大型煤化工蒸汽母管壓力控制系統改造與優化

摘要：針對大型煤化工動力廠多數為母管制鍋爐，母管壓力的變化體現了化工生產負荷與各鍋爐總負荷變化的供給平衡。管網壓力存在大慣性、大延遲的特性，且多臺鍋爐及多壓力等級管網之間又存在多變量、強耦合的特性，簡單的控制策略及算法已無法滿足全工況下的自動運行。研究提出了一種基于能量平衡的神經網絡控制方案，能快速響應管網蒸汽供給變化，大幅度提升母管壓力的控制精度，同時，降低了爐側的給煤波動，使單爐運行更加穩定，為鍋爐燃燒優化提供了有利條件。

關鍵詞：母管制鍋爐；母管壓力；負荷協調；能量平衡；神經網絡

中圖分類號：TQ515文獻標志碼：A文章編號：1001-5922（2025）02-0125-04

Transformation and optimization of the pressure control system of large-scale coal chemical steam mother

ZHANG Hailong1，LI Peng2，GUO Wenhao1，LI Jin2

（1.Coal to Liquid Branch，Ningxia Coal Industry Co.，Ltd.，Yinchuan 750411，China；

2.Beijing Heroopsys Co.，Ltd.，Beijing 100096，China）

Abstract：In view of the fact that most of the large-scale coal chemical power plants are mother tube boilers，the change of mother tube pressure reflects the supply balance between the chemical production load and the total load of each boiler.The pressure of the pipe network has the characteristics of large inertia and large delay，and there are multi-variable and strong coupling characteristics between multiple boilers and multi-pressure level pipe networks，and the simple control strategy and algorithm can no longer meet the automatic operation under all working condi?tions.In this study，a neural network control scheme based on energy balance is proposed，which can quickly re?spond to the changes of steam supply in the pipe network，greatly improve the control accuracy of the pressure of the mother pipe，and at the sametime，reduce the fluctuation of coal feed on the furnace side，make the operation of the single furnace more stable，and provide favorable conditions for the optimization of boiler combustion.

Key words：mother tube boilers；mother tube pressure；load coordination；energy balance；neural networks

隨著煤化工產業的迅速發展，帶動了配套的熱電聯產企業的發展，各級蒸汽管網的壓力、溫度在化工生產負荷及各鍋爐工況變化時，均能滿足控制指標的平穩性及快速性[1-2]。某大型煤化工動力廠共有10臺鍋爐，其中1#～4#鍋爐為帶再熱系統的600 t/h鍋爐，5#～10#鍋爐為不帶再熱640 t/h鍋爐，均為母管制運行。

為進一步提升全廠智能化升級改造，實現隱屏操作，公司引入了先進控制系統（RASO），分別對動力廠10臺鍋爐進行基于能量平衡的負荷協調智能控制系統改造。

1整體方案

RASO智能控制系統是北京和隆優化科技股份有限公司對流程工業優化控制系統平臺的簡稱。

為了實現大型蒸汽管網自動負荷協調，在原優化控制系統中（RASO），結合現場開發了一款通用的蒸汽管網智能協調控制算法，整體方案如圖1所示。

2控制算法及策略研究

2.1母管壓力先控算法

母管壓力先進控制算法是利用能量平衡原理及BP神經網絡算法相結合實現的[3-5]。

首先，要構建母管壓力和能量特性模型，能量的供給平衡完全由母管壓力體現，即管網能量跟隨母管壓力模式，構建如下控制方案，如圖2所示。

以上控制框圖，轉換為PI調節器的傳遞函數如下[6-7]：

G（s）==PI（s）=

式中：A、B表示系數；N（s）表示蒸汽能量；P（s）表示蒸汽壓力。

將式（1）進行拉普拉斯變換可得：

將式（2）進行z變換可得：

將式（3）在初始條件下P（0）=0，N（0）=0的情況下轉為差分方程，可得：

令：

則，式（4）可寫為：

式中：b1、b2表示系數。

研究采用的神經網絡算法是不含隱含層的，選取網絡傳輸函數為線性purelin函數，則神經網絡表達式同式（6），因此可采用BP神經網絡方法解決b1、b2參數辨識問題，進而得到實時的母管壓力和能量特性模型。然后根據實際管網壓力的變化，計算出總能量需求增量，為各爐負荷協調做好基礎數據準備[8-10]。

2.2負荷協調策略

負荷協調算法模塊，是將總能量需求增量按照不同爐況信息、狀態信息、分配原則等進行規劃輸出，執行到每臺鍋爐的給煤增量及變負荷前饋輸出上[11-12]。

在RASO系統中，根據不用的現場可選擇性的采用不同組合的分配策略[13-14]，例如：同比例增減負荷策略、壓力-負荷系數分配策略、負荷率-爐效系數分配策略等，本文采用負荷率-爐效系統分配策略，具體如圖3所示。

針對圖3負荷協調策略，做以下說明：

2.2.1負荷率分配系數計算原理

首先，獲取每臺鍋爐的負荷運行上下限值、負荷過程值、煤量過程值，例如：在升負荷時，計算每臺鍋爐的可調負荷率即調節裕度Yi，作為分配系數αi的計算基值，公式如下：

αi=Σ|i（i）iY（n）mi（-）nY-i|Yi|（7）

根據每臺鍋爐的負荷分配系數αi，計算各臺鍋爐的能量增量，計算公式如下：

SP_Ni= SP_Ni- 1+ αi′（DN（SP）白（_）N）

íF（α1）min（+）SP（…）+Fα（1i F（1）max（i）（8）

式中：SP_Ni為每臺鍋爐的當前能量設定值；SP_Ni- 1為每臺鍋爐上一時刻的能量設定值；DSP_N為管網能量協調總增量；N白為投入協調鍋爐的個數；SP_F（i）為每臺鍋爐的負荷限值。

當爐側需要降負荷時，計算每臺鍋爐的降負荷裕度Xi，作為分配系數αi的計算基值，公式如下：

αi= ? |i（i）Xmi（in-）nX-i|Xi|""""""""""""" （9）

根據每臺鍋爐的負荷分配系數αi，帶入公式如下：

SP_Ni= SP_Ni- 1- αi′（DN（SP）白（_）N）（10）

式中：變量說明和約束條件同式（8）。

2.2.2效率分配系數計算原理

當各爐負荷調節裕度偏差不大，未大于閾值時，則進行鍋爐效率或者噸汽煤耗的閾值對比，當大于設定閾值時，例如，在升負荷時，則進行如下計算處理。

首先要獲取每臺鍋爐的爐效運行參數或噸汽煤耗參數η，作為分配系數αi的計算基值，公式如下：

αi= ? |i（i）iη（n）mi（-）nη-i| ηi |"""""""""" （11）

根據每臺鍋爐的負荷分配系數αi，計算各臺鍋爐的能量增量，計算公式同式（8）。

當爐側需要降負荷時，分配系數αi的計算公式如下：

αi= ? |i（i）η（ax）ma（-）xη-i| ηi |""""""""""""" （12）

根據每臺鍋爐的負荷分配系數αi，帶入式（10），變量說明和約束條件同式（8）。

在外擾模式下，分配系數可選擇同增量增減負荷，也可選擇啟用上次分配系數αi進行負荷增減，本項目選擇默認的同增量增減負荷。

2.3算法測試效果

以某化工動力廠為例，母管壓力的運行值為11.65 MPa，采集1 h相關運行數據進行參數的辨識。采集的數據已考慮鍋爐的延時特性，采樣周期為1 min平均值，共60組參數，部分數據如表1所示。

母管壓力負荷特性模型差分方程式（6）中，N（t）、N（t+ 1）、P（t）和P（t+ 1）均為差值，其中，已知蒸汽的壓力、溫度可計算出蒸汽的焓值，再乘以蒸汽的質量即為蒸汽的能量。

將這60組參數代入由式（6）推導而來的式（13）中，進行計算：

式中：Nsp（t）為t時刻母管總能量需求值；N0為母管總能量參照需求值；N（t）為t時刻能量需求偏差；Nsp為管網壓力設定值；Ppv（t+ 1）為t+ 1時刻管網壓力過程值；P（t）為t時刻管網壓力偏差。

從而獲得需要的樣本集，然后將前48組樣本作為訓練樣本集，后12組樣本作為測試樣本集。通過MAT?LAB軟件編制的BP神經網絡，然后設置網絡的訓練參數，學習算法采用trainscg，學習率設為0.01，動量因子設為0.5；利用訓練樣本集對構成的網絡進行訓練，經過5 Epochs的迭代，均方誤差達到最小值，停止訓練[15-20]。

利用測試樣本集對訓練完成的網絡進行泛化能力檢驗，誤差在允許范圍內，網絡準確可用。測試結果如表2所示。

3運行效果分析

以動力廠二期優化項目執行效果為例，投用前后鍋爐效率對比如圖4所示。

投用母管壓力協調控制，根據母管壓力自動調整鍋爐負荷，投用后穩定性明顯提升，投用前±0.25 MPa，投用后±0.15 MPa以內，且90%的運行時間，平穩控制在±0.1 MPa以內。

4結語

采用基于能量平衡的神經網絡控制方案，實現了蒸汽母管壓力的高精度穩定控制，為化工生產供汽、蒸汽各級管網、鍋爐汽機負荷協調等均產生了重要和積極的作用，為進一步提升全廠智能化升級改造及隱屏操作提供了良好的基礎條件。

【參考文獻】

[1]王濱.熱電廠母管蒸汽壓力控制的負荷優化技術研究[D].哈爾濱：哈爾濱工業大學，2018.

[2]王彥飛，張國民，李鵬，等.大型母管制鍋爐負荷協調及管網控制策略研究[J].自動化博覽，2020（12）：92-95.

[3]婁勇.基于BP神經網絡PID控制技術在氯化工藝控制中的應用[J].粘接，2020，43（9）：50-53.

[4]孫培波，楊永偉，翟永強，等.基于ASME及GB能量平衡法下鍋爐熱效率不確定度評定及敏感性分析[J].熱能動力工程，2020，35（4）：121-127.

[5]姚大春，張宏偉.火電機組節能改造技術研究[J].粘接.2021，47（9）：155-159.

[6]韓笑.基于Hopfield神經網絡的母管制鍋爐母管壓力的協調控制研究[D].哈爾濱：哈爾濱理工大學，2016.

[7]毛宇涵，等.基于Smith預估控制和遺傳算法優化的燃油蒸汽鍋爐燃燒控制[J].熱能動力工程，2023（3）：105-111.

[8]孫宇貞，黃曉筱，郭皓文.基于改進混合蛙跳算法的氧量對象模型辨識[J].熱能動力工程，2020，35（1）：185-190.

[9]王琦，鐘義，張力文，等.基于COLGWO算法的CFB鍋爐燃燒系統模型辨識[J].控制工程，2023，30（7）：1171-1179.

[10]孫德良，王田，周宇哲，等.基于神經網絡的鍋爐燃燒控制系統建模設計[J].電子設計工程，2023，31（10）：20-24.

[11]趙鵬翔，李振，王楠，等.聯合網電時母管制供熱機組熱電負荷優化分配策略研究[J].能源與環保，2022，44（10）：159-164.

[12]王立軍，李曉敏.基于智能運行策略的煤電機組負荷分配研究[J].電力設備管理，2021（4）：76-78.

[13]費忠太.先進控制技術在煤化工鍋爐中的應用與探究[J].煤炭加工與綜合利用，2023（5）：47-51.

[14]李福軍，軒福杰，史春方，等.一種基于和利時DCS的熱電廠母管制鍋爐負荷分配的優化控制方法[J].自動化博覽，2022，39（8）：88-90.

[15]周俊杰，房全國，王定標.基于MATLAB/Simulink的燃燒控制過程系統仿真[J].鄭州大學學報，2012（33）：51-54

[16]苑穎，唐莉君.基于卷積神經網絡的大數據去模糊挖掘仿真[J].計算機仿真，2023，40（6）：421-424.

[17]郝光，董朝軼，高勝利.電站鍋爐神經網絡建模及性能優化[J].能源與節能，2019（10）：65-67.

[18]馬進，強碩，袁雪峰.基于動態神經網絡的電極式鍋爐數學建模研究[J].計算機仿真，2019，36（9）：126-130.

[19]韓義，孫英波，于英利，等.遺傳算法與BP神經網絡在低氮燃燒優化中的應用[J].內蒙古電力技術，2017，35（6）：32-35.

[20]呂建，孔祥杰，董賽男.基于神經網絡的變煤質下CFB參數的預測仿真[J].自動化技術與應用，2016，35（6）：1-5.

（責任編輯：平海，蘇幔）