電廠智能化管控技術研究與應用

李 強，高 勇，朱建國，褚紅絹，蔡 兵，侯衛鋒，劉文烈

電廠智能化管控技術研究與應用

李 強1，高 勇1，朱建國1，褚紅絹1，蔡 兵1，侯衛鋒2，劉文烈2

（1.南通醋酸纖維有限公司，江蘇 南通 226007；2.浙江中智達科技有限公司，浙江 杭州 310012）

在數字化電廠的基礎上，構建智能電廠的模型基礎，提出一種新的智能電廠功能架構。該技術重點突出人工智能技術與電廠專業機理模型的融合，研究電廠機理建模與實時仿真、基于三維可視化的鍋爐燃燒優化、鍋爐與環保島智能控制、智慧能源管理、設備智能預警與預防性維修等關鍵技術。該技術已在某電廠成功應用，實現了鍋爐、環保島的黑屏操作和制粉系統一鍵智能啟停，鍋爐熱效率提高0.5%，鍋爐爐管泄漏事故基本杜絕，實現了電廠的智能化管理與控制，取得了突出的節能和安全生產效果，具有明顯的推廣價值。

智能電廠；實時仿真；智能控制；燃燒優化；智慧能源管理；設備預警與預防性維修

在節能、降耗、減排政策要求和集約化、高效管理需求驅動下，國內發電和熱電企業在數字化電廠建設方面取得了長足進步，實現了如分散控制系統（DCS）功能拓展、全廠控制一體化、廠級監控信息系統（SIS）與管理信息系統（MIS）深度融合等。而人工智能、大數據、物聯網、云計算、三維可視化等技術的發展，為發電企業由數字化向更加清潔、高效、可靠的智能化電廠發展奠定了基礎[1-2]。

雖然目前很多電廠已實現生產過程控制自動化、生產經營管理信息化，但仍與工業4.0提出的智能生產目標存在較大差距。智能電網、智能園區的推進對發電廠和熱電廠在深度調峰、節能減排、安全可靠運行等方面均提出了更大的挑戰，建設智能電廠的需求日益緊迫[3-4]。

在此背景下，本文提出了一種新的智能電廠功能架構，重點突出智能控制、智能管理與決策等技術的應用，并在電廠實時仿真、基于三維可視化的鍋爐燃燒優化、鍋爐與環保島智能控制、智慧能源管理、設備智能預警與預防性維修等關鍵技術的研究與應用方面取得了突破，為電廠帶來了顯著的經濟效益和社會效益。

1 電廠智能化管控整體架構

本文提出的智能電廠功能架構如圖1所示。

智能電廠功能架構充分體現如下設計原則：1）以節能減排、安全生產為核心目標，引入實時仿真、智能控制、鍋爐燃燒優化、設備預警與預防性維修等先進技術，為企業帶來顯著的安全與節能效果；2）以專業仿真模型和人工智能技術為核心支撐，實現機組的全流程機理仿真，并以大量人工智能算法的應用作為整個智能電廠的模型基礎，實現全機組的智能化；3）在機理模型和人工智能技術的支撐下，以鍋爐的先進控制和燃燒優化為智能控制的主要內容，以能源、設備和安全管理的智能化為智能管理的主要內容，在帶來安全和節能效果的同時，實現全機組的管控一體化。

2 電廠全流程實時仿真

典型超臨界火電機組的主要部件級設備和物質流、能量流關系示意如圖2所示。

本文基于袁景淇等[5-8]和陳旭等[9]提出的燃煤機組機理模型，進行實時仿真系統的開發。燃煤機組實時仿真系統架構如圖3所示。該架構接受來自現場部件級裝置的DCS實測信號、SIS/MIS數據庫數據和負荷信號，在機理模型系統、工質和煙氣物性參數數據庫、設備結構參數數據庫、實時仿真軟件平臺的支撐下，每隔5 s輸出入爐煤質量流量、入爐煤總發熱量、入爐煤低位發熱量、爐膛出口平均煙氣溫度、主蒸汽質量流量、再熱蒸汽質量流量、空氣預熱器漏風率、鍋爐熱效率、典型換熱設備的煙氣-工質傳熱阻熱阻（或傳熱系數）、低壓缸排汽濕度、汽輪機熱經濟指標等的實時仿真值。

實踐證明，實時仿真系統計算精度較高。以入爐煤熱值計算結果為例，與4 h/次的離線化驗值 相比，實時計算的入爐煤熱值相對誤差小于0.5%（圖4）。由于模型解算時間小于1 s，故入爐煤熱值最短刷新周期可達5 s。

3 電廠智能化控制

3.1 基于三維可視化的鍋爐燃燒優化

實現鍋爐優化燃燒是機組優化運行的重要前提。這要求全面、準確、實時掌握和采集燃燒以及與燃燒有關的重要信息，特別是溫度信息，以便實時調整燃燒，實現過程的優化。然而，電站鍋爐爐內環境惡劣，具有溫度高、尺度大、多種物理場共存等特點，傳統的一些溫度測量方法無法滿足現場測量的實時性和準確性[10-11]。

本文提出在某鍋爐爐膛出口屏式過熱器下部1～2 m層面內、燃盡風上部，配置爐膛煙氣聲波測溫系統，以解決鍋爐從啟動開始全負荷范圍內實時監測爐膛出口煙氣溫度的問題，并且測量爐膛內部最高溫度區域溫度，監測燃燒偏斜。

聲波發生系統采用電動聲源，螺旋線聲波導管和功率放大器相匹配，具有功率大、安全可靠、聲波頻率可調等特點。針對冷態時爐內的混響問題和熱態時爐內的高噪聲問題，采用先進的時間延遲估計算法，可以得到準確的時間延遲估計值。

針對爐膛二維截面，布置8發8收（每側2個），形成24條測量路徑，通過計算機層析成像算法實現溫度場重建，準確得出了復雜溫度場中任意一點的溫度信息。該系統為運行人員優化燃燒提供了直觀依據，可以減少受熱面爆管概率，提高燃燒效率，減少氮氧化物生成量。

3.2 鍋爐與環保島智能控制系統

現有的鍋爐和環保島優化控制研究很少能實現整體智能控制和在線持續應用[12-15]。本文首次將燃煤機組機理模型、基于三維可視化的鍋爐燃燒優化與多變量預測控制算法相結合，實現了鍋爐與環保島的多目標、多層次智能協調與優化控制，并在現場裝置上成功應用，其控制方案如圖5所示。

控制方案：制粉控制器同時實現磨煤機一鍵啟/停自動智能控制和磨煤機出口溫度、入口負壓、壓差的優化控制；鍋爐燃燒控制器同時實現升降負荷優化控制、爐膛A/B側溫差優化控制、二次風優化控制、爐膛氧含量優化控制、爐膛負壓平穩控制、主蒸汽壓力平衡優化控制、風粉平衡優化控制、一次風壓平衡優化控制、一/二級減溫水優化控制和汽包液位平穩控制等多目標的優化控制；脫硫脫硝控制器基于機理模型和多變量預測控制器，以尿素流量為操作變量，生產負荷、爐膛氧含量為干擾變量，實現對NO的卡邊平穩操作，避免環保指標超標的同時降低消耗。將上述方案在某鍋爐和環保島上進行應用，取得了顯著的效果。

1）自動化程度顯著提高 從制粉開始，包括磨煤機的智能啟停、鍋爐的產汽和脫硝脫硫無需人工操作，系統能智能控制，可以24 h連續運行，達到真正的“黑屏操作”。特別是磨煤機的一鍵啟/停，整個過程無需人工干預，只需點一下啟停按鈕，就能智能完成磨煤機的啟停工作，大幅降低了操作人員勞動強度。

2）工藝指標平穩性顯著提高 先進控制實現了鍋爐的核心工藝指標，如母管蒸汽壓力、二次風速、爐膛氧含量、一級減溫水、蒸汽溫度、NO質量濃度、給粉機風粉混合溫度、磨煤機入口負壓、爐膛負壓等控制。先進控制系統投運后穩定性比投用前提高了40%以上。

3）磨煤機一鍵啟停過程工藝指標波動性大幅減少 磨煤機一鍵啟停系統安裝完成后，由之前的人工控制升級到智能控制，啟停過程一鍵完成。工藝指標包括蒸汽母管壓力、蒸汽流量、乏氣帶粉量、啟停時間等比人工啟停穩定性提高60%以上，主要表現為蒸汽母管壓力波動幅度減小、蒸汽流量波動幅度減小、乏氣帶粉量減少、啟停時間減少等，特別是停磨煤機的時候，乏氣帶粉明顯減少，母管壓力波動也小很多。

4）鍋爐熱效率提高 先進控制系統確保鍋爐各重要指標的平穩控制后，優化了鍋爐出口氧含量的控制。先進控制系統投用前后鍋爐熱效率對比見表1，可見投運后比投運前提高了0.5%。

表1 先進控制系統投用前后鍋爐熱效率對比

Tab.1 The boiler thermal efficiencies before and after the advanced control system was put into service %

4 電廠智能化管理

4.1 電廠智慧能源管理系統

智慧能源管理技術將分散的能源數據信息統一分類匯總，基于電廠機理模型和人工智能算法，通過運行決策分析模型提出運行建議，提高能源效率。智慧能源管理界面如圖6所示。具體內容如下。

1）熱力性能評價指標 包括燃料利用系數、熱化發電率、煤耗量、發電熱效率、發電熱耗率、發電標煤耗、供熱熱效率、熱電比等。

2）汽輪機組熱力性能分析數學模型 包括凝汽器性能分析模型、除氧器性能分析模型、高/低壓加熱器性能分析模型、汽輪機相對內效率、汽輪機進汽閥效率、調節級效率、高/低壓級組效率等。

3）鍋爐熱力性能分析數學模型 包括機械不完全燃燒熱損失、化學未完全燃燒熱損失、排煙熱損失、散熱損失、灰渣物理熱損失、過熱器與空氣預熱器清潔度等。

4）母管制熱力系統熱力性能模型 包括鍋爐損失率、汽輪機的冷端損失率、給水泵汽輪機用汽率、高壓供熱率、低壓供熱率、高壓加熱器與除氧器回熱用熱率、發電用熱率、廠用電率等。

5）基于人工智能算法的能損分析 基于上述數學模型，利用人工神經網絡、長短期記憶網絡、進程挖掘與賦時自動機等人工智能算法進行能損分析，給出鍋爐、汽輪機和供熱系統可控參數能損分析。其中，針對鍋爐給出排煙溫度、排煙氧量能損分析；針對汽輪機給出主蒸汽壓力、溫度能損分析；針對供熱系統給出高/低壓供汽壓力能損分析。

4.2 電廠設備預警與預防性維修系統

設備預警與預防性維修技術是指基于電廠機理模型和人工智能技術，通過運行狀態監測，提前發現設備異常，給設備預測性維護提供數據支持，將設備運行異常消除在萌芽階段，減少非計劃性停爐、停機，減少啟停爐、啟停機的能源消耗[16]。

鍋爐爐管泄漏是電廠常發事故。目前在國內電廠中，因該事故造成的非計劃停運時間占全年總停運時間的30％以上。鍋爐爐管泄漏是造成機組非計劃停運的主要原因，對鍋爐的經濟運行威脅極大。本文針對某鍋爐開發了ALD-II型爐管泄漏智能預警系統。該系統集鍋爐、聲學、電子、計算機、機械等多學科技術，通過增強型傳感器來獲取鍋爐內爐管泄漏的噪聲信號，在消除鍋爐運行的各種復雜噪聲干擾的基礎上，利用人工智能技術，通過快速傅立葉變換進行聲譜分析，通過對噪聲強度、頻譜特征及持續時間的分析計算判斷爐管是否發生泄漏，實現鍋爐爐管泄漏的早期測報，并判斷泄漏區域位置及泄漏程度。共計18只測點對稱布置，覆蓋所有重要汽水受熱面。當爐內汽水受熱面發生早期輕微泄漏時，其聲波強度信號能夠發生明顯變化，這有助于運行人員及早發現，減少經濟損失。

整個裝置設計成3個部分：現場數據采集單元、中央處理單元和顯示報警單元。其技術路線原理框圖如圖7所示。爐管泄漏智能預警系統投運后，系統界面示意如圖8所示。

借助爐管泄漏預警系統，爐管早期泄漏預報覆蓋率達到90%以上，絕大部分泄漏事故被扼殺在萌芽中，大大提高了設備使用效率。

5 結 語

本文提出了新的智能電廠功能架構，基于燃煤機組機理模型開發了電廠實時仿真系統，構建了智能電廠的模型基礎。在智能控制層，實現了基于三維可視化的鍋爐燃燒優化，提出了融合三維可視化燃燒優化、機理模型和多變量預測控制算法的鍋爐和環保島智能控制技術，鍋爐熱效率提高了0.5%。在智能管理層，構建了智慧能源管理平臺，開發了鍋爐爐管泄露智能預警系統，為智能電廠安全、節能運行保駕護航。該技術在某電廠得到了成功應用，取得了顯著的經濟效益和社會效益。

［1］ 侯子良. 建設智能電廠思維的探討[J]. 自動化博覽, 2016(增刊1): 20-21.

HOU Ziliang. Discussion on the thought of building intelligent power plant[J]. Automation Panorama, 2016(Suppl.1): 20-21.

［2］ 張晉賓, 周四維, 陸星羽. 智能電廠概念、架構、功能及實施[J]. 中國儀器儀表, 2017(4): 33-39.

ZHANG Jinbin, ZHOU Siwei, LU Xingyu. Concept, architecture, function and implentation of smart power plant[J]. China Instrumentation, 2017(4): 33-39.

［3］ 劉中華, 孫濤, 舒開太. 智能電廠建設探討[J]. 能源研究與管理, 2018(4): 52-54.

LIU Zhonghua, SUN Tao, SHU Kaitai. Discussion of construction in intelligent power plant[J]. Jiangxi Energy, 2018(4): 52-54.

［4］ 陳思全, 左華京. 數字化電廠的發展現狀及向智能化電廠發展的展望[J]. 沈陽工程學院學報（自然科學版）, 2018(2): 126-130.

CHEN Siquan, ZUO Huajing. Development status of digital power plant and the prospect towards smart power plant[J]. Journal of Shenyang Institute of Engineering (Natural Science), 2018(2): 126-130.

［5］ 劉欣, 于彤, 袁景淇. 300 MW汽輪機主汽調門組模型的建立與應用[J]. 控制工程, 2012, 19(6): 1183-1186.

LIU Xin, YU Tong, YUAN Jingqi. Modeling and application of governor valve of 300 MW turbine unit[J]. Control Engineering of China, 2012, 19(6): 1183-1186.

［6］ 張銳鋒, 袁景淇. 基于機理建模的煤質辨識技術研究與工程實踐[J]. 貴州電力技術, 2013, 16(12): 7-10.

ZHANG Ruifeng, YUAN Jingqi. Research and engineering practice of coal quality identification technology based on the mechanism modeling[J]. Guizhou Electric Power Technology, 2013, 16(12): 7-10.

［7］ XU L, YUAN J Q. Online identification of the lower heating value of the coal entering the furnace based on the boiler-side whole process models[J]. Fuel, 2015(1): 68-77.

［8］ 丁承剛, 郭士義, 龔燕雯, 等. 電站鍋爐制粉系統模型的建立與應用[J]. 鍋爐技術, 2016, 47(1): 5-8.

DING Chenggang, GUO Shiyi, GONG Yanwen, et al. Modeling and application of coal pulverizing system for coal-fired power plant[J]. Boiler Technology, 2016, 47(1): 5-8.

［9］ 陳旭, 王景成. 電站鍋爐過熱器系統動態建模及現場數據仿真[J]. 微型電腦應用, 2011, 27(1): 21-23.

CHEN Xu, WANG Jingcheng. Dynamic modeling for utility boiler super-heater system and simulation by using online plant data[J]. Microcomputer Applications, 2011, 27(1): 21-23.

［10］ 胡志宏, 郝衛東, 薛美盛, 等. 1 000 MW超超臨界燃煤鍋爐燃燒與NO排放特性試驗研究[J]. 機械工程學報, 2010(4): 105-110.

HU Zhihong, HAO Weidong, XUE Meisheng, et al. Experimental study on combustion and NOemission characteristic of 1 000 MW ultra-supercritical coal-fired boiler[J]. Journal of Mechanical Engineering, 2010(4): 105-110.

［11］ 劉燮, 鐘文琪, 李杰, 等. 超超臨界鍋爐燃燒配風優化的三維數值模擬[J]. 東南大學學報（自然科學版）, 2018, 48(5): 794-800.

LIU Xie, ZHONG Wenqi, LI Jie, et al. Three-dimensional numerical simulation on optimization air distribution for combustion of ultra-supercritical boiler[J]. Journal of Southeast University (Natural Science Edition), 2018, 48(5): 794-800.

［12］ 丁承剛, 郭士義, 石偉晶, 等. 燃煤電站鍋爐二次風控制系統優化[J]. 電氣自動化, 2016, 38(4): 106-109.

DING Chenggang, GUO Shiyi, SHI Weijing, et al. The optimizing control of the secondary air control system of power plant[J]. Electrical Automation, 2016, 38(4): 106-109.

［13］ 柳行, 姚著, 張克偉. 循環流化床鍋爐煙風系統控制優化[J]. 熱力發電, 2017, 46(3): 126-131.

LIU Xing, YAO Zhu, ZHANG Kewei. Optimization on air and flue gas control system for circulating fluidized bed boiler[J]. Thermal Power Generation, 2017, 46(3): 126-131.

［14］ 高海東, 高林, 樊皓亮, 等. 火電機組實用智能優化控制技術[J]. 熱力發電, 2017, 46(12): 1-5.

GAO Haidong, GAO Lin, FAN Haoliang, et al. Discussions on practical intelligent optimization control technologies for thermal power units[J]. Thermal Power Generation, 2017, 46(12): 1-5.

［15］ 鄭偉, 劉達. 基于全工況數據挖掘的多目標燃燒優化[J]. 熱力發電, 2017, 46(6): 69-74.

ZHENG Wei, LIU Da. Multi-objective combustion optimization based on data mining with full-scale working condition[J]. Thermal Power Generation, 2017, 46(6): 69-74.

［16］ 楊勤, 張震偉, 楊茉, 等. 基于故障預警系統的燃煤發電設備狀態檢修[J]. 中國電力, 2019, 52(3): 109-114.

YANG Qin, ZHANG Zhenwei, YANG Mo, et al. Conditional maintenance of coal-fired power generation equipment based on early fault warning system[J]. Electric Power, 2019, 52(3): 109-114.

Research and application of intelligent management and control technology in power plants

LI Qiang1, GAO Yong1, ZHU Jianguo1, CHU Hongjuan1, CAI Bing1, HOU Weifeng2, LIU Wenlie2

(1. Nantong Cellulose Fibers Co., Ltd., Nantong 226007, China; 2. Zhejiang Cybstar Technology and Science Co., Ltd., Hangzhou 310012, China)

On the basis of digital power plant, the model foundation of intelligent power plant is built, and a new functional framework of intelligent power plant is put forward. This technology focuses on the integration of artificial intelligence technology and power plant professional mechanism model, and studies the key technologies including the mechanism modeling and real-time simulation of power plant, boiler combustion optimization based on three-dimensional visualization, intelligent control of boiler and environmental protection island, intelligent energy management, intelligent early warning and preventive maintenance of equipment, and so on. These technologies have been successfully applied in a power plant. The black screen operation and one key intelligent start-up and shutdown of the boiler and the environmental protection island have been realized. The thermal efficiency of the boiler has increased by 0.5%. The leakage accident of the boiler tube has been basically eliminated. Through the application of these technologies, the intelligent management and control of power plants has been realized, and outstanding energy-saving and safe production effects have been achieved, which has obvious popularization value.

intelligent power plant, real-time simulation, intelligent control, combustion optimization, smart energy management, equipment early warning and preventive maintenance

TM621.6

A

10.19666/j.rlfd.201907116

2019-06-10

李強(1974)，男，碩士，工程師，主要研究方向為鍋爐仿真與優化控制、電廠智能管控技術，liqiang@ncfcinfo.com。

李強, 高勇, 朱建國, 等. 電廠智能化管控技術研究與應用[J]. 熱力發電, 2019, 48(10): 15-21. LI Qiang, GAO Yong, ZHU Jianguo, et al. Research and application of intelligent management and control technology in power plants[J]. Thermal Power Generation, 2019, 48(10): 15-21.

（責任編輯 劉永強）