一种循环流化床锅炉吹灰优化系统及方法技术方案

本发明专利技术涉及一种循环流化床锅炉吹灰优化系统及方法。受热面污染因子监测模块利用数据通讯模块从DCS系统读取的过程数据，通过ε‑模糊树方法建立过热器或再热器污染因子、省煤器污染因子、空气预热器污染因子、排烟温度和锅炉效率的预测模型；然后，受热面污染因子优化模块以排烟温度和锅炉效率为导向，采用改进的果蝇优化算法对受热面污染因子监测模块中的预测值进行优化，得到可调变量的最佳设定值，将最佳可调变量值通过数据通讯模块发送到DCS系统，从而指导现场设备运行；受热面吹灰决策模块通过实时监测的情况设定临界污染因子值，当监测到的受热面污染因子超过临界污染因子时，指导受热面吹灰。本发明专利技术从根本上达到了节能吹灰和按需吹灰的目的。

【技术实现步骤摘要】

本专利技术属于循环流化床吹灰
，特别涉及一种循环流化床锅炉吹灰优化系统及方法。
技术介绍
我国是能源消费和污染气体排放大国，其特点是：总量大、份额大、且在继续增长中。能源消费结构以煤炭为主导，其中火力发电主要依靠煤炭，因而带来了严重的环境污染问题。因此，发展洁净煤发电技术，提高发电效率，降低污染排放，成为我国能源和经济可持续发展的重要战略决策。循环流化床燃烧技术是一种新型高效、低污染的清洁燃烧技术，具有可燃劣质煤、燃料适应性广和炉内直接脱硫独特优势，已经成为国内外发展洁净煤燃烧技术的重点。循环流化床燃烧技术与粉煤炉燃烧技术在节能和环保方面有着显著的优势，但由于循环流化床燃烧技术能够使用劣质煤，循环流化床锅炉尾部烟道的积灰问题也较为严重，并且积灰呈现出不同于煤粉炉的积灰特性。受热面积灰是影响循环流床锅炉安全经济运行要素之一，飞灰在受热面上沉积产生灰污热阻，致使受热面传热能力下降，进而出现气温降低、排烟温度升高、受热面管壁超温、烟气阻力增加等问题，这些问题直接影响机组的正常运行。目前，对于煤粉炉的吹灰优化研究较多，并集成发展了多个吹灰优化系统，循环流化床锅炉与煤粉炉在本体设计方面有很大区别，需要更深入地研究。如今电站锅炉多采用定时吹灰，由于受热面积灰的因素十分复杂，常常出现欠吹灰和过吹灰的问题。欠吹灰会导致换热效率低，进而影响锅炉的效率；频繁吹灰不仅会消耗大量能量，而且会因磨蚀和热应力对锅炉受热面造成损坏，缩短受热面的寿命，同时也增加了吹灰装置的维修费。因此，研究电站锅炉的受热面按需吹灰非常必要。
技术实现思路
针对现有技术不足，本专利技术提供了一种循环流化床锅炉吹灰优化系统及方法。一种循环流化床锅炉吹灰优化系统，DCS系统分别连接循环流化床锅炉和循环流化床锅炉吹灰系统，所述循环流化床锅炉吹灰优化系统置于PLC系统中，其包括数据通讯模块、受热面污染因子监测模块、受热面污染因子优化模块和受热面吹灰决策模块；其中，数据通讯模块通过DSC系统的服务器通讯软件与DCS系统连接，进行交换数据；受热面污染因子监测模块、受热面污染因子优化模块和受热面吹灰决策模块依次连接，并分别与数据通讯模块链接；受热面污染因子监测模块用于利用数据通讯模块从DCS系统读取的过程数据建立过热器或再热器污染因子、省煤器污染因子、空气预热器污染因子、排烟温度和锅炉效率的预测模型；受热面污染因子优化模块用于对受热面污染因子监测模块中的预测值进行优化，得到可调变量的最佳设定值，将最佳可调变量值通过数据通讯模块发送到DCS系统，从而指导现场设备运行；受热面吹灰决策模块用于通过实时监测的情况设定临界污染因子值，当监测到的受热面污染因子超过临界污染因子时，指导受热面吹灰。一种循环流化床锅炉吹灰优化系统的吹灰优化方法，包括以下步骤：1)数据通讯模块通过Modbus通讯协议与DCS系统交换数据；首先，数据通讯模块从DCS系统读取过程数据，包括：机组负荷Load，燃料热值Q，燃料挥发分V，一次风压PA，一次风左挡板开度VRA，一次风右挡板开度VRB，上二次风左挡板开度SEA，上二次风右挡板开度SEB，下二次风左挡板开度SEC，下二次风右挡板开度SED，烟气含氧量ρ(O2)，飞灰含碳量Cfh，排烟温度Tpy，计算燃料消耗量B，锅炉主蒸汽流量G，蒸汽入口焓值Hs1，蒸汽出口焓值Hs2，蒸汽压力PH，烟气进入受热面时的焓值Is1，烟气流出受热面时的焓值Is2，烟气压力PI，冷空气焓值Is，空气体积Vk，空气预热器入口空气焓值Ik1，空气预热器出口空气焓值Ik2，排烟热损失q1，可燃气体未完全燃烧热损失q2，固体未完全燃烧热损失q3，散热损失q4，灰渣物理热损失q5；2)受热面污染因子监测模块通过ε-模糊树方法利用过程数据建立过热器或再热器污染因子、省煤器污染因子、空气预热器污染因子、排烟温度和锅炉效率的预测模型；3)受热面污染因子优化模块以排烟温度和锅炉效率为导向，对受热面污染因子监测模块中的预测值进行优化，得到可调变量的最佳设定值，将最佳可调变量值通过数据通讯模块发送到DCS系统，从而指导现场设备运行；4)受热面吹灰决策模块通过实时监测的情况设定临界污染因子值，当监测到的受热面污染因子超过临界污染因子时，指导受热面吹灰。为了消除异常值，并减少参数的波动，对数据通讯模块所读取的过程数据进行预处理，具体步骤如下：3.1：依次确定可疑数据Xi，i∈[1,n]；n为所采集的数据个数；3.2：然后计算删除可疑数值之后的数列平均值以及标准差3.3：计算可疑数据的残差：3.4：根据判别式|εj|＞Kσ来判定此可疑数值是否存在粗大误差，如果存在，则进行剔除，其中K为检验系数；3.5：为保证数据的连续性，利用差分方程计算结果对Xi进行替换，具体算式为为i位置上新的数值。步骤2)中，所述受热面污染因子监测模块使用ε-模糊树方法利用过程数据建立过热器或再热器污染因子FFG、省煤器污染因子FFs、空气预热器污染因子FFk以及排烟温度Tpy和锅炉效率ηBoiler的预测模型，方案如下：首先，基于过程数据利用公式和锅炉热力计算标准求出各受热面的实际传热系数Kfact和理想传热系数Kideal，使用计算各受热面的污染因子；对于过热器或再热器吸热量使用公式计算；对于省煤器吸热量使用公式计算；对于空气预热器吸热量使用公式计算；其中，K为受热面传热系数，W/(m2·℃)；B为计算燃料消耗量，t/h；Q为受热面的吸热量，kJ/kg；ΔT为受热面的传热温差，℃；S为受热面的面积，m2；G为锅炉主蒸汽流量，t/h；Hs2为蒸汽出口焓值，kJ/kg；Hs1为蒸汽入口焓值，kJ/kg；Is1为烟气进入受热面时的焓值，kJ/kg；Is2为烟气流出受热面时的焓值，kJ/kg；β为受热面处的漏风系数；Is为冷空气焓值，kJ/kg；为保热系数；Vk为空气体积，kNm3；Ik1为空气预热器入口空气焓值，kJ/Nm3；Ik2为空气预热器出口空气焓值，kJ/Nm3；然后，基于过程数据利用公式ηBoiler＝1-q1-q2-q3-q4-q计算锅炉效率ηBoile；其中，q1为排烟热损失，％；q2为可燃气体未完全燃烧热损失，％；q3为固体未完全燃烧热损失，％；q4为散热损失，％；q5为灰渣物理热损失，％；所述预测模型的输入变量为：机组负荷Load，燃料热值Q，燃料挥发分V，一次风压PA，一次风左挡板开度VRA，一次风右挡板开度VRB，上二次风左挡板开度SEA，上二次风右挡板开度SEB，下二次风左挡板开度SEC，下二次风右挡板开度SED，烟气含氧量ρ(O2)，飞灰含碳量Cfh，锅炉主蒸汽流量G，蒸汽入口焓值Hs1，蒸汽出口焓值Hs2，蒸汽压力PH，烟气进入受热面时的焓值Is1，烟气流出受热面时的焓值Is2，烟气压力PI，空气体积Vk，空气预热器入口空气焓值Ik1，空气预热器出口空气焓值Ik2；输出变量为：过热器或再热器污染因子FFG、省煤器污染因子FFs、空气预热器污染因子FFk以及排烟温度Tpy和锅炉效率ηBoiler；然后，分别基于ε-模糊树方法得到过热器或再热器污染因子FFG、省煤器污染因子FFs、空气预热器污染因子FFk以及排烟温度Tpy和锅炉效率ηBoiler的预测模型，具体包括以下步本文档来自技高网...

【技术保护点】
一种循环流化床锅炉吹灰优化系统，其特征在于，DCS系统分别连接循环流化床锅炉和循环流化床锅炉吹灰系统，所述循环流化床锅炉吹灰优化系统置于PLC系统中，其包括数据通讯模块、受热面污染因子监测模块、受热面污染因子优化模块和受热面吹灰决策模块；其中，数据通讯模块通过DSC系统的服务器通讯软件与DCS系统连接，进行交换数据；受热面污染因子监测模块、受热面污染因子优化模块和受热面吹灰决策模块依次连接，并分别与数据通讯模块链接；受热面污染因子监测模块用于利用数据通讯模块从DCS系统读取的过程数据建立过热器或再热器污染因子、省煤器污染因子、空气预热器污染因子、排烟温度和锅炉效率的预测模型；受热面污染因子优化模块用于对受热面污染因子监测模块中的预测值进行优化，得到可调变量的最佳设定值，将最佳可调变量值通过数据通讯模块发送到DCS系统，从而指导现场设备运行；受热面吹灰决策模块用于通过实时监测的情况设定临界污染因子值，当监测到的受热面污染因子超过临界污染因子时，指导受热面吹灰。

【技术特征摘要】
1.一种循环流化床锅炉吹灰优化系统，其特征在于，DCS系统分别连接循环流化床锅炉和循环流化床锅炉吹灰系统，所述循环流化床锅炉吹灰优化系统置于PLC系统中，其包括数据通讯模块、受热面污染因子监测模块、受热面污染因子优化模块和受热面吹灰决策模块；其中，数据通讯模块通过DSC系统的服务器通讯软件与DCS系统连接，进行交换数据；受热面污染因子监测模块、受热面污染因子优化模块和受热面吹灰决策模块依次连接，并分别与数据通讯模块链接；受热面污染因子监测模块用于利用数据通讯模块从DCS系统读取的过程数据建立过热器或再热器污染因子、省煤器污染因子、空气预热器污染因子、排烟温度和锅炉效率的预测模型；受热面污染因子优化模块用于对受热面污染因子监测模块中的预测值进行优化，得到可调变量的最佳设定值，将最佳可调变量值通过数据通讯模块发送到DCS系统，从而指导现场设备运行；受热面吹灰决策模块用于通过实时监测的情况设定临界污染因子值，当监测到的受热面污染因子超过临界污染因子时，指导受热面吹灰。2.权利要求1所述一种循环流化床锅炉吹灰优化系统的吹灰优化方法，其特征在于，包括以下步骤：1)数据通讯模块通过Modbus通讯协议与DCS系统交换数据；首先，数据通讯模块从DCS系统读取过程数据，包括：机组负荷Load，燃料热值Q，燃料挥发分V，一次风压PA，一次风左挡板开度VRA，一次风右挡板开度VRB，上二次风左挡板开度SEA，上二次风右挡板开度SEB，下二次风左挡板开度SEC，下二次风右挡板开度SED，烟气含氧量ρ(O2)，飞灰含碳量Cfh，排烟温度Tpy，计算燃料消耗量B，锅炉主蒸汽流量G，蒸汽入口焓值Hs1，蒸汽出口焓值Hs2，蒸汽压力PH，烟气进入受热面时的焓值Is1，烟气流出受热面时的焓值Is2，烟气压力PI，冷空气焓值Is，空气体积Vk，空气预热器入口空气焓值Ik1，空气预热器出口空气焓值Ik2，排烟热损失q1，可燃气体未完全燃烧热损失q2，固体未完全燃烧热损失q3，散热损失q4，灰渣物理热损失q5；2)受热面污染因子监测模块通过ε-模糊树方法利用过程数据建立过热器或再热器污染因子、省煤器污染因子、空气预热器污染因子、排烟温度和锅炉效率的预测模型；3)受热面污染因子优化模块以排烟温度和锅炉效率为导向，对受热面污染因子监测模块中的预测值进行优化，得到可调变量的最佳设定值，将最佳可调变量值通过数据通讯模块发送到DCS系统，从而指导现场设备运行；4)受热面吹灰决策模块通过实时监测的情况设定临界污染因子值，当监测到的受热面污染因子超过临界污染因子时，指导受热面吹灰。3.根据权利要求2所述的吹灰优化方法，其特征在于，为了消除异常值，并减少参数的波动，对数据通讯模块所读取的过程数据进行预处理，具体步骤如下：3.1：依次确定可疑数据Xi，i∈[1,n]；n为所采集的数据个数；3.2：然后计算删除可疑数值之后的数列平均值Xi以及标准差3.3：计算可疑数据的残差：3.4：根据判别式|εj|＞Kσ来判定此可疑数值是否存在粗大误差，如果存在，则进行剔除，其中K为检验系数；3.5：为保证数据的连续性，利用差分方程计算结果对Xi进行替换，具体算式为为i位置上新的数值。4.根据权利要求2所述的吹灰优化方法，其特征在于，步骤2)中，所述受热面污染因子监测模块使用ε-模糊树方法利用过程数据建立过热器或再热器污染因子FFG、省煤器污染因子FFs、空气预热器污染因子FFk以及排烟温度Tpy和锅炉效率ηBoiler的预测模型，方案如下：首先，基于过程数据利用公式和锅炉热力计算标准求出各受热面的实际传热系数Kfact和理想传热系数Kideal，使用计算各受热面的污染因子；对于过热器或再热器吸热量使用公式计算；对于省煤器吸热量使用公式计算；对于空气预热器吸热量使用公式计算；其中，K为受热面传热系数，W/(m2·℃)；B为计算燃料消耗量，t/h；Q为受热面的吸热量，kJ/kg；ΔT为受热面的传热温差，℃；S为受热面的面积，m2；G为锅炉主蒸汽流量，t/h；Hs2为蒸汽出口焓值，kJ/kg；Hs1为蒸汽入口焓值，kJ/kg；Is1为烟气进入受热面时的焓值，kJ/kg；Is2为烟气流出受热面时的焓值，kJ/kg；β为受热面处的漏风系数；Is为冷空气焓值，kJ/kg；为保热系数；Vk为空气体积，kNm3；Ik1为空气预热器入口空气焓值，kJ/Nm3；Ik2为空气预热器出口空气焓值，kJ/Nm3；然后，基于过程数据利用公式计算锅炉效率ηBoiler；其中，q1为排烟热损失，％；q2为可燃气体未完全燃烧热损失，％；q3为固体未完全燃烧热损失，％；q4为散热损失，％；q5为灰渣物理热损失，％；所述预测模型的输入变量为：机组负荷Load，燃料热值Q，燃料挥发分V，一次风压PA，一次风左挡板开度VRA，一次风右挡板开度VRB，上二次风左挡板开度SEA，上二次风右挡板开度SEB，下二次风左挡板开度SEC，下二次风右挡板开度SED，烟气含氧量ρ(O2)，飞灰含碳量Cfh，锅炉主蒸汽流量G，蒸汽入口焓值Hs1，蒸汽出口焓值Hs2，蒸汽压力PH，烟气进入受热面时的焓值Is1，烟气流出受热面时的焓值Is2，烟气压力PI，空气体积Vk，空气预热器入口空气焓值Ik1，空气预热器出口空气焓值Ik2；输出变量为：过热器或再热器污染因子FFG、省煤器污染因子FFs、空气预热器污染因子FFk以及排烟温度Tpy和锅炉效率ηBoiler；然后，分别基于ε-模糊树方法得到过热器或再热器污染因子FFG、省煤器污染因子FFs、空气预热器污染因子FFk以及排烟温度Tpy和锅炉效率ηBoiler的预测模型，具体包括以下步骤：4.1：给定ε-模糊树预测模型输入输出数据集合(xj，yj)，j＝1,2,…,M，M是样本数量，xj∈Rn，yj∈R，设定ε-模糊树输出模型的期望误差和最大叶节点数；4.2：设定模糊带的宽度λ＝5，初始化根节点，令N1(x)≡1，树的深度d＝1；根据式(1)求解根节点上的后件参数c1； min c ∈ R ( n + 1 ) L I ( c ) = Σ j = 1 M | y j - c T ~ T ξ ( x j ) | ϵ + γ 2 c ~ T c ~ - - - ( 1 ) ]]>其中，c＝[ct1,ct2,...,ctL]T，其中ctl为第l个叶节点上的后件参数，表示第l个叶节点的模型误差；其中，Ntl(x)为叶节点tl上的隶属度函数，μtl(x)为Ntl(x)的归一化隶属度函数，x为输入变量，为模型预测值；l＝1,2,…,L，L为叶节点数量；T为转置；式中第一项是经验风险，代表模型的误差，第二项代表模型的复杂程度，平衡因子γ＞0，其为实现模型复杂度与训练误差之间的折衷；4.3：依次处理当前深度的每一个节点：划分该节点，根据式(2)-(5)计算划分后左右子节点上的隶属度函数，根据式(1)求出所有叶节点上的后件参数，进而根据式(6)计算输入样本对应的划分后的模型输出：i)根节点隶属度函数，N1(x)≡1 (2)ii)非根节点隶属度函数，其中，p(t)表示节点t的父节点，Np(t)(x)为父节点上的隶属度函数，为非根节点上的辅助隶属度函数， θ p ( t ) = Σ j = 1 M N p ( t ) ( x j ) ( c p ( t ) T x ^ j ) Σ j = 1 M N p ( t ) ( x j ) ...

【专利技术属性】
技术研发人员：张文广，张越，刘吉臻，曾德良，牛玉广，高明明，房方，杨婷婷，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：北京;11