蘇永健,解世濤,李雪冰,李 闖,李鵬竹,譚祥帥,李 昭,辛志波,趙如宇,王 林,何 川,張宏元
(1.京能十堰熱電有限公司,湖北 十堰 442000;2.西安熱工研究院有限公司,陜西 西安 710054; 3.京能電力股份有限公司,北京 100025)
隨著信息化技術(shù)的發(fā)展,大數(shù)據(jù)、人工智能與工業(yè)技術(shù)的融合程度逐漸提高,工業(yè)生產(chǎn)方式向著更加精益、更加節(jié)能的方向發(fā)展?;鹆Πl(fā)電目前是我國電力供應的主體,其生產(chǎn)設(shè)備多、工藝流程長、系統(tǒng)間耦合性強,進行智能化改造的空間巨大,智能發(fā)電技術(shù)目前已成為行業(yè)的研究熱點。通過智能化建設(shè)實現(xiàn)電廠的精細化管理,達到降本增效的目的,對保持電力企業(yè)在新形勢下的核心競爭力具有重要意義。
火電廠制粉系統(tǒng)具有組成復雜、操作繁瑣、監(jiān)視手段單一等特點,實際的生產(chǎn)過程中容易出現(xiàn)落煤不暢、啟動不及時等問題,直接影響了機組快速調(diào)峰和運行安全,降低了電廠的生產(chǎn)效益。
本文基于機器深度學習理論,通過對制粉系統(tǒng)運行參數(shù)的大數(shù)據(jù)分析,構(gòu)建相應機理模型,結(jié)合自動控制策略優(yōu)化,解決了當前中速磨煤機系統(tǒng)運行狀態(tài)只能依靠人為判斷、啟動投用速度慢等問題。加裝了智能優(yōu)化模型的制粉系統(tǒng),能夠及時反映設(shè)備的異常趨勢,提前預警,方便了操作員監(jiān)控與調(diào)整,提高了鍋爐系統(tǒng)的自動化、智能化程度,更好地滿足了機組快速啟動、響應調(diào)峰的需求。
某電廠采用上海鍋爐廠有限公司產(chǎn)品,鍋爐型號為SG-1219/25.4-M4424,350 MW超臨界參數(shù)、一次中間再熱、四角切圓燃燒、固態(tài)排渣、全鋼構(gòu)架、半露天布置、煤粉鍋爐、平衡通風、三分倉回轉(zhuǎn)式空預器。
制粉系統(tǒng)采用正壓直吹冷一次風機制粉系統(tǒng),每臺鍋爐配備5臺中速磨煤機和5臺電子稱重式給煤機,4運1備。設(shè)計煤種的煤粉細度R90=19%;煤粉均勻系數(shù)n=1.1。鍋爐在A/B層設(shè)計等離子點火器,采用擺動式四角切圓燃燒方式。
磨煤機技術(shù)參數(shù)見表1。
表1 磨煤機技術(shù)參數(shù)
給煤機技術(shù)參數(shù)見表2。
表2 給煤機技術(shù)參數(shù)
原煤倉中燃煤經(jīng)上部落煤管進入給煤機,給煤機通過皮帶將燃煤以設(shè)定給煤率輸送至磨煤機。進入磨煤機的燃煤通過磨輥進行碾磨,一次風通過噴嘴環(huán)均勻進入磨盤周圍,將經(jīng)過碾磨從磨環(huán)上切向甩出的煤粉混合物烘干并輸送至磨煤機上部的分離器中進行分離,粗粉被分離出來返回磨盤重磨,合格的細粉被一次風帶出分離器并經(jīng)粉管進入爐膛。
制粉系統(tǒng)實現(xiàn)全程自動控制的難點在于控制對象的準確性和合理性,其準確性體現(xiàn)在能否提前預判控制效果,具體體現(xiàn)是對煤量的精準控制[1-3]。根據(jù)鍋爐運行特點要求,選擇啟動幾套制粉系統(tǒng)取決于機組帶負荷情況,因此,在整個制粉系統(tǒng)中往往有兩至三套制粉系統(tǒng)處于熱備狀態(tài)[4]。處于備用制粉系統(tǒng)的原煤倉常常會因為煤潮濕、堆積、異物等原因造成落煤不暢[5],影響制粉系統(tǒng)煤量的精準控制和快速啟動,導致生產(chǎn)效率的損失;其控制對象的合理性具體體現(xiàn)是制粉系統(tǒng)的控制方式是否滿足制粉系統(tǒng)運行要求。
本文基于ADAM-BPNN模型算法,通過對給煤機落煤情況進行預測,在給煤機原煤倉出現(xiàn)潛在落煤不暢時,及時預警和指導生產(chǎn)人員對原煤倉進行松動處理,防止在制粉系統(tǒng)需快速啟動時因落煤不暢導致制粉系統(tǒng)煤量控制失效或啟動失敗的問題,保證機組快速調(diào)峰和運行安全。
同時,本文還對制粉系統(tǒng)暖磨方式的運行機理進行研究分析,并結(jié)合制粉系統(tǒng)順序控制方法和模型分析計算結(jié)果,獲得了一套制粉系統(tǒng)啟動過程的自動控制策略,從根本上解決了制粉系統(tǒng)難實現(xiàn)啟動過程的自動控制的問題。
BPNN(back-propagation neural network,簡稱BPNN)作為一個具有多層拓撲結(jié)構(gòu)的神經(jīng)網(wǎng)絡,通過對預測集與真值集的誤差計算,將結(jié)果進行反向傳播,對隱含層各個神經(jīng)元參數(shù)進行迭代更新,其具有的高維多層結(jié)構(gòu)受到了廣泛關(guān)注[6-8]。
本文采用四層神經(jīng)網(wǎng)絡對制粉系統(tǒng)落煤不暢進行訓練,其中,輸入層節(jié)點數(shù)為3,經(jīng)過交叉驗證及考慮計算效率第一層隱含層節(jié)點數(shù)定為26,第二層隱含層節(jié)點數(shù)為4,經(jīng)過動態(tài)神經(jīng)元激活層后輸出層節(jié)點個數(shù)為1。通過對制粉系統(tǒng)運行特性分析,原煤倉堵煤和落煤管路潮濕堵煤都會導致給煤機因斷煤跳閘,結(jié)合機理分析,給煤機落煤不暢模型采用的建模參數(shù)如表3所示,網(wǎng)絡結(jié)構(gòu)如圖1所示。
表3 給煤機運行特性建模參數(shù)說明
圖1 模型的網(wǎng)絡結(jié)構(gòu)圖
將表3中的樣本數(shù)據(jù)集xi通過輸入層進入網(wǎng)絡模型中,在隱含層中通過加權(quán)求和后的結(jié)果為
(1)
式中:WSuj為第一層第j個隱含層神經(jīng)元的加權(quán)求和值;xj為大數(shù)據(jù)集輸入項;wmj為第一層第j個隱含層神經(jīng)元不同輸入項的權(quán)重;cj為第j個隱含層神經(jīng)元的偏置,通過激活函數(shù)后的輸出值作為輸出層的輸入值,隱含層的輸出結(jié)果為
(2)
第一層神經(jīng)網(wǎng)絡隱含層的輸出作為第二層神經(jīng)網(wǎng)絡隱含層的輸入,其加權(quán)求和后的結(jié)果為
(3)
式中:WSvi為第二隱含層第i個神經(jīng)元的加權(quán)求和值;ui為第一隱含層輸出項;wki為第二隱含層第i個神經(jīng)元不同輸入項的權(quán)重,ai為第二隱含層第i個神經(jīng)元的偏置,通過激活函數(shù)后的輸出值作為輸出層的輸入值,隱含層的輸出結(jié)果為
(4)
經(jīng)過動態(tài)神經(jīng)元激活層后在輸出層中通過加權(quán)求和后的結(jié)果為
(5)
式中:WSy為輸出層神經(jīng)元的加權(quán)求和值;vl為隱含層的輸出項;wl為輸出層神經(jīng)元不同輸入項的權(quán)重;bo為輸出層神經(jīng)元的偏置,通過激活函數(shù)后的輸出值作為輸出層的輸出結(jié)果為
(6)
對訓練集產(chǎn)生的結(jié)果數(shù)據(jù)集y及期望數(shù)據(jù)集yr通過均方誤差公式:
(7)
若誤差結(jié)果E不滿足模型精度要求,則對誤差反向進行傳播,更新輸出層及隱含層的權(quán)重與偏置,通過不斷的迭代訓練,直至誤差滿足模型精度要求。
本文采用ADAM(adaptive moment estimation,簡稱ADAM)算法作為模型的優(yōu)化算法,ADAM是2014年由Kingma等研究人員提出的一種算法,由于其對其他優(yōu)化算法的優(yōu)點進行了吸納,因此在各方面的應用中效果比較突出。在結(jié)合模型迭代過程中,其所使用的參數(shù)更新公式如下:
m0=v0=0
(8)
(9)
(10)
(11)
(12)
(13)
式中:m0及v0分別為參數(shù)的初始化向量矩陣;β1、β2、η、ε分別為在模型迭代參數(shù)更新過程中的配置參數(shù)。E和w為模型迭代參數(shù)更新過程中誤差和權(quán)重。
以表3中的測點樣本,選取該廠大數(shù)據(jù)平臺歷史數(shù)據(jù)庫中的數(shù)據(jù)集作為輸入,給煤量y作為期望值輸出。以2019—2020年80%的數(shù)據(jù)集作為訓練集,剩余20%的數(shù)據(jù)集作為測試集,2021年的數(shù)據(jù)集作為驗證集,基于BPNN模型,采用ADAM優(yōu)化算法對給煤機的運行特性進行分析,結(jié)果如表4及圖2所示。
表4 給煤機運行特性模型的評價指標值
圖2 模型訓練過程誤差圖
制粉系統(tǒng)啟動過程自動控制方法采用按照制粉系統(tǒng)啟動先后順序的控制方式來完成,并結(jié)合磨煤機暖磨運行機理,對磨煤機熱風調(diào)閥、磨煤機冷風調(diào)閥等設(shè)備進行精準控制,完成制粉系統(tǒng)從輔助設(shè)備啟動、磨煤機暖磨、磨煤機啟動、給煤機啟動等一系列啟動過程的自動控制。
制粉系統(tǒng)啟動順序控制難度不大,只需按照系統(tǒng)的流程進行啟動,故本文不對制粉系統(tǒng)順序控制部分內(nèi)容進行討論。磨煤機暖磨作為制粉系統(tǒng)啟動的核心控制對象,暖磨效果決定著制粉系統(tǒng)點火品質(zhì)、啟動時間和運行安全,因此,下文著重對磨煤機暖磨的控制方法和控制策略進行研究。
根據(jù)制粉系統(tǒng)的設(shè)計,磨煤機分別在點火初期采用等離子暖風系統(tǒng)和機組正常帶負荷之后采用熱一次風暖風系統(tǒng)兩種方式進行暖磨,因此,磨煤機暖磨的控制方式分為等離子暖磨模式和正常暖磨模式。兩者唯一不同的是分別利用等離子暖風器調(diào)閥和熱一次風調(diào)閥進行暖磨控制,其他的暖磨控制方法均采用相同的控制手段。
考慮到制粉系統(tǒng)啟動的節(jié)能性,在暖磨過程中應盡可能做到冷風不參與控制過程,避免冷一次風參與暖磨過程,從而保證一次風機出力處于節(jié)能狀態(tài),達到節(jié)能的目的。
同時,考慮到制粉系統(tǒng)啟動的高效性和安全性,磨煤機暖磨時磨煤機出口溫度合理的選擇不僅能保證磨煤機的安全運行,還保證了點火質(zhì)量。磨煤機出口溫度的選擇通常根據(jù)煤質(zhì)揮發(fā)份而定,當煤質(zhì)揮發(fā)份Vdaf<40%時,磨煤機出口溫度設(shè)定的最大允許范圍的計算公式見式(1);當煤質(zhì)揮發(fā)份Vdaf≥40%時,磨煤機出口溫度設(shè)定的最大允許范圍的計算公式見式(2)。其中煤質(zhì)揮發(fā)份根據(jù)煤質(zhì)化驗結(jié)果的數(shù)據(jù)可知。
tM2=[(82-Vdaf)5/3]±5
(14)
tM2=60~70 ℃
式中:Vdaf為煤質(zhì)揮發(fā)分,%;tM2為磨煤機出口溫度,℃。
機組首次點火,磨煤機暖風調(diào)閥按照常規(guī)設(shè)計為控制暖風器出口溫度,這種控制方法不僅會造成暖磨時間延長,也會影響制粉系統(tǒng)整體自動控制功能,使磨煤機入口一次風量在冷熱風的耦合作用下變得不可控或控制效果較差。因此,在機組首次點火時,磨煤機暖風器調(diào)閥應直接控制磨煤機入口一次風流量,在保證磨煤機最小通風量要求的同時保證了磨煤機暖磨的時間。此時,冷風調(diào)閥為輔助調(diào)節(jié)磨煤機出口溫度,防止磨煤機出口溫度過高影響機組運行安全。隨著機組點火之后,第二套制粉系統(tǒng)啟動時磨煤機暖磨控制采用常規(guī)的控制策略,由熱一次風調(diào)閥控制暖磨的速率,冷一次風調(diào)閥輔助控制暖磨的技術(shù)指標。
在暖磨過程中應合理控制冷熱風調(diào)閥的開啟速率和時間。在熱風調(diào)閥接收到暖磨指令開啟后,磨煤機出口溫度會迅速上升,此時,冷風調(diào)閥會開啟控制磨煤機出口溫度在最大允許的范圍內(nèi)。由于磨煤機冷熱風具有強耦合性,冷風調(diào)閥開啟后磨煤機入口流量也會上升,此時熱風調(diào)閥會關(guān)閉,熱風調(diào)閥關(guān)閉后又會使磨煤機出口溫度下降,造成了系統(tǒng)內(nèi)擾,影響磨煤機暖磨速度和質(zhì)量。因此,在控制策略中采用一種模糊弱化控制對象的策略,在暖磨過程中,對冷熱風調(diào)閥控制參數(shù)進行弱化變參數(shù)設(shè)置,保證磨煤機出口溫度和磨煤機入口一次風量平緩過渡,提高暖磨效率。具體控制策略見圖3。
圖3 磨煤機暖磨控制策略
結(jié)合給煤機落煤預測模型及制粉系統(tǒng)自動啟動控制策略,防止在制粉系統(tǒng)需快速啟動時因落煤不暢導致制粉系統(tǒng)煤量控制失效或啟動失敗的問題。通過機理分析,由于在制粉系統(tǒng)運行過程中,輕微落煤不暢的現(xiàn)象時有發(fā)生,通常由給煤機經(jīng)過自身PID調(diào)節(jié)后此種現(xiàn)象消失,此種現(xiàn)象不會影響系統(tǒng)的快速啟動,也不需要通知檢修人員去處理,應調(diào)節(jié)模型閾值予以排除。組合控制策略圖,如圖4所示。
圖4 制粉系統(tǒng)組合控制策略
通過對比制粉系統(tǒng)自動啟動投運過程和手動投運過程,自動投入過程見圖5,手動投入過程見圖6。
圖5 自動啟動數(shù)據(jù)曲線圖
圖6 手動啟動數(shù)據(jù)曲線圖
通過對自動啟動和手動啟動的數(shù)據(jù)曲線進行比對分析,自動啟動比手動啟動從爐膛負荷、熱一次風壓力參數(shù)來看,采用自動啟動方式時,系統(tǒng)參數(shù)波動較小,各參數(shù)過渡平緩,系統(tǒng)控制水平優(yōu)于手動啟動,更利于機組安全運行。同時,從啟動耗時來看,自動啟動比手動啟動用時更短,更為節(jié)能。
制粉系統(tǒng)自動啟動控制技術(shù)以諸多優(yōu)點已應用于生產(chǎn)中,但在實際控制中,往往會出現(xiàn)例如落煤不暢預判不及時、暖磨不到位等影響了制粉系統(tǒng)在實際生產(chǎn)過程中自動投入效率較低的問題。本文基于ADAM-BPNN模型的機器學習算法和制粉系統(tǒng)自動控制策略的研究和應用,提高了制粉系統(tǒng)整體投入過程的自動化控制水平,保證了機組運行的安全性和經(jīng)濟性,為了同類機組制粉系統(tǒng)自動啟動控制技術(shù)的應用和數(shù)字化電廠的建設(shè)提供了寶貴的借鑒意見。隨著電廠制粉系統(tǒng)運行的數(shù)據(jù)累積,制粉系統(tǒng)過程控制例如磨煤機暖磨控制策略可以進一步依據(jù)數(shù)據(jù)分析建模技術(shù)優(yōu)化進行升級控制策略。