鍋爐熱效率的具體計(jì)算公式.doc

鍋爐熱效率的具體計(jì)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(jī)械不完全燃燒損失q4受鍋爐燃燒狀況影響最為復(fù)雜，飛灰含碳量受鍋爐煤種和運(yùn)行參數(shù)影響很大，相互關(guān)系很難以常規(guī)的計(jì)算公式表達(dá)，因此采用了人工神經(jīng)網(wǎng)絡(luò)對(duì)鍋爐的飛灰含碳量特性進(jìn)行了建模，并利用實(shí)爐測(cè)試試驗(yàn)數(shù)據(jù)對(duì)模型進(jìn)行了校驗(yàn)，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(yùn)行參數(shù)與飛灰含碳量特性之間的關(guān)系。采用鍋爐負(fù)荷、省煤器出口氧量、各二次風(fēng)擋板開度、燃盡風(fēng)擋板開度、燃料風(fēng)擋板開度、煤種特性，各磨煤機(jī)給煤量、爐膛與風(fēng)箱差壓、一次風(fēng)總風(fēng)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(yùn)行往往根據(jù)試驗(yàn)調(diào)試人員針對(duì)鍋爐的常用煤種進(jìn)行燃燒調(diào)整，以獲得最佳的各種鍋爐運(yùn)行參數(shù)供運(yùn)行人員參考，從而實(shí)現(xiàn)鍋爐的最大熱效率。但這種方法會(huì)帶來如下問題：由于鍋爐燃煤的多變性，針對(duì)某一煤種進(jìn)行調(diào)整試驗(yàn)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(yàn)進(jìn)行的工況有限，試驗(yàn)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(yàn)最佳值更好的運(yùn)行工況。 本文在對(duì)某300MW四角切圓燃燒鍋爐進(jìn)行實(shí)爐工況測(cè)試并利用人工神經(jīng)網(wǎng)絡(luò)技術(shù)實(shí)現(xiàn)飛灰含碳量與煤種和運(yùn)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(duì)鍋爐熱效率最優(yōu)化運(yùn)行技術(shù)進(jìn)行了研究，并在現(xiàn)場(chǎng)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(gè)21個(gè)輸入節(jié)點(diǎn)，1個(gè)輸出節(jié)點(diǎn)，24個(gè)隱節(jié)點(diǎn)的BP網(wǎng)絡(luò)來模擬鍋爐飛灰含碳量與鍋爐運(yùn)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(duì)鍋爐這種黑箱對(duì)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(fù)荷、省煤器出口氧量、各二次風(fēng)擋板開度、燃盡風(fēng)擋板開度、燃料風(fēng)擋板開度、各磨煤機(jī)給煤量、爐膛與風(fēng)箱差壓、一次風(fēng)總風(fēng)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(yùn)行人員可以通過DCS進(jìn)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(jìn)化學(xué)說和遺傳學(xué)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(jī)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(gè)顯著優(yōu)勢(shì)是不需要目標(biāo)函數(shù)明確的數(shù)學(xué)方程和導(dǎo)數(shù)表達(dá)式，同時(shí)又是一種全局尋優(yōu)算法，不會(huì)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(jì)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?xì)怏w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(biāo)函數(shù)，用式（1）計(jì)算。對(duì)該300MW鍋爐，利用DCS與廠內(nèi)MIS網(wǎng)的接口按每6s下載各運(yùn)行參數(shù)，包括排煙氧量、排煙溫度、鍋爐負(fù)荷、各二次風(fēng)擋板開度、燃盡風(fēng)擋板開度、燃料風(fēng)擋板開度、各磨煤機(jī)給煤量、爐膛與風(fēng)箱差壓、一次風(fēng)總風(fēng)壓、燃燒器擺角等。鍋爐飛灰含碳量可由飛灰含碳量監(jiān)測(cè)儀在線監(jiān)測(cè)或人工取樣分析，燃用煤種由人工輸入。這樣鍋爐的各項(xiàng)損失即可在線獲得，并進(jìn)而計(jì)算出各運(yùn)行工況下的鍋爐實(shí)時(shí)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(jì)算，標(biāo)準(zhǔn)化為計(jì)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(duì)熱效率影響由人工測(cè)試后輸入。具體計(jì)算公式可參見鍋爐熱效率計(jì)算標(biāo)準(zhǔn)。由以上步驟建立了鍋爐熱效率和鍋爐各運(yùn)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(jìn)行尋優(yōu)計(jì)算，獲得最佳的鍋爐運(yùn)行條件，實(shí)現(xiàn)鍋爐熱效率的最大化。 火電廠鍋爐運(yùn)行中，為考慮到習(xí)慣運(yùn)行方式和各種安全因素的影響，對(duì)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(yùn)行中，運(yùn)行人員調(diào)節(jié)最為頻繁的參數(shù)主要是各種配風(fēng)方式，包括各二次風(fēng)、燃盡風(fēng)、由送引風(fēng)機(jī)配合所確定的氧量等，其余影響鍋爐燃燒的因素，如負(fù)荷和煤種，對(duì)于運(yùn)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(huì)對(duì)其調(diào)整以實(shí)現(xiàn)低的飛灰含碳量。作為示例，我們對(duì)影響燃燒的部分參數(shù)的尋優(yōu)過程進(jìn)行了模擬和驗(yàn)證。某個(gè)實(shí)際運(yùn)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(duì)鍋爐的排煙氧量和各二次風(fēng)門開度及燃盡風(fēng)門開度進(jìn)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(gè)，計(jì)算獲得優(yōu)化后的各風(fēng)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(jì)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(duì)圖2的尋優(yōu)過程進(jìn)行分析，發(fā)現(xiàn)飛灰含碳量曲線具有震蕩，這是因?yàn)檠趿客瑫r(shí)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(jī)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(dǎo)致飛灰含碳量有所增加，這種相互反作用的機(jī)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(duì)采用不同的遺傳算法計(jì)算參數(shù)進(jìn)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(jì)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(jì)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(jì)算參數(shù)。計(jì)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(duì)多個(gè)自變量同時(shí)進(jìn)行尋優(yōu)，如果有需要，可以對(duì)任何需要的參數(shù)進(jìn)行尋優(yōu)，甚至對(duì)所有影響因素進(jìn)行尋優(yōu)，在軟件編程上實(shí)現(xiàn)也很方便，這為遺傳算法在鍋爐優(yōu)化運(yùn)行中的應(yīng)用提供了便利。 對(duì)鍋爐在中等負(fù)荷下的熱效率優(yōu)化過程也進(jìn)行了試驗(yàn)，表3示出了某種中等負(fù)荷條件下鍋爐實(shí)際運(yùn)行工況。表4為中等負(fù)荷下遺傳計(jì)算獲得的優(yōu)化結(jié)果?，F(xiàn)場(chǎng)驗(yàn)證表明，按優(yōu)化結(jié)果推薦的配風(fēng)方式進(jìn)行調(diào)節(jié)，工況調(diào)節(jié)后由DCS下載數(shù)據(jù)計(jì)算得到的鍋爐效率與優(yōu)化算法預(yù)測(cè)的鍋爐效率基本相當(dāng)。多個(gè)試驗(yàn)結(jié)果表明高負(fù)荷下的飛灰含碳量的預(yù)測(cè)和實(shí)測(cè)基本相當(dāng)，而中等負(fù)荷下的飛灰含碳量預(yù)測(cè)略有偏低，這可能與神經(jīng)網(wǎng)絡(luò)建模時(shí)中等負(fù)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(jī)械不完全燃燒損失也較小，對(duì)鍋爐熱效率的影響也較小。因此各工況下預(yù)報(bào)的鍋爐熱效率值與實(shí)測(cè)誤差很小，一般在0.2以內(nèi)。 針對(duì)現(xiàn)場(chǎng)實(shí)爐測(cè)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(xùn)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(duì)于燃用燃盡性能差和高灰分煤的鍋爐，機(jī)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(jiǎn)單，而本文主要針對(duì)機(jī)械不完全燃燒損失進(jìn)行優(yōu)化，因此對(duì)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(fēng)門開度。 對(duì)鍋爐熱效率優(yōu)化另一種方法也進(jìn)行了研究，即將鍋爐熱效率與煤種特性、運(yùn)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(yuǎn)不如本文的方法。其原因經(jīng)分析為，人工神經(jīng)網(wǎng)