Page 100 - 电力与能源2024年第一期

94 卞韶帅，等：电站锅炉智能燃烧优化基础技术的研究与应用

可见测试数据预测值与实测值趋势一致，大于 式锅炉高温过热器（三过）、高温再热器（二再）在
86% 的预测值误差在±0.5 以内，平均绝对误差为 40% 额定负荷下的屏间热负荷分布与热负荷偏
0.28。该模型误差基本能满足工程应用需求。 差评估系数。需要注意的是，控制热负荷偏差是
学习样本的数据质量对预测模型的预测精度 一个长期、持续的过程，按照热负荷偏差评估系数
影响较大，后续建议电厂取样时记录对应准确时 统计数据进行调整及考核是通过运行管理手段控

间以获取更高质量的学习样本。 制热偏差的一个较为合理的方案 ［12］ 。
2.3 百万机组塔式炉热力计算
本文以某 1 000 MW 超超临界塔式锅炉为例
进行热力计算，并将计算结果与该炉设计值进行
比较。
图 4 和图 5 展示了设计煤种、BRL 工况下的
图 6 高温过热器（三过）屏间热负荷分布
热力计算数据与锅炉制造厂提供的设计数据的比
较，可见两者相差不大。本文的热力计算模型可
以针对多种燃料、多种燃烧方式进行计算，为锅炉
燃烧优化分析奠定基础。

图 7 高温再热器（二再）屏间热负荷分布

3 结语

本文充分利用电厂现有生产运行数据，通过

融合机理模型、试验研究及机器学习方法，开发了
一系列锅炉智能燃烧优化所需的基础技术，为电
站锅炉智能燃烧优化奠定了基础。
图 4 各段烟温对比 （1）入炉煤煤质软测量模型能够较为准确地
监测入炉煤收到基热值、水分等煤质信息，灰、渣
碳含量预测模型能够较为准确地预测锅炉灰、渣
平均碳含量，模型误差满足工程应用要求，为电厂

优化生产过程、提高安全性和经济性奠定基础。
（2）基于锅炉热力计算方法，融合机理模型、
试验研究及机器学习方法，建立了锅炉变工况模
型，能够实现针对多种燃料、多种燃烧方式的变工
况计算，为锅炉燃烧优化奠定基础。

（3）沿炉膛宽度烟气侧高温受热面屏间热负荷
图 5 各段汽温对比
分布与热负荷偏差评估系数能够诊断分析当前锅炉
2.4 热负荷偏差监测 的燃烧状况，并评估高温受热面的运行安全性。
本文提出的基于屏间热负荷偏差的高温受热
参考文献：
面安全评估模型已在某 2×1 000 MW 超超临界
［1］ 周建新，樊征兵，司风琪，等 . 电站锅炉燃烧优化技术研究
电厂等多个电厂得到实际应用。 发展综述［J］ 锅炉技术，2008，39（5）：33-36.

.
图 6 和图 7 展示了某 1 000 MW 超超临界塔 （下转第 106 页）