熱工參數軟測量技術在火電廠節能中的應用

賀 軍

（貴州興義電力發展有限公司，貴州 興義 562400）

熱工參數軟測量技術在火電廠節能中的應用

賀 軍

（貴州興義電力發展有限公司，貴州 興義 562400）

本文研究了熱工參數軟測量技術在火電廠節能中的應用，選取了煙氣含氧量和飛灰含碳量兩個對機組經濟性能有重要影響的指標進行建模，得到了煙氣含氧量和飛灰含碳量的軟測量模型。為了驗證模型的準確性，分別對兩個模型的軟測量值和實際值進行了比較驗證，并采用均方根誤差系數RMSE作為衡量指標進行了分析，兩個模型的軟測量模型輸出結果和校驗樣本的均方根誤差分別為0.043和0.039。

火力發電；軟測量；支持向量機；煙氣含氧量；飛灰含碳量

隨著經濟的不斷發展，節能降耗越來越受到各個行業重視。然而，作為能源消耗大戶的電力行業，在節能技術開發和節能效果提升上還有很大的潛力。對燃煤電廠來講，調整爐膛結構、優化燃燒和運行方式等手段可以提高電廠的經濟性，但是我們卻忽略了一些關鍵技術參數測量不準確或者不及時對機組經濟性的影響。

例如煙氣含氧量、飛灰含碳量以及球磨機負荷等參數，其變化會對電廠的發電效率產生很大的影響，而在實際中，這些參數在技術上或者在成本上的因素往往不能及時準確地被測量到，運行人員不能及時針對上述參數對機組運行進行調整，也就不能使機組取得最大的經濟效益。

鍋爐煙氣含氧量對調整風煤配比具有重要的意義，過高的含氧量會增大排煙損失，過低的含氧量會導致不完全燃燒損失增大。目前，大部分電廠用氧化鋯來測量煙氣含氧量，該方法需要經常對設備進行維護，耗費大量的人力和物力。飛灰含碳量能夠很好的表征鍋爐的燃燒效率，但是該參數很難通過直接測量得到，電廠中常見的方法是采用離線分析的方法，因此具有很大的滯后性，不能及時得到鍋爐的燃燒情況。針對以上兩種對機組性能有重要影響但是又不容易通過測量直接得到的參數，本文提出了軟測量的方法，通過對煙氣含氧量和飛灰含碳量建立軟測量模型，從而實現上述參數的事實測量，進而實現機組的節能。

1 軟測量方法簡介

軟測量方法是一種依靠間接手段對難測量以及不可測量量的估算方法，軟測量的關鍵步驟是找到與被測量關系密切的易于測量的輔助量并建立相應的數學模型。

圖1軟測量方法示意圖給出了建立軟測量模型的具體步驟，首先通過對過程對象中系統干擾d和控制變量 u的分析得到輔助變量 x，然后通過軟測量模型，以輔助變量 x為輸入數據，得到輸出變 y的最優解zy。

圖1 軟測量方法示意圖

為了保證模型的精度，必須要保證輔助變量 x的準確性，為此需要對現場測量得到的數據進行預處理，去掉一些誤差較大的數據，進而保證輔助變量的精確。

2 支持向量機的軟測量建模

支持向量機的軟測量建模方法是目前較為常用的建模方法。支持向量的基本原理就是通過尋找函數子集中使得經驗風險的估值達到最小時的函數，此函數即為最佳的方案。

2.1 支持向量積計算方法

支持向量機計算方法中需要求解得到最優分類面，通過最優分類面來確定分類線，并將不同的類別區分開來。當區分誤差為0時所得到的直線為最優分類線，如式（1）。

通過歸一化的方法得到樣本的集合（xi, yi），i=1, …, n，x∈Rd，y∈{-1，+1}，二者的關系可以用式（2）表示。

VC維的邊界為

應用支持向量機的方法可以實現對回歸問題的求解，首先對樣本的集合（xi, yi），i=1, …, n，x∈Rd，y∈R設置回歸函數如式（5）：

徑向基函數作為核函數，即

最終得到方程為

式中，iα和b為未知量，通過對樣本數據結合中的數據訓練得到。

2.2 模型的建立

煙氣含氧量和飛灰含碳量是影響燃煤電廠經濟性的主要指標，為此本文主要建立煙氣含氧量和飛灰含碳量的軟測量模型。

軟測量建模主要原則如下：

1）對影響煙氣含氧量和飛灰含碳量的原始數據進行采集和處理。采集的數據中不免有一些粗大誤差的數據，需要仔細篩選并去除掉這些數據。同時不同輔助變量間的數量級會有較大差異，需要進行歸一化處理。

2）對輔助變量進行優化選擇。輔助變量是模型的基礎數據，模型建立時對輔助變量的要求有兩方面：①對所求參數的影響要大；②不同輔助變量之間要有較好的相關性。通過這兩條準則可以實現對輔助變量的進一步篩選。

軟測量建模流程圖如圖2所示。

圖2 軟測量建模流程圖

本文選取的模型為某燃煤電廠 600MW 超臨界機組，鍋爐的燃燒方式為四角切圓燃燒。本文對鍋爐煙氣含氧量和飛灰含碳量分別建立了軟測量模型，其結構如圖3和圖4所示。

圖3 煙氣含氧量軟測量模型結構

圖4 飛灰含碳量軟測量模型結構

3 模型驗證

為了驗證模型的準確性，本文選取電廠100組連續運行數據，通過對其中50組數據進行訓練得到煙氣含氧量和飛灰含碳量的軟測量模型參數，30組用于模型的驗證模型的準確性。通過計算得到煙氣含氧量支持向量機軟測量計算模型的核參數σ=2.0，γ=50，模型的預測值和實際值的比較曲線如圖5所示。飛灰含碳量的支持向量機軟測量計算模型的核參數σ=2.5，γ=45，模型的預測值和實際值的比較曲線如圖6所示。

從圖中可以看出，煙氣含氧量和飛灰含碳量軟測量值和實際值具有很好的吻合性。

為了比較預測值和實際值的偏差，采用均方根誤差系數RMSE作為衡量指標。

圖5 煙氣含氧量軟測量模型預測值與實際值的比較

圖6 飛灰含碳量軟測量模型預測值與實際值的比較

通過計算可以得到煙氣含氧量支持向量機軟測量模型輸出結果和校驗樣本的均方根誤差為0.043，飛灰含碳量支持向量機軟測量模型輸出結果和校驗樣本的均方根誤差為0.039。由此可見，支持向量機的軟測量模型具有較高的精度，可以在實際中應用。

4 結論

1）本文主要研究了支持向量機計算的軟測量方法在電廠節能中的應用，選取了煙氣含氧量和飛灰含碳量兩個對機組經濟性能有重要影響的指標進行建模，得到了煙氣含氧量和飛灰含碳量的軟測量模型。

2）通過煙氣含氧量和飛灰含碳量軟測量值和實際值的比較驗證了模型的有效性。

3）采用均方根誤差系數RMSE作為衡量指標，求得煙氣含氧量支持向量機軟測量模型輸出結果和校驗樣本的均方根誤差為0.043，飛灰含碳量支持向量機軟測量模型輸出結果和校驗樣本的均方根誤差為0.039。

[1] 閻威武, 朱宏棟, 邵惠鶴. 基于最小二乘支持向量機的軟測量建模[J]. 系統仿真學報, 2003, 15(10):1494-1496.

[2] 周昊, 朱洪波, 曾庭華, 等. 基于人工神經網絡的大型電廠鍋爐飛灰含碳量建模[J]. 中國電機工程學報,2002, 22(6): 96-100.

[3] 王劍東, 王東風, 韓璞. 軟測量技術及其在電廠熱工過程中的應用[J]. 電站系統工程, 2002, 18(5):49-51.

[4] 喬弘. 火電廠熱工參數軟測量關鍵技術和方法研究[D]. 北京: 華北電力大學, 2009.

[5] 劉福國, 郝衛東, 韓小崗, 等. 基于煙氣成分分析的電站鍋爐入爐煤質監測模型[J]. 燃燒科學與技術,2002, 8(5): 441-445.

[6] 方湘濤, 葉念渝. 基于BP神經網絡的電廠鍋爐飛灰含碳量預測[J]. 華中科技大學學報(自然科學版),2003, 31(12): 75-77.

[7] 劉長良, 孫曉嬌, 劉站營. 支持向量機在鍋爐飛灰含碳量軟測量中的應用[J]. 電力科學與工程, 2010,26(1): 39-43, 59.

[8] 付旭, 丁建設, 潘軍民, 等. 基于模型預測控制的火電廠主蒸汽溫度優化[J]. 電氣技術, 2014, 15(1):126-127.

[9] 郭建仙, 楊帆. ECMS系統在百萬機組的應用分析[J].電氣技術, 2015, 16(9): 78-82.

The Application of Soft Measurement Technology of Thermal Parameter to Energy Saving in Thermal Power Plant

He Jun
(Xingyi Guizhou Electric Power Development Co., Ltd, Xingyi, Guizhou 562400)

The thermal parameter soft measurement technology in energy saving of thermal power plant has been studied. Two indexes which content on the economic performance of the unit are modeled as oxygen content and the carbon content of fly ash. The soft measurement and actual values of the two models are verified. At the same time, the mean square error coefficient is used as the measurement index. The results of the two models are 0.043 and 0.039 respectively.

thermal power generation; soft measurement; least square support machine; flue gas oxygen content; unburned carbon

賀 軍（1979-），男，本科，工程師，從事熱工自動控制工作。