燃烧优化专家系统在W型火焰燃烧锅炉中的应用

杨永瑞1   刘文平2

（1.贵州黔西中水发电有限责任公司，贵州 黔西550002；2.南京归图科技发展有限公司，江苏 南京 210018）

摘  要：结合燃烧优化专家系统在某厂的成功应用，阐述燃烧优化专家系统的原理和系统结构，介绍专家系统的实施过程，通过实际运行曲线说明专家系统投入运行后的效果。

关键词： 燃烧优化 专家系统 神经网络 遗传算法 节能

Application of combustion optimization expert system in W-flame boiler

Yang Yongrui1 ,Liu Wenping2

(1.Guizhou Qianxi Zhongshui Power Generation Co., Ltd, Qianxi 550002,Guizhou,China;2.Nanjing Great Technology Developing Co., Ltd,Nanjing 210018 Jiangsu,China)

Abstract :Combining with the successful application of combustion optimization expert system in Guizhou Qianxi Zhongshui Power Generation Co., Ltd,this paper elaborates the combustion principle and system structure of expert system, introduces of the implementation process of expert system, illustrates effect of expert system with actual running curve。

Key Words : Combustion Optimization;Expert system;Neural Network;Genetic Algorithm,Energy Conservation 

1前言

    近年来，我国的火电装机容量持续攀升，发电市场的竞争局面日趋严峻，另一方面，煤价上涨造成成本上升，国内各种环保考核更严格，如何提高锅炉燃烧效率，减少污染物排放，降低发电成本将成为发电企业重点考虑的问题。

目前国内电站锅炉燃烧运行主要依据锅炉的燃烧优化调整试验结果，由运行人员根据试验结果的推荐值和自己的运行经验进行燃烧调整，没有实现在不同负荷、不同煤质情况下的自动调整（如各燃烧器负荷分配调整、总风量调整、一、二次风量风速及其分配调整等）。

为了适应机组负荷和入炉煤质的变化，锅炉运行必须要根据负荷和入炉煤质工况的变化及时进行燃烧调整，因此有必要实施锅炉燃烧控制系统优化，达到提高锅炉运行效率，同时降低烟气NOx排放的目的，这也是今后火电厂节能减排的一个发展方向。

2概况

某厂3号锅炉系北京巴威公司引进美国B&W公司技术生产的单炉膛平衡通风、中间一次再热、亚临界参数、自然循环单汽包锅炉。设计及校核煤种均为当地无烟煤。 由于入炉煤煤质较大地偏离设计煤种，不同煤种之间的煤质相差较大。在煤质和锅炉负荷多变的条件下同时运行人员的操作水平客观上存在差异，因此凭运行经验进行的锅炉燃烧调整操作具有一定的局限性，甚至会出现燃烧调整不及时，影响锅炉的安全经济运行。

针对上述存在的问题，可采用燃烧优化专家系统，目标是最终解决锅炉燃烧中存在的一系列问题，实现锅炉燃烧自动控制和优化运行，实现节能减排的目的。

3、系统介绍

3.1系统组成

专家系统是一个外置的系统，系统配置一台工作站，运行系统软件。工作站通过与DCS系统间的通讯网络获取锅炉运行数据，系统软件根据获得的数据在线进行燃烧优化计算，并将优化结果数据通过网络送入DCS，进行燃烧优化操作指导，并实现燃烧闭环优化控制。

图1  燃烧优化专家系统结构图

3.2 系统原理

燃烧优化专家系统采用基于多目标遗传算法的人工智能神经网络技术，从实际生产中大量的运行数据和燃烧调整试验数据，建立锅炉燃烧模型；利用先进的多目标遗传算法，通过神经网络模型，在全局范围内寻找最优的运行模式，同时系统又具有自学习能力，能从数据样本中找出各变量的内在联系。能将以前未出现的新的负荷、煤质工况点加入燃烧优化模型。因此，适用于负荷、煤质变化较大的机组。本系统神经网络可处理多达1000多个与燃烧有关的变量，模型可包含几百个燃烧运行模式，供燃烧优化之用。

图2 燃烧优化神经网络模型

4、系统架构

4.1、采集建模样本数据

系统建模样本数据包括机组运行历史数据和燃烧优化调整试验数据（包括与这些数据相对应的锅炉入炉煤质数据）两部分。

4.2建立燃烧优化模型

专家系统根据机组运行历史数据和燃烧优化调整试验数据，以及与这些数据相对应的锅炉入炉煤质数据，运用神经网络技术建立燃烧优化神经网络模型。

4.3 参数寻优

专家采用先进的多目标遗传算法（MOGA）优化技术，以提高炉效、降低烟气NOx排放为优化目标，对燃烧参数进行寻优。

4.3.1安全可靠的全局最优解

对于给定的负荷和入炉煤质，专家系统采用先进的多目标遗传算法（MOGA）优化技术，在预先确定的最大值最小安全值范围内寻优，寻找最佳的配风配煤燃烧运行参数，所得到的最佳参数是全局最优解，并确保锅炉运行的安全性。

4.3.2多目标组态优化

多目标优化得到的是一组燃烧优化参数，如下图Pareto前沿曲线，曲线的左下方是非最佳燃烧工况区。运行人员可选择曲线上的任何一点所对应的燃烧参数作为最佳参数进行燃烧调整。

图3  多目标优化得到的Pareto前沿

4.4 优化仿真

系统投运之前需进行优化仿真，离线计算不同负荷、不同煤质条件下的燃烧优化参数，并对优化结果的合理性、可靠性进行评估。

4.5开环和闭环运行模式及其无扰动切换

开环：提供燃烧调整操作指导。

闭环：专家系统向DCS提供各燃烧参数的优化偏置，当DCS切到优化偏置端时，就实现闭环优化自动控制。

无扰动切换：实现优化偏置的无扰动切换，每个回路可进行投切操作。   

5优化效果

5.1 优化系统投运后机组主要控制参数变化情况

    优化系统投运前，测试不同负荷下不同时间段的氧量及主汽压力变化曲线。下面以300MW负荷下为例说明。

由下图4和5可以看出，锅炉原运行模式下，从试验的数据结果分析可以发现，因运行人员主观因素判断或蒸汽参数不稳等因素，造成燃烧控制主要因素如氧量、主汽压力等参数存在较明显的差异和较大的波动。

图4优化系统投运前300MW负荷工况下的氧量变化曲线

图5 优化系统投运前300MW负荷工况下的主汽压力变化曲线

5.2 优化系统投运后

系统投用后各个主要控制参数明显更趋于稳定。同样以氧量和主汽压力为例，见下图6和7。

图6系统投运后300MW负荷下的氧量变化曲线

图7系统投运后300MW负荷下的主汽压力变化曲线

分别对比图4图6，图5图7可以看出，燃烧优化专家系统投用后，不同负荷下锅炉运行氧量稳定，且氧量波动范围明显缩小；主汽压力稳定。

5.3 优化系统投运后锅炉效率变化情况

    系统投用后，试验人员与投运前试验相同的负荷段进行了性能测试试验。系统投用后，各个负荷段炉效都有一定的提高，低负荷情况下运行经济性更好。300MW时平均提高 0.82%；270MW时平均提高 0.9%；250MW时平均提高 1.02%；200MW时平均提高 1.9%。见下图8。

           图8 300MW负荷下三个不同工况下优化系统投前投后炉效对比曲线

6结论  

   燃烧专家系统投运后，无论是炉内燃烧状态还是蒸汽参数的稳定性都得到了较大幅度的提升。锅炉运行状态稳定，提高了锅炉效率，改善了汽轮机的运行品质，提高锅炉和汽轮机等设备的使用寿命。该项目的完成是发电企业技术精细化管理、降低生产成本的一个重要举措。