优化燃烧控制

优化燃烧控制（共7篇）

优化燃烧控制 篇1

摘要：在锅炉燃烧运行控制中,锅炉燃烧器控制部分是锅炉控制系统的一个重要组成。本文分析了锅炉应用进口燃烧器存在的一些问题,通过改善锅炉控制系统整体控制结构的方法,解决了原有锅炉控制系统控制结构复杂,控制器独立和封闭的特点,采用通用的PLC实现了锅炉的燃烧和运行控制。控制方案的成功也为今后锅炉配套进口燃烧器时应用PLC代替专用燃烧程控器奠定了基础,为企业在锅炉上应用进口燃烧器提供了新的解决思路。

关键词：锅炉,燃烧器,燃烧控制,检漏器,PLC,DCS,触摸屏

1 引言

我厂20t/h中压锅炉自2007年底建成投用,负责我厂顺酐和溶剂油两套装置1.4MPa中压蒸汽的供应。它的正常运行直接关系到溶剂油装置的开停和顺酐装置的负荷大小。锅炉自投用以来多次发生意外停炉故障,停炉后检查故障原因困难,工作量大,耗费时间长,严重影响我厂两套装置的正常生产。原有锅炉采用芬兰奥林燃烧机,由于燃烧机厂家要求国内锅炉上使用的燃烧机必须成套燃烧程控器,因此锅炉控制系统采用PLC配套燃烧机专用燃烧程控器形式进行控制,两套控制器联合运行故障点多,锅炉故障信息输出不直观。通过对控制系统进行改造,取消原有专用程控器,独立应用西门子S7-200 PLC实现锅炉燃烧和运行的控制,大大提高了锅炉运行稳定性和故障判别能力。

2 方案研究

2.1 原有锅炉控制结构浅析

原有中压锅炉燃烧器控制系统采用上位P L C与燃烧器自带的下位专用程控器联合配套方式对锅炉进行控制,其中专用程控器负责对中压锅炉的燃烧系统进行控制和连锁,PLC则负责燃烧系统之外锅炉运行部分的控制和连锁,触摸屏为整套控制系统的人机接口,操作工可以通过触摸屏操作锅炉和完成对锅炉状态的监控。同时P L C将关键工艺参数通过MODBUS通信传送至中央控制室的D C S上进行显示。P L C只能启停燃烧程控器不能干涉燃烧程控器的动作,也不可修改燃烧程控器的动作参数,PLC只能接收专用程控器的燃烧故障和正常运行二种运行结果,不监视燃烧专用程控器的全部动作过程。

2.2 原有锅炉控制系统存在的问题

锅炉原有控制方式比较复杂,一个完整的控制系统采用两套相对独立控制器进行分段控制。燃烧器专用控制器比较封闭,锅炉投用后存在的问题难点主要集中在锅炉点火系统的监控。

锅炉点火过程中经常发生点小火故障和点大火故障故障。由于点火故障条件较多,通常包含“空气压力低”、“燃气压力低”、“燃气压力高”、“燃气泄漏”、“无小火火焰”、“无大火火焰”和“程控器故障”等多个联锁源。“故障后信息输出仅为“燃烧故障”信息,因此无法直接判断出故障原因,如果逐一排查各个联锁源,会花费大量时间,严重影响装置正常生产。

2.3 锅炉控制系统改造

针对原有控制系统结构,改造过程需要解决原有燃烧程控器专用、独立和封闭的特性。因此,需要取消专用的燃烧程控器和检漏程控器,控制功能移植到P L C,由P L C接管燃烧程控器的全部工作。

燃烧机专用程控器和检漏控制器所检测的仪表信号主要包括:“空气压力”、“燃气压力1”、“燃气压力2”、“小火火焰”、“大火火焰”、“燃烧机全关位”、“燃烧机点火位”、“最小比例调节位”、“最大负荷位”和“检漏状态”等信号。输出“燃烧运行”、“燃烧停止”和“燃烧故障”信号至PLC。同时通过检漏控制器实现对“点火电磁阀”、“燃烧先导电磁阀”、“主燃烧电磁阀”、“点火变压器”和“负荷比例调节电机”等进行控制。

改造后的控制结构图见图2。控制系统保留原系统的全部功能,除实现DCS对锅炉实时远程监控外,主要是处理燃烧器的燃烧故障问题。当出现联锁停炉时,控制系统在触摸屏上输出具体故障信息,并记录进历史数据列内保存,直接给出了精确地故障信息点,方便了故障维护和处理。

改造后的P L C程序基本逻辑框图见图3所示。

3 效果分析

中压锅炉联锁停炉后能准确记录联锁源信息和联锁发生时间。触摸屏和D C S对历史故障信息记录均正常。当锅炉出现联锁停炉情况是,操作人员和维修人员可以方便的通过历史故障信息判断具体故障点情况,大大节省了故障处理时间和锅炉恢复速度。点火过程中发生“燃烧故障后”系统准确显示出众多联锁源中到底是哪一个出现的问题,方便技术人员对锅炉点火位燃气阀门、空气阀门和风门位置进行准确调整,调整后的点火顺利,锅炉一次点火成功率接近100%。锅炉运行正常,能保证长期正常运行。自2011年9月份改造完成至今,锅炉一直保持点火一次成功的状况。

4 结束语

国内市场在采购锅炉要求配套进口燃烧机的时候,由于国外燃烧机牵涉到技术壁垒和技术专利的情况,所以进口燃烧机一般情况均配套有燃烧机专用的燃烧程控器。这使得使用进口燃烧机的锅炉控制系统均使用P L C+燃烧器装用程控器的控制方式进行控制。因此,在锅炉控制结构方面大大增加了控制系统和硬件配线方面的复杂程度。增加了日常故障处理的难度。本文通过对锅炉控制系统的改造,取消了进口专用燃烧程控器,降低了系统复杂程度,提高了稳定性,同时,也为系统故障处理节约了时间。这种控制方案的采用,也为取消进口燃烧机配套专用燃烧程控器的应用奠定了基础,能够有效节约企业成本。

参考文献

[1]芬兰奥林燃烧器GP系列操作维护说明书[Z].

[2]DUNGS检漏程控器DK2F系列说明书[Z].

[3]DUNGS双电磁阀DMV-D型说明书[Z].

[4]西门子LFL1...系列燃气燃烧器控制器说明书[Z].

[5]西门子STEP_7参考资料[Z].

[6]日本横河CENTUM CS3000组态手册[Z].

[7]Easybuilder500中文使用手册[Z].

连续退火炉燃烧控制优化设计 篇2

连续退火炉炉温控制系统中,对于燃烧控制,由于空燃比设定不合适或由于动态空燃比近乎失控的问题,经常出现不完全燃烧而产生黑烟或空气过剩而形成的巨大热损失和环境污染,因此需要研究高水平的燃烧控制技术,改善系统的响应特性,维持空燃比最优,提高控制器的控制效果。

1 双交叉燃烧控制基本原理

本文中采用双交叉控制实现退火炉的燃烧控制。其控制的基本原理为:炉温控制器的输出信号决定燃气流量给定值,并通过空燃比设定计算得出空气流量给定值,然后空气回路和燃气回路各成闭环调节,而在两个闭环调节过程中燃气流量与空气流量相互制约,从而维持空燃比稳定,改善燃烧状况。具体实现来说,在燃气控制回路和空气控制回路中均设置低选和高选的比较选择器,比较的参考信号是根据实际空气流量计算无欠氧燃烧时燃气流量上限和无过氧燃烧时燃气流量下限;根据燃气实际流量计算无过氧燃烧时空气流量上限和无欠氧燃烧时空气流量下限。再与温度控制器输出的要求流量进行比较后组成双交叉限幅选择控制[1]。控制框图如图1所示。

2 双交叉燃烧控制过程分析[2]

双交叉限幅燃烧控制系统不仅能在热负荷恒定的工况下保持适当的空燃比,而且在热负荷变化的工况下,仍能保持适当的空燃比,从而优化燃烧状况

2.1 稳定负荷工况

假设热负荷恒定,系统处于某一平衡状态。此时

式(1)中:Af为空气流量实测值;Gf为燃料流量实测值。

在这种状态下,下列条件成立:

β:空燃比,k1、k2、k3、k4:限幅偏置系数

式(2)(3)中:A0、G0为炉温控制器输出的空气和燃气设定值。

2.2 热负荷增加工况

假设热负荷增加,系统需要升温。炉温控制器输出增大,系统所处平衡状态被破坏。炉温控制器输出设定值A0、G0上升,从而空气和燃气实际流量Af、Gf也随着增大,由于调节阀存在滞后性,非线性和惯性,空气和燃气流量的调节速度存在差异,一般情况下,燃气调节阀速度较快,相应燃气流量相对空气流量增加速率较快,从而造成动态的空燃比降低,但此时双交叉限幅会起调节作用。

2.3 热负荷减小工况

假设热负荷减小,系统需要降温。此时燃气回路在高选器作用下进行限幅,燃气控制器输入设定值,从而减缓了Gf的下降速率。分析过程与热负荷增加时类似,不再赘述。

根据以上分析,负荷增加升温时即使燃气调节阀的惯性小于空气调节阀的惯性,但是Af的增加速率与Gf的增加速率仍可保持基本一致,不会产生空燃比过小现象,避免了空燃比过低造成的欠氧燃烧;同理负荷下降降温时也不会产生空燃比过大现象,避免了空燃比过大造成的过氧燃烧和热损失。从而维持了空燃比稳定在工艺要求内,优化了燃烧状况。

3 空燃比自寻优

双交叉限幅可以使实际空燃比稳定在设定的范围内。接下来空燃比设定值合适与否对燃烧效率影响巨大。分析发现,燃烧效率与空燃比之间存在极值关系。这就为空燃比的自寻优提供了前提条件。

自寻优控制器在炉温稳定后进行工作,以燃气消耗量最小为指标,寻找最佳的空燃比,一旦炉温波动过大需停止寻优。

自寻优搜索的步长可以是固定的也可以是变步长。其程序框图如图2所示。

4 仿真与应用

为验证双交叉控制策略的有效性,本文采用MATLAB对其进行了仿真,仿真模型如图3所示。仿真过程为:0S时炉温从稳态700℃升到1000℃,1000S后,再降到700℃。

从图4中可以看出,在0-300s温度上升时,空燃比相对偏小;在1000s-1300s温度下降时,空燃比相对偏大,与分析吻合。但由于双交叉限幅控制,空燃比偏差在可控范围内。本例中,空燃比设定值为3,实际误差为,可以满足实际需求。这也验证了双交叉限幅的有效性。此期间,系统也能够较快的升温和降温,满足炉温控制要求。

对空燃比自寻优也进行了仿真验证,模型的最佳空燃比是3,初始设定值为2.5。炉温稳定后1200S开始自寻优。

图5表明自寻优可以达到预期目标,且仿真结果表明寻优过程中炉温波动在摄氏度以内。

由此可见双交叉控制和空燃比自寻优不仅满足炉温控制需要,也能有效优化燃烧状况,因此可以将其转换为实际应用。目前双交叉控制策略和空燃比自寻优已经应用于某厂连续退火炉炉温控制中,效果良好。

参考文献

[1]汤秀琴.双交叉燃烧控制系统的设计与实现[J].鞍山钢铁学院学报,2001,12(24):422.

优化燃烧控制 篇3

1 CFB锅炉手动操作产生的问题

目前CFB锅炉燃烧自动控制系统基本未投运。而手动操作存在以下4个方面的问题:

(1)压力波动较大。该问题是循环流化床锅炉运行普遍存在的问题,会导致设备损伤(特别是汽轮机),不利于机组长期运行,同时增加能耗。

(2)操作人员劳动强度大,增加人为失误。

(3)机组运行严重依赖于操作人员操作水平及劳动态度,不利于科学管理。

(4)缺乏节能降耗的实施平台,不利于锅炉的经济运行。

针对上述手动可能产生的问题,为了锅炉运行的更加稳定,决定对锅炉运行进行优化控制的改进。

2 优化控制技术

工业优化控制技术是近年来迅速发展的高新技术,主要用以解决复杂流程工业过程中存在的多变量耦合、大滞后、时变等由传统的PID控制无法解决的控制问题。采用优化控制,可以改进控制效果,增加过程的平稳性,提高控制精度。

3 实施优化控制系统的目的

实施优化控制系统主要为了达到以下控制目标:

(1)指导机组的经济运行,为生产、检修、运行及管理人员提供真实全面的分析数据,通过优化控制系统即可查阅、监视机组各种运行参数,对各项指标进行复杂的分析计算,得出调整的操作方式,以指导机组的运行优化。

(2)降低成本,提高效益。根据机组燃烧机理,对机组运行进行调整,及时优化机组运行参数,减少损耗,降低煤耗1%,提高锅炉热效率。

(3)维持汽压、风量、氧量等参数的稳定,特别是床温的稳定。

实施优化控制系统后要达到的指标:

(1)蒸汽压力:负荷稳定状态保持在±0.30MPa内,协调方式增减负荷过程中保持在±0.5MPa内。

(2)负荷:控制在给定值的+3.5MW以内;负荷调整速度:实现汽机与锅炉的协调控制,变负荷率≥1.5MW/min,可在15min内实现负荷变化35MW,且保持压力的稳定。

(3)床温≤+35℃,工况变化较大时,控制在工艺允许波动范围内。

(4)优化控制系统比较手动操作,电耗煤量降低1%以上。

(5)在主设备无故障的情况下,优化系统所有自动回路(给煤、一次风、二次风、负压、机炉协调)自动投入率达到100%。

4 优化控制系统实施方案

采用具有自主知识产权的XD-APC优化控制软件。该优化控制软件已经在CFB锅炉上有很多的成功案例,首次将无辨识自适应预估控制技术用在CFBB燃烧过程的闭环控制。

4.1 通信方案

优化控制系统XD-APC目前已集成了多种通信模块,用于与不同的系统通信,为多种多样的过程控制设备提供了一个公共的接口,而与DCS系统的控制软件或设备无关,通过选择可靠的通信方式可以实现优化控制软件外挂在DCS系统上,实现与DCS的通信。经比较后选择OPC通信。

4.2 优化控制系统主要控制回路具体方案

4.2.1 床温-主汽压力控制

由主汽压力、密相温度控制级、给煤控制组成三级串级控制系统,并加入负荷变化等前馈信号。控制器输出的总给煤量按多种分配方式控制各台给煤,包括总量平均分配、跟踪分配、分组分配等方式。在压力回路处于自动控制状态时,操作人员直接在DCS操作画面上设定新的压力给定值即可。控制逻辑如图1所示。

针对本锅炉设备氧量偏低和炉膛压力偏高的问题,做二次风和炉膛压力的联动、氧量和煤量的联动。

4.2.2 一次风量控制

一次风控制的主要目的是维持风煤比稳定,风煤比=一次风总量/总给煤量,故控制的一次风量会随着给煤量的增减而自动增减。控制器的调整对象为#1和#2风机入口挡板开度。风煤比的给定值在控制器处于“手动”位置时会自动跟踪实际的风煤比值的10min平均值(5s计算1次),一旦控制器处于“自动”状态,风煤比给定值即为投入自动时的风煤比平均值。在自动控制状态下,系统根据煤质和密相温度对风煤比给定进行在线修正。一次风量控制图如图2所示。

4.2.3 机炉协调控制

机炉协调控制系统由负荷自动、给煤自动、风量自动3个子系统组成,主逻辑图如图3所示。

(1)负荷控制器仅当操作台上的负荷控制器处于“自动”位置(由运行人员切换)和电负荷给定值(由运行人员在操作台上设置或通过AGC给定)变化时才会开始运行,此时控制器的输出信号u1会“写”到汽门的控制目标,运行人员不能再设置。

(2)条件输出单元的作用是为燃烧控制(给煤控制)系统提供调整给煤量的前馈信号。其逻辑为:当电负荷控制器状态为自动时,输出电负荷给定值的变化信号,而当电负荷控制器状态为手动时,输出汽门指令变化信号,前馈量则根据实时计算的给煤量与负荷、密相温度的增益关系来确定。

(3)电负荷控制处于“自动”状态时,可以通过给定值的延时单元实现先调煤、后调负荷(调门),这样对主汽压控制较有利。

(4)负荷协调控制可在电负荷控制器处在“手动”和“自动”时进行。电负荷控制处于“手动”时,由运行人员设置汽门控制目标,控制系统根据实际汽门的变化,向燃烧控制系统送出前馈信号,在调整汽门的同时,调整给煤量;而当电负荷控制处于“自动”时,运行人员只需改变负荷给定值,其余动作由控制系统完成。

5 系统实施过程

(1)实现优化控制软件与DCS系统的通信,即实现优化控制软件实时读、写现场数据。保证实时与优化控制系统的数据传输正常是优化控制系统工作的基础。

(2)优化控制方案的在线仿真阶段。在实现“读”的基础上即可对将实施的控制方案做在线仿真,仿真的同时可对方案进行调整。在线仿真时只用采集到的现场操作数据,因此只涉及“读”操作,并且不会送任何数据到DCS操作系统,也不会影响生产。读写的数据量只有几百个点,对DCS系统的网络通信影响非常小。

(3)优化控制系统的投运准备。需要对DCS做少量的逻辑和画面的调整,原则是不改变DCS系统原有控制逻辑和功能。当不投优化控制时DCS系统和原来的操作完全相同。

(4)优化控制系统调试阶段。在“读、写”通信和仿真基础上,进行最后的优化控制系统试运行和现场调试。为保证安全,开始时会对控制作用做较严格的限制,根据实施情况再逐步放松。

(5)优化控制系统的正式投运。

(6)系统培训,包括使用操作培训和维护检修培训。

6 优化效果分析

(1)提高机组自动回路的投入率。目前已经实现CFB锅炉燃烧和机炉协调控制的自动投入,并且实现168h连续投运,在现场设备正常情况下,以上自动回路都可以100%投入自动。

(2)静态、动态品质指标良好。表1为优化控制系统的静态、动态品质指标,已经达到《DL/T 657-2006火力发电厂模拟量控制系统验收测试规程》中的技术要求,满足质量检验及评定标准要求。

(3)实现了节能和深化清洁燃烧效果,提高经济效益。投自动以后,机组运行更加平稳,炉膛燃烧状况稳定,提高了锅炉的热效率,发电煤耗降低约1.10%。

(4)改进控制效果,增加过程的平稳性,提高控制精度。投入自动后,各项运行参数都很平稳,完全符合机组考核指标。无论负荷是在稳定还是变化情况下,自动控制系统都能够实现长期稳定自动运行。目前,大量的调节工作由手动变为自动,提高了机组运行的稳定性、安全性和可靠性,减少了操作人员大量的重复性操作,降低了操作人员的劳动强度,避免了人为操作失误所引起的机组非计划停机,提高了操作人员的运行操作水平。操作人员可以有更多的时间和精力去关注机组设备的运行情况,及早发现一些设备隐患,以便及时处理。

摘要：针对常规PID控制很难实现循环流化床锅炉燃烧自动控制的问题,介绍优化控制系统在循环流化床锅炉燃烧控制的应用。

关键词：优化控制系统,无辨识自适应控制,循环流化床锅炉,分散控制系统

参考文献

[1]江青茵.无辨识自适应控制预估算法及应用[J].自动化学报,1997,23(01):107-111

[2]樊诚,江青茵,曹志凯,等.循环流化床锅炉燃烧过程建模研究[J].计算机与化学应用,2007,24(3):371-374

优化燃烧控制 篇4

“节能减排”是我国的基本国策, 已经成为全社会共识。燃煤发电在我国能源供应中仍然占主要地位, 是我国节能减排的重点领域。近年来, 燃煤电站通过提升机组容量和运行参数, 达到了节能增效的目的, 但付出了巨大投资。机组运行优化是实现燃煤电站节能减排的另一有效手段;锅炉燃烧作为燃煤机组能源转换的核心环节, 其运行优化尤为重要。但传统的锅炉燃烧优化方案大多只考虑提高锅炉效率和安全性, 较少顾及NOx等污染物的排放问题。随着计算智能在燃烧优化方面的应用, 使得提高效率的同时降低污染物排放这一目标成为可能。基于计算智能的燃烧优化不需要对燃烧器、受热面等设备进行大规模改造, 而是以机组运行数据为基础, 采用计算智能实现锅炉燃烧过程的运行优化。此类技术投资少、风险小、效果明显, 是很多电厂首选的优化技术[1]。

作者结合承担的南方电网科研课题“面向节能发电调度的锅炉燃烧在线优化关键控制技术研究”, 在研究过程中对基于计算智能的锅炉燃烧优化控制进行了广泛深入的研究。本文主要针对此方向的研究成果进行全面综述。

2 计算智能在燃烧优化中的应用

目前, 锅炉燃烧优化控制所采用的基本框架如图1所示。框架分为外环和内环, 内环主要针对锅炉的安全进行控制, 一般采用常规PID控制策略;外环以燃烧性能为目标进行优化, 并将内环控制器的设定值/偏置值作为优化变量。要实现燃烧优化, 则必须解决燃烧效率、污染物排放建模以及运行优化这两大核心问题。随着计算智能研究和应用的深入, 各种算法逐渐应用于锅炉燃烧建模及优化环节。

计算智能 (Computational Intelligence, CI) 是受大自然和人类智慧启发而演化出的一类智能算法的统称, 这些算法通过模拟大自然和人类智慧对科学研究和工程实践中所遇问题进行优化求解。典型的计算智能算法包括人工神经网络、遗传算法、模糊逻辑、人工免疫系统、群体计算模型、支持向量机、模拟退火算法、粗糙集理论与粒度计算、量子计算、D N A计算、智能代理模型等等[2]。作为人工智能的一个重要分支, 计算智能因其智能性、并行性和健壮性, 较好的自适应能力和很强的全局搜索能力, 在优化计算、模式识别、图像处理、自动控制等多个领域获得了广泛应用。

计算智能在锅炉燃烧优化控制中的应用研究, 主要分为两个方面: (1) 采用智能算法建立锅炉燃烧相关特性模型。锅炉燃烧是一个复杂的能源转换过程, 涉及燃烧学、热力学、流体力学等多学科领域, 受多种因素影响且各因素相互影响、相互耦合。传统建模方法通过物理化学原理对锅炉燃烧过程建模, 但模型计算复杂度高、计算时间长。特别是对于锅炉燃烧过程中的非确定多项式NP (Non-deterministic Polynomial) 问题, 传统算法无法在合理的时间内求出精确解, 难以在现场实时分析锅炉燃烧情况。计算智能在锅炉燃烧建模中的应用使模型求解时间和求解精度都能满足燃烧优化需求。 (2) 利用智能算法对锅炉燃烧模型参数或锅炉运行目标值进行非线性寻优。对锅炉燃烧模型参数进行优化, 可以提高模型预测精度;而运行参数目标值寻优则通过优化锅炉系统各运行参数的设定值/偏置值实现锅炉燃烧过程的优化控制。以下分别对这两个问题进行综述。

3 基于计算智能的锅炉燃烧建模

采用智能算法建立锅炉燃烧模型时, 将燃烧过程作为“黑匣子”或者“灰匣子”, 通过大量数据的训练, 使这个“黑匣子”具备预测锅炉燃烧过程的能力, 并根据不同的输入数据预测出相应的输出结果。在锅炉燃烧优化建模中应用较多的智能算法有神经网络、模糊系统、支持向量机以及各种混合算法。

3.1 神经网络

神经网络 (Neural Network, NN) , 又叫人工神经网络 (Artificial Neural Network, ANN) 。目前, 国内外应用较多的燃烧优化系统主要采用神经网络方法建立预测建模。如美国Pegasus公司的Neu SIGHT燃烧优化系统、Power Pefecter燃烧优化系统, 艾默生公司的Smart Process燃烧优化系统, 英国Powergen公司的GNOCIS PLUS燃烧优化系统, 国内东南大学开发的BCOS-2000/2.0系统, 浙江大学开发的基于Internet/Intranet的燃烧优化指导系统等。

此外, 很多学者也开展了采用神经网络算法对锅炉燃烧过程进行预测建模的研究。Smrekar J.等采用电站实时运行数据建立了两个燃煤锅炉特性模型并验证了其预测准确度[3]。王子杰等借助燃烧特性试验数据, 建立了锅炉燃烧特性的神经网络模型[4]。石云等建立了以神经网络表示主要物理量之间关系的锅炉燃烧系统模型, 仿真表明预测模型有较高准确度, 对实际生产适应性较强[5]。人工神经网络有多种不同的模型, 并各有特色, 其中应用最为广泛的是后向传播学习的前馈型神经网络 (BPNN) 。吕玉坤等以某300MW电站锅炉燃烧调整试验数据为基础, 采用B P神经网络建立了以锅炉效率和NOx排放为目标的锅炉燃烧系统模型, 得到较好的预测结果[6]。郑立刚等对BP神经网络和广义回归神经网络 (G R N N) 进行了对比研究, 表明G R N N在预测结果稳定性、网络结构、收敛速度以及预测精度等方面都优于BP神经网络[7,8,9];进一步实例研究发现GRNN的建模时间比BPNN少一个数量级, 仅为BPNN建模时间的1/6[10]。

神经网络在锅炉燃烧特性建模中得到了广泛应用, 具有建模容易、预测速度快、自适应调整能力强等优点, 适合处理燃烧此类非线性对象。Vong等研究表明神经网络也存在诸如控制参数较多 (如隐藏神经元的数量和学习速率) 、难以获得稳定解、且存在过度学习危险等缺点[11]。Niska等也指出当针对某一实际情况建立神经网络模型时, 网络体系结构的选择也比较复杂耗时[12]。这些缺陷在采用其他智能算法建模时得到改进。

3.2 模糊逻辑

模糊逻辑 (Fuzzy Logic, FL) 是一种使用隶属度代替布尔真值的逻辑, 更适合描述实际生活中的不精确性。自1965年模糊集合论被创建以来, 模糊系统理论及应用得到了广泛关注和飞速发展, 它依据熟练操作人员的经验或相关领域的专家知识、模拟人的思维特点, 利用控制规则通过推理、决策对系统进行控制, 不需要预知被控对象的精确模型, 适用于数学模型未知或者难以建立的系统, 实用性较强, 这与神经网络很相似, 很多学者都曾验证两者在某些情况下是等价的[13,14,15,16]。

但在实际应用中, 模糊系统与神经网络有一些重要区别。模糊系统的知识, 即规则与隶属函数是预先提供的、显性的, 来源于相关领域专家, 神经网络的知识则通过学习获得, 隐含于网络结构中, 其来源是数据。针对模糊系统和神经网络的特点, 研究者们将两者进行了融合, 提出了模糊神经网络 (FNN) , 实现了模糊和神经网络的优势互补。对于非线性建模, 模糊神经网络比单一神经网络具有更强的全局搜索能力和寻优能力。文献[17]-[19]应用模糊神经网络模型对电站锅炉结渣情况进行了预测, 试验结果表明FNN能够更准确预测电站锅炉结渣倾向性[17,18,19]。

3.3 支持向量机

支持向量机 (Support Vector Machine, SVM) 是由Vapnik在统计学习理论基础上构建的一种有力的机器学习方法, 它以结构风险最小化为原则, 将模型的训练转化为求解二次规划问题, 确保解的全局最优, 能有效解决神经网络过学习、对新样本预测性差等缺点, 具有良好的泛化能力, 被越来越多的学者运用于锅炉燃烧模型。陈敏生等利用支持向量机建立了锅炉飞灰含碳量模型, 并与B P神经网络模型进行了比较研究, 得出支持向量机模型对新样本的预测能力和收敛速度都优于B P神经网络的结论[20]。文献[21]-[25]将以一次损失函数为经验风险的ε-支持向量机应用于电站锅炉燃烧优化, 分别建立了N Ox排放、飞灰含碳量、排烟温度等参数的预测模型[21,22,23,24,25]。

最小二乘支持向量机 (Least Square Support Vector Machine, LS-SVM) 是以二次损失函数为经验风险的支持向量机, 它以等式约束代替不等式约束, 将模型训练转化为线性方程组求解, 能简化计算缩短训练时间;且训练结果更具确定性, 适合在线应用。徐志明等利用最小二乘支持向量回归算法进行燃煤结渣预测, 取得了较好效果[26]。顾燕萍等提出了最小二乘支持向量机改进算法, 并基于此建立了电站锅炉燃烧模型, 实现了飞灰含碳量、排烟温度、NOx排放量等参数的软测量和锅炉效率的预测[27]。文献[28]提出了自适应最小二乘支持向量机算法, 实现了燃烧模型的在线校正。龙文等以锅炉历史运行数据为样本, 采用最小二乘支持向量机建立了以锅炉效率和NOx排放量为优化控制目标的预测模型[29]。高芳等借助1000WM超超临界锅炉的现场燃烧调整试验数据, 建立了以锅炉热效率和NOx排放质量浓度为输出的共享最小二乘支持向量机模型[30]。

4 基于计算智能的非线性寻优

燃烧模型是燃烧优化的基础, 在此基础上通过智能寻优即可获得锅炉运行参数的最优值。目前, 在锅炉燃烧优化中应用的智能寻优算法主要有遗传算法、粒子群算法、蚁群算法等。

4.1 遗传算法

遗传算法 (Genetic Algorithm, GA) 是目前应用广泛的随机搜索算法, 其基本思想源于达尔文进化论和基因理论, 通过模拟生物进化和遗传规律实现寻优。该算法拥有较好的全局搜索能力, 能够以较大的概率得到全局最优解, 适用于大规模、高度非线性的不连续多峰函数优化以及无解析式目标函数的优化。

王春林采用支持向量机建立了NOx排放量预测模型, 并用遗传算法对影响NOx排放的各参数进行优化, 降低了NOx排放量[22]。陈庆文等采用遗传算法对电站锅炉NOx排放特性及锅炉效率神经网络模型参数进行优化, 结果表明该模型可在掺烧非设计煤种情况下寻找出优化运行参数, 实现同时降低NOx排放量并提高锅炉效率的目标[31]。顾燕萍、安恩科等采用遗传算法对NOx和锅炉效率进行多目标优化, 实现了锅炉高效、低污染排放的运行效果[27,32]。高正阳等分别以炉膛出口处飞灰含碳量和NOx排放量为优化目标, 采用遗传算法对锅炉不同负荷下的运行方式进行优化, 实现了燃烧过程炉内火焰形貌的重建[33]。

在算法研究方面, 出现了一些针对遗传算法进行改进的研究成果。D e b提出了改进非支配排序遗传算法NSGA-II, 能有效解决NSGA方法计算复杂度高、缺少精英策略及需要人为指定共享半径等缺点[34]。余廷芳、吴峰均采用NSGA-II求得了锅炉燃烧多目标优化的Pareto解集[35,37]。Fengqi Si也采用NSGA-II分两阶段解决了电站锅炉多目标约束优化问题[36]。在文献[38]-[41]中, 研究者们提出了其他一些对遗传算法的改进思路[38,39,40,41]。朱予东针对基本遗传算法存在的“早熟”及全局收敛速度慢的问题, 采用自适应遗传算法对最小二乘支持向量机模型参数进行全局寻优, 提高了模型精度[42]。

4.2 粒子群算法

粒子群优化 (Particle Swarm Optimization, PSO) 算法通过群体中粒子间的合作与竞争产生的群体智能指导优化搜索。相比于遗传算法和其他进化算法, PSO算法操作简单, 容易实现, 具有较强的全局收敛能力和鲁棒性。但标准PSO算法的数学基础相对薄弱, 尤其缺乏深刻且具有普遍意义的理论分析, 存在维数灾难、易于陷入局部最优等问题。对此, 研究者们提出了有效的改进方法, 并将其应用到锅炉燃烧优化问题。

陈其松采用量子粒子群算法对最小二乘支持向量机模型的参数进行优选, 避免了人为选择参数的盲目性, 提高了预测模型的训练速度和泛化能力[25]。蒋喆采用粒子群算法优化SVM模型参数, 获得较优的支持向量机预测模型[43]。冯磊华等针对燃煤锅炉NOx排放支持向量机模型, 使用了一种改进的LPSO算法, 在原始的LPSO算法中加入了自适应变异算子, 以增强其全局搜索能力和跳出局部最优解的能力, 在一定程度上缓解了未成熟收敛问题[44]。高芳等采用改进的粒子群算法对锅炉运行工况寻优, 不仅保证了粒子的多样性, 提高了寻优空间内的全局搜索能力, 并改善了搜索后期收敛速度慢的问题[30]。

4.3 蚁群算法

蚁群算法 (Ant Colony Optimization, ACO) 通过模拟蚂蚁觅食过程进行全局最优化搜索, 在解决典型组合优化问题中具有明显优越性。在锅炉燃烧优化领域, 蚁群算法也有不少应用。郑立刚等采用变尺度混沌蚁群算法针对锅炉NOx排放模型进行优化, 有效降低了燃煤锅炉NOx排放, 且具有较高的稳定性与鲁棒性便于在线应用[45]。在文献[46]中, 作者对ACO、PSO和GA三种优化算法在锅炉燃烧中的优化性能进行了对比研究, 结果表明ACO算法在解的质量以及收敛速度方面优于PSO和GA算法[46]。吴锋等采用变尺度混沌蚁群算法并结合碳质量分数SVM模型对锅炉的运行参数进行优化, 实现全局寻优降低了飞灰中的碳质量分数[47]。龙文等采用一种改进蚁群算法对L S S V M预测模型进行非线性优化, 表明蚁群算法作为一种新颖的全局智能优化方法, 可以有效地处理非线性系统预测控制中的滚动优化问题[29]。

5 电站锅炉燃烧优化的发展方向和前景

电站锅炉燃烧优化是保证锅炉高效运行、减少污染物排放的有效手段。总体而言, 锅炉燃烧优化必须在“软硬”两方面协调发展, 才能取得最优效果。

硬件方面, 需要进一步提高燃烧参数在线检测仪器的性能, 为燃烧优化提供丰富可靠的信息。目前, 采用计算智能建立的锅炉燃烧特性模型都以锅炉运行数据为基础。因此, 保证样本数据的有效性和准确性对模型的建立和训练至关重要。在硬件方面还需要加强燃烧器优化设计, 推出低NOx排放和煤种适应能力更强的燃烧器以有效缓环保问题和煤质变化问题。

软件方面, 需要进一步发展并完善计算智能在锅炉燃烧建模及运行参数寻优方面的应用技术, 使其在实际生产中得到更有效应用。另外, 求解获得的Pareto最优解如何应用到实际优化控制平台也是一个关键问题。

6 结束语

优化燃烧控制 篇5

电站锅炉运行的经济性将会直接影响到锅炉燃烧的调整效果。目前, 采用的调整控制通常无法完全的针对锅炉燃烧特点进行控制。其随机组负荷变化较大, 同时运行的效率变化较大, 无法有效的确保机组运行在最佳环境中。在电站锅炉燃烧的过程中, 通过使用闭环控制系统, 可以有效的解决上述问题。由于闭环控制系统是对锅炉燃烧情况进行实时监控和调整, 从而可以让锅炉燃烧一直保持在最佳的运行环境中, 从而对电站锅炉燃烧进行优化, 有效的提高电站的运行效率和经济性。

2 闭环控制系统的应用基础和原理

在火力发电厂中, 要想有效的实现节能降耗, 减少污染的发生, 就必须要加强发电机组锅炉的优化控制, 对电站锅炉燃烧进行优化控制是达到节能环保的最直接、有效的途径之一。火力发电厂在运行的过程中, 由于电网负荷变化较大, 同时燃烧的成分含量起伏较大, 因此, 机组设备在实际运行的过程中, 需要进行不断的调整。需要在确保蒸汽的品质和产量的安全条件下, 对锅炉等设备的经济运行进行有效的维护和保障。同时, 还需要对锅炉的送煤量、给风量以及给水量等燃烧和运行参数进行优化和调控。

锅炉燃烧优化系统通常分为开环和闭环, 其中开环系统是一种有人工参与的控制系统, 通过优化运行, 将优化的结果通过用户图形界面传送给操作人员, 操作人员根据这些参数进行修改, 以便达到有效的调整和控制的效果。闭环系统是一种没有人工参与的封闭系统, 系统的优化结果是直接与控制调节设备通信, 并对控制参数进行修改, 所有的操作均是通过系统自动完成的。闭环控制系统与开环控制系统相比, 更具有高效率和稳定性。在国外发达国家, 运用闭环控制系统进行锅炉燃烧优化比较早, 均得到广泛的应用, 然而我国该类系统的应用还处于起步阶段。要想实现锅炉燃烧优化闭环控制系统, 就需要对电站锅炉设备进行优化, 需要具备自动化检测和控制的能力, 并且其调节响应能力需要达到标准要求。另外, 燃烧优化闭环控制系统的执行软件需要安装在微机上, 通过网管和控制系统相连。系统通过数据高速公路获取所需的数据, 并对这些数据进行综合分析, 从而研发出模型。利用动态模型进行实时运转, 得出各回路优化偏置值。并将偏置值送回数据高速公路中, 通过增加收益优化以便对锅炉燃烧进行优化。

3 锅炉燃烧对闭环控制系统的要求

需要提高机组的运行效率

电站锅炉燃烧闭环控制系统在调整的过程中, 需要在满足机组安全运行的前提下对锅炉燃烧进行优化整合, 并分析现有机组的运行情况, 在锅炉燃烧中运用闭环控制系统, 从而提高锅炉运行的效率, 尤其是针对300MW容量以下的机组, 其效果更明显。在基于闭环控制系统的锅炉燃烧中还可以加入适当的汽机侧的计算内容, 从而获取整个机组效率的变化情况, 反映出全面的电站运行情况。

确保调整过程中的安全性

由于基于闭环控制系统的锅炉燃烧参与到了实际运行的设备调整工作中, 其中每一个环节的操作均会影响到机组运行的安全性, 因此, 需要对闭环控制系统调整, 在调整的过程中需要注意安全性问题。为了有效的提高闭环控制系统运行的安全性, 在闭环控制过程中, 需要对所有闭环控制系统的数据进行判断, 对数据进行预先处理和过滤。另外, 在系统计算输出调整的时候, 要考虑到调整范围的限制, 实施对输出进行计算分析, 从而得到合理的参数调整范围, 确保其安全性。

具有较强的煤种适应性

在电厂的运行期间通常会发生煤种变化的问题, 人工控制无法对其进行改变。锅炉燃烧闭环控制系统对煤种变化具体较好的辨别和调节能力, 可以对不同的煤种进行不同的调整, 可以完成不同煤种情况下的最佳调整工作, 因此, 其具有较强的煤种适应性, 能够提高锅炉燃烧的效率。

具备外延接口功能

基于闭环控制系统的锅炉燃烧还应该具备较强的外延接口功能, 方便对今后系统进行必要的扩展和开发, 以便使得该系统能够更好的顺应企业发展的需求, 并不断完善系统的功能。在电站锅炉燃烧的运行过程中, 通过使用闭环控制系统, 并要求闭环控制系统需要符合上述各项要求, 才能够使得电站锅炉燃烧得到更好的优化。

4 在电站锅炉燃烧中实施闭环控制系统的经济性评估

电站投入成本的构成

电站实施燃烧优化闭环控制系统的成本投入通常是由软件投入和设备改造投入组成, 其中软件投入的成本较大, 而设备改造的成本估算需要根据各个电站的实际情况进行分析。对燃烧优化闭环控制系统来说, 其主要的控制参数包括给粉、配风、送风调节等, 针对这些控制参数需要具备良好的调节响应能力。因此, 需要针对各种电站的实际情况进行分析, 对比较差的调节设备进行改造投入。

电厂收益估算

根据相关研究分析, 假设燃烧优化闭环控制系统主要是以降低污染气体以及有毒气体的排放量和提高燃烧效率为目的。以某发电厂的300MW机组为例, 该机组在上半年的发电量约2300GW·h, 平均煤耗约350g/ (k W·h) , 排放的氮氧化物约为7800t, 按照电煤400元每吨来估算, 如果燃烧的效率提高0.5%, 就可以节省成本约150万元。根据相关排污消费征收标准管理办法来分析, 如果能够降低10%的氮氧化物的排放量, 就可以减少排放收费近50万元。在电站锅炉燃烧的过程中, 通常可以降低氮氧化物的排放量在20%以上, 根据相关估算, 其成本可以极大的降低。另外, 在实施燃烧优化闭环控制系统的时候, 不仅可以取得以上估算方式得到直接的经济收益, 还可以在降低温水排放方面以及降低辅助机功耗等方面减少成本。同时, 在潜移默化的过程中, 有利于提高员工操作水平, 可以实现节能降耗和降低污染的目标, 从而有效的促进发展的可持续发展。

性能评估方式

在对基于闭环控制系统的锅炉燃烧优化中对其性能进行评估, 可以分为统计评估方式和代表工况点评估方式两种。其中统计评估方式主要是在机组连续运转的情况下, 对在燃烧优化闭环控制系统的统投状态, 以及在停止运转的状态下, 记录性能的数据, 例如热效率和氮氧化物排放量等数据, 并对相对时间内的这些数据进行积累, 对这两种状态下的数据进行统计分析和比较。通过这种方式可以有效的对该系统的性能进行评估, 具有较好的数据复效性特点。另外, 代表工况点评估方式通常是选择几个代表工况点进行测试, 对投、停两种状态下的情况进行比较, 同时, 对影响锅炉运行性能的数据进行对比分析。这种方式产生的结果容易受到外部因素的影响, 具有一定的偶然性, 其数据复效性较差。在两种评估方式中, 由于氮氧化物数据相对比较容易测量和反馈, 使用这两种方式进行评估均具有一定的作用, 然而燃烧效率的效果评估的相对提升比例较小, 代表工况点的数据容易与其他机组的改进效果相混淆, 使用统计评估方式进行评估, 其效果更好。

5 总结

基于闭环控制系统的锅炉燃烧优化, 能够通过对锅炉运行的历史数据和实验数据进行分析研究, 从而可以有效的降低氮氧化物排放量和热效率, 同时, 还可以有效的提高机组运行的安全性。在不断变化的特定系统运行情况下, 寻找到最佳匹配的操作参数, 选择最优化的系统运行方案, 可以为实现节能降耗的目标提供前提和条件。燃烧优化闭环控制系统的使用, 可以为电力企业提高自身的综合竞争力提供良好的基础, 并为电力企业带来更多的经济效益和社会效益。目前, 我国现行的燃烧优化闭环控制系统的应用还处于起步阶段, 其中还存在一定的缺陷和不足, 影响到优化的效果, 需要对其进行改造, 从而充分发挥闭环控制系统在锅炉燃烧中的优化作用, 提高燃烧优化闭环控制系统在电站中的应用价值。

优化燃烧控制 篇6

2014年钢铁行 业总能耗 占全国能 耗的14 % ,炼铁能耗占钢铁综合能耗的60 % 以上[1], 热风炉是炼铁生产过程中的必要设备,它把来自鼓风机的冷风加热到高炉要求的温度后送入高炉。热风炉能耗 约占炼铁 能耗的40%[2]。所以,在热风炉控制中应充分考虑到降低能耗,节约能源。目前,国内外对热风炉控制的研究比较多,控制方法主要有数学模型方法和人工智能方法[3,4,5,6]等。数学模型法能实现全闭环自动控制, 但由于检测点多,因而在生产设备水平较低的热风炉中不易实现; 人工智能方法主要有神经网络和模糊控制,神经网络控制对热风炉燃烧过程有极强的自学习能力,但抗干扰能力较弱,而模糊控制不需要数学模型,且有较强的抗干扰能力, 但难以同时满足稳定拱顶温度和控制废气温度的要求。

本文以某炼铁厂热风炉为研究对象进行研究,该炼铁厂高炉配备4座内燃式热风炉,燃料为高炉煤气( BFG) ,以交叉并联的方式送风,可自动控制换炉过程,采用煤气流量和空气流量双回路闭环控制系统进行燃烧控制。本文对热风炉运行中保存的大量燃烧过程数据进行分析,将操作模式匹配优化技术[7]应用于热风炉燃烧控制,在已有基础自动化控制系统上进行优化,充分利用企业已有的设备投资,同时可以实现后台运行,不干扰正常的热风炉生产过程。仿真实验取得了节约煤气量的较好效果,对热风炉的燃烧控制是一个新的尝试。

1基于相似性度量的操作模式多级匹配理论分析

在一定输入条件下,状态参数、与之对应的操作参数以及在这种状态下进行操作获得的评价标准所组成的向量称为一组操作模式[8]。本研究中状态参数为拱顶温度、废气温度及两者变化率,操作参数为煤气流量和空气流量设定值, 评价标准为热效率。操作模式匹配优化框架如图1所示。

操作模式匹配准备过程即: 采集现场数据形成操作模式空间,依据评价标准进行优良操作样本集筛选; 操作模式匹配过程即: 采用基于相似性的聚类算法进行优良样本集的聚类分级,获得各子类中心,计算当前工况与各子类中心的相似度,相似度最大的即为当前工况所匹配到的子类,实现匹配。

2模式匹配准备过程

采集该炼铁厂热风 炉24 d的运行数 据共14 536组,包括拱顶温度、废气温度、煤气流量、 空气流量等,对数据进行整理和分析后,组成操作模式空间。热风炉燃烧过程中,炉况的较大波动会导致数据异常,必须对采集的数据进行预处理,本文根据实际要求,采用拉依达准则法对异常值进行反复多次剔除,并应用线性插值法将数据补充完整,之后用最大最小值法进行归一化处理,将数据量纲统一,方便之后数据的使用。

如前所述,优良操作样本集筛选将热风炉热效率作为评价标准。本文研究的高炉送风风量Vh约为4 500 m3/ min,热风温度Th约为1 150 ℃, 冷风温度Tc约为160 ℃ ,热风炉的一个工作周期约为230 min,燃烧时间 约为110 min,热效率[3]

式中: Ch、Cc分别为热风、冷风比热容; VBFG为周期内煤气消耗量; 为煤气平均热值。对于同一热风炉,高炉稳定运行情况下,高炉煤气热值基本不变。

在正常运行情况下,高炉所需送风温度差异不大,由式( 1) 可知,相同送风条件及效果下,热效率越高,煤气消耗量越少。每炉次的煤气消耗量和热效率的统计特征值如表1所示,由表1可知,均方差较大,说明大部分炉次煤气消耗量、热效率与二者平均值之间有较大差异,因而有节能优化的空间。

根据式( 1) 计算每炉次热效率,再根据专家经验将热效率大于1. 05倍均值、煤气消耗量小于均值的炉次筛选为优良操作样本集。

本文研究的热风炉采用快速燃烧制度,由于强化燃烧期和蓄热期的控制策略不同,因此为了达到更好的匹配效果,将筛选出的优良操作样本集4 027组数据,按照燃烧制度分为强化燃烧期数据740组和蓄热期数据3 287组。

3模式匹配过程

优良操作模式库非常庞大且分布不均,因此作者首先 采用基于 相似度划 分的聚类 算法 ( FCM)[9,10]对优良操作样本集进行聚类。为了得到最佳聚类效果,先用减法聚类确定初始聚类个数,得到强化燃烧期7类,蓄热期8类,并基于FCM聚类得到各子类中心。然后,采用欧式距离相似性度量方法进行模式匹配,从而更加准确快速地匹配到相似度最高的操作模式,FCM的基本思想就是使得被划分到同一簇的对象之间的相似度最大,而不同簇之间的相似度最小。

采用相似度可以精确直观地表示两个操作模式之间的相似程度,作者首先利用使用最为广泛的欧氏距离度量法计算两个模式之间的距离, 然后将其转换成相似度值。两个n维操作模式Xi( xi1,xi2,…,xin) 与Xj( xj1,xj2,…,xjn) 之间的欧氏距离dij计算公式为:

利用标准正态分布函数将距离dij转换成相似度Sij,相似度为0表示完全相同,相似度为1则表示完全不同,公式如下:

式中: z为距离积分变量。

4仿真实验

以所采集的某炼铁厂热风炉某一炉次数据为例,将该炉次的燃烧期数据利用上述方法进行多级匹配,仿真结果如图2、3所示。

由图2可以看出,采用操作模式多级匹配方法与操作工经验操作得到的温度变化曲线吻合较好; 由图3可以看出,采用操作模式多级匹配设定值相比操作工经验操作设定值煤气流量、空气流量均有明显减小。结果表明,采用本文提出的操作模式多级匹配方法可以给现场人员提供决策指导,保持热风炉送风温度不变,有效减少煤气量消耗,提高热效率,达到节能降耗的效果。

5结语

本文根据热风炉燃烧控制过程积累的大量数据,提取优良操作样本集,并采用FCM聚类方法与欧式距离相似性度量计算方法相结合实现操作模式多级匹配,缩短了模式匹配时间,进而快速获得最优操作参数,实现了优化过程的准确性及快速性。仿真实验表明该方法具有较好效果,并且对稳定生产过程的整体优化运行具有积极作用,具有广阔的应用前景。

摘要：在分析工业运行中大量数据的基础上,提出将热风炉热效率作为评价指标,建立优良操作样本集,以操作模式多级匹配的方法优化热风炉燃烧过程中的煤气量设定值,实现燃烧过程的优化控制。该方法充分利用工业运行数据,避免仅凭借操作工经验控制造成的煤气浪费,仿真实验证明该方法有效。

优化燃烧控制 篇7

在提高加热炉热效率方面,国内进行了多项研究和探索。例如,采用高效、低过剩空气系数、低NOX、低噪声的燃烧器,降低过剩空气系数,减少NOX排放;通过对燃料进行脱硫处理,降低排烟温度;采用空气预热器,将烟气中的余热加以充分利用,减少排烟损失;采用轻质浇注料和致密陶纤辐射室衬里以及衬里表面喷涂节能涂料,降低炉体表面散热损失;通过更换看门孔、防爆门,对流箱采用全封密结构,减少炉体漏风量。这些措施使加热炉的热效率得到很大提升。

目前,炼油企业加热炉的燃烧过程控制普遍采用O2含量控制技术,通过控制烟气中的氧含量,控制过剩空气系数,近似实现燃料的充分燃烧。但O2含量控制存在以下不足:1)测量不能充分反映加热炉每个燃烧器的燃烧情况。2)反应速度相对缓慢,控制策略调整也相对缓慢。3)O2含量设定值通常会由于防止操作过程中一些意外情况(例如燃料和燃烧速率的改变、燃料供应的波动)而提高,加热炉也会处于当前高O2含量的水平。4)空气泄漏和燃烧器配风不合适可能会显示一个错误的信号(误认为是一个安全的读数)。

目前,国内加热炉的氧含量多数控制在2%～4%之间,空气处于过剩状态。加热炉氧含量高说明过剩空气带走的热量损失多,因而会降低加热炉的热效率。同时,过剩空气多还有其它的害处,如过剩空气中的氮气在高温状态下生成氮氧化物,增加了污染物的排放,过剩空气中的氧气加剧了炉管和炉内构件的氧化,提高了SO2向SO3的转化率,从而加剧了低温露点腐蚀,还会加剧炉管结垢,附着在炉管上的污垢难以去除[2]。

以目前国内的材质和设备水平,要进一步提高加热炉热效率,减少排放,必须寻找提高加热炉运行效率的技术和手段。理论配比燃烧是实现燃料和空气的理论配比,使加热炉达到最佳燃烧状态的一种理念[1]。加热炉在理论配比燃烧状态下,可以优化加热炉的燃烧,从源头上节省燃料,在降低过剩空气量和提高热效率方面效果明显,同时可以减少二氧化碳和氮氧化物的排放。

基于CO控制的燃烧优化技术就是基于理论配比燃烧理念的一种技术。美国BAMBECK公司的CO燃烧控制技术,已在国外Conoco philips、Murphy等多家石化公司的700多台加热炉上成功应用,但在国内还是空白。

中石化沧州分公司引进了BAMBECK公司的CO燃烧控制技术,2013年3月26日在延迟焦化加热炉顺利投运,运行良好。

1技术原理

在燃烧过程中,加热炉烟气中的O2与CO含量有一定关系,CO/O2/NOX关系如图1所示:

从图1中可以看到:当加热炉O2含量在1%以上时,随着O2含量的增加,并没有多少CO生成。此时,由过剩空气带走的热量损失会大量增加。当O2含量在0.5%以下时,随着O2含量的减少,CO含量会快速增加。此时,由CO引起的不完全损失会迅速增加。如果O2含量在0.5%～1%之间,CO含量在50 mL/m3～150 mL/m3范围之内(见图1所示),此时,能很好地平衡过剩空气引起的排烟损失和CO引起的不完全燃烧损失,使得加热炉的燃烧接近理论配比燃烧。

同时,由于O2的轻微缺乏,会使得NOx排放量快速下降。因此,采用CO控制还可以大大降低NOx的排放量。

从图1 CO/O2/NOX关系图中看到:通过对烟气中的CO或O2的控制,可以使加热炉接近理论配比燃烧。目前,加热炉普遍采用基于O2的燃烧控制技术。此技术通常利用氧化锆在辐射室顶部定点测量烟气中的氧含量,控制加热炉的燃烧。但是,采用此技术,很难接近加热炉的理论配比燃烧,因为存在以下不足:

1)不能完全反映加热炉的燃烧。

在实际生产中,不可避免地会发生燃料热值波动、燃烧器的堵塞、不洁净或毁坏,火焰不稳,扑向炉管或墙壁等燃烧情况。在这些情况下,都会产生CO,从而造成加热炉的不完全燃烧。有时,还会造成CO含量和O2含量同时升高。如果仅使用O2含量反映加热炉的燃烧,将会误导操作人员进行操作[3]。

2)不能准确反映加热炉的燃烧。

氧气测量通常利用氧化锆在辐射室顶部进行定点测量。由于只测量烟气中的几个点,所以,烟气偏流会影响测量的准确性。同时,辐射室距离燃烧器较近,当烟气到达测量点时并未进行充分混合,所以,也会影响测量的准确性。

3)加热炉的漏风对氧气测量的影响很大。

4)由于测量氧气的氧化锆是基于电化学原理进行的,所以,这个测量过程比较缓慢,对燃烧波动的察觉也相对滞后。

基于上述原因,使用O2含量控制加热炉燃烧时,都会留有一定的安全余量,这就使得氧含量会偏高。

而基于CO控制的燃烧优化技术可以很好地解决上述问题,这主要是因为:

1)基于CO控制技术,直接测量的是CO。而加热炉的燃烧波动,可以通过CO含量的变化被迅速地察觉[4]。

2)烟气CO的测量点在对流段以上,并且是横跨整个烟道的激光束。所以,烟气偏流和混合不均对CO的测量影响很小。

3)由于空气中没有CO,所以加热炉漏风对CO的测量的影响很小。

4)对CO的测量,采用的是量子串级激光技术,反应迅速。

在应用过程中发现,当改变鼓风机变频时,CO的测量比O2的测量快10秒到20秒。

2实际应用

2.1实施情况

基于CO控制的燃烧优化技术应用于沧州分公司炼油三部延迟焦化装置加热炉F102。延迟焦化加热炉是2010年新建加热炉,为立式双面辐射炉,设计热负荷为22.07 MW,采用低NOx燃烧器,以燃料气为燃料,强制通风,并设有余热回收系统,燃烧控制采用传统的O2含量控制,加热炉设计热效率已达到92%以上。如图2所示:

分析仪安装在引烟机入口处,如图3所示:

新的控制策略为引入直接反映燃烧效果的参数—CO含量作为直接控制变量,直接控制鼓风机的变频器开度,现有的加热炉烟气氧含量作为监测值。

基于CO含量监测的控制方案,在现有的控制系统中进行无缝集成,并依据现有的硬件情况进行控制系统的设计,将新的控制策略引入现有的DCS系统中。

依据现有的安全仪表系统(SIS系统),在不改变原有逻辑关系的前提下,将新增变量引入。并根据生产实际情况确定CO含量的设定范围,保证变量设定范围安全可靠。

2.2应用效果

基于CO控制的燃烧优化技术在延迟焦化加热炉上应用后,氧气含量由实施前的2.2%下降到0.5%～1.5%;CO含量控制在0～100 mL/m3范围内;热效率提高0.7%。见图4～图9。

目前,氧气含量在0.5%左右,CO含量在0～100 mL/m3内,风机变频开度在1%以内微调。如图8所示:

3结语

经过一段时间的运行,使用CO含量自动控制鼓风机转速,维持CO含量在0～50 mL/m3,氧含量能够稳定控制在0.5%左右,加热炉炉膛明亮,未发生二次燃烧,加热炉热效率一直维持在92.9%以上,对延迟焦化装置的能耗降低,减少CO2的排放和SO2、NOx排放方面的效果明显。同时,引入CO控制变量,能够更加真实地反映加热炉的燃烧状况。通过对CO的跟踪和控制,可以实现加热炉的精细化操作,延长加热炉的使用寿命。

此技术已在美国、加拿大等国家的炼油厂700余台加热炉安全运行,节能效果显著。在中国约有数百台加热炉,如果在其中的大型加热炉上使用此技术,可为我国节能降耗、绿色低碳起到巨大的推动作用。

参考文献

[1]Robert J.Bambeck,Jason Mooney.Using aQuantum Cascade Laser Analyzer to Imple-ment Energy Savings in Combustion Control.

[2]钱家麟,等编.管式加热炉[M].北京:中国石化出版社,2005.

[3]Oil&Gas J.,1981,79(47):北京:134-138.