基于混合策略麻雀算法的鍋爐主汽溫系統參數優化

國能浙江北侖第一發電有限公司 鄔正濤

近年來，電力工業作為支撐國家經濟發展的支柱行業，在我國經濟高速發展和社會對電力需求的持續需求下得到了迅猛的發展[1]。當前，在碳中和、碳達峰的宏觀背景和新時期電力工業轉型挑戰下，大型火力發電廠所面臨的機遇和挑戰都是空前的。在電源側，以高比例、大規模光伏發電和風力發電為代表的新型能源結構發電形式并入電網，火電機組需要承擔更重的調頻任務，同時也對大型火力發電機組提出了更高的控制要求[2]。

由于新能源機組出力具有間歇性、隨機性和大幅波動性；為平衡區域電網內能量供需，火電機組需要實時調整機組發電負荷，由于機組負荷升降速率的提升，傳統的鍋爐過熱蒸汽溫度控制系統面臨著較大的挑戰。本文將混合策略的改進麻雀算法應用至大型火電機組的主汽溫系統參數優化中，為行業中相關問題提供借鑒和參考。

1 鍋爐主汽溫被控對象特性

超臨界機組過熱蒸汽溫度的穩定不僅代表鍋爐系統中設備的安全穩定運行，許多控制回路中都將此參數作為輔助調節變量，因此鍋爐主蒸汽溫度控制系統是鍋爐十分重要控制系統之一。大型火電機組過熱器普遍布置在爐膛上部以及高溫煙道中，在各級過熱器間布置減溫器，減溫水一般從鍋爐給水管道中的給水調門后引出[3]。過熱蒸汽溫度系統簡化流程圖如圖1所示。

圖1 典型超臨界直流鍋爐主蒸汽溫度系統簡化流程圖

一般將鍋爐汽水分離器出口的過熱蒸汽溫度稱為中間點溫度，中間點溫度的值與機組實時水煤比直接相關。根據質量守恒、能量守恒定理，某超臨界直流爐機組主蒸汽溫度系統的熱平衡方程如式（1）所示：

式中：D 為給水流量，kg/s；B 為鍋爐給煤量，kg/s；hr為過熱器出口蒸汽比焓，kJ/kg；hw為給水比焓，kJ/kg；η 為鍋爐效率，%；Qb為單位燃煤發熱量，kJ/kg；φl為再熱器相對吸熱量，%；Ea為排煙熱損失，kJ/s；Eb為散熱損失，kJ/s。

根據式（1），得到過熱器出口蒸汽比焓hr如式（2）所示：

由式（2）可知，出口蒸汽的比焓值直接取決于燃料量與給水量的比值。

影響過熱蒸汽溫度的因素有很多，但主要是以下三種擾動情況：蒸汽流量擾動、煙氣側傳熱量擾動以及噴水減溫環節擾動。

各擾動環節對過熱蒸汽系統的影響如下：蒸汽流量擾動下，過熱蒸汽溫度具有自平衡特性，且蒸汽溫度的慣性和遲延都比較小，流量擾動下主汽溫響應曲線如圖2所示。由于煙氣側傳熱量擾動會有諸多例如鍋爐負荷、燃料量、燃料的品質、送引風量等參數的改變，從而影響過熱系統內部的傳熱情況，當煙氣傳熱量改變時與蒸汽流量改變時對主汽溫的影響是類似的。減溫水擾動下過熱汽溫動態特性如圖3所示。

圖2 蒸汽流量擾動下主汽溫響應曲線

圖3 蒸汽流量擾動下主汽溫響應曲線

根據上述分析，過熱蒸汽系統可類比于多個單容環節所組成的多容環節系統。根據現場經驗，過熱蒸汽溫度具有較大的容積延遲，而導前區溫度具有明顯的導前特點，因此工程上常采用串級控制的方式應用在過熱蒸汽溫度系統上，過熱蒸汽溫度控制系統方框圖如圖4所示。由于直流鍋爐設計的特點，需要在運行過程中根據實時負荷及運行工況在線調整給煤量與給水量的比值，以維持水煤比的實時平衡，即采用外環進行調整水煤比、內環調整噴水減溫流量的串級PID 控制方式。其中，主環控制器的被控量為惰性區溫度，副環控制器的被控量為導前區溫度。

圖4 過熱蒸汽溫度串級控制系統方框圖

過熱蒸汽溫度串級PID 控制系統的整定方法與普通串級回路整定方法類似。針對本文所述系統，導前區溫度對內部回路的擾動更加敏感，同時由于主環系統與副環系統的工作頻率不同，在進行串級系統整定時，需要將主、副環間的影響考慮在內，以減小兩者間的相互影響。

在實際應用中，一般采用逐步逼近法或者兩步整定法，但是這種方法同樣存在著弊端，即當現場工況發生改變時，不能及時地根據實際運行情況動態的調整PID 參數。因此，針對這一問題，目前有許多例如自適應控制、最優控制、模糊控制等先進控制理念或思想應用到其中。

2 混合策略麻雀算法

在原始麻雀算法中，種群中個體被分為三種類型，即發現者、跟隨者和警戒者[4]。麻雀優化算法的數學模型如下所述：一是初始化算法參數，設置種群數量，針對具體的尋優問題設置適應度函數；二是根據模型公式更新發現者的位置；三是根據模型公式更新跟隨者的位置；四是根據模型公式更新警戒者位置[5]?；诒疚乃霰豢貙ο?，針對性的對原始麻雀算法進行改進。

首先針對麻雀算法本身，由于原始算法采用隨機初始化種群策略，但是初始化對首代群體的位置分布情況影響較大，因此本文加入混沌初始化的方式。

其次針對本文的被控對象，過熱蒸汽溫度串級控制器參數尋優，不同于國際標準的CEC 測試集，很難提前獲知理論上最優控制器參數，實際應用中往往需要將尋優程序迭代到最大次數，才能滿足程序的終止條件。因此，需要將原始麻雀算法的收斂速度加以提高，并加入特定的判定語句，及時地終止程序。具體改進措施如下：在算法中加入選擇算子，將群體中適應度較差的個體替換為優良個體；同時，通過加入個體適應度標準差來判斷群體是否收斂，以此來終止程序的迭代?；旌细倪M策略麻雀算法偽代碼見表1。

表1 混合改進策略麻雀算法偽代碼

3 試驗驗證

工程上常用的過熱蒸汽溫度系統控制器參數尋優常采用工程整定法，以華東某660MW 機組為被控對象模型參數，基于MATLAB 平臺，將本文提出的混合策略麻雀算法與工程整定法進行對比試驗。其中，算法的個體適應度采用主蒸汽溫度控制系統輸出與設定值偏差的絕對誤差積分，如式（3）所示：

主蒸汽溫度系統方框圖如圖5所示，其中主環和副環控制器均采用PI 型控制器，如式（4）所示：

圖5 過熱蒸汽溫度串級系統方框圖

在鍋爐負荷為68%額定負荷工況下進行控制器參數尋優。設置麻雀群體數目N=20、最大迭代次數M=1000，原始算法與混合策略麻雀算法的收斂曲線如圖6所示。

圖6 兩種算法尋優收斂曲線

根據圖6可知，在加入混沌初始化和選擇算子后，改進SSA 算法能夠快速收斂，同時精度并沒有較原始SSA 下降。將上述兩種算法與工程整定法的參數進行負荷響應實驗，三種方法在68%額定負荷工況下的輸出響應曲線如圖7所示。

圖7 三種方法輸出響應曲線

由圖7可知，兩種尋優算法的響應曲線均較工程整定法更優，同時改進SSA 能夠在不降低尋優精度的同時，提高收斂速度。綜上所述，隨著群集智能優化算法的不斷發展和創新，該技術能夠在以后電力系統中推廣和應用，從而提高整個電力行業的信息化及智能化水平。