大數據技術應用于火電機組深度調峰的研究

中電華創電力技術研究有限公司 陳鑫 王乃斌 劉利 徐威

隨著測量原件和信息處理技術的快速發展，電廠DCS系統中所存儲的生產運行數據的數據量呈幾何級數增長，這些運行數據都具有大容量、多樣性和價值高等大數據的明顯特征，可以被認定為是大數據，對這些數據的挖掘和分析，有助于掌握機組乃至整個電力生產系統的內在規律，充分提高設備的可靠性和經濟性。

隨著工業數字化的發展，先進的計算機技術與工業生產實際結合日益緊密，使得大數據技術用于研究和指導火電機組深度調峰成為可能，下文將對其應用路線進行探討。

1 大數據技術簡介

大數據是指數據規模大到在獲取、存儲、管理、分析方面大大超出了傳統數據庫軟件工具能力范圍的數據集合，電力企業的生產運行數據即具有此類特征。 大數據技術實際是指對這些有意義的數據進行專業處理，從中得出多個變量潛在聯系和規律，從而指導生產活動，即通過“加工”實現數據的“增值”。

企業組織利用相關數據和分析可以幫助降低成本、提高效率、開發新產品、做出更明智的業務決策。對電網企業來說，使用大數據分析可以預測電網負荷波動、分析售電形勢、加快智能電網建設等；對于發電企業，大數據技術可以指導設備運行、優化檢修計劃、降低停機風險等，把大數據技術應用到深度調峰研究中也將收益巨大。

2 鍋爐側應用路線

影響鍋爐深度調峰的因素主要是燃料特性和鍋爐燃燒穩定性。

2.1 燃料智能摻配

機組深度調峰時，最低負荷的決定性因素為燃料特性，如摻配摻燒煤種不合理，可能導致燃燒穩定性下降，甚至鍋爐熄火、制粉系統故障、鍋爐結焦嚴重等情況。所以在深度調峰前，需預先設定可靠的燃燒煤種，以保證運行的安全性和經濟性。

圖1 “燃料智能摻配”系統構架

燃燒煤種的選配可建立基于大數據平臺的“燃料智能摻配”系統，具體構建框架見圖1。燃料入廠前經過機械化自動采樣和全成分智能檢測，保證全面掌握煤質特性，把相關數據導入燃料特性數據庫，根據機組負荷預測和設備運行狀態等信息使用數據挖掘手段和機器學習算法對煤種摻混方式和比例進行實時優化，指導燃料入爐工作。對燃燒不同煤種時火焰燃燒狀況、輔機運行狀態、爐內熱力參數進行記錄分析，同時反饋進入燃料特性數據庫，機組外界，包括同一集團或不同集團的同類型機組可以進行數據共享。

2.2 燃燒數據分析

機組在進行深度調峰時，鍋爐動力場包括一次風、二次風、燃料量均下降，燃燒溫度降低，脫硝、脫硫、電除塵等減排設備運行參數改變，常規工況下的運行規范已很難全面指導此狀態下的運行操作。

各發電企業目前采取的措施主要是通過試驗或試運行摸索規律，在實踐中積累經驗，但通過運行人員摸索出的規律具有很強的局限性和主觀性，很難精確把握客觀規律，最大程度地保證機組運行安全經濟，同時單一發電企業的摸索和積累過程緩慢，消耗成本巨大。

如建設一套基于大數據平臺的“燃燒數據分析中心”，則可結合最新的計算機技術指導機組深度調峰的運行工作，具體構建框架見圖2。鍋爐包括相關輔機的運行參數和性能指標實時導入燃燒數據分析中心進行處理分析，運用機器學習算法并結合外界同類機組數據進行燃燒建模，根據模型給出最優控制參數，指導深度調峰下的運行工作，同時記錄運行狀況反饋回燃燒數據中心。

圖2 “燃燒數據分析中心”構架

2.3 基于神經網絡的火焰燃燒穩定性檢測

爐內燃燒穩定性是影響機組深度調峰能力的關鍵因素。基于神經網絡的鍋爐內火焰燃燒穩定性檢測方法[1]可以有效提高鍋爐內火焰燃燒穩定性的檢測精度，為深度調峰狀態下爐內燃燒的安全性提供先進的監控手段。該方法利用神經網絡算法，選取與火焰穩定性直接相關的多個特征作為神經網絡的輸入向量，通過對樣本的多次訓練能夠去除雜質燃燒引起的微小脈動的影響，克服傳統方法檢測準確度不高的問題。

3 汽輪機側應用路線

汽輪機及其熱力系統的運行經濟性是影響機組調峰期間煤耗指標的最主要因素，同時處于變工況運行的汽輪機，其通流部分的氣動特性與設計值發生較大偏離，設備的安全性和壽命損耗也需得到準確的評估。

3.1 汽輪機滑壓運行智能優化

為確保機組運行經濟性，汽輪機的滑壓運行曲線需根據深度調峰狀況重新擬定，包括重新確認滑壓運行經濟負荷起止點，滑壓運行壓力，確保汽輪機在調峰期間調門開度合理，進汽節流損失小，主蒸汽參數穩定。目前主要采用試驗方法對汽輪機滑壓方式進行優化，試驗過程繁雜，同時在調峰狀態變化或機組調速系統改造后需重做試驗。

結合大數據平臺開發“汽輪機滑壓運行智能優化”系統，根據負荷預測和機組運行狀況，對滑壓曲線進行預見性地修正，保證機組在常用工況點經濟性最優，同時滿足AGC等調控系統的要求。基于大數據平臺的滑壓運行調節系統還可以擬合并分析同類型機組的滑壓曲線，結合自身設備狀況進行仿真分析。

3.2 汽輪機安全智能診斷

深度調峰給汽輪機帶來多種潛在的安全問題，如排汽溫度升高引起缸體變形和軸承位置變化，可能導致汽輪機軸系振動增大；低壓末級動葉易誘發顫振；低壓葉片水蝕狀況可能加重；滑壓運行加重材料低周疲勞，影響機組壽命。

對于這些安全問題的評估應該在機組深度調峰前就展開，并且通過系統的研究，使得機組各方面的風險能夠清晰呈現，并針對風險制定相應策略。建立基于大數據平臺的“汽輪機安全智能診斷中心”能夠很好的達到目的，該系統構架如圖3所示，安全診斷中心內運用先進的數值模擬方法對機組的典型工況進行通流計算，對通流部分的熱力特性、流動特征和熱應力狀態全面掌握，運用流固耦合算法計算低壓缸末級葉片的水蝕和顫振狀況，經過與實際運行狀況的對比來評估設備的安全性。該系統在機組深度調峰可行性研究時就可介入，貫穿機組的全壽命周期，其安全預警的準確度隨著數據量的累積會不斷提升。

圖3 “汽輪機安全智能診斷中心”構架

3.3 輔機運行智能控制

深度調峰也會影響到輔機運行的安全性和經濟性，針對深度調峰時輔機運行安全和節能的需求，可運用大數據挖掘和分析技術，收集同類型機組和同一機組不同工況下的運行數據，經過學習型算法的優化計算，擬合出各類輔機的工作曲線或工況點參數，并且可嵌入機組控制系統，實現自動跟蹤控制。

4 結論

針對火電機組深度調峰的技術難點和大數據技術的應用特點，探討大數據技術應用于火電機組深度調峰研究的具體路線，提出針對鍋爐側和汽輪機側重點問題的具體應用策略，包括鍋爐側在燃料智能摻配、燃燒數據分析、火焰燃燒穩定性檢測問題上運用大數據技術的方案架構，汽輪機側在汽輪機滑壓運行智能優化、汽輪機安全智能診斷、輔機運行智能控制方向上的應用步驟。工業數字化是大勢所趨，大數據技術與深度調峰研究相結合將會產生巨大收益。