350 MW超臨界機組磨煤機堵煤智能預警模型研究與應用

郭云飛,羅俊然,王 林,李 昭,孫龍飛,趙如宇,藺奕存,譚祥帥,冷 靜,桑秀軍

(1.西安熱工研究院有限公司,陜西 西安 710054;2.華能桂林燃氣分布式能源有限責任公司,廣西 桂林 541199;3.華能沁北發電有限責任公司,河南 濟源 459012)

由于新能源發電存在不穩定、不連續、不可控性[1-3],而大規模的電力儲能技術尚未實現真正的工業化與產業化應用[4-5],因此,當前階段火力發電在我國電力供應體系中仍然占有重要地位。利用人工智能技術進一步優化火電機組的經濟環保指標,提高設備運行的穩定性與可靠性,增強能源電力保供能力,依然是當前電力領域的研究熱點[6-8]。

某電廠新建燃煤機組,在基建調試期間因運行監視不到位,磨煤機發生了嚴重堵煤,后續疏通過程操作過快,導致爐內燃燒短時間內大幅增強,最終觸發鍋爐“折焰角集箱溫度高高”保護,機組跳閘。針對上述故障,結合大數據建模與深度學習技術,構建了磨煤機堵煤智能預警模型,對設備異常狀態進行提前報警。應用上述模型后,機組磨煤機再未出現嚴重堵煤故障,該模型大大提高了操作員的監盤效率,提升了鍋爐制粉設備運行的可靠性。

1 設備簡介

1.1 鍋爐簡介

某電廠建設有兩臺350 MW超臨界參數的燃煤發電機組,選用了哈爾濱鍋爐廠有限公司生產制造的HG-1145/25.8-YM3型直流鍋爐,主要設計參數如表1所示。

表1 鍋爐主要設計參數

鍋爐采用四角切圓方式組織燃燒,角式煤粉燃燒器分層布置。編號為A、B、C、D、E的磨煤機,自下往上分別對應鍋爐的A層、B層、C層、D層、E層燃燒器,其中A、B磨煤機配備有等離子點火裝置。

1.2 磨煤機簡介

機組選用了冷一次風正壓直吹式中速磨制粉系統,每臺爐配5臺中速磨煤機,運行方式采用4運1備。磨煤機的主要設計參數如表2所示。

表2 磨煤機性能參數

2 堵煤過程與分析

2.1 事故過程

機組在AGC功能投入情況下,負荷320 MW,磨煤機B、C、D、E運行,按網調指令逐步升負荷至350 MW。因入爐煤質與實際煤質偏差較大,升負荷過程中機組總煤量增加至160.6 t/h,各臺磨煤機出力均超過設計值,達到銘牌最大出力。

機組負荷升至345 MW,E磨煤機進出口差壓由升負荷前的6.1 kPa逐步增大至8.3 kPa,電機電流由39.5 A升高至55.2 A,綜合磨煤機各運行參數,判斷E磨煤機已出現嚴重堵磨。

機組負荷維持340 MW不變,操作員對E磨煤機開始進行手動疏通,將給煤量由41.2 t/h快速降低至35.5 t/h,并隨后進一步降低至23.3 t/h。大幅減少給煤量后,疏通效果明顯,E磨煤機出口一次風速逐漸上漲。

機組此時仍然處于協調控制模式,E磨煤機疏通后,爐膛燃燒短時間內大幅增強,主蒸汽壓力明顯升高,機組協調控制系統根據主蒸汽壓的變化自動減少了鍋爐給水流量,導致鍋爐水煤比失調愈加嚴重。

折焰角集箱溫度快速升高至470 ℃, DCS畫面發“溫度高”重報警。十幾秒鐘后,折焰角出口集箱A側3個溫度測點,有兩個475.1 ℃、475.3 ℃,滿足“折焰角集箱溫度高高”MFT保護動作條件,鍋爐跳閘,機組解列。

2.2 原因分析

本次跳機事故最直接的原因在于運行人員未能及早發現堵煤跡象,并及時采取適當的調整措施,最終導致了E制粉系統運行惡化,出現嚴重堵煤。

運行人員根據堵煤嚴重程度,采用了快速的疏通措施:短時間內將E磨給煤量大幅減少了約20 t/h,磨煤機本體內長時間積存的大量煤粉,被快速地吹入爐膛,顯著增強了爐內燃燒,使得鍋爐主汽壓和主汽溫升高。機組在協調控制模式下,根據主汽壓變化自動減少了給水流量,這使得現時的水量與爐內熱負荷嚴重不匹配,最終觸發了“折焰角集箱溫度高高”保護,機組跳閘。

3 BPNN模型建立

磨煤機是否堵磨需要結合磨煤機電流、進出口差壓、出口風速等多個參數綜合判斷[9-11],對運行人員的業務素質要求較高。為減輕操作人員工作壓力,避免堵磨跳機事故,利用大數據挖掘技術結合人工智能算法,建立磨煤機堵磨智能預警模型,有效提高了磨煤機異常工況的監控可靠性。

3.1 數據特征工程

提取電廠2019年7月1日至和2020年12月31日的數據,對數據進行降噪處理:首先分類測點“B給煤機給煤率實測值”小于30的數據,對測點“B給煤機給煤率實測值”小于30,同時下一秒又大于32的數據以及后面的30 s的數據進行插值處理,刪除測點數據集中的冗余項和空值數據,刪除“B磨煤機分離器出口壓力”小于0.001的時刻數據,經過數據處理后總數據量為746萬條,每條數據包含5個特征項,分別為給煤機給煤率實測值、磨煤機分離器出口壓力、磨煤機分離器進口壓力、磨一次風流量、磨煤機電流。

3.2 BPNN模型設計

如圖1所示,本模型采用四層神經網絡對制粉系統磨煤機堵煤進行訓練,其中,輸入層節點數為3,經過交叉驗證及考慮計算效率第一層隱含層節點數定為30,第二層隱含層節點數為4,經過動態神經元激活層后輸出層節點個數為1。結合機理分析,本模型采用的建模參數如表3所示。

圖1 模型的網絡結構圖

表3 磨煤機運行特性建模參數說明

將樣本數據集通過輸入層進入網絡模型中,在隱含層中通過加權求和后的結果為

(1)

式中:WSuj為第一層第j個隱含層神經元的加權求和值;xj為大數據集輸入項;wmj為第一層第j個隱含層神經元不同輸入項的權重;cj為第j個隱含層神經元的偏置,通過激活函數后的輸出值作為輸出層的輸入值,隱含層的輸出結果為

(2)

第一層神經網絡隱含層的輸出作為第二層神經網絡隱含層的輸入,其加權求和后的結果為

(3)

式中:WSvj為第二隱含層第i個神經元的加權求和值;ui為第一隱含層輸出項;wki為第二隱含層第i個神經元不同輸入項的權重;ai為第二隱含層第i個神經元的偏置,通過激活函數后的輸出值作為輸出層的輸入值,隱含層的輸出結果為

(4)

經過動態神經元激活層后在輸出層中通過加權求和后的結果為

(5)

式中:WSy為輸出層神經元的加權求和值;vl為隱含層的輸出項;wl為輸出層神經元不同輸入項的權重;bo為輸出層神經元的偏置,通過激活函數后的輸出值作為輸出層的輸出結果為

(6)

對訓練集產生的結果數據集y及期望數據集yr通過均方誤差公式:

(7)

若誤差結果E不滿足模型精度要求,則對誤差反向進行傳播,更新輸出層及隱含層的權重與偏置,通過不斷的迭代訓練,直至誤差滿足模型精度要求。

3.3 模型訓練結果分析

以表3中的測點樣本,選取某電廠大數據平臺歷史數據庫中的數據集作為輸入,磨煤機進出口差壓作為期望值輸出。以2019—2020年80%的數據集作為訓練集,剩余20%的數據集作為測試集,2021年的數據集作為驗證集,基于BPNN模型,采用ADAM優化算法,學習率為0.001,經EPOCH=30 000次訓練得到最終模型,對給煤機的運行特性進行分析,結果如表4及圖2所示。

圖2 模型訓練過程誤差圖

表4 給煤機運行特性模型的評價指標值

由圖2可知對于ADAM-BPNN模型在迭代過程中能夠快速收斂。均方誤差在迭代的前期能快速下降,使得粒子能夠快速拉近與最低點之間的距離,同時避免陷入局部最優解,在后期維持穩定從而得到最優解,準確率達到95%以上,由此可知模型預測能力較好。

利用新數據測試模型,提取2021年1月1日至2022年7月15日數據,按照與建模過程同樣的數據特征工程方式,經過數據處理后總數據量變為837萬條。將模型載入,將新數據經過與訓練模型相同歸一化方式后輸入到模型中,選取數據集中2021年1月1日數據,對各模型進行預測并繪圖,無異常數據,模型預測值及實際值曲線如圖3所示。

圖3 磨煤機堵煤模型預測值及實際值曲線圖

4 結 語

火電機組作為電力保供的主體,其運行的安全穩定對于居民的生產生活十分重要。本文對某電廠350 MW超臨界燃煤機組磨煤機堵煤引發跳機的過程進行了分析,認為制粉系統異常運行工況未做到“早發現、早處理”是事故的根本原因。由此提出了基于大數據與人工智能算法的“磨煤機堵煤智能預警模型”,該模型基于BPNN-ADAM方法,實現了設備異常狀態的早期預警,經測試驗證,模型準確率能夠滿足電廠運行需求,在實際生產中效果良好,相關建模調試經驗可供后續同類機組參考。