平圩电厂先进控制系统介绍

摘要：利用改进的神经网络技术和MPC控制理论，建立电厂锅炉燃烧的动态优化控制模型，用于实时优化有关参数，闭环动态控制锅炉的燃烧过程，改善锅炉燃烧状况，达到提高锅炉燃烧效率、减少污染物排放的目的。一、引言燃煤发电厂在生产电力的同时，消耗了大量宝贵的煤炭资源，排放了大量的污染物，因此，节能、降耗和减排是发电企业面临的一大课题。全厂的优化控制建立在单台机组优化控制的基础上，在火电发电成本中，燃料费用一般要占70%以上。因此，通过优化控制，提高锅炉燃烧系统的运行水平对机组的节能降耗和减排具有十分重要意义。锅炉燃烧是个复杂的物理化学过程，涉及到燃烧学、热力学、传热学、流体力学等多个学科。锅炉燃烧状况除受到有关调整控制参数影响外，还要受到机组负荷、媒质、环境温度等随机因素影响，是典型的多输入、多输出、非线性、大延时的复杂系统，不容易建立机理控制模型。传统的DCS控制基于PID控制器，PID控制器使用方便、运行安全可靠，但也有它的致命弱点，很难处理好以下问题：A输入和输出的多变量之间的关系，特别是输入与输入或输出与输出有相互影响的耦合关系时。＞变量的延迟和非线性。＞控制品质，总是一个在震荡过程中逐步稳定的过程，如果工作区域较大，控制震荡幅度可能有一定的难度。＞同时满足其他多个条件的限制。本文利用改进的神经网络和多变量预测性控制技术，针对安徽淮南平圩发电公司2号600MW机组，建立了以锅炉效率、NO*和机组热耗为优化控制目标的模型，并与DCS系统充分柔性耦合，实现在线滚动优化和实时闭环控制，连续寻找锅炉燃烧的最优点，并据此同时调整多个相关参数，实现参数合理匹配，以达到优化和控制机组经济运行的目的。二、原理简述模型预测控制算法包括三个关键的技术问题，即过程模型、非线性优化和自适应算法。只有在这个几个方面都提供优秀的解决方案，才可能使整个控制算法达到良好的性能。用于在线优化的对象模型是模型预测算法的基础。传统辨识方法取线性时不变的离散参数化模型来建立过程模型，模型结构确定后，采用最小二乘法或极值法来计算模型参数。过程的非线性特性的影响通过在线周期性更新校正模型参数来补偿，或者由分布在工作区域的一组局部线性模型来表示。然而当操作条件或扰动引起过程从线性化工作点漂移时，基于线性模型的控制器的控制性能可能产生很大的偏离，此时一个包容对象所有工作区域的非线性模型对设计控制器应该更加有利，应用神经网络建模技术就可以解决这一问题。BP神经网络是目前人工神经网络中研究最深入、应用最为广泛的一种模型，但在实际应用过程中，BP人工神经网络存在训练速度慢，对劣质样本的抗干扰能力弱，在线纠正速度慢等问题。针对这些实际问题，我们对这些算法进行了多项重要改进。包括对训练样本进行自适应聚类，以聚类中心来代表一个区域的样本。采用了马夸特全局收敛的训练算法，极大的提高了训练速度，提高了在线采集样本纠正模型的能力。目标函数反映优化控制对象的经济指标，目标函数的求解一般是在某些约束条件（包括以对象模型为约束条件的等式方程）限制下求解极值，一般描述为：了Oi，也，…，耳），st.gi0i，花，…，兀）兰oj=1…眈f,g均为非线性函数，这是典型的n维m个约束的非线性最优化问题。i由于在复杂实际环境中，f,g的导数均不容易获得，所以针对这个问题没有特别有效的快i速算法。而滚动优化需要在线计算，所以每次计算都有时间上的约束。传统数值算法很难解决这个问题。我们采用了基于遗传算法的非线性最优化算法来解决这个问题。它是通过既定规则的随机搜索进行优化，通过仿真进化过程的重组、突变、和选择找到新的搜索点，它们的目标函数平均值要比它们的祖先更优。由于仿真进化的进程可以随时终止，这样可以方便的通过调整参数来控制计算时间与寻优质量之间的折中。由于遗传算法的稳定性较差，很难保证每次求解都能获得较满意的效果，这是实际应用中比较突出的困难。针对这一特点，结合模型预测控制需要不断进行滚动优化的特征，实现了不但在单次优化中使用仿真进化计算，而且在多次滚动优化间保留较优种群，作为下一次计算的起点，极大的减少了计算量，提高了单次优化结果的质量。模型控制算法采用二次在线滚动优化性能指标和反馈校正的策略，来克服受控对象建模误差和结构、参数与环境等不确定性因素的影响，有效弥补了传统控制算法对复杂受控对象控制效果很差的问题。模型预测算法包括以下三个主要特征：＞预测模型：采用人工神经网络模型作为模型预测控制的基础模型，模型适用性强，训练速度快，而且不需要对过程机理给出准确的数学描述。＞反馈校正：由于存在非线性时变、测量仪表漂移、模型失配和外界环境干扰等不确定性因素，使基于模型的预测不可能与实际完全相符。针对以人工神经网络作为内部模型的算法体系，利用神经网络可以在线训练的特点把有偏差的数据送入神经网络模型进行训练，从而减小模型预测偏差。＞滚动优化：采用滚动式的有限时域优化策略。优化策略不是一次离线完成的，而是反复在线进行的，即在每一采样时刻，优化性能指标只涉及从该时刻起到未来的有限时间段，而到下一个采样时刻，这一优化时段会同时向前推移。不同时刻优化性能指标的形式是相同的，但其包含的时间区域是不同的。三、项目实施安徽淮南平圩电厂锅炉是引进美国的CE公司技术，由哈尔滨锅炉厂制造的国产第二台2008T/H锅炉，为单炉膛、单汽包、强制循环悬吊式，制粉系统为正压直吹式。汽轮发电机是引进Westinghouse公司制造技术由哈尔滨汽轮机厂及哈尔滨电机厂制造提供的，仪表控制系统经过改造后采用了上海・Foxboro•公司的I/A分散控制系统。利用上述理论基础，开发了系统平台，建立锅炉燃烧优化控制系统模型。将过程变量分为三类：优化控制目标（CV）、可操作变量（MV）和扰动变量（DV），根据确定的优化控制目标（锅炉效率、NOx、机组热耗），同时考虑DV（负荷、设备状况、媒质、环境温度和湿度等）的影响，协调和调整MV（蒸汽压力、蒸汽温度、氧量、燃烧器摆角、炉膛风箱压差、各层磨煤机出力和相应的二次风量等）。数据样本有两部分数据组成，一是近半年的机组运行历史数据，二是按一定规则专门设计了240组动态和稳态参数调整试验获得的数据，将这两部分数据组合起来，经过分析筛选，形成培训模型的初始数据样本，建立优化控制模型，并进行仿真验证后实施对锅炉燃烧的在线优化和实时动态控制。优化器实时寻找当前锅炉运行的最佳状态，并将参数组合指令传递给动态控制器，动态控制器实时调整可操作变量，使得锅炉的实际运行点逼近或达到这个最佳的状态。

锅炉燃烧优化控制系统应用于在线运行，实现闭环动态控制，与I/A系统充分耦合。优化控制器通过DCS系统的OMF接口，实时读取机组运行参数，经过自适应寻优计算后返回DCS，并作用于有关控制回路，对给定值进行动态整定。系统设置了通讯状态检测和数值变化范围与速度限制等安全措施，使优化控制系统可以无扰投切，确保运行稳定可靠。4!55aTi4!55aTi皑，6：00lft锅炉效率按国家标准GB10184-88《电站锅炉性能试验规程》，采用反平衡法计算，机组热耗根据主、再热蒸汽参数和两级高压加热器参数进行实时计算,N0有专门测量装置。优化控制系统x每15秒输出一次控制指令，优化器每30分钟进行一次自动寻优，模型每2个小时进行一次自动调整。这些参数可根据机组的实际运行状况进行设置，以获得好的优化控制效果。四、结果分析优化控制系统投运一年多来运行稳定，做了多次投入与切除试验，典型的结果数据如下图，图中BLR_EFF、W_TOTAL、NO_M、W_UNIT_PWR分别为锅炉效率、送、引风机总能耗、NOx浓度和负x荷。通过多个不同工况下类似试验数据分析对比，优化控制结果为：锅炉效率提高0.339百分点,送、引风机能耗降低316.3KW，NO排放减少19.1%。xBZLDD押.WJTOTAL口商墳加WUNITPwRNjN_ALi；-：_BC_ON7=皿机绘负萄釣角知血忧化担制系绽股A「谣炒效壓iS：高0.39-r-目廿巨「HOx律放降低20%.负萄有所剧九诊引网机基也拎变.另外，将优化控制系统投运前半年和投运后半年有关数据进行综合分析对比，也得到了上述类似的结果。五、结束语基于改进的神经网络和多变量预测控制算法建立的优化控制系统与DCS充分耦合，实现了对锅炉燃烧的在线优化和实时动态闭环控制，优化了锅炉的风煤配比以及各个部分风量间的分配，并能按照优化指令进行精确控制，改变了锅炉内火焰中心位置和温度场的分布，明显地改善了锅炉的燃烧状况，提高了锅炉燃烧效率，降低了污染物排放，节省了厂用电，提高了自动化运行水平，具有显著的经济效益和社会环保效益。六、参考文献1.SimonHaykin著，叶世伟、史忠植译《神经网络原理》[M],机械工业出版社，2004年。2•王培红等，人工智能技术在电站锅炉燃烧优化中的应用研究[J],中国电机工程学报，2004（4）。.L.RalaivolaandF.d'AlcheBuc.Dynamicalmodelingwithkernelsfornonlineartimeseries[M].2004。．YasudaK,IdeA,andIwasa