入爐煤質在線軟測量技術研究與應用進展

成艷亭，宋立信，池 鋒，馬 超，景 強，王 洋

(1.中國大唐集團科學技術研究院有限公司，北京 100040；2.廣東大唐國際潮州發電有限公司，廣東 潮州 515723；3.太極計算機股份有限公司，北京 100102；4.山東理工大學 物理與光電工程學院，山東 淄博 255000)

0 引 言

火電生產過程中，煤質波動是影響鍋爐效率的主要因素之一，但煤質是少數未廣泛實現在線檢測聯入生產控制的過程變量。當前煤質在線分析儀多依賴進口，設備應用到核射線或其他高能束的介入探測，價格昂貴、應用要求高、后期維護投入較大；煤質分析儀適用于皮帶煤的測試，對于中儲式制粉系統測試后的煤還需經過制粉倉存儲，并不能直接反映入爐煤品質，因此煤質在線分析儀器在火電生產過程協同控制中的應用較少。

工業過程某些重要變量難以直接檢測，借助軟測量技術可通過易于得到的輔助變量進行間接診斷估計與趨勢預測。軟測量技術也稱為軟儀表或虛擬儀表，被認為是儀表技術發展的第5個階段(模擬儀表-電子儀表-數字儀表-智能儀表-虛擬儀表)。研究人員基于電廠分布式聯動控制監測的特點，將軟測量技術應用于入爐煤煤質的在線測量[1-2]，并初步形成了不同的技術路線。

火電生產中大量的分布式測點狀態反映了生產工況及燃用煤質的情況，特別是爐后煙氣組分變化與入爐煤可燃成分組成密切相關。根據GB/T 13223—2011《火電廠大氣污染物排放標準》要求，我國多數電廠都配備了煙氣排放連續監測系統(Continuous Emission Monitoring System，簡稱CEMS)，CEMS系統內集成了氣體分析儀、顆粒物分析儀、溫度/壓力/濕度分析儀等在線獲取SO2、O2、NOx等氣體成分的標準體積分數、煙塵顆粒濃度及煙氣排放物理特性(煙氣流量、煙道壓力、溫度、濕度等)。根據“特定品質的燃煤和工況產生特定排放”的事實，煙氣側參數結合磨煤機參數、爐側汽水參數、機前參數等可充分反映燃用煤的品質。當前入爐煤質軟測量研究基于機理分析或數據學習、人工智能形成了不同的技術路線；而燃煤品質具有多參數的特點，不同燃煤品質參數的軟測量存在關聯的同時亦有較大區別，關于入爐煤質軟測量技術體系目前缺乏綜合的系統論證。

為總結論證煤質軟測量技術的體系框架，筆者按照技術特點對入爐煤質軟測量技術原理和方法進行分類總結，對不同煤質參數的軟測量方法進行關聯論證，分析不同煤質軟測量技術存在的問題，對未來入爐煤質軟測量技術的發展方向提出建議。

1 燃煤品質參數及軟測量技術分類

煤質分析分工業分析和元素分析兩類，元素分析包含煤中可燃性元素碳(C)、氫(H)、氧(O)、氮(N)、硫(S)含量以及灰分(A)、水分(M)，元素含量以通常以收到基統計。工業分析參數包括固定碳、灰分、水分、揮發分含量，在火電生產中以煤的工業分析應用為主并參與火電的能效分析。此外，燃煤品質參數還包括煤的發熱量，可分為高位發熱量及低位發熱量，發熱量是燃煤分析中非常受關注的品質參數，以低位發熱量的分析應用為主。

煤質軟測量可根據煤質劃分方法不同分為煤種辨識及上述燃煤品質參數的軟測量；煤種辨識技術綜合煤的品質特性按照易燃性、發熱高低等將燃煤劃分為有限的品質等級，電廠通過建立燃用煤種歷史數據庫，對比不同品質等級燃煤的應用工況、效率、經濟性等開展燃煤種類的在線辨識技術。如王惠杰和王雷雨[3]在某電廠應用燃煤品質范圍內，利用k-均值法得到用煤收到基灰分、水分的典型值，用k-中心算法得到干燥無灰基典型值，在此基礎上將典型數據進行組合，并基于門捷列夫經驗公式補充低位發熱量構造燃煤品質數據庫，基于正反平衡校驗對入爐煤種進行在線識別。

當前入爐煤質軟測量以具體品質參數的軟測量為主，也是本研究的主要論述內容，下述內容中煤質軟測量即代指煤的具體品質參數的軟測量技術，圍繞煤的元素含量、水分、灰分、發熱量的軟測量分別論述。根據不同檢測原理和技術路線，將當前研究和應用的軟測量技術劃分為基于機理分析的軟測量和基于機器學習的軟測量兩大類，下面分別對兩類煤質在線軟測量方法進行闡述。

2 基于機理模型分析法的煤質在線軟測量

基于機理分析的煤質軟測量技術起源于輸入/損失技術[4]，機理分析以制粉、汽水、排煙等環節的能量、質量平衡作為依據構建軟測量模型。

2.1 基于機理分析的水分軟測量

2.1.1機理分析模型

水分軟測量模型機理主要根據磨煤機進出口能量平衡分析構建，如圖1所示[5-8]。根據能量平衡原理流入和流出磨煤機能量相等，各部分能量通過磨煤機入口風量、磨煤機出力、漏風系數、摩擦因數、工質比熱等測點數據進行計算；其中原煤物理熱、水分蒸發熱量及加熱煤料熱量均與煤含水量有關。

圖1 磨煤機能量平衡模型Fig.1 Energy equilibrium model of coal mill

原煤物理熱qrc為

qrc=Cdc(1-Mar)trc+MarC(H2O)trc，

(1)

式中，Cdc為煤的干燥劑比熱容，kJ/(kg·K)；trc為原煤溫度，℃；C(H2O)為水的比熱容，kJ/(kg·K)。

煤粉在磨煤機研磨過程中蒸發水分消耗的熱量qev和蒸發水分ΔMar為

qev=ΔMar(2 500+C″(H2O)t2-4.187trc)，

(2)

(3)

其中，C″(H2O)為水蒸氣平均比定壓熱容，kJ/(kg·K)；t2為磨煤機風粉混合物溫度，℃；wmf為磨煤機出口煤粉含水量，視為煤粉細度R90和磨煤機出口風粉混合物溫度、Mar的函數，具體為

(4)

加熱煤料消耗的熱量qf為

(5)

其中，等號右側第2部分為解凍熱量，適用于最低日均溫度低于0 ℃的寒冷地區，最低日均溫度高于0 ℃的氣候該部分取0；Id為冰的溶解熱，kJ/kg；ci為冰的比熱容，kJ/(kg·K)；ta,min為最低日均溫度，℃。

根據圖1中磨煤機能量平衡模型最終得到關于原煤收到基水分的一元二次方程[9-10]。需要說明的是所述水分軟測量機理分析方法僅適用于直吹式鍋爐，而中儲式鍋爐制粉系統輸出的煤進入煤粉倉而非進入鍋爐，因此基于制粉系統能量平衡分析所得含水量并不能代表入爐煤含水量，中儲式鍋爐入爐煤含水量的理論計算模型[11]為

Mar=80.65γ(H2O)(V(CO2)+V(SO2)+V(N2)+V(O2))-
9w(Har)-100ραVgkdk，

(6)

式中，γ(H2O)為煙氣中水分的體積分數；V(CO2)、V(SO2)、V(N2)、V(O2)分別為煙氣中CO2、SO2、N2、O2在標準狀態下的體積，L；ρ為空氣密度，kg/L；α為過量空氣系數；Vgk為干煙氣體積；dk為空氣濕度。

2.1.2基于機理分析的水分軟測量現場應用

文獻[5]在一臺300 MW機組上應用基于機理分析軟測量模型測量入爐煤水分含量，入爐煤質在試驗期間較為穩定，現場應用表明軟測量模型適用于配有直吹式制粉系統的電站鍋爐，入爐煤收到基水分的實時測量誤差在5%以下。文獻[7]在某電廠直吹式制粉系統應用水分軟測量分析，對比一段時間內的煤粉的工業分析值，水分軟測量平均相對誤差為-3.33%。

相較于其他煤質參數，基于機理分析的水分軟測量只涉及制粉環節，通常先于其他燃煤品質參數進行求解，軟測量結果作為其他品質參數軟測量分析的已知條件。

2.2 基于機理分析的元素成分軟測量

2.2.1機理分析模型

燃煤中可燃成分(有機元素)經過燃燒氧化放熱后形成煙氣，燃煤有機元素組成決定了煙氣組分含量，研究者通過煙氣監測數據依據國標進行了煤元素成分的機理分析模型。元素含量通常以收到基(Car、Sar、Har、Oar、Nar)為基準，而分析中常以干燥無灰基(Cdaf、Sdaf、Hdaf、Odaf、Ndaf)為計算單位，兩者之間可參考國標利用收到基灰分進行換算[12-14]。

基于機理分析的煤元素成分軟測量通常將含水量作為已知條件，以入爐和爐后的物質的量平衡為依據,以1 kg入爐煤為基準燃燒前后物質平衡方程[15]為

(7)

式中，ρA為空氣密度，kJ/L；Vgk為參與燃燒的空氣體積，L；V(H2O)為標準狀態下煙氣中水分的體積，L；ρ(CO2)、ρ(SO2)、ρ(N2)、ρ(O2)、ρ(H2O)分別為煙氣中各氣體成分密度，kg/L；∑Viρi為微量氣體總質量，kg；Cucr為未燃盡碳的百分含量。

入爐前后物質的量平衡亦可采用不同的燃料標準分析，何明福等[16]基于煤的干燥無灰基列出入爐到煙氣側的物質平衡(式(8))，其中煤的干燥無灰基表示為CHaSbOcNd，下標a為Hdaf與Cdaf的物質的量之比，b為Sdaf與Cdaf的物質的量之比，c為Odaf與Cdaf的物質的量之比，d為Ndaf與Cdaf的物質的量之比。

(8)

其中，f為煤中水分子的摩爾系數；w為空氣中水分子的摩爾系數；x為未燃盡碳摩爾系數；m為CO的摩爾系數；B為單位摩爾分子數量的煤完全燃燒所需O2的物質的量，具體為

(9)

煤粉燃燒后有機元素經過氧化轉化成雙原子或三原子氣體并在煙氣中占一定比例，實際應用中，除將燃燒前后物質總量平衡作為構建軟測量模型的直接依據，由于煙氣測點可提供計算依據及煙氣成分與煤有機元素含量構成的內在聯系，普遍將煙氣成分體積分數的理論計算引入軟測量模型；據物質總量平衡及國家標準進一步解析煙氣成分體積分數的理論計算模型，如根據式(8)的煤粉燃燒物質的量平衡，由右端整理得到燃燒產物(煙氣：CO2、CO、H2O、SO2、O2、N2)總的物質的量R為

B(3.76+w)+Bα(4.76+w)。

(10)

進一步由式(8)右端各氣體成分前系數與R的比值即得各氣體成分占總煙氣的體積分數理論值；假設煙氣分析儀可提供煙氣中各氣體成分體積分數測量值(CO、CO2、O2、SO2、N2)，并結合其他條件使式(8)右端各氣體成分前系數閉合求解(a、b、c、d求解可知)，即CHaSbOcNd顯式可得，則根據分子組成得到入爐煤粉有機元素的干燥無灰基質量分數。

當煤燃燒物質的量平衡采用煤的收到基(式(7))，煤元素軟測量同樣是通過建立煙氣成分測點數據與元素含量間的解析關系來完成，此時宜將收到基Car、Har、Oar、Nar、Sar的質量分數作為求解變量，式中煙氣氣體成分V(CO2)、V(SO2)、V(N2)、V(O2)、V(H2O)根據煤元素成分含量計算理論值并計算在煙氣中的理論體積分數[17]，以實際煙氣中氣體成分的體積分數為依據，并結合其他條件構建軟測量模型，實現入爐煤粉有機元素含量的閉合求解。

軟測量模型中煤粉燃燒的總量平衡中涉及過量空氣系數，可根據煙氣測點數據計算(式(11))[18]，或依據國標由煤元素含量解析(式(12))[19-20]，或在簡化軟測量模型的條件下(如忽略未燃盡碳)作為獨立變量求解。

(11)

(12)

其中，γ(O2)、γ(CO)分別為煙氣中O2和CO的體積分數；V(RO2)為煙氣中三原子氣體在標準狀態下的體積，L；φ為空氣中氧氣的體積分數(以1 kg煤燃燒前后物質的量計)；Vgk,daf為1 kg煤燃燒所需理論干空氣標準體積，L，根據煤中各有機元素含量w(Cdaf)、w(Sdaf)、w(Hdaf)、w(Odaf)計算如下：

Vgk,daf=0.088 9(w(Cdaf)+0.375w(Sdaf))+
0.265w(Hdaf)-0.033w(Odaf)-0.889ΓC。

(13)

由于未知量較多，僅由煙氣分析儀測點數據并不能構成閉合可解的軟測量模型，煤的元素成分軟測量通常補充Cdaf-Hdaf及Cdaf-Odaf間的統計關系為

w(Hdaf)=a1w(Cdaf)+b1，

(14)

w(Odaf)=a2w(Cdaf)+b2，

(15)

其中，a1、a2、b1、b2為根據統計煤樣得到的回歸系數，統計范圍應盡量貼近電廠實際常用煤種。由于Cdaf-Hdaf、Cdaf-Odaf統計關系的引入，入爐煤粉有機元素成分的軟測量關鍵是Cdaf、Sdaf的求解，而N元素可根據總的煤粉組成間接得到[16]，煤的干燥無灰基組成為

w(Cdaf)+w(Hdaf)+w(Odaf)+w(Ndaf)+w(Sdaf)=1。

(16)

未燃盡碳使得軟測量模型存在修正。劉福國[17]給出了修正后的碳、硫元素理論計算公式為

w(Cdaf)=53.59γ(CO2)(Vdaf(RO2)+Vdaf(N2)+Vdaf(O2))+
(1-γ(CO2))ΓCucr，

(17)

w(Sdaf)=142.86γ(SO2)(Vdaf(RO2)+Vdaf(N2)+
Vdaf(O2))，

(18)

其中，γ(CO2)、γ(SO2)分別為煙氣中CO2、SO2的體積分數；ΓCucr為由未燃盡碳Cucr引入的修正量；Vdaf(RO2)、Vdaf(N2)、Vdaf(O2)分別為煙氣三原子和雙原子氣體在標準狀態下的體積(以煤的干燥無灰基計)，修正后的理論值為

(19)

Vdaf(RO2)=0.018 66(w(Cdaf)+0.375w(Sdaf))-
0.018 66ΓC，

(20)

Vdaf(N2)=0.008w(Ndaf)+(1-φ)αVgk,daf，

(21)

Vdaf(O2)=φ(α-1)Vgk,daf。

(22)

Cdaf-Hdaf、Cdaf-Odaf統計關系的補充仍難以解決軟測量模型的閉合求解問題，為實現煤元素分析軟測量模型閉合求解，研究者進一步引入燃料特性系數β的計算[18](式(23))，實際應用中由于煙氣中CO含量很少，分子分母中由γ(CO)引入的項可忽略。

(23)

此外，研究者利用門捷列夫多元線性回歸公式作為橋梁進行煤元素含量與發熱量的同步分析[21]，門捷列夫公式給出了煤發熱量與煤元素成分含量間的統計公式[22-26]為

Qnet,ar=339w(Car)+1 208w(Har)-
109(w(Oar)-w(Sar))-25Mar，

(24)

劉福國等[27]在煤元素成分的軟測量中，開展爐膛蒸發受熱面燃燒輻射吸熱的經驗計算公式和進出口工質的能量平衡的協同分析，并結合門捷列夫公式構建了發熱量與元素分析的并聯軟測量模型；爐膛蒸發受熱面能量平衡分析為

(25)

其中，右側為爐膛蒸發受熱面所吸收輻射傳熱的經驗計算公式[28]，其中Ta為理論燃燒溫度，℃，是煙氣成分含量、灰分等決定的關鍵參數，而煙氣成分含量與煤元素成分關系見式(17)～(20)；A為與爐膛結構有關的常數；σ0為絕對黑體的輻射系數；φ為爐膛的保熱系數；Vcpj為根據工質吸收輻射熱能及理論燃燒溫度折算的比熱容，kJ/(kg·K)；左側為爐膛蒸發受熱面進出口工質吸熱，g為每秒流入流出工質質量，kg；h′、h″分別為入口和出口的工質焓，kJ/kg；Bj為考慮未燃盡碳損失的計算燃料質量，kg，具體為

(26)

式中，Bm為實際燃料消耗量，kg；q4為固體未燃盡損失率，%。

2.2.2基于機理分析的燃煤元素成分軟測量應用

何明福等[16]在600 MW火電機組上進行了基于煙氣成分分析的燃煤元素成分軟測量試驗，穩負荷4 h試驗數據表明，碳、氫、氧、硫元素與試驗測定值的偏差小于2%；劉志華[20]在試驗鍋爐上應用基于煙氣成分分析的燃煤元素成分軟測量模型，多工況對比試驗表明收到基碳的相對誤差為-4.3%～3.9%；劉福國等[15]通過熱效率試驗驗證了基于煙氣成分分析的燃煤元素成分軟測量模型的有效性；米翠麗等[18]通過機組穩態試驗表明，基于煙氣成分分析的燃煤元素軟測量結果與電廠工業分析數據間相對誤差均值<5%；劉吉臻等[11]進行了部分煙氣信息下的燃煤成分軟測量試驗，結果表明，當水分無法通過磨煤機能量平衡模型直接計算時，燃煤含硫、碳、氫、氧元素含量的軟測量誤差分別為±3%、±3%、±5%、±5%，若水分通過磨煤機能量平衡模型求解時對應誤差分別為±1.5%、±0.2%、±0.4%、±0.6%。

總結煤元素含量的機理分析軟測量，主要以煙氣成分與煤元素成分組成間的物質平衡為依據構建軟測量分析模型，分析模型未知量較多，煙氣測點難以提供足夠的解析模型求解依據；需要聯入其他關系模型進行并聯求解，如以門捷列夫公式為橋梁進行能量平衡分析等。

2.3 基于機理分析的燃煤發熱量軟測量

對于火電生產而言，入爐煤發熱量的可監測具有重要意義。研究表明燃煤發熱量與理論空氣量有非常明顯的線性關系，可以用發熱量來表征煤質變化，以此確定煤質變化后的最佳風煤比。當前入爐煤發熱量多采用間接矯正實現生產調節，超臨界機組通常將主蒸汽流量作為實際負荷參考值與負荷指令進行對比修正燃料發熱量，或對燃煤定期取樣，手動輸入校正值，矯正方式并不能滿足煤質頻繁波動對發電控制的要求。煤發熱量的軟測量技術彌補了間接矯正的不足，可作為BTU矯正的直接依據提高控制效率[29]。基于機理分析的發熱量軟測量技術大致可分為4類，即靜/動態矯正法、熱量信號構造法、基于總能量計算及煤量矯正的熱值軟測量及間接法。

2.3.1靜/動態矯正法

煤發熱量測量目的是對煤耗進行矯正，多以穩定性工況為矯正前提，根據總燃料量與負荷等構建煤耗矯正系數，實現煤量的在線矯正[29]。黃衛劍等[30]通過對一段時間內機組從并網到帶滿負荷過程的負荷-燃料量關系進行平滑處理后,作為基準的負荷-燃料率關系，通過增加動、靜態前饋降低負荷及主汽壓力對PID調節的依賴，實現穩態燃料熱值矯正；當機組負荷和燃料量變化速率大于定值時要停止矯正，機組負荷低于40%額定負荷時熱值校正輸出跟蹤手/自動操作站。趙征等[31]總結了燃煤發熱量的靜態矯正法和動態矯正法，其中靜態矯正法在穩工況下由機組負荷N和總煤量BV計算：

(27)

其中，k為特性系數，根據穩工況機組特性判定，靜態矯正法應用中首先通過負荷、主蒸汽壓力、主蒸汽溫度、送風量、給煤量等參數等判斷是否符合穩態工況判定，判定為穩定工況的前提下進行煤發熱量的計算；N為機組負荷；BV為總煤量，通常可通過制粉系統皮帶秤讀數得到，亦可通過擬合制粉量與磨煤機轉速、出口風壓與一次風壓差數值關系間接獲得。靜態矯正法主要應用的是機組負荷出力，在穩工況前提下可得到較好應用，而機組頻繁調峰處于非穩工況時負荷出力與燃煤發熱量間偏離線性回歸，靜態矯正法不再適用。

與此同時，云南省跨境結算清算渠道也在不斷完善，打通了與700多家境外銀行機構跨境清算渠道，首創開展了非現金支付工具跨境使用。此外，現鈔跨境調運路徑進一步拓寬。3家金融機構獲得開展外幣現鈔跨境調運資格，開通了泰銖、越南盾直供渠道。《云南省規范境外邊民人民幣個人銀行賬戶管理工作方案》獲中國人民銀行總行批準實施，放開NRA賬戶現金存取款和賬戶內資金轉存為定期存款功能。截至今年6月末，累計共批復46家境外機構NRA賬戶辦理現金業務，累計辦理現金業務396筆，金額3．6億元，較好地滿足了邊貿企業、邊民的現金使用需求。

動態矯正法通過主蒸汽流量和鍋爐蓄熱2部分來計算機組總能量，對于汽包爐鍋爐蓄熱用汽包壓力微分表示：

(28)

(29)

2.3.2熱量信號構造法

張銳鋒等[32]用機組實際負荷與負荷預測值比較構造矯正系數，用矯正系數乘以設計煤種發熱量得到熱值的軟測量值；負荷預測值基于亞臨界機組負荷-汽輪機前壓力簡化非線性動態模型得到：

rM=UB(t-τ)，

(30)

(31)

(32)

Pt=Pb-K2(K1rB)1.5，

(33)

(34)

式中，rM為進入磨煤機煤量，t/h；UB為燃料指令，t/h；t為當前時刻，s；τ為制粉系統延遲時間，s；Tf為制粉系統慣性時間，s；rB為鍋爐燃燒煤量，t/h；Cb為鍋爐蓄熱系數；K3為汽輪機增益；Pt為汽輪機前壓力，MPa；uT為汽輪機調節汽閥開度，%；K1為燃料增益；K2為過熱器出口蒸汽壓力系數；Tt為汽輪機側慣性時間，s；NE為機組發電負荷，MW。

劉鑫屏等[33]利用機前壓力Pt、機組負荷N、汽包壓力Pb、汽輪機調節級壓力P1來衡量過熱環節、汽輪機做功、再熱環節的能量傳遞以及差壓特性，基于機組負荷-壓力的雙輸入雙輸出簡化模型構造出熱量信號(式(35))，結合制粉的慣性延遲整定，計算入爐煤發熱量(式(36))：

(35)

(36)

其中，uB為輸入燃料量，t/h；η為機組發電效率；s為拉氏變換量。模型中主要應用汽機側參數構建能量傳遞環節，減少了水汽側參數的應用，一定程度上減少了機組參與一次調頻帶來的擾動，但需要通過擾動試驗等整定動態參數后才能應用，此外模型本身易受到給水波動及其他非適定因素影響。

曾德良等[34]在直吹式鍋爐簡化模型基礎上進行了煤量的慣性延遲矯正(式(37)～(38))；結合汽水環節工質能量平衡及動量平衡分析，并假設汽水循環系統狀態變化可由任意點的狀態變化表示，得到有效吸熱Q(s)(式(39))；最終得到直流爐入爐煤低位發熱量測量模型的傳遞函數(式(40))：

Q=k0rB，

(37)

(38)

Q(s)=c1sPm(s)-(hw(s)-d1)Dw(s)-

(d1-lhm(s))Ds(s)，

(39)

(40)

式中，Q為汽水系統有效吸熱，kJ；k0為有效發熱增益系數；Pm為汽水分離器出口蒸汽壓力，MPa；hw為省煤器入口給水比焓，kJ/kg；Dw為省煤器入口給水流量，kg/s；Ds為過熱器出口蒸汽流量，kg/s；hm為汽水分離器出口蒸汽比焓，kJ/kg；η、l、τ、d1、Tf、c1為待定參數。

傳遞模型包含2個靜態參數η、l和4個動態參數τ、d1、Tf、c1，靜態參數利用機組穩態運行工況求取，其中η為機組發電效率，動態參數采用智能尋優算法辨識得到。分析過程將汽水循環內部視為響應無異性和均勻工質，當汽水循環不同環節時間慣性不一致時軟測量模型難以區分，這是機理分析方法普遍面臨的難點。

韓忠旭等[35]應用類似方法，基于直流鍋爐單元機組協調控制模型如圖2所示，依據能量守恒設計“熱值觀測器”，應用汽機前壓力信號對熱值進行動態修正[36]，分析模擬了爐前到燃燒傳熱汽水工質壓力變化、機前壓力各環節的時間響應特性。

圖2 直流鍋爐單元機組協調被控對象模型Fig.2 Coordinated control model of once-through boiler

田亮等[37]對比燃煤完全燃燒所需理論干空氣量與理論燃燒釋放總能量，總結出理論燃燒空氣熱量近似比Kvq，結合鍋爐排煙氧量的計算建立起煤燃燒吸熱模型(式(41))，基于有效吸熱模型相對總煤量可進一步構造入爐煤發熱量Q0：

(41)

其中，Q0包含了鍋爐散熱損失及未燃盡碳熱損失；m(O2)為鍋爐排煙氧量；V為進入鍋爐的實際風量；Kvq為燃燒空氣熱量比的不準確性，是影響熱量信號構造精度的主要因素，受煤質、空氣濕度、爐膛漏風、鍋爐散熱等影響，文獻[37]列出了國內主要煤種的Kvq值。

2.3.3基于總能量計算及煤量矯正的熱值軟測量

通過測定鍋爐有效吸熱及各項熱損失計算放熱總能，對總給煤量進行慣性延遲矯正[38-39]，由放熱總能和矯正后的給煤量計算燃煤發熱量為

(42)

Qr=Q1+Q2+Q3+Q4+Q5+Q6，

(43)

Q1=Dgrigr-Dgsigs+Djws(izr-ijws)+Dzr(izr-igp)，

(44)

式中，Qr為煤粉燃燒釋放熱總能，kJ；Q1為鍋爐有效吸熱，kJ，根據汽水側包括再熱段與過熱段參數計算；Q2為排煙熱損失，kJ；Q3為化學未完全燃燒熱損失，kJ；Q4為機械未完全燃燒熱損失，kJ；Q5為鍋爐散熱損失，kJ；Q6為灰渣物理熱損失，kJ；Dgr為主蒸汽流量，kg/s；igr為主蒸汽焓，kJ/kg；igs為給水焓，kJ/kg；Dgs為給水流量，kg/s；Djws為減溫水流量，kg/s；izr為再熱蒸汽焓，kJ/kg；ijws為減溫水焓，kJ/kg；Dzr為再熱蒸汽流量，kg/s；igp為高缸排汽焓，kJ/kg，各焓值可根據壓力、溫度按照汽水熱力特性IFC97計算獲得。

(45)

式中，T為給煤量的慣性時間常數，s。

基于總能量計算及煤量矯正的熱值軟測量模型主要問題是機組慣性延遲特性的矯正，分析模型進行了給煤量延遲慣性矯正，但未統籌有效吸熱與熱損測算的慣性延遲，如針對同一信號標準的過熱、再熱環節慣性延遲特性參數不完全一致，且忽略了汽水側熱工參數不均勻的影響。

2.3.4間接法

煤的發熱量與煤的元素含量存在統計線性回歸，即門捷列夫公式；此外發熱量與煤的工業分析間也存在類似聯系[40-45]，即燃煤發熱量與煤水分、灰分、揮發分和固定碳等符合多元線性統計回歸，為

Qnet,ar=0.377 7(Aar+Mar)+33.828。

(46)

因此，在具備水分、灰分在線測試儀的條件下，通過發熱量、水分、灰分3者間的二元線性回歸關系式求得熱量。發熱量與燃煤工業分析指標間的統計回歸受樣本的影響，當樣本范圍不一樣時式(46)中回歸系數有一定差別[46]。

2.3.5基于機理分析的燃煤發熱量軟測量應用

劉福國[17]在300 MW的汽輪發電機組中應用煤質元素分析與發熱量的并聯求解模型，入爐煤發熱量的軟測量相對誤差為4%；劉福國等[27]構建了煤質元素分析與發熱量的并聯求解模型在一臺1 000 MW 超超臨界鍋爐上獲得應用，發熱量的相對測量誤差在-6.99%～5.32%；黃衛劍等[30]設計熱值矯正系統在某1 000 MW機組應用表明AGC響應速度明顯提高；張銳鋒等[32]設計熱值矯正系統對某600 MW機組協調控制系統進行BTU矯正，改善了機組負荷、汽輪機前壓力控制品質；劉鑫屏等[33]基于負荷-壓力動態模型構造熱值信號在大唐盤山電廠600 MW機組上應用，結果表明軟測量系統具有良好的抗爐側、壓力擾動性能，熱測量結果與電廠工業分析結果吻合較好；曾德良等[34]在1 000 MW直流爐上應用熱量信號測量模型，升降負荷階段計算燃煤發熱量誤差<5%；田亮等[37]在一臺660 MW機組上進行由風量和氧量構造熱量信號試驗，負荷擾動試驗表明熱量信號反饋能夠有效減小機前壓力波動。

總結基于機理分析的入爐煤發熱量軟測量，技術分支相對多樣，其中靜動態矯正法應用較早，但對機組的延遲慣性處理欠佳，且未統籌熱損；熱量構造法主要基于煤量、壓力信號傳遞的時間響應特性描述構建分析模型，或對汽水循環系統熱焓傳遞特性進行簡化分析構建熱量信號；非穩工況下時間響應特性參數的準確整定、汽水工質變化均勻性是否近似滿足是軟測量可靠性的關鍵；基于空氣熱量比的測定有效吸熱的軟測量方法較簡潔，但要求入爐煤使用穩定煤質、保證空氣熱量比的可靠性；基于總能量計算及煤量矯正的熱值軟測量方法較直接，需要核算有效吸熱及各項熱損，計算量較大；間接法以水分、灰分測試儀的使用為前提應用較少。

2.4 基于機理分析的灰分軟測量

基于機理分析的灰分的軟測量在元素分析、發熱量軟測量的基礎上借助總給煤量校驗進行，或借助經驗公式通過其他品質參數估算。

2.4.1基于給煤量校驗的迭代修正法

發熱量已知的情況下，煤燃燒釋放總能量取決于總給煤量；若已知灰分含量，總給煤量給定的條件下灰分總量一定，在該事實基礎上構建基于煤量校驗的灰分修正[20]，流程如圖3所示。

圖3 基于給煤量校驗的灰分迭代計算流程Fig.3 Iterative computation of ash content based oncoal mass verification

基于給煤量校驗的迭代修正法本質上是在煤元素成分與熱值軟測量的聯合分析模型基礎上，加入灰分假設和給煤量驗證進行的迭代計算；校驗修正過程中應用到元素含量的軟測量模型、發熱量的軟測量；總煤量的校驗應用到煤粉燃燒釋放總能量的計算，包括機組有效吸熱和各項熱損，總和見式(37)。軟測量構建過程的影響因素較多，除了煤元素與發熱量分析模型的可靠性外，包括各測點的可靠性、機組有效吸熱及各項熱損測算準確性等。

2.4.2基于正反平衡校驗法計算

(47)

(48)

基于正反平衡校驗的灰分軟測量模型與基于給煤量校驗的迭代修正法有很大相似性，均需要在水分、元素成分的軟測量基礎上計算機組有效吸熱及熱損失，不同的是校驗修正方法。同基于給煤量檢驗的灰分修正法一樣，參與計算的熱工參數繁雜，有效吸熱及各項熱損失的計算易受到工況波動的影響，非穩態下的計算準確性降低。

2.4.3基于其他品質參數的間接估計

利用煤的工業分析參數與發熱量間存在顯著的多元線性回歸，由水分、發熱量依據統計回歸得到灰分[49]。但實際應用中，利用工業分析參數間的統計回歸進行灰分間接測量的情況較少，通常用于燃煤發熱量的軟測量，即在具備水分、灰分在線測試儀的條件下依照統計回歸進行燃煤發熱量的計算，主要原因是缺乏發熱量在線檢測設備，且發熱量的軟測量分析實施難度較大，非穩工況分析確切性欠佳。

2.4.4基于機理分析的灰分軟測量現場應用

劉志華[20]基于給煤量矯正迭代修正求解入爐煤灰分，就單爐膛固態排渣汽包爐型進行不同工況的試驗，結果表明軟測量值較工業分析值相對誤差的絕對值小于5%；米翠麗等[18]在煤質軟測量模型中融合正反平衡校驗法進行了入爐煤元素成分及灰分的同步求解，基于某電廠穩定運行段的試驗結果表明，收到基灰分的軟測量誤差在±5%以內。

基于機理分析的入爐煤灰分軟測量相較于其他品質參數的機理分析軟測量計算過程更大，其機理分析以水分、元素成分軟測量模型為基礎，利用門捷列夫公式進一步計算發熱量；基于機組進出口工質焓值計算鍋爐有效吸熱及各項熱損，進一步借助總給煤量或機組熱效率的正反校驗迭代修正灰分。其中基于總給煤量校驗的修正法應進行制粉環節的時間延遲特性處理，除卻水分、元素成分軟測量基礎模型的評價，有效吸熱的計算準確性對灰分的軟測量尤為重要，汽水側進口到出口工質焓值分布的不均性將影響計算準確性，非穩態工況的軟測量精度易受到影響。

3 基于機器學習的煤質軟測量技術

基于機理模型驅動的煤質軟測量利用整機分布式測點，應用制粉、汽水循環、煙氣側多物理類型參數；軟測量模型分析構建復雜，測量精度易受機理模型自身精確性影響，整機慣性延遲及動態特性難處理，機組負荷變動頻繁的時候存在較大測量誤差。

近年來隨著火電機組DCS系統的日益完善，整機分布式測點提供了豐富的數據平臺；大數據、人工智能技術在工業過程控制領域廣泛應用，基于機器學習的煤質軟測量技術開始受到關注。基于機器學習的煤質軟測量從電廠DSC、CEMS系統中選取與煤質品質參數關系密切的數據類型，通過機器學習建立起燃煤品質參數與鍋爐運行特性間的智能模型，實現燃煤品質的在線識別。

3.1 機器學習與智能建模

基于機器學習的煤質軟測量主要用于煤質工業分析，如揮發分、灰分、固定碳、低位發熱量，前期需要準備足夠規模的數據庫用于支撐數據學習智能建模，數據庫原則上要覆蓋全工況及摻燒煤種。基于機器學習的煤質軟測量數據庫中需要融入煤質工業參數的化驗數據，因此需要定期進行入爐煤的采樣。

智能建模是基于機器學習的軟測量技術關鍵，其中神經網絡技術被廣泛應用于電廠生產過程分析及控制[49-55]，譚浩藝等[53]采用磨煤機狀態參數、主蒸汽壓力、流量等17種分布參數基于神經網絡對入爐煤揮發分和低位發熱量進行了在線軟測量研究，結果表明軟測量模型計算值與實際值間相對誤差小于2%；巨林倉等[54]采用磨煤機運行參數、煙氣含氧量、排煙溫度、給水壓力/溫度、主蒸汽壓力/溫度、再熱器出口壓力/溫度等26種分布參數作為驅動數據，利用神經網絡建立了煤揮發分、固定碳、煤低位發熱量3種輸出的軟測量模型，基于有限樣本數據的試驗結果表明，固定碳和燃煤發熱量的軟測量誤差分別為小于1%和小于2%。

支持向量機也被應用于煤質參數及煤粉燃燒參數(如飛灰含碳量)的軟測量[56-60]。CHENG等[61]、XU等[62]利用復合光電探測器采集煤粉爐內多波段瞬變輻射信號，結合鍋爐運行參數進行煤種及入爐煤發熱量的軟測量研究，利用提出的在線軟測量系統進行爐內燃燒輻射信號的時域頻域特征的在線識別，通過統計空間的映射(PCA、ICA、偏最小二乘)對燃燒輻射信號時頻特征量進行了去相關、冗余剔除提高學習數據質量，利用支持向量機建立起入爐煤發熱量的回歸預測模型，基于某300 MW機組長時段運行樣本數據的測試結果表明，燃煤發熱量測量相對誤差小于1%。

3.2 技術要點及局限性

基于機器學習的煤質軟測量技術的優點在于不需要解析煤粉品質參數與機組運行狀態間的詳細機理，通過數據的機器學習充分逼近機理模型；在狀態測點與燃煤品質參數存在必然聯系時，理論上能夠通過學習建立起燃煤品質參數的回歸辨識模型，而無需解析詳細機理。基于機器學習的燃煤品質參數軟測量技術實施的要點在于：

1)軟測量模型具備決策邏輯，如圖4所示。決策邏輯正向依據由2部分構成，即煤質參數(軟測量目標量)及火電運行控制參數，如給煤量(磨煤機功率)、總風量(風機功率、風門開度)、給水量等；正向邏輯依據應決定火電運行狀態參數，包括主蒸汽壓力、出口煙溫、煙氣含氧量等，決策邏輯中相關參量均應包含于煤質軟測量機器學習數據庫中。

圖4 基于機器學習的煤質軟測量決策邏輯Fig.4 Logical basics of coal quality soft measurementbased on machine learning

火電運行狀態參數及火電運行控制參數應能唯一反向鎖定燃煤的品質參數，煤質軟測量機器學習數據庫參數應充分支持邏輯成立，當數據庫參數結構不滿足要求時，機器學習所建立的辨識模型泛化特性不佳，當運行工況發生變動時難以獲得穩定的辨識精度。

2)智能模型的科學構建。智能建模型構建具有很大的靈活性，建模方法及模型參數選擇是否合理是基于機器學習的軟測量技術的關鍵。當數據庫中歷史數據記錄豐富時可選擇神經網絡等智能建模技術，當用以學習的數據較少時易選擇支持向量機等具有分散稀疏數據分類功能的智能建模技術。智能構建過程中合理選擇結構參數，以神經網絡為例，網絡深度、神經元數量及激活類型等均需要合理選擇滿足表征能力，如對于3層網絡結構隱層神經元數量可初步選擇輸入量的1.0～1.5倍，最終通過模型測試進行調整，在保證良好的精度和泛化性的同時避免計算資源的過多占用。

基于機器學習的煤質軟測量技術缺點在于，軟測量模型要定期更新來保證可靠泛化性能。隨著火電機組的長期運行，存在設備老化、出現新的測點響應特性；已有的軟測量模型對緩慢改變的機組特性適應性較差，因此，在機組進行顯著改造或長期投運后，應重新采樣替換更新煤質學習數據庫，并建立新的機器學習模型，以保證應用穩定性。

4 煤質在線軟測量誤差分析

兩類煤質軟測量技術的存在同源誤差，煤質軟測量普遍應用機組分布式測點，而電廠環境惡劣測點故障率較高，且存在不同程度靜態誤差；如煙氣含氧量的測量采用工業氧化鋯，氧化鋯的測量誤差可以達到±0.5%；燃煤灰分檢測采用射線探測法對于低灰分煤的測量誤差在±0.5%之內，高灰分煤測量誤差在±3%之內。無論是基于機理分析的煤質軟測量技術還是基于機器學習的軟測量技術，測量精度均受到測點數據源誤差的影響。

機組存在工質泄露及造成的能量損失，如管道漏風、爐膛散熱及磨煤機發生堵磨漏粉等特殊情形，某些情況下由于工質泄露使煤質軟測量存在較大誤差。兩類煤質軟測量技術也存在特有誤差。

4.1 基于機理分析的煤質軟測量誤差分析

基于機理分析的煤質軟測量普遍采用了經驗公式，如元素分析軟測量機理模型采用了Cdaf-Hdaf和Cdaf-Odaf經驗公式，而多數經驗公式都是在有限樣本范圍內統計得到，當應用超出樣本范圍時將造成軟測量分析誤差。再如門捷列夫經驗公式對于灰分含量較大的煤質公式的應用存在較大誤差。

基于機理分析的煤質軟測量模型應用了較多的經驗參數，如測點不充分時分析模型常將機械不完全燃燒產生的未燃盡碳(飛灰份額、飛灰含碳量、爐底渣份額及其含碳量)作為常數處理；實際機組運行中煤粉機械不完全燃燒程度會隨著煤質波動及工況變動而變化，不同負荷工況下爐渣不完全燃燒熱損失占機械未完全燃燒損失的比例在12%～43%[63-65]。經驗參數在水分軟測量、元素分析、灰分軟測量中普遍使用，多與機組特性相關，當多類經驗參數在煤質機理分析軟測量中應用時應綜合分析對模型精度的影響。

此外，機理分析模型進行了一定程度的簡化，如忽略化學不完全燃燒部分，能量傳遞分析忽略工質、焓值不均勻、不同環節時間慣性不一致等。

4.2 基于機器學習的煤質軟測量誤差分析

基于機器學習的煤質軟測量誤差一方面有數據庫噪聲污染，包括測點響應不穩定、故障數據未剔除；另一方面有智能模型自身泛化能力的影響造成的測量誤差，建模初期數據點偏少、機器學習不充分，測點不足決策邏輯欠充分，以及長時間投運后智能模型的被動失配均會造成智能模型泛化性欠佳。在基于機器學習的煤質軟測量研究中，煤質參數需要人工采樣化驗，投入工作量大，一般1 d內煤粉采樣不超過5次，通常用采樣化驗數據作為當天的煤質均值，煤質欠采樣造成數據庫信息不充足。基于機器學習建立的煤質軟測量系統長期投運后，應進行數據庫和智能模型及時更新，以適應機組新的特性。

4.3 煤質在線軟測量技術與在線煤質分析儀測量精度比較

入爐煤質在線軟測量技術誤差源除了測點本身的精度有限性、數據源污染外，主要取決于模型自身的合理性、適應性。綜合不同煤質軟測量技術，水分軟測量誤差在3%～5%；元素成分軟測量誤差小于5%，取決于不同軟測量方法的適用性測量下限可達0.5%～2.0%；熱值軟測量不同方法誤差在1%～7%。

煤質軟測量技術通常與煤的工業分析進行比對并統計測量誤差，煤質工業分析基于人工采樣、實驗室化驗的離線測量，誤差主要來源于操作不規范以及煤樣污染、試樣混合不均導致的樣本誤差，通過規范流程、標準化操作可較大程度避免。對比在線煤質軟測量技術和基于核技術的在線煤質分析儀器的測量精度，除水分儀外，后者需在具備符合標準的煤流測試的條件下，對射線進行探測接收、依據分析模型將信號進行處理轉換成煤質信息，除分析模型的合理性外，其精度受環境和應用條件的約束明顯。目前工業推廣性較好的在線煤質分析儀主要應用技術包括瞬發γ射線中子活化法(PGNAA)、雙能γ射線透射法，在線煤質分析儀器對環境和測量條件的要求主要包括環境溫度、水分、煤樣；同時測試中要避免強烈的機械振動，煤中Fe元素等變化也直接影響分析儀測量精度。上述約束條件中尤其對煤粉細度、煤流厚度要求較高；由于煤流中顆粒間空隙有隨機性，粒度及質量厚度無法保證一致，造成煤流對射線的衰減系數不同而直接影響測量精度。盡管煤質在線分析儀標稱測量精度可達0.5%～1.0%，但應用環境、制粉等偏離標準時測量精度將產生較大波動；而對于入爐煤質軟測量技術而言，由于無需復雜的檢測設備，對環境和應用條件的要求較低，試驗精度有較高的可靠性。

5 結語與建議

1)總結兩類煤質軟測量技術，基于機理分析的煤質在線軟測量具有明確的理論分析依據，易于對測量誤差進行逆向定向分析；缺點是分析過程復雜、詳細機理分析模型描述困難，機組的大延遲、大慣性與動態非線性特征相互作用，分析困難，求解過程易受干擾。

2)基于機器學習的煤質在線軟測量不需解析詳細機理，通過對機組運行數據庫的機器學習與智能建模逼近解析模型，但對采樣和智能模型泛化能力要求高；對于不同機組爐型煤質軟測量智能模型缺乏通用性。

3)融合機理分析與機器學習的復合式煤質軟測量技術將發揮更大優勢，復合式軟測量方法將用火電機組運行控制中的部分機理模型指導分析，機理模型中不易推理、難以精確描述的環節利用機器學習形成智能模型；復合式的煤質軟測量將火電機組生產過程當作“灰箱”，既避免了完全機理分析的困難，又發揮了生產控制規律的指導作用，避免了完全“黑箱”式機器學習過程的不可控性，在未來應用中將發揮更大的作用。