖2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意

2.2.2 BP神經(jīng)網(wǎng)絡(luò)模型的建立

實(shí)現(xiàn)燃燒優(yōu)化的過程就是實(shí)現(xiàn)運(yùn)行參數(shù)優(yōu)化的過程。根據(jù)NOx的排放原理，鍋爐燃燒的可調(diào)節(jié)參數(shù)會影響到爐膛的溫度，而爐膛溫度對鍋爐NOx排放影響很大。

根據(jù)鍋爐燃燒熱態(tài)試驗(yàn)得到的數(shù)據(jù)結(jié)合BP神經(jīng)網(wǎng)絡(luò)算法，建立鍋爐的燃燒特性預(yù)測模型。通過調(diào)節(jié)風(fēng)煤比控制鍋爐的運(yùn)行效率和NOx的排放，建立了多輸入單輸出的軟測量模型,如圖3所示。

圖3 鍋爐的BP神經(jīng)網(wǎng)絡(luò)模型示意

注：Load——機(jī)組負(fù)荷；Q——燃料熱值；V——燃料充分揮發(fā)度；p——一次風(fēng)壓；Sa，Sb，Sc——3層二次風(fēng)的擋板開度；φO2——煙氣中氧體積分?jǐn)?shù)；ωC——飛灰含碳質(zhì)量分?jǐn)?shù)；tpy——排煙溫度；t——爐膛溫度；t2——爐內(nèi)平均溫度；ρNOx——氮氧化物排放量

構(gòu)建爐熱態(tài)試驗(yàn)工況數(shù)據(jù)表，選取80組作為訓(xùn)練樣本，20組作為測試樣本，試驗(yàn)數(shù)據(jù)歸一化處理后的試驗(yàn)數(shù)據(jù)X為

(7)

2.3 基于BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測

2.3.1 鍋爐燃燒效率的模型預(yù)測

鍋爐熱態(tài)試驗(yàn)數(shù)據(jù)見表1所列。

表1 鍋爐熱態(tài)實(shí)驗(yàn)數(shù)據(jù)

鍋爐飛灰含碳量和排煙溫度作為鍋爐燃燒優(yōu)化的模型輸出量，而風(fēng)壓、運(yùn)行負(fù)荷、燃煤熱值作為BP神經(jīng)網(wǎng)絡(luò)BPNN_1和BPNN_2的輸入。

BP神經(jīng)網(wǎng)絡(luò)模型的隱含層中神經(jīng)元為6個，通過運(yùn)用LM算法調(diào)整步長和權(quán)值并選用Sigmoid函數(shù)作為激勵函數(shù)[3]。在Matlab中仿真確定動量因子為0.874，學(xué)習(xí)速率為0.232，當(dāng)訓(xùn)練次數(shù)大于6 000次或者系統(tǒng)的誤差小于設(shè)定值時訓(xùn)練結(jié)束并輸出訓(xùn)練后的權(quán)值和閾值[4-5]。飛灰含碳量的預(yù)測模型如圖4所示，排煙溫度的預(yù)測模型如圖5所示。

由圖4可知，模型預(yù)測值和實(shí)際測量值間的最大絕對誤差是3.90×10-4，最大相對誤差是0.76%。由此判斷預(yù)測模型能夠預(yù)測飛灰含碳量值，可以準(zhǔn)確、實(shí)時地反映鍋爐燃燒特性。

由圖5可知，模型預(yù)測值和實(shí)際值間的最大絕對誤差是3.98×10-3，最大相對誤差是2.76%，故參變量排煙溫度能夠滿足預(yù)測鍋爐燃燒效率的要求。鍋爐燃燒效率的預(yù)測模型如圖6所示。

圖4 飛灰含碳量的預(yù)測模型示意

圖5 排煙溫度的預(yù)測模型示意

圖6 鍋爐燃燒效率的預(yù)測模型示意

排煙溫度、飛灰含碳量和煤質(zhì)、熱值等參數(shù)會對鍋爐的燃燒效率產(chǎn)生較大影響，使得鍋爐燃燒效率的預(yù)測存在一定的偏差，為提高精度和準(zhǔn)確率，采取了去除偏差較大和偏差較小的點(diǎn)即選取中間變量的方式，得出平均絕對誤差為0.037%。

2.3.2 鍋爐NOx排放的預(yù)測模型

若要預(yù)測NOx的排放量必先對爐膛溫度進(jìn)行預(yù)測。用BPNN_3表示爐膛溫度的神經(jīng)網(wǎng)絡(luò)預(yù)測模型如圖7所示，NOx排放預(yù)測模型如圖8所示。

圖7 爐膛溫度的預(yù)測模型示意

由圖7可知： 模型預(yù)測值和實(shí)測值間的最大絕對誤差是35.87℃，最大相對誤差是2.92%。爐膛溫度測量偏差較大，故采用其估算平均值。

由圖8可知： 模型預(yù)測值和實(shí)測值間的最大絕對誤差是5.33 mg/m3，最大相對誤差0.026 8%。

圖8 NOx排放預(yù)測模型示意

3 實(shí)現(xiàn)鍋爐燃燒優(yōu)化的遺傳算法

3.1 遺傳算法的優(yōu)化機(jī)理

遺傳算法有4個運(yùn)算參數(shù)需要提前設(shè)定： 種群規(guī)模、進(jìn)化代數(shù)、交叉概率和變異概率。GA通過選擇、交叉和變異操作實(shí)現(xiàn)群體的并行優(yōu)化。基本遺傳算法的主要運(yùn)算過程如圖9所示[6]。

圖9 遺傳算法流程示意

3.2 遺傳算法在鍋爐燃燒優(yōu)化中的實(shí)現(xiàn)

實(shí)現(xiàn)優(yōu)化可以通過調(diào)節(jié)風(fēng)煤比、改變擋板開度等途徑。鍋爐燃燒效率和NOx排放量是相互矛盾的2個變量[7]，優(yōu)化方法可尋找鍋爐燃燒效率約束下NOx排放的極小值或NOx排放約束下鍋爐燃燒效率的極大值。

在Matlab仿真中，遺傳算法的優(yōu)化程序設(shè)定鍋爐燃燒效率ηmin=92%， NOx的排放量滿足ρ(NOx)max≤450 mg/m3。兼顧實(shí)現(xiàn)鍋爐燃燒效率[8]約束下NOx排放量優(yōu)化的遺傳算法要使NOx排放量越低越好。同理，NOx排放量約束下燃燒效率優(yōu)化的遺傳算法要使鍋爐的燃燒效率高而NOx排放量低。優(yōu)化結(jié)果見表2所列。

表2 優(yōu)化結(jié)果

由表2可得： 無論在何種約束條件下，都能實(shí)現(xiàn)鍋爐的燃燒效率及NOx排放量的最優(yōu)化。故該次對CFB鍋爐燃燒技術(shù)的優(yōu)化研究達(dá)到了目的，對于指導(dǎo)鍋爐燃燒有一定的意義。

4 結(jié)束語

本文通過對鍋爐工藝流程的分析及燃燒效率的計算，得出了影響燃燒效率的主要因素[9-10]。運(yùn)用BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型對燃燒過程進(jìn)行優(yōu)化并用遺傳算法將優(yōu)化的目標(biāo)分別設(shè)定為在燃燒效率約束條件下的NOx的最低排放以及NOx約束條件下鍋爐燃燒的最大效率。在Matlab中驗(yàn)證了算法的有效性，模型的精確度、誤差，從而實(shí)現(xiàn)了理論上的鍋爐優(yōu)化。

[1] 劉明遠(yuǎn).烏石化自備電廠安全策略研究[D].上海： 華東理工大學(xué),2011.

[2] 張德豐.Matlab神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計[M].北京： 機(jī)械工業(yè)出版社,2009.

[3] 程換新,伊飛.面向輕汽油醚化的BP神經(jīng)網(wǎng)絡(luò)的模型預(yù)測控制[J].石油化工自動化,2012,48(06)： 40-41.

[4] 董長紅.Matlab神經(jīng)網(wǎng)絡(luò)與應(yīng)用[M].北京： 國防工業(yè)出版社,2007.

[5] 羅國權(quán).125 MW鍋爐燃燒優(yōu)化試驗(yàn)及仿真研究[D].湖北： 華中科技大學(xué),2007.

[6] 聶瓊.淺談遺傳算法與人工神經(jīng)網(wǎng)絡(luò)的結(jié)合[J].輕紡工業(yè)與技術(shù),2012，41(06)： 35-37.

[7] 應(yīng)劍,徐旭,王興龍.電站鍋爐燃燒優(yōu)化技術(shù)的發(fā)展與應(yīng)用[J].能源工程，2006(02)： 55-58.

[8] 許昌，呂劍虹，鄭源，等.以效率和低NOx排放為目標(biāo)的鍋爐燃燒整體優(yōu)化[J].中國電機(jī)工程學(xué)報，2006，26(04)： 46-50.

[9] 李國強(qiáng).新型人工智能技術(shù)研究及其在鍋爐燃燒優(yōu)化中的應(yīng)用[D].北京： 燕山大學(xué)，2013.

[10] 王成威.基于PLC和OPC的鍋爐燃燒系統(tǒng)先進(jìn)控制系統(tǒng)的研發(fā)[D].山東： 山東大學(xué)，2012.

[11] 余淑榮，張曉東，吳明亮，等.PLC在水煤漿鍋爐燃燒控制中的應(yīng)用.化工自動化及儀表,2015,42(01): 86-89.

Study on Optimization Technology of CFB Boiler Combustion Cheng Huanxin, Meng Xiangyong

(College of Automation & Electronic Engineering, Qingdao University of

Science & Technology, Qingdao, 266061, China)

s： Various factors affecting the CFB boiler combustion efficiency are analyzed. The BP neural network prediction model is established, which is based on the model output for the boiler combustion efficiency and NOxemissions amount respectively.The genetic algorithm is used to optimize the parameters of the model. The boiler efficiency and NOxemission are optimized by adjusting combustion parameters. Neural network can be trained, which is based on real operation data of boiler.The result with Matlab simulation shows the proposed model and algorithm are effective for optimization of boiler combustion.

CFB boiler; combustion optimization; prediction model; simulation

程換新(1966—)，男，山東青島人，教授,1995年畢業(yè)于浙江大學(xué)自動化專業(yè)，現(xiàn)就職于青島科技大學(xué)，主要從事控制理論與應(yīng)用研究，任碩士生導(dǎo)師。

TP273

B

1007-7324(2017)04-0028-05

稿件收到日期： 2017-03-10，修改稿收到日期： 2017-06-28。