梁占偉，陳鴻偉，楊 新，許文良，趙爭(zhēng)輝，張志遠(yuǎn)

(華北電力大學(xué)能源動(dòng)力與機(jī)械工程學(xué)院，河北 保定 071003)

0 引言

煤、生物質(zhì)及煤氣混燃的主要目的是為了降低化石燃料消耗[1-3]、提高可再生能源利用效率[4]及控制污染物排放等[5-7]。高爐煤氣(blast furnace gas,BFG)和焦?fàn)t煤氣(coke oven gas,COG)作為鋼鐵企業(yè)副產(chǎn)品，被廣泛用于煤/氣混燃鍋爐。然而，燃料的混燃特性受到不同燃料混合物的影響，尤其是氣固兩相混合燃燒，其混燃特性不僅與燃料特性有關(guān)，還與煤/氣配比有關(guān)[6-9]。為了控制NOx排放，分級(jí)配風(fēng)燃燒技術(shù)得到了廣泛的應(yīng)用。但是基于煤/氣配比與分級(jí)配風(fēng)的協(xié)同作用對(duì)鍋爐效率的影響鮮有報(bào)道。

本文對(duì)某300 MW煤/氣混燃鍋爐進(jìn)行優(yōu)化試驗(yàn)，得到了熱量混燃比與分級(jí)配風(fēng)對(duì)鍋爐性能協(xié)同作用的優(yōu)化結(jié)果?；趦?yōu)化試驗(yàn)數(shù)據(jù)，采用智能算法建立了鍋爐效率預(yù)測(cè)模型。

1 試驗(yàn)對(duì)象與方法

1.1 試驗(yàn)對(duì)象

試驗(yàn)研究對(duì)象為某300 MW四角切圓燃燒鍋爐，燃料為煤粉混燃BFG和COG。煤粉、BFG及COG在燃燒器區(qū)域混合燃燒，煙氣中攜帶的未燃盡碳顆粒和可燃?xì)怏w進(jìn)入分離燃盡風(fēng)(SOFA)區(qū)域燃盡。每列燃燒器由2個(gè)高爐煤氣噴嘴(A-GAA和B-GAA)，5個(gè)煤粉噴嘴(A-COAL～E-COAL)，15個(gè)二次風(fēng)噴口(除GA、AA、AB、BC、CC、DD、DE及EE外，還包括7個(gè)周界風(fēng)噴口：GAA、GBB、AS、BS、CS、DS及ES)，4個(gè)SOFA噴口(SOFA1～SOFA4)，4個(gè)焦?fàn)t煤氣噴嘴(分別布置在二次風(fēng)噴口GA、AB、BC及DE的中心位置)組成。燃煤元素分析、BFG與COG成分組成分別如表1、表2所示。由表1可知，高爐煤氣的可燃成分為CO和少量H2與CH4，焦?fàn)t煤氣主要可燃成分為H2和CH4及少量的CO和CmHn，煤的低位發(fā)熱量最高，焦?fàn)t煤氣次之，高爐煤氣最低。

表1 燃煤元素成分組成

表1中：%為高爐煤氣(BFG)與焦?fàn)t煤氣(COG)成分的體積百分?jǐn)?shù)；MJ/kg為高爐煤氣和焦?fàn)t煤氣的熱值單位。

表2 BFG和COG成分組成

1.2 試驗(yàn)方法

試驗(yàn)過程中，機(jī)組負(fù)荷穩(wěn)定在300 MW，煤粉、COG及BFG的總輸入熱量基本不變。分別改變COG或BFG的熱量混燃比(單位時(shí)間內(nèi)COG或BFG在鍋爐爐膛的放熱量占燃料總輸入熱量的百分比)，研究不同煤氣混燃比對(duì)鍋爐性能(飛灰含碳量、排煙溫度及鍋爐效率)的影響。通過改變SOFA擋板開度，研究混燃煤氣工況分級(jí)配風(fēng)對(duì)鍋爐性能的影響。另外，利用手持鎧裝熱電偶對(duì)排煙溫度進(jìn)行測(cè)量。采集的飛灰灰樣去除水分后，采用差熱分析儀應(yīng)用TGA(TA-SDT-600)分析可燃成分。鍋爐效率按反平衡法進(jìn)行計(jì)算[10]：

(1)

式中：qi為各項(xiàng)熱損失占輸入熱量的百分比，%。

2 試驗(yàn)結(jié)果與分析

2.1 熱量混燃比優(yōu)化

圖1為COG的熱量混燃比為8%時(shí)，不同BFG熱量混燃比對(duì)鍋爐性能的影響。

圖1 BFG熱量混燃比對(duì)鍋爐性能影響圖

由圖1可知，飛灰含碳量和排煙溫度逐漸增加，導(dǎo)致鍋爐效率大幅降低。飛灰含碳量隨著BFG熱量混燃比的增加而增加，主要原因如下。增加BFG會(huì)強(qiáng)化主燃區(qū)的還原性氣氛，煤粉與氧的配比低于化學(xué)當(dāng)量比，使得煤粉在主燃區(qū)的燃燒份額相對(duì)減少。SOFA區(qū)域燃燒份額增加，但是SOFA區(qū)域距離爐膛出口較近，使煤粉未來得及燃盡便離開，爐膛的份額增加。增加BFG會(huì)增大煙氣體積。相同的爐膛截面積下煙氣流速增加，減少了碳顆粒在主燃區(qū)和SOFA區(qū)域的停留時(shí)間。混燃BFG會(huì)降低主燃區(qū)的溫度水平。爐膛溫度降低不利于煤粉的著火與燃盡，使得煤粉著火推遲，火焰中心上移，燃燒時(shí)間縮短，飛灰含碳量增加。

排煙溫度隨著BFG熱量混燃比的增加而升高。其原因主要是由于增加BFG熱量混燃比，使火焰中心上移；同時(shí)，爐膛整體溫度隨著BFG熱量混燃比的增加而降低，導(dǎo)致爐膛內(nèi)輻射換熱量相對(duì)減少。爐膛出口溫度升高，造成排煙溫度也隨之升高。鍋爐效率變化趨勢(shì)與飛灰含碳量及排煙溫度有關(guān)。當(dāng)COG的熱量混燃比為8%時(shí)，隨著BFG熱量混燃比的增加，鍋爐效率由92.87%降到了90.82%。尤其是BFG熱量混燃比由11%增加到14%時(shí)，鍋爐效率降低了1.18%。因此，應(yīng)控制BFG熱量混燃比小于11%。

由以上分析可知，BFG比COG的最佳熱量混燃比應(yīng)小于1.3(11%BFG∶8%COG)。此時(shí)，鍋爐效率可以保持在92%以上，NOx排放濃度維持在210 mg/m3左右。

2.2 分級(jí)配風(fēng)優(yōu)化

開度對(duì)鍋爐性能影響如圖2所示。

圖2 開度對(duì)鍋爐性能影響圖

在優(yōu)化的BFG和COG熱量混燃比工況下，研究了SOFA2和SOFA1擋板開度對(duì)飛灰含碳量、排煙溫度及鍋爐效率的影響。隨著SOFA2和SOFA1擋板開度由10%增加到100%的過程中，飛灰含碳量和排煙溫度逐漸升高導(dǎo)致鍋爐效率降低。飛灰含碳量隨著SOFA2/SOFA1開度的增加逐漸上升。隨著SOFA2/SOFA1開度的增加，造成主燃區(qū)溫度水平降低及SOFA區(qū)域燃燒份額增加，導(dǎo)致了爐內(nèi)輻射換熱量減少及火焰中心上移，進(jìn)而提高了排煙溫度。鍋爐效率在飛灰含碳量及排煙溫度共同影響下，隨著SOFA2/SOFA1開度的增加而降低；但是，當(dāng)SOFA2/SOFA1擋板開度為100%時(shí)，鍋爐效率仍能保持在91.63%。綜合對(duì)比不同的SOFA2和SOFA1擋板開度對(duì)鍋爐性能的影響發(fā)現(xiàn)：保持SOFA2/SOFA1開度為100%，使NOx排放濃度降低到210 mg/m3左右，鍋爐效率保持在較高水平。

3 建立智能預(yù)測(cè)模型

3.1 預(yù)測(cè)模型

由于爐膛內(nèi)燃燒涉及復(fù)雜的物理化學(xué)過程，很難準(zhǔn)確建立輸入?yún)?shù)(燃料量、風(fēng)量及擋板開度等)與輸出參數(shù)(η)之間的數(shù)學(xué)關(guān)聯(lián)關(guān)系。因此，支持向量機(jī)(support vector machine,SVM)、神經(jīng)網(wǎng)絡(luò)等智能算法在燃燒建模中得到了廣泛的應(yīng)用[11-12]。

SVM回歸函數(shù)為：

(2)

本文采用高斯徑向基核函數(shù)：

(3)

式中：σ為函數(shù)的寬度參數(shù)。

反向傳播(back propagation,BP)神經(jīng)網(wǎng)絡(luò)輸出層和隱含層的神經(jīng)元傳遞函數(shù)分別為：

(4)

(5)

式中：f0(·)v為S型對(duì)數(shù)函數(shù)；fh(·)為S型對(duì)正切函數(shù)；x為自變量。

遺傳算法(genetic algorithm,GA)優(yōu)化BP(genetic algorithm back propagation,GABP)神經(jīng)網(wǎng)絡(luò)是采用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閥值，將預(yù)測(cè)和期望輸出的誤差絕對(duì)值作為適應(yīng)度值。GABP算法流程如圖3所示。

圖3 GABP算法流程圖

適應(yīng)度函數(shù)為：

(6)

由優(yōu)化試驗(yàn)結(jié)果可知，在煤質(zhì)不變工況下，影響鍋爐效率的變量主要有煤氣熱量混燃比、二次風(fēng)量、一次風(fēng)量、氧量、SOFA擋板開度及各層二次風(fēng)擋板開度等。因此，預(yù)測(cè)模型選取包括以上變量在內(nèi)的26個(gè)變量為輸入?yún)?shù)，鍋爐效率為輸出參數(shù)。將試驗(yàn)得到的50組工況分為42組訓(xùn)練樣本和8組測(cè)試樣本。利用訓(xùn)練好的SVM、BP及GABP模型進(jìn)行預(yù)測(cè)，并將預(yù)測(cè)值和試驗(yàn)值進(jìn)行對(duì)比，研究建立各模型的預(yù)測(cè)性能。

3.2 預(yù)測(cè)結(jié)果分析

鍋爐效率預(yù)測(cè)值與誤差曲線如圖4所示。由圖4可知，試驗(yàn)得到的鍋爐效率在91.80%～93.88%之間波動(dòng)，而SVM部分訓(xùn)練樣本和測(cè)試樣本對(duì)試驗(yàn)結(jié)果的逼近能力比較差。相對(duì)誤差同樣表明，SVM模型對(duì)訓(xùn)練樣本6和14的預(yù)測(cè)相對(duì)誤差大于1%，對(duì)測(cè)試樣本的最大預(yù)測(cè)相對(duì)誤差為1.19%。SVM模型對(duì)預(yù)測(cè)樣本的預(yù)測(cè)能力低于訓(xùn)練樣本，表明SVM模型泛化能力較差。

圖4 鍋爐效率預(yù)測(cè)值與誤差曲線

BP模型對(duì)訓(xùn)練樣本的逼近能力較好，訓(xùn)練樣本預(yù)測(cè)值能夠非常準(zhǔn)確逼近試驗(yàn)值，且相對(duì)誤差范圍為0.14%～0.76%。然而，該模型對(duì)測(cè)試樣本的預(yù)測(cè)值嚴(yán)重偏離了試驗(yàn)值，且相對(duì)誤差也較大；測(cè)試樣本的相對(duì)誤差為-4.89%～+1.90%，表明BP模型產(chǎn)生了過擬合現(xiàn)象。

GABP模型對(duì)訓(xùn)練樣本和測(cè)試樣本都具有較強(qiáng)的逼近能力。該模型對(duì)訓(xùn)練樣本的預(yù)測(cè)相對(duì)誤差與BP模型較為相近，都保持在較小范圍。同時(shí)，該模型對(duì)測(cè)試樣本的預(yù)測(cè)相對(duì)誤差也較小，所有測(cè)試樣本的預(yù)測(cè)相對(duì)誤差均在-0.21%～+0.37%。因此，GABP模型具有較強(qiáng)的泛化能力，未出現(xiàn)過擬合現(xiàn)象。

為了進(jìn)一步分析建立的3種模型的預(yù)測(cè)能力，本文采用均方根誤差(root mean square error,RMSE)和平均絕對(duì)百分比誤差(mean absolute percentage error,MAPE)，分別評(píng)價(jià)模型預(yù)測(cè)精度和預(yù)測(cè)值相對(duì)于試驗(yàn)值的平均偏離情況，如式(7)和式(8)所示：

(7)

(8)

模型預(yù)測(cè)性能如表3所示。

表3 模型預(yù)測(cè)性能

表3中:Tr為訓(xùn)練樣本；Te為測(cè)試樣本。

SVM對(duì)訓(xùn)練樣本和測(cè)試樣本的預(yù)測(cè)精度較低，且預(yù)測(cè)值偏離試驗(yàn)值。BP算法的RMSETr和MAPETr相對(duì)較小，說明該模型對(duì)訓(xùn)練樣本具有較高的預(yù)測(cè)精度，且該算法對(duì)訓(xùn)練樣本的預(yù)測(cè)值與試驗(yàn)值較為接近；但是BP算法的RMSETe和MAPETe都較大，說明BP算法出現(xiàn)了過擬合現(xiàn)象。GABP算法的RMSETr、MAPETr、RMSETe及MAPETe相對(duì)較小且相近，表明該算法具有較好的泛化能力，能夠準(zhǔn)確地對(duì)輸出參數(shù)進(jìn)行預(yù)測(cè)。

綜上可知，RMSE和MAPE對(duì)SVM、BP及GABP模型的評(píng)價(jià)結(jié)果與3.1節(jié)得出的結(jié)論相符合，再次驗(yàn)證了GABP具有較高的預(yù)測(cè)能力。

4 結(jié)束語

本文針對(duì)煤、氣混燃鍋爐進(jìn)行了優(yōu)化試驗(yàn)，試驗(yàn)得到BFG與COG的最佳配比應(yīng)小于1.3。調(diào)整SOFA2/SOFA1開度為100%，使鍋爐效率保持在91.63%。基于優(yōu)化試驗(yàn)數(shù)據(jù)，采用智能算法建立了鍋爐效率的SVM、BP及GABP的預(yù)測(cè)模型。預(yù)測(cè)結(jié)果表明，SVM模型對(duì)試驗(yàn)結(jié)果的逼近能力與泛化能力較差，BP模型產(chǎn)生了過擬合現(xiàn)象，GABP模型具有較強(qiáng)的逼近能力和泛化能力。SVM、BP及GABP模型的RMSE和MAPE評(píng)價(jià)結(jié)果再次驗(yàn)證了GABP為最優(yōu)鍋爐效率預(yù)測(cè)模型。

[2] AGBOR E，OYEDUN A O，ZHANG X，et al.Integrated techno-economic and environmental assessments of sixty scenarios for co-firing biomass with coal and natural gas[J].Applied Energy，2016，169(5)：433-449.

[3] MUN T Y，TUMSA T Z， LEE U，et al.Performance evaluation of co-firing various kinds of biomass with low rank coals in a 500MWe coal-fired power plant[J].Energy，2016，115(11)：954-962.

[4] BHATTACHARYA A，MANNA D，PAUL B，et al.Biomass integrated gasification combined cycle power generation with supplementary biomass firing：energy and exergy based performance analysis[J].Energy，2011，36(5)：2599-2610.

[5] KUO P C，WU W.Design and thermodynamic analysis of a hybrid power plant using torrefied biomass and coal blends[J].Energy Conversion Management，2016，111(3)：15-26.

[6] 王春波，魏建國，盛金貴，等.300MW煤粉/高爐煤氣混燃鍋爐燃燒特性數(shù)值模擬[J].中國電機(jī)工程學(xué)報(bào)，2012，32(14)：14-19.

[7] HOU S S，CHEN C H，CHANG C Y，et al.Firing blast furnace gas without support fuel in steel mill boilers[J].Energy Conversion Management，2011，52(7)：2758-2767.

[8] 易正明，肖慧，杜炳旭.鋼廠煤氣混燒鍋爐運(yùn)行優(yōu)化的試驗(yàn)研究[J].武漢科技大學(xué)學(xué)報(bào)(自然科學(xué)版)，2014，37(5)：345-349.

[9] CHEN H，LIANG Z.Damper opening optimization and performance of a co-firing boilerin a 300 MW plant[J].Applied Thermal Engineering，2017，123(8)：865-873.

[10]樊泉桂，閻維平，閆順林，等.鍋爐原理[M].北京：中電力出版社，2014：61-68.

[11]崔桂梅，張建平.熱值的神經(jīng)網(wǎng)絡(luò)模型研究[J].自動(dòng)化儀表，2017，38(5)：28-32.

[12]陳鴻偉，梁占偉，趙斌，等.調(diào)峰燃煤機(jī)組選擇性催化還原煙氣脫硝的建模預(yù)測(cè)優(yōu)化[J].環(huán)境污染與防治，2017，39(8)：869-872.