电站锅炉水冷壁积灰结渣仿真模型的建立

Ｎｏ２

２００５ＥＩ．ＥＣＴＲＩＣ

Ｐ０Ⅵ啄ＳＣＩＥＮＣＥＡＮＤＥＮＧＩＮＥＥＲＩＮＧ

电力科学与工程

６７

文苹编号：１６７２—０７９２（２００５｝０２—００６７—０３

电站锅炉水冷壁积灰结渣仿真模型的建立

李智，裴振英，于贵君

（沈阳工程学院仿真技术中心，辽宁沈阳１１００３６）

Ｄｅｖｅｌｏｐｍｅｎｔ‘ｏｆＦｏｕｌｉｎｇａｎｄＳｌａｇｇｉｎｇＳｉｍｕｌａｔｉｏｎ

ｏｆＦｕｒｎａｃｅ

Ｍｏｄｅｌ

Ｗａｔｅｒｗａｌｌ

ａｔＰｏｗｅｒＳｔａｔｉｏｎｓ

ＬＩＺｈｉ，ＰＥＩ

Ｚｈｅｎ－ｙｉｎｇ，ＹＵＧｕｉ—ｊｕｎ

（ＳｈｅｎｙａｎｇＣｏｆｌｅｇｅｏｆＥｎｇｉｎｅｅｒｉｎｇ，Ｓｈｅｎｙａｎｇ１１００３６，Ｃｈｉｎａ）

Ａｂｓｔｒａｃｔ：Ｔｈｅｆｕｒｎａｃｅｗａｔｅｒｗａｌｌｆｏｘｉｎｇａｎｄｓｌａｇｇｉｎｇｏｆ

ａ

２００

ＭＷｃｏａｌｆｉｒｅｄ

ｕｎｉｔａｔＦｕｘｉｎ

ＰｏｗｅｒＰｌａｎｔｉｓｔｅｓｔｅｄａｎｄｄａｔａｓｐｅｃｉ—

ＢＰ

模型参数定义和结构确定

本文以辽宁省阜新电厂２００ＭＷ机组四角切圆煤粉燃烧锅炉为研究对象，该锅炉额定蒸发量为

６７０

ｍｅｌ＇ｌｓｈａｖｅｂｅｅｎ

ｇａｉｎｅｄ．Ｔ凼ｎｇ

ｎｅｕｒａｌｎｅｔｗｏｒｋｂａｓｅｄ

ｏｒｌ

Ｌｅｖ—

ｅｎｂｅｒｇ－Ｍａｒｑｕａｒｄｔ（ＬＭ）ａｌｇｏｒｉｔｈｍ，ｆｏｕｌｉｎｇａｎｄｓｌａｇｇｉｎｇｓｉｍｕ—

ｌａｔｉｎｇｍｏｄｅｌｏｆｆｕｒｎａｃｅｗａｔｅｒｗａｌｌｉｓｅｓｔａｂｌｉｓｈｅｄ．ＷｉｔｈｔｈｅｈｅｌｐｏｆｓｉｍｕｌａｔｉｎｇｍｏｄｅｌｂａｓｅｄｔｈｅｆｕｒｎａｃｅｗａｔｅｒｗａＵ

ｉｎｇ

ｏｎ

ｎｅｕｒａｌｎｅｔｗｏｒｋ，ｆｏｕｌｉｎｇａｎｄｓｌａｇｇｉｎｇｏｆｂｅｋｎｏｗｎ．Ｉｔｉｓｃｏｎｔｒｉｂｕｔｅｄ

ｔｏ

ｃａｎ

ｄｅｖｅｌｏｐ—

ｔ／ｈ、亚临界、中间再热，采用负压中储式制粉

ｓｏｏｔ—ｂｌｏｗｉｎｇｏｐｔｉｍｉｚａｔｉｏｎｓｙｓｔｅｍｏｆｐｏｗｅｒｓｔａｔｉｏｎｓｓｉｍｕｌａｔｏｒ．ｗｏｒｄｓ：ｂｏｉｌｅｒｗａｔｅｒｗａｌｌ；ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ；ｆｏｕｌｉｎｇａｎｄ

系统，配２台钢球磨煤机，炉膛四角分４层布置燃烧器，相应配置１６台变频调速给粉机，燃烧器为一、二次风间隔布置，采用同心反切燃烧系统，机组的ＤＣＳ采用西屋公司的０ＶＡＴＩＯＮ分散控制系统。该锅炉呈现Ⅱ型布置，锅炉前部为燃烧室，燃烧室四周布满了膜式水冷壁，燃烧室上部布满了全辐射式前屏过热器，炉膛出口布置了半辐射式后屏过热器，炉膛出口温度为１０８１℃，水平烟道内布置了对流过热器和再热器热段，顶棚和转向室竖井烟道内布置了再热器冷段、上级省煤器、上级空气预热器、下级省煤器和下级空气预热器。过热蒸汽的汽温调节采用两级喷水减温，再热蒸汽的汽温调

节以汽一汽加热器为主调，同时配有少量的喷水减

Ｋｅｙ

ｓｌａｇｇｉｎｇ；ｓｉｍｕｌａｔｉｎｇ

摘要：对辽宁省阜新电厂２００ＭＷ机组燃煤锅炉进行了多工况热态测试，获得了数据样本。运用ＢＰ神经网络和ＬＭ算

法建立了电站锅炉水冷壁积灰结渣的仿真模型。所建神经网络仿真模型能够反映锅炉水冷壁积灰结渣的程度，为电站仿真机吹灰优化系统的开发打下了良好的基础。

关键词：锅炉水冷壁；ＢＰ神经网络；积灰结渣；仿真

中图分类号：ｎ（２２３：ＴＰｌ８３文献标识码：Ａ

引言

电站锅炉水冷壁积灰结渣的形成过程复杂，难以用数学公式进行描述，其机理仿真模型难以建立。本文采用人工神经网络方法，建立了电站锅炉水冷壁积灰结渣仿真模型。它把锅炉负荷、煤质、炉膛出口烟温、燃烧的调整参数作为输入参数，能够反映锅炉水冷壁积灰结渣程度，在锅炉负荷、煤质变化过程中，具有较好的泛化能力。把所建仿真模型与阜新电厂２００ＭＷ机组的ＤＣＳ相连，下传煤质、锅炉负荷、有关锅炉运行参数至仿真模型，对仿真模型进行了实际验证，效果良好。

收稿日期：２００４，１２—２１

温作为辅助调节。设计燃用煤种为阜新混煤。

影响锅炉水冷壁积灰结渣的因素主要有煤质、锅炉负荷、燃烧的调整和运行时间等…１。煤质目前无法在线测量，现场一般是每班定时化验，提供燃煤工业分析成分炉前分析报告。通常在２次煤质分析间隔内煤质成分变化不会很大，可以取最近一次的化验值，以考虑煤质成分的影响。

通过对研究对象进行理论分析，结合现场实际，确定将煤质成分、锅炉负荷、炉膛出口温度、一次总风压、４层二次风压，４层给粉机转速、煤的收到基低位发热量、挥发分、灰分和水分等作为神经网

万方数据　

６８ 电力科学与工程

络的输入，表征炉膛受热面污染状况的洁净因子ＣＦ作为神经元网络输出量。３层ＢＰ神经网络可以任意近似非线性函数和动态系统，为此锅炉水冷壁积灰结渣仿真模型采用３层ＢＰ神经网络，由输入层、隐含层、输出层等３部分组成，隐含层中的激活函数采用Ｓ型函数，既厂（ｚ）＝１／（１＋ｅ１）拉Ｊ。

４层给粉机同层联动，４个转速对应每层的给煤量，用以描述一次风粉量沿炉高分配对炉内燃烧的影响；取１个一次总风压以考虑一次风压对一次风速的影响；４层二次风压同层联动调节，４个二次风压用以描述二次风配风方式对燃烧的影响；用机组负荷考虑锅炉负荷对燃烧的影响；采用煤的收到基低位发热量、挥发分、灰分和水分，考虑煤种特性对锅炉燃烧的影响；在煤质、锅炉负荷、燃烧调整方式相同的情况下，可以采用炉膛出口温度表征运行时间的影响。运行参数可由机组ＤＣｓ获得，燃用煤种收到基成分最近一次化验值，由人工输入。因此，选用输入层具有１５个节点、隐含层有２０个节点、输出层有１个节点的ＢＰ网络结构，其结构如图

１所示。

输入层

隐含层

输出层

图１ＢＰ神经网络结构

Ｆｉｇ．１

ＳｔｒｕｃｔｕｒｅｏｆＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ

本文采用热平衡算法计算炉膛出口温度，其基Ｑｄｘ＝Ｄ（ｉ—ｉ）／１３ｉ

（１）Ｑｄｆ＝西（Ｊ—Ｊ＋△口州）

（２）Ｑｄ。＝（ｋＡＴＨ）／１３ｊ

（３）

ｄ】【为工质侧吸热量，ｋＪ／ｋｇ；Ｑｄｆ为烟气放热

万　

方数据ｋＪ／ｋｇ；Ｊ７，ｒ为受热面前、后的烟气焓，ｋＪ／ｋｇ；西为保热系数；Ａａ为受热面的漏风系数；ｋ为传热系数，ｋＷ／（ｍ２℃）；△丁为传热温差，℃；Ｈ为受热面积，ｍ２。

对于无附加受热面如省煤器，采用式（１）、（２）计算；有附加受热面但不接受炉膛辐射的受热面如再热器热段、再热器冷段由式（１）、（２）、（３）计算；在计算布置在炉膛出口以外的接受炉膛辐射的受热面如后屏过热器、高温对流过热器时，先假设Ｑｄ】【＝Ｄ（ｉ”一ｉ７）／１３７ｊ—Ｑｆ

（４）

通过以上各受热面的计算，可以得到炉膛出口锅炉水冷壁积灰结渣ＢＰ神经网络仿真模型的建立

在研究对象６７０ｔ／ｈ锅炉上，采用正交试验设

选取机组负荷、一次总风压、４层二次风压、４ｘｉ＝［ｚＩ，ｚｉ，…，ｚｉ６］

Ｋ＝［Ｙｉ］

一个吸收炉膛辐射热，算出炉膛出口烟气温度后，计算出吸收炉膛辐射热，再计算假设值和计算值的误差，直到误差合格计算结束。计算过程中，由于受热面吸收炉膛辐射热，要把式（１）换成式（４）形式：

式中：Ｑ，为吸收炉膛辐射热。

烟气温度的值。３

计，就是用正交表安排试验方案以获得数据样本，这样可以减少试验次数，而且试验工况分布均衡、代表性强。采用正交表Ｌ】８（３１５），表示安排１５个因素，每个因素有３种水平，共做１８次试验∞Ｊ。

层给粉机转速、燃用煤种收到基成分参数作为因素。每个因素有３种水平，机组负荷取７０％，８５％，１００％，一次总风压、４层二次风压、４层给粉机转速等取高限、正常值、低限，燃用煤种收到基成分取３种典型煤种。在各种试验方式下，待机组运行稳定后，发现炉膛出口的温度随着运行时间而升高，可以反映炉膛的受热面积灰结渣是随着运行时间成比例增加。假定在吹灰刚刚结束时，水冷壁的洁净因子ＣＦ＝１，到下一次吹灰前的时刻水冷壁的洁净因子ＣＦ＝０．２，而且按指数规律分布，记录机组负

２炉膛出口温度计算

本原理是根据传热过程中烟气侧和工质侧的热量平衡关系，由工质的参数推算烟气侧的温度值，最后推算炉膛出口烟气温度，该方法按烟气流向的反向进行［３，４｜。基本的计算方法如式（１）、（２）、（３）：

荷、一次总风压、４层二次风压、４层给粉机转速、燃用煤种收到基成分、炉膛出口温度和ＣＦ即可获得５００个数据样本。定义水冷壁的洁净因子和输入变量的数据样本集为：

式中：ｚｊ，ｘ＇２，…，ｚｊ６为第ｉ个试验工况下，１５

式中：Ｑ量，ｋＪ／ｋｇ；Ｑｄｃ为传热量，ｋＪ／ｋｇ；Ｄ为工质的流

量，ｋ／ｓ；Ｂｊ为计算燃料量，ｋ／Ｓ；胛为冷空气焓，

№２电力科学与工程

６９

个输入参数（因素）；Ｙ；为第ｉ个试验工况下，所得的水冷壁的洁净因子。

ＢＰ算法是梯度下降法，其实质是使误差平方和最小，这种方法是沿梯度下降方向搜索，收敛速度慢。为了加快搜索，作为对误差函数的二次逼近，提出了牛顿法及其变形等。牛顿法需要计算二阶导数的Ｈｅｓｓｉａｎ阵及其逆，具有计算复杂、工作量大等缺点；而ＬＭ算法避免了这些缺点，搜索速度快，适于前向神经网络训练【６－－７』，为此采用ＬＭ优化算法进行神经网络训练。

训练时，目标误差平方和取为０．００１，最大训练迭代次数为１００００次，首先将４００个数据样本放人ＢＰ神经网络模型中进行训练，而后将另外的１００个数据样本放入网络模型中进行验证。

将该神经网络仿真模型应用于阜新电厂２号机组，对锅炉水冷壁的总体污染情况进行了仿真，部分仿真结果如图２所示。由图２可以看出，吹灰前

４

结论

神经网络可以任意近似非线性函数和动态系统，是多变量非线性对象建模的有力工具，对于电站锅炉炉膛受热面，采用神经网络建立水冷壁积灰结渣仿真模型优于其它方法，可以提高炉膛辐射换热过程的仿真精度，为进一步实现电站仿真机的智能优化吹灰仿真打下了坚实基础。

参考文献：

［１］冯俊凯，沈幼庭．锅炉原理及计算（第二版）［Ｍ］．北

京：科学出版社，１９９２．

［２］王旭，王宏，王文辉．人工神经元网络原理和应用

［Ｍ］．沈阳：东北大学出版社，２０００．

［３］马恩俭，陆继东，沈凯，等．电站锅炉积灰监测与控制

系统研究［Ｊ］．锅炉技术，２００４，３５（２）：４８～５１．

［４］袁军，张明智，方亮，管壁清洁系数对双背压凝汽器真

空的影响［Ｊ］．电力科学与工程，２００２，（３）：１０—１２．

［５］汪荣鑫．数理统计［Ｍ］．西安：西安交通大学出版社，

１９８６．１５０—１６０．

［６］黄豪彩，黄宜坚，杨冠鲁．基于ＬＭ算法神经网络系统

辨识［Ｊ］．组合机床与自动化加工技术，２００３，（２）：６

—１１．

时间

图２炉膛污染的仿真情况

Ｆｉｇ．２

Ｓｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｏｆｆｕｒｎａｃｅｐｏｌｌｕｔｉｏｎ

［７］陈宝康，阎维平，朱予东，等．燃煤电站锅炉对流受热

面灰污层增长预测模型的研究［Ｊ］．华北电力大学学报，

２００４，（２）：３２—３５．

污染逐渐加重，洁净因子缓慢减小，吹灰后受热面变得清洁，洁净因子快速增大，而后洁净因子再次缓慢减小，吹灰后洁净因子又快速增大，符合实际锅炉水冷壁污染变化的情况。

作者简介：李智（１９６３一），男，辽宁沈阳人，沈阳工程学院高

级工程师，博士，主要从事锅炉热工与优化控制、电站计算机仿真

等方向的研究。

零祭秘零鹕祭零鹕秘鹕鹕零祭零琴礴祭祭祭秘祭祭攀攀帮塔嶝塔塔嗡嗡啄溉蛳蛳铋黜黜渤渤黜黜黜斟莽零琴鹕（上接５９页）

行监视，并可以加入断点对虚拟ＤＰＵ进行调试。

综上所述，虚拟ＤＰＵ技术在仿真中的应用，可以极大提高仿真机中ＤｃＳ控制系统仿真的逼真度，与激励式仿真机相比，可以减少系统采购的成本，是未来仿真机发展的一个方向。该技术仿真逼真度大大超过了传统的ＤＣＳ仿真模式，在九江３５０ＭＷ仿真机中的应用中取得很好效果。

［３］黄劲杉，姜学智，眭带，等．虚拟分布式处理单元的设

计与实现［Ｊ］．计算机仿真，２００３，２０（４）：６３—６５．［４］郭江龙，张树芳，宋之平．基于能效分布矩阵方程的火

电机组热力系统经济性分析方法［Ｊ］．华茹电力大学学

报，２００３，（５）：７０—７４．

［５］ＣＡＲＲＳＪ，Ｂ］ＲＩａ引ＫＥＳＡＲＪ．Ｔ１１ｅＢｅｎｅｆｉｔｓｏｆｅｍｕｌａｔｉｏｎ

ｔｅｅｈｎｏｌｃ）ｌｇｙ［Ｃ］．ＩｎｔｅｒｎａｔｉｏｎａｌＦｏｓｓｉｌＳｉｍｕｌａｔｉｏｎ＆Ｔｒａｉｎｉｎｇ

Ｃｏｎｆｅｒｅｎｃｅ，Ｐｈｏｅｎｉｘ，Ａｒｉｚｏｎａ，２００１．

［６］ＦＲＹＥＲＧ，ＲＯＢＥＲＴＳ

Ｄ

Ｅ．ＥｍｕｌａｔｉｎｇＳＩＥＭＥＮＳｃｏｎｔｒｏｌ

参考文献：

［１］冷杉．论虚拟ＤＣＳ技术［ＥＢ／ＯＬ］．ｈｔｔｐ：／／ｗｗｗ．｝

ｑｕｔⅨｎａｔｉｏｎ．ｎｅｔ，ｃｎ，２００３—１２—２６．

ｓｙｓｔｅｍｓｕｓｉｎｇｔｈｅｐｏｗｅｒｇｅｎ”ｖｉｒｔｕａｌｍａｃｈｉｎｅ＂ａｐｐｒｏａｃｈ［Ｃ］．ＩｎｔｅｒｎａｔｉｏｎａｌＦｏｓｓｉｌＳｉｍｕｌａｔｉｏｎ＆ＴｒａｉｎｉｎｇＣｏｎｆｅｒｅｎｃｅ，Ｓａｎ

Ｄｉｅｇｏ，Ｃａｌｉｆｏｒｎｉａ，２０００．

［２］魏洪斌，唐多元，眭茜占，等．基于虚拟分散处理单元的

电厂仿真机设计和实现［Ｊ］．中国电力，２００４，３７（２）：

６５—６８．

作者简介：张平（１９６２一），男，湖北成宁人，华中电力培训中心高级工程师，主要从事火电机组和电网仿真机电气系统和控制系统的模型研究。

万方数据　

电站锅炉水冷壁积灰结渣仿真模型的建立

作者：作者单位：刊名：英文刊名：年，卷(期)：

李智， 裴振英， 于贵君， LI Zhi， PEI Zhen-ying， YU Gui-jun沈阳工程学院,仿真技术中心,辽宁,沈阳,110036电力科学与工程

ELECTRIC POWER SCIENCE AND ENGINEERING2005(2)

参考文献(7条)

1.马恩俭;陆继东;沈凯 电站锅炉积灰监测与控制系统研究[期刊论文]-锅炉技术 2004(02)2.王旭;王宏;王文辉 人工神经元网络原理和应用 20003.冯俊凯;沈幼庭 锅炉原理及计算 1992

4.陈宝康;阎维平;朱予东 燃煤电站锅炉对流受热面灰污层增长预测模型的研究[期刊论文]-华北电力大学学报2004(02)

5.黄豪彩;黄宜坚;杨冠鲁 基于LM算法神经网络系统辨识[期刊论文]-组合机床与自动化加工技术 2003(02)6.汪荣鑫 数理统计 1986

7.袁军;张明智;方亮 管壁清洁系数对双背压凝汽器真空的影响[期刊论文]-电力科学与工程 2002(03)

本文链接：/Periodical_dlqb200502019.aspx

本文来源：https://www.bwwdw.com/article/ibre.html