燃煤电站锅炉受热面灰污监测研究 research on fouling monitoring of boiler heating surface.pdfVIP

2009年第4期 节 能 (总第321期) ENERGYCONSERVATl0N 燃煤电站锅炉受热面灰污监测研究 闫水保，徐瑞，刘综绪 (郑州大学化工学院，河南郑州450001) 摘要：锅炉受热面积灰和结渣会导致锅炉运行的安全性和经济性下降。定义了新的受热面清洁因子，考 虑了锅炉各受热面清洁时与灰污平衡时工质进出口焓升的变化，该清洁因子能够更显著地反映出受热 面的灰污程度。应用BP神经网络预测不同工况下锅炉各受热面的工质焓升极大值与极小值，实时计算 出锅炉各受热面的灰污状况，可指导和优化锅炉吹灰操作，并以屏式过热器为例进行了验证。 关键词：锅炉；灰污监测；BP神经网络；清洁因子 中图分类号：TK29文献标识码：A文章编号：1004—7948(2009)04—0019一02 引言 电站锅炉运行中，各受热面不可避免地存在着 积灰和结渣现象，使得传热热阻和尾部烟道通风阻 力增加，影响锅炉安全、经济运行，因此有必要对锅 式中：△JIl。一运行中受热面工质的进出口焓升， 炉各受热面灰污进行实时在线监测。在锅炉受热面 kJ／kg；Ah小Ah。。一分别为对应工况下受热面清洁 灰污监测中，一般是通过热平衡法逆烟气流向计算 时与灰污平衡时工质的进出口焓升，kJ／kg。 受热面的实际对流传热系数数值，实现对受热面灰 显然，受热面清洁时c，最大，趋于l；受热面灰 污的在线监测¨]。传统灰污监测方法由于用到烟 污严重时，G趋于0；正常运行过程中，受热面清洁 气侧参数，实际应用中受到限制。在实际应用中发 因子在0—1之间变化。可以看出：此清洁因子定义 J 能显著地反映受热面的灰污程度。 现：以工质侧焓升比定义的受热面灰污特征参数【2 在某些工况下变化不明显，加上随机噪声的影响，常 2监测方法的实现 常无法正确地反映受热面的灰污程度。在锅炉积灰 锅炉运行当中受热面工质进出口焓升可由 监测方法中，人工智能越来越得到成功的应用。比 DAS系统实时采集的工质侧温度、压力参数值通过 如，人工神经网络由于其出色的非线性逼近能力已 计算得到，而不同工况下受热面清洁时与灰污达到 被广泛地应用于电站锅炉各受热面的灰污监 动态平衡进出口焓升如何确定成为关键问题。可以 测‘3—61。 根据运行数据获得一些受热面清洁时和灰污平衡时 本文定义了新的受热面清洁因子，考虑了受热 的样本点，然后用这些样本点来训练神经网络，进而 面清洁时与灰污平衡时工质进出口焓升的变化。运 用神经网络来预测所有工况受热面清洁时焓升(极 用BP神经网络对不同工况下锅炉各受热面焓升的 大值)与灰污平衡时焓升(极小值)。 极大值及极小值进行预测，在线计算锅炉各受热面 清洁受热面焓升样本数据选取可以截取受热面 的灰污状况、指导和优化锅炉的吹灰操作。 吹灰结束时刻或吹灰结束不久的时间段内的所需数 1灰污特征参数的选取 据，也可以用厂家提供的锅炉变工况数据；受热面灰 受热面积灰过程是一个逐渐积累并最终达到动 污平衡时工质进出口焓升样本数据可以待机组长时 态平衡的过程，各受热面工质侧进出口焓升与其灰 间未执行吹灰操作时进行采集，这时，锅炉各受热面 污程度存在相关性：相同进口工况下，受热面清洁时 灰污达到动态平衡。 换热状况良好，工质进出口焓升最大；受热面灰污达 3BP神经网络模型 到动态平衡时传热效果最差，工质进出口焓升最小， 本文采用BP神经网络模型，输入参数为工质 在此定义一个新的受热