基于大数据的煤耗优化新思路

摘要：

本文主要从燃烧调整角度分析目前工业领域煤耗偏高的原因及现有降煤耗解决方案，并阐述基于大数据的煤耗优化新思路带来的新契机。

阅读时间10分钟

背景知识要求：

对于发电厂运行调整有所了解。

煤耗——燃烧的重要指标

“什么是燃烧”

“燃烧是物体快速氧化，产生光和热的过程”，这个解释可能比较抽象。再想想我们小的时候，经常和一群小伙伴捡小干树枝，然后点起来围着火堆玩耍。那个时候我们都知道：火不旺了，就挑一下着火的树枝，或者用嘴吹一下，而且细的树枝要比粗的好烧。从行业角度看：充分的燃料扰动、充足的氧气以及适当的燃料“细度”都能促进燃烧。那么工业领域是否也是如此呢？答案是肯定的。谈到工业领域的燃烧，不由自主的想到一个重要的燃烧指标---煤耗。

煤耗高的原因

纵观大部分燃煤企业，煤耗偏高常常困扰着企业，为什么煤耗居高不下呢？大概有以下几点原因：

1.锅炉燃烧煤种偏离设计值。

2.煤场管理不规范导致部分煤发生氧化受潮，导致热量大大降低。

3.小指标竞赛原因导致各运行值都对本值最优调整方式进行保密，交接班时可能会有点小动作。

4.每个人都有自己的调整习惯没有最优统一的方式。

5.对锅炉内部燃烧工况很难有全面真实的认知。

6.电网调度控制负荷，造成电厂整体工况脱离最佳负荷接带模式。

现有解决的方案

针对现在有工业领域燃烧问题而导致煤耗增高的现状，目前市场中有如下几种解决方案：

1)基于智能硬件设备的锅炉燃烧优化系统：主要是通过对锅炉炉膛或者烟道加装传感器加强对燃烧元素的真实了解，辅助燃烧调整。比如炉膛截面的激光测温、炉膛气体组分分析仪、风粉配比在线监测、煤粉细度监测等。此类型系统一般都成本比较高，对企业经济压力比较大。

2)基于设备改造的锅炉燃烧优化系统：由于设计煤种与实际煤种偏差比较大或者炉型设计不合理造成偏烧、燃烧紊乱，通过改造燃烧器类型或者加装均流板等途径稳定燃烧。该方式工程量较大，且需要停机进行，维护时机比较苛刻。

3)基于燃烧机理控制的燃烧优化模型：各大研究机构采取该类方式较多，通过燃烧机理的研究建立相应模型，并进行关键的权重配比，进而优化燃烧，这种方式主观因素较多，且针对炉型及工况比较单一，适应性较低。

通过上述解决方案不难看出：目前大部分降低煤耗都是通过硬件传感器的安装、设备改造、机理模型来完成的，但这些仅限于让我们更加了解燃烧参数，为调整提供数据基础，但如何调整，该调整多少，都没有给出指导性建议。在这种情况下，基于大数据的煤耗优化管控系统应运而生。

基于大数据的煤耗优化系统

主要原理：通过大数据的挖掘分析，归纳整理出针对每个工况最佳的调整策略，包括如何调整给煤量、如何调整送引风机风量等，最终实现降低煤耗的目的。在研究煤耗优化的过程中，小编发现几个有趣的现象，现在分享给大家。

（一）升负荷下的煤耗变化规律有这几种如下情况：

图1（横坐标时间，纵坐标负荷）

图2（横坐标时间，纵坐标单耗）

通过图1和图2的对比我们不难发现（横坐标时间相同），机组在升负荷过程中，煤耗是缓慢下降的，而且下降的趋势基本成一个平滑的曲线，说明在运行人员操作的连贯性及稳定性上来说是合格的，同时也直接证明了在额定负荷下运行是最经济的（煤耗最低），在来看另一组数据。

图3（横坐标时间，纵坐标负荷）

图4（横坐标时间，纵坐标单耗）

通过图3跟图4的对比我们同样可以得到这样一个结论：图4中煤耗是波动下降的，也就是说运行人员一直在寻找给煤量与负荷的平衡点，操作稳定性稍显欠缺，不过煤耗与负荷的关系是同第一组数据整体趋势相同。最后在看一组升负荷的数据。

图5（横坐标时间，纵坐标负荷）

图6（横坐标时间，纵坐标单耗）

通过图5跟图6的对比我们同样又可以得到这样一个结论：负荷上升煤耗反而升高了，这说明运行调整人员的调整方式有待提高。

如果你是企业领导，对于以上三种情况，你会选择哪种调节方式呢？

（二）稳态工况下的负荷煤耗曲线

图7（横坐标负荷，纵坐标煤耗）

通过图7我们不难发现在一个稳定的固定工况下煤耗是上下浮动的，例如在800MW的时候煤耗时在271g/kwh-274g/kwh之间波动，说明不同的运行调整人员操作水平是不同的，如果一个值都都保持在每个工况下最低的煤耗运行，那是怎样一个情况?

通过上面的所有图形示例可以看出基于大数据的煤耗优化空间还是很大的。

基于大数据的煤耗优化特点

那么这种煤耗优化还有那些特点呢？

1)成本极低：不用添加任何传感器，分析的数据均来自于目前系统现有参数。

2)流程简单：不需要进行任何设备改造。

3)适应性强：煤耗的优化范围涵盖各种工况环境，包括电网调度情况。

4)指导明确：该调整策略可以明确指导出各个参数的调整方向及大小。

5)效果可视：系统可实时展示采取优化策略后的效果，直接换算成金额。

6)调整人性化：系统不仅可以给出基于目前设备运维方式的一个优化策略，同时也可以给出一个系统计算后的理论深度优化策略，选择空间更大。

7)多重保证：既满足AGC的相应速率，又可降低需监测的环保指标数据。

优化收益

通过某电厂的实际数据的验证，这种基于大数据的优化策略可以带来2g/kwh-10g/kwh的优化空间，当然这要根据不同煤种不同炉型内确定的，也许你会认为1g/kwh煤耗的降低就是大胜利，没关系！小编认为基于大数据的煤耗优化能给你带来更大的惊喜。

EIOT数据俱乐部

聚焦工业互联，分享数据价值

助力人才转型