一种燃煤电站锅炉燃烧优化方法及控制系统

技术领域

本发明涉及电站锅炉运行控制技术领域，尤其是涉及一种燃煤电站锅炉燃烧优化方法及控制系统。

背景技术

当前燃煤电厂面临煤炭市场、电力市场、碳市场的多重影响，外部因素复杂多变。燃煤电厂在生产成本、污染物控制、电网要求等方面的压力日益上升，对电厂的要求更高、更新。“优存劣汰”将是煤电行业面临的长期挑战。

燃煤电站锅炉燃烧优化是一种高效、低成本的锅炉节能减排手段，锅炉效率提高1％，供电煤耗约降低1％，其减少的碳排放亦十分可观。因此，开展锅炉燃烧优化研究，最大限度挖掘锅炉的节能环保潜力，使其适应深度调峰、煤质变化、负荷波动等运行环境，具有明显的经济效益和社会效益，对提高电厂的竞争能力具有重要的意义。

但目前的燃煤电站锅炉燃烧优化主要存在以下困难：

1)锅炉燃烧机理建模复杂，涉及到各种复杂的化学反应和物理现象，过程影响变量多，涉及工艺条件、设备性能、燃料性质、外在环境等多种因素。通过建立复杂过程的精确机理模型来优化运行非常困难。

2)燃煤电站锅炉基础运行参数如入炉煤质、飞灰含碳量等在线测量装置和技术普遍存在投资高、寿命短、可靠性差等不足。

3)燃煤电站锅炉燃烧优化需要综合考虑锅炉效率、污染物排放、高温受热面热偏差及炉内壁温、锅炉安全运行条件等多因素。

4)如何应对外部输入因素如锅炉负荷、入炉煤煤质等快速变化产生的即时优化。

针对这些问题，设备制造商、科研企业、高校等机构也开展了许多尝试。

超(超)临界燃煤机组运行性能整体优化及控制，吕晓东，上海明华电力技术工程有限公司，该科技成果采用试验研究并结合在控制系统中部署优化模型的解决方案。但其一方面调整试验的结果都是在特定边界如特定煤质条件下得出、不具有普适性。另一方面实际运行中锅炉负荷和运行方式经常变化，其优化工况也会随之变化，这种解决方案难以满足应对外部输入输出因素变化产生的即时优化需求，节能降耗空间未能充分挖掘。

中国专利申请号202210246389.2涉及了一种用于燃煤电站锅炉的智慧燃烧优化控制系统及方法，该方法从机组运行历史数据及试验数据中采用BP神经网络物理模型耦合遗传算法得出不同工况下的燃烧参数最优输出集，对燃煤电站锅炉的智慧燃烧进行合理调控；但是该方法一方面需要大量的高数据质量学习样本，也未解决入炉煤质、飞灰含碳量等在线测量数据问题；另一方面采用BP神经网络等机器学习方法存在泛化能力差，在煤质、锅炉运行方式等边界条件发生大的变化后预测效果较差；

中国专利申请号201410219420.9涉及了一种用于煤质多变情况下优化锅炉运行的方法，该方法在对某燃煤锅炉进行性能试验的基础上，得到该锅炉在一定负荷下的燃烧某煤种的关键性能参数；根据试验数据对同工况下的锅炉炉膛来进行CFD模拟并建立模型来预测并指导锅炉优化运行；但是该方法所涉及的CFD锅炉燃烧数值模拟对算力要求高，针对不同类型的燃煤电站锅炉每个计算工况需要耗时较长(数天)，且每个CFD模型的模拟精度需要性能试验准确结果去校核，而性能试验没法涵盖锅炉运行的所有工况，CFD模型的泛化能力必然较差，该方法也未解决入炉煤质、飞灰含碳量等在线测量数据问题。

发明内容

本发明的目的是克服上述现有技术存在的缺陷而提供一种燃煤电站锅炉燃烧优化方法及控制系统。

本发明的目的可以通过以下技术方案来实现：

作为本发明的第一方面，提供一种燃煤电站锅炉燃烧优化方法，所述方法步骤包括：

融合锅炉热力计算与机器学习建模及试验建立用于预测锅炉的输入条件发生变化时锅炉的输出的锅炉燃烧变工况模型，所预测锅炉的输出包括锅炉的运行参数、锅炉效率以及氮氧化物NOx排放；

根据所建立的锅炉燃烧变工况模型，基于锅炉运行历史数据计算获得学习样本；

基于学习样本建立并训练基于神经网络模型的快速锅炉热力计算模型；

通过集散控制系统DCS读取实时运行数据，基于快速锅炉热力计算模型计算得出各运行方式不同水平对锅炉效率、氮氧化物NOx排放的影响；

基于快速锅炉热力计算模型计算结果，以降低机组供电煤耗和降低氮氧化物NOx的排放量为锅炉燃烧运行优化的目标，得到最终的优化运行方式。

进一步的，所述融合锅炉热力计算与机器学习建模及试验建立的锅炉燃烧变工况模型包括：

基于锅炉结构参数建立的基于热力校核方法的整体热力计算模型；

根据电厂历史飞灰含碳量化验数据建立的神经网络飞灰含碳量预测模型；

根据电厂历史炉渣含碳量化验数据建立的神经网络炉渣含碳量预测模型；

根据电厂历史锅炉一氧化碳CO排放数据建立的神经网络CO预测模型；

根据电厂历史锅炉氮氧化物NOx排放数据建立的神经网络氮氧化物NOx预测模型。

进一步的，所述锅炉燃烧变工况模型还包括：

根据电厂历史性能试验数据建立的空气预热器漏风率计算模型；

根据磨煤机系统能量平衡和质量平衡原理，建立的入炉煤水分计算模型；

根据物质平衡、能量平衡和煤燃烧化学分析原理，建立的煤燃烧产物和输入元素的关系方程组；

根据电厂历史主要辅机电流变化数据建立主要辅机电流预测模型。

进一步的，根据所述快速锅炉热力计算模型进行计算具体如下：

实时读取当前锅炉的运行参数；根据快速锅炉热力计算模型，采用正交试验方法对锅炉各可变运行方式变化于锅炉效率以及氮氧化物NOx排放的影响进行计算，得出各运行方式不同水平对锅炉效率与氮氧化物NOx排放的影响；所述各可变运行方式包括氧量、总风量、分离型燃尽风SOFA风门开度、紧凑型燃尽风CCOFA风门开度以及燃烧器摆角。

进一步的，所述锅炉燃烧运行优化的寻优目标值为机组的燃料成本和液氨成本之和最小，计算不同运行方式下的目标值的同时，计算高温受热面热负荷偏差评估系数作为约束条件，最后得到目标值最低且满足热负荷偏差要求的运行方式即优化运行方式。

进一步的，所述高温受热面热负荷偏差评估系数计算步骤具体如下：

根据锅炉高温受热面沿炉宽方向布置的炉管出口壁温测点获取出口蒸汽压力、进口蒸汽温度与进口蒸汽压力；

按热偏差原理计算得到高温受热面各片屏的热偏差系数η

按标准JB/Z 201-83《电站锅炉水动力计算方法》计算得到高温受热面集箱系统流量偏差系数η

计算沿炉膛宽度烟气侧热负荷偏差η

式中：n为高温受热面屏片数；η

进一步的，所述炉管出口壁温测点获取数据后先排除蒸汽侧的影响；所述蒸汽侧的影响包括流量偏差系数，对于一般结构的集箱系统的流量偏差系数，按水动力计算标准计算；对于以三通方式引入引出集箱系统的流量偏差系数，则通过试验经验系数或数值计算的方式得到。

作为本发明的第二方面，提供一种锅炉燃烧优化控制系统，所述锅炉通过集散控制系统DCS进行控制，所述系统包括：

锅炉燃烧优化服务器，部署有锅炉燃烧优化程序，所述锅炉燃烧优化程序执行如上所述的优化方法，计算得到锅炉燃烧优化运行方式，并将优化运行参数以偏置值指令写入实时数据库服务器；

实时数据库服务器，用于提供实时数据的读写缓存；

集散控制系统DCS读写服务器，与集散控制系统DCS的双向数据连接，用于从集散控制系统DCS读入实时运行数据并写入实时数据库服务器，同时从实时数据库服务器读入优化运行控制参数并写入集散控制系统DCS。

进一步的，所述集散控制系统DCS根据需要优化的控制参数，修改集散控制系统DCS系统中的控制逻辑，包括：增加入炉煤热值修正偏置信号、氧量修正偏置信号、总风量修正偏置信号以及分离型燃尽风SOFA风门开度修正偏置信号。

进一步的，所述锅炉燃烧优化程序不断向集散控制系统DCS发送心跳波信号来表征系统的运行状态，集散控制系统DCS一旦检测不到任意一个程序的心跳波，立即切回原集散控制系统DCS中的控制逻辑；

锅炉燃烧优化程序每次计算前检查由集散控制系统DCS侧获取的实时数据的正确性，一旦发现任一数据异常，立即停止计算并切回原集散控制系统DCS中的控制逻辑；

锅炉燃烧优化程序能够手动投切信号。

与现有技术相比，本发明具有以下有益效果：

1)与现有技术相比，本发明提供的燃煤电站锅炉燃烧优化方案能最大限度挖掘锅炉的节能环保潜力，使其适应煤质变化、负荷波动等运行环境，有效提高锅炉效率并减低NOX排放。经现场对比测试表明，优化工况对比基础工况锅炉效率平均可提高0.3～0.5％左右，供电煤耗可平均下降0.9g/kWh以上；锅炉NOx排放可平均降低10％左右，氨耗量平均下降约16kg/h，具有明显的经济效益和社会效益。

2)与现有技术相比，本发明提出的燃煤电站锅炉燃烧优化方法融合了融合锅炉热力计算、机器学习建模与试验研究，即解决了现有机理模型不能完备反映锅炉燃烧过程的不足，又避免了单一以数据驱动的机器学习建模方法需要大量的高数据质量学习样本、泛化能力差等缺陷，优化结果更具合理性，并通过锅炉运行方式在线优化和闭环控制，达到了提高锅炉运行经济性和环保性的目标。

3)与现有技术相比，本发明提出的燃煤电站锅炉燃烧优化方法，采用入炉煤煤质软测量、飞灰含碳量软测量、快速锅炉热力计算模型等方法，解决了当前发电企业普遍存在的掺烧煤种多、入炉煤煤质变化大的问题，满足外部输入输出因素变化产生的即时优化需求，使得优化结果能更实时准确地反映锅炉燃烧状况。

4)本发明提出的燃煤电站锅炉燃烧优化方法基于现有DCS实时数据，具有数据容易获取，现场不需要额外增加测点，成本低，对各种燃煤电站锅炉炉型都有广泛适用性等优点。

附图说明

图1为本发明燃煤电站锅炉燃烧优化方法的流程示意图；

图2为本发明锅炉燃烧变工况模型的示意图；

图3为本发明燃煤电站锅炉燃烧优化方法控制系统拓扑图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例1

本发明为解决现有技术存在缺陷提出一种燃煤电站锅炉燃烧优化方案，融合了融合锅炉热力计算、机器学习建模与试验研究，既解决了现有机理模型不能完备反映锅炉燃烧过程的不足，又避免了单一以数据驱动的机器学习建模方法需要大量的高数据质量学习样本、泛化能力差等缺陷，如图1所示，本发明方案具体如下：

步骤1：根据锅炉设计资料，建立锅炉炉膛、过热器、再热器、省煤器、空气预热器受热面结构参数数据库。

步骤2：基于锅炉机组热力计算标准方法和锅炉结构参数，对现有锅炉建立基于热力校核方法的整体热力计算模型，模型输入的参数包括入炉煤煤质，各磨煤量，给水温度，给水流量，主蒸汽流量，主蒸汽压力，再热蒸汽流量，再热蒸汽压力，炉膛出口氧量，进风温度，燃烧器摆角，空预器漏风系数等；输出的参数包括：过热减温水量，再热减温水量，过热蒸汽温度，再热蒸汽温度，排烟温度等。

步骤3：根据电厂历史飞灰含碳量化验数据，建立神经网络飞灰含碳量预测模型；

步骤4：根据电厂历史炉渣含碳量化验数据，建立神经网络炉渣含碳量预测模型；

步骤5：根据电厂历史锅炉一氧化碳CO排放数据，建立神经网络CO预测模型；

步骤6：根据电厂历史锅炉氮氧化物NOx排放数据，建立神经网络NOx预测模型；

步骤7：根据电厂历史性能试验数据，建立空气预热器漏风率计算模型；

步骤8：根据磨煤机系统能量平衡和质量平衡原理，建立入炉煤水分计算模型；

步骤9：根据物质平衡、能量平衡和煤燃烧化学分析原理，建立煤燃烧产物和输入元素的关系方程组；经迭代计算获得入炉煤低位热值Qar与煤质元素分析数据。

步骤10：根据电厂历史主要辅机电流变化数据，建立主要辅机电流回归预测模型；

步骤11：上述步骤2-10的模型，综合形成了锅炉燃烧变工况模型。即在锅炉的输入条件发生变化时，包括锅炉运行方式如负荷、氧量、摆角等，入炉煤煤质等，预测锅炉的输出，包括锅炉的运行参数如汽温、排烟温度等，锅炉效率，NOx排放等，具体如图2所示。

步骤12：根据步骤11的锅炉燃烧变工况模型，基于大量锅炉运行历史数据离线计算获得大量学习样本，基于这些样本建立神经网络模型以实现快速锅炉热力计算模型，模型可预测参数包括：过热减温水量，再热减温水量，过热蒸汽温度，再热蒸汽温度，排烟温度。

步骤13：根据锅炉沿炉宽方向布置的炉管出口壁温测点，排除蒸汽侧的影响(即流量偏差系数，对于一般结构的集箱系统的流量偏差系数，可以按水动力计算标准计算，而对于以三通方式引入引出集箱系统的流量偏差系数则可以通过试验经验系数或数值计算的方式得到)，可得到沿炉膛宽度烟气侧热负荷的偏差的幅度及分布，并得出其高温受热面热负荷偏差评估系数评价高温受热面的运行安全性。

步骤14：在电厂集散控制系统电子间设置一套锅炉燃烧优化控制系统平台，包括设置DCS读写服务器建立与电厂集散控制系统的基于OPC协议的双向数据接口，DCS读写服务器从DCS读入实时运行数据并写入实时数据库服务器，同时从数据库服务器读入优化运行控制参数并写入DCS；设置基于开源Redis数据库的实时数据库服务器用于提供实时数据的读写缓存；设置锅炉燃烧优化服务器用于锅炉燃烧优化控制指令的计算。

步骤15：根据需要优化的控制参数，修改DCS系统中的控制逻辑，包括增加入炉煤热值修正偏置、氧量修正偏置、总风量修正偏置、分离型燃尽风SOFA风门开度修正偏置等。偏置值即在原有控制指令的基础上进行加或减的调整数值。

步骤16：锅炉优化服务器上部署的锅炉燃烧优化程序从实时数据库服务器读入当前的运行参数，根据步骤12的模型，采用正交试验方法对锅炉各可变运行方式变化于锅炉效率、NOx排放的影响进行计算，得出各运行方式不同水平对锅炉效率、NOx排放的影响。各可变运行方式包括氧量、总风量、分离型燃尽风SOFA风门开度、紧凑型燃尽风CCOFA风门开度、燃烧器摆角等。

步骤17：锅炉燃烧运行优化的目标为降低机组供电煤耗和降低氮氧化物的排放量。采用兼顾机组供电煤耗的降低与NOx排放量的降低，即寻优目标值为机组的燃料成本和液氨成本之和最小。

步骤18：根据步骤17的目标值计算模型，计算步骤16的不同运行方式下的目标值，同时根据步骤13计算高温受热面热负荷偏差评估系数作为约束条件，最后得到目标值最低且满足热负荷偏差要求的运行方式即优化运行方式。

步骤19：锅炉燃烧优化程序将计算得到优化运行方式以偏置值指令写入数据库服务器，DCS读写服务器从实时数据库服务器读入优化运行控制参数的偏置值并写入DCS以实现锅炉的燃烧优化控制。

实施例2

选取一台锅炉做实例测试，从而进一步说明本发明的具体实施方式。该锅炉型号SG-2956/27.46-M534，锅炉采用超超临界压力参数变压运行、单炉膛塔式布置、一次中间再热、四角切圆燃烧、直吹制粉、平衡通风、固态排渣、全钢悬吊构造、露天布置，与1000MW超超临界压力单轴四缸四排汽凝汽式汽轮发电机组匹配。该方法包括以下步骤：

步骤1：锅炉设计资料，建立主要设备结构参数数据库，具体如下表所示：

步骤2：基于为1973年版苏联《锅炉机组热力计算标准方法》和锅炉结构参数，对现有锅炉建立基于热力校核方法的整体热力计算模型，模型输入的参数包括入炉煤煤质，各磨煤量，给水温度，给水流量，主蒸汽流量，主蒸汽压力，再热蒸汽流量，再热蒸汽压力，炉膛出口氧量，进风温度，燃烧器摆角，空预器漏风系数等；输出的参数包括：过热减温水量，再热减温水量，过热蒸汽温度，再热蒸汽温度，排烟温度等。

步骤3：据电厂历史性能试验的飞灰含碳量化验数据，建立神经网络飞灰含碳量预测模型，将锅炉蒸发量、燃烧器摆角、氧量、分离型燃尽风SOFA风量、紧凑型燃尽风CCOFA风量、煤质主要特性，各磨煤机给煤量、炉膛与风箱差压、各磨一次风量等运行参数作为神经网络的输入量，飞灰含碳量作为神经网络的1个输出。神经网络可采用通用的BP神经网络。

步骤4：根据电厂历史性能试验的炉渣含碳量化验数据，建立神经网络炉渣含碳量预测模型，将锅炉蒸发量、燃烧器摆角、氧量、分离型燃尽风SOFA风量、紧凑型燃尽风CCOFA风量、煤质主要特性，各磨煤机给煤量、炉膛与风箱差压、各磨一次风量等运行参数作为神经网络的输入量，炉渣含碳量作为神经网络的1个输出。神经网络可采用通用的BP神经网络。

步骤5：根据电厂历史性能试验的一氧化碳CO排放测试数据，建立神经网络CO预测模型，将锅炉蒸发量、燃烧器摆角、氧量、分离型燃尽风SOFA风量、煤质主要特性等运行参数作为神经网络的输入量，CO作为神经网络的1个输出。神经网络可采用通用的BP神经网络。

步骤6：根据电厂历史运行锅炉氮氧化物NOx排放数据，建立神经网络NOx预测模型；将锅炉蒸发量、氧量、一次风率、分离型燃尽风SOFA风率、各磨煤量及出口风粉温度、分离器转速等运行参数作为神经网络的输入量，NOx作为神经网络的1个输出。神经网络可采用通用的BP神经网络。

步骤7：根据电厂最新性能试验的空预器漏风率数据，建立空气预热器漏风率计算模型并根据历史平均老化率进行修正。

步骤8：根据磨煤机系统能量平衡和质量平衡原理，建立入炉煤水分计算模型。相关计算可参考专利申请：《一种燃煤电站锅炉炉膛出口烟温在线监测方法》，申请公布号：CN115875665A。

步骤9：根据锅炉的物质平衡、能量平衡和煤燃烧化学分析原理，建立入炉煤低位热值与煤质元素计算模型。相关计算可参考专利申请：《一种燃煤电站锅炉炉膛出口烟温在线监测方法》，申请公布号：CN115875665A。

步骤10：根据电厂历史主要辅机电流变化数据，建立主要辅机电流回归预测模型。

步骤11：步骤2-10的模型，综合形成了锅炉燃烧变工况模型，即在锅炉的输入条件发生变化时，包括锅炉运行方式如负荷、氧量、摆角等，入炉煤煤质等，预测锅炉的输出，包括锅炉的运行参数如汽温、排烟温度等，锅炉效率，NOx排放等。锅炉燃烧变工况模型见图2。

步骤12：根据步骤11的锅炉燃烧变工况模型，基于大量锅炉运行历史数据离线计算获得学习样本，基于这些样本建立神经网络模型以实现快速锅炉热力计算模型。模型输入的参数包括入炉煤煤质，各磨煤量，给水温度，给水流量，主蒸汽流量，主蒸汽压力，再热蒸汽流量，再热蒸汽压力，炉膛出口氧量，进风温度，燃烧器摆角，空预器漏风系数等；模型可预测参数包括：过热减温水量，再热减温水量，过热蒸汽温度，再热蒸汽温度，排烟温度。

步骤13：根据锅炉高温受热面沿炉宽方向布置的炉管出口壁温测点、出口蒸汽压力、进口蒸汽温度、进口蒸汽压力按热偏差原理计算得到高温受热面各片屏的热偏差系数η

可得到沿炉膛宽度烟气侧热负荷偏差η

式中：n：高温受热面屏片数；η

步骤14：在电厂集散控制系统DCS电子间设置一套锅炉燃烧优化控制系统平台，包括设置DCS读写服务器建立与电厂集散控制系统的基于OPC协议的双向数据接口，DCS读写服务器从DCS读入实时运行数据并写入实时数据库服务器，同时从数据库服务器读入优化运行控制参数并写入DCS；设置基于开源数据库Redis的实时数据库服务器用于提供实时数据的读写缓存；设置锅炉燃烧优化服务器用于锅炉燃烧优化控制指令的计算。控制平台拓扑见图3。

步骤15：根据需要优化的控制参数，修改DCS系统中的控制逻辑，包括增加入炉煤热值修正偏置信号、氧量修正偏置信号、总风量修正偏置信号、分离型燃尽风SOFA风门开度修正偏置信号等。偏置值即在原有控制指令的基础上进行加或减的调整数值。

步骤16：锅炉优化服务器上部署的锅炉燃烧优化程序从实时数据库服务器读入当前的运行参数，根据步骤12的模型，采用正交试验方法对锅炉各可变运行方式变化于锅炉效率、NOx排放的影响进行计算，得出各运行方式不同水平对锅炉效率、NOx排放的影响。各可变运行方式包括氧量、总风量、分离型燃尽风SOFA风门开度、紧凑型燃尽风CCOFA风门开度、燃烧器摆角等。

步骤17：锅炉燃烧运行优化的目标为降低机组燃料成本和脱硝成本之和，得到最终的优化运行方式。采用兼顾机组供电煤耗的降低与NOx排放量的降低，即寻优目标值为机组的燃料成本和液氨成本之和最小：

min＝k

式中：k

步骤18：根据步骤17的目标值计算模型，计算步骤16的各运行方式不同水平下的目标值，同时根据步骤13计算高温受热面热负荷偏差评估系数作为约束条件，最后得到目标值最低且满足热负荷偏差要求的运行方式即优化运行方式；

步骤19：锅炉燃烧优化程序将计算得到优化运行参数以偏置值指令写入实时数据库服务器，DCS读写服务器从实时数据库服务器读入优化运行控制参数的偏置值并写入DCS以实现锅炉的燃烧优化控制。

锅炉燃烧优化程序不断向DCS发送心跳波信号来表征系统的运行状态，DCS一旦检测不到任意一个程序的心跳波，立即切回原DCS中的控制逻辑；

锅炉燃烧优化程序每次计算前检查由DCS侧获取的实时数据的正确性，一旦发现任一数据异常，立即停止计算并切回原DCS中的控制逻辑；

锅炉燃烧优化程序具备手动投切信号。

采用本发明后，经现场对比测试表明，这台选取的锅炉优化工况对比基础工况锅炉效率平均可提高0.3～0.5％左右，供电煤耗可平均下降0.9g/kWh以上；锅炉NOx排放可平均降低10％左右，氨耗量平均下降约16kg/h。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。