CN107726358B

CN107726358B - 基于cfd数值模拟和智能建模的锅炉燃烧优化系统及方法

Info

Publication number: CN107726358B
Application number: CN201710946941.8A
Authority: CN
Inventors: 石岩; 钟文琪; 陈曦; 刘燮
Original assignee: Southeast University
Current assignee: Southeast University
Priority date: 2017-10-12
Filing date: 2017-10-12
Publication date: 2018-11-09
Anticipated expiration: 2037-10-12
Also published as: CN107726358A

Abstract

本发明公开了一种基于CFD数值模拟和智能建模的锅炉燃烧优化系统及方法，系统包括DCS控制系统接口、CFD计算集群、样本数据库集群、智能建模集群、中央处理集群和人机界面，通过对CFD模拟样本和历史运行样本进行存储、建模和优化，实现了机组随电网负荷指令、入炉煤煤质特性、过量空气系数等变化的最优配风方式实时匹配。本发明中CFD数值模拟技术的使用提高了建模的准确性，优化时可直接调用DCS控制系统实现闭环控制，使配风方式快速响应负荷变化，实现机组燃烧热效率和NOx排放的实时优化。

Description

基于CFD数值模拟和智能建模的锅炉燃烧优化系统及方法

技术领域

本发明涉及工业锅炉燃烧优化系统，尤其涉及基于CFD数值模拟和智能建模的锅炉燃烧优化系统及方法。

背景技术

随着国家对火电机组环保要求日趋严格，如何在污染排放满足要求的前提下尽可能提高锅炉燃烧效率，已经成为国内火电机组普遍面临的难题。配风调节作为火电机组燃烧过程中重要的调节方式，是影响锅炉热效率和污染物生成的重要因素。因此，如何更好的调整配风方式成为提高锅炉热效率和降低污染物的重中之重。现有情况下，大多数机组采用串级氧量控制配风，或者通过运行指导原则和人工经验控制配风，这就导致了锅炉燃烧难以稳定在最佳状况，从而造成锅炉效率低、NOx排放量高，甚至出现偏烧，结渣等恶劣情况。因此，亟需一种能够根据负荷、煤质实时调整配风方式的方法，使锅炉在满足污染物排放要求的前提下取得最高燃烧效率。

目前针对锅炉配风方式的优化方案主要采用神经网络等智能建模方法，以电厂少量运行数据和实验数据为样本建立锅炉特性模型，根据以上模型采用遗传算法等方法对配风方式进行优化，例如专利ZL03231306.3和专利CN106327021A公开的方法。但是以上方法在进行锅炉建模过程中存在两方面的问题，一方面由于电厂运行工况大多集中在高负荷，缺乏中、低负荷的数据样本，同时为了保证机组运行的安全性，往往保持单一的配风方式，因此用于建模的数据样本覆盖范围小且相互之间独立性差；另一方面，现有建模过程中模型输入参数较多，易发生过拟合现象。以上两个问题严重影响了锅炉特性模型的可靠性和准确性，进一步导致优化失败。如何在建模过程中丰富数据样本减少参数输入，以提高模型的准确性和优化的可靠性，是锅炉配风方式优化的主要问题。另外现有的人工调节配风方式具有一定的时滞性，而电网负荷指令又是不断变化的，这就要求一种能够对负荷变化进行快速响应的配风调节系统。

发明内容

发明目的：本发明的目的是提出一种基于CFD数值模拟和智能建模的锅炉燃烧优化系统及方法，其中CFD数值模拟技术的使用提高了建模的准确性，优化时可直接调用DCS控制系统实现闭环控制，使配风方式快速响应负荷变化，实现机组燃烧热效率和NOx排放的实时优化。

技术方案：本发明基于CFD数值模拟和智能建模的锅炉燃烧优化系统包括DCS控制系统接口、CFD计算集群、样本数据库集群、智能建模集群、中央处理集群和人机界面，DCS控制系统接口与CFD计算集群通过信息传输网络分别将历史运行样本和CFD模拟样本传输到样本数据库集群中保存；智能建模集群调用样本数据库集群中存储的数据，选择智能算法进行建模，并将锅炉热效率预测模型和NOx排放量预测模型传输到中央处理集群；中央处理集群在接收模型的同时，调用DCS控制系统接口中锅炉实时运行的参数进行配风方式的寻优，使机组燃烧热效率和NOx排放达到组合最优值。

采用CFD数值模拟和智能建模的锅炉燃烧优化系统的方法，包括以下步骤：

(1)通过CFD计算集群计算CFD模拟样本；

(2)分析并完善历史运行样本；

(3)将CFD模拟样本和完善后的电厂实际历史运行样本存储在样本数据库集群中，以供智能建模集群调用；

(4)智能建模集群接收来自样本数据库集群中的样本，使用智能算法进行训练；

(5)在中央处理集群中进行配风方式的优化；

(6)建立人机界面以保证运行人员对整个燃烧优化配风系统的监视与控制。

步骤(1)中，根据优化目标锅炉的实际结构、各受热面布置情况、风道烟道布置情况以及燃烧器喷口类型和位置等参数，构建锅炉物理模型，采用计算流体动力学CFD耦合化学反应的方法对炉内燃烧过程进行模拟；模拟时，针对不同负荷、入炉煤煤质特性、过量空气系数、磨煤机组合方式和配风方式等因素进行模拟，得到相应的飞灰含碳量、NOx排放量等参数，并通过热力计算得到锅炉热效率。

步骤(2)中，通过锅炉燃烧优化调整试验，获取不同运行工况下机组的飞灰含碳量和炉渣含碳量；以负荷、入炉煤煤质特性、氧量、磨煤机组合方式、配风方式等为输入，飞灰含碳量和炉渣含碳量为输出，建立非线性模型；以电厂实际运行数据为输入，飞灰含碳量和炉渣含碳量为输出获得实际运行情况下的预测飞灰含碳量和炉渣含碳量，通过锅炉热量反平衡方法计算，得到历史运行样本的锅炉热效率。

步骤(6)中，机组运行人员通过人机界面控制样本数据库集群读取样本，手动或自动更新锅炉热效率预测模型和NOx排放量预测模型；通过选择手动或自动优化模式，控制配风的优化方式。

步骤(3)中，样本数据库内的数据包括负荷、入炉煤煤质特性、过量空气系数、配风方式、锅炉热效率、NOx排放量等信息。

步骤(4)中，以包括负荷、入炉煤煤质特性、过量空气系数、配风方式等参数为输入，以锅炉热效率、NOx排放量为输出，建立锅炉热效率预测模型和NOx排放量预测模型，通过添加正则化项防止过拟合的情况发生。

步骤(5)中，中央处理集群从DCS控制系统接口读取实时负荷、入炉煤煤质特性、过量空气系数等参数，将其作为固定输入；利用智能建模集群训练出的锅炉热效率预测模型和NOx排放量预测模型，采用优化算法对配风方式进行寻优，得到对应于此刻运行工况下最优的配风方式。

附图说明

图1是基于CFD数值模拟和智能建模的锅炉燃烧优化系统图；

图2是基于CFD数值模拟和智能建模的锅炉燃烧优化方法总流程图；

图3是以正则化的BP神经网络为例的智能建模算法流程图；

图4是以遗传算法为例的中央处理集群燃烧优化算法流程图。

具体实施方式

下面结合附图对具体实施方式作进一步说明。

如图1所示，该系统包括DCS控制系统接口、CFD计算集群、样本数据库集群、智能建模集群、中央处理集群和人机界面。其中，DCS控制系统接口和CFD计算集群通过信息传输网络分别将历史运行样本和CFD模拟样本传输到样本数据库集群中并保存；智能建模集群调用样本数据库集群中存储的数据，选择智能算法进行建模，并将锅炉热效率预测模型和NOx排放量预测模型传输到中央处理集群；中央处理集群在接收模型的同时，调用DCS控制系统接口中锅炉实时运行的参数进行配风方式的寻优，寻优结果可向机组运行人员提供开环指导或直接调用DCS控制系统实现闭环控制，使机组燃烧热效率和NOx排放达到组合最优值。

如图2所示，该方法包含以下步骤：

(1)通过CFD计算集群计算CFD模拟样本，根据优化目标锅炉的实际结构、各受热面布置情况、风道烟道布置情况以及燃烧器喷口类型和位置等参数，构建完整准确的锅炉物理模型，其中二次风道从空预器入口开始，采用挡板开度控制各层二次风流量。

数学模型的构建如下：微分方程的离散运用了有限容积法，压力速度耦合采用三维稳态SIMPLE算法计算，湍流方程采用标准k-ε双方程模拟湍流气流流动，采用随机轨道模型对煤粉颗粒运动轨迹进行跟踪。采用非预混燃烧模型模拟煤粉在燃烧过程中发生的化学燃烧反应以及各组分的输运，气相湍流燃烧采用混合分数-概率密度函数模拟(PDF)模型；辐射换热采用P1辐射模型。

数学模型建立完毕后，分别针对不同负荷、入炉煤煤质特性、过量空气系数、磨煤机组合方式、配风方式进行模拟，得到相应的飞灰含碳量、NOx排放量等参数，并通过热力计算得到锅炉燃烧热效率。

(2)分析并完善历史运行样本。通过锅炉燃烧优化调整试验，获取不同运行工况下机组的飞灰含碳量和炉渣含碳量。如图3所示，采用BP神经网络算法，以负荷、入炉煤煤质特性、氧量、磨煤机组合方式、配风方式为输入，飞灰含碳量和炉渣含碳量为输出，建立3层BP神经网络模型。以电厂实际运行数据为输入，飞灰含碳量和炉渣含碳量为输出获得实际运行情况下的预测飞灰含碳量和炉渣含碳量。通过锅炉热量反平衡方法计算，得到运行历史数据的锅炉热效率。

(3)将CFD模拟样本和完善后的电厂实际历史运行样本存储在样本数据库集群中，以供智能建模集群调用。样本数据库内的数据包括负荷、入炉煤煤质特性、过量空气系数、配风方式、锅炉热效率、NOx排放量等信息。随机组运行工况的增加，可以通过电厂DCS控制系统接口调入历史运行样本的方式更新样本数据库集群。另外，在一些非正常运行情况下，如低负荷工况或燃烧低热值煤种等情况下，通过CFD模拟相应燃烧工况为样本数据库提供样本，实现样本数据库的实时更新，保证样本对运行情况的全覆盖。

(4)智能建模集群接收来自样本数据库集群中的样本，使用智能算法进行训练。同样采用BP神经网络，将样本数据库集群中的包括CFD模拟样本和历史运行样本在内的样本导入智能建模集群中，以负荷、入炉煤煤质特性、过量空气系数、配风方式为输入，以锅炉热效率、NOx排放量为输出，建立3层正则化的BP神经网络模型。隐含层和输出层采用sigmoid函数作为激活函数，初始化各层权重之后，网络的隐含层第i个节点的输出net_i为：

隐含层第i个节点的输出o_i为：

其中，φ为隐含层的激励函数，本式中φ为logsig函数；M为输入层神经元个数，即负荷、过量空气系数、入炉煤煤质特性、配风方式；w_ij为输入层第j个节点到隐含层第i个节点之间的权值；θ_i表示隐含层的阈值。

输出层第k个节点的输出net_k为：

输出层第k个节点的输出o_k为：

其中，ψ为输出层的激励函数，本式中ψ为logsig函数，q为输出层神经元个数，在本式中为q＝2，即锅炉燃烧热效率、NOx排放量；w_ki为隐含层层第i个节点到输出层第k个节点之间的权值；a_k表示输出层的阈值。

神经网络的误差代价函数为：

其中，为第j个样本，输出层第k个神经元的实际值；λ为正则化参数，作用是防止过拟合；L是神经网络层数，sl为某层神经元个数，从i＝1，即输入层开始计算。

神经网络训练的目标就是使网络输出与实际y值之差最小，及J(w)达到最小，采用梯度下降法求解，输出层误差为：

δ⁽³⁾＝o⁽³⁾-y

其中3表示神经网络的最外层，即输出层。

隐含层误差为：

δ⁽²⁾＝(w⁽²⁾)^Tδ⁽³⁾.*g'(o⁽²⁾)

每一层权值的变化梯度为：

Δ^(l)＝Δ^(l)+δ^(l+1)(net^(l))^T

即

通过上式不断更新输入层至隐含层、隐含层至输出层的连接权重，使算法误差收敛到指定值ε。此时可以得到锅炉热效率预测模型和NOx排放量预测模型。

以上两个模型可以通过手动或自动方式更新：手动方式通过运行人员在人机界面手动选择更新；自动方式可设置当新样本数量达到设置值后自动更新。

(5)在中央处理集群中进行配风方式的优化。中央处理集群从DCS控制系统接口读取实时负荷、入炉煤煤质特性、过量空气系数等参数，将其作为固定输入；利用智能建模集群训练出的锅炉热效率预测模型和NOx排放量预测模型，对配风方式进行寻优，得到对应于此刻运行工况下最优的配风方式。如图4所示，采用遗传算法，具体实施过程为：

①给定约束参数，即各个输入参数的取值范围，包括负荷、过量空气系数、入炉煤煤质特性、配风方式、锅炉燃烧热效率、NOx排放量。进行初始化，设置初始进化代数t＝0，最大进化代数t＝T，随机生成n个个体作为父代和子代。

②评价个体的适应度，适应度评价函数的依据为BP神经网络计算得到的锅炉热效率和NOx排放量，若NOx排放量符合机组设定标准，则该个体适应度为：

eva＝exp(-0.005*Eff)

其中Eff为BP神经网络输出的锅炉热效率。

若NOx排放量超出机组设定标准，则该个体适应度值设置为0.01，在进化过程中被淘汰。

③从所有个体中选择n个个体组成父代和母代，对父代和母代基因中的每个变量取一个[-0.25，1.25]之间的随机系数，然后按照该随机系数在父本和母本之间进行算术交叉，得到2n个新的个体。对个体进行随机变异操作。

④对新生成的2n个个体进行适应度评估，选择2n个个体中适应度最高的2个个体加入新的种群，其他的被淘汰，至此完成一轮进化。进化终止的条件是进化过程连续n代最优个体的目标函数基本不变，或者最大代数超过一定的值T时，循环终止。

⑤循环终止后，得到的最后一代个体，即为最佳适应度个体。该个体代表在给定锅炉负荷、过量空气系数、入炉煤煤质特性的前提下，如何调整配风方式，可以达到锅炉热效率和NOx排放量的组合最优值。

其中，最优配风方式可以选择最优的多目标优化值，也可以选择控制NOx排放量不超标情况下得到最优锅炉热效率的优化值。

(6)建立人机界面以保证运行人员对整个燃烧优化配风系统的监视与控制。通过人机界面，机组运行人员可以控制样本数据库集群读取样本，手动更新或自动更新锅炉热效率预测模型和NOx排放量预测模型。另外，运行人员还可以通过选择手动优化或自动优化模式，控制配风的优化方式，手动方式可以通过开环指导的形式，将优化后的推荐配风方式显示在人机界面上，由运行人员手动调节；自动方式可以通过DCS控制系统直接调节配风方式，实现优化系统的闭环调节。

Claims

1.一种基于CFD数值模拟和智能建模的锅炉燃烧优化方法，其特征在于：包括以下步骤：

(1)通过CFD计算集群计算CFD模拟样本；

(2)分析并完善历史运行样本；

(4)智能建模集群接收来自样本数据库集群中的样本，使用BP神经网络进行训练；

(5)在中央处理集群中进行配风方式的优化；

(6)建立人机界面以保证运行人员对整个燃烧优化配风系统的监视与控制；

所述步骤(1)中，根据优化目标锅炉的实际结构、各受热面布置情况、风道烟道布置情况以及燃烧器喷口类型和位置参数，构建锅炉物理模型，采用计算流体动力学CFD耦合化学反应方法对炉内燃烧过程进行模拟；

采用CFD对燃烧过程进行模拟时，针对不同负荷、入炉煤煤质特性、过量空气系数、磨煤机组合方式和配风方式因素进行模拟，得到相应的飞灰含碳量、NOx排放量参数，并通过热力计算得到锅炉热效率；

所述步骤(2)中，通过锅炉燃烧优化调整试验，获取不同运行工况下机组的飞灰含碳量和炉渣含碳量；以负荷、入炉煤煤质特性、氧量、磨煤机组合方式、配风方式为输入，飞灰含碳量和炉渣含碳量为输出，建立非线性模型；以电厂实际运行数据为输入，飞灰含碳量和炉渣含碳量为输出获得实际运行情况下的预测飞灰含碳量和炉渣含碳量，通过锅炉热量反平衡方法计算，得到历史运行样本的锅炉热效率；

所述步骤(6)中，机组运行人员通过人机界面控制样本数据库集群读取样本，手动或自动更新锅炉热效率预测模型和NOx排放量预测模型；通过选择手动或自动优化模式，控制配风的优化方式；

所述步骤(3)中，样本数据库内的数据包括负荷、入炉煤煤质特性、过量空气系数、配风方式、锅炉热效率、NOx排放量信息；

所述步骤(4)中，以包括负荷、入炉煤煤质特性、过量空气系数、配风方式参数为输入，以锅炉热效率、NOx排放量为输出，建立锅炉热效率预测模型和NOx排放量预测模型，通过添加正则化项防止过拟合的情况发生；

所述步骤(5)中，中央处理集群从DCS控制系统接口读取实时负荷、入炉煤煤质特性、过量空气系数参数，将其作为固定输入；利用智能建模集群训练出的锅炉热效率预测模型和NOx排放量预测模型，采用优化算法对配风方式进行寻优，得到对应于此刻运行工况下最优的配风方式。