Page 97 - 电力与能源2024年第一期
P. 97

卞韶帅,等:电站锅炉智能燃烧优化基础技术的研究与应用                                       91

                化的基础。锅炉燃烧过程机理建模复杂,涉及各                                                  Q boiler
                                                                                 Q ar =                  (3)
                种复杂的化学反应和物理现象,机理本身非常复                                                  G coal η
                杂;该过程影响变量众多,包括工艺条件、设备性                           式中 Q ar——每千克入炉煤带入锅炉的低位热
                                                                 值;η——锅炉效率;G coal——锅炉的入炉煤量。
                能、燃料性质、外在环境等多种因素。因此,建立
                                                                     根据入炉煤质量平衡和燃烧化学反应原理,
                复杂过程的锅炉运行变工况模型非常困难。
                                                                 将其燃烧生成的产物表示成干燥无灰基元素含量
                    (3)炉内燃烧方式的调整也会改变炉膛烟温
                                                                        [6]
                                                                 的方程组 ,同时结合门捷列夫热值公式可得:
                偏差和高温受热面吸热偏差。因此,炉内燃烧方
                式和高温受热面热偏差相互关联,需要对锅炉燃                            Q ar = 339C ar + 1 028H ar - 109(O ar - S ar) - 25M ar
                                                                                                         (4)
                烧优化和高温受热面的安全性联合考虑。
                                                                 其中,计算锅炉效率所需的飞灰碳含量可用下文
                    解决上述问题是成功实施锅炉智能燃烧优化
                                                                 的预测模型计算,入炉煤灰分可基于其与入炉煤
                的基础。本文针对上述问题,充分利用电厂现有
                                                                 水分、热值的强相关性建立预测模型后计算。最
                的生产运行数据,通过融合机理模型、试验研究以
                                                                 后根据式(3)和式(4)的偏差通过迭代计算可求得
                及机器学习方法,开发了一系列锅炉智能燃烧优
                                                                 入炉煤的煤质数据。
                化基础技术,并在锅炉燃烧优化中得到了应用。
                                                                 1.2 灰、渣碳含量预测模型
                1 锅炉智能燃烧优化基础技术研究                                     目前,燃煤机组飞灰碳含量在线测量装置的
                                                                 测量误差普遍较大且不可靠,故本文采用深度神
                1.1 入炉煤煤质软测量模型
                                                                 经网络的算法结合锅炉变工况试验以及日常化验
                    根据磨煤机系统热量和质量平衡原理,可以
                                                                 数 据 进 行 灰 、渣 平 均 碳 含 量 的 预 测 建 模 和 在 线
                推导出包含燃煤水分的方程组。通过求解该方程
                                                                 预测。
                组,即可获得入炉煤的水分含量。磨煤机系统输
                                                                     深度神经网络(DNN)是深度学习的基础算
                                                 [5]
                入的总热量与输出和消耗的总热量相 等,即:
                                                                      [7]
                                                                 法之一 。DNN 由输入层、输出层以及多个隐含
                q gz + q rc + q nm + q mf + q lf = q sf + q fq + q jr + q sr   (1)
                                                                 层全连接构成,其数学原理包括前向传播和反向
                    其中,磨煤机系统干燥磨制煤输入的热量包
                                                                 传播,两部分交替进行。其中,前向传播阶段,隐
                括:干燥剂的物理热 q gz;原煤物理热 q rc;磨煤机碾
                                                                 含层将前一层的输出作为后一层的输入,即:
                磨煤所产生的热量 q nm;密封风的物理热 q mf;漏入                                 l    n    l       l
                                                                            g k =     w ik a i l - 1  + d k  (5)
                                                                                 ∑ i = 0
                冷风的物理热 q lf。磨煤机系统干燥煤输出和消耗                                          l      l
                                                                                  a k = f ( g k )        (6)
                的热量包括:蒸发煤中水分所消耗的热量 q sf;一次                              l
                                                                 式中 g k ——DNN 第 l 层第 k 个神经元激活前的
                风带出的热量 q fq;加热燃料消耗的热量 q jr;设备散                         l
                                                                 输出 ; a k——DNN 第 l 层第 k 个神经元激活后的
                热损失 q sr。                                               l        l - 1  l             l
                                                                 输出; w ik——由 a k   到 g k 的权值系数; d k ——偏
                    工质在锅炉中的总吸热量如下:                               置系数;
                                                                        f——激活函数,本文采用 ReLU 函数,即
                    Q boiler = G ms(h ms - h fw) + G rc(h rh - h rc) +  f (x)=max(0,x)。
                         G rj( h rh - h rj) + G sj( h ms - h sj)  (2)  深度神经网络模型的训练过程是根据损失函

                式 中  G ms —— 主 蒸 汽 流 量 ;h ms —— 主 蒸 汽 焓 ;        数进行的有监督学习过程,损失函数通常定义为
                h fw——主给水热焓;G rc——冷再流量;h rh ——再                  均方误差函数。在训练过程中可根据部分训练集
                热蒸汽热端焓;h rc——再热蒸汽冷端焓;G rj——                      样本进行损失函数值的计算及梯度回传,而不是

                再热器减温水量;h rj——再热器减温水焓;G sj——                     针对全部样本,这样可以加快深度神经网络模型
                过热器减温喷水量;h sj ——过热器减温喷水焓。                        的训练效率。求解权值和偏置的过程一般采用梯
                    则锅炉入炉煤低位热值:                                  度下降算法,同时针对学习速率的自适应调整以
   92   93   94   95   96   97   98   99   100   101   102