基于人工智能的火电机组燃烧优化控制策略.pdfVIP

节能减排

EnergySaving

基于人工智能的火电机组燃烧优化控制策略

杨栋

（大唐陕西发电有限公司西安热电厂）

摘要：针对火电机组燃烧控制中多变量耦合性强、动态响应滞后等难题，本文提出一种融合深度强化学习

与时序预测的人工智能优化控制策略。通过构建DDPG-LSTM混合架构，建立燃烧效率、NO排放与设

x

备安全的动态平衡模型，开发适用于变工况运行的智能决策系统。在某600MW超临界机组实证表明，该系

3

统使锅炉热效率提升0.8%，负荷切换响应时间缩短40%，NO排放波动范围控制在±5mg/m以内，年节

x

约燃煤成本超200万元。研究为火电低碳化运行提供了可工程化的人工智能解决方案，验证了深度强化学

习在复杂工业控制场景的适用性。

关键词：火电机组燃烧优化；深度强化学习；动态多目标控制；智能控制系统

电作为我国主力电源，面临“双碳”目标习机制实现小样本快速适配。相比单纯DNN方法，

[1]

火下效率提升与排放控制的双重压力。燃本方案在变工况条件下的控制稳定性提升36%。工

烧过程作为能量转换核心环节，其控制水程应用层面，设计了基于国产算力芯片的边缘计算

[2]

平直接影响机组经济性与环保性。传统PID控制部署方案，确保300ms级实时响应能力。

存在明显局限性：电厂案例分析显示，当煤质发热

1燃烧系统问题分析

量波动±15%时，常规控制系统导致锅炉效率下降

[3]1.1能效瓶颈

1.2%～2.4%，NO排放超标率达17%。这主要源

x

[4]火电机组燃烧过程的能量转换效率直接影响电

于三方面挑战：一是强非线性动态特性，风煤比

与炉膛温度存在时变耦合；二是大滞后效应，从控厂经济运行。实际运行中，煤质波动导致燃烧不完

制指令到烟气参数变化存在90～120s延迟；三是多全的问题尤为突出。某电厂2022年实测数据显示，

目标冲突，追求高热效率往往导致NO生成量上升。当入炉煤收到基挥发分从25%波动至35%时，固体

x

现有研究尝试通过模型预测控制（MPC）或模未完全燃烧热损失从0.8%激增至2.1%，相当于单台

糊逻辑改善性能，但面临两大瓶颈：一是精确机理模600MW机组年损失标煤约1.4万t。这源于火电机

型构建困难，660MW机组实践表明，传统建模方法组燃烧系统对燃料特性的适应能力不足，特别是磨

[5]煤机出口煤粉细度无法实时调整。

在50%～100%负荷区间的预测误差达8.3%；二是

工况适应性不