劉丹,周熙宏,楊冬,劉朝暉,裘立春,滕敏華

(1.西安交通大學動力工程多相流國家重點實驗室,710049,西安;2.浙江浙能技術研究院有限公司,311121,杭州)

當前,我國電力行業(yè)仍然以煤為主要消費能源,加之電站鍋爐燃用煤種的含硫量、含灰量均較高,使得受熱面極易造成積灰和結渣。在經過了幾十余年的升級和創(chuàng)新之后,新型電站鍋爐以其較高的燃煤利用率和優(yōu)良的環(huán)保性能已逐步在國際上推廣投運,并且成為我國大力建設的主要機組,但是爐膛結渣這一問題仍然嚴重影響著鍋爐的安全運行。

由于灰的熱阻較鍋爐受熱面鋼材的大,使得水冷壁傳熱惡化,進而導致爐膛出口煙溫升高,這又使得過熱蒸汽溫度偏高,不僅危害過熱器,還會導致汽輪機發(fā)生事故。同時,傳熱阻力增大需通過增加給煤量來維持鍋爐滿負荷運行,使得爐膛出口煙溫進一步升高,這一惡性循環(huán)使得電站鍋爐常發(fā)生一系列事故。大塊的渣掉落也會砸壞水冷壁和灰斗,使灰斗發(fā)生堵塞甚至爐膛熄火。此外,積灰和結渣帶來的高溫腐蝕、磨損也給鍋爐安全運行造成了一定的危害。因此,對鍋爐爐膛結渣程度及發(fā)展趨勢進行有效監(jiān)測就顯得尤為重要。

國內外學者對電站鍋爐爐膛結渣監(jiān)測進行了大量的研究,爐膛結渣情況監(jiān)測方法包括測量法和預測法[1-6]。其中,測量法有利用紅外照相設備直接觀察爐內結渣程度、利用熱流計或者熱電偶通過測量結渣帶來的熱流變化或爐膛出口煙溫變化從而監(jiān)測結渣程度等。Valero等利用紅外成像相機直接測量水冷壁輻射發(fā)射率,從而判斷水冷壁結渣情況[7],不過由于紅外成像相機安裝困難,且難以長時間在爐膛高溫環(huán)境下工作,該方法僅停留在實驗室階段。高繼錄等開發(fā)出一種微型超高溫熱流計,用于測量水冷壁熱流密度從而實現爐膛結渣情況的實時監(jiān)測[8],但該超高溫熱流計造價昂貴、維護困難,一定程度上限制了該技術的推廣及應用。徐立剛等建立了爐膛輻射傳熱模型,并基于煙溫軟測量方法計算爐膛污染率[9],但該模型僅適用于負荷較為穩(wěn)定的工況,負荷變化較快工況下監(jiān)測結果波動較大。預測法包括基于燃煤特性的單一指標和多指標綜合評判方法、人工神經網絡方法、模糊數學方法以及模式識別方法等。楊冬等利用反平衡法求得爐膛出口煙溫,并根據爐膛平均熱有效性系數得到清潔因子,根據清潔因子大小判斷爐膛結渣情況[10]。任林等先基于模糊C均值聚類法對數據進行預處理,然后利用粒子群優(yōu)化的支持向量機建立了電站燃煤結渣預測模型[11]。鄧喆利用經典3層BP神經網絡,對爐膛整體結渣情況進行了預測[12]。預測法雖然較測量法存在一定的誤差,但實現起來更為容易,因此在各大電廠得到了推廣使用,而現有文獻在爐膛局部結渣情況方面的報道較少。

本文分別以一臺300 MW級亞臨界、一臺600 MW級亞臨界以及兩臺1 000 MW級超超臨界鍋爐機組為研究對象,根據鍋爐機組參數、燃煤數據,利用單一指標與多指標燃煤特性判別方法、模糊神經網絡方法對該電站鍋爐爐膛結渣情況進行了預測。針對300 MW級亞臨界鍋爐機組建立了膜式水冷壁實際熱流密度的計算模型,并根據現場實測結果,利用基于污染系數的神經網絡對該電站鍋爐爐膛局部結渣情況進行了實時預測。最后,對單一指標與多指標的燃煤特性判別方法、模糊神經網絡方法以及基于污染系數的神經網絡方法進行了比較與分析。

1 基于燃煤特性的爐膛結渣模型與預測

鍋爐爐膛結渣情況與燃煤特性有著密切的關系,目前國內常用的基于燃煤特性的爐膛結渣模型主要包括單一指標、多指標綜合預測模型。

1.1 單一指標預測模型

單一指標預測模型根據灰分特性對爐膛結渣傾向進行預測,如軟化溫度t2、硅鋁比RSiAl、堿酸比RBA、硅比RG、硫分結渣指數RS等,其中RBA、RG以及RS的計算式如下

(1)

RG=100w(SiO2)/[w(SiO2)+w(CaO)+w(MgO)+w(Fe2O3)+1.11w(FeO)+1.43w(Fe)]

(2)

(3)

式中:w為質量分數;St,ar為煤的收到基硫分;Mar為煤的收到基水分。表1給出了單一指標預測模型評判爐膛結渣情況的標準,其中L、M、S分別代表輕微、中等、嚴重3種結渣程度。

表1 單一指標預測模型評判標準

1.2 多指標綜合預測模型

(1)綜合指數R預測模型。該模型根據我國動力用煤煤灰特性資料,通過對各指標(t2、RBA、RG、RSiAl)評價再加權得到:R<1.5為輕微結渣,R=1.5～2.5為中等結渣,R>2.5為嚴重結渣。R的計算式如下

R=5.414 5-0.002 3(t2/℃)+1.237 2RBA-0.018 9RG+0.282RSiAl

(4)

(2)RTSQ預測模型。該模型利用模糊數學方法根據熔點結渣指標RT、變形溫度t1、軟化溫度t2、硫分結渣指數RS、硅比RG以及黏度結渣指數Rv與鍋爐容積熱負荷qv和斷面熱負荷qF之間的關系對爐膛結渣情況進行綜合評價。根據所建立的各指標與qv、qF間的擬合公式得出各結渣指標所對應的高限熱負荷qvi(G)、qFi(G)及低限熱負荷qvi(D)、qFi(D),將多個高限熱負荷和低限熱負荷分別取其中間值得到各自高限熱負荷qv(G)、qF(G)和低限熱負荷qv(D)、qF(D)的估計值。表2給出了根據爐膛容積熱負荷和斷面熱負荷進行預測的標準。

表2 RTSQ綜合預測模型評判標準

1.3 實例計算及分析

某300 MW燃煤發(fā)電機組鍋爐為亞臨界參數變壓運行、自然循環(huán)、四角切圓燃燒、一次再熱、單爐膛平衡通風、固態(tài)排渣、全鋼構架的Π型汽包爐,過熱、再熱蒸汽溫度分別采用3級噴水和擺動燃燒器調溫方式,生產廠家是東方鍋爐(集團)股份有限公司。爐膛寬×深×高為13.35 m×12.829 m×54.3 m。鍋爐燃用煤種為神府東勝煤,該煤種的煤質及灰分成分分析如表3所示。

表4為根據單一指標和多指標綜合預測模型對該鍋爐爐膛結渣情況進行預測的結果,qv(D)=178 255.85 kJ/(m3·h),qv(G)=213 947.26 kJ/(m3·h),qF(D)=4 668 762.81 kJ/(m2·h),qF(G)=49 316 465.51 kJ/(m2·h)。

由表4可知:單一指標和綜合指標的8項預測結果中有5項顯示嚴重結渣,2項顯示中等結渣,1項顯示輕微結渣,據此可判斷該鍋爐機組燃用該煤種時,爐膛結渣情況為嚴重結渣。同時,該結果也顯示出單一指標和綜合指標模型在預測爐膛結渣情況時單獨使用具有預測分辨率較低的局限性,因此需要綜合考慮多項評判指標結果來確定最終結渣情況。

又對另外一臺燃用石炭二選系煙煤的600 MW級亞臨界鍋爐機組以及兩臺分別燃用活雞兔礦煤、兗礦煤與濟北煤礦混煤的1 000 MW級超超臨界鍋爐機組進行了預測分析,上述3種煤種分別用A、B、C表示。表5、表6分別為煤種特性分析及鍋爐參數數據和單一指標與多指標模型預測結果。

表3 煤質、灰分成分分析

注:Mt為煤的全水分。

表4 300 MW鍋爐機組單一指標、多指標綜合預測結果

由表6可知:8項評判指標對燃用A煤種的鍋爐爐膛結渣情況預測結果均為輕微結渣,因此最終預測結果為輕微結渣;對燃用B煤種的鍋爐機組預測結果中有6項為嚴重結渣,2項為中等結渣,因此最終預測結果為嚴重結渣;對燃用C煤種的鍋爐機組8項預測結果中輕微和中等結渣各有4項,只能粗略判斷該機組燃用該煤種時爐膛結渣情況為輕微或中等結渣。根據以上結果可知:單一指標和綜合指標模型對不同煤種、不同爐型的分辨率有所不同,因此在選用合適的評判指標前,需進行比較分析,盡可能選用對燃用煤種和爐型分辨率較高的評判指標。

表5 煤種特性分析及鍋爐參數數據

表6 600 MW、1 000 MW鍋爐機組單一指標、多指標綜合預測結果

2 基于模糊神經網絡的爐膛結渣模型與預測

神經網絡具有較強的自學習能力和并行處理能力,可解決非線性控制問題。在學習過程中,通過不斷調整權值和閾值,使得網絡逐步適應所學習數據,進而具有高度的容錯性、適時性和魯棒性,經適當訓練的網絡具有極強的泛化能力,即當出現訓練中未出現的數據時仍能進行辨識,但神經網絡不能處理結渣程度這類模糊問題。模糊系統雖很難實現自適應學習卻擅長處理模糊信息。本文將模糊系統與神經網絡相結合,使得兩者都能發(fā)揮各自優(yōu)勢,將經隸屬函數處理過的數據作為神經網絡輸入數據,并通過神經網絡的學習為模糊系統提取模糊規(guī)則,從而解決結渣程度這一模糊問題[13]。

2.1 模糊神經網絡結構

在考慮影響爐膛結渣情況的燃煤特性基礎上,同時考慮鍋爐運行方式等因素,因此該模糊神經網絡的輸入項分別為t2、RBA、RG、RSiAl、R、ψt(量綱一爐膛最高溫度)6項,其中ψt的計算式如下

(5)

式中:Bj為計算燃料消耗量;Qd為煤的低位發(fā)熱量;a、b為爐膛寬度、深度;ηf為二次風層數;Ca為二次風距;ξ為衛(wèi)燃帶修正系數

(6)

其中Fw為衛(wèi)燃帶面積,H為燃燒器高度。

圖1 不同節(jié)點數構造的神經網絡學習精度

由于結渣程度本身是一個模糊的概念,利用不同隸屬函數進行預判時存在一定偏差,本文利用三角形隸屬函數(trimf)、梯形隸屬函數(trapmf)、高斯型隸屬函數(gussmf)以及π型隸屬函數(pimf)分別對輸入項進行模糊化處理。模糊層即第1隱層分別對應各輸入項的3種結渣程度隸屬度,共18個節(jié)點,將模糊后的數據作為神經網絡輸入項,第2隱層節(jié)點數分別為6～11時不同隸屬函數構造的模糊神經網絡以及傳統神經網絡(no-fuzzy)各自學習的分辨率如圖1所示,在考慮網絡精確度和結構簡單的前提下,確定出不同隸屬函數構造的模糊神經網絡第2隱層節(jié)點數分別為6、10、7、8,傳統神經網絡隱層節(jié)點數為8。通過第1隱層與第2隱層、第2隱層與輸出層之間權值、閾值的不斷調整,得到輸出項爐膛結渣程度(輕微、中等、嚴重),最后根據最大隸屬度原則確定爐膛結渣程度預測值。本文所建立的模糊神經網絡拓撲結構以pimf為例,如圖2所示。采用BP神經網絡算法,第1、2隱層間為tansig型傳遞函數,第2隱層與輸出層間為logsig型傳遞函數,學習函數選用learngdm函數,訓練函數選用trainlm函數。

圖2 pimf模糊神經網絡拓撲結構

各輸入項隸屬函數根據結渣傾向評判標準進行確定。t2、RBA、RG、RSiAl的評判標準如表1所示,R的評判標準如1.2小節(jié)所述,ψt≤0.97為輕微結渣,0.97<ψt<1.065為中等結渣,ψt≥1.065為嚴重結渣。例如,軟化溫度t2的π型隸屬函數為

(輕微)

(中等)

(嚴重)

其余輸入項的隸屬函數確定方法同上。

2.2 實例計算及分析

以采集到的34組不同鍋爐數據為基礎[14],其中25組作為神經網絡的學習數據,另外9組與前文所述300 MW鍋爐數據以及表5中3組鍋爐機組數據作為預測數據,分別利用4種模糊神經網絡和傳統神經網絡進行學習與預測,傳統神經網絡直接將6項數據作為輸入項,沒有進行模糊化處理。表7、8分別為傳統神經網絡和4種模糊神經網絡的學習、預測結果。

表7 傳統神經網絡、模糊神經網絡學習結果

由表7結果計算可知:4種模糊神經網絡學習結果都較好,分辨率依次為96%、96%、100%和92%,傳統神經網絡學習分辨率略低,為84%,以上網絡都可以作為預測網絡使用。由表8結果計算可知:傳統神經網絡分辨率約為62%,模糊神經網絡分辨率依次為92%、92%、92%以及100%,表明模糊神經網絡相對于傳統神經網絡有較高的分辨率。不同隸屬函數構造的模糊神經網絡存在一定偏差,雖然這里pimf構造的模糊神經網絡預測結果為100%,但由于預測數據有限,無法確保該模型對所有數據都能達到100%的分辨率。于是,通過對多種隸屬函數構造的模糊神經網絡的計算結果進行統計,得到統計結果,其相對于單一模糊預測模型分辨率有了大幅提高,分辨率可以達到100%。采用統計結果這一指標對300 MW鍋爐和另外3組鍋爐機組的預測結果分別為嚴重結渣、輕微結渣、嚴重結渣、中等結渣,與實際結渣情況相符合,表明模糊神經網絡相對于基于燃煤特性的單一指標和綜合指標預測模型分辨率較高,有極強的泛化能力,對不同煤種及鍋爐型號適用性更強。

表8 傳統神經網絡、模糊神經網絡預測結果

據文獻[15]可知,由于燃燒不均勻會使爐膛內不同位置結渣程度有所不同,爐膛結渣主要集中于燃燒器附近、衛(wèi)燃帶周圍及折焰角等部位。這些部位煙氣溫度高、流動性差,更容易出現結渣現象,而基于燃煤特性的爐膛結渣預測模型和基于模糊神經網絡的爐膛結渣預測模型均只能針對爐膛整體結渣情況進行預測,無法確定結渣具體位置。

3 基于污染系數的神經網絡爐膛局部結渣模型與在線預測

3.1 灰污特征參數的選取

對于爐膛結渣情況的監(jiān)測,常用熱有效系數Ψ、基于爐膛出口煙溫的污染系數ξ和基于換熱量的污染系數Γ進行監(jiān)測。其中,熱有效系數可以準確反映水冷壁上沾污、結渣程度,當污染嚴重時,水冷壁的熱有效系數減小,但是爐膛火炬投射熱流很難測得。爐膛出口煙溫也能綜合反映爐膛結渣狀態(tài),當爐膛結渣嚴重時,水冷壁吸熱量減少,爐膛出口煙溫升高。目前常用兩種方法獲取爐膛出口煙溫:一種是利用熱平衡法根據各受熱面汽水溫度反推爐膛出口煙溫,但該方法誤差較大;另一種是利用熱電偶、紅外測溫儀等設備直接測量,雖準確性高于前者,但由于設備龐大且難以長時間在爐膛高溫煙氣環(huán)境下工作或因過于昂貴而難以推廣。本文通過在水冷壁背面安裝兩個溫度測點,建立溫度與熱流密度間的關系,從而得到測點處熱流密度,利用污染系數φ實現對爐膛結渣情況進行局部監(jiān)測。φ的值在0～1之間,其值越接近于1,表明爐膛結渣越嚴重,φr為其真實值,φp為其預測值,φ的計算式為

(7)

式中:qsj為水冷壁實際熱流密度;qlx為爐膛清潔時的理想熱流密度。

3.2 實際熱流密度

文獻[16]給出了膜式水冷壁溫度場的近似解析解,據此可通過水冷壁壁面溫度與熱流密度間的關系求得爐膛實際局部熱流密度。圖3為膜式水冷壁結構圖,其中C、E為溫度測點[16],管子部分溫度場的近似解為

(8)

式中:tp為管內介質溫度;q0為爐膛輻射熱負荷;λ為管壁導熱系數;φ0=S/2πr1,S為管子節(jié)距;β=r1/r2,r1、r2分別為管子外徑、內徑;z=r/r1,r為所求點到圓心的距離;φn據φn/n線算圖查得;Bn=β-2n(n-Bi)/(n+Bi),Bi=r2α2/λ,α2為管內壁對工質的放熱系數;θ為r與y軸正方向的夾角。

圖3 膜式水冷壁結構圖

梯形鰭片部分溫度場的近似解為

(9)

矩形鰭片部分溫度場的近似解為

(10)

本文所述300 MW鍋爐為矩形鰭片,根據式(11)～(13)可知,如果測點C、E溫度已知,則只剩下q0未知,由于α2很難測得,故也為未知量,C、D、E點的溫度分別為

(11)

(12)

(13)

由式(11)～(13)可分別得到關于q0的方程式,然后聯立可得

(14)

式(14)中有一個級數求和問題,據文獻[12]中φn/n線算圖可知,對于非錯位鰭片管,當S/D=1.25、n=8時,φn/n取0.008已經很接近于0,因此取n=8即可滿足工程需要。由于D、E兩點位于管外徑上,z=1,將Bi、Bn分別代入,經化簡,式(14)可近似為

(15)

式(15)中未知量只有一個α2,求得該方程解之后,代入式(13)可求得q0,該處實際熱流密度qsj=q0。

3.3 理想熱流密度

根據3.2小節(jié)的分析可知,根據現場測量的C、E兩點溫度可以求得該處實際熱流密度qsj,但對應工況下的理想熱流密度qlx無法通過測量求得,神經網絡可以解決這一問題。將吹灰后各運行工況下的熱流密度作為清潔熱流密度,以此作為神經網絡訓練數據進行訓練從而得到訓練好的神經網絡,由于神經網絡具有極強的泛化能力,實際工況對應下的理想熱流密度便可以利用訓練好的神經網絡預測得到,最后根據式(7)即可得到各工況所對應的污染系數φ。

影響爐膛結渣的因素包括煤質特性、鍋爐結構以及運行參數,基于燃煤特性的爐膛結渣預測模型都是根據煤質特性進行煤質結渣傾向預判,但是爐膛是否結渣不僅僅只是取決于煤質特性,因此上述方法存在一定的不準確性。鍋爐結構影響結渣的程度主要體現在鍋爐設計之初為避免結渣而進行的一些相關設計上,不過鍋爐結構與其他因素也會由于相互作用而影響結渣程度。運行參數對爐膛結渣影響最大,本文在綜合考慮這3個影響因素的基礎上來確定神經網絡的輸入項。

將影響清潔水冷壁熱流密度的因素作為神經網絡的輸入項,包括主蒸汽流量、氧量、MF1層給煤量、MF2層給煤量以及MF3層給煤量,水冷壁清潔時的熱流密度作為輸出項。經多次訓練比較,隱層節(jié)點數確定為7。采用BP神經網絡算法,輸入層與隱層間為tansig型傳遞函數,隱層與輸出層間為logsig型傳遞函數,學習函數選用learngdm函數,訓練函數選用trainlm函數。

3.4 實例計算及分析

首先利用吹灰后主蒸汽流量,氧量,MF1層、MF2層、MF3層給煤量,以及測量并計算得到的理想熱流密度對神經網絡進行訓練,得到訓練良好的神經網絡,接著從DCS數據庫中提取各實際運行工況下的5項輸入項,經神經網絡測試得到各工況下的理想熱流密度,再根據式(7)得到相應的污染系數。

圖4 神經網絡學習結果

圖5 神經網絡預測結果

圖4、圖5分別為神經網絡對污染系數的學習結果和預測結果。根據圖4可知:真實值與學習值吻合很好,因此該神經網絡可以用于預測爐膛局部結渣情況。圖5中斜線代表預測值與真實值相等,圓圈越靠近直線表示預測值與真實值越相近。根據圖5可知:該神經網絡預測誤差在3%以內,均方誤差為0.013 4,因此該神經網絡具備較高的可信度,可以較好地對爐膛局部結渣情況進行實時監(jiān)測。圖6為污染系數隨時間的變化圖,由圖可知,在40～80 min時污染系數出現急劇下降,此時正進行吹灰操作,爐膛污染系數急劇減小,與實際情況相符合,說明該神經網絡可以用于反映爐膛局部結渣情況,并用于指導爐膛吹灰。

圖6 污染系數隨時間的變化圖

4 結 論

(1)基于燃煤特性的單一指標和綜合指標預測模型可以在一定程度上對爐膛結渣情況進行預測,但其分辨率較低,且往往對于不同煤種或不同爐型分辨率也不同;從預測結渣范圍上看,該模型只能對爐膛整體結渣情況進行監(jiān)測。

(2)基于模糊神經網絡的爐膛結渣預測模型將神經網絡極強的學習能力與模糊算法的處理模糊知識能力相結合,同時引進爐膛結構參數,相對于僅有燃煤特性參數的單一指標和綜合指標方法及傳統神經網絡的分辨率均有了顯著提高,4種模糊神經網絡的分辨率可分別達92%、92%、92%以及100%,針對模糊神經網絡的統計結果分辨率也可達到100%;雖然模糊神經網絡對不同煤種及爐型適用性更強,但也只能對爐膛整體結渣情況進行預測。

(3)基于污染系數的神經網絡爐膛結渣在線預測模型可實現對爐膛局部結渣情況的實時預測,且誤差在3%以內,均方誤差為0.013 4,可用于電站指導爐膛吹灰。