SmartProcess燃烧优化系统与应用.docxVIP

SmartProcess燃烧优化系统及其应用摘要：　提高燃烧效率，降低煤耗是当前发电企业重点考虑的问题之一。文章介绍了艾默生公司SmartProcess燃烧优化系统的基本原理：采用线性模型、神 经网络模型和多种优化算法实现燃烧控制系统设定值和偏差的优化，从而实现燃烧过程优化。并介绍了该优化系统的硬件结构、具体优化实施步骤、应用案例和投资 回报情况。 关键词： 燃烧优化；OPC；集散控制系统 　　 0　引言 　2000年以来，我国的火电装机容量持续攀升。据中国电力企业联合会不完全统计，2003年新增装机容量3484万kW，2004年新增装机容量5055万kW［1］， 预计到2007年，电力市场将呈现供需总体平衡，略有剩余的状态，未来会凸现发电市场竞争的局面。加之煤价成本飞升和《京都议定书》等各种环保规范的约 束，在未来一段时间内，如何提高燃烧效率，减少污染物排放，降低发电成本将成为发电企业重点考虑的问题之一。因此，多家过程控制厂商推出了各具特色的优化 控制产品和解决方案。本文重点介绍艾默生过程控制有限公司的燃烧优化解决方案——SmartProcess燃烧优化系统，包括其基本原理、硬件、软件架构 及应用案例。1?　燃烧优化基本原理图1　燃烧优化原理图 　锅炉燃烧优化的目标是通过风和煤的合理配比，平衡燃烧效率和NOx排放，实现最为经济的燃烧。燃烧优化的基本原理如图1所示。优化系统 不会改变原有的控制结构，而是将优化结果作为优化后的设定值或者偏差送入原有的PID控制器。这种设计方案的最大优点是：优化系统既能直接进行闭环优化， 也能进行开环运行指导；而且仅需一键操作就可实现开环模式和闭环模式之间的切换。优化系统包含3个重要的组成部分：建模工具、预测模型部分和优化策略部分［2］。　建模工具提供各种数据分析、稳态模型和动态模型工具，能够利用锅炉运行数据和一系列燃烧试验数据建立和测试针对特定机组的数学模型。通过仿真测试的模型 将作为预测模型投入实际运行。建模前必须对原始数据进行数据校验，以保证所建立模型的正确性和合理性。建模工具属于交互式支持工具，能够对模型进行离线测 试，其运行与否不影响优化系统正常的运行。　预测模型部分能够根据现有的测量数据预测燃烧过程的发展趋势；预测模型部分是由一组锅炉燃 烧的数学模型所组成，能够对锅炉的重要燃烧参数进行模拟，达到短期预测的效果。预测模型分为稳态过程模型和动态过程模型2大类。一般而言，稳态过程模型常 采用回归和惯性环节辨识的方法进行建模，而动态过程模型则采用模糊神经网络或者回归神经网络的方法进行建模。一般而言，优化过程不是一步就能完成的，而是 会经过多次的“预测-优化”才能得到最合适的优化值，所以预测模型部分的输入数据将来源于过程测量数据和优化模块返回的优化中间数据2个方面。预测模型部 分的运行流程图如图2所示，首先将输入的数据进行数据校验，剔除明显的病态数据，并根据预先定义，完成滑动平均、正则化等预处理；然后根据当前运行工况的 特点来决定使用稳态模型还是动态模型；最后输出相应的预测结果至优化策略部分。 图2　预测模型运行流程图 　优化策略部分根据预测模型部分的输出，利用优化算法得出优化控制值。优化计算一般都是逐步逼近方式，所以在一个优化计算循环内会经过多次的“预测－优化”以得到最佳的优化值。优化指标f是锅炉效率、排放指标或者其他约束因素的线性加权函数 式中，W1为影响锅炉效率的加权值；W2为影响NOx排放量的加权值；W3为其他约束因素的加权值。且 　改变的权值就意味着优化目标的变化；如果关心锅炉效率，就将W1调高；如果更为关心NOx排放，就将W2调高。这种线性加权模式的优化指标大大提高了优化系统的灵活性，便于用户及时改变优化目标，以适应当时的电力市场和环保需求。　优化策略部分提供多种优化算法，包括Nelder－Mead’s simplex算法、Polak－Ribierre算法、Broyden－Flatcher－Goldfarb－Shanno(BFGS)算法等。优化系 统设计人员可以根据具体模型对象的特点选择最合适优化算法。优化算法的执行周期一般为10s或者更短的时间，执行时间取决于具体对象和控制回路的特点。?2　优化系统硬件结构 　燃烧优化软件支持过程控制中的对象链接和嵌入技术(OLE for Process Control，OPC)协议能够连接任何支持OPC的控制系统或者厂级监控信息系统(SIS)的实时/历史数据库。燃烧优化系统的典型硬件结构如图3所 示。燃烧优化系统一般包含2台PC计算机，1台是优化管理站，执行数据建模和系统维护管理任务；另1台是优化运行站，执行实时优化任务。 图3　燃烧优化系统典型硬件结构图 　优化运行站内置OPC软件，能够通过OPC协议从控制系统中的OPC服务器获取实时数据，并将