CC BY
28
УДК 681.3
ПОВЫШЕНИЕ СТАБИЛЬНОСТИ ПРОЦЕССА ГОРЕНИЯ ТВЕРДОГО ТОПЛИВА НА ТЕПЛОВЫХ ЭЛЕКТРИЧЕСКИХ
СТАНЦИЯХ
А.Р. МУХУТДИНОВ, Г.Н. МАРЧЕНКО
Казанский государственный энергетический университет
На основании компьютерного моделирования показана возможность повышения эффективности процесса горения твердого топлива на тепловых электрических станциях за счет использования нейросетевой системы управления.
Ключевые слова: система управления, нейронные сети, горение, твердое топливо, интеллектуальные системы, стабильность, процесс.
В настоящее время многие тепловые электрические станции России испытывают острую необходимость в модернизации систем технологического контроля и управления. Технический уровень данных систем крайне низок как по качеству технических средств, так и по объему и уровню функциональности. Поэтому сегодня, как никогда, остро стоит вопрос о техническом перевооружении энергетики России. Твердому топливу (ТТ) отводится главная роль в развитии топливно-энергетических комплексов. Однако существуют проблемы, связанные со стабильным горением ТТ, что, естественно, сказывается на эффективности применения промышленных теплоэнергетических установок. Процесс горения ТТ является сложным гетерогенным физико-химическим процессом, состоящим из двух стадий: подвода кислорода к поверхности топлива турбулентной и молекулярной диффузией и химической реакции на нем. Химические реакции горения в топочной камере протекают в мощных пылегазовоздушных потоках за чрезвычайно короткое время пребывания (1...3 с) топлива и окислителя в топочной камере. Поэтому скорость химических реакций горения зависит от природы топлива и физических условий: концентрации реагирующего газа на поверхности, температуры и давления. Следовательно, на эксплуатационные параметры процесса горения влияние оказывают условия сложного теплообмена, зависящие от вида топлива, способа его сжигания, конструкции котла, типа и расположения горелок. Условия измерений в топках характеризуются повышенной мощностью излучения факела, неравномерностью полей температуры и скорости продуктов сгорания по объему топки, наличием золовых, шлаковых и сажистых частиц.
Изучение процесса горения ТТ затруднено сложностью процесса, протекающего в топках, трудоемкости экспериментов и больших затрат на их проведение. Сложность математического описания процесса горения в реальных топливосжигающих устройствах объясняется одновременным протеканием © А.Р. Мухутдинов, Г.Н. Марченко Проблемы энергетики, 2009, № 7-8
физико-химических, гидродинамических и тепловых превращений. Законы отдельных явлений этого комплекса даются учениями о химической кинетике, гидродинамике и теплопередаче, однако общее решение, учитывающее их совместное влияние, отсутствует. Вследствие этого нет точной количественной оценки процесса горения. Даже составление системы дифференциальных уравнений, описывающих процесс горения в целом, не решают задачи, так как невозможно получить их общий интеграл. Во-первых, само написание такой системы является сложной задачей из-за отсутствия ясных представлений о суммарной кинетике горения, а во-вторых, решение этой системы даже при использовании ЭВМ сопряжено с большими математическими трудностями.
В связи с этим актуальным является решение проблем, связанных с повышением стабильности процесса горения ТТ и возможностью управления его эксплуатационными параметрами (температура продуктов сгорания и др).
Известно, что трудности построения системы управления определяются сложностью объекта. Так, согласно [1] основные характеристики сложного объекта управления следующие:
- отсутствие математического описания. Под математическим описанием понимается наличие алгоритма вычисления состояния У объекта по наблюдениям его входов: управляемого и и неуправляемого, но наблюдаемого X.
- недетерминированность (стохастичность) сложного объекта. Эта характеристика обусловлена не столько наличием каких-либо источников случайных помех в объекте, сколько сложностью объекта и связанным с этим неизбежным обилием всякого рода второстепенных (с точки зрения управления) процессов, которыми пренебрегают при построении математической модели.
- нестационарность. Эта характеристика проявляется в дрейфе характеристик объекта, т. е. в эволюции объекта во времени.
Необходимо отметить, что это характеристики, а не формальные признаки и поэтому отсутствие нескольких указанных характеристик не делает объект простым.
В последнее время разработан целый ряд методов для синтеза оптимальных систем регулирования: методы, основанные на классическом вариационном исчислении, динамическом программировании, принципе максимума, теории аналитического конструирования регуляторов и т.д. [2-4]. Попытки практического создания оптимальных регуляторов с использованием указанных методов встречают ряд принципиальных сложностей, главными из которых являются необходимость знать точную математическую модель объекта управления и иметь возможность контролировать все переменные состояния системы.
Вышеизложенное вынуждает обращаться к перспективному на сегодняшний день нейросетевому моделированию [5-8]. С помощью искусственной нейронной сети (ИНС) стало возможным строить математические модели, выполняющие сложные многомерные отображения входного вектора параметров х(^) на выходной вектор у(*) (рис. 1). Развитие современных сред разработок позволяет создать программную нейросетевую модель процесса горения топлива, которая позволяет прогнозировать значения одного комплекса параметров от другого, что используется для более глубокого анализа объекта, в частности, найти оптимальное сочетание управляющих параметров, обеспечивающих максимум целевой функции.
При проектировании системы управления предполагается, что известны математическая модель объекта управления, а также внешние воздействия и © Проблемы энергетики, 2009, № 7-8
режимы работы. В результате определяется структура и все параметры системы регулирования, удовлетворяющие заданным требованиям. Однако не всегда существует такая определенность всех факторов. Часто значения параметров объекта управления, а иногда и структура его математического описания не являются достоверными. При этом требования к качеству процесса управления достаточно высоки. В этих случаях невозможно создать качественную систему управления с определенными фиксированными параметрами, и возникает необходимость в создании адаптивной системы регулирования, в которой параметры настраиваются автоматически, чтобы получить процесс управления, удовлетворяющий заданным требованиям.
Рис. 1. Искусственная нейронная сеть
Адаптивные системы по сравнению с обычными системами обладают контуром самонастройки, который постоянно участвует в работе системы, т.к. параметры объекта и возмущающих воздействий все время меняются, и для получения необходимого качества управления нужно синхронно изменять и параметры регулятора. По критерию адаптации перспективна система с эталонной моделью, в которой регулятор адаптируется таким образом, чтобы замкнутая система управления имела свойства как можно более близкие к заданным - свойствам эталонной модели. Способ на основе подачи специального воздействия на объект является наиболее эффективным для самонастройки системы управления. Причинами, послужившими применению ИНС в системах управления, являются следующие:
- ИНС могут реализовывать произвольные гладкие функции любой сложности;
- для реализации нейросетевых систем управления необходима минимальная информация об объекте управления;
- при реализации ИНС в виде специализированных интегральных схем возможна параллельная обработка информации, что, во-первых, значительно увеличивает скорость работы системы и, во-вторых, повышает надежность системы.
Моделирование и управление процессом горения ТТ для повышения эффективности теплоэнергетических установок (энерго- и ресурсосбережение) представляет интерес, т.к. имеет большое практическое значение и является значительно более сложным по своим закономерностям (в сравнении с газовым топливом) и менее доступным для лабораторных исследований. В связи с этим
актуальным является разработка нейросетевой модели процесса горения ТТ и создание на ее основе современной адаптивной системы управления выходной эксплуатационной характеристикой (температура продуктов сгорания), повышающей эффективность теплоэнергетических установок. Таким образом, основным объектом исследования в работе является процесс горения ТТ, а его определяющим эксплуатационным параметром в топках теплоэнергетических установок - температура продуктов сгорания, от которой зависят надежность и экономичность работы оборудования, образование вредных выбросов в атмосферу и т. д. Поэтому целью данной работы является разработка нейросетевой модели процесса горения твердого топлива и создание на ее основе современной системы управления, повышающей эффективность теплоэнергетических установок.
В качестве примера использования нейротехнологий в системах атоматического управления рассмотрим адаптивную систему контроля и регулирования пылеугольным котлоагрегатом (рис. 2). Процесс управления сжиганием ТТ объединяет три взаимосвязанные подсистемы: управление тепловой нагрузкой; управление экономичностью процесса сжигания топлива; стабилизации разряжения в топке. В котлоагрегате применен факельный способ сжигания угольной пыли, достоинства которого заключаются в следующем:
- сжигание с достаточно высоким КПД любого вида топлива, включая антрациты, при тонком помоле частиц (средний размер 50.100 мкм);
- достижение высокой единичной мощности котлоагрегата (до 3000 т пара/ч);
- полная автоматизация процесса сжигания;
- повышение эксплуатационной надежности топки вследствие отсутствия в ней подвижных деталей;
- снижение механического недожога топлива до 0,5.1,5 %.
АРМ оператора Блок адаптивного управления <-
1 Г
Блок Силовой автол1атики Температура газов в зоне горен ия
расход выпускных газов ^
1 Г
Объект управления Темнература и давление перегретого пара ^
подача воды _
подача воздуха
подача топлива Концентрации 02, N0,, 502 ^ Температура газов на выходе .
влажность топлива
диспсрсность топлива ь
плотность гоилнва -► Давление разряжени^
Рис. 2. Блок-схема нейросетевой системы управления
К его недостаткам можно отнести дополнительные затраты на пылеприготовление и более низкую объемную теплонапряженность топочного объема 170...200 кВт/м3. Однако в циклонных топках при сжигании пыли объемные теплонапряжения высоки и достигают 1750 кВт/м3 для вертикальных и 4650 кВт/м3 - для горизонтальных циклонов [9]. Необходимо отметить, что допустимое тепловое напряжение топочного объема при сжигании мазута составляет 230.250 кВт/м3, а природного газа - 300.350 кВт/м3 [10].
Нейросетевая система управления (НСУ) состоит из следующих частей:
• блок адаптивного управления,
• блок силовой автоматики,
• автоматизированное рабочее место оператора (АРМ).
Блок адаптивного управления и рабочее место оператора, как правило, размещаются в пультовой, блок силовой автоматики — в непосредственной близости от объекта управления. На дверях силовой автоматики располагаются кнопки, позволяющие управлять отдельными исполнительными механизмами «по месту». Управляющая часть НСУ располагается в блоке адаптивного управления и в нее входит следующее оборудование:
- нейросетевой контроллер после обучения выполняет все операции по реализации заданного алгоритма управления оборудованием (или его частью). Контроллер построен по модульному принципу и содержит модуль процессора, источник питания, модули связи с терминалом и рабочими станциями, модули дискретного и аналогового ввода-вывода;
- подсистема питания включает в себя автоматические выключатели, развязывающие трансформаторы, источники вторичного питания, источники бесперебойного питания (ИБП). ИБП поддерживают питание НСУ, датчиков, аварийной сигнализации и обеспечивают гарантию работы НСУ при кратковременном пропадании питающего напряжения основной и резервной сети. При отключении питания на длительное время НСУ осуществляет остановку объекта управления.
Блок силовой автоматики предназначен для непосредственного управления исполнительными и регулирующими устройствами. В одном блоке может быть расположено оборудование силовой автоматики для управления 10 исполнительными устройствами. В качестве компонентов силовой автоматики используются, в основном, автоматические выключатели, контакторы, реле, бесконтактные полупроводниковые коммутирующие элементы.
Рабочее место оператора спроектировано с учетом требований эргономики и представляет собой стол, на котором располагаются один программируемый терминал, кнопка ручной остановки технологического процесса, ключи управления отдельными механизмами, один промышленный компьютер с монитором 17", принтер, коммутационная коробка для подвода питающих кабелей и кабелей информационных сетей.
Система поддерживает два основных режима работы котла -автоматический и дистанционный - и режим опробования механизмов. Для операторов имеется возможность в любой момент перевести любой механизм котла в дистанционный режим работы и управлять им с экрана терминала. В случае срабатывания защиты система управления принудительно переводит котел в автоматический режим и останавливает котел согласно алгоритму аварийного останова. Для проведения наладочных и ремонтных работ предусматривается режим опробования механизмов, который позволяет децентрализованно управлять оборудованием, используя клавиатуру на дверцах
блоков соответствующих подсистем. В случае выхода из строя системы управления имеется возможность остановить котел с пульта аварийного останова котлоагрегата путем прямого воздействия на исполнительные механизмы, минуя контроллер.
В качестве основного контроллера управления котлом используется нейроконтроллер. Он выполняет следующие функции:
• управления автоматической системой контроля и регулирования технологическим процессом котлоагрегата в целом и диспетчеризации работы всех других подсистем;
• реализации различных видов защиты и блокировок в полном объеме;
• диалога с оператором.
Связь между основным нейроконтроллером и контроллерами трактов, а также между контроллерами и двумя станциями оперативного контроля осуществляется по дублированной информационно-управляющей сети.
В НСУ реализована распределенная система управления. Удаленные модули ввода-вывода размещены непосредственно в силовых блоках и связаны с основным нейроконтроллером по сети. Для повышения надежности работы нижнего уровня управления отдельно выделена сеть защит. Источники питания сетей также независимы. Таким образом, осуществляется полное дублирование защит котлоагрегата.
В удаленных модулях информационной части предусмотрены резервные каналы для переключения сигналов на случай выхода штатных каналов из строя. Переключения каналов могут быть выполнены без выключения системы управления и котла из работы.
Диалог с оператором, а также вывод необходимой информации ведется на дисплей промышленного компьютера, что позволяет реализовать «горячее» резервирование в полном объеме.
Система работает следующим образом. Первоначально производится настройка блока адаптивного управления - эталонного режима работы котлоагрегата, т.е. определяются границы изменения входных эксплуатационных параметров для получения оптимальных выходных. Входными эксплуатационными параметрами являются: состав, дисперсность, влажность и плотность частиц угля, давление в камере, расход выпускных газов, расход подачи топлива и воздуха, а также воды. Температура в камере и на выходе, давление разряжения, концентрация продуктов сгорания (N0*, 802, О2) -выходными. Далее с помощью блока адаптивного управления на основе ИНС осуществляется управление для сравнения эксплуатационных параметров рабочего режима с параметрами эталонного режима работы котлоагрегата и для формирования поправочных сигналов на автоматические регуляторы, с целью приближения рабочих эксплуатационных параметров к эталонным.
Компьютерное моделирование является одним из наиболее прогрессивных методов научного исследования сложных динамических объектов. Поэтому перспективный путь проверки эффективности нейротехнологий связан с применением компьютерного моделирования для виртуальной апробации современной системы автоматического управления процессом горения ТТ [11]. Развитие этого направления позволяет создавать универсальные, высокоточные, быстродействующие и экономичные системы автоматического управления различного назначения за счет использования основных достоинств нейросетевых технологий. В работе рассматривается возможность использования нейросетевого метода [12] для прогнозирования и управления эксплуатационным параметром
процесса горения ТТ (в частности, температуры газов на выходе из топки). Для разработки нейросетевой модели и системы управления пылевидного сжигания угля использовались экспериментальные данные по Шоптыкольскому месторождению [13]. Сжигание данного угля в котле ПК-14 показало, что он устойчиво работает без подсветки газом в эксплуатационном диапазоне нагрузок, в том числе на номинальной. Топочный процесс при сжигании угля характеризуется ранним воспламенением, устойчивым положением факела и лучшим выгоранием. Компьютерное моделирование пылевидного сжигания майкубенского угля проводилось со значениями параметров, изменяющихся в диапазоне: для зольности Ар=22,9.23,7%; влажности ^=15...20%; теплоценности летучих 1870.1900 ккал/кг; избытка воздуха а=1,2...1,4; тонкости помола угля К90=30...56%; механического недожога 0,1.0,7%; относительной плотности р=0,1...0,5; концентрации N0^=310.480 мг/м3; концентрации 802=770...1185 мг/м3; температуры газов на выходе из топки 1000.1160 0С (измерялась оптическим пирометром); яркостной температуры газов в зоне активного горения 1200.1280 0С.
Рис. 3. Блок-схема системы автоматического управления с нейроконтроллером
Проведен сравнительный анализ существующей и предлагаемой (рис. 4) замкнутой системы автоматического регулирования, состоящей из следующих компонентов:
существующая:
- объект управления (ОУ);
- ПИД-регулятор (PID controller);
- цепь обратной связи и узел сравнения (Sum); предлагаемая:
- объект управления (ОУ);
- нейросетевой регулятор (Neural Network controller);
- цепь обратной связи.
1,2
1
Ы
irt С 0,8
С-=.
с 0,6
0,4
0,2
1 " V V 2 V
/ / , Г '
/ / / /
/ /
/ / //
// /У
О 1(1 20 30 40 50 60
Time (s)
Рис. 4. Переходные процессы возмущенной системы: 1 - нейрорегулятор; 2 - ПИД-регулятор © Проблемы энергетики, 2009, № 7-8
Апробация данной системы управления проводилась на виртуальной модели, разработанной в среде MATLAB. Виртуальная модель базируется на схеме рис. 3 и позволяет создавать относительно простой аналог системы управления на основе ИНС. В модель введены источник входного сигнала в виде единичного скачка и NCD-блок, подключенный к выходу системы. В данном случае контролируемым сигналом является реакция системы на единичный скачек, т.е. ее переходная характеристика (см. рис. 4). Среда разработки MATLAB позволяет моделировать супервизорный режим работы многослойной ИНС в составе системы динамическим объектом, заданным экспериментальными данными. Реализация этого режима обеспечивается нейросетевым контроллером Model Reference Control, представляющим собой структуру, которая включает две многослойные ИНС: управляющую и идентификационную. Каждая сеть блока содержит один скрытый слой, количество нейронов в котором выбирается в зависимости от сложности задачи управления. Настройка контроллера осуществлялась в два этапа. На первом этапе проводится идентификация объекта управления (обучение идентификационной ИНС), а на втором - обучение управляющей ИНС, так чтобы поведение замкнутой системы «котроллер-объект» управления было бы идентично поведению заранее выбранной модели (reference-модели). Таким образом, в данном контроллере реализуется стратегия обучения с учителем. В процессе обучения поэтапно производится настройка весовых коэффициентов нейронов сети по выбранному алгоритму (метод обратного распространения ошибки). Процесс обучения занимает длительное время. После успешного завершения процесса обучения управляющей сети контроллер готов к использованию в составе системы управления.
Кривые на рис. 4 показывают, что нейрорегулятор превосходит ПИД-регулятор:
- в значительно меньшем времени переходного процесса (время регулирования), т.е. в быстродействии;
- в значительно меньших отклонениях регулируемой величины от заданного значения.
Выводы
Предложена эффективная и надежная система контроля и регулирования процессом горения ТТ за счет использования адаптивной системы управления на основе искусственных нейронных сетей с учетом всех параметров, влияющих на процесс горения.
Изучена возможность компьютерного моделирования системы на основе искусственных нейронных сетей и управления выходными параметрами процесса горения ТТ.
Внедрение нейросетевых систем управления позволит повысить эффективность работы теплоэнергетических установок и использования топлива. Кроме того, обеспечивается уменьшение вредных выбросов, снижение времени простоев, производственных и эксплуатационных расходов.
Показана перспективность использования нейросетевых технологий для разработки современных систем автоматического управления.
Работа выполнена по гранту «Президента РФ» № МК - 553.2007.8.
Summary
On the basis of computer modelling the opportunity of increase of efficiency of process of burning of firm fuel on thermal power plants is shown due to use neural networks control systems.
Key words: management system, neural networks, burning, solid fuel's, intellectual systems, stability, process.
Литература
1. Ратригин Л.А. Современные принципы управления сложными объектами. М.: Сов.радио, 1980.
2. Александров А.Г. Оптимальные и адаптивные системы. М.: Высш. шк.,
1989.
3. Мирошник И.В., Никифоров В.О., Фрадков А.Л. Нелинейное и адаптивное управление сложными динамическими системами. СПб.: Наука, 2000.
4. Иванов В.А., Фалдин Н.В. Теория оптимальных систем автоматического управления. М.: Наука, 1981.
5. Омату С., Халид М., Юсоф Р. Нейроуправление и его приложения. Кн.2 / Под. общ. ред. А.И. Галушкина. М.: ИРПЖР, 2000.
6. Интеллектуальные системы автоматического управления / Под. ред. И.М. Макарова, В.М. Лохина. М.: Физматлит, 2001.
7. Нейросетевые системы управления/ В.А. Терехов, Д.В. Ефимов, И.Ю. Тюкин. М.: Высш. шк. 2002.
8. Хайкин, Саймон. Нейронные сети: полный курс, 2-е изд. : Пер. с англ. М.: Издательский дом «Вильямс», 2006.
9. Котлер В.Р. Специальные топки энергетических котлов. М: Энергоатомиздат, 1990.
10. Рабинович О.М. Котельные агрегаты. М.-Л.: Матгиз, 1963.
11. Мухутдинов А.Р., Тахавутдинов Р.Г. Повышение эффективности теплоэнергетических установок за счет использования современных систем управления процессом горения топлива // Известия высших учебных заведений. Проблемы энергетики. 2007. №5-6. С.99-104.
12. Мухутдинов А.Р., Вахидова З.Р., Тахавутдинов Р.Г. Компьютерное прогнозирование эксплуатационных характеристик твердых топлив с использованием интеллектуальных систем // Известия высших учебных заведений. Проблемы энергетики. 2006. №1-2. С.85-90.
13. Богомолов В.В., Артемьева Н.В., Алехнович А.Н. и др. Теплотехнические и физико-механические характеристики майкубенского угля // Электрические станции. 2007. №7. С.10-16.
Поступила в редакцию 10 января 2008 г.
Мухутдинов Аглям Рашидович - канд. техн. наук, доцент кафедры «Информатика и информационные управляющие системы» Казанского государственного энергетического университета (КГЭУ). Тел.: 8 (843) 543-90-31; 8 (843) 510-32-06. Е-mail: Muhutdinov@rambler.ru.
Марченко Герман Николаевич - д-р техн. наук, профессор, зав. кафедрой «Экономика и организация производства» Казанского государственного энергетического университета (КГЭУ). Тел. 8 (843) 554-53-74.
