基于電除塵器灰斗料位軟測量建模的輸灰策略優化

馬天霆,許園,謝凱,王培紅

(1.國家能源集團宿遷發電有限公司,江蘇 宿遷 223803;2.東南大學能源與環境學院, 南京 210096)

為了助力“雙碳”目標的實現,“十四五”期間能源領域清潔低碳轉型力度將加大,火電廠不僅要減少煙氣污染物排放,還要盡可能降低廠用電耗。輸灰系統在火電廠中是能耗較大的一個系統,國內的火電廠輸灰系統普遍存在著各類問題[1]。傳統的火電廠并沒有以先進的模式對氣力輸送系統進行科學高效的管理與控制,對氣力輸灰功能要求更加看重,在節能上并未付予關注,有較大的節能空間。

電除塵器灰斗上部連接電除塵器,下部連接氣力輸灰系統,承上啟下,灰斗料位測量直接影響輸灰系統的效率與能耗,灰斗內灰料的安全存放也關系到整個系統的安全運行[2]?；叶穬任锪蠟榱６群芗毜姆垠w,其密度小、介電常數小、易飛揚,倉內溫度較高,壓力不穩定,倉壁掛料對料位計插入深度也有影響,這些因素均給接觸測量帶來不利影響使其測量不穩定或裝置壽命降低[3];非接觸測量中核輻射料位計因對人體有害,除特殊場合外用戶一般不愿接受。

軟測量技術以其獨特的優勢可以有效減弱接觸測量導致的不利影響,在火電廠電除塵器灰斗料位的測量中有很大的應用潛力。當前在工業上軟測量建模方法一般有三種：基于機理的建模法、數據驅動的建模法和機理與數據混合驅動的建模法[4],多選用數據驅動法,包括主成分分析法、偏最小二乘法、神經網絡、支持向量機和高斯過程回歸等。根據測量原理,精密測量過程不僅應該得到測量結果,還應給出該測量結果的精度參數(如測量不確定度)。對于軟測量,由于模型通常較復雜,很難采用誤差傳遞定律等方法來獲得其估計值的精度參數,因此這些軟測量建模方法都不考慮軟測量模型估計值的測量不確定度。

高斯過程模型的主要優點體現在：它是一種非參數概率模型,不僅能對未知輸入做輸出預測而且同時給出該預測的精度參數(即估計方差)。高斯過程回歸作為一種處理回歸問題的貝葉斯方法,經研究發現在處理小樣本和高維度非線性問題上表現突出,與神經網絡、支持向量機等方法相比,具有模型參數明顯減少、參數優化相對容易、輸出具有概率意義等優點[5],在軟測量建模當中引起了重視[6]。

目前采用周期吹灰模式的火電廠的各輸灰管線的輸灰周期等參數一般是固定的,不能跟隨機組負荷、鍋爐出灰量進行調整,壓縮空氣利用率較低,靈活性較差,使得氣力輸灰設備耗費了大量電能。對于定周期模式,部分電廠采用停運部分輸灰空壓機節能,在輸灰系統正常運行的前提下停運部分輸灰空壓機,做出機組負荷和輸灰空壓機運行數量的曲線,達到節能目的。文獻[9]中提出了基于優先權、流量匹配、時間均值的三種控制模式來實現節能。文獻[10]是通過分析不同灰管的工作情況調整輸灰周期參數。文獻[11]設計控制程序根據灰量分布來調整倉泵等待階段的時間,從而隨時調整同一根管道上的某一倉泵運行次數。這種方法受限于料位計的精確度和可靠性,若測量裝置出現故障就會導致輸灰系統故障甚至癱瘓。

基于高斯過程回歸的特性,本文將其用于灰量預測建模,以便于對定周期吹灰策略進行優化。首先將輸灰管出口壓力曲線面積作為灰量特征值近似替代灰量,采用高斯過程回歸建模,再根據預測灰量采用吹灰閥門自動控制方式,自動程序啟動條件是接受電除塵器灰斗料位裝置高料位信號,結束條件是接受低料位信號。預測模型減弱了控制系統對于測量裝置的依賴性,提高了吹灰系統對機組負荷的跟蹤速率,極大減少了空載次數,降低了吹灰能耗。

1 電除塵輸灰系統概述與數據處理

1.1 電除塵器除塵原理與結構

電除塵器系統分為本體系統、高壓供電系統和低壓自動控制系統[12],本體系統負責完成除塵任務,高壓供電系統負責給變壓器供電,低壓自動控制系統負責振打、卸灰、輸灰及溫度控制。本體系統如圖1所示。

圖1 電除塵器結構示意圖

電除塵器的除塵工作過程主要可分為氣體電離、粉塵荷電、粉塵收集以及清理這4個階段[13]。在電場力的作用下,這些帶負電的粉塵就會產生速度,向陽極遷移,最終附著在收塵極上集中起來。在清灰系統振打裝置的機械振打作用下,這些粉塵就會沉積在下部灰斗中。

評價電除塵器性能優劣的直接指標是除塵效率,根據收塵理論[12],除塵效率為

(1)

式中：A為收塵極板的橫截面積,Q為除塵煙氣量,ω為粉塵驅進速度。

由式(1)可知,對于一個電除塵器,收塵極板橫截面積固定,當除塵煙氣量恒定時,粉塵驅進速度越大,除塵效率越高。在粉塵顆粒充分荷電情況下,粉塵驅進速度為

(2)

式中：d為粉塵顆粒直徑,E為供電能量(正比于UI的乘積),ε0為真空介電常數,εs為煙氣介電常數,μ為煙氣動力粘度。

由式(2)可知,當煙氣物性參數變化不大時,粉塵驅進速度與電壓U的二次方成正比,也與電流I的二次方成正比。電除塵器一般是高壓供電裝置提供恒定電壓,通過調節高頻電源二次電流來控制除塵效率,高頻電源二次電流I越大,除塵效果越強,除塵效率η越高。

1.2 輸灰系統工作流程

輸灰系統先后歷經了水力輸灰、負壓輸送、正壓稀相輸送、正壓濃相輸送這四種變革,如今火電廠主要采用的是正壓濃相輸灰系統,飛灰邊流化、邊輸送,使得懸浮式氣力輸送轉變為流態化氣力輸送,輸送阻力更小,灰塵殘留量更少。

煙氣中灰塵流經部位依次是電除塵器、灰斗、入口圓頂閥、倉泵、輸灰管道、灰庫?；叶穬却婊疫M入倉泵后輸送的工作過程包括四個階段：倉泵進灰、飛灰流化、管道輸送、管道吹掃。四個階段都是通過PLC控制系統來執行[15]。

電除塵器絕大部分的除灰都是在一、二電場完成的,由于煙氣最先經過一電場,通常該處除灰力度最大,積灰也最多,占總灰量的80%以上,因此對一電場灰斗進行分析更具有必要性與代表性。圖2中兩管與一電場灰斗相連：一個是氣化風管,將加熱過的外部的壓縮空氣流經截止閥、止回閥后,分兩路進入氣化裝置,再通入灰斗下部,此時熱氣流加熱并吹散存灰,使得飛灰充分流態化,增加其流動性;另一個是平衡管,用來連接倉泵上部與灰斗上部,進灰階段首先打開的就是平衡閥,作用是將倉泵內壓力與灰斗內壓力平衡,使得灰斗內存灰能依靠重力作用快速下落至倉泵。

圖2 電除塵器一電場灰斗及附屬設備示意圖

1.3 料位影響因素分析與數據處理

不考慮爐內燃燒狀況的差異,影響灰斗料位的因素包括電源電壓、二次電流、振打頻率、煤質、機組負荷等等。在目標火電廠進行的實驗中,電除塵器的振打裝置頻率固定,且未獲取煤質以及電網指令相關信息?？紤]到數據獲取的實際情況,灰量預測模型中影響料位的輸入變量選擇高頻電源二次電流和機組負荷。

(1)機組負荷：生成灰量的趨勢在某種程度上可以依據日負荷曲線的變化趨勢來判斷,若處于發電低峰比如夜晚,灰量會相應地降低,若處于發電高峰,灰量也會對應增大。一般來說,機組負荷曲線在時間跨度較大的范圍內具有連續性和一定的周期性。

(2)高頻電源二次電流：根據電除塵器工作原理,除塵效率與電壓的二次方和電流的二次方均成正比,因此可以認為電流和電壓越大,灰量越多。在實際運行時電壓通常波動較小,往往通過調節電流信號來控制除塵效率。

采集的原始數據中高頻電源二次電流編號為A01～A15、B01～B15,與四根灰管和電除塵器分室的對應關系如表1所示。

表1 灰管、電流與分室對應關系

在數據采樣上選擇一電場的一、二灰管和二電場的一、二灰管四根管道的出口壓力作為計算灰量的間接變量。四根灰管的數據處理操作一致,下面以二單元一管訓練集為例：對A02、A07、A12原始電流數據取平均值作為二單元一管對應的電流I,再對灰管壓力與時間的曲線形成的面積積分,積分值為灰量特征值,近似代表灰量。找出每個灰量特征值對應的時間間隔并對這段時間內的電流I和負荷P分別取平均值,此時一個平均電流、一個平均負荷與一個灰量特征值作為一個訓練或測試樣本。選取連續時間的20 000個原始數據,按上述操作,得到的前15 000個與后5 000個數據樣本分別作為訓練集與測試集。對訓練集去除粗大點后進行標準化處理,得到訓練集774個樣本;測試集去除粗大點后,再用訓練集的均值與方差對測試集進行標準化處理得到測試集227個樣本。

2 灰斗料位軟測量建模及分析

2.1 高斯過程回歸

在高斯過程回歸(GPR)中我們假設函數f在輸入x處的輸出y為：

y=f(x)+ε

(3)

假設函數f(x)的分布是高斯過程分布：

f(x)=GP(m(x),k(x,x′))

(4)

高斯過程(GP)是一種由均值和協方差函數定義的函數分布。均值函數m(x)反映輸入x的預期函數值：

m(x)=E(f(x))

(5)

即在輸入x處估計分布中所有函數值的平均值。協方差函數k(x,x′)對不同輸入點x和x′處的函數值之間的依賴關系進行建模：

k(x,x′)=E[(f(x)-m(x))(f(x′)-m(x′))]

(6)

協方差函數k是高斯過程的核函數,它的選擇取決于假設,這個假設一般是兩點間的相關性隨著兩點間的距離增大而衰減,這表明更接近的點估計會比彼此間遠離的點表現得更相似,符合這一數學假設的核是徑向基函數核,定義為

(7)

令Xe是一個矩陣,那么每一行都有一個新的輸入點Xei,i=1,…,n。先計算Xe中所有輸入之間的協方差,并將它們存入一個n×n矩陣K(Xe,Xe)中。假設已經收集了觀測值Dt={Xt,yt},并且通過從后驗分布p(f|Dt)中繪制fe來對新輸入Xe進行預測。根據定義,先前的觀測值yt和函數值fe遵循聯合(多變量)正態分布。這個分布可以寫成

(8)

條件分布p(fe|Xt,yt,Xe)是有均值的多元正態分布,均值函數與協方差矩陣分別為：

(9)

(10)

這個后驗GP的均值函數與內核分別為：

(11)

(12)

因此計算GP的后驗均值和協方差需要先得到式(8)中4個協方差矩陣。為了預測fe,我們可以簡單地使用式(9)中的均值函數,將其重寫為：

(13)

(14)

(15)

采用預測均方根誤差(RMSE)和平均絕對誤差(MAE)來作為模型測量精度的評價指標,其計算公式為：

(16)

(17)

2.2 灰量預測模型的建立

2.2.1 輸入變量與輸出變量的選取

根據料位影響因素,在現場數據采集限制條件下,選取了對生成灰量影響比較大的高頻電源二次電流信號和機組負荷。采集滿負荷和中低負荷輸灰系統輸灰壓力和循環周期時間特性參數,分析研究輸灰特性,發現每周期輸灰量越大,周期內輸灰壓力累積面積越大。由于缺少灰量或灰位數據,本文將輸灰管出口壓力曲線對時間的積分值即面積作為灰量特征值,近似代表灰量,因此模型預測值為灰量特征值。設置了輸灰管道出口壓力積分下限為正壓0.01 MPa,若下限值設定較高,必須加長吹掃時間給予補充,這樣才能避免管道中殘余灰沉積對下一次輸灰造成影響。

灰量預測模型的輸入變量屬于二維向量,包括機組負荷和高頻電源二次電流,輸出變量為灰量特征值。

2.2.2 模型參數的優化

高斯過程回歸函數是由均值函數和協方差函數組成的,其模型參數的優化一般針對這兩個組成函數。均值函數先驗通常設置為m(x)=0,這樣可以避免出現復雜的后驗計算,并且僅通過協方差函數進行推斷。根據經驗,一般要從所有觀察中減去(先驗)均值才能將先驗設置為0。而協方差函數(cov函數)的初參數要根據輸入變量數據的特點來具體實驗,cov函數包含兩個參數,第一個是length-scale,第二個是variance,通俗理解為這2個參數第一個控制分布的延展或平滑,第二個控制振幅。似然函數在高斯回歸過程一般固定取高斯似然回歸函數。在實際操作中,對原始數據進行了標準化和歸一化處理,通過GPML Matlab工具包進行高斯過程回歸,選擇合適的cov函數,均值函數設置為0,likfunc函數選擇likGauss,通過cov初值的調整來控制回歸效果。以圖3的四幅圖為例,(b)圖是利用covEiso協方差函數作出的模型,跟隨性較差,(a)、(c)、(d)三幅圖都是利用covMaterniso協方差函數作出的模型。sf控制平滑,sf越大平滑性越好但跟隨性變差,ell控制振幅即方差。圖(a)到圖(c)降低了平滑度來增強跟隨性,圖(c)到圖(d)是在較強跟隨性的基礎上減小了方差,圖(d)是得到的最佳模型,其中RMSE(c)=0.683 6,MAE(c)=1.064 9×10-4,RMSE(d)=0.670 9,MAE(d)=1.044 3×10-4。

圖3 二單元一管調參過程

預測結果中相對誤差最小的點僅0.002%,相對誤差最大高達300%,推測原因是訓練樣本較少且數據處理不完善,測試樣本選擇不佳,且灰量特征值數值上并不是和灰量實際值線性對應,灰量特征值是灰管出口壓力積分值,同時灰量特征值對應的輸入變量電流與負荷是在某一時間段上平均得到的,輸入與輸出存在一定的時間相位差。高斯過程回歸的獨特優點是不僅可以得到均值還可以得到方差,由此可以確定一個預測上下限,然而由于實際數據的波動過大,導致得到的方差也很大,圖4為預測值與2倍標準差構成的預測區間。

圖4 二單元一管預測范圍

3 除塵系統輸灰策略優化

3.1 基于定周期的吹灰策略優化

選取部分時刻內的原始數據,作出輸灰管線在工作過程中的出口壓力曲線,圖5為二單元一管出口壓力曲線,其中橫坐標的時間節點中兩個節點時間差為50 s。對輸灰系統循環周期時間參數進行調整,如表2所示,這是當前主要針對定周期吹灰模式的優化,對機組負荷顯著改變時引起的灰量變化不敏感,無法自動調整吹灰次數,仍然存在空載輸送。

表2 輸灰系統循環周期時間參數 s

圖5 二單元一管出口壓力

3.2 基于灰量預測模型的吹灰策略優化

基于預測結果研究一種跟蹤機組負荷監測灰量來控制吹灰閥門開關的優化控制策略,同時可以存儲并利用歷史數據進行模型的實時更新。輸灰控制邏輯框圖如圖6所示。根據實際情況及安全考慮,設置灰位高于允許值的90%時開啟吹灰管道入口閥門,低于允許值的10%時關閉入口閥門。通過對GPR模型輸入所需變量二次電流和機組負荷得到灰量特征值,再利用f(x)計算出灰位占比并判斷是否開啟吹灰閥門,灰管出口壓力反饋到預測模型中進行學習與驗證,提高模型的精確度。

圖6 吹灰策略控制框圖

通過計算圖5時間段內各個灰量特征值,按照表2的吹灰周期參數至少要吹灰7次,而根據基于灰量預測模型的吹灰優化,計算出在該時間段內吹灰5次,相比7次可節省28.5%的能耗。

可以看出,優化周期時間參數仍是保持定期吹灰模式,相比于優化前降低了能耗,但當某周期內灰位未達到其安全滿載灰位的90%時仍會浪費一次吹灰次數?；诨伊款A測自動控制方法的優勢在于由高斯過程回歸灰量預測模型可以預測出較為準確的灰量并直接加以利用,相比于優化定期吹灰的周期,這種方法可以最大程度上減少不必要吹灰次數,極大地降低了輸灰電耗與氣耗,還擁有更高的靈活性,即跟隨機組負荷及鍋爐灰量來控制吹灰次數;相比于控制空氣壓縮機的啟停,這種方法保證了設備工作的連續性與安全性,也減少了設備壽命的損耗。

4 結語

本文利用灰管出口壓力曲線對時間的積分值來表示灰量特征值并進行建模,建立了基于高斯過程回歸的灰位軟測量模型,實驗結果表明模型具有較高的精度,可以對未來短期灰量進行預測,還具有一定的預測范圍,提高了灰位測量系統的精確性與穩定性。在預測模型基礎上設計了不定周期吹灰策略,加入了GPR預測模型,根據其預測值,通過灰位閾值的邏輯控制吹灰閥門的開關,并且可以存儲歷史數據實時更新預測模型。這種方法最大程度地減少了不必要吹灰次數,降低了能耗,相比于優化周期參數方法,具有更低空載率,能夠更靈活地跟隨機組負荷改變吹灰次數,節能效果更好。