劉丹,周熙宏,楊冬,劉朝暉,裘立春,滕敏華

(1.西安交通大學(xué)動(dòng)力工程多相流國(guó)家重點(diǎn)實(shí)驗(yàn)室,710049,西安;2.浙江浙能技術(shù)研究院有限公司,311121,杭州)

當(dāng)前,我國(guó)電力行業(yè)仍然以煤為主要消費(fèi)能源,加之電站鍋爐燃用煤種的含硫量、含灰量均較高,使得受熱面極易造成積灰和結(jié)渣。在經(jīng)過(guò)了幾十余年的升級(jí)和創(chuàng)新之后,新型電站鍋爐以其較高的燃煤利用率和優(yōu)良的環(huán)保性能已逐步在國(guó)際上推廣投運(yùn),并且成為我國(guó)大力建設(shè)的主要機(jī)組,但是爐膛結(jié)渣這一問(wèn)題仍然嚴(yán)重影響著鍋爐的安全運(yùn)行。

由于灰的熱阻較鍋爐受熱面鋼材的大,使得水冷壁傳熱惡化,進(jìn)而導(dǎo)致?tīng)t膛出口煙溫升高,這又使得過(guò)熱蒸汽溫度偏高,不僅危害過(guò)熱器,還會(huì)導(dǎo)致汽輪機(jī)發(fā)生事故。同時(shí),傳熱阻力增大需通過(guò)增加給煤量來(lái)維持鍋爐滿負(fù)荷運(yùn)行,使得爐膛出口煙溫進(jìn)一步升高,這一惡性循環(huán)使得電站鍋爐常發(fā)生一系列事故。大塊的渣掉落也會(huì)砸壞水冷壁和灰斗,使灰斗發(fā)生堵塞甚至爐膛熄火。此外,積灰和結(jié)渣帶來(lái)的高溫腐蝕、磨損也給鍋爐安全運(yùn)行造成了一定的危害。因此,對(duì)鍋爐爐膛結(jié)渣程度及發(fā)展趨勢(shì)進(jìn)行有效監(jiān)測(cè)就顯得尤為重要。

國(guó)內(nèi)外學(xué)者對(duì)電站鍋爐爐膛結(jié)渣監(jiān)測(cè)進(jìn)行了大量的研究,爐膛結(jié)渣情況監(jiān)測(cè)方法包括測(cè)量法和預(yù)測(cè)法[1-6]。其中,測(cè)量法有利用紅外照相設(shè)備直接觀察爐內(nèi)結(jié)渣程度、利用熱流計(jì)或者熱電偶通過(guò)測(cè)量結(jié)渣帶來(lái)的熱流變化或爐膛出口煙溫變化從而監(jiān)測(cè)結(jié)渣程度等。Valero等利用紅外成像相機(jī)直接測(cè)量水冷壁輻射發(fā)射率,從而判斷水冷壁結(jié)渣情況[7],不過(guò)由于紅外成像相機(jī)安裝困難,且難以長(zhǎng)時(shí)間在爐膛高溫環(huán)境下工作,該方法僅停留在實(shí)驗(yàn)室階段。高繼錄等開(kāi)發(fā)出一種微型超高溫?zé)崃饔?jì),用于測(cè)量水冷壁熱流密度從而實(shí)現(xiàn)爐膛結(jié)渣情況的實(shí)時(shí)監(jiān)測(cè)[8],但該超高溫?zé)崃饔?jì)造價(jià)昂貴、維護(hù)困難,一定程度上限制了該技術(shù)的推廣及應(yīng)用。徐立剛等建立了爐膛輻射傳熱模型,并基于煙溫軟測(cè)量方法計(jì)算爐膛污染率[9],但該模型僅適用于負(fù)荷較為穩(wěn)定的工況,負(fù)荷變化較快工況下監(jiān)測(cè)結(jié)果波動(dòng)較大。預(yù)測(cè)法包括基于燃煤特性的單一指標(biāo)和多指標(biāo)綜合評(píng)判方法、人工神經(jīng)網(wǎng)絡(luò)方法、模糊數(shù)學(xué)方法以及模式識(shí)別方法等。楊冬等利用反平衡法求得爐膛出口煙溫,并根據(jù)爐膛平均熱有效性系數(shù)得到清潔因子,根據(jù)清潔因子大小判斷爐膛結(jié)渣情況[10]。任林等先基于模糊C均值聚類(lèi)法對(duì)數(shù)據(jù)進(jìn)行預(yù)處理,然后利用粒子群優(yōu)化的支持向量機(jī)建立了電站燃煤結(jié)渣預(yù)測(cè)模型[11]。鄧喆利用經(jīng)典3層BP神經(jīng)網(wǎng)絡(luò),對(duì)爐膛整體結(jié)渣情況進(jìn)行了預(yù)測(cè)[12]。預(yù)測(cè)法雖然較測(cè)量法存在一定的誤差,但實(shí)現(xiàn)起來(lái)更為容易,因此在各大電廠得到了推廣使用,而現(xiàn)有文獻(xiàn)在爐膛局部結(jié)渣情況方面的報(bào)道較少。

本文分別以一臺(tái)300 MW級(jí)亞臨界、一臺(tái)600 MW級(jí)亞臨界以及兩臺(tái)1 000 MW級(jí)超超臨界鍋爐機(jī)組為研究對(duì)象,根據(jù)鍋爐機(jī)組參數(shù)、燃煤數(shù)據(jù),利用單一指標(biāo)與多指標(biāo)燃煤特性判別方法、模糊神經(jīng)網(wǎng)絡(luò)方法對(duì)該電站鍋爐爐膛結(jié)渣情況進(jìn)行了預(yù)測(cè)。針對(duì)300 MW級(jí)亞臨界鍋爐機(jī)組建立了膜式水冷壁實(shí)際熱流密度的計(jì)算模型,并根據(jù)現(xiàn)場(chǎng)實(shí)測(cè)結(jié)果,利用基于污染系數(shù)的神經(jīng)網(wǎng)絡(luò)對(duì)該電站鍋爐爐膛局部結(jié)渣情況進(jìn)行了實(shí)時(shí)預(yù)測(cè)。最后,對(duì)單一指標(biāo)與多指標(biāo)的燃煤特性判別方法、模糊神經(jīng)網(wǎng)絡(luò)方法以及基于污染系數(shù)的神經(jīng)網(wǎng)絡(luò)方法進(jìn)行了比較與分析。

1 基于燃煤特性的爐膛結(jié)渣模型與預(yù)測(cè)

鍋爐爐膛結(jié)渣情況與燃煤特性有著密切的關(guān)系,目前國(guó)內(nèi)常用的基于燃煤特性的爐膛結(jié)渣模型主要包括單一指標(biāo)、多指標(biāo)綜合預(yù)測(cè)模型。

1.1 單一指標(biāo)預(yù)測(cè)模型

單一指標(biāo)預(yù)測(cè)模型根據(jù)灰分特性對(duì)爐膛結(jié)渣傾向進(jìn)行預(yù)測(cè),如軟化溫度t2、硅鋁比RSiAl、堿酸比RBA、硅比RG、硫分結(jié)渣指數(shù)RS等,其中RBA、RG以及RS的計(jì)算式如下

(1)

RG=100w(SiO2)/[w(SiO2)+w(CaO)+w(MgO)+w(Fe2O3)+1.11w(FeO)+1.43w(Fe)]

(2)

(3)

式中:w為質(zhì)量分?jǐn)?shù);St,ar為煤的收到基硫分;Mar為煤的收到基水分。表1給出了單一指標(biāo)預(yù)測(cè)模型評(píng)判爐膛結(jié)渣情況的標(biāo)準(zhǔn),其中L、M、S分別代表輕微、中等、嚴(yán)重3種結(jié)渣程度。

表1 單一指標(biāo)預(yù)測(cè)模型評(píng)判標(biāo)準(zhǔn)

1.2 多指標(biāo)綜合預(yù)測(cè)模型

(1)綜合指數(shù)R預(yù)測(cè)模型。該模型根據(jù)我國(guó)動(dòng)力用煤煤灰特性資料,通過(guò)對(duì)各指標(biāo)(t2、RBA、RG、RSiAl)評(píng)價(jià)再加權(quán)得到:R<1.5為輕微結(jié)渣,R=1.5～2.5為中等結(jié)渣,R>2.5為嚴(yán)重結(jié)渣。R的計(jì)算式如下

R=5.414 5-0.002 3(t2/℃)+1.237 2RBA-0.018 9RG+0.282RSiAl

(4)

(2)RTSQ預(yù)測(cè)模型。該模型利用模糊數(shù)學(xué)方法根據(jù)熔點(diǎn)結(jié)渣指標(biāo)RT、變形溫度t1、軟化溫度t2、硫分結(jié)渣指數(shù)RS、硅比RG以及黏度結(jié)渣指數(shù)Rv與鍋爐容積熱負(fù)荷qv和斷面熱負(fù)荷qF之間的關(guān)系對(duì)爐膛結(jié)渣情況進(jìn)行綜合評(píng)價(jià)。根據(jù)所建立的各指標(biāo)與qv、qF間的擬合公式得出各結(jié)渣指標(biāo)所對(duì)應(yīng)的高限熱負(fù)荷qvi(G)、qFi(G)及低限熱負(fù)荷qvi(D)、qFi(D),將多個(gè)高限熱負(fù)荷和低限熱負(fù)荷分別取其中間值得到各自高限熱負(fù)荷qv(G)、qF(G)和低限熱負(fù)荷qv(D)、qF(D)的估計(jì)值。表2給出了根據(jù)爐膛容積熱負(fù)荷和斷面熱負(fù)荷進(jìn)行預(yù)測(cè)的標(biāo)準(zhǔn)。

表2 RTSQ綜合預(yù)測(cè)模型評(píng)判標(biāo)準(zhǔn)

1.3 實(shí)例計(jì)算及分析

某300 MW燃煤發(fā)電機(jī)組鍋爐為亞臨界參數(shù)變壓運(yùn)行、自然循環(huán)、四角切圓燃燒、一次再熱、單爐膛平衡通風(fēng)、固態(tài)排渣、全鋼構(gòu)架的Π型汽包爐,過(guò)熱、再熱蒸汽溫度分別采用3級(jí)噴水和擺動(dòng)燃燒器調(diào)溫方式,生產(chǎn)廠家是東方鍋爐(集團(tuán))股份有限公司。爐膛寬×深×高為13.35 m×12.829 m×54.3 m。鍋爐燃用煤種為神府東勝煤,該煤種的煤質(zhì)及灰分成分分析如表3所示。

表4為根據(jù)單一指標(biāo)和多指標(biāo)綜合預(yù)測(cè)模型對(duì)該鍋爐爐膛結(jié)渣情況進(jìn)行預(yù)測(cè)的結(jié)果,qv(D)=178 255.85 kJ/(m3·h),qv(G)=213 947.26 kJ/(m3·h),qF(D)=4 668 762.81 kJ/(m2·h),qF(G)=49 316 465.51 kJ/(m2·h)。

由表4可知:單一指標(biāo)和綜合指標(biāo)的8項(xiàng)預(yù)測(cè)結(jié)果中有5項(xiàng)顯示嚴(yán)重結(jié)渣,2項(xiàng)顯示中等結(jié)渣,1項(xiàng)顯示輕微結(jié)渣,據(jù)此可判斷該鍋爐機(jī)組燃用該煤種時(shí),爐膛結(jié)渣情況為嚴(yán)重結(jié)渣。同時(shí),該結(jié)果也顯示出單一指標(biāo)和綜合指標(biāo)模型在預(yù)測(cè)爐膛結(jié)渣情況時(shí)單獨(dú)使用具有預(yù)測(cè)分辨率較低的局限性,因此需要綜合考慮多項(xiàng)評(píng)判指標(biāo)結(jié)果來(lái)確定最終結(jié)渣情況。

又對(duì)另外一臺(tái)燃用石炭二選系煙煤的600 MW級(jí)亞臨界鍋爐機(jī)組以及兩臺(tái)分別燃用活雞兔礦煤、兗礦煤與濟(jì)北煤礦混煤的1 000 MW級(jí)超超臨界鍋爐機(jī)組進(jìn)行了預(yù)測(cè)分析,上述3種煤種分別用A、B、C表示。表5、表6分別為煤種特性分析及鍋爐參數(shù)數(shù)據(jù)和單一指標(biāo)與多指標(biāo)模型預(yù)測(cè)結(jié)果。

表3 煤質(zhì)、灰分成分分析

注:Mt為煤的全水分。

表4 300 MW鍋爐機(jī)組單一指標(biāo)、多指標(biāo)綜合預(yù)測(cè)結(jié)果

由表6可知:8項(xiàng)評(píng)判指標(biāo)對(duì)燃用A煤種的鍋爐爐膛結(jié)渣情況預(yù)測(cè)結(jié)果均為輕微結(jié)渣,因此最終預(yù)測(cè)結(jié)果為輕微結(jié)渣;對(duì)燃用B煤種的鍋爐機(jī)組預(yù)測(cè)結(jié)果中有6項(xiàng)為嚴(yán)重結(jié)渣,2項(xiàng)為中等結(jié)渣,因此最終預(yù)測(cè)結(jié)果為嚴(yán)重結(jié)渣;對(duì)燃用C煤種的鍋爐機(jī)組8項(xiàng)預(yù)測(cè)結(jié)果中輕微和中等結(jié)渣各有4項(xiàng),只能粗略判斷該機(jī)組燃用該煤種時(shí)爐膛結(jié)渣情況為輕微或中等結(jié)渣。根據(jù)以上結(jié)果可知:單一指標(biāo)和綜合指標(biāo)模型對(duì)不同煤種、不同爐型的分辨率有所不同,因此在選用合適的評(píng)判指標(biāo)前,需進(jìn)行比較分析,盡可能選用對(duì)燃用煤種和爐型分辨率較高的評(píng)判指標(biāo)。

表5 煤種特性分析及鍋爐參數(shù)數(shù)據(jù)

表6 600 MW、1 000 MW鍋爐機(jī)組單一指標(biāo)、多指標(biāo)綜合預(yù)測(cè)結(jié)果

2 基于模糊神經(jīng)網(wǎng)絡(luò)的爐膛結(jié)渣模型與預(yù)測(cè)

神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的自學(xué)習(xí)能力和并行處理能力,可解決非線性控制問(wèn)題。在學(xué)習(xí)過(guò)程中,通過(guò)不斷調(diào)整權(quán)值和閾值,使得網(wǎng)絡(luò)逐步適應(yīng)所學(xué)習(xí)數(shù)據(jù),進(jìn)而具有高度的容錯(cuò)性、適時(shí)性和魯棒性,經(jīng)適當(dāng)訓(xùn)練的網(wǎng)絡(luò)具有極強(qiáng)的泛化能力,即當(dāng)出現(xiàn)訓(xùn)練中未出現(xiàn)的數(shù)據(jù)時(shí)仍能進(jìn)行辨識(shí),但神經(jīng)網(wǎng)絡(luò)不能處理結(jié)渣程度這類(lèi)模糊問(wèn)題。模糊系統(tǒng)雖很難實(shí)現(xiàn)自適應(yīng)學(xué)習(xí)卻擅長(zhǎng)處理模糊信息。本文將模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)相結(jié)合,使得兩者都能發(fā)揮各自優(yōu)勢(shì),將經(jīng)隸屬函數(shù)處理過(guò)的數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù),并通過(guò)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)為模糊系統(tǒng)提取模糊規(guī)則,從而解決結(jié)渣程度這一模糊問(wèn)題[13]。

2.1 模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

在考慮影響爐膛結(jié)渣情況的燃煤特性基礎(chǔ)上,同時(shí)考慮鍋爐運(yùn)行方式等因素,因此該模糊神經(jīng)網(wǎng)絡(luò)的輸入項(xiàng)分別為t2、RBA、RG、RSiAl、R、ψt(量綱一爐膛最高溫度)6項(xiàng),其中ψt的計(jì)算式如下

(5)

式中:Bj為計(jì)算燃料消耗量;Qd為煤的低位發(fā)熱量;a、b為爐膛寬度、深度;ηf為二次風(fēng)層數(shù);Ca為二次風(fēng)距;ξ為衛(wèi)燃帶修正系數(shù)

(6)

其中Fw為衛(wèi)燃帶面積,H為燃燒器高度。

圖1 不同節(jié)點(diǎn)數(shù)構(gòu)造的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)精度

由于結(jié)渣程度本身是一個(gè)模糊的概念,利用不同隸屬函數(shù)進(jìn)行預(yù)判時(shí)存在一定偏差,本文利用三角形隸屬函數(shù)(trimf)、梯形隸屬函數(shù)(trapmf)、高斯型隸屬函數(shù)(gussmf)以及π型隸屬函數(shù)(pimf)分別對(duì)輸入項(xiàng)進(jìn)行模糊化處理。模糊層即第1隱層分別對(duì)應(yīng)各輸入項(xiàng)的3種結(jié)渣程度隸屬度,共18個(gè)節(jié)點(diǎn),將模糊后的數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)輸入項(xiàng),第2隱層節(jié)點(diǎn)數(shù)分別為6～11時(shí)不同隸屬函數(shù)構(gòu)造的模糊神經(jīng)網(wǎng)絡(luò)以及傳統(tǒng)神經(jīng)網(wǎng)絡(luò)(no-fuzzy)各自學(xué)習(xí)的分辨率如圖1所示,在考慮網(wǎng)絡(luò)精確度和結(jié)構(gòu)簡(jiǎn)單的前提下,確定出不同隸屬函數(shù)構(gòu)造的模糊神經(jīng)網(wǎng)絡(luò)第2隱層節(jié)點(diǎn)數(shù)分別為6、10、7、8,傳統(tǒng)神經(jīng)網(wǎng)絡(luò)隱層節(jié)點(diǎn)數(shù)為8。通過(guò)第1隱層與第2隱層、第2隱層與輸出層之間權(quán)值、閾值的不斷調(diào)整,得到輸出項(xiàng)爐膛結(jié)渣程度(輕微、中等、嚴(yán)重),最后根據(jù)最大隸屬度原則確定爐膛結(jié)渣程度預(yù)測(cè)值。本文所建立的模糊神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)以pimf為例,如圖2所示。采用BP神經(jīng)網(wǎng)絡(luò)算法,第1、2隱層間為tansig型傳遞函數(shù),第2隱層與輸出層間為logsig型傳遞函數(shù),學(xué)習(xí)函數(shù)選用learngdm函數(shù),訓(xùn)練函數(shù)選用trainlm函數(shù)。

圖2 pimf模糊神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

各輸入項(xiàng)隸屬函數(shù)根據(jù)結(jié)渣傾向評(píng)判標(biāo)準(zhǔn)進(jìn)行確定。t2、RBA、RG、RSiAl的評(píng)判標(biāo)準(zhǔn)如表1所示,R的評(píng)判標(biāo)準(zhǔn)如1.2小節(jié)所述,ψt≤0.97為輕微結(jié)渣,0.97<ψt<1.065為中等結(jié)渣,ψt≥1.065為嚴(yán)重結(jié)渣。例如,軟化溫度t2的π型隸屬函數(shù)為

(輕微)

(中等)

(嚴(yán)重)

其余輸入項(xiàng)的隸屬函數(shù)確定方法同上。

2.2 實(shí)例計(jì)算及分析

以采集到的34組不同鍋爐數(shù)據(jù)為基礎(chǔ)[14],其中25組作為神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)數(shù)據(jù),另外9組與前文所述300 MW鍋爐數(shù)據(jù)以及表5中3組鍋爐機(jī)組數(shù)據(jù)作為預(yù)測(cè)數(shù)據(jù),分別利用4種模糊神經(jīng)網(wǎng)絡(luò)和傳統(tǒng)神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)與預(yù)測(cè),傳統(tǒng)神經(jīng)網(wǎng)絡(luò)直接將6項(xiàng)數(shù)據(jù)作為輸入項(xiàng),沒(méi)有進(jìn)行模糊化處理。表7、8分別為傳統(tǒng)神經(jīng)網(wǎng)絡(luò)和4種模糊神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)、預(yù)測(cè)結(jié)果。

表7 傳統(tǒng)神經(jīng)網(wǎng)絡(luò)、模糊神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)結(jié)果

由表7結(jié)果計(jì)算可知:4種模糊神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)結(jié)果都較好,分辨率依次為96%、96%、100%和92%,傳統(tǒng)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)分辨率略低,為84%,以上網(wǎng)絡(luò)都可以作為預(yù)測(cè)網(wǎng)絡(luò)使用。由表8結(jié)果計(jì)算可知:傳統(tǒng)神經(jīng)網(wǎng)絡(luò)分辨率約為62%,模糊神經(jīng)網(wǎng)絡(luò)分辨率依次為92%、92%、92%以及100%,表明模糊神經(jīng)網(wǎng)絡(luò)相對(duì)于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)有較高的分辨率。不同隸屬函數(shù)構(gòu)造的模糊神經(jīng)網(wǎng)絡(luò)存在一定偏差,雖然這里pimf構(gòu)造的模糊神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果為100%,但由于預(yù)測(cè)數(shù)據(jù)有限,無(wú)法確保該模型對(duì)所有數(shù)據(jù)都能達(dá)到100%的分辨率。于是,通過(guò)對(duì)多種隸屬函數(shù)構(gòu)造的模糊神經(jīng)網(wǎng)絡(luò)的計(jì)算結(jié)果進(jìn)行統(tǒng)計(jì),得到統(tǒng)計(jì)結(jié)果,其相對(duì)于單一模糊預(yù)測(cè)模型分辨率有了大幅提高,分辨率可以達(dá)到100%。采用統(tǒng)計(jì)結(jié)果這一指標(biāo)對(duì)300 MW鍋爐和另外3組鍋爐機(jī)組的預(yù)測(cè)結(jié)果分別為嚴(yán)重結(jié)渣、輕微結(jié)渣、嚴(yán)重結(jié)渣、中等結(jié)渣,與實(shí)際結(jié)渣情況相符合,表明模糊神經(jīng)網(wǎng)絡(luò)相對(duì)于基于燃煤特性的單一指標(biāo)和綜合指標(biāo)預(yù)測(cè)模型分辨率較高,有極強(qiáng)的泛化能力,對(duì)不同煤種及鍋爐型號(hào)適用性更強(qiáng)。

表8 傳統(tǒng)神經(jīng)網(wǎng)絡(luò)、模糊神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果

據(jù)文獻(xiàn)[15]可知,由于燃燒不均勻會(huì)使?fàn)t膛內(nèi)不同位置結(jié)渣程度有所不同,爐膛結(jié)渣主要集中于燃燒器附近、衛(wèi)燃帶周?chē)罢垩娼堑炔课弧＿@些部位煙氣溫度高、流動(dòng)性差,更容易出現(xiàn)結(jié)渣現(xiàn)象,而基于燃煤特性的爐膛結(jié)渣預(yù)測(cè)模型和基于模糊神經(jīng)網(wǎng)絡(luò)的爐膛結(jié)渣預(yù)測(cè)模型均只能針對(duì)爐膛整體結(jié)渣情況進(jìn)行預(yù)測(cè),無(wú)法確定結(jié)渣具體位置。

3 基于污染系數(shù)的神經(jīng)網(wǎng)絡(luò)爐膛局部結(jié)渣模型與在線預(yù)測(cè)

3.1 灰污特征參數(shù)的選取

對(duì)于爐膛結(jié)渣情況的監(jiān)測(cè),常用熱有效系數(shù)Ψ、基于爐膛出口煙溫的污染系數(shù)ξ和基于換熱量的污染系數(shù)Γ進(jìn)行監(jiān)測(cè)。其中,熱有效系數(shù)可以準(zhǔn)確反映水冷壁上沾污、結(jié)渣程度,當(dāng)污染嚴(yán)重時(shí),水冷壁的熱有效系數(shù)減小,但是爐膛火炬投射熱流很難測(cè)得。爐膛出口煙溫也能綜合反映爐膛結(jié)渣狀態(tài),當(dāng)爐膛結(jié)渣嚴(yán)重時(shí),水冷壁吸熱量減少,爐膛出口煙溫升高。目前常用兩種方法獲取爐膛出口煙溫:一種是利用熱平衡法根據(jù)各受熱面汽水溫度反推爐膛出口煙溫,但該方法誤差較大;另一種是利用熱電偶、紅外測(cè)溫儀等設(shè)備直接測(cè)量,雖準(zhǔn)確性高于前者,但由于設(shè)備龐大且難以長(zhǎng)時(shí)間在爐膛高溫?zé)煔猸h(huán)境下工作或因過(guò)于昂貴而難以推廣。本文通過(guò)在水冷壁背面安裝兩個(gè)溫度測(cè)點(diǎn),建立溫度與熱流密度間的關(guān)系,從而得到測(cè)點(diǎn)處熱流密度,利用污染系數(shù)φ實(shí)現(xiàn)對(duì)爐膛結(jié)渣情況進(jìn)行局部監(jiān)測(cè)。φ的值在0～1之間,其值越接近于1,表明爐膛結(jié)渣越嚴(yán)重,φr為其真實(shí)值,φp為其預(yù)測(cè)值,φ的計(jì)算式為

(7)

式中:qsj為水冷壁實(shí)際熱流密度;qlx為爐膛清潔時(shí)的理想熱流密度。

3.2 實(shí)際熱流密度

文獻(xiàn)[16]給出了膜式水冷壁溫度場(chǎng)的近似解析解,據(jù)此可通過(guò)水冷壁壁面溫度與熱流密度間的關(guān)系求得爐膛實(shí)際局部熱流密度。圖3為膜式水冷壁結(jié)構(gòu)圖,其中C、E為溫度測(cè)點(diǎn)[16],管子部分溫度場(chǎng)的近似解為

(8)

式中:tp為管內(nèi)介質(zhì)溫度;q0為爐膛輻射熱負(fù)荷;λ為管壁導(dǎo)熱系數(shù);φ0=S/2πr1,S為管子節(jié)距;β=r1/r2,r1、r2分別為管子外徑、內(nèi)徑;z=r/r1,r為所求點(diǎn)到圓心的距離;φn據(jù)φn/n線算圖查得;Bn=β-2n(n-Bi)/(n+Bi),Bi=r2α2/λ,α2為管內(nèi)壁對(duì)工質(zhì)的放熱系數(shù);θ為r與y軸正方向的夾角。

圖3 膜式水冷壁結(jié)構(gòu)圖

梯形鰭片部分溫度場(chǎng)的近似解為

(9)

矩形鰭片部分溫度場(chǎng)的近似解為

(10)

本文所述300 MW鍋爐為矩形鰭片,根據(jù)式(11)～(13)可知,如果測(cè)點(diǎn)C、E溫度已知,則只剩下q0未知,由于α2很難測(cè)得,故也為未知量,C、D、E點(diǎn)的溫度分別為

(11)

(12)

(13)

由式(11)～(13)可分別得到關(guān)于q0的方程式,然后聯(lián)立可得

(14)

式(14)中有一個(gè)級(jí)數(shù)求和問(wèn)題,據(jù)文獻(xiàn)[12]中φn/n線算圖可知,對(duì)于非錯(cuò)位鰭片管,當(dāng)S/D=1.25、n=8時(shí),φn/n取0.008已經(jīng)很接近于0,因此取n=8即可滿足工程需要。由于D、E兩點(diǎn)位于管外徑上,z=1,將Bi、Bn分別代入,經(jīng)化簡(jiǎn),式(14)可近似為

(15)

式(15)中未知量只有一個(gè)α2,求得該方程解之后,代入式(13)可求得q0,該處實(shí)際熱流密度qsj=q0。

3.3 理想熱流密度

根據(jù)3.2小節(jié)的分析可知,根據(jù)現(xiàn)場(chǎng)測(cè)量的C、E兩點(diǎn)溫度可以求得該處實(shí)際熱流密度qsj,但對(duì)應(yīng)工況下的理想熱流密度qlx無(wú)法通過(guò)測(cè)量求得,神經(jīng)網(wǎng)絡(luò)可以解決這一問(wèn)題。將吹灰后各運(yùn)行工況下的熱流密度作為清潔熱流密度,以此作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練從而得到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò),由于神經(jīng)網(wǎng)絡(luò)具有極強(qiáng)的泛化能力,實(shí)際工況對(duì)應(yīng)下的理想熱流密度便可以利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)得到,最后根據(jù)式(7)即可得到各工況所對(duì)應(yīng)的污染系數(shù)φ。

影響爐膛結(jié)渣的因素包括煤質(zhì)特性、鍋爐結(jié)構(gòu)以及運(yùn)行參數(shù),基于燃煤特性的爐膛結(jié)渣預(yù)測(cè)模型都是根據(jù)煤質(zhì)特性進(jìn)行煤質(zhì)結(jié)渣傾向預(yù)判,但是爐膛是否結(jié)渣不僅僅只是取決于煤質(zhì)特性,因此上述方法存在一定的不準(zhǔn)確性。鍋爐結(jié)構(gòu)影響結(jié)渣的程度主要體現(xiàn)在鍋爐設(shè)計(jì)之初為避免結(jié)渣而進(jìn)行的一些相關(guān)設(shè)計(jì)上,不過(guò)鍋爐結(jié)構(gòu)與其他因素也會(huì)由于相互作用而影響結(jié)渣程度。運(yùn)行參數(shù)對(duì)爐膛結(jié)渣影響最大,本文在綜合考慮這3個(gè)影響因素的基礎(chǔ)上來(lái)確定神經(jīng)網(wǎng)絡(luò)的輸入項(xiàng)。

將影響清潔水冷壁熱流密度的因素作為神經(jīng)網(wǎng)絡(luò)的輸入項(xiàng),包括主蒸汽流量、氧量、MF1層給煤量、MF2層給煤量以及MF3層給煤量,水冷壁清潔時(shí)的熱流密度作為輸出項(xiàng)。經(jīng)多次訓(xùn)練比較,隱層節(jié)點(diǎn)數(shù)確定為7。采用BP神經(jīng)網(wǎng)絡(luò)算法,輸入層與隱層間為tansig型傳遞函數(shù),隱層與輸出層間為logsig型傳遞函數(shù),學(xué)習(xí)函數(shù)選用learngdm函數(shù),訓(xùn)練函數(shù)選用trainlm函數(shù)。

3.4 實(shí)例計(jì)算及分析

首先利用吹灰后主蒸汽流量,氧量,MF1層、MF2層、MF3層給煤量,以及測(cè)量并計(jì)算得到的理想熱流密度對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,得到訓(xùn)練良好的神經(jīng)網(wǎng)絡(luò),接著從DCS數(shù)據(jù)庫(kù)中提取各實(shí)際運(yùn)行工況下的5項(xiàng)輸入項(xiàng),經(jīng)神經(jīng)網(wǎng)絡(luò)測(cè)試得到各工況下的理想熱流密度,再根據(jù)式(7)得到相應(yīng)的污染系數(shù)。

圖4 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)結(jié)果

圖5 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果

圖4、圖5分別為神經(jīng)網(wǎng)絡(luò)對(duì)污染系數(shù)的學(xué)習(xí)結(jié)果和預(yù)測(cè)結(jié)果。根據(jù)圖4可知:真實(shí)值與學(xué)習(xí)值吻合很好,因此該神經(jīng)網(wǎng)絡(luò)可以用于預(yù)測(cè)爐膛局部結(jié)渣情況。圖5中斜線代表預(yù)測(cè)值與真實(shí)值相等,圓圈越靠近直線表示預(yù)測(cè)值與真實(shí)值越相近。根據(jù)圖5可知:該神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)誤差在3%以內(nèi),均方誤差為0.013 4,因此該神經(jīng)網(wǎng)絡(luò)具備較高的可信度,可以較好地對(duì)爐膛局部結(jié)渣情況進(jìn)行實(shí)時(shí)監(jiān)測(cè)。圖6為污染系數(shù)隨時(shí)間的變化圖,由圖可知,在40～80 min時(shí)污染系數(shù)出現(xiàn)急劇下降,此時(shí)正進(jìn)行吹灰操作,爐膛污染系數(shù)急劇減小,與實(shí)際情況相符合,說(shuō)明該神經(jīng)網(wǎng)絡(luò)可以用于反映爐膛局部結(jié)渣情況,并用于指導(dǎo)爐膛吹灰。

圖6 污染系數(shù)隨時(shí)間的變化圖

4 結(jié) 論

(1)基于燃煤特性的單一指標(biāo)和綜合指標(biāo)預(yù)測(cè)模型可以在一定程度上對(duì)爐膛結(jié)渣情況進(jìn)行預(yù)測(cè),但其分辨率較低,且往往對(duì)于不同煤種或不同爐型分辨率也不同;從預(yù)測(cè)結(jié)渣范圍上看,該模型只能對(duì)爐膛整體結(jié)渣情況進(jìn)行監(jiān)測(cè)。

(2)基于模糊神經(jīng)網(wǎng)絡(luò)的爐膛結(jié)渣預(yù)測(cè)模型將神經(jīng)網(wǎng)絡(luò)極強(qiáng)的學(xué)習(xí)能力與模糊算法的處理模糊知識(shí)能力相結(jié)合,同時(shí)引進(jìn)爐膛結(jié)構(gòu)參數(shù),相對(duì)于僅有燃煤特性參數(shù)的單一指標(biāo)和綜合指標(biāo)方法及傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的分辨率均有了顯著提高,4種模糊神經(jīng)網(wǎng)絡(luò)的分辨率可分別達(dá)92%、92%、92%以及100%,針對(duì)模糊神經(jīng)網(wǎng)絡(luò)的統(tǒng)計(jì)結(jié)果分辨率也可達(dá)到100%;雖然模糊神經(jīng)網(wǎng)絡(luò)對(duì)不同煤種及爐型適用性更強(qiáng),但也只能對(duì)爐膛整體結(jié)渣情況進(jìn)行預(yù)測(cè)。

(3)基于污染系數(shù)的神經(jīng)網(wǎng)絡(luò)爐膛結(jié)渣在線預(yù)測(cè)模型可實(shí)現(xiàn)對(duì)爐膛局部結(jié)渣情況的實(shí)時(shí)預(yù)測(cè),且誤差在3%以內(nèi),均方誤差為0.013 4,可用于電站指導(dǎo)爐膛吹灰。