陳尚兵， 楊中明， 王 會， 舒茂龍， 高 紅， 楊 權(quán)

（浙江國華浙能發(fā)電有限公司，浙江寧波315612）

大型塔式鍋爐由于爐膛尺寸大、四角風速不均等原因，更容易導致爐內(nèi)火焰燒偏，進而引發(fā)鍋爐結(jié)焦、爐內(nèi)局部金屬管壁超溫和汽水系統(tǒng)汽溫不均衡等問題.某電廠5號機組鍋爐為超超臨界變壓運行螺旋管圈直流爐，塔式布置，鍋爐最大連續(xù)蒸發(fā)量（BMCR）工況下額定蒸汽質(zhì)量流量為3 091t／h.投產(chǎn)后水冷壁出口各點溫度偏差在低負荷時段達到50～60K，滿負荷時也有30K；這樣在低負荷時段水冷壁出口溫度高點容易接近保護值，采取保護調(diào)節(jié)后引起給水流量加大，導致蒸汽溫度下降過快.為了防止這種現(xiàn)象，只好加大給水流量，使第一級過熱器蒸汽長期處于欠焓狀態(tài)，從而導致后續(xù)減溫水使用不足、蒸汽溫度調(diào)節(jié)手段受限、機組效率不高.

水冷壁出口溫度偏差主要由火焰燒偏引起，為此需要確認火焰燒偏的程度，并尋找導致火焰燒偏的主要原因和燃燒調(diào)整的策略.通過現(xiàn)場溫度場的測試分析或者對全爐膛進行數(shù)值模擬，得到各層的溫度場、流場以及組分分布，分析后制定調(diào)整優(yōu)化策略，這是一種常用的手段［1－2］，但不能進行全負荷下的優(yōu)化調(diào)整指導.筆者在確認了爐內(nèi)火焰燒偏的事實和程度后，為了避免人工在線燃燒調(diào)整的盲目性和危險性，采用面向海量數(shù)據(jù)學習的核心向量機回歸算法［3－4］（CVR），對從集散控制系統(tǒng)（DCS）中篩選的17 338組運行數(shù)據(jù)進行分析，建立了水冷壁出口溫度偏差與77個運行參數(shù)之間的關(guān)系模型，并找出關(guān)鍵關(guān)系.依據(jù)模型指導，制定了二次風精細配風方案，并在現(xiàn)場實施了該方案.

1 全爐膛溫度場建模與燒偏狀態(tài)確認

通過在線的鍋爐壁溫參數(shù)以及輔助的現(xiàn)場溫度測量值，可以大致了解爐內(nèi)燃燒不對稱的情況，但是這些數(shù)據(jù)不能全面表征整個爐膛的溫度信息，也不好確認火焰燒偏的具體程度.以各層燃燒器一次風、二次風風量和風溫，以及各層給粉量作為主要邊界參數(shù)，采用數(shù)值模擬方法對鍋爐進行1∶1建模，計算其溫度場分布.數(shù)值模擬中選用標準k－ε 湍流模型計算爐內(nèi)流場，非預混PDF模型計算爐內(nèi)溫度場和組分分布.模擬典型低負荷惡劣工況（550 MW），B、C、E、F層磨煤機運行，得到整體和各層溫度場的分布，如圖1～圖3所示，其中X 為爐膛寬度，Y 為爐膛高度，Z 為爐膛長度.

圖1 整體溫度場分布Fig.1 Overall distribution of temperature field

對數(shù)值模擬結(jié)果中的壁溫進行統(tǒng)計，各墻平均溫度見表1.由表1可知，模擬結(jié)果與在線壁溫數(shù)據(jù)分布趨勢一致，也與關(guān)鍵部位（各層燃燒器附近）的現(xiàn)場紅外溫度測量數(shù)據(jù)相吻合.

圖2 B、C層溫度場分布Fig.2 Temperature field of B／C level

圖3 D、E層溫度場分布Fig.3 Temperature field of D／E level

表1 各墻平均溫度Tab.1 Average temperature of each wall K

再次對比爐膛貼壁水冷壁CO、NO 和O2等氣氛監(jiān)測分析結(jié)果，可以確認在中低負荷下，爐內(nèi)確實存在嚴重火焰燒偏現(xiàn)象，火焰偏向后墻和右墻.但在隨后完成的C級檢修中，燃燒系統(tǒng)各設備沒有發(fā)現(xiàn)重大缺陷，檢修后鍋爐冷態(tài)空氣動力場試驗各項參數(shù)也正常.

2 鍋爐燃燒建模

2.1 海量數(shù)據(jù)建模算法選擇

通過現(xiàn)場測量和分析，大致可以找到造成水冷壁出口溫度偏差的因素，但是難以把握其規(guī)律.通過數(shù)值模擬和熱計算，精確地刻畫了爐膛的溫度場和流場分布，但是造成溫度偏差的原因和機理非常復雜，僅僅據(jù)此還不能直接給出減小溫度偏差的調(diào)整策略.

為了找到導致火焰燒偏以及蒸汽溫度偏差的主要影響因素和變化規(guī)律，從而對蒸汽溫度偏差進行預測和調(diào)整，借助人工智能模型算法，對復雜的運行參數(shù)進行統(tǒng)計分析.賈慶巖等［5］利用自組織神經(jīng)網(wǎng)絡學習的方法，對超臨界鍋爐中間點溫度進行了建模，以給水流量和燃料量作為輸入量，并考慮了輸入量的延遲環(huán)節(jié).該模型的輸入量較少，不能精確反映運行參數(shù)對中間點溫度的影響.鑒于神經(jīng)網(wǎng)絡在這方面的弱勢，葉向榮［6］采用支持向量機模型（SVM），將水煤比、機組負荷、風量和燃燒器角度等運行參數(shù)，并添加了溫度偏差較大管的溫度作為輸入量，建立了中間點溫度的預測模型.但是SVM 算法的訓練時間復雜度為O（m3），其空間復雜度大于二次，因此難以處理海量的DCS數(shù)據(jù)，也難以用于實際的尋優(yōu)和運行優(yōu)化指導.

核心向量機（CVM）由Tsang等［3］在2005年提出，是一種面向海量數(shù)據(jù)的建模方法.核心向量機利用幾何中的最小包閉球算法（MEB）代替凸二次規(guī)劃，以求解希爾伯特空間中的對偶問題，大大地簡化了SVM 的空間運行復雜度，時間復雜度為O（m），解決了SVM 只能對小樣本進行快速建模的問題，從而可以通過訓練海量樣本來提高預測精度，但訓練耗時大大降低，更適合在線工作.此后針對支持向量回歸（SVR）的回歸特性，Tsang等又對核心向量機進行擴展，使算法可以支持回歸估計并將其命名為核心向量機回歸算法（CVR）.

核心向量機在大型鍋爐NOx排放預測、飛灰含碳量預測、電網(wǎng)配電和人臉識別方面具有相當大的運用前景［7－9］，并且在線的核心向量機建模方案也逐漸成熟.

2.2 建模方案

該類型鍋爐水冷壁前墻、左墻、右墻和后墻出口聯(lián)箱左右側(cè)等8個聯(lián)箱各安裝了3個蒸汽溫度測點（見圖4），共24個，每處3個溫度信號采用三取中處理，以此來表征鍋爐四壁出口的8個典型溫度.其變化趨勢與位于其下方的螺旋水冷壁管出口壁溫（標高67m）以及水冷壁垂直段的中間點溫度（標高106.5m）變化一致.

圖4 建模點位置分布Fig.4 Arrangement of modeling points

在實際的鍋爐給水焓值控制和減溫水流量控制回路中，這8個溫度的最大值也恰恰是用于與計算設定值相比較來控制給水流量和減溫水流量的.當水冷壁出口溫度偏差大時，極易導致為了防止水冷壁局部（某個角）溫度超限，只有加大給水流量使一級過熱器處于欠焓狀態(tài)，而且為了控制過熱蒸汽溫度偏差，過熱器減溫水在超溫局部單側(cè)投入，而在另外一側(cè)少投甚至不投，這種情況直接影響到過熱蒸汽溫度品質(zhì)和機組的經(jīng)濟性.

為了反映整體溫度偏差情況，并改善給水和蒸汽溫度控制品質(zhì)，模型輸出和尋優(yōu)目標為同一負荷下8個出口聯(lián)箱出口溫度的溫度偏差系數(shù).

溫度偏差系數(shù)V 定義為

式中：S 為樣本標準差；ˉT 為樣本平均值；Ti為各出口聯(lián)箱的出口溫度；N＝8.

圖5給出了各負荷下的溫度偏差系數(shù).由圖5可知，低負荷下的溫度偏差系數(shù)是高負荷下的5倍，這與現(xiàn)實相吻合，所以溫度偏差系數(shù)準確地反映了火焰燒偏的嚴重程度.

圖5 各負荷下的溫度偏差系數(shù)Fig.5 Temperature deviation coefficients at different loads

模型的輸入值為負荷、風量、溫度、給煤量和給水流量等77個運行參數(shù)（見表2，其中SOFA 表示分離燃盡風）.使用當年12 月份的運行數(shù)據(jù)，從DCS中每隔60s采集模型輸入向量，并挑選具有一定溫度偏差系數(shù)的數(shù)據(jù)作為輸入值，累計16 532個樣本，使用另外806組運行數(shù)據(jù)進行驗證.將溫度偏差系數(shù)原始值與預測值進行對比，并以均方誤差M來衡量模型可靠性.

式中：vi和Vi分別為溫度偏差系數(shù)預測值和原始值；n為樣本數(shù).

使用交叉驗證的方法來選擇CVR的參數(shù)，最后確定核函數(shù)參數(shù)ε和懲罰系數(shù)C 分別為7×10－6和105時，模型的預測精度最好，計算耗時最少.模型對水冷壁出口溫度偏差系數(shù)的評估結(jié)果見圖6，其中12 月份溫度偏差系數(shù)的均方誤差為1.94×10－6.由圖6可知，該模型可以用于尋優(yōu).

表2 模型輸入?yún)?shù)Tab.2 Input parameters of the model

圖6 模型評估結(jié)果Fig.6 Accuracy analysis of the model

3 模型尋優(yōu)

引起火焰燒偏的原因很多，包括燃燒器自身的磨損情況、不同層燃燒器使用的煤種及煤粉細度等.理論上可以通過模型尋優(yōu)得到所有參數(shù)的最優(yōu)組合，在實際燃燒調(diào)整工作中，二次風的精細配比是最容易通過在線操作實現(xiàn)的，其次是煤粉細度.通過對模型的初步分析得知，對溫度偏差系數(shù)最敏感的運行參數(shù)是各層各角的風量和機組負荷.

為了得到便于應用的燃燒調(diào)整策略，從以下2方面進行模型尋優(yōu)：一方面通過對模型中的運行參數(shù)進行整體尋優(yōu)，給出對應負荷下的各層之間理想最佳風量配比；另一方面對各層每角二次風風量單獨進行分析，得到不同負荷下不同角各層的二次風風量對溫度偏差系數(shù)的影響.其中理想最佳風量配比可用于引導運行風量的調(diào)整方向，不同角各層二次風風量與溫度偏差系數(shù)的關(guān)系可以用于運行參數(shù)的微調(diào).

以冬季650 MW 負荷為例，B 層～F 層磨煤機投運，A 層磨煤機未投運.尋優(yōu)參數(shù)為B層～F層的二次風風量，每一層的各角二次風風量采用同層聯(lián)動等風量配置.尋優(yōu)結(jié)果見表3.

再對不同角二次風風量單獨進行尋優(yōu)，發(fā)現(xiàn)2號、3號和4號角二次風風量以及各角SOFA 風門開度與溫度偏差系數(shù)顯著關(guān)聯(lián)，如圖7～圖8所示.

表3 650 MW 工況下二次風的尋優(yōu)結(jié)果Tab.3 Optimization results of the secondary air at 650 MW

尋優(yōu)結(jié)果表明：650 MW 工況下2號角整體風量需要調(diào)大，其中E 層的風量存在一個最佳值，風量范圍為35～40t／h；3號角B、D、E、F 層的風量需要盡可能調(diào)小，但C 層的風量需要調(diào)大，特別是C層風量對溫度偏差系數(shù)的敏感度較高，需要在保證燃燒穩(wěn)定的情況下進行微調(diào)；4號角B、C、D、F 層二次風風量需要在保證燃燒穩(wěn)定的情況下調(diào)大，E 層的風量需要調(diào)小.1號角和2號角SOFA 風量稍微調(diào)小，4 號角SOFA 風量盡量調(diào)大可以減小溫度偏差.

整理不同負荷下的運行參數(shù)進行尋優(yōu)，得到各層風量與負荷的關(guān)系和典型負荷下各層各角風量與負荷的關(guān)系.以550 MW 工況為例，B～F 層磨煤機投運，A 層磨煤機未投運，各層風門的最優(yōu)值見表4.

4 燃燒配風調(diào)整試驗

根據(jù)理論尋優(yōu)結(jié)果，制定二次風精細配風方案，部分試驗階段的水冷壁出口聯(lián)箱各點溫度見圖9.

如圖10～圖13所示，在700 MW 負荷下，當實施二次風精細配風方案后，最大溫度偏差從33K 降低到15K，溫度偏差系數(shù)從0.025減小到0.012，分別下降了54.5%和52%；在530 MW 負荷下，實施二次風精細配風方案后，最大溫度偏差從40K 降低到25K，溫度偏差系數(shù)從0.03減小到0.02，分別下降了37.5%和33%.

圖7 650 MW 工況下各層各角二次風風量與溫度偏差系數(shù)的關(guān)系Fig.7 Secondary air volume vs.temperature deviation coefficient at 650 MW

圖8 650 MW 工況下SOFA 風量與溫度偏差系數(shù)的關(guān)系Fig.8 SOFA volume vs.temperature deviation coefficient at 650 MW

表4 550 MW 工況下各層風量調(diào)整目標Tab.4 Optimization schemes of the air at 550 MW t／h

圖9 試驗調(diào)整過程中水冷壁出口聯(lián)箱各點溫度Fig.9 Optimization results of outlet header temperature

圖10 700 MW 工況下最大溫度偏差變化圖Fig.10 Maximum temperature deviation at 700 MW

圖11 700 MW 工況下溫度偏差系數(shù)變化圖Fig.11 Temperature deviation coefficient at 700 MW

圖12 530 MW 工況下最大溫度偏差變化圖Fig.12 Maximum temperature deviation at 530 MW

圖13 530 MW 工況下溫度偏差系數(shù)變化圖Fig.13 Temperature deviation coefficient at 530 MW

為了進一步驗證優(yōu)化策略的有效性，恢復所有參數(shù)至系統(tǒng)原始值，單獨依照優(yōu)化策略調(diào)整C層、D層以及各角SOFA 風門開度，雖然效果沒有組合方案好，但優(yōu)化趨勢一致（見圖14 和圖15）.由圖14和圖15 可知，以調(diào)整各角SOFA 風門開度優(yōu)化策略為例，要求在低負荷下全開4號角，其優(yōu)化效果十分明顯.

圖14 530 MW 工況下4號角SOFA 風量對溫度偏差系數(shù)的影響Fig.14 Temperature deviation coefficient vs.SOFA volume at 530 MW for corner No.4

5 結(jié) 論

圖15 530 MW 工況下4號角SOFA 風量對最大溫度偏差的影響Fig.15 Maximum temperature deviation vs.SOFA volume at 530 MW for corner No.4

通過溫度場測量分析和數(shù)值模擬，確認了某鍋爐火焰燒偏的程度.建立了能反映火焰燒偏嚴重程度的物理模型，采用核心向量機回歸算法，建立了鍋爐各工況條件與溫度偏差系數(shù)之間的關(guān)系模型，并驗證了該模型具有很高的準確度和運算效率.利用該模型進行了不同負荷下的運行參數(shù)尋優(yōu)，根據(jù)尋優(yōu)結(jié)果完成精細配風實驗，結(jié)果顯示溫度偏差有了大幅度的改善，特別是在容易出現(xiàn)溫度偏差的低負荷工況下，該模型的優(yōu)化指導效果十分顯著.

［1］ 劉建全，孫保民，白濤，等.600 MW 超臨界旋流燃燒鍋爐爐內(nèi)溫度場數(shù)值模擬及優(yōu)化［J］.中國電機工程學報，2011，31（2）：15－21.LIU Jianquan，SUN Baomin，BAI Tao，et al.Numerical simulation and optimization on temperature field of 600 MW supercritical swirl combustion boiler［J］.Proceedings of the CSEE，2011，31（2）：15－21.

［2］ 李德波，沈躍良，鄧劍華，等.OPCC 型旋流燃燒器大面積燒損的關(guān)鍵原因及改造措施［J］.動力工程學報，2013，33（6）：430－436.LI Debo，SHEN Yueliang，DENG Jianhua，et al.Cause analysis on burnout of OPCC swirl burners and the remedy［J］.Journal of Chinese Society of Power Engineering，2013，33（6）：430－436.

［3］ TSANG I W，KWOK J T，CHEUNG P M.Core vector machines：fast SVM training on very large data sets［J］.Journal of Machine Learning Research，2005，33（6）：363－392.

［4］ TSANG I W，KWOK J T，LAI K T.Core vector regression for very large regression problems［C］∥Proceedings of the 22nd international conference on machine learning.New York，USA：ACM，2005：912－919.

［5］ 賈慶巖，胡文東，王衛(wèi)濤，等.超超臨界機組中間點溫度控制系統(tǒng)建模［J］.湖北電力，2011，35（增刊Ⅱ）：31－35.JIA Qingyan，HU Wendong，WANG Weitao，et al.Modeling of the intermediate point temperature control supercritical unit［J］.Hubei Electric Power，2011，35（SupⅡ）：31－35.

［6］ 葉向榮.600 MW 超臨界鍋爐中間點溫度仿真與控制［J］.電力科學與技術(shù)學報，2010，25（2）：84－88.YE Xiangrong.Simulation and control of the intermediate point temperature in 600MW supercritical boilers［J］.Journal of Electric Power Science and Technology，2010，25（2）：84－88.

［7］ 彭宇文，劉克文.基于改進核心向量機的配電網(wǎng)理論線損計算方法［J］.中國電機工程學報，2011，31（34）：120－126.PENG Yuwen，LIU Kewen.A distribution network theoretical line loss calculation method based on improved core vector machine［J］.Proceedings of the CSEE，2011，31（34）：120－126.

［8］ 顧燕萍，趙文杰，吳占松.基于最小二乘支持向量機的電站鍋爐燃燒優(yōu)化［J］.中國電機工程學報，2010，30（17）：91－97.GU Yanping，ZHAO Wenjie，WU Zhansong.Combustion optimization for utility boiler based on least square－support vector machine［J］.Proceedings of the CSEE，2010，30（17）：91－97.

［9］ 王春林，周昊，李國能，等.基于支持向量機與遺傳算法的灰熔點預測［J］.中國電機工程學報，2007，27（8）：11－15.WANG Chunlin，ZHOU Hao，LI Guoneng，et al.Combining support vector machine and genetic algorithm to predict ash fusion temperature［J］.Proceedings of the CSEE，2007，27（8）：11－15.