數據驅動型實時燃燒優化控制架構及應用

吳坡，段松濤，張江南，賀勇，朱峰

(1.國網河南省電力公司電力科學研究院，河南 鄭州 450052；2.潤電能源科學技術有限公司，河南 鄭州 450052)

0 引言

隨著我國能源政策的調整和電力市場的競爭,能源結構逐步優化,需進一步強化對火電機組能效的提升和排放物的治理。因此，發電企業迫切需要降本增效，控制排放，以提高企業競爭力。為實現這些目標，鍋爐燃燒技術優化是一種可取的方案，其主要包括設備改造試驗、運行監視指導、自動控制優化3個層面：(1) 對燃燒器、風門、受熱面等設備進行改造或試驗來實現鍋爐的燃燒調整[1—3]；(2) 在線檢測和監視飛灰含碳量、火焰強度、溫度分布等鍋爐燃燒參數，指導運行人員調節鍋爐燃燒指令[4]；(3) 在分布式控制系統(distributed control system，DCS)基礎上，采用先進控制算法或人工智能技術來實現鍋爐的燃燒優化控制[5—6]。

鍋爐燃燒調整試驗雖然可以對機組的個別設備和工況點進行大致優化，但不能系統把控整體燃燒工況，且試驗條件(如長期穩定極限負荷)往往很難滿足。而從控制層面優化不需要對鍋爐設備進行任何改造，能夠充分利用鍋爐運行數據、燃燒試驗數據和原有DCS控制邏輯，結合鍋爐實時運行數據和先進控制算法對機組進行自動靈活調節，不但可以減少運行人員的頻繁操作，而且可以使機組在更寬負荷范圍內安全、高效、環保運行，因而具有很大的研究價值和應用潛力。

目前，DCS控制邏輯中往往通過調節一次風門、二次風門、送風機葉片等設備的開度來實現磨出口溫度、送風量、氧量等燃燒關鍵參數的閉環控制，其設定值根據鍋爐廠設計參數或鍋爐試驗參數確定，這些參數會隨著機組長期運行而改變。針對此缺點，雖然已經存在少量鍋爐燃燒優化控制系統，如NeuSIGHT、Power Perfecter、Ultramax、GNOCIS PLUS等，且近年來燃燒優化先進控制技術的研究得到了長足發展，但這些成果主要關注鍋爐燃燒過程的建模和優化，對鍋爐燃燒相關數據的利用程度不夠，軟件的可擴展性和適應性不強[7—8]。

文中以鍋爐燃燒的歷史運行數據、燃燒試驗數據和實時運行數據為驅動，在DCS組態基礎上，綜合運用數據處理、數據挖掘、統計建模、智能優化等技術，對鍋爐燃燒過程進行優化控制，并應用于燃煤電廠的實際生產過程，以提高電廠的經濟性、靈活性和自動化水平。

1 燃燒優化控制系統技術框架

燃燒優化自動控制的技術框架如圖1所示。燃燒優化系統與DCS之間進行雙向可靠通信，將從DCS歷史庫和實時庫中提取的相關運行數據和燃燒試驗數據作為數據源輸入到燃燒優化系統；從燃燒優化系統計算得到運行控制基準值和實時控制增量輸出到DCS。

圖1 燃燒優化控制總體技術框架示意Fig.1 Schematic diagram of overall framework for combustion optimization

從歷史運行數據出發，通過穩態檢測技術得到鍋爐不同穩定運行時刻的系列運行數據(如給煤量、風門開度等)，同時與試驗測量參數(如燃煤發熱量、漏風率等)一起計算得到對應穩定運行時刻的鍋爐效率。之后，對歷史數據集中的運行參數、鍋爐效率和試驗參數進行統計、人工智能等方法的訓練，可以構建得到鍋爐燃燒模型。另外，對由運行參數和鍋爐效率組成的數據集進行數據挖掘，得到各燃燒參數之間的關聯性、鍋爐燃燒運行模式和基于長期實際運行數據的基本運行參考曲線，作為自動燃燒優化過程中的運行控制基準。

從實時運行數據出發，通過實時濾波和其他數據處理技術，可以剔除實時運行數據的跳變和頻繁波動，得到便于計算的可靠實時參數；同時，通過鍋爐效率在線計算方法得到實時鍋爐效率。然后，根據實時參數、實時鍋爐效率和鍋爐燃燒模型，采用尋優算法進行實時控制參數優化，得到實時控制增量并輸出到DCS，用于對機組運行過程中鍋爐的燃燒參數進行實時校正。

總體技術框架中的主要技術模塊有數據處理、鍋爐效率計算、運行數據挖掘、建模及優化等。首先，處于穩態工況下的各參數間才具有較強的狀態關聯性，基于時間序列數據的穩態檢測模塊對形成有效數據集十分必要。其次，在應用實時運行數據進行參數優化和數據分析前，需要采用濾波模塊對不同波動幅度和波動時間的參數進行實時處理。其三，鍋爐效率計算模塊為了得到主要評價指標，須兼顧算法的有效性和輸入參數的可獲取性。其四，在剔除離群數據和無效數據的基礎上，通過數據挖掘模塊可以得到各變量間的特征，為運行控制基準提供依據。其五，燃燒建模得到燃燒輸入變量與輸出變量之間的關系，需解決小樣本、非線性和高維等問題，優化模塊須兼顧快速性和有效性特征。最后，為使機組安全運行，須保證通信可靠，也要注意控制投切條件和限制。

2 燃燒優化控制系統主要技術

2.1 數據處理

已有的穩態檢測方法主要可分為3類：基于統計理論、基于趨勢提取和基于機理分析[9]。作為基于趨勢提取的方法之一，基于分段曲線擬合可以被用于機組工況穩定狀態的有效檢測。首先，將歷史數據按點數進行有重疊地分段，在各分段內進行低次多項式的最小二乘法擬合，得到各分段的擬合曲線；其次，對各分段間的重疊部分進行加權平滑處理，以得到連續的擬合信號f(t)；同樣按加權方法計算得到各采樣時刻的一階導數f′(t)和二階導數f″(t)。一種穩態判斷條件如下：

|f′(t)|<σ1

(1)

|f″(t)|<σ2

(2)

式中：σ1，σ2分別為歷史穩態數據基準經擬合后得到的一階導數方差和二階導數方差。

按波動幅度可將濾波算法分為2類：對克服大脈沖干擾有效的方法主要有限幅濾波法、中值濾波法，可采用這類方法對燃燒過程中的CO排放量數據進行濾波；對抑制小幅度高頻噪聲較好的方法主要有算術平均法、滑動平均法、加權滑動平均法、一階滯后法等，可采用這類方法對運行中的功率、氧量等數據進行濾波。

2.2 鍋爐效率計算

考慮在線計算參數的可獲取性和有效性，采用熱損失法在線計算鍋爐效率[10]。簡化計算如下：

η=100-q2-q3-q4-q5-q6

(3)

q2=(k1+k2αpy)(tpy-tref)/100

(4)

q3=k3Φ(CO)/Qnet,ar

(5)

(6)

q5=qeDed/D

(7)

(8)

αpy=21/[21-Φ(O2)]

(9)

式中：η為鍋爐效率；q2為排煙熱損失；q3為化學未完全燃燒熱損失；q4為機械未完全燃燒熱損失；q5為鍋爐散熱損失；q6為灰渣物理熱損失；k1，k2均為系數，對于煙煤和無煙煤，k1=0.4，k2=3.55，對于褐煤，k1=1.0，k2=3.7；αpy為排煙過量空氣系數；tpy為排煙溫度；tref為環境參考溫度；k3為系數；Φ(CO)為CO的排放質量分數，mg/m3；Qnet,ar為燃煤應用基低位發熱量，kJ/kg；Asd為收到基灰分；αfh，αlz分別為飛灰和爐渣量占入爐總灰量的份額；Cfh,c，Clz,c分別為飛灰含碳量和爐渣含碳量；qe為鍋爐額定負荷下的散熱損失；Ded為鍋爐額定負荷；D為鍋爐實際負荷，t/h；cfh，clz分別為飛灰比熱容和爐渣比熱容；tlz為爐膛排出的爐渣溫度；Φ(O2)為排煙氧量。

上述公式可同時用于計算歷史鍋爐效率和實時鍋爐效率。首先，在計算實時鍋爐效率時，可從DCS實時獲取的數據變量主要有氧量、排煙溫度、鍋爐實際負荷等，計算前，需要采集多路冗余數據并進行質量判斷和擇優處理。其次，需要人工輸入一些經驗參數或離線檢測結果，諸如燃料低位發熱量、收到基灰分等，這些參數可以基于鍋爐燃燒運行數據和歷史試驗數據進行匹配輸入。另外，可以通過軟測量方法來獲取效率計算公式中難以從DCS實時測量的參數[11—12]，如飛灰含碳量。

當DCS直接測量的氧量為省煤器出口氧量時，基于鍋爐試驗中得到的不同負荷工況下空預器漏風率數據，通過下式校正排煙氧量：

(10)

式中：Rky為空預器漏風率，%；Φeco(O2)為省煤器出口氧量，%。

2.3 運行數據挖掘

在得到鍋爐效率、NOx排放、風機功耗等參數隨著負荷的增加所呈現的變化關系后，沿鍋爐效率關系圖中數據點的上包絡線可以得到不同負荷工況下的最高鍋爐效率，沿排放關系圖中數據點的下包絡線可以得到不同負荷工況下的最低排放量，進而可以確定運行最優的數據點，這些數據點所在時刻的各狀態數據即為燃燒優化狀態基準。

另外，通過改進最小二乘法、極大似然法等方法從歷史數據中辨識出鍋爐的特征運行狀態和燃用煤種信息，可以指導鍋爐燃燒過程在線調整[13]。其一，通過關聯負荷、主汽壓力、爐膛溫度、排煙溫度、給煤機出口溫度、計算煤耗等數據，可以將鍋爐燃用煤辨識為幾種特征模型，以此修正給煤量、一次風量、磨出口溫度等可調量。其二，通過鍋爐運行主要參數(如負荷、主汽壓力)，可以判斷啟、停磨煤機的時機和高、低負荷的燃燒穩定性，進而調整燃燒優化參數和限值。其三，結合鍋爐運行狀態(如風壓)，通過分析各大風機的功率損耗和空預器進出口差壓，可以分別判斷各大風機的運行狀態和空預器堵塞情況。

2.4 燃燒建模和優化

由于鍋爐燃燒是一個多變量、強耦合、非線性、多干擾的復雜過程，不宜用常規的數學模型(如代數方程、傳遞函數)來表征[14—17]，往往采用模糊算法、人工神經網絡、支持向量機等建模方法。相較而言，支持向量機在解決小樣本、非線性和高維模式識別問題中表現出許多特有的優勢，且能有效克服欠學習、過學習和局部極小缺陷；最小二乘支持向量機(least squares support vector machine，LSSVM)又通過不等式約束轉化方式降低了求解復雜性。LSSVM建模方法如下：

(11)

(12)

(13)

由于鍋爐的結構特性、運行狀態逐漸變化，不僅要對燃燒模型定期調整，也要對可調變量的設定值不斷優化。傳統的優化算法(如牛頓法、梯度法)無法解決有些強約束、多極值、多目標的鍋爐燃燒優化問題，而需要采用蟻群算法、遺傳算法、粒子群(particle swarm optimization，PSO)算法等[18—21]。其中PSO算法模仿鳥群飛行覓食行為，通過更新位置和速度實現全局尋優，可調參數少，受維數影響小，算法易實現且效率高。可采用慣性因子修正方法避免傳統PSO算法存在的局部最優、后期振蕩等缺陷。一種改進的PSO算法如下：

vij(t+1)=ω(t)vij(t)+c1r1[Pij(t)-zij(t)]+
c2r2[Pgj(t)-zij(t)]

(14)

zij(t+1)=zij(t)+vij(t+1)

(15)

(16)

式中：vij(t)，zij(t)分別為t代時粒子i的第j維速度分量和位置分量；c1，c2均為加速因子；r1，r2均為區間[0,1]內均勻分布的隨機數；Pij(t)，Pgj(t) 分別為直到t代時粒子i和整個粒子群的最優位置的第j維分量；ω(t)，ωmax，ωmin分別為t代時的慣性因子、慣性因子最大值和最小值；tmax為最大迭代次數。

2.5 安全性措施

在實際應用過程中，需保證燃燒優化系統與DCS之間通信的可靠性和及時性，也要保證實時控制的不間斷性和靈活性[22]。

投入燃燒優化系統的前提應至少包括：電源正常、通信信號正常、被調量在自動狀態、被調設備無故障、負荷高于穩燃條件(如高于滿負荷的50%)、未發生RUN BACK事件、畫面上選擇“投入”。當上述任一條件不滿足，將自動退出燃燒優化系統。其中通信信號異常的判斷條件可以包括：0/1“心跳”信號停止時間足夠長、應該持續變化的信號保持時間足夠長、系統硬件故障信號等。當系統間通信出現異常時，需要先保持從燃燒優化系統到DCS的信號，以免將DCS中的關鍵指令誤置為零，圖2以風門開度指令為例示意了信號保持邏輯。

圖2 通信異常時DCS中風門開度指令保持邏輯Fig.2 Logic diagram of damper command in DCS during abnormal communication

另外，燃燒優化系統在實時控制過程中，應能實現投入、退出的無擾切換，即在切換瞬間不能發生控制指令的跳變，這一方面需要保證上述系統間信號的不間斷性，另一方面要采用手動指令和自動指令相互跟蹤的邏輯控制方式。其次，在DCS的控制邏輯中要對從燃燒優化系統輸入的指令信號進行增量幅度限制和變化速率限制，以防止控制不當導致的燃燒失穩風險。為了實現燃燒優化的靈活性，一方面增加運行人員的手動可操作范圍，可以進行手動與自動切換、手動偏置指令、可調量偏置設定、限制條件更改等；另一方面，根據鍋爐特征運行狀態進行靈活自動控制，在負荷穩定狀態中合理設置風門指令動作死區，以避免頻繁操作且保持燃燒過程控制的穩定性，而在負荷大幅變化過程中動態響應速度要快。

3 燃燒優化控制系統應用實例

3.1 系統應用前機組控制

某660 MW燃煤機組鍋爐燃燒系統為前后墻對沖燃燒方式，前、后墻各分3層布置12只低氮燃燒器；在前、后墻最上層共相向布置有12只燃盡風噴口。制粉系統設計為6臺中速磨，每臺磨對應前墻或后墻的一層燃燒器。原DCS中主要燃燒控制原理為：(1) 鍋爐主控指令經風煤交叉限制后作為燃料量的指令信號，各層給煤機通過改變轉速調節給煤量；(2) 通過改變2臺一次風機的動葉開度調節一次風壓；(3) 通過改變各磨熱風擋板開度調節磨入口一次風量；(4) 通過改變各磨冷風擋板開度調節磨出口溫度，磨出口溫度調節采用串級調節方式，主調節器控制磨出口溫度，串級調節器控制磨入口溫度；(5) 通過改變2臺送風機的動葉調節二次風壓，氧量偏差信號經氧量校正調節器運算產生二次風壓校正系數；(6) 通過改變燃燼風擋板開度調節燃燼風量；(7) 通過改變2臺引風機的靜葉調節爐膛壓力。

3.2 系統應用技術特點

依據上述燃燒優化控制架構，在該電廠外置獨立的控制器，通過可靠方式與DCS進行數據通信，以實現燃燒優化控制功能。

采用分段曲線擬合法進行時間序列歷史數據的穩態檢測，能有效克服數據噪聲影響；在用DCS采集的氧量、功率等參數進行計算前，采用不同時間尺度的滑動均值法進行濾波處理。

采用上述鍋爐效率公式在線計算效率，計算所用的排煙氧量為經過空預器漏風率校正的氧量值。灰渣含碳量暫時基于從DCS界面輸入的定期試驗檢測結果，并隨著煤質的變化而稍作修正，后期采用含碳量在線檢測裝置將使結果更加準確。煤質參數基于煤質辨識模塊：首先將近兩年的所有煤質化驗數據進行統計，通過關聯分析挖掘出受煤質影響的主要運行參數(如負荷、主汽溫、主汽壓、主汽流量、爐膛溫度、排煙溫度等)，將煤質劃分為十余種樣本，并基于樣本集建立煤質辨識模塊。在運行過程中，若辨識出的煤質參數與某樣本中的參數相近，系統就自動將樣本中的煤質參數輸入到效率計算公式中；若辨識出的煤質參數與各樣本中的參數都相差太大，系統會選擇與之最接近的樣本煤質參數輸入效率計算公式，并發出新型煤樣告警，提醒運行人員確認，當確認所有樣本參數與新的測試報告不符時，需人工將測試報告中的參數輸入系統，系統自動更新樣本集。

依據各負荷工況下歷史最高效率數據點，得到燃燒優化基準曲線。運行過程中部分參數間的關聯信息如圖3、圖4所示。圖3中，A、B、E、OFA分別表示底層、中層、上層、燃盡風層風門開度。由圖可見，隨著負荷增加，各層風門開度都有增大的趨勢。從同一負荷工況下各層風門開度的對比可知，底層風門開度最高，在負荷高于350 MW時接近100%狀態；中層風門開度較小，多數在10%～60%；上層風門開度最小，在負荷低于400 MW時為0，這與相應給煤機啟動時的負荷相符。燃盡風門開度保持在20%～60%，且隨負荷變化有不明顯的正相關變化趨勢?？傮w上，爐膛中呈“縮腰型”配風方式。從圖4可以看出，隨著負荷的增加，氧量呈下降趨勢，且下降幅度由大轉小，在負荷高于500 MW后在一定范圍內(3%～4%)保持平穩。

圖3 各層二次(燃盡)風門開度與負荷的關系Fig.3 Diagram of correlation between damper states and load

圖4 氧量與負荷的關系Fig.4 Diagram of correlation between oxygen concentration and load

在對比了幾種建模方法的基礎上，采用以徑向基函數為核函數的LSSVM方法進行建模。模型輸入變量包括機組負荷、燃料灰分、燃料揮發分、低位發熱量、環境溫度、氧量、一次風壓、各二次風門開度、各燃盡風門開度等，模型輸出變量為鍋爐效率、脫硝入口NOx質量分數、風機總功率。利用長期積累的歷史穩態數據集，可不定期進行模型的自適應訓練和更新。

在進行運行參數優化時，依據目標函數中權重的大小將鍋爐效率作為主要優化目標，NOx排放和風機功耗作為次要優化目標。優化算法基于改進PSO算法，隨著迭代次數的增加對速率慣性權重(0.4～0.9)進行二次型遞減處理，局部加速因子(從大到小)和全局加速因子(從小到大)的線性變化區間為(0.5,2.5)，粒子的初始位置基于Logistic映射對應的混沌序列。對優化得到的實時控制增量進行限幅處理，限幅范圍隨著實時功率的增加而擴大。

圖5為燃燒優化控制的主界面，在畫面中按照爐膛內的布局顯示了各二次風門開度及其對應的給煤量、風量等參數。在畫面上方，一方面顯示了氧量、鍋爐效率、脫硝出/入口NOx質量分數、CO排放質量分數的優化目標值和實際值，以供運行人員參考；另一方面顯示了風量、煤耗、風機功耗等鍋爐燃燒主要參數，以實時反映鍋爐燃燒運行狀態。另外，在畫面中可以點擊 “輸入輸出”、“參數配置”、“優化曲線”各層風門圖標和優化按鈕等動態圖例，以進入具體的操作面板或畫面。

圖5 燃燒優化控制主界面Fig.5 Main interface of combustion optimization system

3.3 系統應用前后對比

經過現場實施和調試后，該燃燒優化系統已在電廠運行近一年。運行過程中能夠實時為氧量、二次風門開度、燃盡風門開度等可調量提供優化后的目標值，為煤耗、功耗、空預器堵塞、污染物排放等鍋爐運行狀態提供監控和深度分析的平臺，且各二次風門和燃盡風門在正常運行工況下可投入燃燒優化自動控制狀態。燃燒優化前后鍋爐效率對比見圖6，可見在不同負荷工況下，鍋爐效率較系統應用前的平均水平升高了近0.4%，且脫硝入口NOx和其他成本指標都控制在較低的范圍內。

圖6 燃燒優化前后的鍋爐效率對比Fig.6 Boiler efficiencies before and after combustion optimization

為了驗證系統應用效果，選取3個不同工況，在系統應用前后開展了鍋爐燃燒性能試驗，對比結果如表1所示。

表1 優化前后3種工況下試驗結果及計算結果對比表Table 1 Comparison of test and calculation results under three working conditions before and after optimization

試驗鍋爐效率和計算鍋爐效率的誤差小于0.15%，可見文中在線效率計算的準確性。從優化前后的變量對比來看，風門開度、總燃料量稍有微調，氧量、總風量可適當減??；化學未完全燃燒損失稍有提升，排煙損失和灰渣熱損失普遍減小；同時實現了鍋爐效率提升和NOx減小。

為安全起見，在機組的一些特殊工況下(如接近穩燃負荷、磨煤機檢修等)切為手動控制，上述方法計算得到的指令僅作為參考值，因為文中控制架構只是基于常規運行工況下的數據。因此當特殊工況數據充足時，可以進一步擴大自動控制的范圍。

4 結語

基于穩態檢測、效率在線計算、非線性建模、智能優化等技術，提出了以鍋爐歷史運行數據和實時運行數據為出發點、以輸入到DCS進行靈活可靠控制的運行控制基準和實時控制增量指令為落腳點的燃燒優化控制系統架構，并將其應用于實際燃煤電廠，實現了鍋爐燃燒的在線優化、二次風門的自動控制和燃燒狀態的實時監控與分析。文中系統架構和應用實踐可為不同爐型、不同燃燒方式、不同DCS的燃燒優化自動控制研究和應用提供參考。