[发明专利]一种基于受热面健康状态预测的锅炉吹灰优化方法

说明书

本发明公开了一种基于受热面健康状态预测的锅炉吹灰优化方法，采用滤波算法滚筒式实现对单次吹灰周期内积灰段清洁因子特征变化的预测，并得到函数式，同时结合单吹灰周期内的单位最小传热能损耗吹灰优化模型，得到单次吹灰周期最佳吹灰时间点用于单次吹灰优化策略的制定。解决了基于大数据制定吹灰优化策略在单次吹灰操作上不准确的问题；并以某300MW燃煤电站锅炉为例，验证了此发明专利具有较好的经济性和科学性，对燃煤电站制定吹灰策略具有指导作用。

技术领域

本发明涉及燃煤电站锅炉受热面吹灰优化领域，特别是一种基于受热面健康状态预测的锅炉吹灰优化方法。

背景技术

电能是现在人类文明中最重要的能源之一。现阶段我国的电能的生产很大部分都来自于燃煤发电，然而燃煤在燃烧过程中会在电站锅炉的受热面产生积灰和结渣，降低锅炉的传热效率，造成能源的浪费，严重时甚至会危害机组的安全运行。因此为了达到煤燃烧能量的利用的最大化，必须对锅炉管道的受热面进行及时的清扫吹灰。制定最合理、最科学的吹灰优化策略，才能保证一段时间内受热面传热效率的最大化，实现节能减排和机组的安全运行。

目前我国大多数燃煤电站采用按时、定量的吹灰方案，即每天按照固定的时间点进行相同时间的吹灰操作，形成一个固定的吹灰周期，然而固定吹灰周期只考虑工作人员的排班，并未考虑到实际燃煤、工况等因素对积灰的影响可能造成的过吹灰和欠吹灰，对资源的节约和安全生产造成不良的影响；

为了解决上述问题，国内外学者以制定最佳的吹灰优化策略来展开研究。查阅现有文献发现：邓喆等人提出的“基于声学测温与人工神经网络的炉膛结渣在线监测方法”通过建立神经网络模型训练大量离线参数预测实际监测结果，而神经网络方法要取得较好的结果需要大量的训练样本，同时神经网络预测存在预测间隔太大、一旦工况变化太大导致预测的不准确等问题

如徐力刚等人提出的“基于炉膛结渣监测模型的吹灰优化”提出了建立出一种基于单位时间炉膛传热量最大的吹灰优化模型，在模型的优化计算过程中，需要求得积灰段清洁因子的变化曲线。文中采用多组历史数据求出均值再进行拟合的办法获得积灰段清洁因子的变化曲线，该方法在统计和预测一段时间内的最佳吹灰策略中取得了一定的成效，但是由于单次的积灰段清洁因子的变化与统计均值的变化存在一定的差异，所以在精确到单次的吹灰优化策略的制定上不够准确。

发明内容

本发明的目的是要解决现有技术中存在的不足，提供一种基于受热面健康状态预测的锅炉吹灰优化方法，以清洁因子来评估受热面的健康状况。并根据机组实时监测数据结合滤波算法，采用滚筒式预测单次积灰过程内清洁因子未来的变化趋势。

为达到上述目的，本发明是按照以下技术方案实施的：

一种基于受热面健康状态预测的锅炉吹灰优化方法，包括以下步骤：

步骤一、通过采集燃煤锅炉省煤器实时的积灰段清洁因子数据，对实时的清洁因子数据进行坏点处理和数据平滑处理；

步骤二、建立单吹灰周期内的单位最小传热能损耗吹灰优化模型；

步骤三、采用滤波算法滚筒式预测得到最佳的积灰段F_j清洁因子的变化曲线和最佳的吹灰时间点；

步骤四、通过步骤三的滤波算法预测得到最佳的反映单次积灰段清洁因子变化特征的曲线函数，计算吹灰段清洁因子变化曲线函数，将得到的积灰段清洁因子变化特征的曲线函数和吹灰段清洁因子变化曲线函数带入到步骤二的单吹灰周期内的单位最小传热能损耗吹灰优化模型中，计算得到最佳的吹灰时间点和吹灰时长，从而使单吹灰周期内的单位最小传热能损耗最小。

具体地，所述步骤一中，实时的积灰段清洁因子数据的采集的具体步骤为：