基于飞灰含碳量预测的火电厂配煤掺烧燃料成本计算

第３６卷第３期　２０１５年６月　化工装备技术　２９　嚣嚣嚣饕胬壁　黪　熬　基于飞灰含碳量预测的火电厂配煤掺烧燃料成本计算　

邹光球　黄敏　向春波・吴勇才　刘乐　（１．大唐先一科技有限公司２．中国大唐集团公司湖南分公司）　

摘　要　对现有配煤掺烧系统仅计算混煤吨单价而忽略煤耗引起的燃料成本差异的问题进行　了研究。采用基于神经网络建模预测飞灰含碳量的方法，计算掺烧（标）煤耗，进而得到单　位发电燃料成本。该方法在湖南某电厂的实施结果表明：该模型预测准确性高，用于指导电　厂实际掺配工作经济效益显著。　关键词　火电厂　配煤掺烧飞灰含碳量神经网络　中图分类号ＴＫ　２２４　

Ｃａｌｃｕｌａｔｉｏｎ　Ｂａｓｅｄ　ｏｎ　Ｐｒｅｄｉｃｔｉｎｇ　ｏｆ　Ｆｌｙ　Ａｓｈ　Ｃａｒｂｏｎ　ｆｏｒ　Ｆｕｅｌ　Ｃｏｓｔｓ　ｏｆ　Ｔｈｅｒｍａｌ　Ｐｏｗｅｒ　Ｐｌａｎｔ　Ｓ　Ｂｌｅｎｄｉｎｇ　Ｃｏａｌ　Ｚｏｕ　Ｇｕａｎｇｑｉｕ　Ｈｕａｎｇ　Ｍｉｎ　Ｘｉａｎｇ　Ｃｈｕｎｂｏ　Ｗｕ　Ｙｏｎｇｃａｉ　Ｌｉｕ　Ｌｅ　Ａｂｓｔｒａｃｔ：Ｔｈｉｓ　ｐａｐｅｒ　ｓｔｕｄｉｅｄ　ｔｈｅ　ｅｘｉｓｔｉｎｇ　ｐｒｏｂｌｅｍ　ｔｈａｔ　ｔｈｅ　ｂｌｅｎｄｉｎｇ　ｃｏａｌ　ｓｙｓｔｅｍ　ｏｎｌｙ　ｃａｌｃｕｌａｔｅｄ　ｔｈｅ　ｍｉｘｅｄ　ｃｏａｌ　ｐｒｉｃｅ　ｗｈｉｌｅ　ｉｇｎｏｒｉｎｇ　ｔｈｅ　ｄｉｆｆｅｒｅｎｃｅ　ｉｎ　ｆｕｅｌ　ｃｏｓｔｓ　ｃａｕｓｅｄ　ｂｙ　ｃｏａｌ　ｃｏｎｓｕｍｐｔｉｏｎ．Ｉｔ　ｕｓｅｄ　ｔｈｅ　ｍｅｔｈｏｄ　ｆｏｒ　ｐｒｅｄｉｃｔｉｎｇ　ｔｈｅ　ｆｌｙ　ａｓｈ　ｃａｒｂｏｎ　ｂｙ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｍｏｄｅｌｉｎｇ，ｃａｌｃｕｌａｔｅｄ　ｂｌｅｎｄｉｎｇ（ｓｔａｎｄａｒｄ）ｃｏａｌ　ｃｏｎｓｕｍｐｔｉｏｎ，ａｎｄ　ｔｈｅｎ　ｇｏｔ　ｔｈｅ　ｕｎｉｔ　ｃｏｓｔ　ｏｆ　ｐｏｗｅｒ　ｇｅｎｅｒａｔｉｏｎ　ｆｕｅ１．Ｕｓｉｎｇ　ｔｈｉｓ　ｍｅｔｈｏｄ　ｒｅｓｕｌｔｓ　ｉｎ　ｔｈｅ　ｉｍｐｌｅｍｅｎｔａｔｉｏｎ　ｏｆ　ａ　ｐｏｗｅｒ　ｐｌａｎｔ　ｉｎ　Ｈｕｎａｎ　ｓｈｏｗ　ｔｈａｔ：ｔｈｅ　ｍｏｄｅｌ　ｈａｄ　ｈｉ【ｇｈ　ｐｒｅｄｉｃｔｉｖｅ　ａｃｃｕｒａｃｙ，ｂｙ　ｕｓｉｎｇ　ｔｈｉｓ　ｍｅｔｈｏｄ　ｔｏ　ｇｕｉｄｅ　ｔｈｅ　ｗｏｒｋ　ｏｆ　ｔｈｅ　ａｃｔｕａｌ　ｂｌｅｎｄｉｎｇ　ｃｏａｌ　ｈａｄ　ａｃｈｉｅｖｅｄ　ｔｈｅ　ｓｉｇｎｉｆｉｃａｎｔ　ｅｃｏｎｏｍｉｃ　ｂｅｎｅｆｉｔｓ．　Ｋｅｙ　ｗｏｒｄｓ：Ｔｈｅｒｍａｌ　ｐｏｗｅｒ　ｐｌａｎｔ；Ｂｌｅｎｄｉｎｇ　ｃｏａｌ；Ｆｌｙ　ａｓｈ；Ｃａｒｂｏｎ　ｃｏｎｔｅｎｔ；Ｎｅｕｒａｌ　ｎｅｔｗｏｒｋｓ　

近几年。煤炭市场已经由卖方市场逐步转变为　买方市场，各类煤炭资源较为充沛；而另一方面，　随着电厂增效益压力的越来越大，作为占电厂总成　本８０％的燃料成本成了电厂特别关注的问题【ｌ】。　在保证锅炉安全稳定运行、机组按计划带负荷以及　污染物排放达标的前提下．实现火电厂科学精细化　配煤掺烧管理是有效降低燃料成本的途径之一阁。　现有配煤掺烧系统的核心思想是根据库存煤、　发电计划．计算得出符合要求的若干混煤组合，并　以混煤的吨单价进行排序寻优。确定混煤方案后．　根据手工输入的煤量。最终得到掺配方案。其缺点　是．只考虑每吨混煤的价格，而未涉及因混煤特性　不同造成的煤耗变化引起的燃料成本差异。　为合理计算火电厂因配煤掺烧带来的燃料成本　效益，本文建立了单位发电燃料成本的预测模型，　并依托湖南某电厂的实际生产数据，验证了该模　型。结果表明，该模型预测精度高，方法适用于生　产实际，可用于指导电厂配煤掺烧工作，有效降低　电厂燃料成本。　

１　单位发电燃料成本　单位发电燃料成本是指机组每发一度电所消耗　

邹光球，男，１９６４年生，工程师。长沙市，４１０００７。　化工装备技术　第３６卷第３期　的燃煤量对应的货币金额。本文引入混煤标单概　念。混煤标单是指将混煤发热量折算为标准煤发热　量后得到的燃煤单价。据此，单位发电燃料成本可　按下式计算：　Ｃｒｌ＝　Ｃｈ　ｘｌ０　（１）　∑　Ｃ．）　＝Ｑ　．　——一　（２）　∑　，Ｑ　）　ｉ＝ｌ　。　式中　Ｃ　——单位发电燃料成本，元／千瓦小时；　Ｂ。　掺烧（标）煤耗预测值，ｇ／（ｋＷ＇ｈ）；　Ｃ　。　一混煤标单，元／吨；　Ｑ　——标准煤低位发热量，取２９　２７１．７６，　ｋＪ／ｋｇ；　Ｃ厂一掺配单煤单价，元／吨；　广单煤掺配量比例系数；　ｐ广掺配单煤收到基低位发热量，ｋＪ／ｋｇ；　ｎ——掺配单煤种类数。　‘　由上述公式可知，单位发电燃料成本的计算可　归结为掺烧（标）煤耗Ｂ　的计算。在汽机热耗、　管道效率不受混煤特性影响的前提下，该指标仅受　锅炉效率叩　的影响。因此，我们认为单位发电燃　料成本的计算可归结为锅炉效率卵　的计算。　本文沿用行业标准《火力发电技术经济指标计　算》（ＤＬ／Ｔ　９０４－－２００４）给出的计算方法和规范计　算锅炉效率［３］。在该规范中，受煤质影响波动最大　且影响锅炉效率占比较大的是机械不完全燃烧热损　失，而计算该损失需要的运行参数是飞灰含碳　量　。下文将重点研究飞灰含碳量的预测方法。　２飞灰含碳量预测　飞灰含碳量的大小和混煤特性、运行工况有　关，在运行工况正常的情况下，混煤特性的不同决　定了飞灰含碳量的变化规律。就混煤特性而言。影　响因素主要表现在低位发热量、水分、灰分、固定　碳和挥发分上：从运行角度分析．影响因素主要表　现在炉膛出口氧量、平均负荷上［５１。　在对比分析了均值法、回归算法、机理建模　法、神经网络建模法等方法后，本文认为采用神经　网络建模法对飞灰含碳量进行预测是最为准确的，　且具有良好的推广性。　神经网络是一种模拟生物神经元工作方式的数　学模型［６１。它揭示了数据样本中蕴含的非线性关　系．大量的处理单元组成了非线性自适应动态系　统．具有良好的自适应性、自组织能力以及很强的　学习、联想、容错和抗干扰能力，在不同程度和层　次上可模仿大脑的信息处理机制，灵活方便地对多　成因的复杂未知系数进行建模。　目前．神经网络已经在多个学科领域被广泛应　用于模式识别、预报预测以及数值逼近等方面聊。　而ＢＰ神经网络是神经网络中应用最为广泛的一　种，因网络权值的调整规则采用误差反向传播算法　而得名，其预测功能已在农作物虫情预测、冬小麦　产量、土壤参数、交通流混沌等诸多领域的工程研　究中得到广泛应用。基于此，本文最终采用ＢＰ神　经网络对飞灰含碳量进行预测。　

３神经网络建模　选取湖南某电厂实际人炉煤煤质参数（低位发　热量、固定碳、灰分、挥发分）、炉膛出口氧量、　平均负荷等为自变量．选取实测的飞灰含碳量为因　变量。样本数据７００组，测试数据４４组。利用ＢＰ　神经网络建立数学模型，在得到满足精度要求的各　层权值、阈值、学习率后，利用测试数据检验该模　型。表ｌ给出了４４组测试数据的真实值、预测值　及相对误差值。　将误差超过±１０％的测试样本原始数据及与测　试样本相似的训练样本列表如表２、表３所示。　对比分析表２、表３可知，在训练、测试样本　中，各参数相近。在训练样本中，处于这个范围内　的飞灰含碳量在４．５４％～５．４５％之间，而对于测试样　本。飞灰含碳量预测值在５．１４％　５．４５％，实际值则　在３．６２％一３．９１％。鉴于此，本文认为测试样本由于　自身原因（数据错误、设备故障、运行条件等）严　重偏离已有训练样本是造成误差较大的主要原因，　而非模型自身问题。　综上所述，除部分样本误差超过ｌｏ％￣ｂ，大　部分预测样本的相对误差都在１０％以下。由于飞　灰含碳量本身就是受多种因素共同影响的量，故本　文认为。相对误差精度达到１０％即可满足生产实　际需要　

４应用情况分析　结合上文所述思路，针对湖南某电厂的实际情　２０１５年６月　邹光球等：基于飞灰含碳量预测的火电厂配煤掺烧燃料成本计算　３１　表１　测试样本实际值、预测值对比分析（％）　真实值　预测值相对偏差　真实值　预测值相对偏差　４．９２　４．７３９　３．６７　４．４０　４．７２１　—７．３５　５．１８　５．４９６　—６．１Ｏ　４－２６　４．５４３　－６．６２　３．６２　５．１４３　—４２．０８　１０－４２　９．４７２　９．１１　５．８７　６．２８４　—７．０９　１　１．９１　１２．４８１　—４．８４　４＿３９　４．５８２　－４．２９　５．６０　５．９１４　－５．５４　５．２３　５．０２７　３．８４　４．４１　４．３７２　０．９６　ｌ　１．５０　１０．９４５　４．８０　１０．１９　９．１８７　９．８３　３．９３　５．２４３　—３３－３１　９．８１　１０．７２４　—９Ｉ３２　８．３２　８．６２６　—３．６８　９．２９　１Ｏ．１４５　—９．２６　７．５７　７．２４８　４．２６　４．８２　４．７０８　２．２３　８．１２　８．６７０　—６．８３　１０．５４　９．８１４　６．９０　５．６１　５．９２１　—５．４８　８．８５　８．７２３　１．４ｌ　８．４７　８．９５７　—５．７６　１Ｏ．９２　９．９６８　８．７３　４．９２　４．６９２　４．７３　３．７２　５．２７６　—４２．０２　９．６９　１０．１７５　—５．０３　７．０４　７．６２１　—８．１８　８．９３　９．２１０　—３．１８　９．Ｏ２　８．４５４　６．２６　３．９１　５．３７２　—３７．５３　８．８３　９．３７６　—６．２４　３．８６　５＿３１９　－３７．９８　４．８４　４．７５２　１．８７　３．４１　５．０４８　—４８．１７　３．５５　５．４５４　—５３．６３　９＿３６　９．７８４　—４．５７　５．６２　６．１２５　—８．９０　５．７８　６．１４０　—６．２９　３－３５　５．２１８　—５５．６３　９．５８　９．８９２　—３．２２　ｌ１．９６　１２．５７５　—５．１５　

表２与误差过大的测试样本相似的训练样本　

况，开发了配煤掺烧决策支持系统。在该系统中，　利用神经网络算法建立了飞灰含碳量的预测模型，　计算得出了单位发电燃料成本。该厂自２０１４年年　初正式使用该系统后，其飞灰含碳量累计最大绝对　

表３误差过大的测试样本　偏差为０．８％，最大相对偏差为９．７％，其预测的准　确性、可靠性得到了电厂的认可。利用该系统，电　厂上半年燃煤综合标单价格从０．２５元／千瓦小时降　低至０．２４５元／千瓦小时，上半年累计发电６．４８亿　千瓦小时。节约燃料成本３２４万元。　

５结语　本文对现有配煤掺烧系统仅计算混煤吨单价而　忽略煤耗引起的燃料成本差异的问题进行了研究。　采用基于神经网络建模预测飞灰含碳量的方法，计　算掺烧（标）煤耗，进而得到单位发电燃料成本。　该方法在湖南某电厂的实施结果表明：该模型预测　准确性高，用于指导电厂实际掺配工作经济效益显　著。