CN103115356B - 超临界cfb锅炉燃烧信号的监测方法及优化控制方法 - Google Patents

Abstract

本发明公开了一种超临界CFB锅炉燃烧信号的监测方法及优化控制方法，所述监测方法包括：步骤1，采集现场数据，对上述现场数据进行数据预处理，并确定即燃碳量模型的辅助变量；步骤2，建立基于机理建模和数据分析的复合建模的即燃碳量模型，并利用广义卡尔曼滤波信息融合技术估算炉膛内即燃碳的存储量；所述即燃碳量模型为：步骤3，利用即燃碳量分别构造热量信号动态模型、炉膛床温信号模型和炉膛出口氧量信号模型，来对热量、床温、氧量进行预测。本发明能够准确、实时地测量超临界CFB锅炉的热量、床温、氧量等信号，实现对超临界CFB锅炉燃烧的优化控制，提高超临界CFB锅炉燃烧的稳定性。

Description

超临界CFB锅炉燃烧信号的监测方法及优化控制方法

技术领域

本发明涉及一种超临界CFB锅炉燃烧信号的监测方法及优化控制方法，属于循环流化床锅炉热工参数监测及燃烧优化控制领域。

背景技术

循环流化床(CFB)锅炉与煤粉锅炉相比，最大的不同在于燃烧机制的不同。煤粉炉的燃烧释放热量来自于瞬间进入炉膛的给煤量，一旦给煤供应停止，燃烧便很快终止；而循环流化床锅炉的燃烧发热量主要来自于锅炉中大量未燃尽的即燃碳，而不是瞬间加入的给煤量。循环流化床类似于一个正在充电的“蓄电池”，物料内存在着大量未燃尽即燃碳如同已蓄积在电池内的电量。一方面，给煤相当于“外接电源”在不断地向“蓄电池”补充电量；另一方面，即燃碳通过燃烧，自身质量减少、对外释放热量，相当于“蓄电池”在不断地向用户释放功率，减少自身储电量。这种即燃碳质量动态蓄积的机制代表了循环流化床燃烧的本质机制，贯穿于循环流化床运行过程的始终。

在循环流化床锅炉燃烧过程中，由于给煤颗粒较大，锅炉炉膛燃烧的发热量中当前时刻的给煤量只是占其中的极少部分，而大量存储在炉膛中碳的燃烧发热量为当前锅炉主导发热量，将当前大量存储在炉膛中即将燃烧的碳叫做“即燃碳量”。

普通煤粉炉里面的煤粉一般在1秒钟之内燃烧；然而在超临界循环流化床锅炉内，由于流化床内比较低的燃烧温度和入炉煤较大的燃烧颗粒，碳颗粒燃烧的时间长达几分钟到几十分钟。即燃碳量是无法现场测量的，但是即燃碳的燃烧是影响炉膛发热量信号的主要因素，因此即燃碳量的计算很重要，可以用来估计锅炉内潜在的储存热量，即燃碳量存储太多，床温会升的太高，使得床料融化结焦，如果炉膛内存储的即燃碳量较少，则会引起锅炉出力不足，同时即燃碳量还影响锅炉的燃烧效率和NO_X排放。

超临界CFB锅炉由于没有了汽包容器，同时炉膛内存在更多大量的循环物料量，因此锅炉具有更大的热惯性。大部分因为燃烧系统不稳定而引起的停炉事故都是由床温或者床压无法稳定而引起，而即燃碳的燃烧是床温的决定性因素，因此准确的估算炉内即燃碳的存量对于控制系统和提高燃烧效率是非常重要的。

在现场中可以利用特殊的仪器从锅炉中取出床料，进行成份分析研究，但是其实验成本很高，并且可靠性得不到保障，床料中即燃碳量的非均匀分布会导致测量的不准确，在取出的一公斤床料中测量得到即燃碳的含量可能和实际炉膛中即燃碳的平均值有一定的误差。因此，目前即燃碳的存量是一个无法测量的变量，这给循环流化床燃烧系统的调整和控制带来了难度，随着循环流化床锅炉的大型化发展，即燃碳量的准确估算是一个迫切需要解决的问题。

发明内容

本发明的目的在于，提供一种超临界CFB锅炉燃烧信号的监测方法及优化控制方法，本发明能够准确、实时地测量超临界CFB锅炉的热量、床温、氧量等信号，实现对超临界CFB锅炉燃烧的优化控制，提高超临界CFB锅炉燃烧的稳定性。

为解决上述技术问题，本发明采用如下的技术方案：一种超临界CFB锅炉燃烧信号的监测方法，包括以下步骤：

步骤1，采集现场数据，所述现场数据包括给煤量、总风量、排渣量、主蒸汽流量、给水流量、主蒸汽温度、给水温度、煤质热值和床温，对上述现场数据进行数据预处理，并确定即燃碳量模型的辅助变量；

步骤2，建立基于机理建模和数据分析的复合建模的即燃碳量模型，并利用广义卡尔曼滤波信息融合技术估算炉膛内即燃碳的存储量；所述即燃碳量模型为：

$\frac{\mathrm{dB}\left(t\right)}{\mathrm{dt}}=F\left(t\right)-\frac{1}{H}\left(K\left(\mathrm{PM}\left(t\right)\right)B\left(t\right)\right)$ (一)

式中，B(t)为即燃碳量，单位为kg/s；PM(t)为总风量，单位为m³；K为模型总系数；H为燃料的单位发热量，单位为MJ/kg；F(t)为从炉膛入口进入锅炉的给煤量，单位为kg/s；

步骤3，利用即燃碳量分别构造热量信号动态模型、炉膛床温信号模型和炉膛出口氧量信号模型，来对热量、床温、氧量进行预测；其中，

所述热量信号动态模型为：

$\frac{\mathrm{dQ}\left(t\right)}{\mathrm{dt}}=\frac{1}{\mathrm{\τ}}(K\left(\mathrm{PM}\left(t\right)\right)B\left(t\right)-Q\left(t\right))$

式中，Q(t)为t时刻主蒸汽的热量，单位为MW；PM(t)为总风量，单位为m³；B(t)为即燃碳量，单位为kg/s；K为模型总系数；τ为热传递延迟时间，单位为s；

所述炉膛出口氧量信号模型为：

$Y_{o_2}=21-\frac{{\mathrm{Kl}}_{o_2}\mathrm{KB}\left(t\right)\mathrm{PM}\left(t\right)}{(\mathrm{PM}\left(t\right)-l)}$

式中，Yo₂为排烟氧含量，％；Klo₂为氧量模型系数；K为模型总系数；l为风量校正信号；PM(t)为总风量，单位为m³；B(t)为即燃碳量，单位为kg/s；

所述炉膛床温信号模型为：

$c_s{M}_s\frac{\mathrm{dT}\left(t\right)}{\mathrm{dt}}=K\left(\mathrm{PM}\left(t\right)\right)B\left(t\right)-Q_a\left(t\right)-Q_{\mathrm{pz}}\left(t\right)$

式中，C_sM_s为床料固体热容量，单位为J/(kg·K)；T为床料温度，单位为K；PM(t)为总风量，单位为m³；B(t)为即燃碳量，单位为kg/s；Q_a(t)为空气在床体内的流动带出的热量，单位为MW；Q_pz(t)为排渣量带出热量，单位为MW。

前述的超临界CFB锅炉燃烧信号的监测方法中，步骤2中利用广义卡尔曼滤波信息融合技术估算即燃碳的存储量为：将公式(一)的非线性函数做一阶泰勒展开，得到线性化的系统方程从而完成对目标的滤波估计；

在第t₀时刻，设给煤量为F_t0，总风量为PM_t0，炉膛内即燃碳量为B_t0，将公式(一)右边在F_t0、PM_t0、B_t0进行一阶泰勒展开，忽略高阶分量，可得：

$F\left(t\right)-\frac{1}{H}\left(\mathrm{KPM}\left(t\right)B\left(t\right)\right)\≈F\left(t\right)-\frac{{\mathrm{KPM}}_{t_0}}{H}B\left(t\right)$

$-\frac{{\mathrm{KB}}_{t_0}}{H}\mathrm{PM}\left(t\right)+\frac{{\mathrm{KB}}_{t_0}{\mathrm{PM}}_{t_0}}{H}$

假设系统是等时间间隔采样，采样时间为Ts，Ts=t_k+1-t_k，下一时刻的即燃碳量B(t_k+1)与当前时刻即燃碳量B(t_k)的关系如下：

B(t_k+1)-B(t_k)＝ΔB(t_k)

$B\left(t_{k+1}\right)=B\left(t_k\right)+\mathrm{\ΔB}\≈B\left(t_k\right)+\mathrm{Ts}*\left(\frac{\mathrm{dB}\left(t\right)}{\mathrm{dt}}\right)$

在t_k时刻：

$B\left(t_{k+1}\right)=B\left(t_k\right)+T_s*(-\frac{{\mathrm{KPM}}_{t_0}}{H}B\left(t_k\right)$

$-\frac{{\mathrm{KB}}_{t_0}}{H}\mathrm{PM}\left(t_k\right)+F\left(t_k\right)+\left(\frac{K}{H}{B}_{t_0}{\mathrm{PM}}_{t_0}\right))$

整理可得：

$B\left(t_{k+1}\right)=\left(\frac{H-T_s*{\mathrm{KPM}}_{t_0}}{H}\right)B\left(t_k\right)-\frac{T_s*{\mathrm{KB}}_{t_0}}{H}\mathrm{PM}\left(t_k\right)$

$+T_s*F\left(t_k\right)+\frac{T_s*K}{H}{B}_{t_0}{\mathrm{PM}}_{t_0}$

令：X₁(t_k+1)＝B(t_k+1)，U₁＝[PM(t_k)F(t_k)]^T， $H_1=\left[\begin{array}{cc}-\frac{T_s*{\mathrm{KBt}}_0}{H}& T_s\end{array}\right],$ 可得滤波方程：

X₁(t_k+1)＝G₁X₁(t_k)+H₁U₁(t_k)

再利用卡尔曼滤波算法完成即燃碳量的估计。

前述的超临界CFB锅炉燃烧信号的监测方法中，步骤1中的数据预处理，是对采集的现场数据进行异常数据剔除和数字滤波。

前述的超临界CFB锅炉燃烧信号的监测方法中，步骤1中的确定即燃碳量模型的辅助变量，是利用灰色关联分析方法依次分析预处理后的现场数据与即燃碳量相关性的强弱，以关联性强弱为依据进行二次选择，其结果作为即燃碳量模型的辅助变量；所述确定的辅助变量为给煤量、总风量和煤质热值。

前述的超临界CFB锅炉燃烧信号的监测方法中，模型总系数K的求取包括：在稳定工况下，即燃碳颗粒的燃烧速度R_c是一个定值，其单位是kg/s，等于通过给煤补充的碳的速率，即每秒入炉的给煤量的含碳质量，根据以下公式：

k_c＝0.513T_fexp(-9160/T_f)

$C_{o_2}=k_{o_2}\mathrm{PM}\left(t\right)$

$B_0=\frac{R_c{d}_c{\mathrm{\ρ}}_c}{72k_c{C}_{o_2}},$

以及氧量浓度和总风量的相关系数ko₂＝0.006085计算得到初始的即燃碳量B₀；

再将当前采集的给煤量和总风量代入下式：

$Q_i\left(t\right)=R_{c}H=\frac{6M_{c}H{k}_c{k}_{o_2}}{d_c{\mathrm{\ρ}}_c}B\left(t\right)\×\mathrm{PM}\left(t\right)$

$=K\left(\mathrm{PM}\left(t\right)\right)B\left(t\right)$

即可得到模型总系数K，其表达式为：

$K=\frac{{\mathrm{HF}}^{*}}{B_0^{*}*{\mathrm{PM}}^{*}}$

上述公式中，带*的符号代表稳态下的变量；k_c为即燃碳颗粒的燃烧速率常数；T_f为即燃碳颗粒表面温度，单位为K；Co₂为氧气浓度，单位为kmol/m³；B(t)为即燃碳量，单位为kg/s；PM(t)为总风量，单位为m³；H为燃料的单位发热量，单位为MJ/kg；d_c为即燃碳颗粒平均直径，单位为m；ρ_c为即燃碳颗粒密度，单位为kg/m³。

前述的超临界CFB锅炉燃烧信号的监测方法中，采用最小二乘法对模型参数进行修正。

一种基于前述监测方法的超临界CFB锅炉优化控制方法，以稳定炉膛即燃碳量为前提，根据构造的即燃碳量模型，计算得到当前工况的总风量和给煤量的优化配比值，通过调节总风量达到优化风煤比，以保持炉膛内燃烧的发热量、床温、氧量信号的稳定。

前述的超临界CFB锅炉优化控制方法中，优化风煤比的计算公式如下：

$\frac{\mathrm{PM}\left(t\right)}{F\left(t\right)}=\frac{\mathrm{\η}*d_c{\mathrm{\ρ}}_c}{72k_c{k}_{o_2}*B\left(t\right)}$

式中，F(t)为从炉膛入口进入锅炉的给煤量，单位为kg/s；PM(t)为总风量，单位为m³；η为给煤中碳的含量，％；d_c为即燃碳颗粒平均直径，单位为m；ρ_c为即燃碳颗粒密度，单位为kg/m³；k_c为即燃碳颗粒的燃烧速率常数；ko₂为氧量浓度和总风量的相关系数；B(t)为即燃碳量，单位为kg/s。

与现有技术相比，本发明具有以下优点：

(1)针对循环流化床锅炉燃烧特性，研究了循环流化床锅炉的燃烧状态监测模型，提出了CFB锅炉特有的“即燃碳”的状态监测量，利用广义卡尔曼滤波信息融合技术估算炉膛内“即燃碳”的存储量；通过即燃碳量构造重要信号——动态热量信号，通过即燃碳量同时预测炉膛床温信号和炉膛出口氧量信号，并通过实验验证了所构造信号的正确性和预测能力。

(2)首先利用机理模型计算出旋风分离器区域的燃烧量，准确计算出三个区域在某稳态的发热量，作为即燃碳量简化模型的初始取值，以加快模型的计算速度，然后建立了即燃碳量与锅炉发热量的关系。为了适用于动态工况，通过循环流化床锅炉的机理分析用即燃碳量代替给煤量，在热量信号计算模型中引入即燃碳参数，建立热量信号计算模型，通过即燃碳量作为给煤量和热量信号的中间参数，利用即燃碳量和风量构造热量信号动态模型。本方法测得的热量、床温、氧量信号是准确、实时的。

由于600MW超临界CFB锅炉没有汽包蓄热，同时炉膛内存在更多大量的循环物料量，具有更大的热惯性，从给煤到主汽温度的变化需要更长的时间，在超临界CFB锅炉中可改为热水比控制中间点温度，即热量信号与给水量的比值控制中间点温度，因此准确、实时的热量信号显得尤为重要。并且，由于这种新的适用于循环流化床锅炉的热量信号计算方法，其热量信号的构造完全从燃烧过程中提取，不涉及汽水系统参数，因此可以通用于亚临界和超临界循环流化床锅炉中。

(3)把主要影响即燃碳量的给煤量、总风量等易测量数据作为模型输入，建立循环流化床锅炉即燃碳量的非线性机理模型，由于模型的非线性，且需要在线实时测量，广义卡尔曼滤波(ExtendedKalmanFilter)具有所需计算数据存储量小，算法简洁明了的优点，非常适用于在线工作，所以选用广义卡尔曼滤波(EKF)来解决状态估计的问题，在线给出即燃碳量参数。最后通过模型计算的床温、氧量以及通过即燃碳量计算的热量信号和实际的床温、氧量、热量信号的对比，验证所得即燃碳量的合理性。即燃碳量的准确测量可以改善大型循环流化床锅炉控制系统和燃烧系统的性能，具有重要的实际意义。

(4)由即燃碳量和风量构造的热量信号具有足够的静态精度和很好的动态特性，通过和实测氧量对比验证了所得即燃碳量和发热量的正确性。目前的CFB热量信号模型一般是通过机组汽水侧参数构造的，与炉膛热量之间还相差传热等动态环节；而热量计算若由风量和即燃碳量计算得到，则会因燃料燃烧过程非常迅速，计算热量非常接近于炉膛热量。因此计算热量比DEB热量具有超前意义，能够更快反映燃料的变化，即燃碳量的准确测量可以改善大型循环流化床锅炉控制系统和燃烧系统的性能。

(5)提出了一种基于即燃碳量平衡的风煤比优化控制方法。运用构造的即燃碳量模型，以稳定炉膛即燃碳量为前提，得到当前工况的送风量和给煤量的优化配比，调节风煤比，使热量、床温、氧量等信号保持稳定，提高超临界CFB锅炉燃烧的稳定性。

附图说明

图1是超临界CFB锅炉燃烧状态给煤量阶跃扰动图；

图2是超临界CFB锅炉燃烧状态风量阶跃扰动图；

图3是煤量变化汽压响应曲线图；

图4是基于灰关联分析对辅助变量进行优化选取的即燃碳量模型原理框图；

图5是超临界CFB锅炉即燃碳量和相关参数的关系图；

图6是广义卡尔曼滤波算法图；

图7是参数Klo₂随负荷变化规律图；

图8是在DCS中设计的即燃碳和燃烧发热量动态模型图；

图9是DCS燃烧发热量动态模型应用图；

图10是模型计算的即燃碳量在负荷变动时的变化量曲线图。

图11是燃烧发热量与氧量热量、床温的对比曲线图；

图12是根据燃烧热量预测氧量与实测氧量对比曲线图I；

图13是根据燃烧热量预测氧量与实测氧量对比曲线图Ⅱ；

图14是床温的计算值和实测值的对比图。

下面结合附图和具体实施方式对本发明作进一步的说明。

具体实施方式

本发明的实施例：一种大型CFB锅炉热量信号监测方法，包括以下步骤：

步骤1，采集现场数据，所述现场数据包括给煤量、总风量、排渣量、主蒸汽流量、给水流量、主蒸汽温度、给水温度、煤质热值和床温，对上述现场数据进行数据预处理，并确定即燃碳量模型的辅助变量；

步骤2，建立基于机理建模和数据分析的复合建模的即燃碳量模型，并利用广义卡尔曼滤波信息融合技术估算炉膛内即燃碳的存储量；所述即燃碳量模型为：

$\frac{\mathrm{dB}\left(t\right)}{\mathrm{dt}}=F\left(t\right)-\frac{1}{H}\left(K\left(\mathrm{PM}\left(t\right)\right)B\left(t\right)\right)$

式中，B(t)为即燃碳量，单位为kg/s；PM(t)为总风量，单位为m³；K为模型总系数；H为燃料的单位发热量，单位为MJ/kg；F(t)为从炉膛入口进入锅炉的给煤量，单位为kg/s；

步骤3，利用即燃碳量分别构造热量信号动态模型、炉膛床温信号模型和炉膛出口氧量信号模型，来对热量、床温、氧量进行预测；其中，

所述热量信号动态模型为：

$\frac{\mathrm{dQ}\left(t\right)}{\mathrm{dt}}=\frac{1}{\mathrm{\τ}}(K\left(\mathrm{PM}\left(t\right)\right)B\left(t\right)-Q\left(t\right))$

式中，Q(t)为t时刻主蒸汽的热量，单位为MW；PM(t)为总风量，单位为m³；B(t)为即燃碳量，单位为kg/s；K为模型总系数；τ为热传递延迟时间，单位为s；

所述炉膛出口氧量信号模型为：

$Y_{o2}=21{-K}_1\frac{\mathrm{HF}\left(t\right)}{\mathrm{PM}\left(t\right)-l}$

式中，Y_o2为排烟氧含量，％；K₁为模型系数；l为风量校正信号；H为燃料的单位发热量，单位为MJ/kg；F(t)为从炉膛入口进入锅炉的给煤量，单位为kg/s；PM(t)为总风量，单位为m³；

所述炉膛床温信号模型为：

$c_s{M}_s\frac{\mathrm{dT}\left(t\right)}{\mathrm{dt}}=K\left(\mathrm{PM}\left(t\right)\right)B\left(t\right)-Q_a\left(t\right)Q_{\mathrm{pz}}\left(t\right)$

式中，C_sM_s为床料固体热容量，单位为J/(kg·K)；T为床料温度，单位为K；PM(t)为总风量，单位为m³；B(t)为即燃碳量，单位为kg/s；Q_a(t)为空气在床体内的流动带出的热量，单位为MW；Q_pz(t)为排渣量带出热量，单位为MW。

下面对该方法进行具体阐述：

一、即燃碳量的机理分析

目前的超临界CFB锅炉燃烧使用燃料量作为主要调节变量来控制热量的变化和蒸汽流量，同时烟气氧量由给风量调节。控制系统中，如果给煤量有阶跃响应，则主蒸汽温度和主蒸汽流量以及烟气氧量的响应时间相对于煤粉炉很慢，从图1可以明显看出这个过程。

由图2可知，主蒸汽温度和流量对于给风量的阶跃响应几乎是同步，同时可以看到氧量对于给风量的响应有个逆向反应的过程，在一次风增加时候，氧量先下降，然后上升，最后稳定在一个新的状态。这是因为炉膛中即燃碳在风量增加时迅速燃烧，释放热量，使得排烟氧量下降，随着即燃碳的减少，炉膛内燃烧达到新的平衡，所以氧量先下降后上升。

通过对某600MW超临界CFB锅炉煤量变化后汽压变化规律进行观察和总结，可得出如图3所示的煤量变化后汽压响应曲线，此时调门的开度不变。发现从煤量变化到汽压开始响应时间Δt₁大约3分30秒。从煤量变化到汽压稳定再到新的稳定值，所用时间Δt₁+Δt₂大约在10分钟左右。

由图1到图3可知，超临界CFB锅炉蒸汽流量和蒸汽温度对于给煤的阶跃响应非常缓慢，从给煤变化到蒸汽压力稳定大约需要10分钟，而对于风量的阶跃变化，主蒸汽流量和主蒸汽温度几乎是同步响应。分析其中原因是因为炉膛中积蓄的大量即燃碳的原因，因为提供给锅炉热量主要是即燃碳的燃烧，而不是当前进入炉膛的给煤量，因此，给煤量变化到即燃碳的增加需要一定的时间，而风量的增加，使得炉膛内积蓄的碳迅速燃烧，释放热量，提供给锅炉负荷所需的能量。因此对于超临界CFB锅炉，即燃碳量的研究是很有实际意义的。

二、数据预处理

采用算术平均值法对采集数据进行滤波；采用统计判别法或物理判别法剔除采集数据中的异常值。经过数据预处理，不仅可以剔除采集数据中的奇异值、减少干扰信号在有用信号中的比重，而且提高了数据测量的精度。

三、基于灰色理论的CFBB辅助变量优化选取

如图4所示，初步选择给煤量、总风量、排渣量、主蒸汽流量、给水流量、主蒸汽温度、给水温度、煤质热值和床温作为即燃碳量模型的输入参数的初选结果，利用灰色关联分析方法依次分析初选结果与即燃碳量相关性的强弱，以关联性强弱为依据对辅助变量在初选结果的基础上进行二次选择，结果作为模型的输入参数(即辅助变量)。

采集600MW机组18小时连续运行历史数据，以即燃碳量的软测量为研究目的，对辅助变量进行选取。利用灰色关联度对即燃碳量与初选出的9个工艺参数进行关联分析，结果如表1所示。试验中，给煤量、总风量、煤质热值与即燃碳量的关联度最高，因此可以选择这三个参数作为辅助变量。

表1初选工艺参数与即燃碳的灰关联度

工艺参数	关联度
		給煤量	0.86
主给水流量	0.66
		主蒸汽流量	0.65
床温	0.75
		给水温度	0.64
煤质热值	0.81
		总风量	0.86
排渣量	0.75
		给水流量	0.64

采用基于灰色关联分析的辅助变量选取方法，选择与被测参数关联性强的参数作为模型输入，降低了模型输入维数，提高模型的精度。

四、即燃碳量、热量模型

锅炉控制系统重在控制效果的实时性，所需模型一般考虑主导因素，忽略次要因素。影响即燃碳量的综合因素很多，比如烟气的飞灰含碳量，排渣量中含有少量的碳，挥发份的析出等，如果这些因素都考虑，会增加模型的复杂度，增加模型计算时间，另外这些次要因素的测量存在不同的延时和测量误差，大大影响模型在线计算的实时性和精确度，影响控制系统的效果，因此本方法所建立的模型都考虑主导因素，简化模型次要参数。如图5所示，把主要影响即燃碳量的给煤量、总风量等易测量数据作为模型输入。

在超临界循环流化床锅炉燃烧过程中，送入炉膛的燃料，一部分通过燃烧释放热量，一部分累计在炉床相区上未燃烧，根据质量守恒可以得到炉膛内未燃烧的即燃碳量B(t)的表达式：

$\frac{\mathrm{dB}\left(t\right)}{\mathrm{dt}}=F\left(t\right)-\frac{Q_i\left(t\right)}{H}---\left(1\right)$

式中：B(t)为未燃烧的即燃碳量，kg/s；F(t)为进入炉膛的燃料量，kg/s；Qi(t)为t时刻燃烧释放的总热量，MW；H为燃料的单位发热量，MJ/kg。

锅炉燃烧过程释放的热量与参与燃烧的燃料的量成正比，参与燃烧的燃料量与碳颗粒的燃烧速度Rc相关，即燃碳的燃烧速度是流化床相区内即燃碳的总质量、床层温度、气流中氧气浓度的函数：

$R_C=B\left(t\right)\×\left(\frac{-1}{m_p}\frac{{\mathrm{dm}}_p}{\mathrm{dt}}\right)=\frac{6M_c{k}_c{C}_{o_2}B\left(t\right)}{d_c{\mathrm{\ρ}}_c}---\left(2\right)$

式中：B(t)为即燃碳的总质量，kg；M_C为碳的摩尔质量，kg/kmol；kc为即燃碳颗粒的燃烧速率常数；C_O2为氧气浓度，kmol/m³；d_c为颗粒平均直径，m；ρ_c为碳颗粒的密度，kg/m³，即燃碳颗粒的燃烧速率常数k_c经过LaNauze实践总结经验由下式给出：

k_c＝0.513T_fexp(-9160/T_f)(3)

式中：T_f为即燃碳颗粒表面温度，由于循环流化床内温度严格控制在850℃～900℃范围，颗粒表面燃烧温度变化范围相对于总风量和即燃碳的变化范围比率很小，同时相对于即燃碳量和总风量对整体发热量的影响不大，可以近似为常数。

氧气浓度由总风量PM(t)决定，其关系为：

$C_{o_2}=k_{o_2}\mathrm{PM}\left(t\right)---\left(4\right)$

式中：k_O2为总风量PM(t)与氧气浓度的相关系数；PM(t)为总风量。综合上述可得燃烧过程释放的热量表达式：

$Q_i\left(t\right)=R_{c}H=\frac{6M_{c}H{k}_c{k}_{o_2}}{d_c{p}_c}B\left(t\right)\×\mathrm{PM}\left(t\right)---\left(5\right)$

$=K\left(\mathrm{PM}\left(t\right)\right)B\left(t\right)$

在稳定工况下，炉膛燃烧速率R_c是一个定值，燃烧消耗的速率等于通过给煤补充的碳的速率，即每秒入炉的给煤量的含碳质量。通过式(2)可得初始的B₀的取值为：

$B_0=\frac{R_c{d}_c{\mathrm{\ρ}}_c}{72k_c{C}_{o_2}}---\left(6\right)$

燃料在炉膛中燃烧后形成高温烟气，通过对流传热和辐射传热在炉膛、过热器、再热器、省煤器将热量传递给水和水蒸汽。同时，水经过一系列受热面吸收燃料释放的热量变成过热蒸汽。这个过程中，燃料释放的热量Q_i(t)传递到水蒸汽有时间延迟τ，通过分析可得：

$\frac{\mathrm{dQ}\left(t\right)}{\mathrm{dt}}=\frac{1}{\mathrm{\τ}}(Q_i\left(t\right)-Q\left(t\right))---\left(7\right)$

式中：Q(t)为t时刻主蒸汽的热量，MW；τ为热传递延迟时间，s；Q_i(t)为t时刻燃烧释放的热量，MW。由于式(1)中的炉膛内未燃烧的即燃碳量模型和式(7)中的热量模型是非线性模型，实践应用中需要进行线性化预处理，将式(5)代入式(1)与式(7)可分别得即燃碳和热量信号动态模型：

$\frac{\mathrm{dB}\left(t\right)}{\mathrm{dt}}=F\left(t\right)-\frac{1}{H}\left(K\left(\mathrm{PM}\left(t\right)\right)B\left(t\right)\right)---\left(8\right)$

$\frac{\mathrm{dQ}\left(t\right)}{\mathrm{dt}}=\frac{1}{\mathrm{\τ}}(K\left(\mathrm{PM}\left(t\right)\right)B\left(t\right)-Q\left(t\right))---\left(9\right)$

五、氧量模型

炉膛内参与燃烧的氧气正比于燃烧产生的热量，氧量模型为：

$(21-Y_{o_2}\left(t\right))(\mathrm{PM}\left(t\right)-l)={\mathrm{Kl}}_{o_2}{Q}_i\left(t\right)---\left(10\right)$

把式(5)带入式(10)可得：

$Y_{o_2}=21-\frac{{\mathrm{Kl}}_{o_2}\mathrm{KB}\left(t\right)\mathrm{PM}\left(t\right)}{(\mathrm{PM}\left(t\right)-l)}---\left(11\right)$

式中：为排烟氧含量，％；PM(t)为风量；Q_i(t)为燃烧释放的热量；为氧量模型系数；l为风量校正信号。可以看出，氧量与炉膛即燃碳量和总风量相关，总风量瞬时增加会导致瞬间氧量下降的同时增加燃烧率，即炉膛内即燃碳量减少，即燃碳的减少最终会导致氧量的增加，所以最终氧量是增加的。将稳态公式(33)代入式(11)可得：

$Y_{o_2}=21-{\mathrm{Kl}}_{o_2}\frac{\mathrm{HF}\left(t\right)}{\mathrm{PM}\left(t\right)-l}---\left(12\right)$

从上式可以看出在稳态下面，氧量与总风量是同向变化的。

六、床温模型

整体床料温度与进入炉膛内燃料与燃烧释放的热量和炉膛内气体、固体吸收带走的热量之差成正比，即炉膛内床料温度的模型为：

$c_s{M}_s\frac{\mathrm{dT}\left(t\right)}{\mathrm{dt}}=K\left(\mathrm{PM}\left(t\right)\right)B\left(t\right)-Q_a\left(t\right)-Q_{\mathrm{pz}}\left(t\right)---\left(13\right)$

式中：C_sM_s为床料固体热容量，J/(kg·K)；T为床料温度，K；Q_a(t)为空气在床体内的流动带出的热量；Q_pz(t)为排渣量带出热量。

七、基于即燃碳量平衡的风煤比模型

在CFBB炉膛内单个焦炭颗粒的燃烧速率r_c(kg/s)为：

$r_c=12*\mathrm{\π}{{d_c}^{2}k}_c{C}_{o_2}---\left(14\right)$

设炉膛内蓄积的即燃碳颗粒的平均粒径为d_c，则焦炭的总体燃烧反应速率W_RC(kg/s)为：

$R_c=W_{\mathrm{RC}}=\frac{B}{\frac{1}{6}\mathrm{\π}{d_c}^3{\mathrm{\ρ}}_c}{r}_c---\left(15\right)$

由上式(2)和(3)得：

$R_c=W_{\mathrm{RC}}=\frac{72B}{d_c{\mathrm{\ρ}}_c}\frac{P}{{\mathrm{RT}}_b}{k}_c{Y}_{o_2}=\frac{72B}{d_c{\mathrm{\ρ}}_c}{k}_c*C_{o_2}---\left(\text{16}\right)$

式中：B为流化床内即燃碳的总质量，ρ_c为焦炭颗粒密度，炉膛内的氧量与总风量密切相关，可以简化为，总风量和炉膛内的平均氧量浓度有线性关系，如下式所示：

$C_{o_2}=k_{o_2}\mathrm{PM}\left(t\right)---\left(17\right)$

在稳定工况下，循环流化床锅炉好比一个蓄电池，炉膛内的即燃碳量燃烧提供热量，同时给煤量不断补充炉膛消耗内的即燃碳量，使得炉膛内即燃碳量保持一定的比例，稳定在一定的水平，即燃烧消耗的即燃碳量等于给煤补充的即燃碳量：

$R_c=F_0*\mathrm{\η}=\frac{72k_c{k}_{o_2}}{d_c{\mathrm{\ρ}}_c}*B\left(t\right)*\mathrm{PM}\left(t\right)---\left(18\right)$

通过上式，可以得到在某一稳定工况，可以根据即燃碳量和燃烧所需风量，计算最佳空燃比，通过稳定空燃比值来稳定炉膛内的即燃碳量的燃烧速度，同时稳定床温和氧量。

$\frac{\mathrm{PM}\left(t\right)}{F\left(t\right)}=\frac{\mathrm{\η}*d_c{\mathrm{\ρ}}_c}{72k_c{k}_{o_2}*B\left(t\right)}---\left(19\right)$

式中，F(t)为从炉膛入口进入锅炉的给煤量，单位为kg/s；PM(t)为总风量，单位为m³；η为给煤中碳的含量，％；d_c为即燃碳颗粒平均直径，单位为m；ρ_c为即燃碳颗粒密度，单位为kg/m³；k_c为即燃碳颗粒的燃烧速率常数；为氧量浓度和总风量的相关系数；B(t)为即燃碳量，单位为kg/s。

如果给煤中碳的含量η有变化，即煤质发生变化，则可以通过调节总风量，进行最佳的风量和燃料的配比。通过调节风煤比使得炉膛中即燃碳量B(t)保持稳定，则可以保持炉膛内燃烧发热量、床温、氧量等参数的稳定。

八、基于EKF的信息融合模型

1、基于EKF的状态观测模型

由式(8)～(13)可得标准化的状态方程式(20)和观测方程式(21)：

x(t)＝f(x(t),u(t),w(t))(20)

y(t)＝h(x(t),u(t),v(t))(21)

x(t)为状态量，其中x(t)＝(B(t),Q(t),O₂(t),T(t))^T；

y(t)为观测量，其中y(t)＝(O₂(t),T(t))T；

u(t)为模型输入其中u(t)＝(F(t),PM(t),M(t))T；

w(t)为过程噪声序列；

v(t)为测量噪声序列；

考虑到高阶线性化将使算法变得复杂，用一阶Taylor级数展开将上述模型线性化：

$G\left(t\right)={\left(\frac{\∂f\left(u\right)}{\∂x}\right)}_{x=\hat{x}\left(t\right)}---\left(22\right)$

$H\left(t\right)={\left(\frac{\∂h\left(u\right)}{\∂x}\right)}_{x=\hat{x}\left(t\right)}---\left(23\right)$

φ(t)＝exp(G(t)Δt)≈I+G(t)Δt(24)

2、即燃碳量模型线性化过程

可以利用非线性函数的局部线性特征，将非线性模型局部化，再利用kalman滤波算法完成滤波跟踪。广义kalman滤波利用基于上述思想，将系统的非线性函数做一阶泰勒展开，得到线性化的系统方程从而完成对目标的滤波估计。

在第t₀时刻，设给煤量为F_t0，总风量为PM_t0，炉膛内即燃碳量为B_t0，将式(8)右边在F_t0、PM_t0、B_t0进行一阶泰勒展开，忽略高阶分量，可得：

$F\left(t\right)-\frac{1}{H}\left(\mathrm{KPM}\left(t\right)B\left(t\right)\right)\≈F\left(t\right)-\frac{{\mathrm{KPM}}_{t_0}}{H}B\left(t\right)$ $\left(25\right)$

$-\frac{{\mathrm{KB}}_{t_0}}{H}\mathrm{PM}\left(t\right)+\frac{{\mathrm{KB}}_{t_0}{\mathrm{PM}}_{t_0}}{H}$

假设系统是等时间间隔采样，采样时间为T_s，T_s=t_k+1-t_k，下一时刻的即燃碳量B(t_k+1)与当前时刻即燃碳量B(t_k)的关系如下：

B(t_k+1)-B(t_k)＝ΔB(t_k)(26)

$B\left(t_{k+1}\right)=B\left(t_k\right)+\mathrm{\ΔB}\≈B\left(t_k\right)+\mathrm{Ts}*\left(\frac{\mathrm{dB}\left(t\right)}{\mathrm{dt}}\right)---\left(27\right)$

在t_k时刻：

$B\left(t_{k+1}\right)=B\left(t_k\right)+T_s*(-\frac{{\mathrm{KPM}}_{t_0}}{H}B\left(t_k\right)$ $\left(28\right)$

$-\frac{{\mathrm{KB}}_{t_0}}{H}\mathrm{PM}\left(t_k\right)+F\left(t_k\right)+\left(\frac{K}{H}{B}_{t_0}{\mathrm{PM}}_{t_0}\right))$

整理可得：

$B\left(t_{k+1}\right)=\left(\frac{H-T_s*{\mathrm{KPM}}_{t_0}}{H}\right)B\left(t_k\right)-\frac{T_s*{\mathrm{KB}}_{t_0}}{H}\mathrm{PM}\left(t_k\right)$ $\left(29\right)$

$+T_s*F\left(t_k\right)+\frac{T_s*K}{H}{B}_{t_0}{\mathrm{PM}}_{t_0}$

波算法完成即燃碳量估计。

3、热量模型线性化过程

把式(29)右边进行泰勒级数展开。在第t₀时刻，假设即燃碳量为B_t0，总风量为PM_t0，蒸汽吸热量为Q_t0，在t₀时刻(PM_t0，B_t0，Q_t0)进行一阶泰勒展开，可得：

$\frac{\mathrm{dQ}\left(t\right)}{\mathrm{dt}}=\frac{{\mathrm{Kl}}_{o_2}{B}_{o_2}}{\mathrm{\τ}}\mathrm{PM}\left(t\right)+\frac{{\mathrm{Kl}}_{o_2}{\mathrm{PM}}_{t_0}}{\mathrm{\τ}}B\left(t\right)$ $\left(30\right)$

$-\frac{1}{\mathrm{\τ}}Q\left(t\right)-\frac{{\mathrm{Kl}}_{o_2}{\mathrm{PM}}_{t_0}{B}_{t_0}}{\mathrm{\τ}}$

同理可得在t_k时刻：

$Q\left(t_{k+1}\right)=Q\left(t_k\right)+\mathrm{Ts}*(\frac{{\mathrm{Kl}}_{o_2}{B}_{t_0}}{\mathrm{\τ}}\mathrm{PM}\left(t_k\right)---\left(31\right)$

$+\frac{{\mathrm{Kl}}_{o_2}{\mathrm{PM}}_{t_0}}{\mathrm{\τ}}B\left(t_k\right)-\frac{1}{\mathrm{\τ}}Q\left(t_k\right)-\frac{{\mathrm{Kl}}_{o_2}{\mathrm{PM}}_{t_0}{B}_{t_0}}{\mathrm{\τ}})$

整理可得：

$Q\left(t_{k+1}\right)=\left(\frac{\mathrm{\τ}-\mathrm{Ts}}{\mathrm{\τ}}\right)Q\left(t_k\right)+\frac{\mathrm{Ts}*{\mathrm{Kl}}_{o_2}{B}_{t_0}}{\mathrm{\τ}}\mathrm{PM}\left(t_k\right)$ $\left(32\right)$

$+\frac{\mathrm{Ts}*{\mathrm{Kl}}_{o_2}{\mathrm{PM}}_{t_0}}{\mathrm{\τ}}B\left(t_k\right)-\frac{\mathrm{Ts}*{\mathrm{Kl}}_{o_2}}{\mathrm{\τ}}{\mathrm{PM}}_{t_0}{B}_{t_0}$

令X₂(t_k+1)＝Q(t_k+1)；U₂＝[PM(_k)B(_k)]^T；可得滤波方程X₂(t_k+1)＝G₂X₂(t_k)+H₂U₂(t_k)，利用kalman滤波算法完成滤波估计。

机组在稳态工况下，可以认为锅炉处于一种静态过程，燃烧掉的即燃碳量和入炉煤补充的即燃碳量保持平衡，即燃碳量为一稳定值。这时炉膛发热量是定值，传递到主蒸汽中的吸热量也为定值，即是锅炉的输出热量，故稳态工况下Q₀可表示为：

Q₀(t)＝η_BHF(t)(33)

式中：η_B为锅炉效率。由于炉膛未燃尽即燃碳量为一稳定值，将式(33)代入式(5)可得B(t)稳态条件下的表达式为：

$B_0\left(t\right)=\frac{\mathrm{HF}\left(t\right)}{K\left(\mathrm{PM}\left(t\right)\right)}---\left(34\right)$

式中：F(t)为进入炉膛的燃料量，kg/s；H为燃料单位发热量，MJ/kg；PM(t)为风量；K为模型总系数。

Q₀和B₀的初始取值一般可以取稳态工况下的值，根据静态模型(5)和(6)计算出Q₀和B₀，精确模型初始信号。卡尔曼滤波中的参数矩阵G(t)、H(t)、φ(t)根据式(22)～(24)方便的表示出来。

炉膛的发热量Qi(t)乘以锅炉效率η_B和汽轮机热效率η_T(近似为常数)，即为机组有效吸热量，能够转化为电能的那部分热量Q_r：

Q_r＝η_Bη_TQ_i(35)

通过即燃碳量模型计算出的燃烧发热量Q_i(t)，根据式(35)得出机组功率和实际功率进行对比，验证即燃碳量模型计算是否合理。

广义卡尔曼滤波信息融合算法框图如图6所示，在给定滤波计算的初值后，EKF开始循环工作，实时估计系统状态，其中测量噪声协方差矩阵的定义为：R＝E[v(t),v(t)^T]，工业过程中传感器噪声特性可设定R=10，过程噪声协方差矩阵的定义为：Q＝E[w(t),w(t)^T]，权衡估计精度及融合算法收敛速度取Q=0.001I，I为单位阵，状态向量的协方差矩阵P₀测试的值是0.1I，选择较小的P₀值可以使得在初始化状态执行滤波的时候靠近真实值，如果P₀值偏大将会使收敛速度较慢。

九、模型参数的在线校正

(1)最小二乘法参数辨识方法：模型建立后，并不是一成不变的。为了适应不同负荷工况的变化，需要定期地对模型结构或参数进行修正。在实际应用中，一般采用一些方法进行参数修正，其中，最小二乘法是最基本的也是应用最广的一种参数辨识方法。它通过极小化模型计算值与实际观测值误差的平方和来获得最佳模型参数。

(2)即燃碳量模型参数

①稳态工况下数据的选取

事实上燃烧系统不可能处于绝对的稳态，当某些表征系统状态的重要参数波动小于一定范围时，可以说系统处于稳态工况。通常情况下，将负荷和主蒸汽压力作为判别稳态工况的参数。当机组处于稳态工况时，有以下判别式成立：

${\mathrm{\&delta;}}_x=\frac{X_{\max }-X_{\min }}{X_a}<{\mathrm{\&delta;}}_{x0}---\left(36\right)$

式中：X_max为一段时间内参数的最大值；X_min为一段时间内参数的最小值；X_a为一段时间内参数的平均值；为稳定阈值。

利用公式(36)可以从DCS历史数据库中挑选出大量的稳态数据段。即使在相同的负荷工况下，静态参数受煤质、配风等因素的影响，也会在一定范围内波动，因此，同一负荷下的各静态参数是呈离散特性的，需要对相同负荷工况下利用不同数据段求得的某些参数统计值取平均值。

②煤质热值H参数的求取和校正

H的值一般比较稳定，在入炉膛的时候经过化学反应进行测试；也可以通过公式得到，其中，W为机组的发电功率，单位为MW；F为当前的给煤量，单位为kg/s；η₁为锅炉燃烧效率与汽轮机发电效率的乘积。

超临界循环流化床锅炉燃烧系统模型主要由(1)～(7)方程构成，模型的输入变量包括给煤量、总风量和排渣量，输出变量分别为床温、即燃碳量、炉膛释放热量、烟气氧气浓度。当机组处于稳态时，其内部所有状态均可认为不再变化，公式中带*的符号代表稳态下的变量。

燃烧释放的热量在炉膛和外置式换热器以及尾部烟道中传递给其中流动的工质，即水和水蒸气单位时间吸收的热量，折合到给煤侧的热量信号的传递函数形式如下：

$Q_0\left(s\right)=\frac{Q\left(s\right)}{\frac{1}{c_{0}s+1}{e}^{-\mathrm{\&tau;s}}}---\left(37\right)$

燃煤发热量可以根据以下公式求得：

$H=\frac{Q_0^{*}}{{\mathrm{\&eta;}}_2*F^{*}}---\left(38\right)$

式中，H为燃料低位发热量(kJ/kg)；η₂为锅炉热效率。

③当量给煤量校正

在实际应用中因为氧量计布置在尾部烟道，其测量原理是把烟气中的氧气溶解在氧量计的溶液中进行化学反应，根据化学反应后的生成物来计算烟气中的氧量浓度，测量具有一定的滞后性和不准确性，为三级测量仪表，而床温是用温度计来测量，不但准确，而且反应迅速是一级测量仪表。根据现场应用效果，用床温信号代替氧量信号校正效果更好，因此选用床温信号来进行当量燃煤量的在线校正。

④模型总系数K的求取

在稳定工况下，根据公式(6)估算出初始的即燃碳量B₀，根据当前采集的给煤量和总风量带入公式(5)可得到即燃碳量与总风量和热量的相关系数K，表达式为：

$K=\frac{{\mathrm{HF}}^{*}}{B_0^{*}*{\mathrm{PM}}^{*}}---\left(39\right)$

⑤参数ko₂的求取

氧气浓度系数ko₂，随着炉膛底部床压的增加而增加，因此随着炉膛压力的增加，氧气浓度增加，有利于炉膛底部的燃烧，其值与炉膛床压的设定值有关。600MWCFB锅炉的床压在60％(180MW)～100％(300MW)负荷下的设定值为16.4KP，因此一般情况下ko₂变化不大；机组大范围变负荷时，ko₂值的变化范围并不大。因此，模型中该参数值可以取不同负荷工况下统计值的平均值，得ko₂＝0.006085。

⑥氧量模型系数Klo₂的求取

根据式(10)和(11)关系可得氧量和即燃碳量的相关系数K1o₂的表达式为：

${\mathrm{Kl}}_{o_2}=\frac{(21-Y_{o_2})(\mathrm{PM}\left(t\right)-l)}{B\left(t\right)\mathrm{PM}\left(t\right)}---\left(40\right)$

Klo₂为即燃碳、总风量和氧量的关系系数，随着负荷增加，系数值逐渐减小，基本为线性的关系。从机理分析，为保持氧量的最优化，即燃碳量在低负荷时有所增加，为保持炉膛出口氧量保持在设定的最佳值，炉膛出口氧量基本不变，则Klo₂的值也随着负荷的增大而增大，与实际情况相吻合。由图7可知，参数Klo₂跟随负荷变化有一定的规律性。同时参数Klo₂受煤质和锅炉热效率的影响，锅炉热效率随着负荷变化而变化，当负荷升高时，热效率也提高，二者之间是一种不严格的线性关系。图7直观地显示了Klo₂随负荷变化的规律。

从图7可知，Klo₂为机组负荷的函数。静态参数是根据机组稳态工况下的运行数据求得的，在稳态情况下这种函数关系是成立的。而Klo₂表征的是即燃碳量和总风量对应的锅炉烟气的氧量值的相关系数。通过回归分析，Klo₂随负荷W的变化规律可以用下式来表征：

K1_o2＝16.191(W)^-1.5924(41)

⑦燃烧速率参数k_c的求取

采用所测床温代替炉膛温度来研究与相关系数间的变化关系，这些参数随入炉膛温度的变化规律可以通过用回归分析模型得到方程式来表征。以炉膛密相区床温为自变量，相关参数k_c为因变量对表2中数据进行回归分析。在进行回归分析时，首先要选择一组合适的回归分析模型。然后利用最小二乘等方法来确定模型中的未知参数，最后，要进行关系模型的可信度检验。这里使用R平方值作为检验模型估计值与对应的实际数据之间的拟合程度的指标。R平方值的取值范围为0～1，在这个范围内，R平方的数值越大，表明回归模型的可靠性也就越高；反之，则可靠性较低。在统计学中，R平方值可由下式计算得到：

R平方值=回归平方和/总平方和(42)

上式中，回归平方和=总平方和-残差平方和；总平方和=实际数据值与平均值的平方差之和；残差平方和=模型估计值与实际数据值的平方差之和。

表2床料温度与焦炭颗粒燃烧速度在不同稳态工况下的统计数据

k_c的计算公式如下：

k_c＝0.513T_fexp(-9160/T_f)(43)

在研究了表2中两变量间的关系曲线后初步选择线性、二次多项式和幂函数作为回归模型。计算这三种模型的R平方值分别为R₁=0.9958、R₂=0.9915、R₃=0.9928。其中床温为750℃～950℃，R平方值为R₁=0.9958。由结果可以看出，两个变量的相关度很高，初步证明了前面建模机理分析的正确性。同时，不论是函数复杂度还是拟合度方面，线性函数都占优势。因此，参数k_c可以描述为：

k_c＝0.0031T_f-3.1088(44)

⑦即燃碳量软测量模型参数汇总

600MWCFB锅炉机组进行研究，取6个不同稳定工况的数据，利用不同工况数据段求得所需参数值，如表3所示。

表3不同负荷工况下静态参数统计值

十、实验验证

1、验证准备

某600MW超临界循环流化床锅炉的锅炉煤质特性和主要技术规范分别如表4、表5所示。

表4600MWCFB锅炉煤质特性

表5600MWCFB锅炉主要技术规范

将即燃碳量等模型写入炉膛的实用DCS系统中，按照前述方法进行参数校正，炉膛中布置了5层床温测点，在炉膛出口处布置了炉膛氧量测点。

2、模型验证

通过深入分析600MW超临界循环流化床机组的燃烧特性，提出了用一次风控制炉床释放的热流量，用进料量控制和稳定床料内的即燃碳量的控制策略。该控制策略可以解决超临界循环流化床锅炉燃烧控制的难点，为循环流化床锅炉在超临界状态的燃烧控制提供了一种思路和方法。图8为即燃碳量模型与热量模型在控制系统中的组态图。

将基于即燃碳量构造的超临界循环流化床锅炉动态燃烧发热量信号模型写入控制系统运行模块中，如图9所示。

图10是模型计算的即燃碳量在负荷变动时的变化量。从图中可以看出，即燃碳量的变化趋势比较稳定，在适当的风煤比配比下，保持在一定的范围内。即燃碳量在负荷功率为420MW附近运行时，即燃碳量最小约为17800Kg左右；在负荷功率为500MW附近运行时，即燃碳量最大约为18800Kg左右；在负荷功率为600MW运行时，即燃碳量为18250Kg左右。锅炉床料量设计值为550吨左右，即燃碳量约占床料总量的3.24％～3.42％，计算结果与已有文献所记载的即燃碳量的估计值(一般在3％～5％)相符。

图11是锅炉运行7小时20分钟的实时燃烧发热量、氧量热量、床温的曲线图。由图11可知，燃烧发热量与氧量热量基本趋势相同，燃烧发热量比氧量热量有提前响应的趋势，约比氧量热量提前响应8分钟。在开始的1个小时20分钟内，燃烧发热量波动较大，经过分析，是因为燃烧发热量的给煤量参数来自给煤指令，而600MWCFB锅炉从给煤指令到入炉燃烧要4分钟的延迟时间，同时入炉煤的均匀燃烧需要1～2分钟，因此在给煤通过给煤机进入炉膛的过程特性做了参数校正后，曲线比较平稳，而且和氧量热量更加接近，同时可以明显提前预测热量变化。而且在床温为800℃以上的时候，模型预测值比较准确，在低温时候，有一定误差，这是因为模型中燃烧速率计算常数在800℃～900℃的高温时相差较小，而在低于800℃的时候变化较大。通常超临界CFB锅炉的床温运行温度一般不低于800℃，因此该模型是可行的。

图12、图13为根据及时燃烧发热量计算得到的炉膛排烟氧量和实际氧量测量值的比较曲线图。从图中可以看出，模型预测的氧量值要比实际测量值更早地显示氧量的变化趋势。

从图12、图13可以看出，根据燃烧热量计算的氧量浓度与实际测量的氧气浓度趋势基本相同，比实际的测量值有一定的超前性。从实际情况分析，在炉膛内燃烧的即燃碳与氧气激烈燃烧，未燃烧的氧气通过尾部烟道排出，安装在炉膛出口额氧量计通过化学反应测量出烟气中含有的氧气浓度，这个过程会有一定延迟。因此，根据即燃碳燃烧计算出的氧气浓度比氧量计测量的氧气浓度要超前。从实际曲线观察，根据即燃碳燃烧计算的氧气浓度比实际测量的氧气浓度波动要大一些，实际测量的氧气浓度虽与计算值波动的趋势一致。但是当燃烧有较小波动时实际测量值变化不明显；炉内燃烧有大范围波动时，氧量计才能正确反应炉膛内的燃烧状态，具有一定的延时。根据即燃碳燃烧计算出的氧气浓度可以较快而准确地反应氧量的变化，及时调节燃料量和风量，保证最佳的风煤比，提高锅炉效率。

图14是床温的计算值和实测值的对比图。由图可知，在负荷变化范围较小的情况下，模型计算值和测量值之间误差较小；而负荷在大范围内变化的动态过程中，二者之间误差较大；降负荷过程中，计算值比实际测量值要下降的快，比实际测量值要低；升负荷过程中，模型计算值比测量值大，最大误差接近15℃。经过分析是因为在降负荷过程中，锅炉内耐磨材料和金属管壁存储的热量进行放热，使得床温缓慢下降，而计算模型中未考虑这部分热量，因此计算值要比实际值小；在升负荷时，耐磨材料和金属管壁吸收燃烧释放的部分热量，使得温度上升缓慢，因此计算值比测量值大。

3、风煤比验证

在模型中带入机组在600MW时的工作点参数，根据即燃碳量平衡模型计算的优化风煤比值和当前根据实际经验得到的优化风煤比的值很接近，证明了基于即燃碳量平衡的优化风煤比模型的正确性。计算过程如下：

$R_c=F_0*\mathrm{\&eta;}=\frac{72k_c{k}_{o_2}}{d_p{\mathrm{\&rho;}}_c}*B\left(t\right)*\mathrm{PM}\left(t\right)=\frac{72*0.24*0.0015}{0.08*1800}*10000*260=26.4---\left(45\right)$

k_c＝0.513T_fexp(-9160/T_f)＝0.513*1153*exp(-9160/1153)(46)

$C_{o_2}=k_{o_2}\mathrm{PM}\left(t\right)=0.0015*\mathrm{PM}\left(t\right)---\left(47\right)$

Q_i(t)＝R_cH＝0.0003242(PM(t))B(t)(48)

当锅炉负荷在600MW时，根据即燃碳量平衡计算所得的风煤比为4.68，实际根据实践经验总结的风煤比为4.3，二者的值很接近，证明根据模型计算的风煤比可以作为当前负荷工况下的优化的风煤配比。

Claims (7)

1.一种超临界CFB锅炉燃烧信号的监测方法，其特征在于，包括以下步骤：

步骤1，采集现场数据，所述现场数据包括给煤量、总风量、排渣量、主蒸汽流量、给水流量、主蒸汽温度、给水温度、煤质热值和床温，对上述现场数据进行数据预处理，并确定即燃碳量模型的辅助变量；

步骤2，建立基于机理建模和数据分析的复合建模的即燃碳量模型，并利用广义卡尔曼滤波信息融合技术估算炉膛内即燃碳的存储量；所述即燃碳量模型为：

$\frac{dB\left(t\right)}{dt}=F\left(t\right)-\frac{1}{H}\left(K\right(PM\left(t\right)\left)B\right(t\left)\right)$ (一)

式中，B(t)为即燃碳量，单位为kg/s；PM(t)为总风量，单位为m³；K为模型总系数；H为燃料的单位发热量即煤质热值，单位为MJ/kg，其中，W为机组的发电功率，单位为MW；F为当前的给煤量，单位为kg/s；η₁为锅炉燃烧效率与汽轮机发电效率的乘积；F(t)为从炉膛入口进入锅炉的给煤量，单位为kg/s；

步骤3，利用即燃碳量分别构造热量信号动态模型、炉膛床温信号模型和炉膛出口氧量信号模型，来对热量、床温、氧量进行预测；其中，

所述热量信号动态模型为：

$\frac{dQ\left(t\right)}{dt}=\frac{1}{\mathrm{\&tau;}}\left(K\right(PM\left(t\right)\left)B\right(t)-Q(t\left)\right)$

式中，Q(t)为t时刻主蒸汽的热量，单位为MW；PM(t)为总风量，单位为m³；B(t)为即燃碳量，单位为kg/s；K为模型总系数；τ为热传递延迟时间，单位为s；

所述炉膛出口氧量信号模型为：

$Y_{o_2}=21-\frac{{\mathrm{Kl}}_{o_2}KB\left(t\right)PM\left(t\right)}{\left(PM\right(t)-l)}$

式中，Yo₂为排烟氧含量，％；K1o₂为氧量模型系数；K为模型总系数；l为风量校正信号；PM(t)为总风量，单位为m³；B(t)为即燃碳量，单位为kg/s；

所述炉膛床温信号模型为：

$c_s{M}_s\frac{dT\left(t\right)}{dt}=K\left(PM\right(t\left)\right)B\left(t\right)-Q_a\left(t\right)-Q_{pz}\left(t\right)$

式中，C_sM_s为床料固体热容量，单位为J/(kg·K)；T为床料温度，单位为K；PM(t)为总风量，单位为m³；B(t)为即燃碳量，单位为kg/s；Q_a(t)为空气在床体内的流动带出的热量，单位为MW；Q_pz(t)为排渣量带出热量，单位为MW；

步骤1中的确定即燃碳量模型的辅助变量，是利用灰色关联分析方法依次分析预处理后的现场数据与即燃碳量相关性的强弱，以关联性强弱为依据进行二次选择，其结果作为即燃碳量模型的辅助变量；确定的辅助变量为给煤量、总风量和煤质热值。

2.根据权利要求1所述的超临界CFB锅炉燃烧信号的监测方法，其特征在于，步骤2中利用广义卡尔曼滤波信息融合技术估算即燃碳的存储量为：将公式(一)的非线性函数做一阶泰勒展开，得到线性化的系统方程从而完成对目标的滤波估计；

在第t₀时刻，设给煤量为F_t0，总风量为PM_t0，炉膛内即燃碳量为B_t0，将公式(一)右边在F_t0、PM_t0、B_t0进行一阶泰勒展开，忽略高阶分量，可得：

$\begin{array}{c}F\left(t\right)-\frac{1}{H}\left(KPM\right(t\left)B\right(t\left)\right)\&ap;F\left(t\right)-\frac{{\mathrm{KPM}}_{t_0}}{H}B\left(t\right)\\ -\frac{{\mathrm{KB}}_{t_0}}{H}PM\left(t\right)+\frac{{\mathrm{KB}}_{t_0}{\mathrm{PM}}_{t_0}}{H}\end{array}$

假设系统是等时间间隔采样，采样时间为Ts，Ts＝t_k+1－t_k，下一时刻的即燃碳量B(t_k+1)与当前时刻即燃碳量B(t_k)的关系如下：

B(t_k+1)-B(t_k)＝ΔB(t_k)

$B\left(t_{k+1}\right)=B\left(t_k\right)+\mathrm{\&Delta;}B\&ap;B\left(t_k\right)+Ts*\left(\frac{dB\left(t\right)}{dt}\right)$

在t_k时刻：

$\begin{array}{c}B\left(t_{k+1}\right)=B\left(t_k\right)+T_s*(-\frac{{\mathrm{KPM}}_{t_0}}{H}B(t_k\left)\right)\\ -\frac{{\mathrm{KB}}_{t_0}}{H}PM\left(t_k\right)+F\left(t_k\right)+\left(\frac{K}{H}{B}_{t_0}{\mathrm{PM}}_{t_0}\right))\end{array}$

整理可得：

$\begin{array}{c}B\left(t_{k+1}\right)=\left(\frac{H-T_s*{\mathrm{KPM}}_{t_0}}{H}\right)B\left(t_k\right)-\frac{T_s*{\mathrm{KB}}_{t_0}}{H}PM\left(t_k\right)\\ +T_s*F\left(t_k\right)+\frac{T_s*K}{H}{B}_{t_0}{\mathrm{PM}}_{t_0}\end{array}$

令：X₁(t_k+1)＝B(t_k+1)，U₁＝[PM(t_k)F(t_k)]^T， $H_1=\&lsqb;\begin{array}{cc}-\frac{T_s*{\mathrm{KBt}}_0}{H}& T_s\end{array}\&rsqb;,$ 可得滤波方程：

X₁(t_k+1)＝G₁X₁(t_k)+H₁U₁(t_k)

再利用卡尔曼滤波算法完成即燃碳量的估计。

3.根据权利要求1或2所述的超临界CFB锅炉燃烧信号的监测方法，其特征在于：步骤1中的数据预处理，是对采集的现场数据进行异常数据剔除和数字滤波。

4.根据权利要求1所述的超临界CFB锅炉燃烧信号的监测方法，其特征在于，模型总系数K的求取包括：在稳定工况下，即燃碳颗粒的燃烧速度Rc是一个定值，其单位是kg/s，等于通过给煤补充的碳的速率，即每秒入炉的给煤量的含碳质量，根据以下公式：

k_c＝0.513T_fexp(-9160/T_f)

$C_{O_2}=k_{o_2}PM\left(t\right)$

$B_0=\frac{R_c{d}_c{\mathrm{\&rho;}}_c}{72k_c{C}_{o_2}},$

以及氧量浓度和总风量的相关系数ko₂＝0.006085，计算得到初始的即燃碳量B₀；

再将当前采集的给煤量和总风量代入下式：

$\begin{array}{c}{Q}_i\left(t\right)=R_{c}H=\frac{6M_c{\mathrm{Hk}}_c{k}_{o_2}}{d_c{\mathrm{\&rho;}}_c}B\left(t\right)\&times;PM\left(t\right)\\ =K\left(PM\right(t\left)\right)B\left(t\right)\end{array}$

即可得到模型总系数K，其表达式为：

$K=\frac{{\mathrm{HF}}^{*}}{{B_0}^{*}*{\mathrm{PM}}^{*}}$

上述公式中，带*的符号代表稳态下的变量；k_c为即燃碳颗粒的燃烧速率常数；T_f为即燃碳颗粒表面温度，单位为K；为氧气浓度，单位为kmol/m³；B(t)为即燃碳量，单位为kg/s；PM(t)为总风量，单位为m³；H为燃料的单位发热量，单位为MJ/kg；d_c为即燃碳颗粒平均直径，单位为m；ρ_c为即燃碳颗粒密度，单位为kg/m³。

5.根据权利要求4所述的超临界CFB锅炉燃烧信号的监测方法，其特征在于：采用最小二乘法对模型参数进行修正。

6.一种基于权利要求1～5任一项所述监测方法的超临界CFB锅炉优化控制方法，其特征在于：以稳定炉膛即燃碳量为前提，根据构造的即燃碳量模型，计算得到当前工况的总风量和给煤量的优化配比值，通过调节总风量达到优化风煤比，以保持炉膛内燃烧的发热量、床温、氧量信号的稳定。

7.根据权利要求6所述的超临界CFB锅炉优化控制方法，其特征在于，优化风煤比的计算公式如下：

$\frac{PM\left(t\right)}{F\left(t\right)}=\frac{\mathrm{\&eta;}*d_c{\mathrm{\&rho;}}_c}{72k_c{k}_{o_2}*B\left(t\right)}$

式中，F(t)为从炉膛入口进入锅炉的给煤量，单位为kg/s；PM(t)为总风量，单位为m³；η为给煤中碳的含量，％；d_c为即燃碳颗粒平均直径，单位为m；ρ_c为即燃碳颗粒密度，单位为kg/m³；k_c为即燃碳颗粒的燃烧速率常数；ko₂为氧量浓度和总风量的相关系数；B(t)为即燃碳量，单位为kg/s。