火力發電廠燃煤機組氧含量融合技術研究

宋明軒

（國能寧東第一發電有限公司）

0 引言

火力發電廠是我國主要的電力供應方式之一。燃煤機組是火力發電廠的核心設備，燃煤機組的燃燒效率和排放控制直接影響著發電廠的運行效益和環境保護效益［1］。結合燃煤機組的運行實際情況看，其燃燒效率與氧含量密切相關。因此，準確測量燃煤機組的氧含量對于提高燃燒效率和環境排放控制至關重要。由于燃煤機組運行環境的復雜性和傳感器自身的誤差，單個氧含量傳感器的測量結果可能存在較大的誤差。所以本文提出氧含量融合技術，綜合利用多個氧含量傳感器的數據，消除傳感器誤差，提高氧含量的測量精度和可靠性。

1 風量及燃料量融合技術

火電廠參數具有信息量大、檢測數據誤差大、數據類型和樣式多、維度眾多以及存在強耦合性，單一傳感器無法滿足火電廠參數的準確監測需求。同時，火電廠的參數類型和樣式多樣，包括溫度、壓力、流量等多個維度，增加了參數監測的復雜性且參數之間存在著強耦合性，相互影響，單一傳感器的監測結果通常不全面、不準確［2］。為提高參數監測的準確性和可靠性，可以采用多傳感器融合技術，以充分發揮多個傳感器技術的優勢，從而得到更準確、更可靠的參數信息。

風量和燃料量是火電廠運行過程中的重要參數，對于保證燃燒效率和發電效率具有關鍵作用。同時，軟測量技術通過利用其他可測量參數和先進的建模算法，可以間接地估計風量和燃料量。通過將來自不同傳感器的數據進行整合和融合，可以消除單一傳感器的誤差和不確定性，提高模型的準確性和可靠性。基于軟件測量技術的風量及軟料量數據融合技術原理如圖1所示。

對于燃煤機組原始數據，經過處理和預處理得到初始輸入值X1，X2，…，Xn。為提高數據的準確性，采用概率法對初始輸入值進行處理，去除大部分可能存在的壞值，以確保后續的軟測量模型基于的數據具有較高的可靠性。通過使用相應的軟測量模型，可以對處理后的相對精確數值進行軟測量，得到燃煤機組的風量和燃料量的軟測量值Y1，Y2，…，Yn。最常用的數據融合方法是最小二乘法，通過對軟測量值進行加權平均，得到風量和燃料量的最優估計值Y。

2 氧含量測量因素分析

在燃煤機組內部，煤炭與氧氣發生氧化反應，產生高溫煙氣和灰塵。且煙氣和灰塵與燃煤機組以及其他設備之間發生熱交換。在此環境下，溫度檢測傳感器和煙氣成分檢測傳感器等設備運行及相關設備的養護面臨著諸多挑戰。在火力發電廠中，技術人員主要對影響氧量測量的因素進行分析，包括煤質的變化、漏風和未完全燃燒等三個方面。

第一，煤質的變化會對氧量測量產生影響。由于煤炭的來源和性質可能存在差異，燃燒過程中產生的氧氣需求也會有所不同。同時，煤質的變化對燃煤機組的燃燒過程產生其他影響。例如，煤質的變化可能導致燃燒溫度的波動，從而影響燃燒效率和煙氣中的氧氣含量。另外，不同煤質的燃燒特性會導致煙氣中產生不同的氮氧化物和硫氧化物等污染物的濃度，進而對氧量測量、燃燒過程的穩定性產生影響。

第二，漏風現象也是影響氧量測量準確性的重要因素。漏風是指燃燒過程中未經控制的氣體泄漏，可能會導致燃燒空氣中的氧氣含量發生變化。漏風會導致燃燒過程中的氧量分布不均勻，從而影響氧量測量的準確性。同時，漏風可能導致燃燒效率的下降和煙氣中污染物的增加，對環境和設備的安全性產生負面影響。

第三，未完全燃燒是影響氧量測量的一個重要因素。未完全燃燒是指燃燒過程中燃料無法完全與氧氣反應產生二氧化碳和水，導致燃燒產物中存在未燃燒的碳和其他有害物質。未完全燃燒不僅會導致氧氣含量的變化，還可能增加煙氣中的一氧化碳和揮發性有機物等有害物質的濃度。

3 氧含量融合技術

氧含量融合技術是一種能夠提高火力發電廠氧量測量準確性的方法。該技術應用過程中，可以將多個氧量測量傳感器的數據進行融合，以得到更準確的氧含量測量結果。首先，多個氧量測量傳感器被布置在燃煤機組內的不同位置，以覆蓋整個燃燒過程。同時，傳感器可以是基于不同原理的傳感器，例如激光吸收光譜法、電化學法或紅外法等。每個傳感器都會獨立測量氧含量，并將其數據傳輸到一個融合算法中。其次，氧含量融合技術中的融合算法會對來自不同傳感器的氧含量數據進行處理和分析，并會考慮每個傳感器的準確性、穩定性和偏差。基于此，給予不同傳感器以相應的權重，并消除個別傳感器的誤差和不確定性，從而得到更準確的氧含量測量結果。

基于上述分析，下文主要通過研究燃煤機組尾氣來獲取相關數據。根據能量守恒原理，可以建立基于軟測量技術的氧含量融合技術的數據融合模型。在研究過程中，首先收集燃煤機組尾氣中的氧含量數據。此過程主要使用氧傳感器等儀器設備進行實時監測，獲取尾氣中的氧含量數據。并收集其他與氧含量相關的參數，如燃燒溫度、燃料供給量等。其次，基于收集到的數據，使用軟測量技術進行數據處理和分析。通過對多個傳感器數據的融合，得到更準確的過程參數估計值的方法。同時，根據能量守恒，建立燃煤機組燃燒過程的能量平衡方程，以描述燃料的輸入、燃燒產生的熱量、煙氣中的熱量損失等之間的關系，并建立起氧含量的軟測量模型。最后，通過實時監測和數據融合模型，實現對燃煤機組尾氣中氧含量的準確測量，以提供重要的數據支持，用于燃煤機組的控制和優化，以提高燃燒效率、降低環境排放，并確保設備的安全運行。基于軟測量技術的氧含量融合技術的模型如圖2所示。

圖2 基于軟測量技術的氧含量融合技術的模型

根據總風量、總燃料量和其他相關參數之間的相關性，建立一個綜合模型，用于測量氧含量。該模型可以對原始信號進行校驗，并估計風量和燃料量等參數的影響。該模型中，可以忽略總風機入口風壓（Pin），原因在于該系數基本保持不變。但對于總風機電流 （I）、導葉開度 （β）和總風機出口風壓（Pout），這些系數的變化規律相同，且與風機的總風量（QV）的變化規律相同。因此，各項系數之間存在很強的相關性，不能被忽略。除上述系數外，在建立和使用模型過程中，應明確總燃料量（BV）與燃煤機組轉速（V）和出口風壓與一次風壓差（Pd）之間存在很強的相關性。基于此，應用的氧含量檢測軟測量模型，精準測量含氧量的值（O）。

4 實驗

本實驗中，在燃煤機組處配備了6組風量傳感器，其中包括風量軟測量傳感器QV1、QV2和QV3，以及風量測量傳感器QV4、QV5和QV6。應用6組傳感器，可以獲得6組風量數據。為提高數據的可靠性和準確性，本實驗中采用最小二乘法進行數據融合。通過融合數據，可以得到總風量的預測值QV和風量的平均值，具體見表1。

表1 Q V1、Q V2和Q V3，及Q V、Q V 對比

從表1數據分析可知，總風量的預測值QV和風量的平均值幾乎相同，且平均誤差比其他傳感器的誤差都要小。證明了融合技術能夠提高數據的可靠性和準確性，并取得了良好的效果。實驗結果證明，通過數據融合技術，能夠綜合利用多個傳感器的數據，消除傳感器之間的誤差和不確定性，從而提高對總風量的估計精度。

應用該模型，可以預測總燃料量的值，并將其與實際測量值BV進行關聯度分析。同時，通過信息融合中心對數據進行處理，得到總燃料量的預測值BV1。實驗中，以35min／次的頻率，獲取總燃料量的預測值和實際值，結果見表2。

表2 融合后的總燃料量預測值與實際值對比

表2數據顯示，通過關聯度分析和信息融合處理，得到的預測值與實際測量值BV非常吻合，證明了我們的軟測量模型和信息融合技術在提高燃煤機組燃料量測量準確性方面取得了良好的效果。

5 結束語

本文針對火力發電廠燃煤機組氧含量測量的問題，提出了氧含量融合技術。該技術應用中，綜合利用多個傳感器的數據，并采用數據融合、關聯度分析等方法，建立了基于軟測量技術的氧含量融合技術的融合技術模型。為驗證模型的應用精準性，本文對風量軟測量傳感器、總風量的預測值、風量的平均值進行對比；對融合后的總燃料量預測值與實際值進行對比。實驗結果表明，氧含量融合技術能夠有效地消除傳感器誤差，提高燃煤機組的燃燒效率，有助于進一步提升火力發電廠的運行效益和環境保護水平。