火力發電廠分時線性智能吹灰模型的應用

馬曉春, 劉相宏, 陳 晶, 鄭云林, 郭 麗, 趙滔滔, 趙偉杰

(1. 新疆維吾爾自治區計量測試研究院, 烏魯木齊 830011;2. 上海新華控制技術集團科技有限公司, 上海 200241)

火力發電廠鍋爐的爐膛受熱面積灰結渣是生產運行中普遍存在的問題。煤粉燃燒放熱的過程中,爐膛各區域受熱面會不間斷地積累不同程度的灰焦[1-2]。受熱面管束發生積灰,會導致過熱、再熱蒸汽溫度降低,鍋爐出力受到限制,風煙溫度升高,造成熱能浪費。同時,過熱器、再熱器熱偏差的增加會影響受熱面安全[3-4]。積灰還會增加換熱管束的通風阻力,進而增加引風機的負擔,影響鍋爐的安全經濟運行[5-6]。

從燃料經濟性出發,我國火力發電廠所用煤的品質參差不齊,灰、硫含量較高,導致爐膛內受熱面積灰嚴重。處理積灰的經典方案是對爐膛內壁的各個部位進行定時定量吹掃,但是該方案基于積灰結渣過程是時間的線性函數,具有一定的盲目性和不科學性,具體為:未考慮到不同局部區域的實際吹灰需求,吹灰收益與能耗相比得不償失;爐膛內壁缺乏有效的積灰情況測量手段,無法直接判斷積灰程度;對于某些不易積灰的部位,定時吹灰會加劇金屬消耗,減薄受熱面,甚至可能導致爆管。針對上述問題,許多電廠采用智能控制方案優化吹灰系統[7-10]。

國外對智能吹灰方案的研究起步較早,并且開發出一些先進吹灰控制軟件,如美國電力研究協會的ISB、瑞士ABB公司的OPTIMAX、美國通用電氣公司的OPTIFIRE、美國西屋-艾默生公司的Smart Process和德國西門子公司的Profi等,這些軟件已成功應用于工程實際中爐膛內灰焦的吹掃控制系統[11-12]。近年來,國內研究在積灰監測和吹灰策略方面取得了一些豐富的研究成果。曲慶功[10]提出將吹灰凈收益值作為積灰監測參數,并且采用基于模糊神經網絡的監測方法,計算機仿真表明該方法可提高鍋爐受熱面換熱效率。在吹灰策略方面,俞海淼等[13]設計出一種水冷灰污熱流計,通過讀取熱流計的溫度,可以對熱流密度進行監測,進而了解爐膛的積灰結渣情況。該方法不受爐膛燃燒特性的干擾,具有一定的通用性,但是需要新增大量熱流計儀表實現對爐膛積灰結渣程度的監測,初始投資較高,并且增加了水冷壁的焊口,對鍋爐的安全運行有一定的影響?？傮w而言,國內智能優化吹灰系統的相關功能和應用范圍還有很大的發展空間[14-15]。

筆者基于長短期記憶(LSTM)算法對結渣過程進行建模,開發爐膛水冷壁結渣監測模型,并且開發了基于分散控制系統(DCS)的鍋爐智能吹灰系統,探究局部受熱面上的時間-壁溫-阻熱程度的關系函數,通過在線實時監測壁溫測點的數值,智能判斷積灰結焦的程度,從而在最恰當程度進行局部吹掃。

1 分時線性智能吹灰方法

吹灰是為了提高換熱介質的導熱效率、減少蒸汽的熱能浪費和降低受熱金屬壁面的吹損減薄程度,從而提高機組的整體能量轉化效率和經濟效益。在吹灰蒸汽額定壓力和吹灰器程序控制指令固定的情況下,吹灰頻次與蒸汽耗量及受熱面吹損減薄程度總體呈一次線性關系,但吹灰效益與吹灰頻次之間的函數關系較復雜。吹灰頻次過低,會浪費較多燃煤能量;吹灰頻次過高,會浪費較多蒸汽能量,并且影響燃燒穩定性和受熱面壽命。智能吹灰方法依據吹灰坐標位置的具體工況,選擇是否觸發吹灰程序,做到無必要不吹灰、有必要立即吹灰,吹灰器組不進行統一步序。

科學吹灰的前提是精確地判斷吹掃處積灰的程度和趨勢。當無法直接測量灰焦積累的嚴重程度時,如何通過相關物理量呈現出灰焦積累狀態,是智能吹灰方法的技術關鍵。

采集壁溫、主蒸汽流量、省煤器出口溫度等關鍵數據,進行分時拆解,并且采用神經網絡模型進行回歸分析,求解出具體位置壁溫與時間、主蒸汽流量等關鍵物理量的映射關系,進而分析受熱面灰沉積特性。

某熱電廠機組爐膛某處壁溫的歷史數據見圖1(時間序列對應的時間步長為10 s)。壁溫從虛線處隨時間呈規律性衰減,并且在下一條虛線位置突然階躍回升至衰減之前的溫度。自然脫落和蒸汽吹灰使局部積累的灰焦在短時間內被剝離,壁面的熱阻瞬間降低,從而引起壁溫的突變。隨著灰焦的繼續堆積,該處熱阻逐漸增加,直至一定時間或積累到一定程度后,灰焦被再次剝離。

圖1 機組爐膛某處壁溫時間序列曲線

將圖1中溫度衰減的局部過程進行分時拆解,得到溫度隨時間的變化曲線見圖2(橫縱坐標與圖1相同)。初步比對不同時段的衰減曲線,發現這些曲線全部符合同一條衰減函數曲線(類似于負指數函數),只是不同時段的采樣曲線對應衰減函數曲線的不同階段,衰減特性蘊含了結渣導致熱傳導受阻特性。依據擬合出的衰減特性曲線,可以由溫度衰減的前半程預測后續的溫度變化趨勢,并且依據后續溫度變化趨勢判斷是否需要觸發局部吹灰程序。

圖2 壁溫曲線的階躍-衰減特性分時拆解

在應用數學層面,可以通過各種數值方法擬合得到圖2中虛線,如采用負指數函數、拋物線函數、三角函數等常規函數進行擬合,或采用人工神經網絡模型進行非函數化擬合。壁溫除受時間的影響外,還受主蒸汽流量、燃燒器擋板開度等參數的影響,屬于多解釋變量的映射關系擬合,人工神經網絡模型適用于多變量之間錯綜復雜關系的擬合。研究采用適宜擬合時序問題的LSTM神經網絡模型。

LSTM神經網絡是一種特殊的循環神經網絡(RNN),能學習數據流的長期時序規律。它最早由Hochreiter和Schmidhuber于1997年提出,后經眾多學者的提煉和推廣,被廣泛用于天然氣負荷預測、股票市場預測、語言建模和機器翻譯等序列任務。梯度消失的主要限制是模型無法學習長期的依賴關系。與常規RNN相比,LSTM神經網絡可以存儲更多的歷史時序信息,以避免梯度消失。與僅維護單個隱藏狀態的RNN相比,LSTM神經網絡可以儲存更多參數,因此可以更自如地保存或丟棄指定時長的時序數據。

2 測試與分析

選取該機組某處壁溫的歷史數據,采樣步長為10 s,采樣總次數為65 000。根據階躍過程最長時間為100 s、壁溫的連續落差不小于50 K進行分時拆解,分別提取出各段溫度隨時間的衰減歷程。將各段數據用于訓練LSTM神經網絡模型,得到重構曲線,結果見圖3(前10 000次采樣)。LSTM重構曲線與歷史采樣曲線的平均相對誤差為11.3%,絕對誤差的標準差為26.5 K。LSTM重構曲線較好地呈現了壁溫的變化趨勢,說明對壁溫的時序曲線進行精準拆解后可以準確提取灰焦隨時間的積累特性。

圖3 分時拆解后的LSTM擬合-重構效果

3 實際應用

3.1 測點布置

基于提出的分時線性智能模型,設計并開發了整套機組的智能吹灰系統,探究其在該機組DCS中的應用效果。

該機組的鍋爐為330 MW亞臨界參數汽包爐,采用自然循環、一次中間再熱、單爐膛、四角切圓燃燒方式、平衡通風、固態排渣、全鋼懸吊結構、露天布置,工作負荷率在80%左右。

鍋爐爐膛壁面的溫度測點全部布置在爐膛墻式吹灰器的吹灰范圍內。溫度測點的布置見圖4,爐膛內按照8層(第5層無觀火孔)布置,共安裝88臺墻式吹灰器,在前墻最下層吹灰器標高位置開始布置測點(采用逆時針螺旋上升式布置),依次對測點進行編號,保證每臺墻式吹灰器至少對應1個溫度測點。

圖4 爐膛壁面溫度測點的布置

采用分時線性智能模型對每個溫度測點單獨進行分時拆解,并且采用LSTM算法進行建模,將模型與壁溫、過熱器焓增、煙氣溫差和煙氣壓差等參數進行比較,得出爐膛內各個部位的吹灰需求。

3.2 被監測變量與相關運行參數模型

采用主元分析法在歷史生產數據中篩選出被監測變量和各個運行參數在新映射空間的變量,然后采用LSTM算法建立模型,其中包括:

(1) 建立與爐膛壁溫從衰減到完全回升的運行時間、蒸汽流量、省煤器出口給水溫度、各燃燒器輔助風擋板指令等運行參數相關的67個8維模型。

(2) 建立與低溫過熱器蒸汽焓增、低溫再熱器蒸汽焓增、高溫再熱器蒸汽焓增、吹灰后運行時間、蒸汽流量、再熱蒸汽溫度調節擋板開度比和煙氣溫度等運行參數相關的6個5維模型。

(3) 建立與屏式過熱器蒸汽焓增、高溫過熱器蒸汽焓增、吹灰后運行時間、蒸汽流量、再熱蒸汽溫度調節擋板開度比、煙氣溫度和減溫器出口溫度等運行參數相關的2個6維模型。

(4) 建立與省煤器中給水焓增、運行時間、蒸汽流量、再熱蒸汽溫度調節擋板開度比、煙氣溫度、省煤器出口給水焓等運行參數相關的1個6維模型。

(5) 建立與空氣預熱器進出口煙氣壓差、壁溫從衰減到完全回升的運行時間、蒸汽流量、再熱蒸汽溫度調節擋板開度比和空氣預熱器入口煙氣壓力等運行參數相關的2個5維模型。

(6) 預設歷史生產數據服從正態分布,依據被監測變量偏離正態分布中心的具體情況,設置觸發吹灰條件的合適閾值,求出觸發吹灰條件的閾值。

3.3 智能吹灰控制流程

按煙氣流向進行吹灰,煙氣依次流過爐膛、屏式過熱器、高溫過熱器、高溫再熱器、低溫再熱器、低溫過熱器、省煤器、空氣預熱器。智能吹灰控制流程見圖5。

圖5 智能吹灰控制流程

3.4 智能吹灰控制原理

結合受熱面對應的動態沾污模型,開發基于DCS的智能吹灰系統。智能吹灰控制原理見圖6。吹灰優化總控制模塊根據吹灰需求、吹灰后運行時間、疏水溫度和中停條件控制各單元的智能吹灰。

圖6 智能吹灰控制原理

4 投運效果分析

4.1 直接經濟效益

(1) 減少吹灰蒸汽消耗量。

智能吹灰系統投運后168 h測試期間與投運前的數據對比結果見表1,智能吹灰系統投運后吹灰蒸汽消耗量(質量流量)降低總量為1 014.7 t/a(該機組2021年的運行時間約為7 699.52 h,折合320.8 d,平均負荷率為 71.2%)。

表1 智能吹灰系統投運前、后數據對比

在額定功率工況下,煤耗量(質量流量)為140.64 t/h,對應標準煤的煤耗量為100.5 t/h,主蒸汽質量流量為1 048 t/h,標準煤單價為1 300元/t,按吹灰蒸汽比焓與主蒸汽比焓之比(0.919 4)折算吹灰蒸汽的煤耗量,計算智能吹灰系統投運后通過減少吹灰蒸汽消耗量可實現直接經濟效益約11.6萬元/a。

(2) 降低排煙溫度。

智能吹灰系統投運后,經測試,鍋爐排煙溫度降低約2.24 K,對應鍋爐效率提高0.11個百分點,供電煤耗率降低0.391 g/(kW·h),可實現直接經濟效益約92.0萬元/a。

4.2 間接經濟效益

智能吹灰系統投運后的間接經濟效益如下:

(1) 有效避免由爐膛水冷壁結渣、掉渣導致的安全事故。

(2) 有助于對鍋爐燃煤方案、燃燒運行參數的調整,進而可以提高鍋爐運行的安全性、經濟性。

(3) 避免吹灰器頻繁動作對受熱面金屬材料壽命的影響,降低爆管概率,進而減少受熱面維護、更換費用。

(4) 降低吹灰器投運頻次,從設備使用的角度考慮,能夠較大程度地降低缺陷產生的可能性,減少作業人員消除缺陷的工作量,降低安全隱患。

(5) 在降低煤耗量的同時,可以有效減少電廠在生產運行過程中產生的二氧化硫、氮氧化物、一氧化碳、二氧化碳等氣體和顆粒粉塵,提高鍋爐環保排放特性。

機組采用分時線性智能吹灰系統,經過168 h的測試后,日均吹灰次數從141降低至102,吹灰頻次降低約27.71%,達到了降低25%以上的技術指標要求,具有一定的經濟效益。

5 結語

鍋爐爐膛受熱面的積灰結渣是生產運行中普遍存在的現象,對機組的安全性、經濟性有不可忽略的負面影響。研究從受熱面的積灰特性著手,將歷史壁溫曲線依照階躍-衰減特性進行分時拆解,結合LSTM算法對結渣過程進行建模,開發爐膛水冷壁結渣監測模型;同時,結合屏式過熱器、高溫過熱器、高溫再熱器、低溫再熱器、低溫過熱器、省煤器和空氣預熱器對應的動態沾污模型,開發基于DCS的鍋爐智能吹灰系統。系統實現了鍋爐日常運行過程中“按需適量”的智能吹灰、自動疏水、自動投停,保證了鍋爐受熱面的安全。該系統已在某熱電廠實地投運,通過實際試驗得出,啟用智能吹灰方法后,有效地降低了吹灰器投運頻次和吹灰蒸汽消耗量,降低了排煙溫度。該智能吹灰系統對燃煤電廠鍋爐的吹灰系統智能化運行具有重要意義。