1 000 MW直流爐機(jī)組非線性動態(tài)模型及閉環(huán)驗(yàn)證

范 赫, 張雨飛, 蘇志剛, 王培紅

(東南大學(xué) 能源與環(huán)境學(xué)院，能源信息與自動化系，南京 210096)

1 000 MW直流爐機(jī)組非線性動態(tài)模型及閉環(huán)驗(yàn)證

范 赫, 張雨飛, 蘇志剛, 王培紅

(東南大學(xué) 能源與環(huán)境學(xué)院，能源信息與自動化系，南京 210096)

為獲得適用于大范圍變工況的超超臨界機(jī)組機(jī)理模型，采用機(jī)理分析法建立了協(xié)調(diào)控制系統(tǒng)(包括制粉系統(tǒng)、鍋爐系統(tǒng)和汽輪機(jī)系統(tǒng))模型，輸入量為燃料量指令、總給水量和汽輪機(jī)調(diào)門開度，輸出量為汽水分離器蒸汽焓值、主蒸汽壓力和機(jī)組功率.在參數(shù)辨識方面，靜態(tài)參數(shù)采用機(jī)組穩(wěn)態(tài)運(yùn)行數(shù)據(jù)結(jié)合非線性回歸分析獲得；動態(tài)參數(shù)采用免疫遺傳算法,結(jié)合大范圍變工況運(yùn)行數(shù)據(jù)求取，最后對所建立的機(jī)理模型進(jìn)行靜、動態(tài)模型驗(yàn)證.結(jié)果表明：此協(xié)調(diào)控制系統(tǒng)模型具有正確、簡單的機(jī)理模型結(jié)構(gòu)和較高的精度，可用于控制算法測試和協(xié)調(diào)控制系統(tǒng)設(shè)計(jì).

超超臨界機(jī)組； 機(jī)理模型； 參數(shù)辨識； 免疫遺傳算法； 模型驗(yàn)證

隨著全球溫室效應(yīng)加劇，為了減少CO2排放，中國能源行業(yè)急需由高能耗、低效率走向低能耗、高效率道路.超超臨界鍋爐具有大容量、高溫高壓的特點(diǎn)(主汽溫度最高可達(dá)610 ℃，主汽壓力最高可達(dá)31 MPa),能夠顯著提高機(jī)組循環(huán)熱效率，減少污染物排放，其循環(huán)熱效率為43%～49%，供電煤耗為260～290 g/(kW·h)，比亞臨界機(jī)組循環(huán)熱效率提高了10%，供電煤耗減少70～90 g/(kW·h)，總污染物排放量減少25%～30%[1]，超超臨界機(jī)組有取代亞臨界機(jī)組的趨勢.近幾年，可再生能源(即水電、風(fēng)電和核能等)發(fā)展迅速[2]，但其供電不穩(wěn)定性會導(dǎo)致電網(wǎng)頻率不穩(wěn)定.對于在役超超臨界機(jī)組，必須具有較好的負(fù)荷調(diào)節(jié)能力，來保證電網(wǎng)安全穩(wěn)定運(yùn)行.

在電廠眾多控制系統(tǒng)中，協(xié)調(diào)控制系統(tǒng)(CCS)既可以快速調(diào)整機(jī)組負(fù)荷，滿足電網(wǎng)對負(fù)荷和頻率的要求，還能維持鍋爐與汽輪機(jī)的安全高效運(yùn)行，在火電機(jī)組與電網(wǎng)之間扮演著重要角色.典型CCS中，控制量為燃料量指令、總給水量和汽輪機(jī)調(diào)門開度，被控量為分離器蒸汽焓值、主蒸汽壓力和機(jī)組功率.當(dāng)負(fù)荷指令上升時(shí)，汽輪機(jī)調(diào)門開度增大，釋放汽水和金屬中的潛熱，增加進(jìn)入汽輪機(jī)的能量來滿足外界負(fù)荷需求.同時(shí)，通過增加燃料量、給水量和相關(guān)風(fēng)量來恢復(fù)機(jī)組儲能，協(xié)調(diào)鍋爐與汽輪機(jī)的動態(tài)特性差異，維持機(jī)組與外界的能量平衡，即為機(jī)組協(xié)調(diào)控制的基本原則.因此，能準(zhǔn)確反映機(jī)組運(yùn)行特性的模型對于協(xié)調(diào)控制系統(tǒng)的設(shè)計(jì)十分重要.

Liu等[3]采用模糊神經(jīng)網(wǎng)絡(luò)建立超超臨界機(jī)組模型，并與最小二乘和徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)建模法進(jìn)行比較，結(jié)果表明模糊神經(jīng)網(wǎng)絡(luò)建模法具有很高的精確度；馬良玉等[4]采用神經(jīng)網(wǎng)絡(luò)建立某600 MW超臨界機(jī)組負(fù)荷和主汽壓力的數(shù)學(xué)模型，結(jié)果表明此模型可以很好地?cái)M合機(jī)組負(fù)荷、主蒸汽壓力與燃料量以及給水量和汽輪機(jī)調(diào)門開度間復(fù)雜的非線性動態(tài)特性.在機(jī)理建模方面，秦志明等[5]通過分析制粉過程、鍋爐受熱、過熱器和汽輪機(jī)系統(tǒng)的動態(tài)特性，建立直流爐機(jī)組非線性動態(tài)模型；徐蕙等[6]采用變相變點(diǎn)方法建立超超臨界直流爐水冷壁熱水段、蒸發(fā)段和過熱段長度隨鍋爐負(fù)荷變化的動態(tài)仿真模型；Liu等[7]建立了1 000 MW直流爐簡化機(jī)理模型，此模型忽略相變點(diǎn)變化，結(jié)構(gòu)簡單，能夠反映復(fù)雜的直流爐機(jī)組運(yùn)行特性.

在參數(shù)辨識方面，遺傳算法不需要完整的系統(tǒng)模型且具有顯著的搜索能力，已被廣泛應(yīng)用于模型參數(shù)優(yōu)化.閆姝[1]采用遺傳算法優(yōu)化動態(tài)模型參數(shù),經(jīng)過大范圍運(yùn)行數(shù)據(jù)驗(yàn)證表明，此模型具有一定精度.Sindareh-Esfahani等[8]采用遺傳算法優(yōu)化模型參數(shù)，使模型輸出與實(shí)際數(shù)據(jù)一致.但由于此算法易陷入局部最優(yōu)點(diǎn)且無最優(yōu)個(gè)體保存機(jī)制，導(dǎo)致搜索后期類似隨機(jī)搜索，使得所求解的精確度較低.免疫遺傳算法(IGA)是將人體免疫與遺傳算法相結(jié)合，通過基于抗體濃度的選擇機(jī)制，豐富種群復(fù)雜度；并通過記憶細(xì)胞接種來保存種群最優(yōu)抗體，提高收斂速度.與遺傳算法相比，通過IGA優(yōu)化的解精確度更高.Chen等[9]采用IGA確定支持向量機(jī)的最優(yōu)參數(shù),驗(yàn)證結(jié)果表明此模型具有較強(qiáng)的泛化能力.

筆者采用機(jī)理與數(shù)據(jù)分析法，建立了某1 000 MW超超臨界機(jī)組的非線性動態(tài)機(jī)理模型.在干態(tài)運(yùn)行條件下，將機(jī)組受熱面看成一根等容受熱管，通過簡化和假設(shè)得到機(jī)組協(xié)調(diào)控制系統(tǒng)機(jī)理模型結(jié)構(gòu).在參數(shù)辨識方面，通過穩(wěn)態(tài)數(shù)據(jù)和非線性回歸分析獲得靜態(tài)參數(shù)；將IGA與大范圍變工況數(shù)據(jù)結(jié)合優(yōu)化出動態(tài)參數(shù).最后對所建模型進(jìn)行閉環(huán)驗(yàn)證.

1 模型建立

1.1 研究對象

以安徽省皖能股份有限公司某1 000 MW超超臨界機(jī)組為建模對象.鍋爐型號為SG-3012/27.9-M540，為超超臨界參數(shù)變壓運(yùn)行螺旋管圈直流爐，采用一次中間再熱.汽輪機(jī)型號為N1055-27/600/600(TC4F)，為超超臨界、一次中間再熱、單軸、四缸四排汽、雙背壓、八級回?zé)岢槠?、反動凝汽式汽輪機(jī).表1給出了機(jī)組在額定工況(THA)下的運(yùn)行參數(shù).

表1 額定工況下的運(yùn)行參數(shù)

1.2 制粉系統(tǒng)建模

在大容量燃煤機(jī)組中，常采用直吹式制粉系統(tǒng).儲存在儲煤倉的煤由給煤機(jī)的傳送皮帶傳送到磨煤機(jī)，經(jīng)過破碎和研磨，合格的煤粉被一次風(fēng)送入燃燒器，在爐膛內(nèi)燃燒.整個(gè)過程可用延遲和慣性環(huán)節(jié)來描述.

給煤機(jī)和一次風(fēng)管道的主要動態(tài)特性是延遲，其純延遲環(huán)節(jié)為：

(1)

制粉系統(tǒng)的慣性特性表現(xiàn)在磨煤機(jī)中，其質(zhì)量平衡方程為：

(2)

式中：rB為實(shí)際入爐煤量,kg/s;M為磨煤機(jī)內(nèi)存煤量，kg.

根據(jù)磨煤機(jī)特性，實(shí)際入爐煤量可表示為：

(3)

式中：cB為磨煤機(jī)基本出力系數(shù)；fH為煤的可磨性修正指數(shù)；fW為煤水分修正系數(shù)；fR為煤粉細(xì)度修正系數(shù)；以上系數(shù)的乘積，可用c0的倒數(shù)來替代，c0為制粉慣性時(shí)間,s.

綜上所述，可得制粉系統(tǒng)傳遞函數(shù)為：

(4)

1.3 鍋爐建模

在保證模型準(zhǔn)確的基礎(chǔ)上，降低結(jié)構(gòu)復(fù)雜度，結(jié)合超超臨界鍋爐特點(diǎn)，在機(jī)組干態(tài)運(yùn)行條件下，將省煤器、水冷壁、汽水分離器和過熱器等受熱面看成一根等容受熱管，建模時(shí)只考慮進(jìn)、出口參數(shù)和集總參數(shù)的變化.

不同負(fù)荷下，保持主汽溫穩(wěn)定的根本措施是保持一定的燃水比，減溫噴水作為輔助手段，來降低因燃料量和給水量的動態(tài)差異而產(chǎn)生的主汽溫波動.在機(jī)組安全穩(wěn)定運(yùn)行時(shí)，可取消減溫水來簡化模型結(jié)構(gòu)，即

qm,sm=qm,fw

(5)

式中：qm,sm為進(jìn)入省煤器的給水量，kg/s;qm,fw為總給水量, kg/s.

在鍋爐建模時(shí)可進(jìn)行如下簡化和假設(shè)：

煙氣側(cè)，(1)忽略工質(zhì)，煙氣和管壁之間的軸向傳熱；(2)忽略煙氣側(cè)工況的動態(tài)變化過程；(3)鍋爐吸收熱量與實(shí)際燃料放熱量成正比；(4)煙氣放熱量沿管長均勻分布.

鍋爐側(cè)，(1)受熱管橫截面上的流體特性均勻；(2)為了方便計(jì)算，將實(shí)際汽水分離器壓力的測量值pm和汽水分離器蒸汽焓值hm近似為模型中pm和hm，且動態(tài)參數(shù)c1和c2具有一定的修正作用.

圖1中，簡化后的鍋爐部分可分為省煤器、水冷壁、汽水分離器和過熱器.來自回?zé)嵯到y(tǒng)的給水依次經(jīng)過上述受熱面吸收熱量，最終轉(zhuǎn)變?yōu)轭~定參數(shù)的過熱蒸汽.

圖1 直流爐簡化圖

由于汽水分離器焓值是最早體現(xiàn)汽水系統(tǒng)中煤水比失調(diào)的信號，且汽水分離器壓力能很好地跟蹤機(jī)組負(fù)荷變化[10]，因此選擇汽水分離器中的工質(zhì)參數(shù)作為集總參數(shù).受熱段的動態(tài)特性可用質(zhì)量和能量平衡方程表示，可得：

(6)

qm,sthst+Q1

(7)

Q1=k1rB

(8)

式中：s1、s2為動態(tài)參數(shù)；cj為受熱段金屬比熱容，kJ/(kg·K)；mj為受熱段金屬質(zhì)量, kg;Tj為金屬壁溫, ℃;ρm為汽水分離器出口蒸汽密度，kg/m3;hm為汽水分離器蒸汽焓值，kJ/kg;qm,st為主蒸汽質(zhì)量流量，kg/s;hfw為給水焓值，kJ/kg;hst為主蒸汽焓值，kJ/kg;Q1為鍋爐吸熱量，kJ/s;k1為工質(zhì)吸熱量增益，kJ/kg；下標(biāo)m、fw、st和j分別代表汽水分離器處的狀態(tài)量、給水狀態(tài)量、主蒸汽處狀態(tài)量和鍋爐金屬狀態(tài)量.

由煙氣側(cè)假設(shè)(4)可認(rèn)為各處受熱段金屬壁溫的變化速率是相等的，即dTj/dt=dTjm/dt，其中Tjm為汽水分離器處的金屬壁溫，℃,并認(rèn)為，Tjm≈Tm,Tm為汽水分離器工質(zhì)溫度，℃.

在過熱蒸汽溫度控制系統(tǒng)中，通過改變?nèi)妓瓤墒蛊蛛x器焓值保持在一定范圍內(nèi)，噴水減溫作為輔助手段，來保證過熱汽溫穩(wěn)定；通過改變?nèi)剂狭恐噶?、總給水量和汽輪機(jī)調(diào)門開度，使單元機(jī)組輸出的實(shí)際功率跟蹤外部負(fù)荷指令，且主蒸汽壓力能反映鍋爐與汽輪機(jī)之間的能量供求平衡.因此將汽水分離器蒸汽焓值、壓力和入爐煤量作為模型狀態(tài)參數(shù)，汽水分離器蒸汽焓值、主蒸汽壓力和機(jī)組功率作為模型輸出，燃料量指令、總給水量和汽輪機(jī)調(diào)門開度作為模型輸入.在式(6)和式(7)中分別對pm和hm計(jì)算偏微分：

(9)

lqm,sthm+Q1

(10)

聯(lián)立式(9)和式(10)可得：

(d1-lhm)qm,st+Q1

(11)

(d2-lhm)qm,st+Q1

(12)

過熱器中的壓差與流量方程[10]為：

qV02+z2qV0Q0=z1Δp

(13)

式中：qV0為過熱器管道內(nèi)蒸汽的初始體積流量，m3/s;Q0為蒸汽經(jīng)過過熱器管道吸收的熱量,kJ；Δp為蒸汽流經(jīng)過熱器管道產(chǎn)生的壓差,Δp=pm-pst,pst為主蒸汽壓力，MPa；z1、z2為與管道阻力、氣體比熱有關(guān)的系數(shù).

由于qV0=qm0v0，其中v0為蒸汽初始比體積，m3/kg，qm0為過熱器內(nèi)蒸汽初始質(zhì)量流量，kg/s，故式(13)可轉(zhuǎn)換為式(14)：

(14)

qm0/Q0本質(zhì)上即為煤水比的函數(shù)，hm可以準(zhǔn)確快速地反映出煤水比變化.為了獲得高精度且結(jié)構(gòu)簡單的模型，忽略hm的變化對壓力-流量方程的影響，即認(rèn)為hm為常數(shù).

從能量平衡角度來看，Q0與機(jī)組負(fù)荷Ne成正比，而pm可以準(zhǔn)確及時(shí)地反映Ne的變化[10]，v0=v(pm，hm)，因此：

Δp=g(pm)

(15)

式中：g(·)為一種函數(shù)關(guān)系.

1.4 汽輪機(jī)建模

進(jìn)入汽輪機(jī)的主蒸汽流量方程[1]為：

(16)

式中：ρst為汽輪機(jī)進(jìn)口蒸汽密度,kg/m3;ut為汽輪機(jī)調(diào)門開度；α為蒸汽狀態(tài)參數(shù).

由于ρst=ρ(hst,pst)，式(16)可寫成：

qm,st=utf(pst,hst)

(17)

為獲得高精度且結(jié)構(gòu)簡單的主蒸汽流量模型，根據(jù)數(shù)據(jù)分析,忽略hst對模型的影響(即認(rèn)為hst為常數(shù))，可得：

qm,st=utf(pst)

(18)

式中：f(·)為一種函數(shù)關(guān)系.

圖2為廣義汽輪機(jī)系統(tǒng)簡化圖.對汽輪機(jī)系統(tǒng)進(jìn)行簡化假設(shè)：(1)將回?zé)嵯到y(tǒng)納入汽輪機(jī)系統(tǒng)，視為廣義汽輪機(jī)系統(tǒng)；(2)在汽輪機(jī)系統(tǒng)中，忽略除氧器和凝汽器中的工質(zhì)質(zhì)量、能量損失；(3) 將高壓缸、中壓缸和低壓缸汽輪機(jī)組看成一整臺汽輪機(jī)；(4) 忽略汽輪機(jī)慣性和延遲；(5)將再熱蒸汽吸熱部分在汽輪機(jī)增益k2處進(jìn)行修正；(6)機(jī)組正常運(yùn)行時(shí)，汽輪機(jī)效率保持不變.

汽輪機(jī)功率表達(dá)式為：

Ne=k2(qm,sthst-qm,sthfw)

(19)

由于模型的簡化和假設(shè)會引起建模誤差，為提高模型精度，分別對hfw、l和k2進(jìn)行建模.由數(shù)據(jù)分析可知，隨著機(jī)組負(fù)荷的升高，工質(zhì)的壓力升高，給水焓值增加；本機(jī)組的過熱器為對流式過熱器，隨著負(fù)荷的升高，l增大；再熱蒸汽吸熱量與過熱蒸汽吸熱量的比值隨著負(fù)荷升高而增大[1]，k2也隨著負(fù)荷的升高而增加，因此可得：

hfw=h(pm)

(20)

l=l(rB)

(21)

k2=k(rB)

(22)

式中：h(·)、l(·)和k(·)為一種函數(shù)關(guān)系.

圖2 廣義汽輪機(jī)系統(tǒng)簡化圖

1.5 最簡模型結(jié)構(gòu)

綜上所述，該直流爐機(jī)組非線性模型結(jié)構(gòu)為：

(23)

其中，

經(jīng)整理，該機(jī)組非線性模型結(jié)構(gòu)為：

(24)

2 參數(shù)辨識

上述機(jī)理模型共有4個(gè)靜態(tài)參數(shù)k1、k2、l和hfw,6個(gè)動態(tài)參數(shù)τ、c0、c1、c2、d1和d2以及2個(gè)未知函數(shù)f(·)、g(·)需要辨識.

2.1 靜態(tài)參數(shù)辨識

該系統(tǒng)的穩(wěn)態(tài)方程為：

(25)

(26)

(27)

其中，*表示變量處于穩(wěn)態(tài).

結(jié)合式(19)，靜態(tài)參數(shù)可通過穩(wěn)態(tài)段數(shù)據(jù)和非線性回歸分析得出：

(28)

(29)

(30)

2.2 動態(tài)參數(shù)辨識

在滿足閉環(huán)可辨識性[1]的基礎(chǔ)上，選擇大范圍降負(fù)荷數(shù)據(jù).工況1：時(shí)間段2016-03-18T06-00-00—2016-03-19T17-17-00，負(fù)荷段1 016.3～499.168 MW，采樣周期T=1 s,共126 992個(gè)采樣點(diǎn)，經(jīng)過小波去噪、野值剔除等數(shù)據(jù)處理，并結(jié)合免疫遺傳算法[11]，進(jìn)行參數(shù)辨識.為加快尋優(yōu)速度，采用一階后向差分對上述連續(xù)系統(tǒng)進(jìn)行離散化，設(shè)X={x1,x2,…,xn}為所有模型動態(tài)參數(shù)的集合，在獲得靜態(tài)參數(shù)及初始狀態(tài)參數(shù)的基礎(chǔ)上，將運(yùn)行數(shù)據(jù)中的輸入量導(dǎo)入模型進(jìn)行迭代計(jì)算，并將所得狀態(tài)參數(shù)作為下一時(shí)刻模型計(jì)算狀態(tài)參數(shù)的初始值，則參數(shù)辨識問題為尋找一組動態(tài)參數(shù)(x*)，使得適應(yīng)度函數(shù)E最?。?/p>

E(x*)=minE(xi),xi∈X

(31)

(32)

式中：Δpst、ΔNe和Δhm分別為模型計(jì)算所得主蒸汽壓力、機(jī)組負(fù)荷和汽水分離器蒸汽焓值與實(shí)際值的偏差；pst0、Ne0和hm0分別為額定負(fù)荷下的主蒸汽壓力、機(jī)組負(fù)荷和汽水分離器蒸汽焓值，本文中取pst0=26.09 MPa，Ne0=1 000 MW，hm0=2 984.32 kJ/kg.

(b)

(c)

辨識所選數(shù)據(jù)與模型計(jì)算值的對比如圖3所示.由圖3可知，模型計(jì)算值與機(jī)組實(shí)際值吻合得很好,表明采用IGA尋優(yōu)的動態(tài)參數(shù)使模型具有較高的精度.

經(jīng)過完整辨識，得出：

靜態(tài)參數(shù)

動態(tài)參數(shù)

τ=36,c0=279,c1=365 522,

c2=78 746,d1=582,d2=2 769

未知函數(shù)

f(pst)=43.52pst+10.57

輸入量的范圍為：

50 kg/s≤uB≤120 kg/s,400 kg/s≤

qm,fw≤800 kg/s,60%≤ut≤70%

將上述靜態(tài)參數(shù)、動態(tài)參數(shù)和未知函數(shù)代入該機(jī)組非線性模型結(jié)構(gòu)，可得1 000 MW直流爐機(jī)組在干態(tài)運(yùn)行工況的非線性模型：

(33)

3 模型驗(yàn)證

3.1 穩(wěn)態(tài)工作點(diǎn)驗(yàn)證

表2和表3給出了機(jī)組在不同穩(wěn)定負(fù)荷下，機(jī)組實(shí)際值、模型計(jì)算值和各參數(shù)的相對誤差.在該工況下，模型相對誤差的絕對值不超過2.92%，最小值為0.002 3%，表明所建模型具有較高的穩(wěn)態(tài)精度.

表2 不同穩(wěn)定負(fù)荷下的機(jī)組實(shí)際值與模型計(jì)算值

表3 不同穩(wěn)定負(fù)荷下的模型相對誤差e

3.2 動態(tài)模型驗(yàn)證

(a)

(b)

(a)

(b)

(c)

選擇2段大范圍變工況升降負(fù)荷數(shù)據(jù)，將模型計(jì)算值與實(shí)際值進(jìn)行比較，驗(yàn)證變負(fù)荷情況下的模型準(zhǔn)確性.2段運(yùn)行數(shù)據(jù)均經(jīng)過野值剔除、小波去噪，工況2：時(shí)間段2016-06-13T12-56-55—2016-06-14T17-10-59，升負(fù)荷段501.6～1 004.3 MW，采樣周期T=1 s,共101 608個(gè)數(shù)據(jù)點(diǎn)；工況3：時(shí)間段2016-10-22T17-30-01—2016-10-22T21-51-25，降負(fù)荷段1 005.5～505.9 MW，采樣周期T=1 s,共15 650個(gè)數(shù)據(jù)點(diǎn).結(jié)果見圖4和圖5，其相對誤差平均值見表4.

由圖3～圖5和表4可知，所建模型在機(jī)組大范圍升降負(fù)荷變化中，可正確反映機(jī)組運(yùn)行動態(tài)特性，相對誤差平均值最大為2.45%, 最小為0.72%，表明此模型具有滿意的動態(tài)精度.

表4 模型相對誤差平均值比較

4 結(jié)果與討論

工況1中，模型的相對誤差平均值是最滿意的，說明：(1)IGA具有出色的參數(shù)尋優(yōu)能力，可用于模型動態(tài)參數(shù)辨識；(2)對主蒸汽流量方程和壓差-流量方程的簡化是合理的，對模型的精確性影響較小；(3)從機(jī)理建模的角度來看，本模型可正確反映機(jī)組運(yùn)行參數(shù)的變化，所建模型結(jié)構(gòu)本質(zhì)上是正確的.

另外，在大范圍升、降負(fù)荷模型驗(yàn)證階段，所建模型仍具有較高精度.但與工況1相比，偏差仍較大，原因如下：

(1) 時(shí)變參數(shù).由于實(shí)際機(jī)組參數(shù)會隨著運(yùn)行工況發(fā)生變化.本文中將這些參數(shù)視為定值，本模型參數(shù)是由工況1求取的，因此對于工況2、工況3會產(chǎn)生一定誤差.

(2) 煤質(zhì)、機(jī)組效率和各子系統(tǒng)控制質(zhì)量變化的影響.從能量平衡的角度分析，在機(jī)組效率不變的情況下，工質(zhì)吸熱量與機(jī)組負(fù)荷存在一一對應(yīng)的關(guān)系，當(dāng)函數(shù)關(guān)系確定后，煤質(zhì)和鍋爐效率變化會產(chǎn)生模型功率計(jì)算偏差；又由于汽輪機(jī)回?zé)嵯到y(tǒng)控制質(zhì)量不高，實(shí)際給水焓值較低，從而導(dǎo)致給水焓值計(jì)算偏差，模型焓值輸出值偏高，如圖4(b)所示.

綜上所述，在變負(fù)荷過程中，模型計(jì)算值與機(jī)組實(shí)際值變化趨勢相同，吻合度較高，其中主蒸汽壓力與實(shí)際值吻合最好，說明在機(jī)組實(shí)際運(yùn)行中，由調(diào)節(jié)汽輪機(jī)調(diào)門開度來穩(wěn)定主蒸汽壓力，具有較小的延遲和慣性，機(jī)組功率由鍋爐側(cè)的燃料量和總給水量等控制，是典型的機(jī)爐協(xié)調(diào)運(yùn)行方式，所以此模型適合協(xié)調(diào)控制系統(tǒng)設(shè)計(jì).

5 結(jié) 論

(1) 根據(jù)質(zhì)量守恒、能量守恒和熱力學(xué)定律建立1 000 MW直流爐機(jī)組非線性機(jī)理模型，在干態(tài)運(yùn)行工況下，將省煤器、水冷壁、汽水分離器和過熱器看成一根等容受熱管，并簡化過熱器中的壓差與流量方程、主蒸汽流量方程，且忽略模型參數(shù)的時(shí)變性，從而獲得簡單的機(jī)理模型結(jié)構(gòu).

(2) 在獲得靜態(tài)參數(shù)和未知函數(shù)的基礎(chǔ)上，采用免疫遺傳算法結(jié)合大范圍變工況數(shù)據(jù)，來獲得更準(zhǔn)確的動態(tài)參數(shù)，以提高模型精度.經(jīng)過穩(wěn)態(tài)、大范圍升降負(fù)荷驗(yàn)證，表明此模型具有滿意的動、靜態(tài)精度，可在大范圍運(yùn)行工況下反映機(jī)組參數(shù)動態(tài)變化，適用于控制算法測試和協(xié)調(diào)控制系統(tǒng)設(shè)計(jì).

致謝:在此衷心感謝王奔同學(xué)提供的數(shù)據(jù).

[1] 閆姝. 超超臨界機(jī)組非線性控制模型研究[D]. 北京: 華北電力大學(xué), 2013.

[2] ZHAO Zhenyu, CHEN Yulong, CHANG Ruidong. How to stimulate renewable energy power generation effectively?—China's incentive approaches and lessons[J].RenewableEnergy, 2016, 92: 147-156.

[3] LIU X J, KONG X B, HOU G L, et al. Modeling of a 1 000 MW power plant ultra super-critical boiler system using fuzzy-neural network methods[J].EnergyConversionandManagement, 2013, 65: 518-527.

[4] 馬良玉, 高志元. 基于神經(jīng)網(wǎng)絡(luò)的超臨界機(jī)組數(shù)學(xué)模型[J].動力工程學(xué)報(bào), 2013, 33(7): 517-522.

MA Liangyu, GAO Zhiyuan. Mathematical model based on neural network for supercritical unit[J].JournalofChineseSocietyofPowerEngineering, 2013, 33(7): 517-522.

[5] 秦志明, 劉吉臻, 張欒英, 等. 直流爐機(jī)組簡化非線性動態(tài)模型[J].動力工程學(xué)報(bào), 2013, 33(12): 955-961.

QIN Zhiming, LIU Jizhen, ZHANG Luanying, et al.A simplified nonlinear dynamic model for once-through boiler units[J].JournalofChineseSocietyofPowerEngineering, 2013, 33(12): 955-961.

[6] 徐蕙, 徐二樹. 超超臨界1 000 MW機(jī)組鍋爐動態(tài)仿真模型[J].熱力發(fā)電, 2013, 42(7): 26-31.

XU Hui, XU Ershu. Dynamic simulation model for ultra supercritical 1 000 MW unit boilers[J].ThermalPowerGeneration,2013, 42(7): 26-31.

[7] LIU Jizhen, YAN Shu, ZENG Deliang, et al. A dynamic model used for controller design of a coal fired once-through boiler-turbine unit[J].Energy, 2015, 93: 2069-2078.

[8] SINDAREH-ESFAHANI P, GHAFFARI A, AHMADI P. Thermodynamic modeling based optimization for thermal systems in heat recovery steam generator during cold start-up operation[J].AppliedThermalEngineering, 2014, 69(1/2): 286-296.

[9] CHEN Fafa, TANG Baoping, CHEN Renxiang. A novel fault diagnosis model for gearbox based on wavelet support vector machine with immune genetic algorithm[J].Measurement, 2013, 46(1): 220-232.

[10] FAN He, ZHANG Yufei, SU Zhigang, et al. A dynamic mathematical model of an ultra-supercritical coal fired once-through boiler-turbine unit[J].AppliedEnergy, 2017, 189: 654-666.

[11] LIN Hongwei, SUN Linjie. Searching globally optimal parameter sequence for defeating Runge phenomenon by immunity genetic algorithm[J].AppliedMathematicsandComputation, 2015, 264: 85-98.

NonlinearDynamicModelofa1 000MWOnce-throughBoilerUnitandItsClosedLoopValidation

FANHe,ZHANGYufei,SUZhigang,WANGPeihong
(Department of Energy Information and Automation, School of Energy and Environment, Southeast University, Nanjing 210096, China)

The method of mechanism analysis was adopted to establish a mathematical model for the coordinated control system of an ultra-supercritical boiler unit over a wide operating range, including the coal pulverizing system, the boiler system and the turbine system, with coal quantity command, total feed water flow and opening degree of turbine valve as the inputs, and with steam enthalpy in separator, main steam pressure and unit power as the outputs. In term of parameter identification, the steady parameters were obtained by non-linear regression analysis combined with steady data; while the dynamic parameters were estimated by immune genetic algorithm (IGA) combined with operation data over a wide operating range. The mechanism model was then validated under both steady and dynamic conditions. Results show that the model owns proper and simple structure, with high accuracy, which therefore may serve as a reference for the testing of control algorithms and the design of CCS.

ultra-supercritical unit; mechanism model; parameter identification; IGA; model validation

2016-09-12

2017-01-22

國家自然科學(xué)基金資助項(xiàng)目(51676034)

范 赫(1992-)，男，江蘇徐州人，碩士研究生，研究方向?yàn)榇髾C(jī)組建模與協(xié)調(diào)系統(tǒng)負(fù)荷控制.電話(Tel.):15062265185；E-mail：220140368@seu.edu.cn.

1674-7607(2017)12-0969-08

TK229.2

A

510.80