智能燃燒優化系統的研究與應用

田建勇，郭 濤

(國家電投集團河南電力有限公司開封發電分公司，河南 開封 475002)

智能燃燒優化系統的研究與應用

田建勇，郭 濤

(國家電投集團河南電力有限公司開封發電分公司，河南 開封 475002)

影響火電廠鍋爐性能的因素繁多，很難實現大量控制對象的在線優化控制。介紹了基于智能技術開發的鍋爐燃燒優化閉環控制系統，應用該系統對影響鍋爐燃燒的控制參數和大量對象進行在線優化調整，實現了各種運行條件下的鍋爐經濟性優化運行，提高了火電廠自動化運行水平，起到了節能降耗作用。

智能燃燒優化系統；燃煤鍋爐；閉環控制；粒子群優化

0 概述

鍋爐性能和狀態監測裝置的開發和相關設備的節能、低排放改造，在本質意義上都可歸入鍋爐燃燒優化范疇。但從機組的運行和控制角度來說，鍋爐燃燒優化控制多指基于現有監測手段對燃煤鍋爐的制送粉和配風相關對象和參數進行建議或控制，以實現鍋爐的節能優化運行。

在這方面，國外相關研究和實踐起步較早，成果較豐富。如美國的Ultramax系統、NeuSIGHT系統、Power Perfecter系統都是比較典型的燃燒優化系統。此外美國GE公司的KN3系統、艾默生公司的Smart process燃燒優化技術、Neuco公司的Combustionopt燃燒優化技術和英國Powergen公司的GNOCIS PLUS也是國外比較成熟的燃燒優化系統。這些公司的燃燒優化系統比較類似，均采用“黑箱”模型，用于對鍋爐燃燒模型的訓練和修正，需要在被優化工況下采集大量的樣本數據或DCS歷史數據。

國內早期燃燒優化控制技術的研究主要為鍋爐煙氣含氧量的優化控制，很多研究采用了煙氣中CO含量與鍋爐效率的關系作為間接尋優煙氣氧量的依據。此類控制系統簡單、有效，但是比較粗糙，實際應用很少，主要是受早期鍋爐可控性較差、各種分析測量儀表尚未成熟的影響。

西安熱工研究院研究出的鍋爐燃燒優化指導系統，屬于開環指導性系統；浙江大學開發的基于Internet/Intranet的燃燒優化指導系統，也不具備閉環控制功能；清華大學開發的OCP3系統、東南大學開發的BCOS-2000/2.0系統都采用神經網絡“黑盒”模型和非線性尋優技術，模型可自修正，可實現鍋爐燃燒優化的閉環控制。

綜上所述，目前絕大多數鍋爐燃燒優化控制系統都以“黑盒”神經網絡模型為核心模型，以監測數據為主要樣本來源，采用尋優和修正技術，對該模型進行在線修正，優化燃燒控制指令，提高鍋爐效率。但由于我國普遍存在煤質變化大、配煤摻燒和磨煤機運行方式多樣的情況，往往無法滿足各種工況下對模型不斷訓練和修正的要求。

下面開發的智能燃燒優化系統，充分利用鍋爐燃燒調整原理和經驗，建立神經網絡模型，將氧量給定、各層二次風門開度、燃燼風門開度都納入在線燃燒優化的控制范圍，實現爐側的全面閉環控制。此外，由于鍋爐系統涉及設備和工況繁多，在出現特殊情況，使燃燒優化的個別控制回路需切換為手動并進行人工干預時，該系統仍能對剩余控制回路進行優化，具有較高的生存能力。

1 系統原理

如圖1所示，智能燃燒優化系統核心由神經網絡模塊和粒子群優化控制模塊組成。由于該系統受modbus通信速率的限制，需盡可能降低通信點數以提高運算和控制指令周期，將容易在DCS中實現的優化控制在DCS內部通過邏輯修改的方式實現。另一方面，由于制粉系統配置的靜態分離器，已通過前期燃燒調整試驗獲得最佳的分離器擋板開度，各粉管風速及出力也已進行了試驗調平，運行后原則上不再進行相關調整，因此相關控制不再參與智能優化控制。

圖1 智能燃燒優化系統原理

就地測量信號經直接或間接方式實時通過有效性驗證、濾波和數據優選過程，送入智能燃燒優化系統。通過優選的部分數據被作為神經網絡的訓練樣本，供人工神經網絡進行學習，其余參數作為神經網絡的輸入信號供神經網絡模型用于預測鍋爐燃燒的效率和排放水平。此外，在目標系統中進行多負荷、多磨煤機組合、多煤種分層配煤摻燒的燃燒調整試驗，對原有鍋爐系統僅能就地調整的旋流二次風門開度、旋流分離器等進行就地調試和優化。以上述燃燒調整試驗結果和經驗為基礎，以鍋爐設備及燃燒特性為根據，進行專屬神經網絡的初始建模，用于模擬鍋爐的燃燒性能。

燃燒系統控制指令輸出由粒子群優化控制模塊生成，優化模塊采用多目標優化方式，采用一定數量的粒子，生成若干控制指令向量，并利用PSO(Particle Swarm Optimization，粒子群優化)算法調用神經網絡模型進行粒子的計算，從而尋找最為合理的控制指令向量，作為控制模塊輸出，送入系統DCS，進行鍋爐燃燒的控制。

燃燒優化控制指令的生成是根據控制指令優化PSO算法，采用訓練好的人工神經網絡，用以在尋優空間內智能搜索對應最優經濟性的控制指令組合。PSO是一種智能搜索算法，該算法源于模仿鳥群、魚群、蜂群或蟻群等生物種群在未知區域的探索和覓食方式。即種群中的一只“鳥”被看做一個粒子，描述其所在位置的n維向量包含1個目標問題候選解的n個元素，這些粒子不斷地根據自己的搜索經歷和種群中其他粒子的搜索經歷來更新它們的位置，并向最終的優化目標移動。種群中的每一個粒子通過給定的適應度函數判斷所到位置的“食物豐富程度”，也即問題解的適應度；并在它們的移動過程中記錄它們曾經到過的最佳位置，該最佳位置向量被稱為個體最優位置。與此同時，整個種群會記錄整個種群搜索到的最優個體的最優位置，該位置向量被稱為整體最優位置。每一個粒子便根據當前的運動慣性、個體最優位置和整體最優位置來修改下一個時刻的搜索方向和行進速度。這樣，任何一個具有n個參數的搜索或者優化問題便可以轉化為一定數量的粒子種群在n維空間內進行的智能搜索。

假設搜索或優化空間為n維，則t時刻第i個粒子的位置向量為：

該粒子當前的速度向量為：

該粒子到過的最優位置被記錄為：

整個粒子群的最優位置向量為：

這樣，每一個粒子便可以根據式(5)和(6)更新其下一時刻的速度和下一時刻的位置。

式中：

Iw——慣性質量；

c1——認知加速度(cognitive acceleration)，一般取值為2；

c2——社會加速度(social acceleration)，一般取值為2；

r1，r2——[0，1]區間的隨機數。

當然，由于給定搜索空間的限制，一般還會設置一個最大速度限制Vmax；當某一粒子速度的大小超過該最大速度限制時，強制令該速度等于最大速度限制。

從式(5)可見，粒子速度的更新包括慣性項、認知項和社會項3部分。式(5)中的第1項為慣性項，代表粒子會在一定程度上保留上一時刻的運動；第2項為認知項，代表粒子會有一定的幾率朝自己到過的最優位置移動；第3項為社會項，代表粒子會有一定的幾率朝向整個種群的最優位置移動。后2項主要代表粒子群的智能搜索能力，第1項則使粒子群具備一定的隨機搜索能力。

已有相關研究經驗表明，粒子群算法較之常規的遺傳算法傾向于利用較少的系統資源，尤其適用于復雜模型的多維空間尋優，且避免了遺傳算法編碼解碼造成的尋優精度限制。粒子群算法的尋優搜索空間具有給定邊界，因此可避免常規算法的發散和無效解的出現；而且動態邊界的設置還可以疊加已有控制經驗；此外其高效的搜索效率和優良的穩定性使之更適合工業控制應用。

圖2給出了基于PSO優化算法的控制指令生成流程。粒子群中每個粒子的空間坐標代表一組控制指令組合，通過訓練好的燃燒優化神經網絡轉換為每個粒子的適應度輸出，這樣PSO算法就可以根據每個粒子的適應度分布，智能尋找最優的空間坐標，也即最優的控制指令向量，輸出優化控制參數組合。

對于粒子群算法而言，尋優解空間的合理給定是提高尋優效率和成功率的重要一環。燃燒優化控制系統。可在前期燃燒調整試驗獲得的靜態優化曲線兩側選取合理的浮動優化空間，供智能算法進行尋優。一方面，采用試驗獲得的優化曲線，可保證尋優結果不會偏離至不安全或不穩定的區域；另一方面，實際最優控制目標應不會偏離試驗得到的優化結果很遠，因此這樣的尋優空間設置可使尋優粒子更接近最優的目標位置，大幅提升尋優效率。

圖2 基于PSO算法的控制指令生成流程

由于系統燃燒特性的精確評估往往需精確的實驗測點和所投入煤質的元素分析，這無法從現場表計中全部獲得，因此將鍋爐燃燒優化試驗的結果作為多個原始樣本，是形成智能人工神經網絡的初始根據。系統在運行過程中不斷根據預設的樣本采集系統模塊，收集滿足要求的實測數據向量作為學習樣本并進行存儲，當樣本更新至一定的程度后自動啟動自學習模塊，更新用于控制的神經網絡。

2 智能燃燒優化系統應用

某公司2號機組(600 MW)采用的超臨界鍋爐(2號爐)系東方鍋爐廠制造的DG1900/25.4-Ⅱ1型鍋爐，燃燒采用正壓直吹式制粉系統，中速磨煤機配旋流燃燒器，前后墻各3排對沖燃燒，每排4只，共24只燃燒器。鍋爐制粉系統采用中速磨正壓直吹式冷一次風制粉系統，共配有6臺磨煤機(5臺運行，1臺備用)。DCS控制系統采用北京ABB貝利公司的Symphony分散控制系統(DCS)，該系統是一套機組各項控制功能完善、軟硬件一體化完全成套的控制系統。

2015-11-10，智能燃燒優化自動控制系統在該公司2號機組前后墻對沖鍋爐完成配置，對鍋爐設備進行了靜態的調整優化，并安裝調試。截至2016-05-07投入全部主要閉環優化運行回路，完成在287—622 MW負荷區間實施連續穩定控制，使全部二次風門、燃燼風門和氧量實現實時智能優化控制。

初步估算系統投運后的運行數據，與2號爐燃燒優化前性能對比，智能燃燒優化系統投運后，鍋爐熱效率平均提高了0.77 %，省煤器出口實測NOx濃度平均降低了31.5 mg/m3，年平均節約標煤8 370 t，折合人民幣500萬元以上。

3 結論

該智能燃燒優化系統采用人工智能神經網絡與多目標PSO控制算法，基于燃燒優化試驗與實時測量數據進行神經網絡建模，利用試驗確定的優化基準采用PSO算法在給定的優化范圍內進行優化控制，實現燃燒效率的提高和排放的降低。智能燃燒優化系統自實施以來，效果較好，對節能減排具有重要的意義。

1 陳彥橋，劉建民，曾德良，等．火電機組燃燒優化的研究現狀及展望[J]．華東電力，2010，38(10)：1 599-1 603.

2 劉海波，周 洪，林光銳．神經元控制在鍋爐燃燒系統中的應用研究[J]．電力科學與工程， 2004，20(1)：32-34.

3 孔 亮，張 毅，丁艷軍，等．電站鍋爐燃燒優化控制技術綜述[J]．電力設備，2006，7(2):19-22.

4 應 劍，徐旭，王新龍．基于閉環控制系統的電站鍋爐燃燒優化[J]．華東電力，2007，35(1)：69-72．

5 孫巧玲，沈 炯，李益國．基于遺傳算法的燃煤電站鍋爐整體燃燒優化方法研究[J]．熱能動力工程，2004，19(1)：85-88．

華能集團全力以赴確保安全防洪度汛

近期，我國南方遭遇大范圍持續暴雨襲擊，多條河流出現超警戒水位，泥石流、山體滑坡等災害隱患突出，防洪度汛工作形勢嚴峻。中國華能集團公司認真學習貫徹習近平總書記關于安全生產工作的系列重要指示批示精神，進一步落實國務院、上級有關部門部署要求，提前謀劃、加強領導，立即組織、及時動員，備足物資、加強巡查，精心操作、確保設備和人員安全。特別是在湖南、廣西、江西、廣東、湖北等受災較為嚴重的省份，集團公司各企業密切關注汛情，積極應對洪澇災害，第一時間啟動應急預案，加強24 h值班值守和巡查排查，健全上下貫通、指揮順暢、運轉高效的組織領導體系，全力以赴確保安全防洪度汛。截至目前，集團公司安全生產平穩進行，所有機組保持穩定運行。

在湖南，6月22日至7月2日的11天時間里，全省降雨量高達287 mm，降雨量之多、強度之大，歷史罕見。2017-07-03T08:00，岳陽電廠城陵磯超警戒水位1.84 m，湘祁水電站所在湘江祁陽段超警戒水位6.11 m。汛情發生以來，華能湖南分公司高度重視防洪度汛工作，進一步壓緊壓實防汛工作責任，做到防洪度汛工作分工明確、責任到人、落實到位，切實加強值班值守，認真落實領導帶班24 h值班制；確保防洪度汛工作萬無一失。

廣西、江西、廣東、湖北等省分公司也都啟動相應防汛預警，加強值守，確保廠房及水電站設施安全。

（來源：中國華能集團公司網站 2017-07-03）

2017-01-19；

2017-03-22。

田建勇(1961—)，男，工程師，主要從事火力發電廠熱工專業技術管理工作，email：TJYWJY@126.com。

郭 濤(1975—)，男，工程師，主要從事火力發電廠熱電管理工作。