2000年以来，我国的火电装机容量持续攀升。据中国电力企业联合会不完全统计，2003年新增装机容量3484万kW，2004年新增装机容量5055万kW^［1］，预计到2007年，电力市场将呈现供需总体平衡，略有剩余的状态，未来会凸现发电市场竞争的局面。加之煤价成本飞升和《京都议定书》等各种环保规范的约束，在未来一段时间内，如何提高燃烧效率，减少污染物排放，降低发电成本将成为发电企业重点考虑的问题之一。因此，多家过程控制厂商推出了各具特色的优化控制产品和解决方案。本文重点介绍艾默生过程控制有限公司的燃烧优化解决方案——SmartProcess燃烧优化系统，包括其基本原理、硬件、软件架构及应用案例。

1 　燃烧优化基本原理

    

图1　燃烧优化原理图

　　锅炉燃烧优化的目标是通过风和煤的合理配比，平衡燃烧效率和NOx排放，实现最为经济的燃烧。燃烧优化的基本原理如图1所示。优化系统不会改变原有的控制结构，而是将优化结果作为优化后的设定值或者偏差送入原有的PID控制器。这种设计方案的最大优点是：优化系统既能直接进行闭环优化，也能进行开环运行指导；而且仅需一键操作就可实现开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^［2］。

　　建模工具提供各种数据分析、稳态模型和动态模型工具，能够利用锅炉运行数据和一系列燃烧试验数据建立和测试针对特定机组的数学模型。通过仿真测试的模型将作为预测模型投入实际运行。建模前必须对原始数据进行数据校验，以保证所建立模型的正确性和合理性。建模工具属于交互式支持工具，能够对模型进行离线测试，其运行与否不影响优化系统正常的运行。

　　预测模型部分能够根据现有的测量数据预测燃烧过程的发展趋势；预测模型部分是由一组锅炉燃烧的数学模型所组成，能够对锅炉的重要燃烧参数进行模拟，达到短期预测的效果。预测模型分为稳态过程模型和动态过程模型2大类。一般而言，稳态过程模型常采用回归和惯性环节辨识的方法进行建模，而动态过程模型则采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，而是会经过多次的“预测-优化”才能得到最合适的优化值，所以预测模型部分的输入数据将来源于过程测量数据和优化模块返回的优化中间数据2个方面。预测模型部分的运行流程图如图2所示，首先将输入的数据进行数据校验，剔除明显的病态数据，并根据预先定义，完成滑动平均、正则化等预处理；然后根据当前运行工况的特点来决定使用稳态模型还是动态模型；最后输出相应的预测结果至优化策略部分。

图2　预测模型运行流程图

　　优化策略部分根据预测模型部分的输出，利用优化算法得出优化控制值。优化计算一般都是逐步逼近方式，所以在一个优化计算循环内会经过多次的“预测－优化”以得到最佳的优化值。优化指标f是锅炉效率、排放指标或者其他约束因素的线性加权函数

    

式中，W₁为影响锅炉效率的加权值；W₂为影响NO_x排放量的加权值；W₃为其他约束因素的加权值。且

　　改变的权值就意味着优化目标的变化；如果关心锅炉效率，就将W₁调高；如果更为关心NO_x排放，就将W₂调高。这种线性加权模式的优化指标大大提高了优化系统的灵活性，便于用户及时改变优化目标，以适应当时的电力市场和环保需求。

　　优化策略部分提供多种优化算法，包括Nelder－Mead’s simplex算法、Polak－Ribierre算法、Broyden－Flatcher－Goldfarb－Shanno(BFGS)算法等。优化系统设计人员可以根据具体模型对象的特点选择最合适优化算法。优化算法的执行周期一般为10s或者更短的时间，执行时间取决于具体对象和控制回路的特点。

 2　优化系统硬件结构

　　燃烧优化软件支持过程控制中的对象链接和嵌入技术(OLE for Process Control，OPC)协议能够连接任何支持OPC的控制系统或者厂级监控信息系统(SIS)的实时/历史数据库。燃烧优化系统的典型硬件结构如图3所示。燃烧优化系统一般包含2台PC计算机，1台是优化管理站，执行数据建模和系统维护管理任务；另1台是优化运行站，执行实时优化任务。

    

图3　燃烧优化系统典型硬件结构图

　　优化运行站内置OPC软件，能够通过OPC协议从控制系统中的OPC服务器获取实时数据，并将优化结果以数据点值的形式返回控制系统。优化运行站同时能够提供Web服务功能，操作人员可以在控制系统的任何工作站上使用网页浏览器查看当前优化系统的运行情况和运行指导信息。

优化管理站不直接接入控制系统网络，仅在数据模型创建和修改时使用；当燃烧优化系统正常运行时，不需要运行优化管理站。优化管理站提供图形化的数据处理和建模软件，能够指导系统管理员进行试验数据处理；也能承担离线仿真和调试任务，协助系统管理员改进锅炉燃烧模型。

3　优化系统的实施

　　燃烧优化系统的工程实施队伍由锅炉系统专家、数学建模专家和控制系统工程师组成，具体实施步骤如下：①项目启动。明确供需双方工作范围，了解现有的机组和控制系统现状，收集为建立对象模型所需的数据和资料。②制定机组试验计划。为建立更为准确的对象模型，项目组不仅需要机组日常运行数据，还需要根据机组具体情况设计几个试验工况，然后协同业主制定具体的试验计划和数据采集方案。③执行机组试验计划。项目组和业主协同执行试验计划，收集尽可能详细的数据。④数据处理。整理采集到的试验数据，检查其一致性和精度。数据处理的常用方法有：平均、高斯相关分析和简单的ARX模拟以及线性回归。⑤模型设计和确认。数据处理完成后，使用离线建模工具来生成合适的对象模型。建模的开始是将收集到的数据点按控制变量（CV），手动变量（MV）或干扰变量（DV）进行分类；然后采用线性技术或者神经网络技术进行模型的生成与确认。建模过程中，还必须考虑手动变量和干扰变量因素，模型应该能够对这些变量的波动产生正常的反应。建模完毕后，使用试验数据让模型在离线模拟方式下运行，以检验模型在电站状态范围内的精度和可靠性。如果精度不满足要求时，则需要重新建立模型。⑥DCS控制策略的变更设计。为了实现闭环集成，项目组必须对现有的控制策略进行一定的改动，以实现优化控制系统与DCS之间的数据交换和优化设定值与优化偏差的直接集成。⑦模型安装与DCS策略变更。一旦DCS变更被用户确认，则开始优化系统的模型安装。然后检验数据接口的有效性、测试更改后的控制策略。⑧开环模式运行。优化系统开始采集控制对象数据，并产生相应的控制设定值建议供业主验证优化系统的运行效果。⑨闭环模式运行。在项目组监护下，优化系统从开环模式进入闭环模式，验证优化系统的运行效果。

4 　投资回报分析

　　从已有的应用案例来看，燃烧优化系统平均能够改进热耗率为0.5%～1.5%，NO_x排放量降低15%～35%。以1台30万kW机组为例，假设原发电煤耗为340g/kWh，若热耗率降低0.5%，按照全年运行8000h，平均80%负荷来计算，一年将节省标准煤2448t。如果考虑到优化系统在减少厂用电量方面的效果，其收益将更为突出。

5 　应用效果

　　华沙Ostroleka电厂3台200MW燃煤机组(采用WDPF系统)在采用SmartProcess燃烧优化模块后，NO_x平均排放降低13%，热效率改善0.6%。运行前后效果对比情况如表1所示。
                    表1　 采用燃烧优化运行前后效果对比情况

净负荷/MW
NO_x排放

热效率

标准/mg·Nm^-3
Aspen目标/mg·Nm^-3
改善/%
标准/%
Aspen目标/%
改善/%

135
466.96
413.40
11.47
92.14
92.99
0.85
145
464.23
409.50
11.79
92.37
92.75
0.38

155
473.34
411.30
13.11
92.24
92.69
0.45

165
487.63
465.20
4.60
92.09
92.55
0.46
175
483.18
408.90
15.37
92.09
92.65
0.56
185
484.08
411.30
15.04
92.14
92.43
0.29
195
514.47
427.10
16.98
91.87
92.34
0.47

205
504.17
440.30
12.67
91.85
92.63
0.78

6　结束语

    提高燃烧效率，降低污染物排放是当前发电企业降低发电成本的重要途径。艾默生公司的SmartProcess燃烧优化系统采用多种数学建模工具和优化算法建立锅炉燃烧模型，然后利用预测控制等技术对控制设定值进行优化，支持开环和闭环2种模式运行。从已有的应用案例看，其投资回报是非常可观的。