燃煤锅炉结渣特性预测方法综述

[ 中图分类号] T K227
随着电站锅炉容量越来越大, 煤粉锅炉结渣问题 更加突出 , 严重威 胁着发电机组的 安全和经济运 行。 炉膛结渣是多因素耦合的非常 复杂的物理和 化学过 程, 入炉燃料的灰分特性是结渣的决定因素, 而运行参 数则是结渣的重要的外部因素。对此 , 已有的研究提 [ 1~ 8] 出了许多预测方法并取得了一定的成果 。本文就 近 20 年来国内外在此领域内的研究方法进行综述。
1
单一指标评判方法
所谓单一指标评判方法即只根据某一种指标来粗 略评判 锅 炉结 渣 倾 向。单 一 指 标评 判 方 法多 种 多 样[ 1~ 8] 。如图 1 所示 , 主要包含煤质 ( 静态特性 ) 和锅 炉运行( 动态特性) 两个方面。
软化温度 硅铝比 常规指标 碱酸比 煤质结渣特性 硅比 ( 静态特性 ) 重力筛分 燃 磁力分析 煤 非常规指标 相图 锅 热显微镜 炉 结 锅炉燃烧器结构 渣 炉膛平均温度 特 流场 性 锅炉结渣特性 减温水量 ( 动态特性 ) 炉膛出口烟温 切圆直径 过量空气 锅炉负荷比 图 1 锅炉结渣倾向判别指标
文献把煤灰软化温度 t2 、 灰成分硅铝比 SiO2 / Al2 O 3 、 硅质量比 G 、 灰成分结渣指数 B/ A 4 个常规指标综合 考虑, 采用加权平均法, 提出了一种新的判别方法 综合判别指数 R 。通过对 90 余个中国动力用煤结渣 特性进行评判, 结果表明准确率达 90% 。 R = 1. 237B/ A + 0. 282SiO2 / Al2 O 3 - 0. 0023t 2 0. 0189G + 5. 415 2. 2 模糊数学 采用模糊数学对结渣进行评判可以有效地克服单 一指标分类界限过于明显的问题, 而且与综合指数相 比, 它又很好地解决了权重过于平均化的问题。 早在上个世纪 80 年代, 孙亦碌等人便运用模糊数 学的思想预测燃煤结渣性, 并编制了用于综合判别的 RT SQ 程序。这可以说是运用模糊数学对燃煤结渣特 性进行综合评判的雏形。 进入 90 年代, 邱建荣等人针对单指标评判混煤的 结渣特性准确率偏低的问题, 对 3 种煤及其混煤的结 渣特性进行了研究 , 测定了与结渣关系最为密切的煤 灰成分及灰熔点 , 并将其作为模糊综合评判的因素集 对煤的结渣特性进行了评判, 与常规指标相比, 其评价 更为全面客观。之后 , 又将邓聚龙的灰色聚类理论应 用于燃煤结渣特性的评判中。灰色聚类理论继承了模 糊数学法的优点 , 注意到分级界限不确定性问题 , 并在 此基础上给出了属于某一等级的可能性分布。用此理 论来判别煤的结渣性其结果无疑更符合客观实际。 冯宝安等人针对常规指标评判燃煤结渣特性准确 率不高的特点, 提出采用常规结渣指标的模糊综合评 判方法, 建立了从因素集到评判集的模糊映射并导出 模糊关系矩阵 R f , 通过合理选取权重集及隶属函数之 后, 将此模型用于 8 个煤种的结渣特性评判中, 其评判 结果与实际运行结果相符。与此同时 , 其还应用多种 单级模糊综合评判模型对燃煤结渣特性进行评判。通 过对主因素决定型 M ( , V) 和 M ( , V) 、 加权平均型 M( ,+ ) 及 M( , ) 等模型的评判结果的比较, 得 出单级模型 M ( , V ) 的准确率最高的结论。刘伯谦 等人针对元宝山褐煤的结渣特性预报不准确的问题, 提出了将改进了的常规指标以及新引入锅炉运行参数 等多种单一判别准则运用于模糊数学 , 对褐煤结渣状 况进行了有效判别。 本世纪初, 曹欣玉等人通过对煤的各种结渣特性 ( 1)
技术经济综述
燃煤锅炉结渣特性预测方法综述
陈立军, 文孝强, 王 恭, 孙灵芳, 杨善让
132012) ( 东北电力学院 , 吉林 吉林
[ 摘 要] 从单指标和多指标两个方面对近 20 年来燃煤锅炉结渣特性的预测方法进行了综述, 主要包括 综合指数 R 、 模糊数学 、 模式识别 、 人工神经网络等 。 同时, 阐述了各评判方法的优点和不足之处, 并针对 存在的问题提出了相应的改进建议 。 [ 关键词] 燃煤锅炉; 结渣特性; 煤质; 灰成分; 锅炉运行 [ 文献标识码 ] A [ 文章编号 ] 1002 3364( 2006) 06 0001 05
以前多采用考虑整体效果的常规指标对锅炉的结 渣倾向进行预测 , 而往往忽视了反映煤燃烧时局部行 为的非常规指标。为此 , 一些学者提出了新的非常规
热力发电
2006( 06)
1
技术经济综述
2. 1 综合指数 R 为了克服单一指标准确率普遍偏低的缺点, 有些 指标及模糊评判方法进行深入的研究和比较, 提出采 用模糊划分矩阵的第二类模糊聚类分析方法来划分结 渣等级标准和聚类中心, 然后用最小广义距离来判断 混煤的结渣倾向, 该方法具有较强的客观准确性。进 而 , 在分析单一结渣判别指标的缺陷及其原因的基础 上 , 针对常规指标评判水煤浆结渣倾向准确率普遍不 高的问题, 有针对性地提取了分辨率较高的硫分结渣 指数与结渣综合指数 R 以及 4 个常规指标构成 评判 因素集。基于模糊数学理论的灰色聚类方法 , 对某集 团公司水煤浆和普通水煤浆进行结渣倾向预测, 该方 法较传统的方法有更高的准确性。此外, 杨圣春提出 了分别适合 于预测单一煤种和混煤 的模糊评判模 型 CSM1 和 CSM 2; 许志华则针 对有关模糊判别法和 灰 色聚法中所出现的缺欠, 对其进行了补正 , 并讨论了补 正后引起的计算量增大的问题。 2 . 3 模式识别 模式识别方法分为直接方法和间接方法 , 而通常 适用于电站锅炉结渣特性判断的主要是间接方法。相 对于模糊数学方法而言, 模式识别方法应用于燃煤结 渣预测和评判所经历的时间不长, 相应地 , 涉及此种方 法的文献资料较少。但是, 可以预见如果能将用于辨 识的模型的数据库建立起来, 此种方法在预测燃煤锅 炉结渣方面的优势将会得到很好的发挥。 文献[ 13] 运用了模式识别方法, 将已知结渣状况 的 6 个煤种作为模型 , 采用了 4 个评判指标, 对受检煤 种进行识别 , 通过计算与前 6 个已知模型的贴近度, 来 判别受检者的归属类型。可以看出, 此模型比较粗糙 , 只有 6 个已知的煤种 , 识别范围狭窄 , 且只考虑了煤灰 的特性 , 仅适用于燃烧工况比较接近的不同煤灰的评 判。文献[ 14] 则将在实际运行中不同结渣程度的 9 台 锅炉作为样本, 采用了 4 个常规的静态指标和无因次 炉膛平均温度与无因次实际切圆直径 2 个动态指标 , 对未知锅炉结渣状况进行评判。通过对 7 台受检锅炉 进行评判, 表明此方法可行。文献 [ 15] 选用了 7 个已 知结渣程度的燃煤作为标准模型 , 以 4 个常规指标和 综合指数 R 为评判因素集 , 根据择近原则, 对同 一台 锅炉不同部位的 3 个样品 ( 炉渣 , 转向室灰 , 除尘灰 ) 以 及某燃料水煤浆灰进行识别, 以判断属于何种结渣程 度 , 结果表明 , 本方法较 4 因素法有效。 2 . 4 人工神经网络 人工神经网络是一种模仿和延伸人类功能的新型
评判方法, 这些方法是在原有方法基础上的改进或创 新。文献[ 9] 避开传统的研究燃煤结渣特性的方法, 从 煤灰矿物成分出发, 从微观角度 , 根据煤中矿物质分布 不均匀的特点, 用不同重度的有机溶剂将不同的矿物 质分离出来 , 以此来对煤的结渣和沾污特性进行预测 ; 文献[ 10] 根据温度升高煤灰的导电能力存在一个导电 能力突变点 , 其对应的煤灰中出现熔融液相并开始烧 结的最低温度这一现象, 对煤灰的结渣特性进行预测 , 避免了观测灰样软化时的主观性 , 得到了比较准确的 评价煤的结渣特性的方法 ; 文献 [ 11] 对传统方法进行 了改进 , 利用摄像机和计算机等廉价设备代替昂贵的 热显微镜观察燃煤燃烧形态变化作为判断煤的结渣特 性的新方法 , 通过与传统方法进行比较, 表明此方法是 可行的 ; 文献 [ 12] 根据煤粉在制备过程中的偏析现象 , 依据磁铁对煤粉的磁力吸附百分比来判别不同煤种结 渣性, 实现了快速测量与预测。
Байду номын сангаас
2
多指标综合评判方法
所谓多指标综合评判方法, 即是将几个单指标综
合起来考虑来预测煤的结渣特性。我国幅员辽阔 , 动 力用煤品种多, 煤质多变, 使得单指标评判和预测煤的 结渣性准确率较低。尽管在广泛的调研基础上 , 利用 最优分割得到了符合我国实际的评判界限, 提高了评 判准确性, 仍难满足实际需要。因此 , 在此基础上产生 了综合判断方法。
2
热力发电
2006( 06)
技术经济综述
信息处理系统, 它可以从大量存在的知识样本中通过 学习提取出有效的知识和规则。在学习过程中, 此模 型能够不断地适应环境的 变化, 不断 完善、 发 展和创 新, 具有高度的容错性、 鲁棒性和适时性。因此, 此种 方法被广泛地应用于燃煤结渣性的评判。 钱诗智等人在上个世纪 90 年代 , 采用 3 层 BP 网 络对煤灰结渣性进行预报。该网络以 4 个常规指标所 对应的 12 种不同情况为网络输入, 以不结渣、 轻微、 中 等和严重为 4 个网络输出, 采用包含 3 个节点的一层 隐层。在利用 41 个样本对网络进行训练后 , 对 15 种 动力用煤的结渣特性进行预报, 结果表明除对混煤的 评判结果与实际情况稍有差别外, 其它的对单一煤种 的评判均与实际相符合。之后, 刘革辉等人又进一步 提出了将 RLS ( 递推最小二乘 ) 法和梯 度下降法分别 用于网络学习的前向和反传过 程的模糊神经 网络模 型, 该模型为 5 层网络, 其中采用了 4 个常规指标作为 输入变量 , 以 4 个评判 等级作为输出 , 在对网 络利用 25 个样本进行训练后, 对 12 个动力用 煤进行结渣评 判, 结果表明此方法精度高 , 速度快, 且具有自适应的 能力。 王斌忠等人利用模糊数学和神经网络的知识, 构 造了 4 层模糊神经网络 , 用它来判 定煤的结渣特 性。 该网络由模糊化层、 模糊推理层 ( 2 层) 等组成 , 没有去 模糊化层, 在网络训练过程中采用的是比较成熟的 BP 算法。值得一提的是 , 其模糊化层采用 3 种激励函数, 分别为 Sig moid 函数、 高 斯函数 和 Sigm oid 补函 数。 通过与常规 BP 网络进行比较得出 , 此 网络具有学习 速度快, 结果准确的特点。 肖隽等人对传统的 BP 算法进行了改进 , 引入了 共轭梯度和自适应学习速率, 建立了煤灰结渣诊断网 络。该网络以煤灰的 7 个氧化物 成分 ( SiO2 、 Al2 O 3 、 Fe 2 O 3 、 CaO、 Mg O、 Na2 O+ K 2 O 、 T iO2 ) 作为输入 , 通过 用 150 个样本对网络进行训练后, 对 55 个样本进行了 结渣测试 , 结果有 53 个判断结果与实际相符合, 2 个 不确定。 谷俊杰等人 将粗集理论与模 糊神经网络结 合起 来, 先用粗集理论提取规则经验 , 再将此规则应用于模 糊 BP 网络的建模, 建立了基于粗集理论的 4 层模糊 神经网络。用经过处理的样本对网络进行训练后, 对 14 个动力用煤的结渣特性进行了评判, 与普通的模糊 神经网络相比, 其模型简便且可靠性高。 徐创学等人利用现代计算机在处理数据信息方面 的能力 , 利用数据挖掘技术, 以国内上千种动力煤样的 分析数据为数据源, 建立了 2 个主要网络模型: ( 1) 煤 灰成分数值与其它各实验项目指标的映射模型, 此模 型选 10 项煤灰成分( SiO2 、 Al2 O 3 、 F e2 O 3 、 CaO、 M gO 、 Na 2 O 、 K2O、 T iO 2 、 SO3 、 M nO 2 ) 作为网络的输入, 以灰 熔点、 热显微镜、 煤灰高温粘度以及燃烧炉渣型指数作 为网络的输出; ( 2) 包含各项目指标的综合模型, 此模 型选取了煤灰成分( B / A 、 Si/ Al) 、 灰熔点 ( R tj ) 、 热显微 镜( Rt ) 、 高温黏度 ( R n ) 、 燃烧炉渣型指数等 7 个指标作 为输入 , 3 个节点输出, 一层隐层。通过抽取 670 个样 本作为训练样本对网络进行训练后 , 对其余样本进行 了测验。此方法基于大量样本试验数据扩展了对锅炉 运行中结渣状态的判断普及适用性。 此外, 杨建蒙等人采用了 CNFIS( 协动作的神经 模糊推理系统) 算法, 同时训练模糊模型的前提和结论 部分来判别煤的结渣倾向性, 利用了某文献中的数据 训练网络对 14 个动力用煤的结渣性进行检验 , 其可识 别精度相当高。文献 [ 26] 先是分别对 BP 和 RBF 网络 进行比较, 确定采用 BP 网络 , 接着在 M at lab 环 境中 对 N ew cf 等几个函数进行了比较, 最后确定 New cf 函 数作为网络学习函数 , 用它对燃煤结渣特性进行评判。 2 . 5 其它方法 文献[ 33] 为更好地解决燃煤结渣特性评判问题 , 撇开了常规的确定样本指标权系数的方法 , 如 : 主成分 分析法、 熵值赋权法、 均方差法、 神经网络和模糊熵法。 试着采用分离系数的方法来获得各指标的权系数 , 建 立起一套较为适用的煤灰结渣预报系统, 同时对不同 属性测度函数下的预报效果予以讨论。文献[ 34] 利用 粗集理论, 把结渣特性与各氧化物之间的强非线性关 系进行有效建模 , 得到煤灰结渣特性的粗集评判模型。