電站鍋爐燃燒智能優化控制策略研究

摘?要：目前新一代信息技術與火力發電技術正在深度融合，燃燒智能優化在火電站節能減排、少人值守等方面具有重要意義，是智慧電廠建設的關鍵一環。對大數據驅動下的燃燒智能優化以及開環/閉環控制策略分析后得到：在保證安全的前提下，燃燒智能優化將從歷史經驗向機器學習，開環控制向閉環控制逐漸過渡，最終實現鍋爐燃燒參數自動調整，經濟與環保性能提升的閉環優化控制。

關鍵詞：燃燒優化；歷史經驗；機器學習；開環；閉環

中圖分類號：TK222??文獻標識碼：A

Research?on?Intelligent?Combustion?Optimization?Control

Strategy?of?Power?Plant?Boiler

Liao?Pengwei

Datang?Central?South?Electric?Power?Test?Research?Institute?HenanZhengzhou?450000

Abstract：At?present，the?new?generation?of?information?technology?and?thermal?power?generation?technology?are?being?deeply?integrated.Intelligent?combustion?optimization?is?of?great?significance?in?terms?of?energy?saving?and?emission?reduction，and?unattended?control?in?thermal?power?plants.It?is?a?key?link?in?the?construction?of?smart?power?plants.After?analyzing?the?intelligent?combustion?optimization?and?openloop/closedloop?control?strategies?driven?by?big?data，it?is?obtained：under?the?premise?of?ensuring?safety，the?intelligent?combustion?optimization?will?gradually?transition?from?historical?experience?to?machine?learning，openloop?control?to?closedloop?control，and?finally?realize?the?closedloop?optimization?control?for?automatic?adjustment?of?boiler?combustion?parameters?and?improvement?of?economic?and?environmental?performance.

Keywords：combustion?optimization；historical?experience；machine?learning；openloop；closedloop

當前人工智能的發展具有深度學習、群智開放、自主操控、人機協同等新特征，與移動互聯網、大數據、超級計算等新理論、新技術呈現深度融合趨勢。新一代人工智能技術是推動我國科技跨越發展、產業優化升級、生產力整體躍升的重要戰略資源之一。

工業智能的本質是人工智能通用技術在具備自感知、自決策、自學習、自適應、自執行能力的前提下，適應動態變化的工業環境，與工業場景、機理、知識進行結合，完成定制化工業任務，達到增強企業洞察力，提高工業生產效率或產品性能的目的，實現設計模式、生產決策、資源優化等智能化應用［1］。

工業自動化領域有關數字化、智能化、智慧化電廠已經逐漸形成統一標準，中國智能電廠聯盟制定了《智能電廠技術發展綱要》［2］，綱要中對于燃燒在線優化技術指出：應通過機理分析和系統辨識相結合建模，釆用先進控制策略與技術，實現控制參數最優搜索和整定，完成過程重要參數的精細控制，最大限度地實現機組全負荷范圍的控制，保證其安全性和經濟性，包括燃燒在線優化等技術。在試點取得成功經驗的基礎上，先在一部分電廠配置鍋爐燃燒優化控制系統，重視和著力對超低排放設備和系統的控制系統進行優化，并爭取盡快推廣應用，以滿足火電廠超低排放的需求。

1?大數據驅動下的燃燒智能優化

1.1?基于歷史經驗的燃燒優化

通過對鍋爐運行燃燒機理分析，以煤質信息、負荷、環境變量、燃料量、設備狀態等決定鍋爐燃燒客觀運行狀態的特征參數為邊界條件，可劃分不同的運行工況。如式（1）所示，當特征參量數量越多時，運行工況的區分就越具體。

C=（Qnet，Load，Temp，QF，mi，…）（1）

式中，C表示某一運行工況區間；Qnet為燃煤發熱量，kJ/kg；Load為機組負荷，MW；Temp為環境溫度，℃；QF為燃料量，t/h；mi表示某設備i的運行狀態。

當測點出現非正常干擾、損壞等異常情況時，數據所記錄的內容將不能正常反映機組當前的工作情況，需要進行數據清洗。在機組升降負荷、汽水參數調整、風門調整和煤質變化等非穩態過程中往往伴隨著參數的大幅波動，不能準確反映機組的真實特性，需要進行穩態判定。此外，在考慮經濟性、環保性和安全性的同時，機組各項運行參數指標（例如主汽壓力、主/再汽溫度和減溫水流量等）應滿足設計要求，保障機組處于良好狀態，因此需要進行約束判定。

在劃分不同工況的基礎之上，根據設計的尋優模型深入挖掘和分析海量歷史運行數據，進行數據清洗、穩態判定和約束判定等處理，以關鍵參數（鍋爐熱效率、氮氧化物排放、汽溫、壁溫和燃燒狀態等）為目標進行尋優，建立以歷史數據為基礎的運行標桿庫。當歷史數據足夠全面、數量足夠多時，標桿庫則更為完善，更加趨近于最優值。

在初始運行標桿庫基礎之上，收集鍋爐燃燒實時數據進行在線計算，將實際工況目標值與標桿庫比對，獲得不同煤種、不同負荷等條件下的鍋爐的歷史最佳燃燒工況以及各燃燒參數的最佳設定值，推送歷史最優值參與機組運行調整。在推送歷史最優值的基礎上，運行人員可繼續進行燃燒調整，不斷通過判定因子對鍋爐燃燒進行在線綜合評價。若與標桿庫對比后綜合評價更優，則將此工況認定為新的標桿值并在標桿庫中自動收錄，強化鞏固已有成果，最終實現鍋爐燃燒愈來愈優。

1.2?基于機器學習算法的燃燒優化

一方面，隨著近些年來計算機軟、硬件技術的突破，其算力也在不斷提高，機器學習技術因此取得了長足進步。另一方面，電站鍋爐的燃燒過程具有多輸入多輸出、大滯后、多干擾、強耦合等特點，是一個復雜的化學反應過程。當前的一些研究采用人工神經網絡、支持向量機等技術建立鍋爐燃燒模型，以期自動挖掘發現變量之間隱藏的關系，再利用粒子群優化算法、遺傳算法、蟻群優化算法等智能優化算法，尋找鍋爐燃燒系統各輸入參數的最佳組合，用以對鍋爐燃燒進行實時優化指導。

余廷芳［3］等人建立了鍋爐燃燒特性的BP神經網絡模型，如圖2所示，用以預測鍋爐熱效率和NOx排放質量濃度，利用遺傳算法（GA）建立鍋爐燃燒的優化模型，采用權重系數法實現鍋爐熱效率和NOx排放質量濃度多目標優化。張振星［4］利用支持向量回歸機（SVM）建立NOx生成量和鍋爐熱效率模型并提出改進型NSGAII多目標遺傳算法，得出一組最優解集，同時滿足鍋爐效率的提高和NOx生成的降低這兩個目標。閆水保［5］等人在最小二乘支持向量回歸算法（LSSVR）基礎上提出了約束支持向量回歸算法，通過優化支持向量的選擇策略增強算法泛化能力和對不良數據的抵御能力，用來建立一個有效的電站鍋爐效率與NOx排放濃度預測模型。

神經網絡模型具有自學習功能，能高速尋找優化解，但基于經驗風險最小化原則，依賴大數據樣本，易陷入局部最優且訓練速度慢。支持向量機在考慮有限樣本情況時將問題轉化為保障全局最優的凸二次規劃問題，但超參數選擇和求解規模受訓練樣本數量的影響較大。最小二乘支持向量回歸是支持向量機的改進方法，采用簡化模型進行訓練，在小樣本學習中表現較好，過學習現象不易發生，但是所有數據在決策函數中均有貢獻，失去稀疏性，從而影響了模型的計算能力以及推廣能力［6］。

2?開環與閉環控制策略

2.1?傳統熱工控制的限制

近些年火電行業的鍋爐自動控制水平已經有了較大提高，但是采用的集控室分散控制系統（DCS）為邏輯組態方式，不能直接采用高級應用算法進行數據挖掘，機組的實時與歷史數據無法得到充分、有效利用。運行操作人員的自身經驗以及操作水平在很大程度上決定了鍋爐的實際運行性能，難以實現鍋爐燃燒系統的最優運行，不能根據鍋爐負荷和煤種的變化自動優化調節配風、配煤燃燒運行參數（如各燃燒器負荷分配調整、總風量調整、一/二次風量分配調整等）。

為滿足燃燒智能優化等高級算法應用的需求以及對海量數據的快速處理，一般需要配套建設燃燒優化軟件的運行平臺，采用Modbus（或OPC）方式與機組DCS系統建立通信連接。系統工作站通過通信網絡從DCS獲取機組運行數據，系統優化結果通過通信網絡送入DCS實現燃燒優化控制。燃燒優化系統架構如圖3所示。

2.2?開環與閉環控制

燃燒優化控制系統可分為開環和閉環兩種，其中開環是指DCS控制參數由運行操作員根據燃燒優化結果進行手動修改，而閉環是系統優化結果直接與DCS通信并對其控制參數進行調整的封閉系統，沒有人員參與。從實現的角度來看，無論是基于歷史經驗還是機器學習算法的燃燒智能優化系統均能完成開環與閉環控制。

安全、經濟、環保往往是發電企業關心的主要方面，其中安全問題是放在首位的。開環與閉環控制相比較：一方面，開環控制由運行人員執行修改參數，在其經驗判斷進行人工二次核查后，可以避免高級算法可能推送的異常參數，安全性較閉環控制高，但是增加了人力干預且不符合未來智能化發展趨勢。另一方面，以神經網絡算法為例，其輸入和輸出均是可見和可被理解的，但是從輸入輸出的過程則缺乏透明度，是一個“黑箱”，由于計算結果的預測性質對閉環控制來說不可避免地會帶來一定風險。

結語

基于歷史經驗的燃燒優化在保證安全性的前提下，提供了一套歷史最優運行調整參數。基于機器學習算法的燃燒優化可以根據機組運行參數進行結果預測并計算得到實時最優解。開環控制的安全性比閉環控制高，閉環控制則無須人工干預。

隨著計算機技術的不斷發展、機器學習算法的優化以及現場實踐經驗的積累，基于機器學習算法的燃燒優化與閉環控制將是今后一段時間的研究方向，燃燒智能優化也會從歷史經驗向機器學習，開環控制向閉環控制逐漸過渡。最終目標是兼顧安全、經濟、環保性能，自動調整鍋爐燃燒參數，實現燃燒閉環優化控制。

參考文獻：

［1］趙付青，劉歡，朱波，等.工業智能與工業互聯網共性關鍵技術［J］.軟件導刊，2022，21（10）：18.

［2］中國自動化學會發電自動化專業委員會，電力行業熱工自動化技術委員會.智能電廠技術發展綱要［M］.北京：中國電力出版社，2016.

［3］余廷芳，耿平，霍二光，等.基于智能算法的燃煤電站鍋爐燃燒優化［J］.動力工程學報，2016，36（08）：594599+607.

［4］張振星.基于智能優化算法的電站鍋爐燃燒優化［D］.華北電力大學，2015.

［5］閆水保，馮燦，齊繼鵬，等.基于約束支持向量回歸的電站鍋爐燃燒優化建模［J］.熱能動力工程，2021，36（11）：126132.

［6］潘廣強.基于機器學習的燃煤電站制粉及燃燒優化研究進展［J］.能源與節能，2021，195（12）：113115.

作者簡介：廖彭偉（1993—?），男，漢族，河南新蔡人，碩士，工程師，主要從事電站鍋爐燃燒優化、性能試驗和調試等工作。