基于电除尘器灰斗料位软测量建模的输灰策略优化

马天霆,许园,谢凯,王培红

(1.国家能源集团宿迁发电有限公司,江苏 宿迁 223803;2.东南大学能源与环境学院, 南京 210096)

为了助力“双碳”目标的实现,“十四五”期间能源领域清洁低碳转型力度将加大,火电厂不仅要减少烟气污染物排放,还要尽可能降低厂用电耗。输灰系统在火电厂中是能耗较大的一个系统,国内的火电厂输灰系统普遍存在着各类问题[1]。传统的火电厂并没有以先进的模式对气力输送系统进行科学高效的管理与控制,对气力输灰功能要求更加看重,在节能上并未付予关注,有较大的节能空间。

电除尘器灰斗上部连接电除尘器,下部连接气力输灰系统,承上启下,灰斗料位测量直接影响输灰系统的效率与能耗,灰斗内灰料的安全存放也关系到整个系统的安全运行[2]。灰斗内物料为粒度很细的粉体,其密度小、介电常数小、易飞扬,仓内温度较高,压力不稳定,仓壁挂料对料位计插入深度也有影响,这些因素均给接触测量带来不利影响使其测量不稳定或装置寿命降低[3];非接触测量中核辐射料位计因对人体有害,除特殊场合外用户一般不愿接受。

软测量技术以其独特的优势可以有效减弱接触测量导致的不利影响,在火电厂电除尘器灰斗料位的测量中有很大的应用潜力。当前在工业上软测量建模方法一般有三种：基于机理的建模法、数据驱动的建模法和机理与数据混合驱动的建模法[4],多选用数据驱动法,包括主成分分析法、偏最小二乘法、神经网络、支持向量机和高斯过程回归等。根据测量原理,精密测量过程不仅应该得到测量结果,还应给出该测量结果的精度参数(如测量不确定度)。对于软测量,由于模型通常较复杂,很难采用误差传递定律等方法来获得其估计值的精度参数,因此这些软测量建模方法都不考虑软测量模型估计值的测量不确定度。

高斯过程模型的主要优点体现在：它是一种非参数概率模型,不仅能对未知输入做输出预测而且同时给出该预测的精度参数(即估计方差)。高斯过程回归作为一种处理回归问题的贝叶斯方法,经研究发现在处理小样本和高维度非线性问题上表现突出,与神经网络、支持向量机等方法相比,具有模型参数明显减少、参数优化相对容易、输出具有概率意义等优点[5],在软测量建模当中引起了重视[6]。

目前采用周期吹灰模式的火电厂的各输灰管线的输灰周期等参数一般是固定的,不能跟随机组负荷、锅炉出灰量进行调整,压缩空气利用率较低,灵活性较差,使得气力输灰设备耗费了大量电能。对于定周期模式,部分电厂采用停运部分输灰空压机节能,在输灰系统正常运行的前提下停运部分输灰空压机,做出机组负荷和输灰空压机运行数量的曲线,达到节能目的。文献[9]中提出了基于优先权、流量匹配、时间均值的三种控制模式来实现节能。文献[10]是通过分析不同灰管的工作情况调整输灰周期参数。文献[11]设计控制程序根据灰量分布来调整仓泵等待阶段的时间,从而随时调整同一根管道上的某一仓泵运行次数。这种方法受限于料位计的精确度和可靠性,若测量装置出现故障就会导致输灰系统故障甚至瘫痪。

基于高斯过程回归的特性,本文将其用于灰量预测建模,以便于对定周期吹灰策略进行优化。首先将输灰管出口压力曲线面积作为灰量特征值近似替代灰量,采用高斯过程回归建模,再根据预测灰量采用吹灰阀门自动控制方式,自动程序启动条件是接受电除尘器灰斗料位装置高料位信号,结束条件是接受低料位信号。预测模型减弱了控制系统对于测量装置的依赖性,提高了吹灰系统对机组负荷的跟踪速率,极大减少了空载次数,降低了吹灰能耗。

1 电除尘输灰系统概述与数据处理

1.1 电除尘器除尘原理与结构

电除尘器系统分为本体系统、高压供电系统和低压自动控制系统[12],本体系统负责完成除尘任务,高压供电系统负责给变压器供电,低压自动控制系统负责振打、卸灰、输灰及温度控制。本体系统如图1所示。

图1 电除尘器结构示意图

电除尘器的除尘工作过程主要可分为气体电离、粉尘荷电、粉尘收集以及清理这4个阶段[13]。在电场力的作用下,这些带负电的粉尘就会产生速度,向阳极迁移,最终附着在收尘极上集中起来。在清灰系统振打装置的机械振打作用下,这些粉尘就会沉积在下部灰斗中。

评价电除尘器性能优劣的直接指标是除尘效率,根据收尘理论[12],除尘效率为

(1)

式中：A为收尘极板的横截面积,Q为除尘烟气量,ω为粉尘驱进速度。

由式(1)可知,对于一个电除尘器,收尘极板横截面积固定,当除尘烟气量恒定时,粉尘驱进速度越大,除尘效率越高。在粉尘颗粒充分荷电情况下,粉尘驱进速度为

(2)

式中：d为粉尘颗粒直径,E为供电能量(正比于UI的乘积),ε0为真空介电常数,εs为烟气介电常数,μ为烟气动力粘度。

由式(2)可知,当烟气物性参数变化不大时,粉尘驱进速度与电压U的二次方成正比,也与电流I的二次方成正比。电除尘器一般是高压供电装置提供恒定电压,通过调节高频电源二次电流来控制除尘效率,高频电源二次电流I越大,除尘效果越强,除尘效率η越高。

1.2 输灰系统工作流程

输灰系统先后历经了水力输灰、负压输送、正压稀相输送、正压浓相输送这四种变革,如今火电厂主要采用的是正压浓相输灰系统,飞灰边流化、边输送,使得悬浮式气力输送转变为流态化气力输送,输送阻力更小,灰尘残留量更少。

烟气中灰尘流经部位依次是电除尘器、灰斗、入口圆顶阀、仓泵、输灰管道、灰库。灰斗内存灰进入仓泵后输送的工作过程包括四个阶段：仓泵进灰、飞灰流化、管道输送、管道吹扫。四个阶段都是通过PLC控制系统来执行[15]。

电除尘器绝大部分的除灰都是在一、二电场完成的,由于烟气最先经过一电场,通常该处除灰力度最大,积灰也最多,占总灰量的80%以上,因此对一电场灰斗进行分析更具有必要性与代表性。图2中两管与一电场灰斗相连：一个是气化风管,将加热过的外部的压缩空气流经截止阀、止回阀后,分两路进入气化装置,再通入灰斗下部,此时热气流加热并吹散存灰,使得飞灰充分流态化,增加其流动性;另一个是平衡管,用来连接仓泵上部与灰斗上部,进灰阶段首先打开的就是平衡阀,作用是将仓泵内压力与灰斗内压力平衡,使得灰斗内存灰能依靠重力作用快速下落至仓泵。

图2 电除尘器一电场灰斗及附属设备示意图

1.3 料位影响因素分析与数据处理

不考虑炉内燃烧状况的差异,影响灰斗料位的因素包括电源电压、二次电流、振打频率、煤质、机组负荷等等。在目标火电厂进行的实验中,电除尘器的振打装置频率固定,且未获取煤质以及电网指令相关信息。考虑到数据获取的实际情况,灰量预测模型中影响料位的输入变量选择高频电源二次电流和机组负荷。

(1)机组负荷：生成灰量的趋势在某种程度上可以依据日负荷曲线的变化趋势来判断,若处于发电低峰比如夜晚,灰量会相应地降低,若处于发电高峰,灰量也会对应增大。一般来说,机组负荷曲线在时间跨度较大的范围内具有连续性和一定的周期性。

(2)高频电源二次电流：根据电除尘器工作原理,除尘效率与电压的二次方和电流的二次方均成正比,因此可以认为电流和电压越大,灰量越多。在实际运行时电压通常波动较小,往往通过调节电流信号来控制除尘效率。

采集的原始数据中高频电源二次电流编号为A01～A15、B01～B15,与四根灰管和电除尘器分室的对应关系如表1所示。

表1 灰管、电流与分室对应关系

在数据采样上选择一电场的一、二灰管和二电场的一、二灰管四根管道的出口压力作为计算灰量的间接变量。四根灰管的数据处理操作一致,下面以二单元一管训练集为例：对A02、A07、A12原始电流数据取平均值作为二单元一管对应的电流I,再对灰管压力与时间的曲线形成的面积积分,积分值为灰量特征值,近似代表灰量。找出每个灰量特征值对应的时间间隔并对这段时间内的电流I和负荷P分别取平均值,此时一个平均电流、一个平均负荷与一个灰量特征值作为一个训练或测试样本。选取连续时间的20 000个原始数据,按上述操作,得到的前15 000个与后5 000个数据样本分别作为训练集与测试集。对训练集去除粗大点后进行标准化处理,得到训练集774个样本;测试集去除粗大点后,再用训练集的均值与方差对测试集进行标准化处理得到测试集227个样本。

2 灰斗料位软测量建模及分析

2.1 高斯过程回归

在高斯过程回归(GPR)中我们假设函数f在输入x处的输出y为：

y=f(x)+ε

(3)

假设函数f(x)的分布是高斯过程分布：

f(x)=GP(m(x),k(x,x′))

(4)

高斯过程(GP)是一种由均值和协方差函数定义的函数分布。均值函数m(x)反映输入x的预期函数值：

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

(5)

即在输入x处估计分布中所有函数值的平均值。协方差函数k(x,x′)对不同输入点x和x′处的函数值之间的依赖关系进行建模：

k(x,x′)=E[(f(x)-m(x))(f(x′)-m(x′))]

(6)

协方差函数k是高斯过程的核函数,它的选择取决于假设,这个假设一般是两点间的相关性随着两点间的距离增大而衰减,这表明更接近的点估计会比彼此间远离的点表现得更相似,符合这一数学假设的核是径向基函数核,定义为

(7)

令Xe是一个矩阵,那么每一行都有一个新的输入点Xei,i=1,…,n。先计算Xe中所有输入之间的协方差,并将它们存入一个n×n矩阵K(Xe,Xe)中。假设已经收集了观测值Dt={Xt,yt},并且通过从后验分布p(f|Dt)中绘制fe来对新输入Xe进行预测。根据定义,先前的观测值yt和函数值fe遵循联合(多变量)正态分布。这个分布可以写成

(8)

条件分布p(fe|Xt,yt,Xe)是有均值的多元正态分布,均值函数与协方差矩阵分别为：

(9)

(10)

这个后验GP的均值函数与内核分别为：

(11)

(12)

因此计算GP的后验均值和协方差需要先得到式(8)中4个协方差矩阵。为了预测fe,我们可以简单地使用式(9)中的均值函数,将其重写为：

(13)

(14)

(15)

采用预测均方根误差(RMSE)和平均绝对误差(MAE)来作为模型测量精度的评价指标,其计算公式为：

(16)

(17)

2.2 灰量预测模型的建立

2.2.1 输入变量与输出变量的选取

根据料位影响因素,在现场数据采集限制条件下,选取了对生成灰量影响比较大的高频电源二次电流信号和机组负荷。采集满负荷和中低负荷输灰系统输灰压力和循环周期时间特性参数,分析研究输灰特性,发现每周期输灰量越大,周期内输灰压力累积面积越大。由于缺少灰量或灰位数据,本文将输灰管出口压力曲线对时间的积分值即面积作为灰量特征值,近似代表灰量,因此模型预测值为灰量特征值。设置了输灰管道出口压力积分下限为正压0.01 MPa,若下限值设定较高,必须加长吹扫时间给予补充,这样才能避免管道中残余灰沉积对下一次输灰造成影响。

灰量预测模型的输入变量属于二维向量,包括机组负荷和高频电源二次电流,输出变量为灰量特征值。

2.2.2 模型参数的优化

高斯过程回归函数是由均值函数和协方差函数组成的,其模型参数的优化一般针对这两个组成函数。均值函数先验通常设置为m(x)=0,这样可以避免出现复杂的后验计算,并且仅通过协方差函数进行推断。根据经验,一般要从所有观察中减去(先验)均值才能将先验设置为0。而协方差函数(cov函数)的初参数要根据输入变量数据的特点来具体实验,cov函数包含两个参数,第一个是length-scale,第二个是variance,通俗理解为这2个参数第一个控制分布的延展或平滑,第二个控制振幅。似然函数在高斯回归过程一般固定取高斯似然回归函数。在实际操作中,对原始数据进行了标准化和归一化处理,通过GPML Matlab工具包进行高斯过程回归,选择合适的cov函数,均值函数设置为0,likfunc函数选择likGauss,通过cov初值的调整来控制回归效果。以图3的四幅图为例,(b)图是利用covEiso协方差函数作出的模型,跟随性较差,(a)、(c)、(d)三幅图都是利用covMaterniso协方差函数作出的模型。sf控制平滑,sf越大平滑性越好但跟随性变差,ell控制振幅即方差。图(a)到图(c)降低了平滑度来增强跟随性,图(c)到图(d)是在较强跟随性的基础上减小了方差,图(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。

图3 二单元一管调参过程

预测结果中相对误差最小的点仅0.002%,相对误差最大高达300%,推测原因是训练样本较少且数据处理不完善,测试样本选择不佳,且灰量特征值数值上并不是和灰量实际值线性对应,灰量特征值是灰管出口压力积分值,同时灰量特征值对应的输入变量电流与负荷是在某一时间段上平均得到的,输入与输出存在一定的时间相位差。高斯过程回归的独特优点是不仅可以得到均值还可以得到方差,由此可以确定一个预测上下限,然而由于实际数据的波动过大,导致得到的方差也很大,图4为预测值与2倍标准差构成的预测区间。

图4 二单元一管预测范围

3 除尘系统输灰策略优化

3.1 基于定周期的吹灰策略优化

选取部分时刻内的原始数据,作出输灰管线在工作过程中的出口压力曲线,图5为二单元一管出口压力曲线,其中横坐标的时间节点中两个节点时间差为50 s。对输灰系统循环周期时间参数进行调整,如表2所示,这是当前主要针对定周期吹灰模式的优化,对机组负荷显著改变时引起的灰量变化不敏感,无法自动调整吹灰次数,仍然存在空载输送。

表2 输灰系统循环周期时间参数 s

图5 二单元一管出口压力

3.2 基于灰量预测模型的吹灰策略优化

基于预测结果研究一种跟踪机组负荷监测灰量来控制吹灰阀门开关的优化控制策略,同时可以存储并利用历史数据进行模型的实时更新。输灰控制逻辑框图如图6所示。根据实际情况及安全考虑,设置灰位高于允许值的90%时开启吹灰管道入口阀门,低于允许值的10%时关闭入口阀门。通过对GPR模型输入所需变量二次电流和机组负荷得到灰量特征值,再利用f(x)计算出灰位占比并判断是否开启吹灰阀门,灰管出口压力反馈到预测模型中进行学习与验证,提高模型的精确度。

图6 吹灰策略控制框图

通过计算图5时间段内各个灰量特征值,按照表2的吹灰周期参数至少要吹灰7次,而根据基于灰量预测模型的吹灰优化,计算出在该时间段内吹灰5次,相比7次可节省28.5%的能耗。

可以看出,优化周期时间参数仍是保持定期吹灰模式,相比于优化前降低了能耗,但当某周期内灰位未达到其安全满载灰位的90%时仍会浪费一次吹灰次数。基于灰量预测自动控制方法的优势在于由高斯过程回归灰量预测模型可以预测出较为准确的灰量并直接加以利用,相比于优化定期吹灰的周期,这种方法可以最大程度上减少不必要吹灰次数,极大地降低了输灰电耗与气耗,还拥有更高的灵活性,即跟随机组负荷及锅炉灰量来控制吹灰次数;相比于控制空气压缩机的启停,这种方法保证了设备工作的连续性与安全性,也减少了设备寿命的损耗。

4 结语

本文利用灰管出口压力曲线对时间的积分值来表示灰量特征值并进行建模,建立了基于高斯过程回归的灰位软测量模型,实验结果表明模型具有较高的精度,可以对未来短期灰量进行预测,还具有一定的预测范围,提高了灰位测量系统的精确性与稳定性。在预测模型基础上设计了不定周期吹灰策略,加入了GPR预测模型,根据其预测值,通过灰位阈值的逻辑控制吹灰阀门的开关,并且可以存储历史数据实时更新预测模型。这种方法最大程度地减少了不必要吹灰次数,降低了能耗,相比于优化周期参数方法,具有更低空载率,能够更灵活地跟随机组负荷改变吹灰次数,节能效果更好。