电站锅炉燃烧优化技术的应用与发展

电站锅炉燃烧优化技术的应用与发展王政;刘继伟【摘要】燃烧优化技术是实现电站锅炉高效燃烧和污染物控制的最经济、最有效的方法之一，电厂对燃烧优化技术的需求日益紧迫.随着科技的发展，各国专家学者对燃烧优化的研究也日益深入.文章在总结了燃烧优化的目的、必要性和可行性的基础上，对多年来国内外燃烧优化技术的研究成果及产品做了较为全面的介绍和评价,并分析了各个优化系统和方案存在的问题.此外，检测技术的进步也会对燃烧优化产生深远的影响，文末介绍了三种新型的检测方法.【期刊名称】《华北电力技术》【年(卷)，期】2015(000)011【总页数】8页(P63-70)【关键词】电站锅炉;燃烧优化;人工智能;软测量;检测技术【作者】王政;刘继伟【作者单位】国网冀北电力有限公司经济技术研究院，北京100045;天津理工大学中环信息学院，天津300380【正文语种】中文【中图分类】TM621.2随着社会的发展和进步，火电厂面临越来越大的压力。电力需求不断增加，发电品质要求日益苛刻，传统的电压、频率已不是唯一的考核指标，环境因素逐渐纳入其中，形成了新的衡量标准;煤价上涨，煤质波动，以及大型机组日益频繁的参加调频调峰，全工况变负荷运行以及长期中低负荷运行，都对机组运行水平提出了更高的要求。目前，发电厂越来越多的面临来自电网、环境和自身的压力，节能、降耗、减排的呼声高涨，燃烧优化技术日益得到重视［1-2］。燃烧优化，是指在机组安全运行的基础上，提高机组运行效率，达到节能的目的，同时，在保证机组安全、经济运行的基础上，控制和降低污染物排放，达到环保的目的。这是一个很广泛的领域，任何与燃烧相关的参数检测、设备改造、控制逻辑的改进等，都可以称作燃烧优化［3-4］。目前，考虑我国的国情以及电厂的实际情况，燃烧优化的大规模实施已经具备了条件:DCS的普及以及控制系统改造，机组可控性大大提高，使其可以很好地完成优化决策层下达的控制任务;新型测量仪表进入实用阶段，为锅炉运行性能的在线分析、建模提供了精确的反馈量；人工智能、预测控制等先进算法实用化，为燃烧优化提供了大量有效的工具。从图1可以看出，燃烧优化的诸多目标经常是相互冲突、非线性的，情况复杂多变。例如，NOx的排放在最优区域前，与锅炉效率成正比，而在最优区域后，却成反比。由此可见，随着运行工况的不同，燃烧优化的最优值确定并非是一成不变，根据实际情况进行相应调整是十分必要的。传统的燃烧优化采用正交实验法［5］,在多个典型工况下，对各个参数进行分析和筛选，确定试验因素和水平。尽管这种方法已经大幅降低了工作量，然而在实际应用中，大量的燃烧试验依然无法避免。当设备改造后需要重新进行优化，调整间隔长，适用性差，且无法适应电厂煤质波动频繁的情况。种种问题，使得这种方法的实用性日益降低。而电厂海量历史数据库的建立，以及实时数据库的丰富，使得广大研究人员将燃烧优化的方案转移到先进算法上，基于数据驱动的各种算法大放异彩。对燃烧过程的热力学分析也逐步深入，正如LeeKwangY提出，彻底分析和了解电厂燃烧过程中的物理和热动态性质，是进行燃烧优化的基础［6］。国内夕卜诸多专家和学者也注意到热力学分析、能量平衡分析在电厂燃烧优化中的重要作用。国外对燃烧优化的研究起步早，发展也较为成熟，如西门子、GE等大型公司都有成熟产品，在实际应用中取得了良好的效果。—个典型的燃烧优化系统原理图如图2所示。燃烧优化器根据当前运行工况、系统的性能指标以及实际性能，通过OPC接口与DCS交换数据，调整各种参数，优化燃烧，达到节能、降耗、减排的目的。2.1基于统计的燃烧优化系统燃烧优化系统中，燃烧模型是重要的组成部分，其准确性直接影响优化的效果。由于电厂海量历史数据的存在，可以采用贝叶斯统计和加权非线性回归分析相结合的建模方法，将一系列代表锅炉燃烧工况的参数，如烟气氧量、排烟温度、烟气排放物等数据作为输入，建立锅炉燃烧模型，并经过软件分析，给出操作指导或纳入控制系统闭环中。由于回归模型是一个〃黑箱”模型，为了建立初始回归模型，需要做很多性能试验，且每次优化后都会对数据进行分析并做出相应的修正模型。这样，没有起到优化效果的控制量组合就会在下一次优化时被舍弃，进而实现持续优化。这种优化实际上是一个在模型实时更新基础上的稳态优化。Ultramax燃烧优化系统即采用此种方法。根据相关文献显示［7］,其在英国朗格纳特电厂使用时，达到了NOx降低20%，锅炉效率提高0.3%的效果。在国内，山东某电厂6号600MW机组采用此项技术，截止到2001年3月10日，在BCDEF磨组合工况下，锅炉效率从89%提高到89.9%,NOx排放从158x10-6减少到120x10-6，飞灰含碳量由2%降低到1.8%［8］。然而，此种基于统计的建模方法，在实际应用中，还存在以下问题:建模数据是否符合要求并且完备。众所周知，基于数据驱动的建模方法，对数据的数量和质量有着严格的要求，这直接关系到模型的准确程度和优化效果。以山东某电厂为例，其机组从2001年2月10日开始进行建模试验调整工作，至2001年3月10日为止适用的建模数据如下：从表1可以看出，尽管建模时间长达一个月，然而仍有相当工况的数据没有达到要求，这大大降低了优化系统使用范围。从表1还可以看出，机组运行情况复杂，工况组合繁多，单是磨煤机组合已达到18种，如果考虑其他设备，组合会呈现爆炸式增长。2.2基于人工智能的燃烧优化系统神经网络良好的非线性拟合能力，在面对电厂复杂系统的建模问题中，可以发挥巨大的作用。采用神经网络建立燃烧模型，遗传算法进行寻优的策略，将优化目标定为锅炉效率和排放，在实际应用中取得了良好的效果，其原理如图3所示。优化系统安装于专用计算机上，通过OPC与DCS以及数据库交换数据。优化器根据已训练好的神经网络模型，采用遗传算法寻找参数的最优值，优化的结果通过OPC写回DCS中。NOx等污染物排放的降低，与锅炉效率提高，很多时候是一对矛盾，为了将多目标优化转化为单目标优化，降低系统的复杂程度，提高可维护性以及运行人员的可操作性，系统通过分配权重，将多目标转变为单目标优化。考虑到设备的情况处于不断变化之中，优化系统提供了强大的用户编辑、组态功能，允许用户改变神经网络的输入、输出以及网络结构，以适应变化。GE公司的燃烧优化系统即是采用的上述方法，根据其报告，优化效果如表2。研究表明，这种燃烧优化系统主要是通过以下途径提高锅炉效率，包括:优化剩余氧量、降低剩余氧量的变化、改进空气和燃料分布、降低空气预热器出口烟气温度、降低煤质波动时的干扰、改善热分配。尽管这种优化策略取得了显著的效果，然而，此方案依然存在以下问题：目前，针对生成已经进行了长时间的研究，但是由于锅炉本身的复杂特性以及生成过程影响因素较多，对影响排放的因素缺乏定量的研究。这对神经网络模型会产生不利的影响，导致将与污染排放不相关或相关度不高的参数作为输入，进而影响模型的准确程度，增加模型的复杂性。采用神经网络建模，神经网络的隐层数和隐节点数，直接关系到神经网络模型的准确性。然而，目前对这两个参数的确定还是利用经验公式，这在一定程度上影响了神经网络的应用。与上述采用统计的优化系统类似，神经网络建模的准确程度很大依赖于训练数据的准确、全面性。国夕卜火电机组整体自动化水平相对国内较高，且检测技术先进。相较于国内机组，国夕卜机组可测参数更多，且测量准确。因此，采用人工智能的方案应用于我国时，需要考虑神经网络建模过程中采用数据的准确性。建模所用数据的误差很可能造成模型偏离实际运行工况。此外，当训练数据可以完全涵盖机组全部的运行工况，且足够多的时候，神经网络模型可以十分精确。然而，实际运行时，机组的工况过多，且各种参数间耦合严重，获得准确全面的数据变得非常困难。神经网络和遗传算法属于智能算法，其建模或寻优过程很难在DCS上搭建组态，需要额外的计算机通过OPC接口实现优化器寻优以及与DCS通讯，不但增加了成本，且重新布置走线也使得维护变得困难，安全性降低。遗传算法是一种随机搜索优化算法，针对同一工况，其优化的运行参数可能每次都有所差别，以至于很难从优化的结果中整理出适当的规则。2.3基于混合模型的燃烧优化系统[10]基于统计的模型具有静态性能好，精度高的特点，而基于神经网络的模型具有动态精度高的特点，将两种模型结合起来，可以取长补短。燃烧优化系统可以采用统计和神经网络相结合的方法，建立预测模型，通过风煤配比平衡锅炉效率，实现最为经济的燃烧。其系统原理如图4所示：预测模型包括稳态过程模型和动态过程模型。稳态模型采用回归和惯性环节辨识进行建模。动态模型采用模糊神经网络或者回归神经网络建模。预测模型的输入数据源于过程测量数据和优化模块返回的优化中间数据，流程图如图5。硬件系统由两台PC机组成，一台是优化管理站，执行数据建模和系统的管理任务，另一台是优化运行站，执行实时优化任务。优化运行站内置OPC软件，并同时能够提供Web服务功能，操作人员可以在控制系统的任何工作站上使用网页浏览器查看当前优化系统的运行情况和运行指导信息。优化管理站不直接接入控制系统网络，仅在数据模型创建和修改时使用;当燃烧优化系统正常运行时，不需要运行优化管理站。优化管理站提供图形化的数据处理和建模软件，能够指导系统管理员进行试验数据处理;也能承担离线仿真和调试任务，协助系统管理员改进锅炉燃烧模型。这种优化方法被艾默生公司的SmartProcess优化软件所采用，根据资料，华沙Ostroleka电厂3x200MW机组，采用此优化系统，NOx排放降低13%，热效率提高0.6%。此套系统在应用中，由于模型同样是基于数据驱动的，因此，数据的准确、完备获取，直接关系到模型的精确度以及优化的效果。此外，采用神经网络这种智能化建模方法，不可避免地与GE优化系统具有同样的问题，诸如隐节点数目的选择等。但是，尽管如此，将静态模型与动态模型分开，可以在很大程度上提高优化的效果。2.4凝结水节流技术[11]由于电网对机组的负荷跟随性能要求越来越高，机组的负荷改变速率越来越快，针对这一要求，采用基于凝结水节流的新型协调控制系统优化方案，可以提高机组的负荷响应速度。凝结水节流的关键是利用机组的蓄能，即通过快速关小或者彻底关闭冷凝控制阀和到低压缸再热蒸汽抽气控制阀，使蒸汽抽气直接进入汽轮机最后一级，达到功率快速增加的目的。通过这种方法，机组可以最多增加7%的功率，其中的三分之二在30s后仍然存在，图6为凝结水节流的原理图。凝结水节流优化方案是基于机跟炉的协调控制系统进行设计的。机跟炉协调控制系统的特点是主汽压控制稳定，而负荷响应较慢。因此，利用机组蓄能可以有效改善机组的负荷响应速度，在一定程度上克服机跟炉系统的缺点。然而，考虑到我国的火电机组，大部分采用的是炉跟机的协调控制方式，其特点是负荷调节快，而主汽压不易稳定。采用凝结水节流的方案，虽然可以进一步提高负荷响应速度，然而，其主汽压力的稳定性没有得到进一步改善。凝结水节流在我国火电机组的应用方面，存在以下问题[12]:基础的协调控制策略不同，西门子的方案是基于机跟炉设计的，而国内机组大部分为炉跟机的协调方式。在新的协调方式下，西门子的优化策略需要进行修改。凝结水节流对安全性的影响。凝结水节流会直接影响除氧器水位以及凝汽器水位，造成除氧器、凝汽器水位波动，而当波动超过一定限度后，会引起除氧器水位或者凝汽器水位连锁保护，甚至机组跳闸。⑶机组的蓄能有限，不可能被无限利用。且随着机组容量的增加，机组的蓄能相对减小。在这样的情况下，凝结水节流方案在大机组上能否可以达到预期的效果，还需要深入的研究。(4)对机组效率的影响。由于凝结水节流会造成汽轮机抽气以及除氧器、凝汽器水位的变化，影响到给水温度，因此，需要进行热经济性分析，计算其对机组整体效率的影响，平衡其利弊。与国夕卜燃烧优化相比，国内燃烧优化起步较晚，但是发展较快，各种新型检测方法、人工智能技术等，都得到了应用。3.1基于多测量方法的燃烧优化系统[13-14]燃煤锅炉一次风速和管内煤粉浓度以及二次风的大小，对燃烧效果有很大影响。锅炉实际运行中，因四角配风不均，风、煤比例失调，造成锅炉爆管，燃烧器烧损变形，一次风管堵管和一次风管着火的事故时有发生。为了防止上述情况的发生，可以设计相应的燃烧优化指导系统，包括:风、煤在线监测系统，原煤发热量与锅炉效率在线监测系统。硬件配置上由安装在一次风管上的温度传感器，煤粉仓温度传感器，混合段上的温度传感器，在热风管道上的测速传感器及煤的发热量表、飞灰测碳仪、氧量表、排烟温度测量热电耦等组成。其核心内容是监视锅炉燃烧器的风粉情况，为燃烧优化指导提供依据。燃烧优化系统主要是采用多种测量方法，实时测量多个反映燃烧的重要信号，以此来反映燃烧效果，并进行相应的调整。例如，根据能量平衡理论测量煤粉浓度;采用双源透射法测量灰分，然后进一步确定煤的发热量在线监测;排烟氧量表测量烟气含氧量、排烟温度热电偶测量排烟温度等。西安热工院即采用这种优化方式，通过在全国20多家电厂的30多台锅炉上安装使用该系统，锅炉燃烧得以优化调整，防止煤粉管堵塞，提高运行的可靠性及锅炉效率，降低了煤耗，大大提高了锅炉的运行水平，节能效果非常明显。通过安装新型传感器，许多重要信号可以被测量，这样可以大大提高燃烧优化的可行性与优化效果，然而，其弊端也是显而易见的。首先，精密的新型传感器，其价格昂贵，且在恶劣的现场环境下，为了保持较高的测量精度，需要定期更换，这无疑进一步增加了电厂的运行成本。另外，增加传感器，需要考虑传感器的布置位置，以及走线等实际问题，增加了系统的复杂程度。3.2基于人工智能的燃烧优化系统[15-17]对人工智能的探索与应用，国内各专家与研究机构也同样做了深入的研究，并取得了丰硕的成果。如清华大学研制的OCP3优化系统与GE公司的优化系统类似，同样是采用神经网络建立燃烧模型，通过权重调整，将锅炉效率以及NOx排放降低转化为单目标寻优，采用非线性寻优算法，进行优化，其系统原理图如图7所示。根据其在长兴某电厂2号炉的运行表明，自调试完成后，没有因为燃烧优化系统本身原因而退出，系统投运率达到99%;测试报告表明，当ABDE磨运行时，效率提高0.563%，当ABCE磨运行时，效率提高0.441%，降低14.6%;成功投运了过热气温先进控制，减小了气温波动，气温在快速变负荷时同样可以自动控制。3.3软测量优化方案当前电厂面临锅炉设备状态发生变化、燃料性质与设计值不符、机组运行方式经过改进、负荷指令波动加剧、机组检修周期不能保证等实际问题。为了解决上述问题，华北电力大学探索了一套以软测量为主的优化方案，以达到提高锅炉效率、降低辅机电耗、提升控制品质的目的。优化方案分为5个层次，即:原始信号校准层、关键信号构造层、控制系统优化层、燃烧状态评估层、燃烧优化指导层，关系如图8所示。属于关键信号构造层的氧量软测量技术［18-19］，已经应用到多个电厂中，并取得了良好的效果。根据唐山某热电厂1号和2号机组、邯郸某热电厂11号和12号机组的数据，计算氧量和实测氧量均值曲线能够非常〃重合”地波动，并且计算氧量较实测氧量有约20s的提前量。仅在锅炉吹灰、大幅升降负荷时氧量值有不超过0.3s的误差。此外，作为优化方案中的抗磨煤机启停、再热器减温水投自动等项目，在天津盘山电厂3号机组的应用也取得了良好的效果。软测量技术可以获得众多物理传感器不易测量或无法测量的众多参数，能够极大拓展燃烧优化应用空间。然而，它并不是万能的，只有机理明确、数据符合一定统计规律的参数，才有可能建立精确的软测量模型。此外，模型对输入数据要求较高，错误的数据会造成计算结果偏差较大，以至于失去应用价值。而电厂中，由于复杂的实际情况，恶劣的现场环境，物理传感器普遍存在测量不准确或者测点缺失的问题，极大地限制了软测量的应用。电厂中很多问题是由于检测技术的落后引起的，可以预见，检测技术的进步，新型检测设备的问世，必将给电厂的控制水平带来巨大的飞跃。此外，随着热力学分析以及机理分析的深入，软测量也越来越多地受到重视。4.1锅炉优化光谱传感器锅炉优化光谱传感器是近年来比较有代表性的一种新型传感器。其采用可调谐二极管激光吸收光谱技术，这种技术的原理在于每种气体分子都有独一无二的光谱吸收特性。针对炉内气体的测量原理是:特定波长的激光在穿过炉膛过程中，光量会被相应的气体吸收。未被吸收光量P与被吸收光量Pabs之间的比率值P/Pabs与气体浓度成函数正比关系。传感器集多种不同波长激光于一根光纤，然后使发出的光线穿过锅炉。接收器采集光线后将其传回控制架，由控制机架测量未吸收光线与被吸收光线的比例，从而确定各个被测对象的浓度。激光从发射器射出，在炉膛的另一端，接收器接受激光，称之为一条〃路径”。每条路径可以同时测量氧(O2)、一氧化碳(CO)、二氧化碳(CO2)、水(H2O)的平均浓度以及温度。通常在锅炉的一个或多个层面上采用网格形式布置多条路径(图9)，经过复杂的数学运算，生成炉膛燃烧截面的气体浓度与温度剖面分析图。布置在炉膛内的多条路径可绘制所需地点的燃烧状况图，甚至包括燃烧区域的核心地带。根据资料［20-21］，此系统在美国TVAGallatin电站使用，锅炉效率提高0.3%,NOx排放量减少了24%，结渣现象大大减少。4.2煤粉浓度的测量输送管道中煤粉浓度检测是电站锅炉入炉煤量检测的一个重要组成部分，采用电容层析技术可以有效检测煤粉浓度。电容层析成像技术是20世纪90年代发展起来的一项新的浓度测量技术，不会对流场产生干扰，不受固体浓度、加速度以及透明度的限制，是一种非侵入式、快速测量技术。其原理是利用1组电极从外部环绕被测区域，利用被测区域内物质分布而导致的各电极之间的电容关系，由测得的电容值重现被测区域内的物质分布而获得电容层析成像的。根据文献显示［22-23］，此种测量方法可以在实验室环境下有效测量煤粉浓度，然而，距离工业应用还有一定距离。4.3近红外煤质检测系统目前我国选煤厂对煤质的检测方法一般有化学法和物理法。通常采用化学方法分析得到的结果不能实时反映当前的煤质情况;物理方法虽然理论成熟，但其开发技术装置费用极高，在我国的许多选煤厂没有使用。事实上，目前还没有一种方法能既廉价又实时地解决煤质的检测问题。文献［24］提出了一种采用近红外光谱漫反射技术进行煤质无损检测的技术，并探讨了其可行性。由于锅炉燃烧系统的复杂特性，采用人工智能或者统计建立黑箱模型的方法得到了广泛的应用。然而，这些基于数据驱动的方法，其准确性依赖于数据质量的优劣，因此受到当今检测技术的限制。可以预见，随着机理分析的深入，将各种先验知识融入黑箱模型中，辅以先进检测设备的诞生，燃烧优化技术会取得长足的进步。【相关文献】[1]赵征，刘伟，刘吉臻，等.基于信息融合的锅炉燃烧优化技术[J].动力工程，2009(1):53-56.[2]赵晴川，李建生，渠富元，等.正交试验法在燃煤电站锅炉燃烧优化中的应用[J].华东电力，2008(8).[3]LeeKY,PerakisM,SevcikDR,etal.Intelligentdistributedsimulationandcontrolofpowerplants.IEEETransactionsonEnergyConversion,2000,15(1):116-123.[4]牛拥军.优化燃烧技术在邹县电厂中的应用[J].发电设备，2004(S1).[5]王军，章正林，姜书敏.Smartprocess燃烧优化系统及其应用[J].电力设备，2006(2):28-30.[6]LaustererGK.Improvedmaneuverabilityofpowerplantsforbettergridstability.ControlEngineeringPractice,1998,6(12):1549-1557.[7]田亮.单元机组非线性动态模型的研究[D].保定:华北电力大学，2005.[8]师建斌，严一道.锅炉燃烧优化指导系统在火电厂的应用[J].中国电力，1997(7):31-35.葛新，武宝会，褚贵宏，等.在max1000分散控制系统上锅炉燃烧优化指导系统的开发和应用[J].热力发电，2000(2):40-43.张毅，丁艳军，张鸿泉，等.环保与经济相协调的锅炉运行优化控制[J].动力工程学报，2005(5):676-679.[11]张毅，丁艳军，张鸿泉，等.电站锅炉运行性能综合预测模型[J].动力工程学报，2006(1):84-88.[12]张毅，陈彪，丁艳军，等.燃煤锅炉高效低NOx运行策略的实验研究[J].清华大学学报:自然科学版，2006(5):5-7.[13]赵征，曾德良，田亮，等.基于数据融合的氧量软测量研究[J].中国电机工程学报，2005(7):7-12.[14]孙猛，刘石，雷兢，等.应用电容层析成像法测量煤粉浓度的研究[J].动力工程，2008(2):246-249.[15]齐娟，欧阳名三，王仁宝.基于dsp的近红外煤质检测系统的研究[J].煤炭技术，2007(8):111-113.[16]ParkHS,JangKW,OhSK,etal.EvolutionarydesignofSelf-OrganizingFuzzyPolynomialNeuralNetworksformodelingandpredictionofNOxemissionprocess.SICEICASE,2006.InternationalJointConfe