＊郭洪濤 毛國明 楊永紅 黃寅 劉聰 朱天宇

（1.華能國際電力股份有限公司玉環(huán)電廠 浙江 317600 2.武漢華中思能科技有限公司 湖北 430074）

前言

通過連續(xù)監(jiān)測露天煤場和圓形煤場煤堆的煤堆特性指標、氣候參數和煤質變化指標，找出煤質指標隨煤堆特性指標變化規(guī)律，得出不同煤質在不同環(huán)境條件下最佳堆存時間[1-2]。并且獲得煤炭在露天煤場和圓形煤場儲存過程中煤質變化規(guī)律，特別是原煤熱值損耗變化規(guī)律，可對入廠及入爐煤熱值差原因進行分析并為改善煤場管理提供依據[3-4]，為電廠帶來可觀的經濟效益[5-7]。

1.場損預測模型

可采用不同物理建模以及方法，包括微分方程模型、灰色預測模型、差分方程預測、馬爾可夫預測、插值與擬合、神經元網絡等，對煤場場損進行預測[8]；實際使用的模型根據數據源擬合結果的優(yōu)異進行選取。

本文以神經網絡模型方法，建立預測模型程[9]，如下：

（1）讀取歷史的煤場場損數據；

（2）對上述數據進行數據處理，包括數據清洗即歸一化處理；數據歸一化為將數據按照一定標準變換成無量綱的參數，常見的做法為歸一化參數等于參數與標準參數的商；

（3）生成樣本數據庫；

（4）確定神經網絡學習模型，包括卷積神經網絡、BP神經網絡模型等；

（5）確定訓練模型輸入層、隱藏層即輸出層參數；

（6）確定樣本數據庫中的訓練樣本、測試樣本、驗證樣本構成；

（7）調整訓練模型參數；

（8）訓練模型；

（9）檢查訓練誤差是否大于設定值，若不大于，則輸出訓練模型獲得煤場場損預測jar包；若大于設定值，則調整訓練參數，調整至第7步，直至誤差小于設定值，最終輸出煤場場損預測jar包。

模型建立過程如下圖1所示。

圖1 基于神經網絡模型的煤場預測模型

2.實際算例

本文的研究對象為為華能玉環(huán)電廠。玉環(huán)電廠為4×1000MW超超臨界機組，鍋爐采用П型布置、單爐膛、低NOx-MPM主燃燒器和MACT燃燒技術、反向雙切圓燃燒。鍋爐采用一次中間再熱、平衡通風、露天布置、固態(tài)排渣、全鋼構架、全懸吊結構，燃用神府東勝煤和晉北煤。

玉環(huán)電廠設四個煤場，通過式布置，煤場面積約為2×（200×430m2），單堆煤堆寬度42m，堆高為12m，最多貯煤量約為58.96萬噸。其場損參數見下表1所示。

表1 場損參數

其中各數據獲取方式如下：

（1）環(huán)境參數包括空氣濕度、環(huán)境溫度，可通過人工實時記錄上傳至系統(tǒng)或者系統(tǒng)自動抓取而獲取。

（2）煤堆物理參數包括煤堆高度、煤堆底部直徑、煤堆總質量、煤堆堆密度；其中煤堆高度和煤堆底部直徑通過實地測量獲得，如盤煤儀掃描或者人工測量后上傳。

（3）煤堆堆密度根據人工測量獲取，并讀取取樣時間點數據。

（4）煤堆總質量由煤堆體積和煤堆堆密度計算得出：煤堆體積根據盤煤儀掃描獲得。

（5）煤質特性參數包括煤堆熱值、收到基水分以及收到基揮發(fā)分，在取樣時間點取樣后根據進行工業(yè)分析獲得。

（6）煤堆溫度場參數為煤堆不同位置、深度的溫度值，獲取方法為：在取樣時間點提供煤堆實時溫度場，由程序處理后獲得煤堆內各分層平均溫度。

（7）噴淋水量參數為煤場噴淋水流量，根據實時記錄，噴水量為從堆放開始累積的噴水質量。

選取電廠2020年5月20日0點0分為取樣時間，獲取煤堆各取樣位置和深度的溫度數據，如表2所示；煤堆取樣測點位置示意圖如圖2所示。

表2 煤堆各測點溫度

圖2 煤堆測點位置

通過以上預測模型，得到煤場預測結果如下圖所示。經過與實際結果對比，得出場損預測結果精度較高，可滿足實際場損預測要求。

圖3 煤場場損預測結果

3.結論

本文對煤場存煤的煤質指標變化與煤場熱值損耗之間的規(guī)律進行深入探究，并有效指導燃煤運行人員的煤場管理和配煤摻燒工作，降低煤場熱值損耗，提高入爐煤熱值，減小熱值差，最終提高機組經濟性。由此可指導煤場管理和配煤摻燒工作，降低煤場熱值損耗，減少入場入爐煤熱值差，提高燃料經濟性。