李　健　張彬文

(華北電力大學(xué)控制與計算機工程學(xué)院，北京　102206)

煙氣含氧量軟測量方法研究

李健張彬文

(華北電力大學(xué)控制與計算機工程學(xué)院，北京102206)

摘要：針對火電廠煙氣含氧量測量過程中存在的一些問題，分析了氧化鋯氧分析器運行中的主要影響因素。軟測量技術(shù)為煙氣含氧量提供了新的測量手段。給出了常見的煙氣含氧量軟測量建模方法，并且重點分析了軟測量建模過程中輔助變量的選取與處理、樣本的選擇與處理、主導(dǎo)變量的校準(zhǔn)以及模型的更新校正等關(guān)鍵技術(shù)。分析表明，盡管軟測量模型具有較高的精度和動態(tài)響應(yīng)速度，但是現(xiàn)有的研究并不能完全解決直接測量結(jié)果誤差大、滯后等問題。由于軟測量模型以硬件測量作為參考，因此應(yīng)首先考慮從硬件方面提升測量的精準(zhǔn)度和響應(yīng)速度。

關(guān)鍵詞：火電廠煙氣含氧量氧化鋯軟測量傳感器輔助變量樣本選擇模型校正

0引言

電站鍋爐一般采用鍋爐尾部煙氣含氧量來計算過量空氣系數(shù)，從而判斷燃燒狀態(tài)、控制進入爐膛的空氣量，以實現(xiàn)燃燒過程中風(fēng)煤比的有效調(diào)整，保持鍋爐在最佳狀態(tài)運行燃燒。如果氧量測量不準(zhǔn)確，將帶來機組風(fēng)機電耗增加、排煙溫度升高、鍋爐效率下降等一系列問題。文獻[1]建立了煙氣含氧量對灰渣平均含碳量、煙氣中一氧化碳含量、排煙溫度以及送引風(fēng)機電耗等熱經(jīng)濟性指標(biāo)的微增量方程；文獻[2]研究了不同工況條件下運行氧量對鍋爐熱效率、風(fēng)機電耗以及NOx排放量的影響；文獻[3]指出，煙氣含量不足不但會增加飛灰含碳量，還會使?fàn)t膛產(chǎn)生還原性氣氛，導(dǎo)致結(jié)焦等。

考慮到整個鍋爐燃燒的經(jīng)濟性和安全性，對于煙氣含氧量的在線監(jiān)測和控制，要求其檢測傳感器具有準(zhǔn)確、穩(wěn)定、響應(yīng)快并且耐用等性能。本文就這些性能，對硬件測量和軟測量方法作了簡要分析。

1氧化鋯傳感器

目前，電廠使用的直接測量煙氣含氧量的傳感器主要為氧化鋯傳感器，采用能斯特方程測量通過氧化鋯的氧離子濃度，如式(1)所示。

(1)

式中：R為理想氣體常數(shù)；F為法拉第常數(shù)；n為電化學(xué)反應(yīng)常數(shù)；T為絕對溫度；PR為參考氧量濃度；PM為被測氧量濃度。

氧化鋯氧分析器一般由陶瓷過濾器、氧化鋯元件、加熱器、測溫?zé)犭娕嫉冉M成，系統(tǒng)結(jié)構(gòu)簡單、靈敏度高，可以在高溫環(huán)境下使用。由式(1)可知，傳感器溫度的變化將引起輸出電勢的偏差，因此在使用過程中必須先通過熱電偶標(biāo)定溫度。同時，由于在非理想狀態(tài)下會引入附加電動勢，因此在使用過程中須由校正模塊對式(1)進行修正。

由于測量環(huán)境中含有CO等未燃盡氣體，NOx、SOx等腐蝕性氣體以及水滴、灰塵、顆粒等物質(zhì)，會影響甚至損壞傳感器；而煙氣流量、取樣方式也會影響測量的精度和使用壽命，因此氧量測量傳感器面臨著需要經(jīng)常檢定或者更換的問題。

目前我國關(guān)于氧化鋯氧分析器的檢定采用JJG535-2004規(guī)程，檢定的項目主要包括示值誤差、重復(fù)性、響應(yīng)時間和漂移等。表1列出了幾種氧化鋯氧分析器的主要性能參數(shù)對比，最后一行為檢定規(guī)程中的計量性能要求。

表1　氧化鋯氧分析器能參數(shù)對比

2軟測量建模方法

如表1所示，盡管氧化鋯氧分析器能夠滿足檢定規(guī)程中的計量性能要求，但是依然存在易燒壞、成本高以及實時性差等缺點。目前很多研究試圖通過軟測量方法實現(xiàn)煙氣含氧量的測量。基于機理分析建立的數(shù)學(xué)模型背景清晰、結(jié)構(gòu)簡單，在工程上更容易被接受。如文獻[4]利用煤的燃燒原理，建立了煙氣含氧量的計算公式。

(2)

式中：QV、BV分別為進入爐膛的總風(fēng)量和總煤量；QT、QFT分別為單位入爐煤完全燃燒所需的理論空氣量和產(chǎn)生的理論煙氣量。

文獻[5]通過建立鍋爐燃燒過程的動態(tài)模型，由進入鍋爐的煤量和風(fēng)量確定煙氣含氧量。

(3)

式中：Qs為鍋爐靜態(tài)有效吸熱量；KR為單位熱量所消耗的標(biāo)準(zhǔn)狀態(tài)下的過量空氣系數(shù)；V0為標(biāo)準(zhǔn)狀態(tài)下的空氣量。

更多的軟測量建模方法，從機理分析的角度出發(fā)，選擇輔助變量，采用神經(jīng)網(wǎng)絡(luò)方法[6]、自適應(yīng)神經(jīng)模糊推理方法[7]、案例推理方法[8]、支持向量機[9]、核偏最小二乘[10]等，建立了軟測量模型。

3軟測量建模關(guān)鍵技術(shù)分析

3.1變量選取與處理

由于對煙氣含氧量的機理分析已經(jīng)比較成熟，因此在選取輔助變量方面，各種軟測量方法幾乎沒有太大區(qū)別。文獻[4]、文獻[5]考慮了煤質(zhì)、漏風(fēng)對于氧量測量的影響；文獻[6]、文獻[7]都是選擇主蒸汽流量、給水流量、燃料量、排煙溫度、送風(fēng)量、送風(fēng)機電流、引風(fēng)量、引風(fēng)機電流；文獻[8]由各給煤機轉(zhuǎn)速確定給煤量，并引入燃煤質(zhì)量指標(biāo)；文獻[9]認為爐膛負壓作為送風(fēng)量和引風(fēng)量的函數(shù)，本身靈敏度高并能實時反映爐膛與煙道的漏風(fēng)情況，因此，采用蒸汽壓力和流量反映鍋爐負荷的變化情況，并選擇給煤量、爐膛溫度、熱風(fēng)溫度和排煙溫度作為模型的輸入；文獻[10]選擇主蒸汽溫度、主蒸汽壓力、總風(fēng)量、引風(fēng)機出口煙溫、引風(fēng)機電流、引風(fēng)機入口導(dǎo)頁位置、送風(fēng)機電流、送風(fēng)機動葉位置、爐膛負壓、給水流量和燃料量作為輸入變量。

對于選擇的輔助變量，要求易于測量且準(zhǔn)確度高，但這一要求在實際的測量過程中并不能保證。如目前對于大管徑風(fēng)量仍缺乏準(zhǔn)確、有效的測量手段，通常利用相關(guān)變量，先建立輔助變量的軟測量模型或用其他更加準(zhǔn)確的變量代替。如文獻[10]就采用了送風(fēng)機電流、送風(fēng)機動葉位置、引風(fēng)機電流、引風(fēng)機入口導(dǎo)頁位置等變量。

在現(xiàn)有的文獻研究中，軟測量建模過程中主導(dǎo)變量都采用了已安裝的氧化鋯氧分析器的數(shù)據(jù)。因此，為保證軟測量的精度，在采集數(shù)據(jù)或者選擇樣本之前，應(yīng)當(dāng)先對該儀器進行校準(zhǔn)。

3.2樣本選取與處理

由前文的分析可知，可將煙氣含氧量軟測量看作一個多傳感器信息融合的過程，因此需要考慮各傳感器數(shù)據(jù)在時間上的滯后問題，并且考慮實時性要求。按照響應(yīng)時間5 s來分析，根據(jù)香農(nóng)采樣定理，則采樣間隔應(yīng)當(dāng)在2.5 s以內(nèi)。

在軟測量模型建立過程中，文獻[5]并未給出具體的采樣信息，但是給出了模型計算值比測量值超前半分鐘的動態(tài)特性圖；文獻[6]在80%滿負荷下連續(xù)采樣實測100組數(shù)據(jù)，但并未提到采樣間隔；文獻[7]選出不同負荷下的600對樣本，采樣間隔5 s；文獻[10]選用機組DCS中采樣間隔時間為60 s的歷史數(shù)據(jù)。

在得到訓(xùn)練或?qū)W習(xí)樣本后，須先經(jīng)過一定的篩選，才能開始建模。一些文獻還對樣本進行了降維處理。

3.3模型在線校正

為滿足實時控制的需要，軟測量模型需進行在線修正。一般每過一段時間即采樣新的樣本數(shù)據(jù)，對模型進行離線修正，或者利用實時數(shù)據(jù)進行在線修正。

綜上所述，建立氧量軟測量模型的步驟如下。

①根據(jù)使用要求，確定模型的性能參數(shù)。

②確定所使用的軟測量模型。

③選取模型的輔助輸入變量，分析輔助變量測量的準(zhǔn)確度。

④根據(jù)選取的輔助變量和氧量，從現(xiàn)場選擇樣本數(shù)據(jù)，并按模型要求對數(shù)據(jù)進行預(yù)處理。

⑤將預(yù)處理后的數(shù)據(jù)代入模型，確定模型的參數(shù)。

⑥利用新的樣本數(shù)據(jù)對模型進行驗證，如不滿足性能參數(shù)，則調(diào)整輔助變量或軟測量模型；如滿足性能要求，則將新的樣本數(shù)據(jù)帶入模型進行參數(shù)修正。

4結(jié)束語

煙氣含氧量的軟測量建模技術(shù)為火電機組的氧量測量提供了新的方法，對于實時監(jiān)測以及燃燒系統(tǒng)優(yōu)化調(diào)整具有重要的意義，尤其是可以在硬件測量出現(xiàn)故障時，為工程實施提供重要的參考。盡管獲得了很好的動態(tài)響應(yīng)特性，但是在精度方面，由于目前軟測量預(yù)測結(jié)果仍然是以現(xiàn)場用氧量分析儀測量得到的數(shù)據(jù)作為參考，因此并不能得出軟測量可以取代硬件測量結(jié)果的結(jié)論。目前，氧化鋯氧分析器仍是國際公認的鍋爐節(jié)能和環(huán)保的主要裝置，因此筆者認為研究者應(yīng)

該更多地從材料和硬件制作工藝方面考慮，改善測量的精準(zhǔn)度和響應(yīng)速度。

參考文獻

[1] 谷俊杰，孔德奇，高大明,等．電站鍋爐燃燒優(yōu)化中最佳煙氣含氧量設(shè)定值的計算[J]．華北電力大學(xué)學(xué)報，2007，34(6)：61-65.

[2] 周新剛，張文奎，郝衛(wèi)東,等．超臨界600MW機組鍋爐運行氧量優(yōu)化試驗研究[J]．熱力發(fā)電，2012，41(10)：28-31.

[3] 龍文，梁昔明，龍祖強．基于混合PSO優(yōu)化的LSSVM鍋爐煙氣含氧量預(yù)測控制[J]．中南大學(xué)學(xué)報(自然科學(xué)版)，2012，43(3)：980-986.

[4] 趙征，曾德良，田亮,等．基于數(shù)據(jù)融合的氧量軟測量研究[J]．中國電機工程學(xué)報，2005，25(7)：7-15.

[5] 陳彥橋，郭一，劉建民,等．一種改進煙氣含氧量軟測量建模方法與仿真[J]．動力工程學(xué)報，2011，31(1)：12-17.

[6] 韓璞，王東風(fēng)，翟永杰．基于神經(jīng)網(wǎng)絡(luò)的火電廠煙氣含氧量軟測量[J]．信息控制，2001，30(2)：189-192.

[7] 劉千，韓璞，王東風(fēng)．基于ANFIS模型的煙氣含氧量建模和預(yù)測[J]．計算機仿真，2014，31(10)：437-441.

[8] 湛騰西，郭觀七．電廠煙氣含氧量的智能混合預(yù)測方法[J]．儀器儀表學(xué)報，2010，31(8)：1826-1833.

[9] 徐巧玲，林偉豪，趙超,等．基于KPCA-LS-SVM的工業(yè)鍋爐煙氣含氧量預(yù)測[J]．計算機與應(yīng)用化學(xué)，2012，29(7)：834-838.

[10]張曦，陳世和，陳銳民,等．基于核偏最小二乘的電廠熱力參數(shù)預(yù)測與估計[J]．中國電機工程學(xué)報，2011,05(31):127.

ResearchontheSoftSensingMethodsofOxygenContentinFlueGas

Abstract：For solving some problems in detection process of the oxygen content in flue gas, the main factors influencing measurement of Zirconia analyzer are analyzed. Soft measurement technology provides a new measuring method for Oxygen content in flue gas. The common seen modeling methods for soft sensing of oxygen content in flue gas are given, and the key technologies including selection and processing of secondary variables, selection and processing of samples, calibration of dominant variable, and model updating and correction, etc., are analyzed emphatically. The analysis shows that although the soft sensing model offers higher accuracy and higher dynamic response speed, some of the problems in direct measurement still cannot be resolved, such as big error, time lagging and so on. Because of hardware measurement is used as a reference of soft measurement model, the aspects of hardware should be firstly considered in improving measurement precision and speed accordingly.

Keywords:Fossil-fired power plantOxygen content in flue gasZirconia oxygenSoft-sensingSensorSecondary variableSample selectionModel correction

中圖分類號：TH83;TP216+.3

文獻標(biāo)志碼：A

DOI:10.16086/j.cnki.issn 1000-0380.201606021

中央高?；究蒲袠I(yè)務(wù)費專項基金資助項目(編號：2015MS26)。

修改稿收到日期：2015-12-10。

第一作者李健(1988-)，男，2011年畢業(yè)于華北電力大學(xué)檢測技術(shù)與自動化裝置專業(yè)，獲碩士學(xué)位，工程師；主要從事檢測技術(shù)與數(shù)據(jù)分析方向的研究。