基于煤質與供電煤耗的火電廠配煤優化模型研究

劉文禮，馬金虎，徐 彬，劉 瀟，楊 洪

(1.中國礦業大學(北京) 化學與環境工程學院，北京 100083；2.北京低碳清潔能源研究院，北京 102211)

燃料費用占電廠發電成本的70%左右，是電廠最主要的運行成本[1，2]。隨著水電、風電和太陽能發電等清潔能源發電的快速發展[3]，燃煤發電機組被迫進行配合調峰，低負荷運行導致供電煤耗增加[4]，電廠發電成本不斷增加。同時，“碳達峰碳中和”國家戰略目標的實施也對火力發電行業的節能減排提出了更高的要求。面對發電成本上漲和“碳達峰碳中和”目標帶來的節能降耗減排的壓力，燃煤電廠大多采用混煤摻燒的燃煤方式以改善煤質和降低發電成本。

配煤摻燒是一種改善煤質[5，6]、降低發電成本的有效方法[7]，許多學者對動力配煤技術及其模型進行了深入研究。姜英[8]詳細闡述了動力配煤的理論和方法，通過大量實驗驗證了混煤的一些主要煤質指標原則上可用加權平均法計算。戴財勝[9]對發熱量和揮發分是否具有線性可加性從理論上推導并用實驗加以驗證。Ma等人[10]以湖南某電廠常用煤種和設計煤種為基礎，以混煤煤價最低為目標函數建立了非線性配煤模型。劉健[11]針對某火電廠配煤方案的要求，通過引入0-1型整數變量，實現了對混煤中單煤數目的限制，設計了以混煤價格最低為目標且單煤資源受限的0-1混合整數規劃模型。張宇[12]基于污染物的生成、排污罰款以及污染物控制設備等因素，針對某300MW機組及其常用煤種，采用支持向量機(SVM)建立了燃煤鍋爐污染物生成預測模型，結合燃煤煤價，以最低運行成本為目標，對配煤方案進行優化。Jin[13]在設計煤種為褐煤的350MW超臨界鍋爐上進行了實驗研究，采用熱重分析法對10種混煤在升溫速率為20℃時的熱解行為進行了研究，并采用多目標模糊決策模型，以配煤的煤價和硫分為目標函數，得到了最佳配煤方案。張啟明[14]運用RBF神經網絡建立了考慮煤質組成、燃燒特性、成本價格、地質分布情況等多因數非線性動力配煤的數學優化模型。

雖然目前針對配煤已經有了大量的研究，但現有的配煤研究很少涉及煤質變化對電廠整體運行效率的影響，未考慮煤質變化引起的供電煤耗變化。供電煤耗的高低是衡量機組節能降耗水平的重要指標[15]，但因為受限于供電煤耗計算的滯后性，在配煤時無法得到燃用該混煤的供電煤耗，所以對于電廠的配煤優化研究一般都只是根據設計煤種將混煤煤質指標作為約束條件，通過配煤摻燒降低煤價去降低電廠的發電成本。但這樣獲得的配煤摻燒方案僅僅是以降低混煤價格為目標，并未考慮煤質變化引起的其他成本變化，不利于電廠降本增效。因此本文運用某320MW電廠基于Thermoflow建立的電廠數字孿生模型，進行變煤質模擬運行得到不同煤質對應的供電煤耗，建立煤質與供電煤耗數據庫，利用數據庫數據訓練BP神經網絡建立煤的低位發熱量、灰分、水分、揮發分和煤的元素分析與供電煤耗之間的關系模型。在此基礎上根據煤質計算燃用混煤的供電煤耗，以混煤的主要評價指標作為約束條件，結合混煤煤價和運費，建立以供電煤耗成本最低為目標函數的配煤優化模型。

1 煤質與供電煤耗關系模型

本次研究借助某320 MW電廠用Thermoflow建立的數字孿生模型進行變煤質模擬運行，獲取不同煤質對應的供電煤耗，建立煤質與供電煤耗數據庫。然后通過Python編程建立BP神經網絡，用煤質與供電煤耗基礎數據庫中的數據對神經網絡進行訓練，從而構建煤質與供電煤耗之間的關系模型。

1.1 煤質與供電煤耗數據庫建立

Thermoflow是美國Thermoflow公司開發的一款電廠熱平衡軟件，可以靈活地搭建出各種電廠模型。可以對電廠進行變煤質和變工況模擬運行，得到電廠的運行評價指標(鍋爐效率、汽輪機效率、廠用電率和供電煤耗等)和完整熱平衡計算報告書等。

通過變煤質模擬運行，研究煤質對機組(鍋爐、汽機、輔機和減排設備等)熱力性能的影響，并計算出不同煤質對應的供電煤耗。將模擬結果(煤質數據和供電煤耗)匯集構成樣品空間為628組的基礎數據庫。煤質數據包括：入爐煤的灰分、水分、揮發分、低位發熱量和元素分析(C、H、O、N、S、Cl)。

1.2 運用BP神經進行煤質與供電煤耗關系建模

1.2.1 數據預處理

BP神經網絡選用Sigmoid型函數作為激活函數，基于這類函數特性，輸入量過大或過小都會導致輸出量進入函數曲線的飽和區，使訓練速度緩慢[16]。對628組煤質數據和供電煤耗進行歸一化處理，將其歸一到0和1之間。設L為所有煤質數據和供電煤耗數據的原始數據集，歸一化方法如下：

1.2.2 神經網絡的設計與訓練

BP神經網絡具有輸入層、隱藏層和輸出層，它的基本思想是梯度下降法，利用梯度搜索技術，通過不斷更新權重W和閾值b以期使網絡的實際輸出值和期望輸出值的誤差為最小。

本文以灰分、水分、揮發分、低位發熱量和元素分析(C、H、O、N、S、Cl)作為輸入數據，供電煤耗作為輸出數據，所以本次建立的神經網絡的輸入層和輸出層神經元個數分別為10和1，神經網絡采用單隱藏層結構，其結構如圖1所示。

圖1 BP神經網絡結構

隱藏層神經元數目的確定采用經驗公式與實驗相結合的方法。根據式3[17]以及Kolmogorov定理可知，隱藏層各層的神經元個數P的范圍為4～21，通過改變P，對同一樣本集進行訓練，并以訓練結果的平均絕對誤差的絕對值作為評估指標確定最佳隱藏層神經元個數：

式中，P為隱藏層神經元個數；I為輸入層神經元個數；J為輸出層神經元個數；a一般取1～10。

根據上述隱藏層神經元個數確定方法，用471組煤質與供電煤耗數據對不同隱藏層神經元個數的神經網絡進行50萬次訓練，考察隱藏層不同神經元個數對神經網絡預測性能的影響，實驗結果如圖2所示。從圖2可知：當神經元個數為18時，神經網絡的預測結果最好，平均絕對誤差絕對值為0.14g/(kW·h)，所以選取隱藏層神經元個數為18，神經網絡的拓撲結構為10-18-1。

圖2 不同隱藏層神經元個數的模型預測性能

確定神經網絡結構后，從628組煤質與供電煤耗數據中選取471組數據對建立的BP神經網絡進行訓練，其余157組數據作為檢驗數據。BP神經網絡的激活函數為Sigmoid函數：

損失函數為：

E=-YlgY1+(1-Y)lg(1-Y1)(5)

式中，Y1為輸出值；Y為期望值。

1.2.3 煤質與供電煤耗關系建模結果分析

用建立的煤質與供電煤耗關系模型對參與訓練的471組訓練樣本和157組檢驗樣本進行供電煤耗預測，絕對誤差分布如圖3所示。無論是對于訓練樣本還是校驗樣本，該模型對供電原煤耗的預測都達到很好的精度，其預測值與期望值的絕對誤差主要集中在±0.4g/(kW·h)之間，最大絕對誤差均落入±0.7g/(kW·h)范圍內。模型的性能評估見表1，平均絕對誤差δMAE指標小于0.05g/(kW·h)，平均絕對相對誤差δMARE小于1.2×10-4，均方根誤差δRMSE小于0.07g/(kW·h)，以及決策系數R2高于0.99。模型具有較高的精度和可靠性，可用于供電煤耗的預測。

圖3 供電煤耗預測絕對誤差分布

表1 模型的性能評估表

2 配煤優化模型

本次研究基于上面已經得到的煤質與供電煤耗關系模型，根據煤質特性計算燃用混煤的供電煤耗，以煤質指標為約束條件，結合混煤價格和運費計算出供電煤耗成本，以供電煤耗成本最低為目標函數建立配煤優化模型。

2.1 混煤煤質指標的計算

對于單煤煤質指標和混煤煤質指標之間是否是線性關系，許多學者已做了大量的研究，對于水分、灰分、揮發分和發熱量等基本的煤質指標，基本上可認為具有線性可加性[18，19]。基于已有的研究，本文建立的配煤優化模型中對混煤煤質的計算用《動力配煤規范》 (GB 25960—2010) 中所描述的線性表達式作為計算依據。

2.2 配煤優化模型的建立

2.2.1 目標函數的設定

電廠對發電成本十分重視，實現配煤摻燒方案經濟效益最大化是其追求的目標[20]。燃煤煤質是影響鍋爐系統運行經濟性的主要因素之一，又是電煤定價的主要依據，煤質發生變化不僅會引起煤價的變化，更會引起機組供電煤耗的變化。所以本次模型的建立基于已經得到煤質與供電煤耗關系模型，根據煤質計算燃用混煤的供電煤耗，結合煤價和運費計算供電煤耗成本，將供電煤耗成本最低作為目標函數。假設有N種煤參與摻配，第j(j=1，2，…，N)種煤的價格為CCj，到廠運費為CTj，摻配比例為Xj(%)，供電原煤耗為Bsnj，則燃用第j種煤的供電煤耗成本CBj為：

則混煤的供電煤耗成本CB為：

將燃燒混煤的供電煤耗成本最低作為目標函數，即求：

2.2.2 約束條件的選取

1)企業對煤質的要求。電廠在燃用混煤時，一般都要求不能偏離設計煤種煤質指標太多，會要求混煤的發熱量、水分、灰分、揮發分以及硫分等煤質指標在一定范圍內。假設有N種煤參與摻配，配制對M個煤質指標進行約束的混煤，第j(j=1，2，…，N)種煤的第i(i=1，2，…，M)個指標為Tji，第j種煤的配煤比例為Xj(%)，則混煤的第i個煤質指標為：

混煤的第i個指標要求在[Ti-min，Ti-max]范圍內，即Ti-min≤Ti≤Ti-max。

2)企業的實際需求。假設企業用N種煤進行摻配，某優質j(j=1，2，…，N)種煤受市場供求關系的限制，每次能買到的量有限，則對j種煤的摻配比例Xj有所約束，要求小于某個值；或者某j種煤企業存量比較大，要求在摻配時摻配比例盡量大一點。

2.2.3 配煤優化模型計算流程

配煤優化計算流程如圖4所示，要進行摻配的單煤有N種，首先對其進行兩兩、三三分組，得到M組煤，對這M組煤進行不同比例摻配，共得到L組混煤；根據摻配單煤的煤質和摻配比例計算這L組混煤的煤質；然后根據混煤煤質約束條件對這L組煤進行篩選，剔除不符合約束條件的混煤，剩L1組混煤；緊接著運用已經得到的煤質與供電煤耗關系模型，根據混煤煤質特性計算燃用該混煤的供電煤耗，并結合煤價和運費計算其對應的供電煤耗成本；最終從這L1組煤中選出供電煤耗成本最低的混煤作為該電廠的最優混煤。

圖4 配煤優化模型計算流程

3 配煤優化模型求解

某320MW機組選用四種單煤進行配煤摻燒，其煤質數據見表2。

表2 參與配煤摻燒的單煤的煤質數據

電廠對混煤的煤質要求為發熱量大于20000kJ/kg，硫分小于1%，水分小于10%。并根據企業實際需求，對參與配煤的單煤的摻配比例進行限制：

情景1：四種煤進行任意摻配，對四種煤的摻配比不進行約束。

情景2：1號煤屬于優質煤，當市場上資源短缺時，要求在配煤時盡量少摻配一點，要求其摻配比小于50%。

情景3：當4號煤企業存量比較大，則要求在摻配時必須參與配煤，其摻配比大于0。

情景4：基于情景2和3共同考慮，1號煤摻配比小于50%，4號煤摻配比大于0。

設置配煤比例精度為5%，運用配煤優化模型對表2中的四種煤在不同約束條件下進行配煤優化求解，最優配煤方案見表3。該模型在電廠對原煤摻燒比例不同要求下，以供電煤耗成本最低為目標針對該電廠四種原煤摻燒給出了不同的最優配煤方案，該模型可以根據用戶的實際需求調整模型參數，更好地反映和滿足電廠的真實需求，并通過混煤摻燒降低發電成本。

表3 不同約束條件下的最優混煤

將模型計算的所有混煤價格、供電煤耗和供電煤耗成本繪制如圖5所示。由于燃煤煤質是影響鍋爐系統運行經濟性的主要因素之一，是電煤定價的主要依據，當煤價升高，則意味著煤質變優，電廠燃用優質煤種往往意味著更高的鍋爐熱效率和較低的廠用電率，從而供電煤耗降低[21]，供電煤耗成本隨之降低，反之則供電煤耗成本增加。從圖5中也可以看到，隨著混煤價格降低，供電煤耗隨之增加，供電煤耗成本變大。這表明在配煤摻燒時以混煤價格最低作為目標并不能保證電廠降本增效。將供電煤耗成本最低作為目標建立配煤優化模型才能幫助電廠快速獲取燃用或摻燒某種煤的供電煤耗成本，為電廠的煤源選取和混煤摻燒優化提供指導。

圖5 供電煤耗成本與混煤價格和供電煤耗的關系

4 結 語

1)建立了某320MW電廠的煤質與供電煤耗的關系模型，該模型對該電廠燃用混煤的供電煤耗的有很好的預測結果，預測誤差小于0.7g/(kW·h)。

2)考慮煤質對供電煤耗的影響，基于煤質與供電煤耗的關系模型，根據煤質計算燃用混煤的供電煤耗，并結合混煤煤價和運費將供電煤耗成本最低作為目標函數建立了配煤優化模型。

3)利用建立的配煤優化模型，針對該電廠四種原煤摻燒給出了最優摻配方案，該模型可以幫助電廠快速獲取燃用或摻燒某種煤的供電煤耗成本，為電廠的煤源選取和配煤摻燒優化提供指導。