锅炉混煤掺烧的飞灰含碳量预测与运行优化_温文杰

30 锅炉混煤掺烧的飞灰含碳量 预测与运行优化 温文杰 马晓茜 刘 翱 华南理工大学电力学院 广东 广州 510640 摘 要 在对某电厂锅炉混煤掺烧的飞灰含碳量特性进行多工况热态测试的基础上 应用人工 神经网络的非线性动力学特性及自学习特性 建立了飞灰含碳量特性的神经网络模型 检验样本的预测值与实测值的相对误差分别为 1 14 1 19 和 2 45 证实了该模 型的可行性 将锅炉运行调节参数作为优化目标函数的自变量结合全局最优的遗传算 法 针对无印尼煤掺烧 1 台磨煤机掺烧和 2 台磨煤机掺烧 3 种工况进行了寻优并获得 了最佳操作参数 飞灰含碳量分别由原来的 2 25 1 96 和 1 08 降至 1 87 1 69 和 0 73 表明印尼煤的掺烧有助于降低飞灰含碳量 提高锅炉效率 同时 也 对掺烧印尼煤工况下磨煤机或者磨煤机组合的选择进行了寻优 结果表明用 B C 磨煤 机进行掺烧为最佳方案 关 键 词 锅炉 飞灰含碳量 遗传算法 印尼煤 混煤掺烧 磨煤机 中图分类号 TK223 7 2 文献标识码 A 文 章 编 号 1002 3364 2010 03 0030 06 DOI 编 号 10 3969 j issn 1002 3364 2010 03 030 PREDICTION OF UNBURNED CARBON CONTENT IN FLY ASH AND OPERATION OPTIMIZATION FOR MIXEDLY BURNING BLENDED COAL IN BOILERS WEN Wen jie MA Xiao qian LIU Ao College of Electric Power South China University of Science and Engineering Guangzhou 510640 Guangdong Province PRC Abstract On the basis of hot state tests under many operating conditions for investigating the charac ters of unburned carbon in fly ash of boilers for mixedly burning blended coal a neural network model has been established by using the nonlinear dynamics and self learning characters of the artificial neural network The relative error between predicted value and measured value are 1 4 1 19 and 2 45 respectively comfirming the feasibility of said model Taking the adjustment parameters in boiler oper ation as independent variables of the target function for optimization and combining with the genetic algorithm in overall situations directing against three typical operating conditions namely blending In donisian coal in 0 1 and 2 mills the optimal operating parameters have been found and obtained the unburned carbon content in fly ash has decreased from original 2 25 1 96 and 1 08 to 1 87 1 69 and 0 73 respectively It shows that the mixedly burbing of Indonisian coal is help 作者简介 温文杰 1985 男 广东清远人 华南理工大学硕士研究生 研读方向为高效低污染燃烧 E mail wwj850212 163 com 31 ful to decrease the unburned carbon content in fly ash enhancing the boiler efficiency Key words boiler unburned carbon content in fly ash genetic algorithm Indonisian coal mixedly burn ing of blended coal mills 飞灰含碳量是影响锅炉热效率的一个重要因素 但飞灰含碳量受煤种 锅炉设计结构 运行参数等多种 因素影响 其难以采用简单的公式进行计算 国内外 有较多关于飞灰含碳量预测的研究 通过对影响飞灰 含碳量主要因素的讨论 提出了利用 BP 神经网络对 特定机组的飞灰含碳量进行短期预测的一种实用模 型 1 2 基于支持向量机 建立了大型电厂锅炉飞灰含 量碳预测模型 3 借助于正交试验设计 对某台 200 MW 机组燃煤锅炉飞灰含碳量特性进行了多工况热 态测试 采用基于 LM 算法的 BP 神经网络 建立了飞 灰含碳量软测量模型 4 本文在对某电厂 700 MW 机组锅炉燃煤掺烧的 飞灰含碳量特性进行多工况热态测试的基础上 建立 了大型电站燃煤锅炉飞灰含碳量特性的神经网络模 型 并对该模型进行了校验 同时 结合遗传算法对燃 煤掺烧工况进行了全局寻优和改变磨煤机掺烧的组合 方式 以探求磨煤机掺烧的组合方式对飞灰含碳量的 影响 从而为通过燃烧调整提高锅炉燃煤掺烧的燃烧 效率提供有效手段 1 飞灰含碳量预测模型 除锅炉结构设计之外 锅炉的运行参数如锅炉负 荷 磨煤机一次风总量 各二次风挡板开度 燃尽风挡 板开度 煤种特性及各磨煤机给煤量 炉膛与风箱差压 和一次风总风压等对燃煤锅炉的飞灰含碳量均有影 响 而这些影响参数无具体公式能够进行计算 因此 本文采用 BP 神经网络对飞灰含碳量进行建模预测 1 1 研究对象 1 台 700 MW 机组的 MB FRR型亚临界参数 中 间再热 强制循环 单炉膛 悬吊式燃煤锅炉 其额定蒸 发量为 2 290 t h 炉膛尺寸为 21 463 mm 18 605 mm 设计燃用神府东胜煤和进口煤 配置 6 台直接加 压式三菱立式 MVM25R 型磨煤机 为摆角式四角切 圆燃烧系统 共 6 层一次风喷口与二次风喷口间隔布 置 二次风层由下至上分别为 AA 层 AB 层 BC 层 CD 层 DE 层 EF 层 最顶层一次风喷口上有 4 层燃 尽风 OFA 喷口 分别为 OFA A 2 个喷口 OFA B OFA C 锅炉结构及燃烧系统见图 1 图 1 锅炉结构及燃烧系统 1 2 模型输入参数的确定 本模型中采用传统的由输入层 隐含层和输出层 组成的 3 层 BP 神经网络 隐含层中的神经元通常采 用 sigmoid 函数即 f x 1 1 e x 输出层采用纯 线性变换函数 学习算法可以概括为反复进行前向计 算 反向计算 修正权值的过程 当信息输入时 输入 信号从输入层经隐含层传向输出层 若在输出层未得 到期望的输出值则反向传输 且误差信号沿原来的联 接通路返回 通过修改各神经元之间的联系权重使误 差减小 经过连续迭代 直至达到满意的误差范围 5 6 燃煤锅炉飞灰含碳量受到如煤种 运行参数和锅 炉设计 制造 安装等因素的影响 如果将锅炉考虑为 32 黑箱模型 由于运行锅炉的设计和安装参数均已确定 因此将影响飞灰含碳量的运行参数 锅炉负荷 磨煤机 一次风总量 各二次风挡板开度 燃尽风挡板开度 各 磨煤机给煤量和炉膛与风箱差压等 作为模型的输入 量 飞灰含碳量作为模型的输出量 7 8 锅炉运行参数 均从机组 DCS 中获得 本模型共采集 30 组工况数据 部分节选数据见表 1 表 2 表 1 中印尼煤与国产煤掺 烧比例有 0 5 1 4 2 3 和 3 2 表 2 中国产煤不 单指某具体国产煤 试验过程中有些工况采取在不同磨煤机投用不同 煤种进行掺烧 典型国产煤和印尼煤的煤质特性见表 3 1 3 神经网络训练和结果分析 选用 39 个输入节点 1 个输出节点 20 个隐节点 的 3 层 BP 神经网络结构 训练函数为 traingdx 取表 1 表 2 中工况 1 27 对应的样本数据来训练神经网 络 从而建立锅炉运行参数和飞灰含碳量关系的神经 网络数学模型 工况 28 30 用来检验神经网络的准 确度 训练过程见图 2 训练的具体结果见图 3 表 4 由图 3 可见 神经 网络的模拟值与实测值吻合很好 表 4 中 神经网络 用于检验的样本其绝对误差最大不超过 0 05 相对误 差最大为 2 45 平均相对误差为 1 57 表 1 现场热态试验工况表 工况负荷 MW 磨煤机一次风 总量 t h 1 燃尽风门开度 二次风门开度 CABBCCDDEEF 差压 kPa 1700430 18090 590 341 240 339 81 47 268042479 692 691 739 840 538 31 36 3630428 176 579 88027 62827 71 27 4660453 78081813030301 4 567043379 772 172 222 122221 36 6670431 28074 87524 323 823 61 39 7670445 178 972 572 421 72221 81 36 8670447 179 472 772 422 621 521 61 39 965043576 883 78432 232 232 61 31 10650437 576 686 38634 734 7351 27 11630426 376 883 78331 531 130 31 28 12620441 773 785 985 732 532 832 81 2 13622441 274 7868632 933 633 11 22 14660437 778 272 572 822 422 722 21 34 1561042874 181 981 228 329281 23 16680428 879 492 192 142 342421 39 1768042979 191 190 439 84039 91 38 18660439 278 173 572 622 42222 21 33 19680434 978 776 4772726 726 31 4 207004318086 787 136 736 436 91 42 21690429 78090 691 341 841 440 81 45 22690437 478 989 589 438 639 839 61 42 23700437 98080 28030 33030 11 46 24660424 678 981 280 930 230 130 11 34 257004268081 780 930 831 430 11 46 26630416 175 877 97926 726 426 61 26 27640434 276 881 481 529 930 531 11 29 28660427 778 99190 840 639 4401 38 29660449 779 380803030301 37 30640435 477 18786 734 534 234 11 27 33 表 2 现场热态试验工况表 工况 各磨煤机给煤量 t h 1各磨煤机掺烧煤种 BCDEFBCDEF 飞灰含碳量 锅炉效率 150 750 550 950 450 3国产煤国产煤国产煤国产煤国产煤3 3794 47 248 348 548 447 648 1国产煤国产煤国产煤国产煤国产煤3 3694 54 349 148 949 450 350 6国产煤国产煤国产煤国产煤国产煤1 7794 41 456 857 156 957 557 5国产煤印尼煤国产煤国产煤国产煤2 8793 63 551 251 150 95150 5国产煤国产煤国产煤国产煤国产煤1 7394 17 651 351 751 751 551 5国产煤国产煤国产煤国产煤国产煤2 3594 02 752 350 752 453 453 9国产煤印尼煤国产煤国产煤国产煤1 6294 13 852 45253 353 453 4国产煤印尼煤国产煤国产煤国产煤1 5494 04 952 452 252 852 452 3国产煤印尼煤印尼煤国产煤国产煤1 0893 8 1052 752 653 553 453 2国产煤印尼煤印尼煤国产煤国产煤1 5393 85 1149 747 849 950 250 2国产煤国产煤国产煤国产煤国产煤1 3494 59 1254 555 355 555 354 8印尼煤印尼煤国产煤国产煤国产煤1 5594 06 1354 654 855 455 253 3印尼煤印尼煤国产煤国产煤国产煤1 1793 97 1453 853 153 65352 4国产煤印尼煤印尼煤国产煤国产煤2 8194 35 1549 750 950 25050 1国产煤国产煤印尼煤印尼煤国产煤1 0294 34 1651 151 150 849 149 4国产煤国产煤国产煤国产煤国产煤4 5194 7 1750 750 850 549 349 4国产煤国产煤国产煤国产煤国产煤4 5694 86 1853 353 252 752 553 3国产煤印尼煤印尼煤国产煤国产煤4 1894 44 1950 650 650 450 950 8国产煤国产煤国产煤国产煤国产煤1 1294 59 2051 151 751 851 849 4国产煤国产煤国产煤国产煤国产煤1 4894 67 2149 549 950 149 549国产煤国产煤国产煤国产煤国产煤1 3293 83 2250 150 350 350 450 9印尼煤印尼煤国产煤国产煤国产煤1 1194 38 2352 953 452 752 853 1国产煤国产煤国产煤国产煤国产煤1 0594 67 2449 949 549 848 747 1国产煤国产煤国产煤国产煤国产煤1 3294 48 2548 648 348 148 648 6国产煤国产煤国产煤国产煤国产煤4 0294 57 2645 545 745 545 745 6国产煤国产煤国产煤国产煤国产煤2 1694 73 2751 751 551 651 850 2国产煤印尼煤国产煤国产煤国产煤1 9694 09 2848 749 348 749 749国产煤国产煤国产煤国产煤国产煤1 3493 72 295656 856 756 556 6国产煤印尼煤国产煤国产煤国产煤2 3993 8 3052 552 152 152 551国产煤印尼煤国产煤国产煤国产煤1 9993 75 表 3 典型国产煤与印尼煤煤质特性 煤种特性Car Har Oar Nar Var Qner ar kJ kg 1 国产煤 设计煤 60 333 629 940 7027 3322 760 神华煤63 43 338 440 9639 6924 190 兖州煤63 54 138 011 0331 1724 540 印尼煤53 893 7515 200 6042 5318 990 图 2 神经网络训练过程 34 图 3 神经网络预测值与真实值比较 表 4 飞灰含碳量实测值与模型输出值比较 项目 工况 282930 实测值1 342 391 99 模拟值1 355 32 418 41 941 2 绝对误差0 015 30 028 40 048 8 相对误差1 141 192 45 2 基于遗传算法的飞灰含碳量寻优 基于 BP 神经网络的飞灰含碳量特性模型 结合 全局寻优算法 以锅炉的运行调节参数为优化目标函 数的自变量 飞灰含碳量作为寻优目标 采用遗传算法 GA 作为优化算法 可获得某个具体工况下的最佳操 作参数 由于遗传算法寻优时不要求目标函数具有明确的 数学表达式或导数等信息 只要求优化目标是可计算 的 因此本文将基于 BP 神经网络的飞灰含碳量特性 模型作为寻优目标函数 同时 锅炉实际运行中影响 飞灰含碳量的可调节参数主要是磨煤机一次总风量 各二次风挡板开度 燃尽风挡板开度和炉膛与风箱差 压 9 因此在对某些具体工况进行优化时假定负荷 给 煤量 煤种和一次风总风压为定值 且由于 AA 二次风 挡板的开度固定为 80 仅将其它二次风挡板开度 磨煤机一次风总量 燃尽风挡板开度和炉膛与风箱差 压 4 个参数作为优化函数的自变量 考虑到运行安全 以及操作习惯 将 EF DE DC 风挡板的开度变化范围 取为 20 45 CB BA 风挡板的开度变化范围取 为 70 95 燃尽风挡板开度变化范围取为 70 80 优化方法是在已建立的神经网络模型基础上结合 锅炉试验 分别对工况 6 工况 9 和工况 16 进行寻优 得出该工况下的最佳运行参数 以工况 9 和工况 16 为基础 对采用不同燃烧层磨煤机和不同燃烧层磨煤 机组合进行燃煤掺烧对飞灰含碳量的影响分别进行寻 优 得出最佳的磨煤机掺烧组合方式 其寻优过程和结 果见图 4 和表 5 表 6 图 4 遗传算法寻优轨迹 表 5 遗传算法优化前后比较 掺烧磨煤机 磨煤机一次风 总量 t h 1 二次风挡板开度 ABBCCDDEEF 燃尽风挡板 开度 差压 kPa飞灰含碳量 无 优化前431 274 87524 323 823 6801 392 25 优化后458 478 69577 241 49229 20832 25978 2771 341 87 C 优化前434 281 481 529 930 531 176 81 291 96 优化后443 785 386 830 326 135 278 41 381 69 C 和 D 优化前435 083 78432 232 232 676 81 311 08 优化后441 0693 75292 17631 25431 79330 23575 2981 340 73 表 6 掺烧优化结果 项目优化前优化后优化前优化后 掺烧磨煤机CBCDC 和 DB和 CC 和 DD 和 E 飞灰含碳量 1 960 821 691 741 080 650 741 18 35 选取工况 6 工况 9 工况 16 进行优化 其分别代 表无印尼煤掺混 C 磨煤机掺混印尼煤 C 和 D 磨煤机 掺混印尼煤 3 种典型工况 通过对磨煤机一次风总 量 二次风挡板和燃尽风挡板的开度 炉膛差压进行调 整 其飞灰含碳量分别由 2 25 1 96 和 1 08 降 至 1 87 1 69 和 0 73 由表 5可见 3 种工况优化后的磨煤机一次风总 量都比优化前要高 各二次风挡板开度有增有减 其总 体开度增大 二次风量增加 一次风量和二次风量的 增加使得煤粉在锅炉内燃烧时其过量空气系数增大 过量空气系数的增大使得煤粉在锅炉中的燃烧越充 分 从而使其飞灰含碳量相对降低 值得注意的是 风 量的增加也会导致炉膛温度的降低 因此风量也不能 过分增大 10 有印尼煤掺烧的工况无论是优化前还 是优化后 其飞灰含碳量均较未掺烧印尼煤的低 并且 2 台磨煤机掺烧印尼煤的飞灰含碳量比 1 台磨煤机掺 烧印尼煤的要低 这是因为 印尼煤的挥发分比国产 煤高 易于燃烧 印尼煤的热值相对国产煤较低 采用 较大比例的印尼煤掺混不仅不会对燃烧有利 反而会 由于锅炉温度的下降而降低锅炉效率 实际运行中 印尼煤掺混比例也仅为 1 5 或者 2 5 因此 可以得 出采用适当印尼煤进行掺烧 有助于降低飞灰含碳量 减少锅炉的不完全燃烧损失 提高锅炉效率 由表 6 可见 采用 1 台磨煤机掺烧印尼煤的情况 下 B 磨煤机掺烧的结果优于 C 和 D 磨煤机 C 磨煤机 的掺烧结果优于 D 磨煤机 采用 2 台磨煤机掺烧的情 况下 采用 B 与 C 磨煤机组合与采用C 与 D 磨煤机或 D 与 E 磨煤机组合相比其飞灰含碳量为最低 这是由 于印尼煤相对国产煤其挥发分较高 将其投入位置相 对较低燃烧层的 B 层和 C 层 有助于燃煤的充分燃 烧 若将其投入位置相对较高燃烧层的 D 层 E 层 F 层 挥发分较低的国产煤在主燃烧区 不利于煤粉在锅 炉内的充分燃烧 从而使得飞灰含碳量增大 因此 针 对某电厂 700 MW 机组在选用单磨煤机或者多磨煤 机组合进行印尼煤掺烧时 建议采用 B 和 C 磨煤机进 行掺烧 可获得较低的飞灰含碳量 提高锅炉效率 3 结 论 1 在对某电厂 700 MW 机组锅炉燃煤掺烧进行 多工况实炉热态测试的基础上 建立了该炉飞灰含碳 量特性的 BP 神经网络模型 检验样本的平均相对误 差为 1 57 最大相对误差为 2 45 表明该模型能 根据燃煤特性及各种