锅炉的热效率受到多种热损失的影响,但比较而言,以机械不完全燃烧损失q4受锅炉燃烧状况影响最为复杂,飞灰含碳量受锅炉煤种和运行参数影响很大,相互关系很难以常规的计算公式表达,因此采用了人工神经网络对锅炉的飞灰含碳量特性进行了建模,并利用实炉测试试验数据对模型进行了校验,结果表明,人工神经网络能很好反映大型电厂锅炉各运行参数与飞灰含碳量特性之间的关系;采用锅炉负荷、省煤器出口氧量、各二次风挡板开度、燃尽风挡板开度、燃料风挡板开度、煤种特性,各磨煤机给煤量、炉膛与风箱差压、一次风总风压、燃烧器摆角作为神经网络的输入矢量,飞灰含碳量作为神经网络的输出,利用3层BP网络建模是比较合适的; 目前锅炉运行往往根据试验调试人员针对锅炉的常用煤种进行燃烧调整,以获得最佳的各种锅炉运行参数供运行人员参考,从而实现锅炉的最大热效率;但这种方法会带来如下问题：①由于锅炉燃煤的多变性,针对某一煤种进行调整试验获得的最佳操作工况可能与目前燃用煤种的所需的最佳工况偏离；②由于调试试验进行的工况有限,试验获得的最佳工况可能并非全局最优值,即可能存在比试验最佳值更好的运行工况;
武汉光福7号
本文在对某300MW四角切圆燃烧锅炉进行实炉工况测试并利用人工神经网络技术实现飞灰含碳量与煤种和运行参数关系的建模工作基础上,结合遗传算法这一全局寻优技术,对锅炉热效率最优化运行技术进行了研究,并在现场得到应用; 2 遗传算法和神经网络结合的锅炉热效率寻优算法
利用一个21个输入节点,1个输出节点,24个隐节点的BP网络来模拟锅炉飞灰含碳量与锅炉运行参数和燃用煤种之间的关系,获得了良好的效果,并证明了采用人工神经网络对锅炉这种黑箱对象建模的有效性1;人工神经网络的输入采用锅炉负荷、省煤器出口氧量、各二次风挡板开度、燃尽风挡板开度、燃料风挡板开度、各磨煤机给煤量、炉膛与风箱差压、一次风总风压、燃烧器摆角和煤种特性,除煤种特性这一不可调节因素外,基本上包括了运行人员可以通过DCS进行调整的所有影响锅炉燃烧的所有参数;
遗传算法是受生物进化学说和遗传学说启发而发展起来的基于适者生存思想的一种较通用的问题求解方法2,3,作为一种随机优化技术在解优化难题中显示了优于传统优化算法的性能;遗传算法目前在优化领域得到了广泛的应用,显示了其在优化方面的巨大能力3;遗传算法的一个显著优势是不需要目标函数明确的数学方程和导数表达式,同时又是一种全局寻优
算法,不会象某些传统算法易于陷入局部最优解;遗传算法寻优的效率较高,搜索速度快;
根据锅炉的反平衡计算公式,锅炉热效率η可由下式求得：
η=100-q2+q3+q4+q5+q6% 1
式中 q2为排烟热损失,q3为可燃气体不完全燃烧热损失,q4为固体不完全燃烧损失,q5为锅炉散热损失,q6为其他热损失;
根据遗传算法的要求,确定锅炉热效率η为遗传算法的目标函数,用式1计算;对该300MW锅炉,利用DCS与厂内MIS网的接口按每6s下载各运行参数,包括排烟氧量、排烟温度、锅炉负荷、各二次风挡板开度、燃尽风挡板开度、燃料风挡板开度、各磨煤机给煤量、炉膛与风箱差压、一次风总风压、燃烧器摆角等;锅炉飞灰含碳量可由飞灰含碳量监测仪在线监测或人工取样分析,燃用煤种由人工输入;这样锅炉的各项损失即可在线获得,并进而计算出各运行工况下的锅炉实时热效率;将排烟氧量和煤种特性等影响锅炉排烟热损失q2的参数按热效率计算,标准化为计算公式代入式1,而影响q4的各参数采用人工神经网络模型代入式1,其中炉渣含碳量对热效率影响由人工测试后输入;具体计算公式可参见锅炉热效率计算标准;
由以上步骤建立了锅炉热效率和锅炉各运行参数及煤种的函数关系,即锅炉热效率作为因变量,而锅炉的各操作参数和煤质特性作为自变量,这样就可以利用遗传算法进行寻优计算,获得最佳的锅炉运行条件,实现锅炉热效率的最大化;
火电厂锅炉运行中,为考虑到习惯运行方式和各种安全因素的影响,对各种可调因素的选择区域都有一定的范围限制,寻优范围必须控制在这些范围以内,这些限制构成了自变量的定义域;至此,完成了锅炉热效率最优化燃烧的结合神经网络的遗传算法优化过程,具体程序流程见图1;
3 燃煤锅炉热效率的优化效果
在电厂锅炉运行中,运行人员调节最为频繁的参数主要是各种配风方式,包括各二次风、燃尽风、由送引风机配合所确定的氧量等,其余影响锅炉燃烧的因素,如负荷和煤种,对于运行人员而言在某一工况下是不可调节因素,燃烧器的摆角出于汽温调节的需要,往往也不会对其调整以实现低的飞灰含碳量;作为示例,我们对影响燃烧的部分参数的寻优过程进行了模拟和验证;
执法公信力
某个实际运行工况如表1所示,除煤种特性为事先取样分析人工输入外,其余参数均由集散控制系统DCS下载;考虑对锅炉的排烟氧量和各二次风门开度及燃尽风门开度进行寻优,其余参数维持该工况,利用软件寻优,遗传算法选择的参数种规模为50,交换概率为0.8,突变概率为0.15,迭代次数500次,可调参数7个,计算获得优化后的各风门开度、氧量及锅炉效率和飞灰含碳量值,优化后的各值如表2所示;图2示出了不同迭代次数下的遗传算法计算得到的飞灰含碳量值和锅炉热效率,图中曲线1表示锅炉效率,曲线2表示省煤器后氧量,曲线3表示飞灰含碳量,可见遗传算法的收敛速度很快;
对图2的寻优过程进行分析,发现飞灰含碳量曲线具有震荡,这是因为氧量同时影响到排烟热损失和飞灰含碳量,优化过程初期氧量较高,飞灰含碳量相应可以搜索到较低值,但由于排烟热损失比机械不完全燃烧损失数值更大,迫使优化过程向氧量较低的方向寻优,而氧量较低又导致飞灰含碳量有所增加,这种相互反作用的机理使飞灰含碳量曲线呈现震荡性,这种震荡性也是由遗传算法的寻优本质所决定的;
图3对采用不同的遗传算法计算参数进行了比较,其中曲线1采用了交换概率为0.8,突变概率为0.15的计算参数；曲线2采用了交换概率为0.8,突变概率为0.3的计算参数；曲线3采用
了交换概率为0.2,突变概率为0.1的计算参数;计算表明这几种参数下寻优过程均能成功收敛,但以曲线3为最佳,说明交换概率和突变概率的选取存在最佳值;增加迭代次数和种规模,最终结果基本无变化,证明目前的迭代次数和种规模已基本满足要求;
由于遗传算法可以对多个自变量同时进行寻优,如果有需要,可以对任何需要的参数进行寻优,甚至对所有影响因素进行寻优,在软件编程上实现也很方便,这为遗传算法在锅炉优化运行中的应用提供了便利;
对锅炉在中等负荷下的热效率优化过程也进行了试验,表3示出了某种中等负荷条件下锅炉实际运行工况;表4为中等负荷下遗传计算获得的优化结果;现场验证表明,按优化结果推荐的配风方式进行调节,工况调节后由DCS下载数据计算得到的锅炉效率与优化算法预测的锅炉效率基本相当;多个试验结果表明高负荷下的飞灰含碳量的预测和实测基本相当,而中等负荷下的飞灰含碳量预测略有偏低,这可能与神经网络建模时中等负荷下的样本数量偏少有一定关系;但由于本文研究的锅炉燃烧状况较好,燃料的灰分低而且挥发分和热值均较高,所以飞灰含碳量都较低,机械不完全燃烧损失也较小,对锅炉热效率的影响也较小;因此各工况下预报的锅炉热效率值与实测误差很小,一般在0.2％以内;
网络平台建设
针对现场实炉测试样本数据难以大量获得的问题,可采用DCS数据采集方法解决,获得稳定工况下的输入输出参数保存,利用这些样本来训练神经网络,这样既可获得大量的样本数据,而且样本数据可不断更新,从而使神经网络模型能代表锅炉的最新特性;
for seal对于燃用燃尽性能差和高灰分煤的锅炉,机械不完全燃烧损失占到锅炉效率损失的很大部分,由于排烟热损失的优化比较简单,而本文主要针对机械不完全燃烧损失进行优化,因此对于燃用劣质煤锅炉采取此优化方法具有更好的应用前景,能够确定锅炉最佳氧量和各风门开度;
对锅炉热效率优化另一种方法也进行了研究,即将锅炉热效率与煤种特性、运行参数之间的关系直接采用人工神经网络建模,然后利用遗传算法优化,结果表明这种方法的效果远不如本文的方法;其原因经分析为,人工神经网络方法进行建模时存在一定的误差,由于热效率的绝对值较大对锅炉热效率直接建模,导致误差过大淹没了方案的可行性;
4 结论
本文在对大型燃煤电厂锅炉进行实炉多工况热态试验和采用人工神经网络进行锅炉飞灰含碳量特性建模的基础上,利用遗传算法对大型电厂锅炉提高热效率的优化运行方法进行了研究并经现场应用,表明采用人工神经网络和遗传算法进行锅炉燃烧优化是可行的;
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议