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