火電廠熱工參數軟測量技術分析論文

　　摘要：隨著社會經濟的發展，對電力的需求量和平穩要求不斷提升，市場的需求不斷推動火力發電廠進行技術、設備優化，在火力發電廠鍋爐、機組運行過程中有相當部分的能源和熱量被浪費，浪費形式主要是煙氣，且供電過程中對于部分鍋爐和機組關鍵部分進行了超負荷磨損，想要實現對火力發電廠工作效率的提升、生產成本的控制必須提升對溫度、壓力、流量等參數的測量和監控。本文從熱工參數入手，探討軟測量技術，分析軟測量技術在火力發電廠熱工參數方面的應用。

　　關鍵詞：火力發電廠；熱工參數；軟測量技術

　　對于火力發電廠而言，優化燃燒方式、效率是控制運行成本、提高經濟效益的重要方式，然而優化燃燒方式和效率需要先做好對關鍵技術的參數測量和控制，在火力發電廠中鍋爐煙氣含量在調整風、煤配比和控制燃燒效率方面作用較大，傳統測量方式并不能很好的控制測量準確性和及時性，對于火力發電廠的技術革新作用偏弱，因此希望對火力發電廠熱工參數的測量技術進行優化，通過對參數準確性控制和及時性提高來實現對發電廠生產效率的提高，實現火力發電廠的節能降耗。

　　1熱工參數

　　熱工是工程熱力學的簡稱，主要是研究將熱力學與機械做功之間相互轉化，以及轉化效率的研究學科，蒸汽機、空調、反應堆等反應方式都屬于工程熱力學研究范疇。熱工參數是工程熱力學研究過程中的參考數據，主要包括溫度、流量、壓力等，在火力發電廠中的熱工參數測量主要是指燃煤發熱量、煙氣含氧量、飛灰含碳量、磨煤機負荷等參數的測量，這些熱工參數直接影響到火力發電廠的生產效率和經濟利潤率，是火力發電廠進步發展的重要途徑和突破口。

　　2軟測量技術

　　軟測量是指生產過程中對難以測量或暫時無法測量變量的變相推斷，這種推斷可以通過為其他可測量變量建立數學關系、數學模型的方式來實現，軟測量可以使一些難以測量的重要變量更好的參與到技術、工藝的優化之中，幫助企業對產品質量進行更好的控制。常見的軟測量技術包括軟測量模型建立、輔助推斷變量選擇、測量數據采集與處理、重要變量推斷等部分，在軟測量技術衍化過程中出現了很多模型建立的方法，可以有效輔助生產技術、工藝的優化工作。

　　2.1主元分析法

　　主元分析法（PrincipalComponentAnalysis，簡寫為PCA）是一種常見的數據分析方法，主元分析法通過線性變換將原始數據轉化為新的、與線性無關的數據，從此種轉化過程中可以提取出數據的主要特征，通常用于高維數據降維，在火力發電廠中運用的主要作用是將難以測量或當前科學水平下不可測量的變量降維測量。降維后的高維變量能夠最大程度上保持降維前的數據特征，便于技術人員對降維后數據進行處理，進而得出降維前變量的真實特征和規律。在火力發電廠熱工參數測量過程中，飛灰含碳量等非線性特征變量更適合使用主元分析法進行數據測量和處理，只是此法干擾性較大，使用難度較高。

　　2.2支持向量機法

　　支持向量機法（SupportVectorMachine，簡寫為SVM）是一種常見的數據判別方法，主要用識別、分類、回歸的方式進行數據處理和分析。支持向量機法是一種只需要小樣本即可進行分析的方法，是一種由線性變量向非線性變量的擴展分析理論，由于這種擴展的分析方式，這類軟測量技術才會被成為支持向量法。支持向量法的應用使得技術人員可以根據有限的樣本來尋求數據之間的最優關系，以最小風險進行難以測量和當前科技水平下不可測量的變量處理，但在樣本數量較大的情況下，SVM法的處理速度會相對較慢，不適合工業發展需求。

　　2.3偏最小二乘法

　　偏最小二乘法是一種利用最小化誤差的平方和最佳函數進行的數學優化技術，偏最小二乘法采用最簡潔的方式取得了原本難以測量或當前科技水平下不可測量的變量數據，并且這種方式所取得的數據誤差相對較低。在火力發電廠中，線性關聯度較高的熱工參數多采用偏最小二乘法進行變量測量，相對而言誤差較小，軟測量技術分析結果準確性較高。

　　2.4人工神經網絡法

　　人工神經網絡法（ArtificialNeuralNetwork，簡寫為ANN）是一種較為復雜的數據網絡結構，人工神經網絡法中主要通過對人腦組織結構和運行機制的模擬來實現對數據信息的抽象、簡化、處理，是一種現代化、模擬性較高的數據信息處理方法，相較于其他軟測量技術而言，人工神經網絡法更善于處理非線性、隨機、模糊的數據群，對于這種大規模、結構復雜、來源不明數據群采用模擬人腦的處理方式可以有效濾過大量不可測量的變量，尋找到其中的變化因素，尋找到更適合于火力發電廠技術優化的方向和突破口。

　　2.5模糊理論法

　　模糊理論法是一種模糊邏輯處理方式，由于這種方式難以用數學的方式進行建模，甚至無法進行定量描述，所以并不適合單獨使用，建議將其與人工神經網絡法結合使用，提高人工神經網絡法的準確性。

　　3軟測量技術在火力發電廠熱工參數方面的應用

　　3.1煙氣含氧量測量

　　傳統熱工參數測量方式主要是通過熱磁式傳感器、氧化鋯傳感器進行，由于煙氣中含有大量的未燃盡煤粉，鍋爐有可能存在漏風等情況，使用熱磁式傳感器和氧化鋯傳感器的測量誤差較大，且得到數據的及時性較差，且用于測量煙氣含氧量的傳感器使用過程中磨損較大，壽命較短，導致火力發電廠熱工參數測量成本較高。采用軟測量技術進行熱工參數測量，可以通過對總燃料量、風量、電流量、給水流量、蒸汽溫度、鍋爐壓力、出口煙氣溫度等參數對煙氣含氧量進行推導測量，常見的測量方式是偏最小二乘法，也可采用偏最小二乘法與主元分析法、支持向量機法聯合的方式提高軟測量結果的有效性。

　　3.2飛灰含碳量

　　傳統飛灰含碳量的測量方式是燃燒失重法、反射法和微波吸收法，然而這三種方法中燃燒失重法存在及時性差，反射法和微波吸收法存在成本高的缺陷，且由于飛灰含碳量還會受到煤礦質量、鍋爐運行質量的影響，傳統三法無法很好實現對飛灰含碳量的準確測量。熱工參數軟測量技術主要通過基低位發熱量、揮發分、水分、灰分、入煤量、煙氣含氧量、鼓風量、風壓、鍋爐負荷等參數進行數據處理，由于參數量較大、種類較多，通常情況下依據線性測量方法并不能很好的進行飛灰含碳量測量，因此飛灰含碳量的常見軟測量技術是非線性處理效果較強的人工神經網絡法，若參數獲取有效性比較高，可以采用支持向量機法與偏最小二乘法聯合的方式進行數據處理。

　　3.3球磨機負荷

　　傳統球磨機負荷的測量方法主要有振動法、物位法、差壓法、電流法、噪音法，但由于傳統測量方法精確性不高，測量結果無法準確指導球磨機進行煤粉研磨，不僅無法控制磨粉的質量，還會導致電能的無用消耗。球磨機負荷軟測量可將入煤量、出入口壓力差、入風量、電流量作為參數進行處理，由于影響球磨機負荷的各項參數之間線性結構并不明確，采用支持向量機法與偏最小二乘法聯合可以得到比較有效的測量結果，采用人工神經網絡法也可以得到較好的測量結果，經過軟測量技術處理的數據可以有效提高球磨機研磨的精度和對電能的控制。

　　3.4煤炭質量

　　煤炭質量對于火力發電廠多個環節生產效率的影響都十分顯著，因此對于火力發電廠熱工參數軟測量技術必須將煤炭質量列入處理行列，且煤炭質量的測量處理還需要根據不同環節進行調整，例如在球磨機環節，入機煤炭量、出口煙氣成分組成、發熱量、球磨機運行狀態都是煤炭質量的軟測量技術參數；在鍋爐燃燒環節，入機煤炭量、鼓風量、電流量、出口煙氣成分組成都是煤炭質量的軟測量技術參數。由于煤炭質量中包含煤種揮發份、固定碳含量、低溫發熱量等多個難測變量，且參數數量龐大，因此煤炭質量的軟測量多采用人工神經網絡法進行，這種方式可以有效降低煤炭質量的測量誤差，最理想狀態下可將誤差率壓縮在±2%。

　　3.5燃燒優化

　　燃燒優化是指火力發電廠經過技術、工藝優化實現效率提高、污染降低，其中包含了鍋爐燃燒結果中的煙氣含氧量控制、飛灰含碳量控制、排煙溫度控制等多個方向，目前我國專家對于燃燒優化的思路有較大區別，第一類專家傾向于采用人工神經網絡法進行性能優化，第二類專家傾向于使用支持向量機法，對煙氣含氧量、飛灰含碳量的測量結合，第三類專家同樣傾向使用支持向量法，但更傾向于使用鍋爐燃燒效率、煙氣含氧量、排煙溫度的測量結合。

　　4結語

　　火力發電廠的熱工參數測量主要集中在球磨機負荷、煙氣含氧量、煙氣溫度、風煤比、飛灰含碳量、污染物排放量等部分，致力于為火力發電廠成本控制、生產效率提升提供數據基礎，上文者探討了各種軟測量技術及建模。

　　參考文獻：

　　[1]賀軍.熱工參數軟測量技術在火電廠節能中的應用[J].電氣技術,2017，(11):114-116，120.

　　[2]趙凱.火電機組熱工參數軟測量與燃燒優化研究[D].華北電力大學,2017.

　　[3]羅嘉,吳樂.電站鍋爐主要熱工過程參數軟測量技術研究進展[J].熱力發電,2015,44(11):1-9+13.

【火電廠熱工參數軟測量技術分析論文】相關文章：

電弧加熱發動機參數的測量技術04-26

紅外探測技術對多目標彈道參數的測量04-30

基于即時學習策略的火電廠煙氣含氧量軟測量04-26

氣動諧振管加熱過程氣體參數的測量與分析05-02

RTK測量技術對國土測量的應用論文05-01

公差配合測量技術論文09-23

橋梁軟土地基的處理技術的工學論文04-30

股市收益率的風險測量-基于參數與非參數GARCH技術的動態VaR計算04-30

電鍍電流參數在線測量04-25

軟土路基工后沉降預測技術與應用實踐04-28