锅炉混煤掺烧的飞灰含碳量预测与运行优化

　　飞灰含碳量是影响锅炉热效率的一个重要因素，但飞灰含碳量受煤种、锅炉设计结构、运行参数等多种因素影响，其难以采用简单的公式进行计算。国内外有较多关于飞灰含碳量预测的研究：通过对影响飞灰含碳量主要因素的讨论，提出了利用BP神经网络对特定机组的飞灰含碳量进行短期预测的一种实用模型;基于支持向量机，建立了大型电厂锅炉飞灰含量碳预测模型;借助于正交试验设计，对某台200MW机组燃煤锅炉飞灰含碳量特性进行了多工况热态测试，采用基于LM算法的BP神经网络，建立了飞灰含碳量软测量模型。

　　本文在对某电厂700MW机组锅炉燃煤掺烧的飞灰含碳量特性进行多工况热态测试的基础上，建立了大型电站燃煤锅炉飞灰含碳量特性的神经网络模型，并对该模型进行了校验。同时，结合遗传算法对燃煤掺烧工况进行了全局寻优和改变磨煤机掺烧的组合方式，以探求磨煤机掺烧的组合方式对飞灰含碳量的影响，从而为通过燃烧调整提高锅炉燃煤掺烧的燃烧效率提供有效手段。

　　一、飞灰含碳量预测模型

　　除锅炉结构设计之外，锅炉的运行参数如锅炉负荷、磨煤机一次风总量、各二次风挡板开度、燃尽风挡板开度、煤种特性及各磨煤机给煤量、炉膛与风箱差压和一次风总风压等对燃煤锅炉的飞灰含碳量均有影响，而这些影响参数无具体公式能够进行计算。因此，本文采用BP神经网络对飞灰含碳量进行建模预测。

　　1.1 研究对象

　　l台700MW机组的MB-FRR型亚临界参数、中间再热、强制循环、单炉膛、悬吊式燃煤锅炉，其额定蒸发量为229Ot/h，炉膛尺寸为21463mm×18605 mm，设计燃用神府东胜煤和进口煤。配置6台直接加压式三菱立式MVM25R型磨煤机，为摆角式四角切圆燃烧系统，共6层一次风喷口与二次风喷口间隔布置，二次风层由下至上分别为AA层、AB层、BC层、CD层、DE层、EF层，最顶层一次风喷口上有4层燃尽风(OFA)喷口，分别为OFA A(2个喷口)、OFA B、OFA C。锅炉结构及燃烧系统见图1。

　　1.2 模型输入参数的确定

　　本模型中采用传统的由输入层、隐含层和输出层组成的3层BP神经网络。隐含层中的神经元通常采用sigmoid函数即f(x)=1/(1+e-x);输出层采用纯线性变换函数，学习算法可以概括为反复进行前向计算、反向计算、修正权值的过程。当信息输入时，输入信号从输入层经隐含层传向输出层，若在输出层未得到期望的输出值则反向传输，且误差信号沿原来的联接通路返回，通过修改各神经元之间的联系权重使误差减小，经过连续迭代，直至达到满意的误差范围。

　　燃煤锅炉飞灰含碳量受到如煤种、运行参数和锅炉设计、制造、安装等因素的影响，如果将锅炉考虑为黑箱模型，由于运行锅炉的设计和安装参数均已确定，因此将影响飞灰含碳量的运行参数(锅炉负荷、磨煤机一次风总量、各二次风挡板开度、燃尽风挡板开度、各磨煤机给煤量和炉膛与风箱差压等)作为模型的输入量，飞灰含碳量作为模型的输出量。锅炉运行参数均从机组DCS中获得，本模型共采集30组工况数据，部分节选数据见表1、表2。表1中印尼煤与国产煤掺烧比例有O:5,1:4,2:3和3:2，表2中国产煤不单指某具体国产煤。