鍋爐熱效率的具體計算公式.doc

鍋爐熱效率的具體計算公式鍋爐的熱效率受到多種熱損失的影響，但比較而言，以機械不完全燃燒損失q4受鍋爐燃燒狀況影響最為復雜，飛灰含碳量受鍋爐煤種和運行參數(shù)影響很大，相互關(guān)系很難以常規(guī)的計算公式表達，因此采用了人工神經(jīng)網(wǎng)絡(luò)對鍋爐的飛灰含碳量特性進行了建模，并利用實爐測試試驗數(shù)據(jù)對模型進行了校驗，結(jié)果表明，人工神經(jīng)網(wǎng)絡(luò)能很好反映大型電廠鍋爐各運行參數(shù)與飛灰含碳量特性之間的關(guān)系。采用鍋爐負荷、省煤器出口氧量、各二次風擋板開度、燃盡風擋板開度、燃料風擋板開度、煤種特性，各磨煤機給煤量、爐膛與風箱差壓、一次風總風壓、燃燒器擺角作為神經(jīng)網(wǎng)絡(luò)的輸入矢量，飛灰含碳量作為神經(jīng)網(wǎng)絡(luò)的輸出，利用3層BP網(wǎng)絡(luò)建模是比較合適的。目前鍋爐運行往往根據(jù)試驗調(diào)試人員針對鍋爐的常用煤種進行燃燒調(diào)整，以獲得最佳的各種鍋爐運行參數(shù)供運行人員參考，從而實現(xiàn)鍋爐的最大熱效率。但這種方法會帶來如下問題：由于鍋爐燃煤的多變性，針對某一煤種進行調(diào)整試驗獲得的最佳操作工況可能與目前燃用煤種的所需的最佳工況偏離；由于調(diào)試試驗進行的工況有限，試驗獲得的最佳工況可能并非全局最優(yōu)值，即可能存在比試驗最佳值更好的運行工況。 本文在對某300MW四角切圓燃燒鍋爐進行實爐工況測試并利用人工神經(jīng)網(wǎng)絡(luò)技術(shù)實現(xiàn)飛灰含碳量與煤種和運行參數(shù)關(guān)系的建模工作基礎(chǔ)上，結(jié)合遺傳算法這一全局尋優(yōu)技術(shù)，對鍋爐熱效率最優(yōu)化運行技術(shù)進行了研究，并在現(xiàn)場得到應(yīng)用。2 遺傳算法和神經(jīng)網(wǎng)絡(luò)結(jié)合的鍋爐熱效率尋優(yōu)算法 利用一個21個輸入節(jié)點，1個輸出節(jié)點，24個隱節(jié)點的BP網(wǎng)絡(luò)來模擬鍋爐飛灰含碳量與鍋爐運行參數(shù)和燃用煤種之間的關(guān)系，獲得了良好的效果，并證明了采用人工神經(jīng)網(wǎng)絡(luò)對鍋爐這種黑箱對象建模的有效性1。人工神經(jīng)網(wǎng)絡(luò)的輸入采用鍋爐負荷、省煤器出口氧量、各二次風擋板開度、燃盡風擋板開度、燃料風擋板開度、各磨煤機給煤量、爐膛與風箱差壓、一次風總風壓、燃燒器擺角和煤種特性，除煤種特性這一不可調(diào)節(jié)因素外，基本上包括了運行人員可以通過DCS進行調(diào)整的所有影響鍋爐燃燒的所有參數(shù)。 遺傳算法是受生物進化學說和遺傳學說啟發(fā)而發(fā)展起來的基于適者生存思想的一種較通用的問題求解方法2,3，作為一種隨機優(yōu)化技術(shù)在解優(yōu)化難題中顯示了優(yōu)于傳統(tǒng)優(yōu)化算法的性能。遺傳算法目前在優(yōu)化領(lǐng)域得到了廣泛的應(yīng)用，顯示了其在優(yōu)化方面的巨大能力3。遺傳算法的一個顯著優(yōu)勢是不需要目標函數(shù)明確的數(shù)學方程和導數(shù)表達式，同時又是一種全局尋優(yōu)算法，不會象某些傳統(tǒng)算法易于陷入局部最優(yōu)解。遺傳算法尋優(yōu)的效率較高，搜索速度快。 根據(jù)鍋爐的反平衡計算公式，鍋爐熱效率可由下式求得： =100-(q2+q3+q4+q5+q6)(%) (1)式中 q2為排煙熱損失，q3為可燃氣體不完全燃燒熱損失，q4為固體不完全燃燒損失，q5為鍋爐散熱損失，q6為其他熱損失。 根據(jù)遺傳算法的要求，確定鍋爐熱效率為遺傳算法的目標函數(shù)，用式（1）計算。對該300MW鍋爐，利用DCS與廠內(nèi)MIS網(wǎng)的接口按每6s下載各運行參數(shù)，包括排煙氧量、排煙溫度、鍋爐負荷、各二次風擋板開度、燃盡風擋板開度、燃料風擋板開度、各磨煤機給煤量、爐膛與風箱差壓、一次風總風壓、燃燒器擺角等。鍋爐飛灰含碳量可由飛灰含碳量監(jiān)測儀在線監(jiān)測或人工取樣分析，燃用煤種由人工輸入。這樣鍋爐的各項損失即可在線獲得，并進而計算出各運行工況下的鍋爐實時熱效率。將排煙氧量和煤種特性等影響鍋爐排煙熱損失q2的參數(shù)按熱效率計算，標準化為計算公式代入式（1），而影響q4的各參數(shù)采用人工神經(jīng)網(wǎng)絡(luò)模型代入式（1），其中爐渣含碳量對熱效率影響由人工測試后輸入。具體計算公式可參見鍋爐熱效率計算標準。由以上步驟建立了鍋爐熱效率和鍋爐各運行參數(shù)及煤種的函數(shù)關(guān)系，即鍋爐熱效率作為因變量，而鍋爐的各操作參數(shù)和煤質(zhì)特性作為自變量，這樣就可以利用遺傳算法進行尋優(yōu)計算，獲得最佳的鍋爐運行條件，實現(xiàn)鍋爐熱效率的最大化。 火電廠鍋爐運行中，為考慮到習慣運行方式和各種安全因素的影響，對各種可調(diào)因素的選擇區(qū)域都有一定的范圍限制，尋優(yōu)范圍必須控制在這些范圍以內(nèi)，這些限制構(gòu)成了自變量的定義域。至此，完成了鍋爐熱效率最優(yōu)化燃燒的結(jié)合神經(jīng)網(wǎng)絡(luò)的遺傳算法優(yōu)化過程，具體程序流程見圖1。3 燃煤鍋爐熱效率的優(yōu)化效果 在電廠鍋爐運行中，運行人員調(diào)節(jié)最為頻繁的參數(shù)主要是各種配風方式，包括各二次風、燃盡風、由送引風機配合所確定的氧量等，其余影響鍋爐燃燒的因素，如負荷和煤種，對于運行人員而言在某一工況下是不可調(diào)節(jié)因素，燃燒器的擺角出于汽溫調(diào)節(jié)的需要，往往也不會對其調(diào)整以實現(xiàn)低的飛灰含碳量。作為示例，我們對影響燃燒的部分參數(shù)的尋優(yōu)過程進行了模擬和驗證。某個實際運行工況如表1所示，除煤種特性為事先取樣分析人工輸入外，其余參數(shù)均由集散控制系統(tǒng)（DCS）下載?？紤]對鍋爐的排煙氧量和各二次風門開度及燃盡風門開度進行尋優(yōu)，其余參數(shù)維持該工況，利用軟件尋優(yōu)，遺傳算法選擇的參數(shù)種群規(guī)模為50，交換概率為0.8，突變概率為0.15，迭代次數(shù)500次，可調(diào)參數(shù)7個，計算獲得優(yōu)化后的各風門開度、氧量及鍋爐效率和飛灰含碳量值，優(yōu)化后的各值如表2所示。圖2示出了不同迭代次數(shù)下的遺傳算法計算得到的飛灰含碳量值和鍋爐熱效率，圖中曲線1表示鍋爐效率，曲線2表示省煤器后氧量，曲線3表示飛灰含碳量，可見遺傳算法的收斂速度很快。 對圖2的尋優(yōu)過程進行分析，發(fā)現(xiàn)飛灰含碳量曲線具有震蕩，這是因為氧量同時影響到排煙熱損失和飛灰含碳量，優(yōu)化過程初期氧量較高，飛灰含碳量相應(yīng)可以搜索到較低值，但由于排煙熱損失比機械不完全燃燒損失數(shù)值更大，迫使優(yōu)化過程向氧量較低的方向?qū)?yōu)，而氧量較低又導致飛灰含碳量有所增加，這種相互反作用的機理使飛灰含碳量曲線呈現(xiàn)震蕩性，這種震蕩性也是由遺傳算法的尋優(yōu)本質(zhì)所決定的。 圖3對采用不同的遺傳算法計算參數(shù)進行了比較，其中曲線1采用了交換概率為0.8，突變概率為0.15的計算參數(shù)；曲線2采用了交換概率為0.8，突變概率為0.3的計算參數(shù)；曲線3采用了交換概率為0.2，突變概率為0.1的計算參數(shù)。計算表明這幾種參數(shù)下尋優(yōu)過程均能成功收斂，但以曲線3為最佳，說明交換概率和突變概率的選取存在最佳值。增加迭代次數(shù)和種群規(guī)模，最終結(jié)果基本無變化，證明目前的迭代次數(shù)和種群規(guī)模已基本滿足要求。 由于遺傳算法可以對多個自變量同時進行尋優(yōu)，如果有需要，可以對任何需要的參數(shù)進行尋優(yōu)，甚至對所有影響因素進行尋優(yōu)，在軟件編程上實現(xiàn)也很方便，這為遺傳算法在鍋爐優(yōu)化運行中的應(yīng)用提供了便利。 對鍋爐在中等負荷下的熱效率優(yōu)化過程也進行了試驗，表3示出了某種中等負荷條件下鍋爐實際運行工況。表4為中等負荷下遺傳計算獲得的優(yōu)化結(jié)果。現(xiàn)場驗證表明，按優(yōu)化結(jié)果推薦的配風方式進行調(diào)節(jié)，工況調(diào)節(jié)后由DCS下載數(shù)據(jù)計算得到的鍋爐效率與優(yōu)化算法預(yù)測的鍋爐效率基本相當。多個試驗結(jié)果表明高負荷下的飛灰含碳量的預(yù)測和實測基本相當，而中等負荷下的飛灰含碳量預(yù)測略有偏低，這可能與神經(jīng)網(wǎng)絡(luò)建模時中等負荷下的樣本數(shù)量偏少有一定關(guān)系。但由于本文研究的鍋爐燃燒狀況較好，燃料的灰分低而且揮發(fā)分和熱值均較高，所以飛灰含碳量都較低，機械不完全燃燒損失也較小，對鍋爐熱效率的影響也較小。因此各工況下預(yù)報的鍋爐熱效率值與實測誤差很小，一般在0.2以內(nèi)。 針對現(xiàn)場實爐測試樣本數(shù)據(jù)難以大量獲得的問題，可采用DCS數(shù)據(jù)采集方法解決，獲得穩(wěn)定工況下的輸入輸出參數(shù)保存，利用這些樣本來訓練神經(jīng)網(wǎng)絡(luò)，這樣既可獲得大量的樣本數(shù)據(jù)，而且樣本數(shù)據(jù)可不斷更新，從而使神經(jīng)網(wǎng)絡(luò)模型能代表鍋爐的最新特性。對于燃用燃盡性能差和高灰分煤的鍋爐，機械不完全燃燒損失占到鍋爐效率損失的很大部分，由于排煙熱損失的優(yōu)化比較簡單，而本文主要針對機械不完全燃燒損失進行優(yōu)化，因此對于燃用劣質(zhì)煤鍋爐采取此優(yōu)化方法具有更好的應(yīng)用前景，能夠確定鍋爐最佳氧量和各風門開度。 對鍋爐熱效率優(yōu)化另一種方法也進行了研究，即將鍋爐熱效率與煤種特性、運行參數(shù)之間的關(guān)系直接采用人工神經(jīng)網(wǎng)絡(luò)建模，然后利用遺傳算法優(yōu)化，結(jié)果表明這種方法的效果遠不如本文的方法。其原因經(jīng)分析為，人工神經(jīng)網(wǎng)