（青海黄河上游水电开发有限责任公司西宁发电分公司 青海省西宁市 810000）
摘要：锅炉燃烧受多种随机因素影响，难以用机理数学模型实现多工况的自动控制，随着人工智能和先进控制算法的应用，基于燃烧运行数据以及试验优化调整，可以实现智能燃烧自动控制。本文开发了智能燃烧优化控制系统，以燃烧优化调整试验为基础，以智能算法和人工神经网络为核心，建立了智能燃烧优化系统。首次实现了一次风压、运行氧量、各层二次风门的智能优化控制，大幅提高了电厂的自动化水平，提高锅炉燃烧安全稳定性和经济性。
关键词：燃烧优化；智能控制；二次风门；节能降耗
受制于煤炭价格的上涨以及环保指标的日益严格，火力发电节能减排仍是目前急需解决的问题。通过不断优化调整机组运行参数，可以有效地提高机组的经济性和安全性。降低NOx生成、提高机组节能潜力，实现节能降耗[1,2]。锅炉燃烧优化调整是机组性能指标提高的一个重要方面，但是由于其受制于多种随机因素影响，例如煤质、负荷、海拔、环境温度、氧量等参数，燃烧室一个复杂的过程，难以用机理数学模型实现多工况的自动控制。另一方面，由于其机理复杂，运行人员往往依靠自身的工作经验进行操作或设定，控制效果不理想。综上所述，自动控制仍是一个工作难点，实现燃烧自动控制[3-5]不仅保证了机组的经济性、燃烧稳定性等，同时也减轻了运行人员的工作量，减少了误操作次数，对机组的安全性也有很好的保证。
随着人工智能技术的快速发展，神经网络算法、粒子群寻优、模糊控制算法等高级算法逐步在火电行业推广应用，为智能优化控制系统的搭建提供了手段。通过应用先进的控制算法，可以实现火电机组燃烧的在线优化和自动控制，提高机组运行的经济性和安全性。本文开发了智能燃烧优化控制系统并实现连续稳定运行，智能燃烧优化控制系统首次实现了一次风压、运行氧量、各层二次风门的智能优化控制，大幅提高了电厂的自动化水平，弥补新建电厂运行人员操作经验和高原地区锅炉燃烧运行经验的严重缺乏问题，提高锅炉燃烧安全稳定性和经济性，降低污染物排放，在保障安全和环保需求的前提下实现最优效率燃烧控制，降低发电能耗。
1 智能燃烧优化控制原理概述
如图1所示，燃烧优化系统以燃烧优化调整试验为基础，根据锅炉燃烧的物理特性和燃烧优化调整专家的专业意见和经验，采用智能算法和人工神经网络为核心，建立机组智能燃烧优化系统。
图1 燃烧优化系统原理简图
系统的软件结构大概可以用如下的示意图来表示。运行人员输入的煤质特性和相关系统参数作为训练好的神经网络模型的已知输入，PSO优化算法优化控制指令和优化目标并最终得到满足优化目标的最优控制目标输出向量，并形成控制目标，输出至DCS系统。
图2 燃烧优化系统程序模块流程图
由于系统的燃烧特性的精确评估往往需精确的实验测点和所投入煤质的元素分析，无法从现场表计中全部获得，因此，锅炉燃烧优化试验的结果作为多个原始样本，是形成智能人工神经网络的初始根据。系统在运行过程中不断根据预设的样本采集系统模块，收集满足要求的实测数据向量作为学习样本并进行存储，在样本更新至一定的程度后自动启动自学习模块，更新用于控制的神经网络。
2 特异型燃烧优化神经网络
根据高海拔四角切圆锅炉的特点，经过反复的研究和改进，开发出了如图3的前向特异型神经网络结构，其中除输入和输出层外，其余层神经元数量按1来画图，以更加清楚地展示模型的结构。影响锅炉燃烧性能的因素通过前期试验数据进行了与炉效之间的相关性分析，选择相关性比较明显的因素作为模型的输入，包括：各层燃烧器的燃料量、一次风量、二次风门开度、燃尽风门开度、一次风压、炉膛-风箱差压、总燃料量、一次风煤比、负荷、氧量等。
该网络模型中输入层的下一层神经元并未按经典前向神经网络结构进行布置，而是将相关性极强的输入参数分组，删除组间输入与输出的联系，降低模型的复杂度的同时，使模型天然具有突出主要影响因素的能力。A、B、C、D、E、F六组燃烧器各自成组，其第二层神经元接收燃料量、一次风、二次风门开度等输入进行计算，各自的输入与全局参数氧量、负荷等一并输入至全局中间层网络神经元，最终生成锅炉性能的计算输出。因此对于各燃烧器的输入参数来说，该模型为4层网络，而对于负荷、氧量等全局参数来说该模型为3层神经网络。每组燃烧器神经网络输出在输送到下一层神经元之前与该燃烧器的燃料量占比相乘，这样的结构等价于表示该燃烧器输入对最终模型输出的影响除固定在网络内的权值外，还需要采用该燃烧器的燃料量进行加权。这意味着这样的神经网络结构在该组燃烧器没有出力的时候，该燃烧器对应的煤质参数和一次风煤比等信息对其它燃烧器和其它参数的影响被屏蔽了，这也符合锅炉的实际特性。
燃烧优化自动控制系统采用基于PSO的神经网络训练方法，所有待训练权值和偏置参数构成PSO寻优的目标向量，以全部训练样本的实测输出与样本的网络输出的偏差建立PSO寻优的目标函数。采用离子群在求解解空间内进行智能寻优，寻找取得对应最小样本偏差的网络结构参数，训练过程如图4。
图3 燃烧优化神经网络结构示意图
图4 特异型神经网络训练流程图
3 控制系统通讯配置及调试
3.1控制系统通讯配置
智能燃烧优化控制系统PLC及通讯卡安装在电子间的机柜中，通过232通讯电缆或485通讯电缆与DCS系统的通讯卡相连接，连接方式如下：
图5 燃烧优化控制系统与DCS通讯方式
其中PLC一侧为通讯从站，DCS一侧为主站，通讯协议为MODBUS，在DCS侧组态中用功能块实现通讯的控制，完成数据和指令的交互。
3.2控制系统调试
图6为燃烧优化控制系统DCS侧相关自动回路投入自动运行之后的截图，通过智能燃烧优化控制系统在线调试及投运，实现了锅炉燃烧自动控制及自动调节优化，提高了电厂运行整体自动化投入率，确保操作人员把更多精力投入到一些更重要的运行决策中。
图6 智能燃烧优化控制系统自动投入截图
4 智能控制系统优化结果
智能燃烧优化系统投运之后，机组给煤量较投运前明显下降，如图7所示：
图7 智能燃烧优化系统投入前后节能效果对比
实施一次风压自动调节优化可以维持最大热风门开度始终在50%-60%区间，既保证了热一次风门的调节裕度，又不至于使热一次风门关太小，降低了热一次风的节流损失。
图8 一次风压回路投入前后对比
上层燃尽风、下层燃尽风和FF层二次风等风门自动调节对SCR入口NOx生成浓度的影响明显：
图9 燃尽风自动回路投入对NOx生成的影响
智能燃烧优化投运后电子间PLC系统监视画面如下图所示，炉膛风箱差压和NOx生成浓度控制良好。
图10 智能燃烧优化系统监控画面
5 结论
本文开展智能燃烧优化控制技术研究，首次实现了一次风压、运行氧量、各层二次风门的智能优化控制，大幅提高了电厂的自动化水平，弥补新建电厂运行人员操作经验和高原地区锅炉燃烧运行经验的严重缺乏问题。投运前后的对比效果明显，智能燃烧优化控制系统的投运使给煤量大幅下降，折合标准煤耗降低约2.2g/kWh；投运期间屏过未出现过壁温超温；NOx生成浓度随负荷与煤质变化时实现了智能的NOx超排配风抑制；一次风压控制使最大热风门开度始终保持在50-60%之间，既保证了升负荷时一次风粉的快速调节能力和预防堵管的保障能力，同时也避免了一次风机不必要的电耗损失。提高锅炉燃烧安全稳定性和经济性，降低污染物排放，在保障安全和环保需求的前提下实现最优效率燃烧控制，降低发电能耗。
智能燃烧优化控制系统首次实现了一次风压、运行氧量、各层二次风门的智能优化控制，大幅提高了电厂的自动化水平，弥补新建电厂运行人员操作经验和高原地区锅炉燃烧运行经验的严重缺乏问题，提高锅炉燃烧安全稳定性和经济性，降低污染物排放，在保障安全和环保需求的前提下实现最优效率燃烧控制，降低发电能耗。
参考文献
[1]李永华,刘长良,陶哲.火电厂锅炉系统及优化运行[M].中国电力出版社,2011.
[2]周建新,樊征兵,司风琪,徐治皋.电站锅炉燃烧优化技术研究发展综述[J].锅炉技术,2008(05):33-36+42.
[3]薛荣波.600MW机组锅炉智能燃烧优化控制系统的开发和应用[J].科技展望,2015,25(14):172.
[4]高海东,高林,樊皓亮,王林,侯玉婷.火电机组实用智能优化控制技术[J].热力发电,2017,46(12):1-5.
[5]田建勇,郭涛.智能燃烧优化系统的研究与应用[J].电力安全技术,2017,19(07):36-39.
[6]李忠虎,王俊伟,李银琪.220t/h煤气锅炉控制方案的优化[J].化工自动化及仪表,2012,39(03):370-372+415.
论文作者:王兴武
论文发表刊物:《电力设备》2018年第17期
论文发表时间:2018/11/13
标签：智能论文; 神经网络论文; 风门论文; 锅炉论文; 控制系统论文; 机组论文; 风压论文; 《电力设备》2018年第17期论文;