基于電廠混煤燃燒性能的優(yōu)化配煤模型

郝 兵，趙 越，張 森，李仁義，劉家利，趙 川

基于電廠混煤燃燒性能的優(yōu)化配煤模型

郝 兵1，趙 越2，張 森2，李仁義2，劉家利2，趙 川3

（1.華能新疆能源開發(fā)有限公司輪臺熱電分公司，新疆 輪臺 841600； 2.西安熱工研究院有限公司，陜西 西安 710054； 3.國電科學(xué)技術(shù)研究院有限公司成都分公司，四川 成都 610091）

隨著火電廠對混煤的使用日益廣泛，以煤的發(fā)熱量、揮發(fā)分等工業(yè)分析指標(biāo)作為約束條件的配煤已不能完全滿足當(dāng)前的需求，并且由于在線煤質(zhì)檢測設(shè)備的逐步應(yīng)用使電廠在配煤過程中更加重視入爐混煤的著火、燃盡與結(jié)渣等燃燒性能。本文通過建立著火、燃盡與結(jié)渣指數(shù)的混煤配比關(guān)系模型并設(shè)置相關(guān)約束條件，再基于粒子群優(yōu)化算法全局尋優(yōu)，可快速、準(zhǔn)確地搜索到滿足需求的燃煤配比關(guān)系和最優(yōu)的配煤價格，所配制的混煤不僅能保障電廠鍋爐的安全運行，而且可極大地提高燃煤經(jīng)濟性。

粒子群優(yōu)化算法；配煤；燃燒性能；約束條件；煤質(zhì)參數(shù)；混煤價格

我國煤炭資源分布不均、種類繁多，由于煤價市場化、電價管制化等原因，火力發(fā)電企業(yè)為了經(jīng)營效益被迫或主動摻燒非設(shè)計煤，不恰當(dāng)?shù)呐涿簩?dǎo)致鍋爐及輔機設(shè)備與燃煤不適應(yīng)，嚴(yán)重影響機組運行的安全性與經(jīng)濟性[1-2]。

為滿足燃燒設(shè)備及輔助設(shè)備適應(yīng)動力用煤煤質(zhì)變化的需求，混煤摻燒被日益重視?，F(xiàn)有混煤摻燒方法大多是使混煤在發(fā)熱量、水分、灰分、揮發(fā)分、硫分等某幾個參數(shù)上盡可能達(dá)到設(shè)計值或控制值以滿足燃燒性能要求[3-7]。此類配煤中的參數(shù)多采用線性加權(quán)計算，操作人員通過簡單計算即可給出摻配方案，對配煤摻燒具有一定指導(dǎo)作用，但其燃燒性能常常不穩(wěn)定且與實際預(yù)期偏差較大，不能從根本上保證混煤的適用性。

煤的燃燒性能主要指煤的著火穩(wěn)定性、燃盡性和結(jié)渣性能，這些性能決定了鍋爐燃燒的穩(wěn)定性、經(jīng)濟性和安全性[8-10]。因此依據(jù)燃燒性能的配煤方法更加科學(xué)有效，在此基礎(chǔ)上可同時設(shè)置發(fā)熱量、硫分等其他各種配煤約束條件，以滿足電廠不同需求。

本文建立了著火、燃盡與結(jié)渣指數(shù)的混煤配比關(guān)系模型，并將其設(shè)置為尋優(yōu)約束條件，采用粒子群優(yōu)化（particle swarm optimization，PSO）算法全局尋優(yōu)，快速、準(zhǔn)確地搜索到滿足需求的燃煤配比關(guān)系和最優(yōu)的配煤價格。電廠可借助該算法根據(jù)機組負(fù)荷、煤場存煤與煤炭市場情況實時動態(tài)地進行配煤尋優(yōu)計算，所配制的混煤不僅能夠保障鍋爐長期安全穩(wěn)定運行，并可極大地提高燃煤經(jīng)濟性。

1 著火、燃盡與結(jié)渣指數(shù)的混煤配比關(guān)系模型

本文以混煤的著火溫度IT、燃盡率和結(jié)渣指數(shù)分別作為混煤著火穩(wěn)定性、燃燒經(jīng)濟性和安全性的指標(biāo)。影響混煤性能的常規(guī)分析指標(biāo)主要有摻燒煤的干燥無灰基揮發(fā)分Vdaf、收到基低位發(fā)熱量net,ar、灰分Aar、水分Mt和混煤摻配比例等。而影響混煤結(jié)渣指數(shù)的主要指標(biāo)有摻燒煤的灰熔融性軟化溫度ST、收到基低位發(fā)熱量net,ar、煤灰堿酸比[11]、煤灰硅比[11]及混煤摻配比例等。根據(jù)上述相關(guān)影響因素，通過運用多元線性回歸方法，利用統(tǒng)計學(xué)原理將本實驗室已經(jīng)掌握的混煤燃燒數(shù)據(jù)，經(jīng)過計算整理得出混煤著火溫度、燃盡率和結(jié)渣指數(shù)與上述因素的回歸關(guān)系，通用關(guān)系表達(dá)式如下：

式中，代表IT、或，Y為上述各影響因素或其組合，A為系數(shù)，=1,… ,9。

各燃燒指標(biāo)的回歸因素及回歸系數(shù)見表1，表中Ratio為揮發(fā)分最大煤種的比例。

表1 混煤燃燒指標(biāo)的回歸因素及回歸系數(shù)

Tab.1 The regression factors and coefficients of combustion indexes for blended coal

表1中煤灰堿酸比、煤灰硅比的計算式如下：

式(1)在配煤摻燒尋優(yōu)過程中，著火溫度IT、燃盡率和結(jié)渣指數(shù)可根據(jù)摻燒單煤種煤質(zhì)參數(shù)及比例變化動態(tài)計算獲得。

2 粒子群優(yōu)化算法的配煤模型

粒子群優(yōu)化算法[12-15]是一種進化計算技術(shù)，源自于鳥群撲食的行為。該算法的優(yōu)點是具有較強的全局?jǐn)?shù)據(jù)搜索能力且適用于復(fù)雜情況下的優(yōu)化問題求解[13]。配煤尋優(yōu)過程中需利用個體與全局的極值對數(shù)據(jù)進行更新，其速度與位置更新公式為[4,12]：

粒子群優(yōu)化算法的配煤模型是基于著火、燃盡與結(jié)渣指數(shù)的混煤配比關(guān)系模型，且以最優(yōu)混煤價格作為目標(biāo)函數(shù)，算法尋優(yōu)過程中當(dāng)滿足混煤所有約束條件并且目標(biāo)函數(shù)達(dá)到最小值即可獲得各煤種的精確配比。采用本程序可在種煤中選擇出種摻配煤并獲得其配比，目標(biāo)函數(shù)為

式中，C等于1或0即為是否選擇第種煤，X為第種煤的配比，P為第種煤的價格。

各煤種的比例與選擇滿足

著火指數(shù)、燃盡指數(shù)與結(jié)渣指數(shù)的約束條件：

(8)

式中，代表IT、或指數(shù)，d與u分別代表指數(shù)的下上限值。在算法尋優(yōu)過程中等式約束采用歸一法，不等式約束采用懲罰函數(shù)法。本程序的正確性已在文獻[16]進行了驗證。

3 仿真實驗及結(jié)果分析

本文基于粒子群優(yōu)化算法進行建模，并采用表2中的7種單煤煤質(zhì)參數(shù)化驗數(shù)據(jù)及價格進行優(yōu)化配煤仿真實驗。由表2可見：熱值、灰熔點及硫分對單煤價格影響較大，一般熱值越高，灰熔點越高或硫分越低，煤價越高。實際上煤質(zhì)指標(biāo)往往高低相互交錯導(dǎo)致煤價分布并不規(guī)律，并且各個電廠鍋爐對煤質(zhì)指標(biāo)的需求也不盡相同，通過粒子群算法尋優(yōu)煤質(zhì)指標(biāo)將會使電廠在購煤時獲得可觀的利潤空間。如果在此基礎(chǔ)上再從燃燒性能約束可購煤種，將能在保證鍋爐安全穩(wěn)定運行的前提下配制價格最優(yōu)的混煤，大大降低摻燒運行成本與購煤成本，使燃煤電廠獲得長遠(yuǎn)收益。

表3與表4分別為著火和燃盡性能以及結(jié)渣性能的判別指標(biāo)與分級界限。在配煤尋優(yōu)試算過程中選擇各指標(biāo)等級后，其相應(yīng)的分級界限將作為約束條件不等式，同時考慮到配煤設(shè)備實際的運行性條件，單種煤的比例不得小于10%。采用粒子群優(yōu)化算法在表2中的7種單煤中進行尋優(yōu)計算，當(dāng)配制混煤滿足所有約束條件且價格最低時所對應(yīng)的煤種及比例即為最優(yōu)方案。

表2 煤質(zhì)參數(shù)及價格

Tab.2 The coal quality parameters and price

表3 著火和燃盡性能判別指標(biāo)與分級界限

Tab.3 The distinguishing indexes and classification limits of ignition and burnout

表4 結(jié)渣性能判別指標(biāo)與分級界限

Tab.4 The distinguishing indexes and classification limits of slagging

表5為3種燃燒性能對應(yīng)的尋優(yōu)結(jié)果，包括煤種編號、煤種比例及混煤價格。由表5可見，燃燒性能越優(yōu)的混煤，價格越高。5號煤種揮發(fā)分高、熱值高、灰熔點高不易結(jié)渣，但由于硫分較高導(dǎo)致其價格較低，但其他指標(biāo)較優(yōu)，因此燃燒性價比高，3種燃燒性能條件的混煤均選取了該煤種。

表5 不同燃燒特性的混煤尋優(yōu)結(jié)果

Tab.5 The optimization results of blended coal with different combustion performances

實際配煤過程中，硫分對環(huán)保性影響較大，而熱值決定了機組帶負(fù)荷的能力，這兩種指標(biāo)均較為重要，因此在燃燒性能約束的基礎(chǔ)上再增加硫分與熱值的約束條件進行尋優(yōu)計算，計算結(jié)果見表6。由表6可見，3種燃燒性能的混煤在硫分小于0.8%與熱值大于20 MJ/kg的約束條件下，煤種和比例發(fā)生了變化，價格均出現(xiàn)不同程度的升高。

表6 增加硫分與熱值約束的混煤尋優(yōu)結(jié)果

Tab.6 The optimization results of blended coal with constraints of sulphur and caloric value

此外，由于部分電廠配煤條件和管理的限制，摻配的煤種被限定為2種，因此在之前的基礎(chǔ)上再限定2種單煤摻配。增加摻配煤種數(shù)量約束的混煤尋優(yōu)計算結(jié)果見表7。由表7可見，3種燃燒性能的混煤價格均又出現(xiàn)升高。由此可見，配煤尋優(yōu)過程中，約束條件越多，約束性能指標(biāo)越優(yōu)，混煤 價格越高。同時也反映出粒子群優(yōu)化算法可適應(yīng)多條件多范圍的優(yōu)化配煤，而且計算量小，配煤實時性較好。

表7 增加摻配煤種數(shù)量約束的混煤尋優(yōu)結(jié)果

Tab.7 The optimization results of blended coal with constraint of species number of blending coal

由以上分析可知，通過設(shè)置備選煤種的燃燒性能與電廠其他需求為約束條件，應(yīng)用粒子群算法可獲得安全、環(huán)保與經(jīng)濟的配煤摻燒方案。配煤過程所涉及的約束條件還可根據(jù)機組主輔機設(shè)備適 應(yīng)性、工況運行參數(shù)與污染物排放情況增減與調(diào)整[17-18]。本研究方法尤其對煤源復(fù)雜、鍋爐安全問題突出的燃煤電廠具有促進作用。

4 結(jié) 論

1）通過混煤配比關(guān)系模型，混煤的燃燒性能，即著火溫度IT、燃盡率和結(jié)渣指數(shù)可根據(jù)摻燒單煤種煤質(zhì)參數(shù)及比例變化動態(tài)計算獲得。

2）采用粒子群算法在滿足燃燒性能、熱值、硫分及煤種數(shù)量的約束條件下，可尋優(yōu)獲得混煤價格最低的摻燒煤種與比例，約束條件越多，約束性能指標(biāo)越優(yōu)，混煤價格越高。

3）本研究以燃燒性能尋優(yōu)可購煤種，能在保證鍋爐安全穩(wěn)定運行的前提下配制價格最優(yōu)的混煤，大大降低了摻燒運行成本與購煤成本，使燃煤電廠獲得長遠(yuǎn)收益。

［1］ 滕飛, 楊洪波. 火電廠摻燒非設(shè)計煤種的經(jīng)濟性分析[J]. 熱電技術(shù), 2011(3): 14-16.

TENG Fei, YANG Hongbo. The study of economy analysis of blend-firing with non-designed coal sort[J]. Cogeneration Power Technology, 2011(3): 14-16.

［2］ 李自怡. 基于目標(biāo)成本管理的火電廠成本控制體系[J]. 電網(wǎng)與清潔能源, 2014, 30(4): 36-39.

LI Ziyi. Cost control system of thermal power plant based on target cost management[J]. Power System and Clean Energy, 2014, 30(4): 36-39.

［3］ 沈桂男. 煤質(zhì)變化對鍋爐運行經(jīng)濟性的影響[J]. 華東電力, 2005, 33(3): 29-31.

SHEN Guinan. Effect of coal quality variation on economy of boiler operation[J]. East China Electric Power, 2005, 33(3): 29-31.

［4］ 高正平, 劉永江, 韓義, 等. 基于量子粒子群優(yōu)化算法的配煤研究[J]. 熱力發(fā)電, 2013, 42(7): 44-49.

GAO Zhengping, LIU Yongjiang, HAN Yi, et al. Investigation of coal blending optimization for power plants based on quantum-behaved particle swarm optimization[J]. Thermal Power Generation, 2013, 42(7): 44-49.

［5］ 蔡志榮. 350 MW機組鍋爐配煤摻燒及燃燒調(diào)整[J]. 中國電力, 2009(3): 36-40.

CAI Zhirong. Blended coals and combustion adjustment of 350 MW unit boiler[J]. Eleetric Power, 2009(3): 36-40.

［6］ 彭娟, 程健, 韓仿仿, 等. 基于粒子群算法的自動配煤系統(tǒng)多目標(biāo)優(yōu)化[J]. 工礦自動化, 2009, 35(10): 25-28.

PENG Juan, CHENG Jian, HAN Fangfang, et al. Multi-target optimization for automatic blending coal system based on PSO algorithm[J]. Industry and Mine Automation, 2009, 35(10): 25-28.

［7］ 劉玉嬌, 張海英, 關(guān)海盈. 基于多種算法的多目標(biāo)配煤優(yōu)化方法[J]. 熱力發(fā)電, 2014, 43(9): 108-112.

LIU Yujiao, ZHANG Haiying, GUAN Haiying. Uniform design based multi-objective optimization method for coal blending[J]. Thermal Power Generation, 2014, 43(9): 108-112.

［8］ 孫路石, 陸繼東, 曾麗華, 等. 大型電站鍋爐煤種適應(yīng)性分析實例[J]. 熱能動力工程, 2002, 17(4): 353-355.

SUN Lushi, LU Jidong, ZENG Lihua, et al. Analysis of the adaptability of large-sized power plant boilers to various kinds of coals[J]. Journal of Engineering for Thermal Energy & Power, 2002, 17(4): 353-355.

［9］岳爽, 王春波, 司桐, 等. 基于煤質(zhì)參數(shù)的恒溫下混煤燃燒特性的新判定方法[J]. 動力工程學(xué)報, 2018, 38(5): 353-365.

YUE Shuang, WANG Chunbo, SI Tong, et al. A new judgement method for combustion characteristics of blended coal at constant temperature based on coal properties[J]. Journal of Chinese Society of Power Engineering, 2018, 38(5): 353-365.

［10］趙忠輝. 基于無源的煤質(zhì)在線檢測技術(shù)發(fā)展與應(yīng)用分析[J]. 煤炭技術(shù), 2018, 37(1): 312-315.

ZHAO Zhonghui. Development and application of coal quality on-line detection technology based on no radioactive source[J]. Coal Technology, 2018, 37(1): 312-315.

［11］ 黃千鈞. 以煤灰堿酸比與硅鋁比的乘積作為動力用煤結(jié)渣指數(shù)的探討[J]. 動力工程學(xué)報, 2004, 24(3): 340.

HUANG Qianjun. The product of base/acid and silica/alumina of ash in steal coal: an index to ash slagging tendency[J]. Power Engineering, 2004, 24(3): 340.

［12］ KENNEDY J, EBERHART R. Particle swarm optimization[C]//Proceedings of IEEE International Con-ference on Neural Networks, 1995, 4: 1942-1948.

［13］ SHI Y, EBERHART R. Modified particle swarm optimizer[C]//Proceedings of IEEE International Con-ference on Evolutionary Computation, 1998, 6: 69-73.

［14］ 劉建華. 粒子群算法的基本理論及其改進研究[D]. 長沙: 中南大學(xué), 2009: 1-10.

LIU Jianhua. The research of basic theory and improve-ment on particle swarm optimization[D]. Changsha: Central South University, 2009: 1-10.

［15］ 孫俊, 方偉, 吳小俊. 量子行為粒子群優(yōu)化: 原理及其應(yīng)用[M]. 北京: 清華大學(xué)出版社, 2011: 21-29.

SUN Jun, FANG Wei, WU Xiaojun. Quantum-behaved particle swarm optimization: principle and application [M]. Beijing: Tsinghua University Press, 2011: 21-29.

［16］ 趙越, 蒙毅, 李仁義. 基于粒子群優(yōu)化算法分析約束條件對配煤最優(yōu)價格的影響[J]. 熱力發(fā)電, 2017, 46(12): 99-104.

ZHAO Yue, MENG Yi, LI Renyi. Influence of constraints on optimal price of blending coal: by particle swarm optimization algorithm[J]. Thermal Power Generation, 2017, 46(12): 99-104.

［17］ 張宇, 周連升, 王桂林, 等. 減少污染物排放成本的配煤優(yōu)化模型[J]. 熱力發(fā)電, 2015, 44(7): 88-92.

ZHANG Yu, ZHOU Liansheng, WANG Guilin, et al. Coal blending optimization model based on pollutant emission prediction[J]. Thermal Power Generation, 2015, 44(7): 88-92.

［18］ 李文學(xué), 張東杰, 黃宣, 等. 配煤摻燒比對發(fā)電廠綜合成本影響的定量分析和優(yōu)化計算[J]. 電力科技與環(huán)保, 2016, 32(1): 50-53.

LI Wenxue, ZHANG Dongjie, HUANG Xuan, et al. Quantitative analysis and optimization of mixing ratio power coal on comprehensive cost of coal-fired power plants[J]. Electric Power Technology and Environmental Protection, 2016, 32(1): 50-53.

Optimal coal blending model based on co-combustion performance of mixed coal in power plants

HAO Bing1, ZHAO Yue2, ZHANG Sen2, LI Renyi2, LIU Jiali2, ZHAO Chuan3

(1. Luntai Thermal Power Station, Huaneng Xinjiang Energy Development Co., Ltd., Luntai 841600, China; 2. Xi’an Thermal Power Research Institute Co., Ltd., Xi’an 710054, China;3. Guodian Science and Technology Research Institute Limited Chengdu Branch, Chengdu 610091, China)

With the increasingly wide utilization of blended coal in coal-fired power plants, coal blending under constraints of industrial analysis indexes such as caloric value and volatile content cannot meet the current demand. Moreover, with the gradual application of on-line coal analyzer, the combustion performance of blended coals including ignition, burnout and slagging has attracted much more attentions in coal blending process. In this paper, the relationship model between combustion performance and blending proportion of coal is established, and the relevant constraints are set. Then, on the basis of global optimization based on particle swarm optimization algorithm, the cheapest coal blending solution that meets all set constraints can be found rapidly and exactly. The prepared coal mixture can not only guarantee the safe operation of the boiler in power plant, but also greatly improve the economy of burning blended coal.

particle swarm optimization algorithm, coal blending, combustion performance, constraints, coal quality parameter, price of blending coal

TK16

A

10.19666/j.rlfd.201901003

郝兵, 趙越, 張森, 等. 基于電廠混煤燃燒性能的優(yōu)化配煤模型[J]. 熱力發(fā)電, 2019, 48(5): 109-113. HAO Bing, ZHAO Yue, ZHANG Sen, et al. Optimal coal blending model based on co-combustion performance of mixed coal in power plants[J]. Thermal Power Generation, 2019, 48(5): 109-113.

2019-01-01

郝兵(1964—)，男，碩士，高級工程師，主要從事生產(chǎn)技術(shù)及管理，my4245@sina.com。

（責(zé)任編輯 馬昕紅）