超超臨界鍋爐高溫受熱面熱偏差預測模型研究

楊凱鏇， 丁士發， 陶　麗， 崇培安

(上海發電設備成套設計研究院， 上海 200240)

?

研究與分析

超超臨界鍋爐高溫受熱面熱偏差預測模型研究

楊凱鏇， 丁士發， 陶麗， 崇培安

(上海發電設備成套設計研究院， 上海 200240)

摘要：通過BP神經網絡建立鍋爐運行方式與熱偏差的映射模型，并對熱偏差模型的輸入變量進行靈敏度分析，找到鍋爐熱偏差較大工況時控制減少高溫受熱面熱偏差的主要因素，建議以降低管壁溫度峰值，減緩氧化皮生成速度，減少超溫爆管事故，提高鍋爐運行安全性。

關鍵詞：超超臨界鍋爐; 高溫受熱面; 熱偏差; 模型預測; 靈敏度分析

隨著機組參數的提高，超超臨界機組采用了很多合金鋼的管子，但仍然存在由機組氧化皮剝落而引起堵塞、爆管等事故，超超臨界鍋爐高溫受熱面的蒸汽氧化腐蝕問題是影響超超臨界鍋爐安全運行的重要因素。通過在線分析研究鍋爐熱偏差和運行參數的歷史數據，引入三層BP神經網絡模型，建立鍋爐運行方式與高溫受熱面熱偏差的映射關系，并在鍋爐運行過程中通過當前參數實時預測高溫受熱面熱偏差，進而為超超臨界鍋爐優化運行，降低高溫受熱面熱偏差提供指導方向。通過在機組運行過程中控制高溫受熱面熱偏差，降低高溫受熱面管壁溫度峰值，降低高溫受熱面高溫區超溫幅度，進而有效緩減鍋爐高溫受熱面蒸汽氧化腐蝕問題，提高管材的有效使用壽命。

1熱偏差的產生原因

超超臨界電站鍋爐高溫過熱器、高溫再熱器等高溫受熱面在工作中承受高溫高壓，當材料在變負荷工況運行時，由于工況變化和水蒸氣參數變化，過熱器和再熱器材料金屬的工作條件變得極端惡劣，在運行過程中很容易出現超溫爆管事故。超超臨界鍋爐由于沒有汽包，中間段管子和集箱溫度波動大，而且鍋爐的壓力和溫度較高，集箱和管子的應力較大，管子設計壁溫的裕量較小，管材容易超溫運行。鍋爐過熱器、再熱器等高溫受熱面的熱偏差主要由爐膛出口水平煙道煙氣流速不均、煙氣溫度不均和蒸汽側的流量偏差引起。

(1)

從式(1)可知：熱偏差系數就是偏差管的焓增與管組平均焓增差別的度量。管段的焓增越大，該管段金屬材料的壁溫就會越高。在某個管的熱偏差系數過大的時候，就有可能成為危險管，甚至局部發生超溫爆管。

對于一組熱偏差曲線(T1,T2,…,Tn)，其最大值為：

Tmax=max(T1,T2,…,Tn)

(2)

對于一組熱偏差曲線(T1,T2,…,Tn)，其評價值為：

(3)

2基于BP神經網絡的熱偏差預測模型

2.1 用于預測鍋爐受熱面熱偏差的BP神經網絡

神經網絡具有很強的非線性擬合能力，可映射任意復雜的非線性關系，且學習規則簡單，便于計算機實現。目前廣泛應用于預測的神經網絡為BP神經網絡[1]，它采用多層結構，分為輸入層、隱含層、輸出層。BP神經網絡輸入層、隱含層通常采用Sigmoid函數或線性函數作為傳遞函數，輸出層預測函數采用線性函數作為傳遞函數。

2.2 影響熱偏差因素的分析

鍋爐運行過程中，熱偏差主要由工質側流量分配不均和煙氣側吸熱偏差引起。工質側流量分配不均的原因有：(1)由于集箱效應導致屏間流量分配不均；(2)由于管子排列結構差異而引起的管間流量不均；(3)由于熱效應引起的流量分配不均。煙氣側吸熱偏差的原因有：(1)沿煙道寬度的各列管子吸熱不同，主要是沿煙道寬度方向中煙氣溫度場和煙氣沖刷管子的速度場分布不均勻；(2)同屏的管子吸熱不同，主要是管子所處位置不同，導致受熱條件差異引起；(3)受熱面污染(積灰、結焦)的不均勻性，部分管污染可能會使其他管圈吸熱增加。

實際運行過程中可控制熱偏差的因素主要集中在煙氣側，通過優化控制配風方式實現。切向燃燒鍋爐運行過程降低熱偏差主要以分級送風和二次風反切等消旋為主要手段。四角切圓鍋爐通過調節爐內分級送風比例調整高溫受熱面熱偏差，通過分級送風減小爐膛上部切圓直徑，降低水平煙道熱偏差[2]。四角切圓鍋爐通過頂部二次過燃風反切的技術[3-4]，爐膛上部應用消旋，減少殘余旋轉，使爐膛上部保持一個弱旋，減少沿寬度方向熱偏差。由于爐內旋轉的是燃燒射流火焰，只有消旋風動量達到一定程度后，方能顯著影響水平煙道煙氣能量和壁溫分布[5]。

與四角切圓鍋爐相類似，墻式切圓鍋爐為了減弱爐膛空氣的殘余旋轉，通過附加風的反切和上下擺動，可有效降低高溫受熱面熱偏差[6]。切向燃燒鍋爐熱偏差圖形基本是固定的，不隨鍋爐負荷和燃燒器的投入情況而改變，最大熱偏差位置基本不變；而前后墻燃燒時的熱偏差圖形會隨投入燃燒器的情況而變化[7]。

對于高溫受熱面蒸汽側由上級受熱面傳遞到下級受熱面的吸熱偏差，除了設計時采用左右側蒸汽交換連接，運行時主要通過調整左右側減溫水流量[3]。通過調節兩側減溫水流量，可以調整受熱面進口汽溫側的偏差，進而達到降低熱偏差的效果。

2.3 鍋爐燃燒系統

2.3.1 660 MW墻式切圓鍋爐燃燒系統

某電廠660 MW超超臨界鍋爐機組采用CUF墻式切圓燃燒大風箱結構，全擺動燃燒器。整個燃燒器與水冷壁固定連接，并隨水冷壁一起向下膨脹，燃燒器共24組，布置于四面墻上，形成一個大切圓。煤粉燃燒器平面圖見圖1。

燃燒器采用CUF墻式切圓燃燒大風箱結構，全擺動燃燒器，共設6層濃淡一次風口，3層油風室，10層輔助風室，1層燃盡風室。燃燒器6層煤粉噴口，每層與1臺磨煤機相配，主燃燒器采用低NOx的PM型煤粉燃燒器。燃燒器的頂部為OFA噴嘴，可向上向下20°的擺動，一、二次風噴嘴可上下各20°的擺動。在距上層煤粉噴嘴上方約5.0 m處有4層附加燃盡風A-A(Additional Air)噴嘴，角式布置，見圖2。A-A風風箱分4個風室，每個風室設置2個噴口，即上噴口和下噴口。A-A風每個風室內的兩只上下噴口組成一組，除了可做上下30°的擺動，還可做左右10°的擺動。A-A風和OFA風除降低NOx外，還可以弱化爐膛出口殘余旋轉，適當增加OFA風和A-A風，調節爐內分級送風比例，使爐膛出口殘余旋轉降低，減少高溫受熱面熱偏差。此外應用A-A 風反切，爐膛上部消旋，降低爐膛出口殘余旋轉，同樣減少高溫受熱面熱偏差。

2.3.2 1 000 MW對沖燃燒鍋爐燃燒系統

煤粉燃燒器將燃燒用空氣分為四部分：一次風、內二次風、外二次風(也稱三次風)和中心風。煤粉及其輸送用風(一次風)經煤粉管道、燃燒器一次風管、煤粉濃縮器后噴入爐膛；燃燒器大風箱為運行燃燒器提供內二次風和外二次風，為停運燃燒器提供冷卻風。進入每個燃燒器的內二次風量可通過燃燒器上的二次風門進行調節，為手動。通過調節內二次風門的開度可得到適當的內二次風量，以獲得最佳燃燒工況，即良好的著火穩燃性能、高的燃燒效率、低的NOx排放量及防止燃燒器結焦等。進入每個燃燒器的外二次風量可通過燃燒器上切向布置的葉輪式風門擋板進行調節。調節外二次風門擋板的開度，即可得到適當的外二次風量和外二次風旋流強度，獲得最佳燃燒工況。

燃盡風及側燃盡風調風器將燃盡風分為兩股獨立的氣流送入爐膛，中央部位的氣流為直流氣流，它速度高、剛性大；外圈氣流是旋轉氣流，離開調風器后向四周擴散，用于和靠近爐膛水冷壁的上升煙氣進行混合。外圈氣流的旋流強度和兩股氣流之間的風量分配均可進行調節，各層燃燒器總風量的調節通過風箱入口風門執行器來實現調節。

2.4 鍋爐熱偏差預測模型

在訓練的過程中，第一層激勵函數為tansig，第二層激勵函數為purelin，學習率為0.02，轉動動量為0.8，最大訓練次數為400 000，最小誤差為0.000 000 1。

參數設置完畢，就可以訓練神經網路模型。由于BP神經網絡的誤差反向傳遞，經過N次誤差迭代訓練后，模型輸出誤差小于期望誤差，則神經網絡訓練完畢。經過N次計算后的神經網絡三層參數的權值與閾值分別存儲到數據庫，供在線優化熱偏差模型使用。

經過訓練后的神經網絡模型參數，當實際熱偏差工況比較惡劣的時候，通過選擇修改熱偏差模型參數的輸入值，調整模型輸出值；當模型輸出值較優的時候，記錄對應的模型輸入參數值，并顯示到人機交互界面，供運行人員修改，見圖3。

2.4.1 墻式切圓鍋爐600 MW 工況預測模型

墻式切圓鍋爐600 MW工況預測模型輸入參數見表1。

表1　試驗機組運行參數與配風

隱含層為隱節點，數量為30個。

模型輸出參數：鍋爐高溫受熱面(屏式過熱器、末級過熱器、末級再熱器)最大屏間熱偏差系數(見表2)。

表2　末過熱偏差系數最大值試驗效果

由表2可知：墻式切圓鍋爐的熱偏差預測模型最大誤差1.79%，最小誤差為0.30%，熱偏差模型預測值與期望值具有較好準確性。

2.4.2 前后墻對沖燃燒鍋爐1 000 MW 預測模型

前后墻對沖燃燒鍋爐在燃燒過程中，控制變量比墻式切圓的變量要少很多，運行的手段相對簡單，一次風對鍋爐高溫受熱面熱偏差影響比切圓燃燒鍋爐要大，因為前后墻對沖燃燒鍋爐高溫受熱面熱偏差圖形會隨燃燒器投運發生變化[7]，而燃燒器投運與一次風密切相關，所以在模型預測及優化熱偏差的過程中引入一次風等影響因素。

前后墻對沖燃燒鍋爐1 000 MW預測模型輸入參數見表3。

表3　試驗機組運行參數與配風

隱含層為隱節點，數量為30個。

模型輸出參數：鍋爐高溫受熱面(屏式過熱器、末級過熱器、末級再熱器)最大屏間熱偏差系數(見表4)。

由表4可知：前后墻對沖鍋爐熱偏差預測模型最大誤差-1.60%，最小誤差為0，熱偏差模型預測值與期望值具有較好準確性。

表4　末過熱偏差系數最大值試驗效果

3模型參數的靈敏度分析

3.1 模型參數對模型輸出的靈敏度分析

參數的靈敏度分析是計算各系統參數對系統輸出的影響因子，從而對系統參數進行優選。

(4)

式中：oj、oi表示第j個和第i個節點的輸出；wji表示第i個節點和第j個節點的連接權；αi為該節點的重視程度系數(0或1)；f為激活函數(sigmodal 函數)。

引入αi后，如果αi=0，節點i對網絡的其余部分沒有影響，相當于刪除了該節點；如果αi=1，節點i就是一個傳統的節點。于是隱節點i的靈敏度可表示為：

ρ=Eαi=0-Eαi=1

(5)

(6)

(7)

3.2 墻式切圓鍋爐600 MW工況風門開度對末級過熱器屏間熱偏差靈敏度分析

墻式切圓鍋爐600 MW工況風門開度對末級過熱器屏間熱偏差靈敏度分析見表5。

表5墻式切圓鍋爐600 MW工況靈敏度分析

%

由表5可知：對于墻式切圓燃燒鍋爐，影響末級過熱器熱偏差的主要因素有氧量和AA層附加風。

3.3 前后墻對沖燃燒鍋爐1 000 MW工況風門開度對末級過熱器屏間熱偏差靈敏度分析

前后墻對沖燃燒鍋爐1 000 MW工況風門開度對末級過熱器偏差靈敏度分析見表6。

表6　前后墻對沖燃燒鍋爐1 000 MW工況靈敏度分析　　%

由表6可見，對于前后墻對沖燃燒鍋爐，影響末級過熱器熱偏差的主要因素有：A磨煤機一次風流量、C磨煤機一次風流量和過熱器一級減溫水流量。

3.4 參數靈敏度分析意義

對于神經網絡模型預測而言，首先要找到一個擬合度十分良好的熱偏差模型；其次對于輸入參數而言，每一個輸入參數發生微小變動，模型輸出變化越大的則靈敏度越高，模型輸出變化忽略不計的靈敏度越低。

在神經網絡擬合較好的模型下，輸入參數對輸出參數的靈敏度分析越高，在實際運行中為了找到最佳手段調整鍋爐高溫受熱面熱偏差，通過分析熱偏差預測模型輸入參數的靈敏度，靈敏度越高，熱偏差調整動態過程中的優先級越高。

4結語

熱偏差預測模型引入三層BP神經網絡模型，建立鍋爐高溫受熱面熱偏差系數與鍋爐運行參數映射關系，進而建立鍋爐高溫受熱面熱偏差的預測模型，進而在鍋爐高溫受熱面熱偏差較大工況發生時，找到最佳調節手段，動態調節鍋爐運行參數，以降低鍋爐高溫受熱面熱偏差。

通過神經網絡模型方法研究了墻式切圓燃燒鍋爐和前后墻對沖燃燒鍋爐末級過熱器屏間熱偏差最大值的神經網絡預測模型，并檢驗了模型預測值和實際值之間的誤差。通過引入神經網絡模型參數的靈敏度分析，計算各個輸入變量的神經網絡模型靈敏度，進而確定實際運行過程動態調整鍋爐熱偏差的優先級，從而指導鍋爐運行人員優化調整熱偏差：

(1) 通過神經網絡建立鍋爐配風方式與高溫受熱面熱偏差的模型是可行的。

(2) 通過神經網絡模型的靈敏度分析，建立鍋爐運行優化調整運行參數的優先級。

(3) 墻式切圓燃燒鍋爐運行過程中，可通過調整二次風門開度來改善鍋爐高溫受熱面熱偏差。

(4) 前后墻對沖燃燒鍋爐運行過程中，調整一次風比二次風對降低高溫受熱面熱偏差反而更加有效。

參考文獻：

[1] 魏海坤. 神經網絡結構設計的理論和方法[M]. 北京：國防工業出版社，2005：10-15.

[2] 謝劍文，黃啟龍，楊紅權,等. 600 MW超臨界鍋爐爐內分級送風比例對高溫受熱面熱偏差的影響[J]. 神華科技,2009，27(1)：51-54.

[3] 唐從耿，劉叢濤，張裕嘉,等. 鍋爐受熱面熱偏差的改進措施[J]. 動力工程,2006,26(6)：773-779.

[4] 丁士發，陳朝松，劉平元,等. 角動量流率在大容量鍋爐受熱面超溫爆管改造中的應用[J]. 動力工程,2003，23(2)：2294-2297.

[5] 郭增輝. 淺析四角切圓燃燒鍋爐熱偏差產生的原因及治理措施[J]. 機電信息，2013(36)：54-55.

[6] 祁永峰. 國產660 MW超超臨界鍋爐熱偏差調整[J]. 電力科學與工程，2013，29(3)：74-78.

[7] 王孟浩. 大容量電站鍋爐過熱器再熱器溫度偏差原因及防治對策[J]. 鍋爐技術，1992，23(3)：1-11.

聲明

為適應我國信息化建設，擴大本刊及作者知識信息交流渠道，本刊已被《中文科技期刊數據庫(全文版)》、《中國核心期刊(遴選)數據庫》、《中國學術期刊網絡出版總庫》及CNKI系列數據庫收錄，有關作者文章著作權使用費與本刊稿酬一次性給付。如作者不同意文章被收錄，請在來稿時向本刊聲明，本刊將做適當處理。

A Thermal Deviation Prediction Model for the High-temperature Heating Surface of Ultra Supercritical Boilers

Yang Kaixuan, Ding Shifa, Tao Li, Chong Pei’an

(Shanghai Power Equipment Research Institute, Shanghai 200240, China)

Abstract：A mapping model of boiler operating mode and thermal deviation was established based on BP neural network, while a sensitivity analysis was made on input variables of the model to find the main factors that affect the thermal deviation of high-temperature heating surfaces under the condition of high boiler thermal deviation, so as to provide suggestions to lower the peak temperature of tube walls, slow down the formation rate of oxide scales, reduce the risk of explosive accidents, and therefore improve the safety of boiler operations.

Keywords：ultra supercritical boiler; high-temperature heating surface; thermal deviation; prediction model; sensitivity analysis

中圖分類號：TK222

文獻標志碼：A

文章編號：1671-086X(2016)02-0071-06

作者簡介：楊凱鏇(1983—)，男，工程師，主要從事電站鍋爐性能計算軟件開發工作。E-mail: yangkaixuan@speri.com.cn

基金項目：國家核電員工自主創新項目(SNP-KJ-CX-2013-15)

收稿日期：2015-09-18