热电厂锅炉燃烧系统建模及优化浅析

摘 要 锅炉的燃烧系统是一个复杂的动态系统,各控制回路和变量之间存在非线性、强耦合以及大滞后等特点,不能有效实现锅炉燃烧系统的优化。从基础的锅炉运行数据出发,结合锅炉燃烧系统非线性的特性,提出一种基于径向基(RBF)神经网络建模和在建模的基础上通过(SQP)优化算法的智能控制策略,求取最佳工况下的各过程变量的参考值,实现锅炉燃烧系统的优化。

关键词 热电厂;锅炉燃烧;系统建模

前言

随着我国经济的飞速发展,火力电力工业对自动控制系统的要求也越来越高。仅仅保障安全、稳定的生产已经不能满足各发电企业的需求。因此,节能环保增效已成为我国电力企业改革的目标取向。目前国内许多火电厂锅炉运行工况复杂多变,单纯依靠传统的操作规程和控制手段,无法满足现代化火力发电企业对经济性管理的要求。如何在保证火力发电机组安全平稳的运行情况下,实现锅炉在运行状态时达到煤耗最小、污染量最低,是火力发电企业在节能减排工作中首先需要解决的问题。

建立锅炉燃烧系统模型是优化锅炉燃烧的手段之一,针对当前火力发电锅炉燃烧控制系统的新要求,提出基于RBF神经网络对锅炉燃烧系统建模的方法,该模型建立4输入(主蒸汽流量、送风量、引风量、给煤量)和3输出(主蒸汽压力、炉膛负压、烟气含氧量),建立锅炉燃烧系统的稳态模型,在此模型的基础上通过SQP优化算法,求取最佳工况下的各过程变量的参考值,实现锅炉燃烧系统的优化。

1 锅炉燃烧系统

1.1 锅炉燃烧系统的主要任务

本文以某热电厂220t/h煤粉母管电厂锅炉为研究对象,该炉主要任务是供给母管一定的蒸汽量以平衡母管压力,从而满足负荷的需求。锅炉燃烧系统通过主蒸汽压力作为锅炉的负荷反馈,以平衡母管蒸汽压力。同时,为了提高锅炉运行的经济性,需维持锅炉炉膛负压在±50Pa范围内。电厂锅炉燃烧系统的主要任务分为以下3个方面:平衡母管蒸汽压力、确保炉膛负压波动在允许范围内、保证锅炉燃烧的经济性。锅炉燃烧系统的3个主要任务分别对应3个子调节系统,即:给煤调节系统,以实现维持主蒸汽压力稳定;引风调节系统,以实现维持炉膛负压稳定;送风调节系统,以实现维持锅炉燃烧的经济性。3个子系统的输入量分别是给煤量、引风量、送风量。同时,由于锅炉燃烧控制系统随锅炉负荷变化而变化,当锅炉的负荷变化时,主蒸汽流量随着变化,这时,需要增加或减少给煤量以满足蒸汽负荷的需求。因此,本文建立RBF神經网络模型,选取对锅炉的燃烧系统影响最大的给煤量、主蒸汽流量、送风量、引风量作为输入,选取主蒸汽压力、炉膛负压、烟气含氧量作为输出,这保证了所建模型的科学性[1]。

1.2 主要技术指标

在锅炉的负荷变化小于10%的情况下,锅炉主气压偏差<±0.05MPa;炉膛压力稳态品质指标为设定值±50Pa范围内;炉膛压力定值扰动(扰动量:±110Pa)过渡过程衰减率在0.75~0.90之间,稳定时间小于0.8min;一次风压稳定稳态品质指标为设定值±90Pa范围内;一次风压定值扰动(扰动量:±300Pa)过渡过程衰减率在0.75~1.00之间,稳定时间小于30s;氧量稳态指标为±1%。

2 建立锅炉燃烧系统的RBF神经网络模型

2.1 人工神经网络的技术介绍

人工神经网络(Artificial Neural Networks ,ANN),通常简称为神经网络,是一种在生物神经网络的启示下建立的数据处理模型。神经网络模拟人脑的神经元工作机理,根据需要的输入输出信息,便会自动地改变自身的结构,只要通过调节神经元之间的权值来对输入的数据进行建模,最终具备解决实际问题的能力。近几十年以来,人类利用神经网络技术已经在众多的领域实现了智能控制。神经网络优秀的非线性逼近性能使得它在众多的领域中都有出色的表现,国内外关于神经网络的研究成果和应用经验为本文所做的研究提供了参考。RBF神经网络具有3层结构,分别为:输入层、输出层、隐含层,其具有强大的实时性和非线性逼近能力。因此本文采用RBF神经网络建模进行分析。

2.2 建立锅炉燃烧系统的RBF模型

对锅炉燃烧系统建立一个3层的RBF模型,确定输入和输出量,输入层有4个节点,分别是锅炉燃烧系统模型的输入量:主蒸汽流量、给煤量、送风量、引风量;输出层有3个节点,分别是模型的输出量主蒸汽压力、炉膛负压、烟气含氧量。隐含层的节点数与非线性映射能力有关,隐含层的神经元节点个数需要通过试验数据和锅炉实际运行经验数据确定,一般来说隐含节点越多网络的非线性映射能力越强。

2.3 通过SQP算法对电厂锅炉燃烧系统寻优

SQP算法是利用原来非线性约束优化问题的有关信息构造某一简单的近似优化问题,通过求解来解决问题。首先建立锅炉燃烧系统的稳态模型,在此模型的基础上通过SQP优化算法,求取最佳工况下的各过程变量的参考值。在确立锅炉燃烧优化的目标函数及非线性约束条件以后,即锅炉负荷(主蒸汽压力、炉膛负压、烟气含氧量)稳定后,对最佳工况下的各过程变量(给煤量、引风量、送风量)组合进行寻优,从而实现锅炉燃烧系统的优化[2]。

3 结束语

本文采用RBF神经网络,建立了某热电厂220t/h的锅炉燃烧系统特性模型,通过对主蒸汽压力、炉膛负压、烟气含氧量3个变量的预测和跟踪,为进行后续的燃烧优化奠定了良好的基础。在建立的稳态模型的基础之上,采用SQP算法对燃烧系统的主要控制变量进行寻优,在保证主蒸汽压力、炉膛负压、烟气含氧量在可行的范围内的前提下,寻优到了锅炉燃烧系统耗能最低时的给煤量、送风量、引风量,为集散控制系统(DCS)实现燃烧优化,提供了控制标准参数。锅炉运行表明,本文提出的锅炉燃烧系统建模及优化方案是可行的。

参考文献

[1] 吉龙生.锅炉燃烧系统的智能控制和仿真研究[D].哈尔滨:哈尔滨理工大学,2013.

[2] 姜滨,孙丽萍,曹军,等.木材干燥过程的Elman神经网络模型研究[J].安徽农业科学,2014,42(2):455-457.