CN112833409A - 一种基于动态损失预测的炉膛吹灰优化方法 - Google Patents

Abstract

本发明公开一种基于动态损失预测的炉膛吹灰优化方法，针对当前火电燃煤电厂锅炉炉膛由于缺乏直观结渣程度的数据，只能制定定时定量吹灰方案的现状，通过神经网络训练历史数据预测炉膛实际运行中动态损失，制定吹灰优化方案，从而解决锅炉炉膛凭经验吹灰的问题，本发明能够实时计算出炉膛动态传热损失，提供反映实时结渣情况的直观数据，为炉膛吹灰操作提供参考；基于动态损失判断吹灰时刻，使得吹灰操作更加实时准确，满足锅炉复杂多变的工况；本发明可以适用于不同结构类型的电站锅炉，适用范围较广。

Description

一种基于动态损失预测的炉膛吹灰优化方法

技术领域

本发明涉及火力发电技术领域，具体涉及一种基于动态损失预测的炉膛吹 灰优化方法。

背景技术

作为锅炉的燃烧系统，炉膛内火焰中心温度极高，因而烟气飞灰成分中处 于熔融软化状态且黏结性很强的灰粒易粘附在水冷壁管上形成结渣，如不及时 清除会导致锅炉传热效果严重下降甚至造成停炉。虽然大型锅炉炉膛配有吹灰 器进行清渣，但是由于缺乏炉内实时结渣的直观数据，大多数电厂根据经验制 定的按时定量吹灰方式并不合理，或吹灰不足引起受热面传热性能下降，或吹 灰次数过多导致蒸汽的浪费以及对受热面造成冲蚀。因此，如何建立炉膛结渣 污染监测模型并基于实时监测结果制定合理的吹灰方案，成为大型火电机组需 要解决的难题。

目前大多数电厂采用按时定量的吹灰方案即每天按照固定的时间进行相同 时长的吹灰操作形成吹灰周期，但由于其固定吹灰周期的制定只考虑运行人员 排班而缺乏数据支撑，所以此方案有较大的弊端；而通过设定临界污染率来判 定吹灰时机和吹扫时间的方式过于依赖实时污染率曲线的准确性，在运行工况 变化复杂情况下适用性有限。

发明内容

(一)解决的技术问题

针对当前火电燃煤电厂炉膛由于缺乏直观结渣程度的数据，只能制定定时 定量吹灰方案的现状，公开一种基于动态损失预测的炉膛吹灰优化方法，通过 神经网络训练历史数据预测炉膛实际运行中动态损失，制定吹灰优化方案，从 而解决锅炉炉膛凭经验吹灰的问题。

(二)技术方案

为实现上述目的，本发明提供如下技术方案：一种基于动态损失预测的炉 膛吹灰优化方法，其特征在于，具体包括以下步骤：

步骤(1)：采集炉膛结构和设计参数以及稳定负荷下锅炉历史入炉煤质数 据和运行参数，并记录历史吹灰时间和时长；

步骤(2)：基于步骤(1)所采集的稳定负荷下的历史数据，计算炉膛传热 量；

步骤(3)：以计算出的稳定负荷下炉膛传热量历史数据作为训练参数形成 神经网络1，输出参数为炉膛传热量Q_r；

步骤(4)：以吹灰试验中吹灰后10min计算出的炉膛清洁传热量历史数据 作为训练参数形成神经网络2，输出参数为炉膛清洁状态传热量Q_rc；

步骤(5)：将锅炉实时运行参数输入神经网络1和神经网络2获得炉膛实 时传热量和炉膛清洁传热量，并计算动态损失，判断最优吹灰时刻。

进一步的，所述步骤(1)中炉膛结构及设计参数通过锅炉使用和设计说明 书获得，锅炉历史运行参数通过电厂DCS系统采集，入炉煤质数据通过煤质分 析获得。

进一步的，所述步骤(2)中的炉膛传热量计算公式为：

其中，Q_r为炉膛传热量；ψ为水冷壁热有效系数；B_j为计算燃烧量；ε_f为 炉膛黑度；T_th为理论燃烧温度；T_f″为炉膛出口烟温；φ为保热系数；H_f为水冷 壁的吸热表面积；M为炉膛火焰参数；σ₀为玻尔兹曼常数；c_pj为炉内烟气的平 均比热容。

进一步的，所述步骤(3)中神经网络1的输入参数包括煤质水分、灰分、 硫份、挥发分、热值、水冷壁工质流量、水冷壁工质进口温度、水冷壁工质进 口压力、燃煤量、炉膛出口氧量、一次风出口风温、二次风出口风温。

进一步的，所述步骤(4)中神经网络2的输入参数包括煤质水分、灰分、 硫份、挥发分、热值、水冷壁工质流量、水冷壁工质进口温度、水冷壁工质进 口压力、燃煤量、炉膛出口氧量、一次风出口风温、二次风出口风温。

进一步的，所述步骤(5)中分别输入锅炉实时运行参数进入神经网络1和 神经网络2，预测出实时的实际炉膛传热量Q_r和炉膛清洁状态传热量Q_rc，Q_rc-Q_r即为炉膛的动态损失，能够反映炉膛结渣的程度，由于炉膛受热面面积较大， 吹灰器分布均匀，因此固定吹灰时间，设定临界损失为吹灰蒸汽的热量损失Q_b， 当满足公式(3)时即进行吹灰操作

其中，n为采集数据的次数，Δτ是采集数据的间隔时间，Q_rc是炉膛清洁状 态传热量，Q_b是吹灰蒸汽的热量损失。

(三)有益效果

1、本发明能够实时计算出炉膛动态传热损失，提供反映实时结渣情况的直 观数据，为炉膛吹灰操作提供参考；

2、本发明基于动态损失判断吹灰时刻，使得吹灰操作更加实时准确，满足 锅炉复杂多变的工况；

3、可以适用于不同结构类型的电站锅炉，适用范围较广。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要 使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一 些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还 可以根据这些附图获得其他的附图。

图1为本发明BP神经网络1结构示意图；

图2为本发明BP神经网络2结构示意图；

图3为本发明炉膛过程热量变化图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清 楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是 全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造 性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1-3，作为本发明的一个实施例，实例说明选取的锅炉为某600MW 超临界直流锅炉，锅炉型号为HG-1956/25.4-YM5型，是一次中间再热、超临界 压力变压运行带内置式再循环泵启动系统的直流锅炉。此锅炉采用Π型布置， 单炉膛、平衡通风、固态排渣、旋流燃烧器采用前后墙布置、对冲燃烧。锅炉 前后墙各布置3层旋流燃烧器(LNASB)，在最上层煤粉燃烧器上方，前后墙各 布置1层燃尽风口。

本发明提供一种技术方案：一种基于动态损失预测的炉膛吹灰优化方法， 具体包括以下步骤：

步骤1：采集炉膛结构和设计参数，稳定负荷下锅炉历史入炉煤质数据和运 行参数，并记录历史吹灰时间和时长。炉膛结构及设计参数可以通过锅炉使用 和设计说明书获得，需要炉膛整体传热面积、不同区段的传热面积、有效容积、 计算高度、上下排燃烧器布置高度差、燃烧器平均布置高度、出口烟窗面积、 炉膛出口对半辐射受热面的辐射热有效系数；锅炉历史运行参数通过电厂DCS 系统采集，主要测点包括锅炉燃煤量、一次风占总风量比例、二次风占总风量 比例、一次风进出口风温、二次风进出口风温、水冷壁工质流量、炉膛出口氧 量、水冷壁工质进口温度、水冷壁工质进口压力等。(上述测点均为锅炉中常用测点，无须再加入测点)；入炉煤质数据通过煤质分析获得，主要包括煤的元素 分析、工业分析和热值分析等，如所烧煤样为掺混煤则还需要不同煤样的配比。

步骤2：基于采集的大量稳定负荷下的历史数据，根据公式(1)和(2)计 算炉膛传热量

其中，Q_r为炉膛传热量；ψ为水冷壁热有效系数；B_j为计算燃烧量；ε_f为炉膛 黑度；T_th为理论燃烧温度；T_f″为炉膛出口烟温；φ为保热系数；H_f为水冷壁的 吸热表面积；M为炉膛火焰参数(M＝0.59-0.5x_b，x_b是炉膛火焰中心相对高度， 通过不同燃烧器进煤量计算)；σ₀为玻尔兹曼常数；C_pj为炉内烟气的平均比热 容；。

步骤3：以计算出的稳定负荷下炉膛传热量历史数据作为训练参 数，以附图1所示的BP神经网络结构进行神经网络训练，输入参数为 12个：煤质水分、灰分、硫份、挥发分、热值、水冷壁工质流量、水 冷壁工质进口温度、水冷壁工质进口压力、燃煤量、炉膛出口氧量、一次风出口风温、二次风出口风温；输出参数为炉膛传热量Q_r，形成 BP神经网络1。

步骤4：定义吹灰后10min内的炉膛传热量为炉膛清洁状态传热量 Q_rc。进行炉膛吹灰试验，加大吹灰压力和吹灰时长，以试验阶段吹灰

步骤5：分别输入锅炉实时运行参数进入神经网络1和神经网络2，计算出 实时的实际炉膛传热量Q_r和炉膛清洁状态传热量Q_rc，Q_rc-Q_r即为炉膛的动态损失， 能够侧面反映炉膛结渣的程度。由于炉膛受热面面积较大，吹灰器分布均匀， 因此固定吹灰时间，设定临界损失为吹灰蒸汽的损失Q_b，当满足公式(3)时即 进行吹灰操作。过程热量变化见附图2。

其中，n为采集数据的次数，Δτ是采集数据的间隔时间，Q_rc是炉膛清洁状 态传热量，Q_b是吹灰蒸汽的热量损失。

本发明将从锅炉炉膛动态传热损失的角度，通过神经网络训练历史数据来 预测炉膛实际运行中动态损失，从而制定吹灰优化方案，从而解决锅炉炉膛凭 经验吹灰的问题。

在本公开中参照附图来描述本发明的各方面，附图中示出了许多说明的实 施例。本公开的实施例不必定义在包括本发明的所有方面。应当理解，上面介 绍的多种构思和实施例，以及下面更加详细地描述的那些构思和实施方式可以 以很多方式中任意一种来实施，这是因为本发明所公开的构思和实施例并不限 于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明 公开的其他方面的任何适当组合来使用。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没 有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本 说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例， 是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能 很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限 制。

Claims (6)

1.一种基于动态损失预测的炉膛吹灰优化方法，其特征在于，具体包括以下步骤：

步骤(1)：采集炉膛结构和设计参数以及稳定负荷下锅炉历史入炉煤质数据和运行参数，并记录历史吹灰时间和时长；

步骤(2)：基于步骤(1)所采集的稳定负荷下的历史数据，计算炉膛传热量；

步骤(3)：以计算出的稳定负荷下炉膛传热量历史数据作为训练参数形成神经网络1，输出参数为炉膛传热量Q_r；

步骤(4)：以吹灰试验中吹灰后10min计算出的炉膛清洁传热量历史数据作为训练参数形成神经网络2，输出参数为炉膛清洁状态传热量Q_rc；

步骤(5)：将锅炉实时运行参数输入神经网络1和神经网络2获得炉膛实时传热量和炉膛清洁传热量，并计算动态损失，判断最优吹灰时刻。

2.根据权利要求1所述的一种基于动态损失预测的炉膛吹灰优化方法，其特征在于：所述步骤(1)中炉膛结构及设计参数通过锅炉使用和设计说明书获得，锅炉历史运行参数通过电厂DCS系统采集，入炉煤质数据通过煤质分析获得。

3.根据权利要求1所述的一种基于动态损失预测的炉膛吹灰优化方法，其特征在于，所述步骤(2)中的炉膛传热量计算公式为：

其中，Q_r为炉膛传热量；ψ为水冷壁热有效系数；B_j为计算燃烧量；ε_f为炉膛黑度；T_th为理论燃烧温度；T_f″为炉膛出口烟温；φ为保热系数；H_f为水冷壁的吸热表面积；M为炉膛火焰参数；σ₀为玻尔兹曼常数；c_pj为炉内烟气的平均比热容。

4.根据权利要求1所述的一种基于动态损失预测的炉膛吹灰优化方法，其特征在于：所述步骤(3)中神经网络1的输入参数包括煤质水分、灰分、硫份、挥发分、热值、水冷壁工质流量、水冷壁工质进口温度、水冷壁工质进口压力、燃煤量、炉膛出口氧量、一次风出口风温、二次风出口风温。

5.根据权利要求1所述的一种基于动态损失预测的炉膛吹灰优化方法，其特征在于：所述步骤(4)中神经网络2的输入参数包括煤质水分、灰分、硫份、挥发分、热值、水冷壁工质流量、水冷壁工质进口温度、水冷壁工质进口压力、燃煤量、炉膛出口氧量、一次风出口风温、二次风出口风温。

6.根据权利要求3所述的一种基于动态损失预测的炉膛吹灰优化方法，其特征在于：所述步骤(5)中分别输入锅炉实时运行参数进入神经网络1和神经网络2，预测出实时的实际炉膛传热量Q_r和炉膛清洁状态传热量Q_rc，Q_rc-Q_r即为炉膛的动态损失，能够反映炉膛结渣的程度，由于炉膛受热面面积较大，吹灰器分布均匀，因此固定吹灰时间，设定临界损失为吹灰蒸汽的热量损失Q_b，当满足公式(3)时即进行吹灰操作

其中，n为采集数据的次数，Δτ是采集数据的间隔时间，Q_rc是炉膛清洁状态传热量，Q_b是吹灰蒸汽的热量损失。

Images