燃气锅炉的节能运行及效益分析

王 朝

（太原热力集团有限责任公司第五供热分公司， 山西 太原 030013）

引言

为积极响应当前我国绿色发展、节能高效发展的政策，在集中供暖行业中，针对传统燃煤锅炉污染严重、效率低以及资源成本高等存在的问题已经逐渐被燃气锅炉替代。在实际供热中，由于环境因素的变化，包括有室外温度、供水管路的压力、流量以及光照强度的变化，用户对供热的需求量是处于时刻变化。也就是说，用户对供热管网的热量需求是处于变化，当实际供热量大于需求热量时，会造成多余热量的损失；而实际供热量小于需求量时，会导致供热不足[1]。因此，对燃气锅炉热负荷的精准预测，并基于可靠的控制策略达到预期的供热热量值是十分有必要，最终达到节能供热的目的。本文将重点对燃气锅炉的节能供热展开研究，并对其效益进行分析。

1 燃气锅炉供热过程分析

一般情况下，燃气锅炉的供热流程如图1 所示。

如图1 所示，燃气热水锅炉开机后将其中的水加热到一定温度后通过一次供水管网通过换热站与二次供水管网中的循环水进行换热，经换热后的水源进入热用户中。一般情况，一次供水管网中水的温度不超过85 ℃；而且，在供热过程中还需对一次、二次供热管网中的温度、压力以及流量进行实时监测，为换热锅炉是否需要调节供水中的热量、流量以及温度等参数提供支撑[2]。

从功能上，可将燃气锅炉供热系统分为燃气控制系统、助燃风控制系统、稳压补水系统、流量控制系统以及点火系统。其中，燃气控制系统、助燃风控制系统组成的燃烧控制系统主要是对一次供水管网中水温进行控制；稳压补水系统是根据对供热管网中的压力进行控制，保证管网压力稳定；流量控制系统为对供热管网中出水的流量进行控制[3]。

从理论上讲，管网的出水温度与燃气锅炉供热系统的进气量、鼓风量两项参数相关，三者之间的函数关系下式所示：

式中：y1（k）为燃气锅炉供热系统一次管网的出水温度；u1（k）为燃气锅炉的进气量；u2（k）为燃气锅炉系统的鼓风量。上述燃烧系统的数学模型将为后续热负荷预测奠定基础。

2 燃气锅炉热负荷预测与模糊PID 控制

本节将在对燃气锅炉热负荷实现精准预测的基础上，设计模糊PID 控制器根据预测结果对燃气锅炉进气量、鼓风量等参数进行实时、精准控制，保证热量的实际需求量与燃气锅炉的实际热量相匹配。

2.1 燃气锅炉热负荷预测的实现

对燃气锅炉热负荷的精准预测对调节锅炉出水温度具有重要意义；实现对锅炉热负荷的精准预测，可提前对燃气锅炉的进气量和鼓风量进行提前控制，从而解决了供热温度过高或者过低的问题，降低了热能的损失、燃气的浪费且还保证了供热效果[4]。鉴于燃气锅炉的热负荷呈现非线性、时滞性以及热惯性的特点，建立数学预测模型存在一定的难度；因此，在以往对燃气锅炉热负荷预测均是依靠经验数据完成，导致预测结果与实际的偏差太大，最终影响供热系统所提供的热量与实际需求的热量不相匹配。

对于燃气锅炉的热负荷预测而言，可根据预测周期分为短期热负荷预测、中期热负荷预测以及长期热负荷预测。其中，根据短期热负荷预测的结果可对24 h 内的供热量进行调整，实现供热量与需求热量的相互匹配；根据中期热负荷预测的结果对为供热公司制定生产维修技术、人员调度计划等提供支撑；长期热负荷预测主要为供热公司对城市的供热规划优化提供支撑。

本文将基于神经网络实现对燃气锅炉热负荷的预测，根据燃气锅炉供热系统所存在的复杂非线性、时变性以及不确定性确定适用热负荷预测的神经网络单元，并对BP 神经网络激活函数、网络初试权值以及学习率进行选择[5]。具体选择结果如下：将适用于热负荷预测的激活函数选用Sigmoid 函数；对应的将初试权值确定在（-10，10）之间，将学习率确定在（0.1，0.7）之间；在此设置基础上，选取90 组实际供暖期间现场所采集到室外温度、管网流量以及出水温度的数值进行训练，而后基于剩余10 组的数据对训练结果进行验证，对比基于BP 神经网络的预测值与实际值之间的差距，对比结果如图2 所示。

图2 中，基于BP 神经网络可对热负荷进行较为准确的预测，两项数据之间吻合性较高，即基于上述所设计的神经网络预测模型可对燃气锅炉热负荷进行较为准确的预测。

2.2 燃气锅炉模糊PID 控制

目前，燃气锅炉控制采用PID 控制器实现，在实际应用中存在控制效率低、节能效果差以及动静态性能不佳的问题。因此，本文将采用模糊PID 控制器实现对燃气锅炉的控制。模糊PID 控制器的主要控制依据为燃气锅炉的实时运行参数和基于BP 神经网络对热负荷的预测结果，根据所设计的模糊PID 控制器重点对燃气进气量和鼓风量进行控制，从而实现对燃气锅炉的实时控制，保证供热量与需热量相匹配。

根据燃气锅炉供热系统的特点和模糊算法的模糊控制规则对PID 控制器的积分、微分以及比例参数进行快速、实时、稳定的调整；首先，设定模糊PID 控制器的误差e 和ec 的范围为（-6，6），控制量的范围为（-10，10）。模糊PID 控制器是模糊控制算法与PID控制相结合的控制器，对应的模型如图3 所示。

图3 下半部分为PID 控制器的模型，上半部分为模糊算法对应的模型，整体组合为模糊PID 控制器的模型。根据热负荷预测的结果，将出水温度设定为60℃为最佳，分别对基于PID 和模糊PID 控制的控制效果进行对比，对比仿真结果如图4 所示。

图4 中，基于模糊PID 控制在50 s 后可达到60℃，并通过80 s 的调整时间后，出水温度达到稳定状态，超调量为2%；而基于PID 控制在60 s 后才可达到60℃，并通过220 s 的调整时间后，出水温度达到稳定状态，超调量为9%。

实践表明，采用模糊PID 控制器后，节能率可达到26.5%。

3 结语

燃气锅炉供热为当前主流的供热系统，本文根据实际供热需求和所存在的问题，采用BP 神经网络对供热系统的热负荷进行预测，通过仿真可知，基于BP神经网络可实现对热负荷进行高精度预测，为燃气供热系统出水温度的节能控制提供依据；而且，采用模糊PID 控制器较PID 控制器可更快达到预期出水温度，超调量也低，节能率可达到26.5%。