燃煤電廠煤場場損預測研究

＊郭洪濤 毛國明 楊永紅 黃寅 劉聰 朱天宇

（1.華能國際電力股份有限公司玉環電廠 浙江 317600 2.武漢華中思能科技有限公司 湖北 430074）

前言

通過連續監測露天煤場和圓形煤場煤堆的煤堆特性指標、氣候參數和煤質變化指標，找出煤質指標隨煤堆特性指標變化規律，得出不同煤質在不同環境條件下最佳堆存時間[1-2]。并且獲得煤炭在露天煤場和圓形煤場儲存過程中煤質變化規律，特別是原煤熱值損耗變化規律，可對入廠及入爐煤熱值差原因進行分析并為改善煤場管理提供依據[3-4]，為電廠帶來可觀的經濟效益[5-7]。

1.場損預測模型

可采用不同物理建模以及方法，包括微分方程模型、灰色預測模型、差分方程預測、馬爾可夫預測、插值與擬合、神經元網絡等，對煤場場損進行預測[8]；實際使用的模型根據數據源擬合結果的優異進行選取。

本文以神經網絡模型方法，建立預測模型程[9]，如下：

（1）讀取歷史的煤場場損數據；

（2）對上述數據進行數據處理，包括數據清洗即歸一化處理；數據歸一化為將數據按照一定標準變換成無量綱的參數，常見的做法為歸一化參數等于參數與標準參數的商；

（3）生成樣本數據庫；

（4）確定神經網絡學習模型，包括卷積神經網絡、BP神經網絡模型等；

（5）確定訓練模型輸入層、隱藏層即輸出層參數；

（6）確定樣本數據庫中的訓練樣本、測試樣本、驗證樣本構成；

（7）調整訓練模型參數；

（8）訓練模型；

（9）檢查訓練誤差是否大于設定值，若不大于，則輸出訓練模型獲得煤場場損預測jar包；若大于設定值，則調整訓練參數，調整至第7步，直至誤差小于設定值，最終輸出煤場場損預測jar包。

模型建立過程如下圖1所示。

圖1 基于神經網絡模型的煤場預測模型

2.實際算例

本文的研究對象為為華能玉環電廠。玉環電廠為4×1000MW超超臨界機組，鍋爐采用П型布置、單爐膛、低NOx-MPM主燃燒器和MACT燃燒技術、反向雙切圓燃燒。鍋爐采用一次中間再熱、平衡通風、露天布置、固態排渣、全鋼構架、全懸吊結構，燃用神府東勝煤和晉北煤。

玉環電廠設四個煤場，通過式布置，煤場面積約為2×（200×430m2），單堆煤堆寬度42m，堆高為12m，最多貯煤量約為58.96萬噸。其場損參數見下表1所示。

表1 場損參數

其中各數據獲取方式如下：

（1）環境參數包括空氣濕度、環境溫度，可通過人工實時記錄上傳至系統或者系統自動抓取而獲取。

（2）煤堆物理參數包括煤堆高度、煤堆底部直徑、煤堆總質量、煤堆堆密度；其中煤堆高度和煤堆底部直徑通過實地測量獲得，如盤煤儀掃描或者人工測量后上傳。

（3）煤堆堆密度根據人工測量獲取，并讀取取樣時間點數據。

（4）煤堆總質量由煤堆體積和煤堆堆密度計算得出：煤堆體積根據盤煤儀掃描獲得。

（5）煤質特性參數包括煤堆熱值、收到基水分以及收到基揮發分，在取樣時間點取樣后根據進行工業分析獲得。

（6）煤堆溫度場參數為煤堆不同位置、深度的溫度值，獲取方法為：在取樣時間點提供煤堆實時溫度場，由程序處理后獲得煤堆內各分層平均溫度。

（7）噴淋水量參數為煤場噴淋水流量，根據實時記錄，噴水量為從堆放開始累積的噴水質量。

選取電廠2020年5月20日0點0分為取樣時間，獲取煤堆各取樣位置和深度的溫度數據，如表2所示；煤堆取樣測點位置示意圖如圖2所示。

表2 煤堆各測點溫度

圖2 煤堆測點位置

通過以上預測模型，得到煤場預測結果如下圖所示。經過與實際結果對比，得出場損預測結果精度較高，可滿足實際場損預測要求。

圖3 煤場場損預測結果

3.結論

本文對煤場存煤的煤質指標變化與煤場熱值損耗之間的規律進行深入探究，并有效指導燃煤運行人員的煤場管理和配煤摻燒工作，降低煤場熱值損耗，提高入爐煤熱值，減小熱值差，最終提高機組經濟性。由此可指導煤場管理和配煤摻燒工作，降低煤場熱值損耗，減少入場入爐煤熱值差，提高燃料經濟性。