SmartProcess燃烧优化系统及其应用 Smart Process Combustion Optimization System and Its Application.pdfVIP

2006年2月 电力设备 Feb．2006 第7卷第2期 Elec【吣刮Equip帐抓 VOI．7N0．2 王 军1，章正林2，姜书敏1 (1．艾默生过程控制有限公司北京市100020；2．安徽省电力科学研究院安徽省合肥市230032) 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smanProces8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；0PC；集散控制系统 中图分类号：TP273 建模工具提供各种数据分析、稳态模型和动态模型 O引言 工具，能够利用锅炉运行数据和一系列燃烧试验数据建 2000年以来，我国的火电装机容量持续攀升。据中 立和测试针对特定机组的数学模型。通过仿真测试的模 国电力企业联合会不完全统计，2003年新增装机容量型将作为预测模型投入实际运行。建模前必须对原始数 3 055万kwu 据进行数据校验，以保证所建立模型的正确性和合理性。 484万kw，2004年新增装机容量5J，预计到 20Cr7年，电力市场将呈现供需总体平衡，略有剩余的建模工具属于交互式支持工具，能够对模型进行离线测 状态，未来会凸现发电市场竞争的局面。加之煤价成 试，其运行与否不影响优化系统正常的运行。 本飞升和《京都议定书》等各种环保规范的约束，在未 预测模型部分能够根据现有的测量数据预测燃烧 来一段时间内，如何提高燃烧效率，减少污染物排放， 过程的发展趋势；预测模型部分是由一组锅炉燃烧的数 降低发电成本将成为发电企业重点考虑的问题之一。 学模型所组成，能够对锅炉的重要燃烧参数进行模拟，达 因此，多家过程控制厂商推出了各具特色的优化控制 到短期预测的效果。预测模型分为稳态过程模型和动态 产品和解决方案。本文重点介绍艾默生过程控制有限 过程模型2大类。一般而言，稳态过程模型常采用回归 公司的燃烧优化解决方案——smartProces8燃烧优化 和惯l生环节辨识的方法进行建模，而动态过程模型则采 系统，包括其基本原理、硬件、软件架构及应用案例。 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 1 燃烧优化基本原理 过多次的“预测一优化”才能得到最合适的优化值， 锅炉燃烧优化的目标是通过风和煤的合理配比， 所以预测模型部分的输入数据将来源于过程测量数 平衡燃烧效率和NO。排放，实现最为经济的燃烧。燃 据和优化模块返回的优化中间数据2个方面。预测 烧优化的基本原理如图1所示。优化系统不会改变 模型部分的运行流程图如图2所示，首先将输入的数 原有的控制结构，而是将优化结果作为优化后的设定 据进行数据校验，剔除明显的病态数据，并根据预先 值或者偏差送入原有的PID控制器。这种设计方案 定义，完成滑动平均、正则化等预处理；然后根据当前 的最大优点是：优化系统既能直接进行闭环优化，也 运行工况的特点来决定使用稳态模型还是动态模型； 能进行开环运行指导；而且仅需一键操作就可实现开 最后输出相应的预测结果至优化策略部分。 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 略部分口J。 r一。一‘一‘‘碱磊