《数字化煤场系统和配煤优化.pdf》由会员分享，可在线阅读，更多相关《数字化煤场系统和配煤优化.pdf（18页珍藏版）》请在金锄头文库上搜索。
1、数字化煤场系统和配煤优化 周昊 岑可法 能源清洁利用国家重点实验室 浙江大学热能工程研究所 浙江杭州 3 1 0 0 2 7 k 一 刖青 由于煤炭供应紧张 电厂用煤种类复杂 来量多变 不易在容量较小的电厂煤场进行合理的分类 造成入炉煤性质无法确切知道 以致燃烧后引起锅炉结渣 飞灰含碳量高 锅炉灭火等一系列影响电 厂锅炉安全经济运行的问题 动力配煤技术是根据用户对煤质的要求 将若干种不同种类 不同性质的煤按优化原理找到最佳 配比 掺配成在综合性能上呈 最佳状态 的新 煤种 满足锅炉在不同条件下的各种需要 为稳 定锅炉入炉燃煤的性质 各电厂加强了煤场的管理 并尝试进行锅炉配煤掺烧运行 但电厂普遍
2、存在 的煤场容量较小 不能分堆堆放不同来源的煤种 有鉴于此 开发了数字化分段堆煤信息系统 实现了燃煤分段堆放和数字化煤场的动态管理 在数字化煤场开发的过程中 针对现有优化配煤技术基本上都采用线性规划方案 认为混煤和单 煤的特性和参数之间只是简单的加权平均关系 而本项目经过实验研究及其理论分析发现 混煤和单 煤的特性参数之间的真实关系是非线性的 因此本项目采用了非线性配煤技术 引入了基于计算智能 的优化配煤方法 采用支持向量机 S u p p o r tV e c t o rM a c h i n e s V M 方法对配煤的非线性进行建模 并编制程序 实现最佳配煤方案的寻优 分段堆煤与分堆堆煤
3、之间的一个重要差别就是分段堆煤条件下煤段与煤段的交界面之间由于煤 的自然堆积角现象会形成煤堆之间的掺混 本项目对煤分段堆煤各煤段之间的煤掺混问题进行了试验 和模型研究 从而可以提高分段堆煤条件下煤场数字化管理的准确性 对于直吹式煤粉锅炉 还存在两种炉内混煤掺烧方式 一种是炉内完全掺烧 即各磨煤机煤斗中 的上煤都是通过输煤程控系统掺好的煤 每层燃烧器燃烧的煤粉都是混好的煤 而另一种掺烧方法为 炉内分层掺烧方法 即部分一次风层采用某种煤 而另外部分一次风层采用另一种煤 选煤的种类和 比例根据非线性配煤的优化配煤结果而定 也对这两种混煤燃烧方法即混煤炉内分层燃烧和完全混烧 进行了研究 本文的主要内容
4、包括 1 煤场分段堆煤的数字化管理 2 支持向量机和遗传算法相结合的非线性优化配煤技术 3 对原煤仓分仓掺烧与混煤燃烧两种方式下的炉内燃烧过程进行对比研究 获取较佳的燃烧方 式 二 电厂燃煤优化配制的试验研究和配煤的非线性特性 优化配煤的关键问题是要了解配煤后的煤质成分 综合特性和组成该配煤的各单煤的煤质成分及 1 3 5 综合特性之间的关系如何 为此 我们选用了常用的典型煤种作为研究对象 按不同比倒配制了配煤 样 对单煤和配煤后煤样进行了水分 灰分 挥发分 发热量 着火特性 燃烧特性 结渣特性及污 絷物捧放特性等进行较为系统的基础试验研究 旨在为优化配煤提供参考依据 试验结果表明 配煤的备项
5、指标与单煤之间部存在一定的1 F 线性特性 但相埘而占 对于水分 发热量 固定碳的计算基本可采用加权平均的计算方法 而配煤的挥发分 燃尽率 着火特性艇敷熔 点的非线性特性很强 采用加权平均的方法不合适 三 煤场的分段堆煤数宁化管理 31 开展煤场分段堆煤数字化管理的意义 与大型配煤场小同 电r 将遍煤场容最较小 币能单独分堆堆放小嗣来振的煤神 往往需要充分 利用煤场容罱 实现分段堆煤 图3l 为升段堆煤的不意圈 可见 个煤场披划为很多段 不同段存 放不同的煤种 从而实现分段堆煤 为随时掌握各段煤的特性 存最等信息 开发r 数字化分段堆煤 信息系统 实现了燃煤的分段堆放和数宁化动态管理 鳃噎警睁
6、j 兰霹擎 镬受睁 图3 1 分段堆煤示意图 32 煤场的数字化分段堆煤管理软件系统 在输煤程控系统中的配煤掺烧方面 国外输煤在j 匠年来多已采用 而国内这1 0 年来的输j 某程控 系统改造也未能实现配煤掺烧 在奉研究项目巾 把优质攥与质差煤进行掺烧 研究出了一套 适时 配煤 充分发挥备掺配煤的优点 使其最终综合性能达到各台炉蛙佳运行状态的应用系统 其技术 和应用属国内领先水平 为实现配煤掺烧的数据管理 构建了电厂煤场管理系统 系统贮存的数据 有 四个煤场的存煤总概况立体图和总教据表 存攥数量及总存煤最 煤船 煤质指标 低位热值 仝水分 同定碳 硫分 挥发分和灰熔点 堆煤时问 存煤温度等效据
7、 在系统j 界面E 当存煤 并项指标均在标准范嘲内则该存煤以黑色显示 表示台格 当某一指标小合格时以不同颜色反映 系 统查询的功能有 1 按煤船壹询时 系统列出存煤的煤船名称及航次列表 当选定煤船时 主界面中存有渡船煤 的位置虬明显的方式进行显示井生成数据表 表中显示该船煤的堆放位置 数量及煤质指标 试烧建议等 2 接煤质指标赍询时 系统列出煤场存煤总数据表 表中包括装港港口 煤场 位置 船名航 次 来船日期 存煤量及各煤质指标 并在界面左上角设置对全水分 挥发分 固定碳 含 硫分 灰融点 低位热值等进行排序奁询 3 按堆煤时问查询时 系统列出存煤堆放时间段 分别为1 个月内 以黑色显示 1
8、2 月 以 蓝色显玳 2 个月以上 以黄色显示 已自燃 以红色显示 由操作员设定 4 按存煤温度啬淘时 系统列出存煤存煤温度 5 按煤场查询时 系统放大显示该煤场存煤情况立体圈及数据表 数据表包括 装港港口 位 置 舟 名航次 来船日期 存煤最及备煤质指标 灰融点 T 1 2 0 北 试烧意见 6 当点击指标超标准的存煤数据表的扩展按钮时 则自动生成按优先级别进行筛选排序的当前 现有存煤艟佳配煤建议列表 7 查询界商设有 个输入按钮 按钮分为 青零按钮 自燃设定按钮和莸融点低设定按钮 清零 按钮下拉煤场位置列表 选q 位置后该化置存煤数据自动请零 自燃设定按钮也下拉煤场位 置列表 选定位置后该
9、位置存煤标示为已自燃 灰融点低设定按钮也下拉煤场位置列表 选 定位簧后该位置存煤标示为灰融点低 配煤掺烧实现方法 1 原则上煤质指标在标准范围内的存煤不进行配煤 2 5 煤质指标超过标准范围的存煤 必须进行配煤 配煤指标优先级别捧序为低位热值 仝水分 同定碳 硫分 挥发分 3 配煤方法采用基于支持向量机的优化配煤方法 配煤比例为两种煤配煤后的低位热值 仝水分 固定碳 硫分指标的代数平均值和挥发分 灰融点指标在标准范围内 煤场管理系统的界面如以图32 所示 尸2 鼍霉宁掣 竺 塑鬯 斧雌 i 需甄 戤豳 蚺罴嚣一 L 虬 f 骥 錾莉捌 垂毫 要二曼曼 鬟 暑二i z 函矿 二 1 五玉函磊五百
10、一一 图32 煤场管理系统界面 四 基于支持向量机的非线性优化配煤技术 4 1 非线性优化配煤技术 由于煤燃烧特性与煤质分析数据 灰成分分析等分析数据是非线性映射关系 因此 不管混煤 的煤质分析数据 灰成分分析等分析数据与组成单煤对应数据间关系如何 混煤燃烧特性指标也必然 呈现非线性规律 4 2 基于支持向量机技术的优化配煤技术的应用 为实现快速 准确 可靠的电厂煤场配煤技术 创新性地提出了基于支持向量机技术的优化配煤 技术 4 2 1 支持向量机介绍 与传统统计学相比 统计学习理论 S t a t i s t i c a lL e a r n i n gT h e o r y 或S L T
11、是一种专门研究小 样本情况下机器学习规律的理论 建立在一套较坚实的理论基础之上的 为解决有限样本学习问题提 供了一个统一的框架 同时 这一理论基础上发展了一种新的通用学习方法一支持向量机 S u p p o r t V e c t o rM a c h i n e 或S 已表现出很多优于已有方法的性能 支持向量机方法是建立在统计学习理论的V C 维理论和结构风险最小原理基础上的 根据有限的 样本信息在模型的复杂性 即对特定训练样本的学习精度 A c c u r a c y 和学习能力之间寻求最佳折衷 以期获得最好的推广能力 G e n e r a l i z a t i nA b i l i
12、t y 支持向量机方法的主要优点有 1 它是专门针对有限样本情况 其目标是得到现有信息下的最优解而不仅仅是样本数趋于无穷 大时的最优值 2 算法最终将转化成为一个二次型寻优问题 从理论上说 得到的将是全局最优点 解决了在 神经网络方法中无法避免的局部极值问题 3 算法将实际问题通过非线性变换转换到高维的特征空间 F e a t u r eS p a c e 在高维空间中构 造线性判别函数来实现原空间中的非线性判别函数 特殊性质能保证机器有较好的推广能 力 同时它巧妙地解决了维数问题 其算法复杂度与样本维数无关 S V M 算法通过非线性变 化升维的图示如图4 1 和4 2 所示 t J x I
13、 t t 薯 l tx f 一 o t 一 o 7 t l I k 乡 一 l l t 鼍 t 鼻 1 3 8 z 3 图4 l 升维的图示 韭线 眭睦慰尘 样本空间 特征空间 图4 2 非线性映射的图示 422 遗传算法舟绍 遗传算法是受生物进化学说和遗传学说启发而发展起来的 基于适者生存思想的一种较通用的问 题求解方法 利用遗传算法进行寻优时 编码 选择 交叉 变异是四个重要步骤 遗传算法作为一 种全局优化搜索方法 具有简单 通用普适性强 适用于井行处理和应用范围广等优点 遗传算法特别适用于传统搜索方法难以解决的复袭的和非线性的问题 可广泛用于组合优化 自 适应控制 规划设计和人工生命等领
14、域 作为一种艇机优化技术在解优化问题中显示了优于传统优化 算法的性能 遗传算法的一个显著优势是不需要目标函数明确的数学方程和导数表达式 同时又是一 种全局寻优算法 不会象某些传统算法易于陷入局部最优解 42 3 煤灰软化温度和挥发分的支持向量机模型 灰软化温度的支持向量机模型采用七个输入量和一个输出量 七个输入量为 S i O2 A I 2 0 F 2 0 3 C a O M g O T i O2 N a2 0 K2 0 N a 和K 的氧化物对荻软化温度的影响相似 且其质量 分数较小 因此合并为一十输入量 的质量分教 输出量为 煤灰软化温度 s T 挥发分模型采用六个输入量一个输出量 六十输
15、入量为 灰分含量及元素分析数据 碳 氢 氟 硫 氧的含量 输出量为 挥发分含量 支持向量机模型的e 精度取为O O l 设定训练误差小于0 0 0 1 时停止训练 利用遗传算法对模型 参数g 和c 进行寻优 寻优区间分别为 O 1 0 0 0 2 0 0 采用支持向量机进行非线性建模时还涉及到核函数的选择问题 核函数的选择对于支持向量机回 归分析具有相当的影响 但目前对于如何选择核函数尚无成熟理论 本文选用径向基函数 e x p g x l 扩毋I2 作为核函数 选用径向基和函数后 支持向量机模型中有两个重要参数g 和f 罚因子 需要确定 因此应用遗传算 法对核函数的参数进行寻优 找到最优的模
16、型参数 以确定模型 遗传算法的群体规模选为5 0 杂交概率为O 8 变异概率为0 2 5 进化代数设为1 0 0 0 代 选择 模型参数时评价函数设为检验样本的均方差 图4 3 给出了模型建立和参数寻优的流程图 表4 一l 给出了遗传算法对挥发分模型和灰熔点模型参数寻优的结果 图4 4 图4 5 分别给出了灰熔点与挥 发份预测与实验情况对比图 该模型比较精确的对所有样品作出了预测 灰熔点和挥发分模型的最大 预测误差分别为2 4 0 7 和1 0 8 7 图4 3 建模和寻优流程图 表4 1 遗传算法寻结果表 g C 均方差迭代次数 灰熔点模型1 3 3 52 9 9 2 2 4 4 9 71 0 0 0 挥发分模型 0 47 8 60 0 1 4 1 0 0 0 1 4 0 j 二 尹7 7 77 重量 科彗 o艟 挥茨分实验值 图4 4 灰熔点预测与实验情况对比图图4 5 挥发分预测与实验情况对比图 4 3 优化配煤方粟 现有的优化配煤数学模型基本上是一个线性规划的数学问题 既然混煤与单煤的关系并不是简单 的加权关系 线性规划得到的最优配煤方案准确性和可靠性都不能得到保证 应该根据混
