火電廠鍋爐運行氧量對鍋爐效率影響的定量分析

宋濤 孫桂玲

摘? ? 要：鍋爐是火電廠中的重要熱力設備，對其進行燃燒熱效率的精準運算與分析，可以更好地指導各個機組穩定、高效、經濟地運行。在對鍋爐參數的耗差進行分析時，應當有效運用熱損失的計算模型，從而得到由于運行氧量未達到基準值而導致的煤耗偏差。據調查，運行氧量既會直接影響到鍋爐的效率，又會通過影響鍋爐內部的各個參數。基于此，本文闡述了運行氧量耗差的定量分析法，建立了基于BP神經系統的網絡模型，依據該模型對運行氧量給火電廠鍋爐效率的影響作出定量分析，提供了必要的參考。

關鍵詞：火電廠鍋爐; 運行氧量;鍋爐效率;定量分析

1? 前言

在鍋爐參數耗差分析中，主要分析排煙溫度、運行氧量、飛灰含碳量等偏離基準值時引起的煤耗率的變化。在分析氧量引起的耗差時，一般從熱損失計算公式中求得氧量引起的煤耗偏差，然而，當運行氧量發生變化時，對經濟性的影響除了煙氣量引起的排煙熱損失的變化外，同時還將引起其他運行參數的改變。

2? 運行氧量耗差的定量分析

2.1? 耗差分析模型

通過相關的研究了解到，排煙損失及設備沒有完全燃燒帶來的損失皆會對鍋爐效率造成一定的影響。利用鍋爐反平衡效率的計算模型可知，排煙損失及設備未完全燃燒帶來的損失主要受到氧量的影響。從排煙損失的相關計算公式可知，氧量既會對鍋爐效率產生直接影響，又會對其產生間接影響。當對設備未充分燃燒的損失進行計算的時候，如果想要借助飛灰含碳量計算設備未充分燃燒的損失難以實現。因此，不能僅僅通過鍋爐效率計算模型的相關公式計算，有效地分析運行氧量給鍋爐效率帶來的影響。經過相關資料的查詢發現，在以煤炭特性及其運行特點為基礎，建立鍋爐設備未充分燃燒損失解析的評估模型，通過模型可以系統地分析運行氧量給鍋爐效率帶來的影響。所以，本文借助GBPTC的反平衡鍋爐效率的計算模型，對鍋爐中的各項損失進行計算，總結因參數引起鍋爐效率的變化規律。對于鍋爐效率的制約因素加以深層次地研究，建立以上兩項損失之和的網絡模型，進而對氧量變化給鍋爐效率帶來的影響展開定量分析。

2.2? 一般計算方法

以往的計算方法僅僅對運行氧量給排煙損失的影響進行分析，沒有對設備未完全燃燒損失方面的分析;或盡管分析了機械未完全燃燒的損失，沒有對運行氧量對飛灰含碳量帶來的影響加以考慮。排煙損失的計算模型一般會給大型的火電廠鍋爐運行機組的在線熱效率帶來巨大影響。在對鍋爐參數的改變引起的耗差進行分析時，以往的分析方法通常將鍋爐的損失進行細劃分，成為幾部分的熱量損失，最后得到影響鍋爐損失的參數也較為復雜。所以，一般的計算方法僅僅適合定量分析小規模的火電廠鍋爐機組的運行效率。

本文在對運行耗氧量導致的耗差進行計算時，主要利用GBPTC反平衡的鍋爐效率計算模型里的計算公式，主要包括的參數如下：煙氣內含有水蒸氣熱量、煙氣帶走熱量、煤質、空氣等。把運行氧量的實際測量值與基準值代入計算公式，可以算出氧量變化給鍋爐效率帶來的影響。

3? 建立人工神經網絡模型

人工神經網絡主要是由諸多模擬生物的神經元廣泛相連而構成的網絡系統，因為人工神經網絡對任何非線性的函數具有良好的擬合性能與泛化性能，并且，對于復雜問題也有著較大的自適應與自學習性能，在非線性系統的模型構建方面獲得廣泛的應用。基于BP網絡有著良好的非線性的擬合性能，且學習算法也很簡單，具有較大的可行性。所以，本文利用BP神經網絡構建了相關模型，對運行氧量對鍋爐效率產生的影響進行定量分析。

3.1? 選擇模型輸入輸出的參數

為了得到最優的燃燒效率，一定要讓各項的燃燒損失盡量控制到最低。燃燒損失的影響因素一般包括以下幾個方面：燃料性質、燃燒模式、鍋爐中過量空氣的系數、爐膛結構、運行工況等。對已經投入運行的中間倉儲型制粉系統的火電廠鍋爐，其爐膛的構造已比較穩定，且制粉系統不會對燃燒帶來明顯的影響，所以，不將其列為模型計算的輸入參數;因煤粉的細度以當前的技術難以進行在線精確地測量，且煤粉細度處于特定范圍時可借助調節別的參數，對燃燒進行調整。所以，暫時不將煤粉細度進行經濟性分析。本次研究主要分析燃料性質、氧量、運行工況對鍋爐燃燒的影響。經過對排煙熱損失與設備未充分燃燒的損失相關因素的分析，結合煤炭特性與運行工況的影響，獲得網絡模型的輸入參數：（1）煤質特性方面：應用基水分、可燃基揮發分、低位熱值、應用基灰分;（2）運行特性方面：排煙溫度、機組負荷、風煤配比、鍋爐運行氧量;（3）環境方面：環境溫度。輸出參數：排煙熱損失（q2）與設備未充分燃燒損失（q4）之和。為了方便表達，將q2、q4之和稱作q24。

3.2? 分析網絡模型的訓練及結果

選擇某火電廠300 MW機組（50%-100%負荷）運行參數為模型的輸入。本次研究抽取了實時數據共100組，分為80組的訓練樣本與20組的測試樣本。上述樣本里含有的5種煤質參數各不相同。構建的BP網絡模型其隱含層為2，第一個隱含層有4個神經元，第二個隱含層有3個神經元，分別通過雙曲正切與對數的激活函數;輸出層為線性結構。考慮到網絡收斂的需求，BP網絡隱含層的神經元應用Sigmoid式變換函數，函數的取值范圍：[-1，l]，所以，網絡輸入值、輸出值皆要進行歸一處理，讓其在[0，1]范圍內。通過觀察網絡模型實測值與輸出值的對比曲線與模型的相對誤差曲線了解到：對訓練樣本而言，網絡的實測值與輸出值大體接近，很多誤差的絕對值在1線內，且輸出的相對誤差最大不超過1. 2。對測試樣本而言，神經網絡的相對預測誤差最大值<200。且誤差符合工程誤差標準，這表明了網絡有著良好的泛化性。可以通過該模型對氧量變化給鍋爐效率帶來的影響作出定量分析。

3.3? 運行氧量對鍋爐效率影響的定量分析

氧量是鍋爐機組運行調節中的關鍵參數。如果氧量過大，則多余的空氣經過加熱以后，排入大氣帶走部分熱量，增加了排煙的熱損失;相反，如果氧量過小，燃燒需要的空氣成分缺乏，導致不充分燃燒，增加了設備未充分燃燒的損失。所以，對氧量給鍋爐效率帶來的影響進行定量分析可以為調整鍋爐運行氧量提供可靠參考。本次研究在兩項損失之和與建立網絡模型的基礎上，分析了運行氧量對鍋爐效率帶來的影響。從耗差分析原理了解到，讓其他參數保持不變，單獨改變運行氧量的數值，可了解氧量對鍋爐效率帶來的影響。例如：定量分析負荷為220MW、320MW的鍋爐系統中運行氧量對鍋爐效率的影響。經過計算，得到在這樣的工況條件下，氧量變化引起的排煙熱損失與設備未充分燃燒損失之和的變化。在顯示操作中，只要把氧量的基準值與實際值分別代入模型，就可以得到運行氧量對鍋爐效率帶來的影響。

4? 結束語

綜上所述，本文通過一般方法分析了運行氧量對鍋爐效率帶來的影響，了解到氧量會直接、間接地影響火電廠鍋爐的運行效率。在此基礎上，引入人工神經網絡技術，構建了排煙熱損失與設備未充分燃燒損失之和的模型，通過此模型定量地分析了氧量對鍋爐效率帶來的影響。經研究發現，運行氧量對鍋爐效率帶來的影響生成的曲線動態與物理規律相符，有利于工作人員合理調整機組運行方式，讓機組接近最優的運行狀態，確保鍋爐穩定、高效、經濟地運行。

參考文獻：

[1] 敖選志.淺談火電廠鍋爐運行控制與故障預防[J].民營科技，2018（7）：26.

[2] 陳廣偉，馬海鵬.600MW超超臨界鍋爐最佳運行氧量試驗研究[J].節能，2017（9）：43～47.