循环流化床燃烧技术具有高燃烧效率、高效的负荷调节、较低的污染气体排放量等优势,越来越受到能源领域的重视。循环流化床燃烧技术出现后,循环流化床锅炉机组得到广泛应用,尤其是大型循环流化床锅炉机组,在电力能源领域已得到认可并大范围应用。直流、超临界、大容量的循环流化床锅炉机组已成为一种发展趋势,350MW循环流化床锅炉机组是这种发展趋势下的产物。350MW循环流化床锅炉机组,由于其高参数与大型化的特征,应利用燃烧优化技术优化提升机组运行效率。对于该问题,目前已在研究中取得了丰富的成果。其中,文献提出一种基于和利时DCS的锅炉负荷分配优化控制方法;文献提出一种基于模糊规则耦合与BP/RBF神经网络的方法,均有效提升了发电效率,但在控制机组负荷工况方面未得到有效改进。综合现有研究情况,本文研究提出一种针对350MW循环流化床锅炉机组的负荷动态优化控制方法。
1 350MW循环流化床锅炉机组负荷动态优化控制
锅炉机组循环流化燃烧技术是指利用固体燃料通过多次循环,使其燃烧效率更高、更彻底,进一步强化高浓度含尘气流并产生传热效能。同时,它能通过循环灰量度和风煤配比率等方法达到控制床温的目的,促使其低温燃烧的温度保持在850~950℃之间,最后通过向床内添加石灰石等脱硫剂及分级布风方法,有效控制了SO2和NOx等有害气体对环境的污染,使锅炉机组的排放物达到环保标准。流化床锅炉机组与煤粉锅炉机组运行指标如表1所示。
1.1 数据滤波处理
收集350MW循环流化床锅炉机组燃烧系统的烟气含氧量、煤量、送风量、燃料量、主汽压、炉膛负压、引风量等数据,实施数据滤波处理。数据滤波处理使用标准Kalman滤波,具体处理步骤包括7个内容。
(1)将采集数据作为观测数据,通过已有数据确定标准Kalman滤波系统的初值,构建状态方程与观测方程,并根据构建的两种方程确定二者的误差方程,作为一步预测方程。
其中,观测方程为:
式中:RK是收敛向量;CK是m维状态向量;ηK是n维观测噪声向量;JK是观测向量。
状态方程为:
式中:lK,K-1 是动态噪声矩阵;φK,K-1 是转移状态矩阵;CK-1 是 m-1维状态向量;ΦK-1 是t维动态噪声向量。
(2)以一步预测方程为依据,求取预测向量CK,并求取前一历元350MW循环流化床锅炉机组燃烧系统状态估值对应的残差向量CK-1。其中,一步预测方程为:
式中:CK,K-1是前一历元350MW循环流化床锅炉机组燃烧系统状态估值对应的预测向量;CK-1,K-1是机组燃烧系统m-1维的状态估值对应的残差向量。
(3)以残差向量CK-1和预测向量CK作为依据,获取协方差预报误差矩阵UCK。
(4)利用误差协方差矩阵UCK与350MW循环流化床锅炉机组燃烧系统的一步预测值求解滤波的先验信息,联合观测方程与最小二乘法求解增益矩阵AK与标准Kalman滤波的解。
(5)利用上一步骤求解的结果统计计算滤波增益矩阵。
(6)以协方差误差传播定律为依据,利用滤波增益矩阵求出预测向量对应的协方差滤波误差矩阵。
(7)利用下一时刻的锅炉机组燃烧系统数据与协方差滤波误差矩阵进行递归运算,求解各参数。利用求解参数不断进行更新校正锅炉机组燃烧系统数据,实现采集数据的滤波处理。
1.2 350MW循环流化床锅炉机组燃烧系统建模
利用滤波处理后的数据,需要通过系统辨识原理构建350MW循环流化床锅炉机组燃烧系统模型。分别构建烟气含氧量系统模型、炉膛负压系统模型以及主汽压系统模型。再通过烟气含氧量、煤量、送风量等参数数据,应用MATLAB软件,基于粒子群算法对烟气含氧量系统实施系统辨识,获取系统辨识效果曲线完成构建系统模型。构建的烟气含氧量系统模型包括氧量与煤量的数学模型以及氧量与风量的数学模型。
其中,氧量与煤量的数学模型为:
式中:p是辨识自变量。
氧量与风量的数学模型为:
利用炉膛负压、引风量以及送风量数据,通过粒子群算法对炉膛负压系统实施系统辨识,获取系统辨识效果曲线,构建系统模型。模型包括两种,其中负压与送风量之间的传递函数为:
负压与引风量之间的传递函数为:
利用燃料量、主汽压数据,应用MATLAB软件,通过粒子群算法对主汽压系统实施系统辨识,获取系统辨识效果曲线,构建其系统模型。
构建的主汽压系统模型为:
综上,完成350MW循环流化床锅炉机组燃烧系统的建模工作。
1.3 负荷动态优化控制
基于遗传算法与人工神经网络构建350MW循环流化床锅炉机组燃烧系统模型的负荷优化控制模型,实现锅炉机组的负荷动态优化控制。构建负荷优化控制模型的步骤具体包括7个方面。
(1)根据350MW循环流化床锅炉机组燃烧系统模型确定BP网络模型的实际结构。
(2)对350MW循环流化床锅炉机组负荷数据实施归一化处理,具体为:
式中:x是350MW循环流化床锅炉机组负荷数据;xmin是x的最小值;xmax是x的最大值。
(3)根据BP网络模型与模型的阈值和权值确定遗传算法的变异概率数值、交叉概率数值以及初始种群规模。
(4)对种群实施编码处理,采用的编码方法为二进制方法。将期望的负荷动态优化控制数据与预测的负荷动态优化控制数据之间的误差当做适应度函数。
(5)循环执行遗传算法中的3种操作,以产生新的群体计算适应度操作,直至迭代次数达到最大,获取最优的初始阈值与初始权值。
(6)实施解码操作,将上一个步骤获得的数据向BP网络模型赋值。
(7)使用机组的历史负荷数据作为模型的训练数据,训练BP网络模型,完成负荷优化控制模型的构建。在训练过程中对模型输出的数据实施反归一化处理,并分析负荷优化控制期望数据与负荷优化控制预测数据间的误差,改进负荷优化控制模型。
2 实验测试
350MW循环流化床锅炉机组主要采用3个参数衡量其负荷的可靠性:(1)锅炉机组的非计划停运次数,该参数主要说明在一定的时间段内,整个机组在运行过程中因各类原因而导致的停运次数;(2)非计划停运小时数,其是指锅炉机组保持停运状态的时长;(3)机组长时间安全运行的小时数。
2.1 实验流程
对于设计的350MW循环流化床锅炉机组负荷动态优化控制方法,利用其对某350MW循环流化床锅炉机组实施负荷动态优化控制,观察其优化控制效果。实验循环流化床锅炉机组为四缸四排汽机组,运行方式为机炉协调控制方式,在负荷动态优化控制中,首先,收集其烟气含氧量、煤量、送风量、燃料量、主汽压、炉膛负压、引风量等数据,再实施数据滤波处理,处理后的数据如表2所示。其次,通过系统辨识获取烟气含氧量系统、炉膛负压系统以及主汽压系统的辨识效果曲线构建三者的系统模型。最后,通过负荷优化控制模型对实验机组实施负荷动态优化控制。在构建负荷优化控制模型时,确定的BP网络模型的实际结构具体为:99个隐节点,8个输出节点,52个输入节点。确定的遗传算法参数具体为:变异概率数值为0.50,交叉概率数值为0.25,初始种群规模为50。
测试设计方法负荷动态优化控制后的锅炉效率,其中,锅炉效率主要通过反平衡的方式,根据灰渣物理热损失、排烟热损失等参数进行计算。在测试中,将基于和利时DCS的方法与基于BP/RBF神经网络和模糊规则耦合的方法作为实验中的对比测试方法,分别用方法1、方法2表示。
2.2 锅炉效率测试结果
测试设计方法与方法1、方法2运行后实验锅炉机组的锅炉效率,测试结果如图1所示。根据图1的测试结果,设计方法运行后,实验锅炉机组的锅炉效率较高,整体高于91%。而方法1、方法2运行后,实验锅炉机组的锅炉效率均低于设计方法,整体低于85%,说明设计方法的负荷优化控制效果较好。
3 结语
随着循环流化床锅炉机组的应用范围越来越广,尤其是350MW循环流化床锅炉机组这种大型机组,在电力行业已得到大规模的应用。在此背景下,本文研究设计的350MW循环流化床锅炉机组负荷动态优化控制方法,提高了大型循环流化床锅炉机组的锅炉工况效率,对于大型燃煤发电机组的发展具有较大的实际应用价值,能促进燃煤电厂的节能减排以及推动清洁能源的发展。
文献信息
马新喜.350 MW循环流化床锅炉机组负荷动态优化控制方法[J].自动化应用,2023,64(14):60-62+73.
ChatCFB(循环流化床锅炉技术问答)正式上线,欢迎反馈意见
工作地点:山西太原
一流平台、奖酬优厚,重点项目、单独培养
欢迎投递简历!
往期关注
1.《中国循环流化床发电》杂志及微信公众号致力于先进技术的推广和普及,原创文章欢迎引用;
2.技术信息仅供学术交流请勿用于商业目的,技术资料的著作权归属原作者所有;
3.学术问题可通过“CFB机组技术交流协作网”QQ群深入探讨,目前群内用户1500人,群号码185643808;
4.投稿及咨询事宜欢迎致信主编信箱xhlhcfd@163.com。