陈尚兵， 杨中明， 王 会， 舒茂龙， 高 红， 杨 权

（浙江国华浙能发电有限公司，浙江宁波315612）

大型塔式锅炉由于炉膛尺寸大、四角风速不均等原因，更容易导致炉内火焰烧偏，进而引发锅炉结焦、炉内局部金属管壁超温和汽水系统汽温不均衡等问题.某电厂5号机组锅炉为超超临界变压运行螺旋管圈直流炉，塔式布置，锅炉最大连续蒸发量（BMCR）工况下额定蒸汽质量流量为3 091t／h.投产后水冷壁出口各点温度偏差在低负荷时段达到50～60K，满负荷时也有30K；这样在低负荷时段水冷壁出口温度高点容易接近保护值，采取保护调节后引起给水流量加大，导致蒸汽温度下降过快.为了防止这种现象，只好加大给水流量，使第一级过热器蒸汽长期处于欠焓状态，从而导致后续减温水使用不足、蒸汽温度调节手段受限、机组效率不高.

水冷壁出口温度偏差主要由火焰烧偏引起，为此需要确认火焰烧偏的程度，并寻找导致火焰烧偏的主要原因和燃烧调整的策略.通过现场温度场的测试分析或者对全炉膛进行数值模拟，得到各层的温度场、流场以及组分分布，分析后制定调整优化策略，这是一种常用的手段［1－2］，但不能进行全负荷下的优化调整指导.笔者在确认了炉内火焰烧偏的事实和程度后，为了避免人工在线燃烧调整的盲目性和危险性，采用面向海量数据学习的核心向量机回归算法［3－4］（CVR），对从集散控制系统（DCS）中筛选的17 338组运行数据进行分析，建立了水冷壁出口温度偏差与77个运行参数之间的关系模型，并找出关键关系.依据模型指导，制定了二次风精细配风方案，并在现场实施了该方案.

1 全炉膛温度场建模与烧偏状态确认

通过在线的锅炉壁温参数以及辅助的现场温度测量值，可以大致了解炉内燃烧不对称的情况，但是这些数据不能全面表征整个炉膛的温度信息，也不好确认火焰烧偏的具体程度.以各层燃烧器一次风、二次风风量和风温，以及各层给粉量作为主要边界参数，采用数值模拟方法对锅炉进行1∶1建模，计算其温度场分布.数值模拟中选用标准k－ε 湍流模型计算炉内流场，非预混PDF模型计算炉内温度场和组分分布.模拟典型低负荷恶劣工况（550 MW），B、C、E、F层磨煤机运行，得到整体和各层温度场的分布，如图1～图3所示，其中X 为炉膛宽度，Y 为炉膛高度，Z 为炉膛长度.

图1 整体温度场分布Fig.1 Overall distribution of temperature field

对数值模拟结果中的壁温进行统计，各墙平均温度见表1.由表1可知，模拟结果与在线壁温数据分布趋势一致，也与关键部位（各层燃烧器附近）的现场红外温度测量数据相吻合.

图2 B、C层温度场分布Fig.2 Temperature field of B／C level

图3 D、E层温度场分布Fig.3 Temperature field of D／E level

表1 各墙平均温度Tab.1 Average temperature of each wall K

再次对比炉膛贴壁水冷壁CO、NO 和O2等气氛监测分析结果，可以确认在中低负荷下，炉内确实存在严重火焰烧偏现象，火焰偏向后墙和右墙.但在随后完成的C级检修中，燃烧系统各设备没有发现重大缺陷，检修后锅炉冷态空气动力场试验各项参数也正常.

2 锅炉燃烧建模

2.1 海量数据建模算法选择

通过现场测量和分析，大致可以找到造成水冷壁出口温度偏差的因素，但是难以把握其规律.通过数值模拟和热计算，精确地刻画了炉膛的温度场和流场分布，但是造成温度偏差的原因和机理非常复杂，仅仅据此还不能直接给出减小温度偏差的调整策略.

为了找到导致火焰烧偏以及蒸汽温度偏差的主要影响因素和变化规律，从而对蒸汽温度偏差进行预测和调整，借助人工智能模型算法，对复杂的运行参数进行统计分析.贾庆岩等［5］利用自组织神经网络学习的方法，对超临界锅炉中间点温度进行了建模，以给水流量和燃料量作为输入量，并考虑了输入量的延迟环节.该模型的输入量较少，不能精确反映运行参数对中间点温度的影响.鉴于神经网络在这方面的弱势，叶向荣［6］采用支持向量机模型（SVM），将水煤比、机组负荷、风量和燃烧器角度等运行参数，并添加了温度偏差较大管的温度作为输入量，建立了中间点温度的预测模型.但是SVM 算法的训练时间复杂度为O（m3），其空间复杂度大于二次，因此难以处理海量的DCS数据，也难以用于实际的寻优和运行优化指导.

核心向量机（CVM）由Tsang等［3］在2005年提出，是一种面向海量数据的建模方法.核心向量机利用几何中的最小包闭球算法（MEB）代替凸二次规划，以求解希尔伯特空间中的对偶问题，大大地简化了SVM 的空间运行复杂度，时间复杂度为O（m），解决了SVM 只能对小样本进行快速建模的问题，从而可以通过训练海量样本来提高预测精度，但训练耗时大大降低，更适合在线工作.此后针对支持向量回归（SVR）的回归特性，Tsang等又对核心向量机进行扩展，使算法可以支持回归估计并将其命名为核心向量机回归算法（CVR）.

核心向量机在大型锅炉NOx排放预测、飞灰含碳量预测、电网配电和人脸识别方面具有相当大的运用前景［7－9］，并且在线的核心向量机建模方案也逐渐成熟.

2.2 建模方案

该类型锅炉水冷壁前墙、左墙、右墙和后墙出口联箱左右侧等8个联箱各安装了3个蒸汽温度测点（见图4），共24个，每处3个温度信号采用三取中处理，以此来表征锅炉四壁出口的8个典型温度.其变化趋势与位于其下方的螺旋水冷壁管出口壁温（标高67m）以及水冷壁垂直段的中间点温度（标高106.5m）变化一致.

图4 建模点位置分布Fig.4 Arrangement of modeling points

在实际的锅炉给水焓值控制和减温水流量控制回路中，这8个温度的最大值也恰恰是用于与计算设定值相比较来控制给水流量和减温水流量的.当水冷壁出口温度偏差大时，极易导致为了防止水冷壁局部（某个角）温度超限，只有加大给水流量使一级过热器处于欠焓状态，而且为了控制过热蒸汽温度偏差，过热器减温水在超温局部单侧投入，而在另外一侧少投甚至不投，这种情况直接影响到过热蒸汽温度品质和机组的经济性.

为了反映整体温度偏差情况，并改善给水和蒸汽温度控制品质，模型输出和寻优目标为同一负荷下8个出口联箱出口温度的温度偏差系数.

温度偏差系数V 定义为

式中：S 为样本标准差；¯T 为样本平均值；Ti为各出口联箱的出口温度；N＝8.

图5给出了各负荷下的温度偏差系数.由图5可知，低负荷下的温度偏差系数是高负荷下的5倍，这与现实相吻合，所以温度偏差系数准确地反映了火焰烧偏的严重程度.

图5 各负荷下的温度偏差系数Fig.5 Temperature deviation coefficients at different loads

模型的输入值为负荷、风量、温度、给煤量和给水流量等77个运行参数（见表2，其中SOFA 表示分离燃尽风）.使用当年12 月份的运行数据，从DCS中每隔60s采集模型输入向量，并挑选具有一定温度偏差系数的数据作为输入值，累计16 532个样本，使用另外806组运行数据进行验证.将温度偏差系数原始值与预测值进行对比，并以均方误差M来衡量模型可靠性.

式中：vi和Vi分别为温度偏差系数预测值和原始值；n为样本数.

使用交叉验证的方法来选择CVR的参数，最后确定核函数参数ε和惩罚系数C 分别为7×10－6和105时，模型的预测精度最好，计算耗时最少.模型对水冷壁出口温度偏差系数的评估结果见图6，其中12 月份温度偏差系数的均方误差为1.94×10－6.由图6可知，该模型可以用于寻优.

表2 模型输入参数Tab.2 Input parameters of the model

图6 模型评估结果Fig.6 Accuracy analysis of the model

3 模型寻优

引起火焰烧偏的原因很多，包括燃烧器自身的磨损情况、不同层燃烧器使用的煤种及煤粉细度等.理论上可以通过模型寻优得到所有参数的最优组合，在实际燃烧调整工作中，二次风的精细配比是最容易通过在线操作实现的，其次是煤粉细度.通过对模型的初步分析得知，对温度偏差系数最敏感的运行参数是各层各角的风量和机组负荷.

为了得到便于应用的燃烧调整策略，从以下2方面进行模型寻优：一方面通过对模型中的运行参数进行整体寻优，给出对应负荷下的各层之间理想最佳风量配比；另一方面对各层每角二次风风量单独进行分析，得到不同负荷下不同角各层的二次风风量对温度偏差系数的影响.其中理想最佳风量配比可用于引导运行风量的调整方向，不同角各层二次风风量与温度偏差系数的关系可以用于运行参数的微调.

以冬季650 MW 负荷为例，B 层～F 层磨煤机投运，A 层磨煤机未投运.寻优参数为B层～F层的二次风风量，每一层的各角二次风风量采用同层联动等风量配置.寻优结果见表3.

再对不同角二次风风量单独进行寻优，发现2号、3号和4号角二次风风量以及各角SOFA 风门开度与温度偏差系数显著关联，如图7～图8所示.

表3 650 MW 工况下二次风的寻优结果Tab.3 Optimization results of the secondary air at 650 MW

寻优结果表明：650 MW 工况下2号角整体风量需要调大，其中E 层的风量存在一个最佳值，风量范围为35～40t／h；3号角B、D、E、F 层的风量需要尽可能调小，但C 层的风量需要调大，特别是C层风量对温度偏差系数的敏感度较高，需要在保证燃烧稳定的情况下进行微调；4号角B、C、D、F 层二次风风量需要在保证燃烧稳定的情况下调大，E 层的风量需要调小.1号角和2号角SOFA 风量稍微调小，4 号角SOFA 风量尽量调大可以减小温度偏差.

整理不同负荷下的运行参数进行寻优，得到各层风量与负荷的关系和典型负荷下各层各角风量与负荷的关系.以550 MW 工况为例，B～F 层磨煤机投运，A 层磨煤机未投运，各层风门的最优值见表4.

4 燃烧配风调整试验

根据理论寻优结果，制定二次风精细配风方案，部分试验阶段的水冷壁出口联箱各点温度见图9.

如图10～图13所示，在700 MW 负荷下，当实施二次风精细配风方案后，最大温度偏差从33K 降低到15K，温度偏差系数从0.025减小到0.012，分别下降了54.5%和52%；在530 MW 负荷下，实施二次风精细配风方案后，最大温度偏差从40K 降低到25K，温度偏差系数从0.03减小到0.02，分别下降了37.5%和33%.

图7 650 MW 工况下各层各角二次风风量与温度偏差系数的关系Fig.7 Secondary air volume vs.temperature deviation coefficient at 650 MW

图8 650 MW 工况下SOFA 风量与温度偏差系数的关系Fig.8 SOFA volume vs.temperature deviation coefficient at 650 MW

表4 550 MW 工况下各层风量调整目标Tab.4 Optimization schemes of the air at 550 MW t／h

图9 试验调整过程中水冷壁出口联箱各点温度Fig.9 Optimization results of outlet header temperature

图10 700 MW 工况下最大温度偏差变化图Fig.10 Maximum temperature deviation at 700 MW

图11 700 MW 工况下温度偏差系数变化图Fig.11 Temperature deviation coefficient at 700 MW

图12 530 MW 工况下最大温度偏差变化图Fig.12 Maximum temperature deviation at 530 MW

图13 530 MW 工况下温度偏差系数变化图Fig.13 Temperature deviation coefficient at 530 MW

为了进一步验证优化策略的有效性，恢复所有参数至系统原始值，单独依照优化策略调整C层、D层以及各角SOFA 风门开度，虽然效果没有组合方案好，但优化趋势一致（见图14 和图15）.由图14和图15 可知，以调整各角SOFA 风门开度优化策略为例，要求在低负荷下全开4号角，其优化效果十分明显.

图14 530 MW 工况下4号角SOFA 风量对温度偏差系数的影响Fig.14 Temperature deviation coefficient vs.SOFA volume at 530 MW for corner No.4

5 结 论

图15 530 MW 工况下4号角SOFA 风量对最大温度偏差的影响Fig.15 Maximum temperature deviation vs.SOFA volume at 530 MW for corner No.4

通过温度场测量分析和数值模拟，确认了某锅炉火焰烧偏的程度.建立了能反映火焰烧偏严重程度的物理模型，采用核心向量机回归算法，建立了锅炉各工况条件与温度偏差系数之间的关系模型，并验证了该模型具有很高的准确度和运算效率.利用该模型进行了不同负荷下的运行参数寻优，根据寻优结果完成精细配风实验，结果显示温度偏差有了大幅度的改善，特别是在容易出现温度偏差的低负荷工况下，该模型的优化指导效果十分显著.

［1］ 刘建全，孙保民，白涛，等.600 MW 超临界旋流燃烧锅炉炉内温度场数值模拟及优化［J］.中国电机工程学报，2011，31（2）：15－21.LIU Jianquan，SUN Baomin，BAI Tao，et al.Numerical simulation and optimization on temperature field of 600 MW supercritical swirl combustion boiler［J］.Proceedings of the CSEE，2011，31（2）：15－21.

［2］ 李德波，沈跃良，邓剑华，等.OPCC 型旋流燃烧器大面积烧损的关键原因及改造措施［J］.动力工程学报，2013，33（6）：430－436.LI Debo，SHEN Yueliang，DENG Jianhua，et al.Cause analysis on burnout of OPCC swirl burners and the remedy［J］.Journal of Chinese Society of Power Engineering，2013，33（6）：430－436.

［3］ TSANG I W，KWOK J T，CHEUNG P M.Core vector machines：fast SVM training on very large data sets［J］.Journal of Machine Learning Research，2005，33（6）：363－392.

［4］ TSANG I W，KWOK J T，LAI K T.Core vector regression for very large regression problems［C］∥Proceedings of the 22nd international conference on machine learning.New York，USA：ACM，2005：912－919.

［5］ 贾庆岩，胡文东，王卫涛，等.超超临界机组中间点温度控制系统建模［J］.湖北电力，2011，35（增刊Ⅱ）：31－35.JIA Qingyan，HU Wendong，WANG Weitao，et al.Modeling of the intermediate point temperature control supercritical unit［J］.Hubei Electric Power，2011，35（SupⅡ）：31－35.

［6］ 叶向荣.600 MW 超临界锅炉中间点温度仿真与控制［J］.电力科学与技术学报，2010，25（2）：84－88.YE Xiangrong.Simulation and control of the intermediate point temperature in 600MW supercritical boilers［J］.Journal of Electric Power Science and Technology，2010，25（2）：84－88.

［7］ 彭宇文，刘克文.基于改进核心向量机的配电网理论线损计算方法［J］.中国电机工程学报，2011，31（34）：120－126.PENG Yuwen，LIU Kewen.A distribution network theoretical line loss calculation method based on improved core vector machine［J］.Proceedings of the CSEE，2011，31（34）：120－126.

［8］ 顾燕萍，赵文杰，吴占松.基于最小二乘支持向量机的电站锅炉燃烧优化［J］.中国电机工程学报，2010，30（17）：91－97.GU Yanping，ZHAO Wenjie，WU Zhansong.Combustion optimization for utility boiler based on least square－support vector machine［J］.Proceedings of the CSEE，2010，30（17）：91－97.

［9］ 王春林，周昊，李国能，等.基于支持向量机与遗传算法的灰熔点预测［J］.中国电机工程学报，2007，27（8）：11－15.WANG Chunlin，ZHOU Hao，LI Guoneng，et al.Combining support vector machine and genetic algorithm to predict ash fusion temperature［J］.Proceedings of the CSEE，2007，27（8）：11－15.