基于證據理論的循環流化床鍋爐煤質擾動識別

馬玉鍇，田亮

基于證據理論的循環流化床鍋爐煤質擾動識別

馬玉鍇，田亮

（華北電力大學 控制與計算機工程學院，河北 保定 071003）

燃燒擾動是循環流化床鍋爐常見擾動之一，基于人工判斷很難將煤質變化引起的燃燒擾動與其他因素導致的燃燒擾動正確區分。針對以上問題，提出一種基于證據理論的煤質好壞在線識別方法。首先對鍋爐燃燒過程進行機理分析，構造了機組負荷/給煤量、熱量/給煤量、給水流量/給煤量這3個可以反映當前煤質的證據；然后用典型樣本法建立置信函數；最后用D-S融合法則將這3個證據進行融合，得出最終的診斷結論。取電廠實際運行數據對該方法進行驗證，診斷結果表明該方法可有效區分煤質正常和煤質變差兩種燃燒狀況；相比單一證據診斷結果，對目標模式的支持度增加，不確定性減小，提高了識別的準確性。

循環流化床鍋爐；數據融合；證據理論；典型樣本；燃燒擾動識別

0 引言

近年來，循環流化床鍋爐因其污染排放低、燃料適應性廣，燃燒效率高的特點得到了飛速發展，并被廣泛應用于火電行業。由于其獨特的燃燒結構，使其幾乎可以燃用一切燃料并達到極佳的燃燒效率[1]。近些年來，受煤炭供應及價格的影響，考慮到經濟因素，越來越多的電廠選擇在運行過程中摻燒劣質煤種。在這種大環境下，循環流化床鍋爐燃料適應性廣的優勢愈加突出。

由于在運行時摻燒劣質煤種，會導致入爐煤質熱值不均，進而引起爐內燃燒狀況的波動。而循環流化床鍋爐是一個強耦合的整體，其燃燒波動不僅僅由煤質一種因素影響，還可能由給煤量、一次風量、二次風量等多種參數導致[2]。如果某時刻的燃燒擾動是由短期內煤質變化導致，若此時對其他參數進行改變，待煤質恢復后機組運行狀態可能會大幅波動。反而不如不作調整，依靠協調控制系統自身的調節能力進行調節。另一方面，煤質變化導致的燃燒擾動表現出的特征與某些機組故障，如磨煤機堵塞之間存在特征耦合，致使運行人員無法第一時間判斷出機組參數波動是由故障引起還是煤質變化引起。而電廠事故的發生，很大程度上是由于故障起始階段未能及時操作或者誤操作引起。因此迫切地需要一種智能算法識別當前入爐煤質的好壞，第一時間輔助運行人員進行機組狀態判別。

與此同時，隨著“工業4.0”和“智能制造2025”等政策的相繼出臺，“智慧電廠”已經成為公認的電廠未來轉型方向?！爸腔垭姀S”描繪的藍圖中，一項重要的功能就是智能診斷功能。即將實時運行數據通過特定的智能算法進行診斷，第一時間幫助運行人員判斷機組的運行狀態，輔助其進行決策。相比傳統的依靠人工經驗判斷，智能診斷技術能夠提供機組異常變化的具體趨勢，并能根據現場情況設置閾值，在異常狀況失控前及時報警，從而真正做到設備的可控、在控[3]。從這個角度講，實現對當前入爐煤質好壞的智能判別也是智能診斷功能的一部分，是“智慧電廠”發展過程的一個補充。

在入爐煤質的各項指標中，發熱量是影響控制系統品質的重要因素。對煤發熱量的在線分析，普遍采用的檢測方法是用入爐煤的灰分、水分、揮發分等成分通過經驗公式進行擬合。但是這種方法需采集的現場信號多，測量誤差較大，且對灰分、水分、揮發分等成分的在線測量也需要對鍋爐設施進行額外改造，成本高昂，難以大范圍推廣應用[4-6]。文獻[7,8]通過軟測量的方法對普通燃煤爐的煤發熱量進行了計算。但是循環流化床鍋爐具有大遲延，大慣性，獨特的循環燃燒方式使燃燒機理更為復雜，上述文獻中的方法并不適用。因此需要研究一種實時、經濟且無需安裝多余設備的煤質在線判別方法。

循環流化床鍋爐是一個復雜的熱力系統，要實現對機組狀態的準確判斷，必須要綜合考慮多種信號。D-S證據理論作為一種新型的數據融合算法，能夠綜合利用多方面的信息，從而獲得更為準確的結果[9]。本文首先對爐膛燃燒過程進行機理分析，選取合適的信號構造能夠反映當前煤質的證據，然后用D-S證據理論對相關證據進行融合，得到最終識別結果。結果表明該方法可有效區分煤質正常和煤質變差兩種燃燒狀況；相比單一證據診斷結果，對目標模式的支持度增加，不確定性減小，提高了識別的準確性。

1 燃料擾動機理分析

循環流化床鍋爐燃燒過程極其復雜，難以進行機理建模。一方面鍋爐燃燒受當前煤質、送風量、引風量等因素的影響；另一方面燃燒過程也影響機組負荷、給水流量、氧量等其他信號?？紤]到循環流化床鍋爐內部參數的復雜性和強耦合性，僅僅通過單一信號來判斷是否發生煤質變化可信度很差[10]。

因循環流化床機組內部變量均受控制系統控制在當前工況額定值附近，信號變化不明顯，故盡量選取整個燃燒系統輸入、輸出信號作為證據。通過對循環流化床鍋爐燃燒過程進行機理分析，擬構建以下3個證據表明機組處于穩定工況下時當前煤質的好壞。

（1）用機組當前負荷和入爐煤量之比表征煤質。即在當前煤質下，單位質量的煤的帶負荷能力，此值越大，表明煤質越好[11]。

計算公式為：

式中：q1為功煤比表征的煤質系數；為機組當前功率，單位為MW。

（2）采用熱量信號與給煤量之比表征煤質：此證據表示單位質量的煤能放出的熱量，其比值越大，表明煤質越好。

計算公式為：

式中：q2為熱煤比所表征的煤質系數；為熱量信號，可近似代表鍋爐負荷，單位為MJ。

其中熱量信號的計算采用文獻[12]的方法進行計算。

（3）用水煤比表征煤質：因機組負荷與給水流量緊密相關，在機組處于協調控制下，機組負荷一定，給水流量也一定，故也可以用給水流量與給煤量的比值表征當前煤質。即單位給煤量下，發出的熱量能汽化的水的質量，此值越大，表明當前煤質越好。

計算公式為：

式中：q3為水煤比表征的煤質系數；為機組給水流量，單位為t/h。

2 證據理論方法簡介

證據理論是由Dempster提出并經其學生Shafer進一步完善和發展的一種多證據融合方法[13]。相比傳統的貝葉斯理論而言，其信度函數不必滿足概率可加性，能夠直接表達出“不確定”和“不知道”的狀況，目前已被廣泛應用于目標識別、故障診斷等領域[14-16]。

2.1 證據理論的基本概念

假設研究對象的全體集合為辨識框架，框架內元素具有互斥且窮舉的特征。其中2為的冪集，為2的任一子集。若函數滿足：

式中：稱為的基本概率分配函數；被稱為基本概率分配函數的焦元；()表示相關證據對事件的支持程度，又稱為置信度[17]。

2.2 融合規則

假設1與2分別為同一辨識框架上的2個獨立證據，其相應的焦元分別為1，2，···，A與1，2，···，B。

則D-S證據組合規則可表述為：

式中：()為融合1與2后得到的信度函數分配；是沖突因子，代表了證據間的沖突程度[18]。

對于多證據融合的計算與兩個證據融合的計算過程類似，即先在多證據之間進行兩兩融合，然后再對上一步得到的融合繼續進行融合，依此類推，直至得到最終的融合結果。其中融合的順序不影響最終結果。

2.3 信度函數構建

對于信度函數的構建，目前尚無公認的構造方法。前人提出的基于專家經驗，隸屬度函數，灰色關聯等信度函數構建方法具有較強的主觀性，不同的人使用可能會得到不同的效果，不宜在工程中推廣使用。而基于正態分布的典型樣本法能較好地反映隨機事件在自然狀態下的分布，適用性強，主觀性小。故本文選取基于正態分布的，以置信區間形式表示的典型樣本法構造信度函數。

將各信度密度函數中最小的值定義為不確定M，再對各信度密度函數值進行歸一化處理，則證據x的+1個信度密度值之和為：

式中：M=min{M1(x), M2(x),···,M(x)}。

定義證據x在任一目標模式u下的信度函數分配為：

根據以上方法，只要規定了各個模式下的典型樣本，就能確定任意一組特征變量對應不同模式的基本可信度分配函數，同時給出整個系統的不確定度。

3 目標模式判定規則

在得到了經D-S融合規則融合后的信度結果后，對于機組此時是否處于目標模式的判定規則如下：

（1）判定目標類型應具有最大的信度函數值；

（2）判定目標類型的信度函數值與其它類型的信度函數值之差應大于某一閾值[20]。

整個算法識別流程如圖1所示。

圖1 算法識別流程圖

4 電站實例分析

下面以實例闡述本文方法在電廠實際運行數據下的應用。本文運行數據來自某300 MW循環流化床鍋爐，選取一段鍋爐煤質摻雜工況下的數據作為算例進行分析驗證。算法中構造3個識別證據{1，2，3}作為判別依據，其中：1為機組負荷/給煤量，2為熱量/給煤量，3為給水流量/給煤量。識別框架為={1，2，}，1代表煤質正常，2代表煤質變差，不確定模式為。

從測點表中選取6個燃燒過程相關的測點，分別為給煤量、機組負荷、給水流量、一次風量、二次風量、煙氣氧量。數據采樣時間為160 min，原始信號曲線如圖2所示。

圖2 機組運行原始數據

由上述數據可以看出：在此段時間內，機組功率和給水流量基本不變，機組給煤量在40~60 min開始緩緩上升；60~100 min給煤量顯著加大，然后又逐漸恢復，在120 min左右達到之前狀態。這是由于此刻電網AGC指令不變，在機組協調控制系統調控下，機組負荷未發生改變，給水流量也不變，而中間60~110 min煤質顯著變差，為維持機組出力穩定，保證單位時間燃料放熱量不變，控制系統控制給煤量增大。

將上述信號進行小波去噪后，構成能反應煤質變化的證據：負荷/給煤量，熱量/給煤量，給水流量/給煤量。構造的證據曲線如圖3所示。

圖3 構造的證據曲線

由上圖構造的3個證據可得，隨著煤質變差，構造的證據曲線在60~100 min內較其余時段有所下降。隨著100 min后煤質變好，曲線又有所回升，表明所構造的證據均可表征當前煤質的好壞。

對上述證據進行統計分析，得到證據樣本的典型值及標準差如表1所示。

表1 證據樣本的典型值及標準差

將上述3個證據依照典型樣本法信度函數構建規則，構造證據1，2，3在不同時刻對1，2兩種模式的信度函數如圖4所示。

對上述3個證據使用D-S證據理論融合規則進行各個時刻的信度融合，得到的融合結果如圖5所示。

圖4 信度函數曲線

圖5 融合后信度函數曲線

從圖5中曲線可以看出，60~100 min時間段內判斷機組此時為煤質變差模式的信度函數顯著升高，煤質正常模式的信度函數顯著減小，因此該結果可以正確反映此時機組入爐煤質的好壞。

根據現場數據設定模式判定規則如下：判定目標類型的信度函數值應大于0.6；判定目標類型的信度函數值與其它類型的信度函數值之差應大于0.2。

由融合曲線及判定規則可判斷機組在62~107 min時間段內處于煤質變差狀況下，此時應及時告知運行人員這一狀況，使其根據當時情況，適時調節相關參數，保證機組平穩經濟運行。

取第77 min證據1，2，3對煤質正常和煤質變差模式的信度函數值及融合結果如表2。

表2 第77 min各模式信度函數值

由表2的融合結果可以看出，經融合后，模式2的置信度顯著提高，增加至0.783 9，較融合前3個證據中2最大值0.620 7置信度提高了26.3%；融合后不確定度顯著減少，減少為0.027 0，相比融合前3個證據中不確定度最小值0.189 7不確定性減少了85.8%。

結果表明經D-S融合法則融合后，信息的不確定度大大減少，特定模式的置信度得到提高。同時由于綜合利用了多方面的信息，相比僅僅依靠單一信號來進行判斷，提高了識別結果的可靠程度。

5 結論

本文首先通過機理分析確定能夠表征煤質變化的證據信號，然后通過典型樣本的方法構造信度函數，最后在決策層用D-S證據理論進行融合計算，給出識別結果。以電廠實際運行數據為例，對本文方法進行了驗證。實例分析結果表明，采用該方法可以正確識別出機組煤質正常和煤質變差兩種模式，且由于綜合利用了多方面信息，診斷結果相比單一證據診斷結果，不確定性支持度減小，對目標模式的支持度增加，提高了識別的準確性。

[1] 鄭東, 陳曉平, 馬吉亮, 等. 75 t/h加壓/常壓富氧燃燒循環流化床鍋爐方案設計及分析[J]. 中國電機工程學報, 2020, 40(13): 4226-4236. ZHENG DONG, CHEN XIAOPING, MA JILIANG, et al. Design and analysis of 75 t/h pressure/atmospheric oxy-fuel combustion circulating fluidized bed boiler[J]. Proceedings of the CSEE, 2020, 40(13): 4226-4236(in Chinese).

[2] SALOMATOV V V. Combustion in circulating fluidized bed: competitive technology for the coal-fired power industry[J]. Journal of Engineering Thermophysics, 2019, 28(2): 199-210.

[3] 耿海濤, 朱亞迪. 智能化聯合循環電廠建設方案探討[J]. 發電技術, 2018, 39(6): 520-525. GENG HAITAO, ZHU YADI. Construction scheme discussion for smart gas-fired power plant[J]. Power Generation Technology, 2018, 39(6): 520-525(in Chinese).

[4] 劉海玉, 譚厚章, 樊保國, 等. 微波法測量煤質水分頻率的選取[J]. 熱力發電, 2014, 43(6): 136-140. LIU HAIYU, TAN HOUZHANG, FAN BAOGUO, et al. Selection of emission frequency for moisture measurement in coal by microwave power attenuation[J]. Thermal Power Generation, 2014, 43(6): 136-140(in Chinese).

[5] 員文娥. 煤中全水分及灰分的近紅外測試方法研究[J]. 潔凈煤技術, 2016, 22(3): 26-29. YUAN WEN’E. Near infrared test method of total moisture and ash in coal[J]. Clean Coal Technology, 2016, 22(3): 26-29(in Chinese).

[6] 程棟, 溫和, 滕召勝, 等. 基于雙能γ射線的煤質灰分軟測量技術研究[J]. 儀器儀表學報, 2014, 35(10): 2263-2270. CHENG DONG, WEN HE, TENG ZHAOSHENG, et al. Study on soft-sensing of coal ash content based on dual-energy γ-ray[J]. Chinese Journal of Scientific Instrument, 2014, 35(10): 2263-2270(in Chinese).

[7] 米翠麗, 郭江龍, 李曉光, 等. 基于煙氣測試的電站鍋爐煤質軟測量模型[J]. 熱力發電, 2015, 44(7): 62-65. MI CUILI, GUO JIANGLONG, LI XIAOGUANG, et al. Flue gas determination based soft-sensing model for coal quality monitoring for utility boilers[J]. Thermal Power Generation, 2015, 44(7): 62-65(in Chinese).

[8] 劉福國. 電站鍋爐入爐煤元素分析和發熱量的軟測量實時監測技術[J]. 中國電機工程學報, 2005, 25(6): 142-148. LIU FUGUO. Real time identification technique for ultimate analysis and calorific value of burning coal in Utility boiler[J]. Proceedings of the CSEE, 2005, 25(6): 142-148(in Chinese).

[9] 王桐, 田亮. 中速磨煤機臨界堵塞狀態識別方法[J]. 熱力發電, 2017, 46(1): 17-24. WANG TONG, TIAN LIANG. A recognition method for critical blockage state of medium speed mills[J]. Thermal Power Generation, 2017, 46(1): 17-24(in Chinese).

[10] 洪雨楠, 劉鑫屏. 基于小波變換與D-S證據理論的熱工目標模式識別[J]. 廣東電力, 2017, 30(11): 1-5. HONG YUNAN, LIU XINPING. Thermal target mode recognition based on wavelet transform and D-S evidence theory[J]. Guangdong Electric Power, 2017, 30(11): 1-5(in Chinese).

[11] 柳行, 姚著, 王浩然. 基于風煤比煤質校正的鍋爐燃燒自動調整[J]. 熱力發電, 2016, 45(8): 75-80. LIU XING, YAO ZHU, WANG HAORAN. Auto combustion adjustment in boiler based on coal quality correction using air to coal radio[J]. Thermal Power Generation, 2016, 45(8): 75-80(in Chinese).

[12] 田亮, 劉鑫屏, 趙征, 等. 一種新的熱量信號構造方法及實驗研究[J]. 動力工程, 2006, 26(4): 499-502. TIAN LIANG, LIU XINPING, ZHAO ZHENG, et al. Experimental research of a new kind of signal for amounts of heat released[J]. Journal of Chinese Society of Power Engineering, 2006, 26(4): 499-502(in Chinese).

[13] WANG HUI, GUO LILI, DOU ZHENG, et al. A new method of cognitive signal recognition based on hybrid information entropy and D-S evidence theory[J]. Mobile Networks and Applications, 2018, 23(4): 677-685.

[14] 董煜. 基于改進證據理論的25 Hz軌道電路故障診斷方法研究[D]. 蘭州: 蘭州交通大學, 2019. DONG YU. Research on fault diagnosis method of 25 Hz track circuit based on improved evidence theory [D]. Lanzhou: Lanzhou Jiaotong University, 2019(in Chinese).

[15] ZHAO GUANGZHE, CHEN AIGUO, LU GUANGXI, et al. Data fusion algorithm based on fuzzy sets and D-S theory of evidence[J]. Tsinghua Science and Technology, 2020, 25(1): 12-19.

[16] WANG YANXUE, LIU FANG, ZHU AIHUA. Bearing fault diagnosis based on a hybrid classifier ensemble approach and the improved dempster-shafer theory[J]. Sensors, 2019, 19(9): 2097.

[17] 葉春霖, 邱穎寧, 馮延暉. 基于警報信號和D-S證據理論的風電機組故障診斷[J]. 太陽能學報, 2019, 40(12): 3613-3620. YE CHUNLIN, QIU YINGNING, FENG YANHUI. Fault diagnosis of wind turbine based on alarm signal and D-S evidence theory[J]. Acta Energiae Solaris Sinica, 2019, 40(12): 3613-3620(in Chinese).

[18] 田亮, 常太華, 曾德良, 等. 基于典型樣本數據融合方法的鍋爐制粉系統故障診斷[J]. 熱能動力工程, 2005, 20(2): 163-166. TIAN LIANG, CHANG TAIHUA, ZENG DELIANG, et al. Fault diagnosis of a boiler milling system on the basis of a typical-swatch data fusion method[J]. Journal of Engineering for Thermal Energy and Power, 2005, 20(2): 163-166(in Chinese).

[19] 楊靜, 田亮, 趙愛軍, 等. 基于典型樣本的證據理論信度函數分配構造方法[J]. 華北電力大學學報(自然科學版), 2008, 35(5): 70-72. YANG JING, TIAN LIANG, ZHAO AIJUN, et al. Approach for constructing the confidence function distribution of evidence theory based on typical sample[J]. Journal of North China Electric Power University(Natural Science Edition), 2008, 35(5): 70-72(in Chinese).

[20] 田亮, 曾德良, 劉鑫屏, 等. 基于數據融合的球磨機最佳負荷工作點判斷[J]. 熱能動力工程, 2004, 19(2): 198-201. TIAN LIANG, ZENG DELIANG, LIU XINPING, et al. Data merging-based determination of the optimal-load operating point of a ball mill[J]. Thermal Power Generation, 2004, 19(2): 198-201(in Chinese).

Identification of Coal Disturbance in Circulating Fluidized Bed Boiler Based on Evidence Theory

MA Yukai, TIAN Liang

(School of Control and Computer Engineering, North China Electric Power University, Baoding 071003, China)

Combustion disturbance is one of the most common destabilizations in circulating fluidized bed boiler. It is not easy to distinguish the combustion disturbance caused by coal quality change from that caused by other factors based on artificial judgment. Aiming at solving the above problems, an online identification method of coal quality based on evidence theory is proposed. Firstly, the mechanism of the combustion process is analyzed, and the unit load/coal feed rate, heat/coal feed rate, and water supply flow/coal feed rate are constructed, which can reflect the current coal quality. Then the typical sample method is used to establish the confidence function. Finally, D-S fusion rules are used to fuse the three evidences to obtain the final diagnosis conclusion. Based on the actual operation data of power plant, it is verified the method is used to verify the results. The diagnosis results indicate that the method can distinguish the two combustion conditions of normal coal quality and bad coal quality. Compared with the single evidence diagnosis result, the proposed method’s support for the target model is increased, and the uncertainty is reduced. Therefore, this method improves the accuracy of recognition.

circulating fluidized bed boiler; data fusion; evidence theory; typical sample; combustion disturbance identification

TM621.2

A

1672-0792(2021)03-0057-07

10.3969/j.ISSN.1672-0792.2021.03.008

2020-12-09

國家重點研發計劃（2017YFB0902100）

馬玉鍇（1994—），男，碩士研究生，研究方向為基于證據理論的火電機組模式識別；

田 亮（1976—），男，副教授，研究方向為大型火電機組建模及軟測量。

馬玉鍇