[发明专利]一种循环流化床锅炉吹灰优化系统及方法

摘要

本发明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。本发明从根本上达到了节能吹灰和按需吹灰的目的。

主权项

1.一种循环流化床锅炉吹灰优化方法，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ρO2，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；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K_fact和理想传热系数K_ideal，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；φ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‑q5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ρO2，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：3.1：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；3.2：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；其中，c＝[c_t1,c_t2,...,c_tL]^T，其中c_tl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，N_tl(x)为叶节点tl上的隶属度函数，μ_tl(x)为N_tl(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；3.3：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，N_p(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，其中，θ_p(t)为父节点上的数据中心，λ_t为左叶节点，取‑5，x^j为第j个样本输入变量，为[1,(x^j)^T]^T；其中，为叶节点集合，3.4：根据式(7)计算均方根误差RMSE：如果均方根误差小于划分前模型输出的均方根误差，则保存此次划分，否则，处理当前层的下一个节点；3.5：当前层处理完毕后，如果模型输出的均方根误差小于允许最大误差或者当前二叉树的叶节点数超过最大节点数，得到输出变量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，算法结束；否则令d＝d+1，返回步骤3.3，继续算法。