English introduction
Grate-fired plants have great fuel flexibility but also present great challenges when it comes to making improvements. In Added Values, we have implemented many practical improvements with very short payback times on such plants.
However, we must also note that there are constantly opportunities for further improvement and therefore our process and control specialists still do not sleep completely safe at night.
Parts 1 and 2 include an introduction for non-experts and a presentation of some promising results from a recently completed development project.
There are strict requirements on boiler control, which often requires an upgrade when the plant capacity is to be expanded. This is one of the services that Added Values offers.
In 2017, we had the opportunity to do a development project together with a Swedish partner, Modelon AB. The project was funded by Swedish Energiforsk and was to support Added Values' practical experience with grate combustion by developing a soft sensor that can improve control of grate-fired plants without the customers having to implement expensive measuring equipment.
In Part 1 we explain some of the challenges that lie in grate combustion and in Part 2 we go into depth with the results from the development project
Article (in Danish)
Denne tekniske og lange artikel, der blev publiceret i juli 2018, er den anden af to artikler, hvor vi fortæller mere om Ristefyring.
Se Ristefyring – del 1 for at læse om udfordringerne ved Ristefyring.
I 2017 fik vi mulighed for at lave et udviklingsprojekt sammen med en svensk samarbejdspartner Modelon AB og med anlægsdata fra svenske Sysav, som blandt andet driver et affaldsfyret anlæg i Malmö. Projektet blev finansieret af svenske Energiforsk og skulle understøtte Added Values’ praktiske erfaring med risteforbrænding.
I projektet har vi blandt andet udviklet et modelbibliotek i simuleringssproget Modelica, som gør det muligt at simulere en risteforbrænding. Vi har også designet en soft-sensor, der kan estimere flammefronten på risten, uden at kunder skal installere ekstra bekosteligt måleudstyr og har undersøgt, hvordan informationerne kan bruges til at forbedre reguleringen af ristefyrede anlæg.
I artikel 1 skrev vi om nogle af de udfordringer, der er ved risteforbrænding, og i dette indlæg vil vi gå mere i dybden med resultaterne fra udviklingsprojektet.
Modellering
Ofte har vi så godt et indblik i en proces, at vi ret nemt kan opstille en dynamisk model. Man skal huske at en model er en simplificeret gengivelse af noget virkeligt. En model, der kan gengive alle detaljer meget nøjagtigt, er kompleks og beregningskrævende, mens en for simpel model ikke vil fange detaljerne godt nok. Det gælder derfor om at finde et passende niveau. Modeller til reguleringsformål er typisk simplere end CFD-modeller. En simpel model, der gengiver dynamikken i en overheder, kan f.eks. beskrives med et 4. ordens lavpasfilter, hvis den skal bruges til reguleringsformål. Det ved vi, fordi vi har masser af erfaring med f.eks. overhedere.
Processen i en risteforbrænding er derimod mere kompleks og det er derfor sværere at “skyde genvej”, når vi skal beskrive processens dynamik. Vi er derfor nødt til at gå “den lange vej”, hvor vi opbygger en model ud fra fysiske principper. Den fremgangsmåde resulterer typisk i en ret kompleks model, som vi efterfølgende kan forenkle, så den er mere velegnet i en reguleringssammenhæng.
Model af risteforbrænding
Til at beskrive risteforbrændingen med fysikkens love benytter vi modelleringssproget Modelica, som er særligt velegnet til formålet. Vi har groft sagt taget vores procesviden om risteforbrænding og splittet den ad i en række mindre bestanddele, som vi har lavet til modelleringsmæssige byggeklodser. Dem har vi bagefter sat sammen til en samlet model og på den måde kan byggeklodserne genbruges til at lave modeller af andre anlæg med andre konfigurationer. For eksempel består en forbrændingsrist typisk af 4–6 risteelementer, som kan have hver deres luft- eller røggastilførsel. Brændslet på hvert risteelement kan gennemgå forskellige fysiske processer — f.eks. tørring, pyrolysering, koksomdannelse og forbrænding. Da processerne sker forskellige steder på risten afhængigt af brændslets beskaffenhed og kedlens last, skal modellen kunne simulere alle processer i hvert segment.
Figur 1 viser den nok mest centrale “byggeklods”, der er kommet til vejs under projektet. Der er tale om en model for et segment af brændslet på risten. Den interne struktur og grænsefladerne for modellen er konstrueret, så flere segment kan forbindes både horisontalt og vertikalt, så man kan opnå en rumlig diskretisering af brændslet på risten. For ikke at skabe numeriske problemer — f.eks. under initialisering af en samlet model — har vi sørget for skiftevis at forbinde flow- og volumenmodeller med hinanden. Dette kaldes for et staggered grid-skema, hvor volumenmodellerne indeholder dynamiske bevarelsesligninger med f.eks. temperatur, tryk og entalpi som tilstande og hvor flow-modellerne generelt beskriver flow af f.eks. masse eller varme som funktion af en potentialeforskel. Den rumlige diskretisering gør det muligt at studere, brændslets dynamik ned langs risten og modellen vil også kunne sige noget om, hvornår brændslet er udbrændt (flammefront), givet forskellige betingelser.
Figur 1 - Visualisering af modellen af et brændselssegment.
Brændselssegmentet på figur 1 har syv forbindelser til de omkringliggende komponenter. De sorte cirkler viser forbindelserne, hvor brændslet kommer ind/ud af segmentet. De blå/hvide cirkler viser, hvor forbrændingsluft og gas passerer op igennem segmentet. De røde/hvide kvadrater viser, hvor varme udveksles med segmentet (brændsel eller rist) og den blå trekant er et input, der bestemmer brændslets hastighed ned ad risten.
Modellen for brændselssegmentet er i virkeligheden stykket samme af flere mindre delmodeller, der hver især nemt kan erstattes med mere komplekse eller forsimplede delmodeller alt efter formålet. Brændselsvolumenet (den brune cirkel på figur 1) og tilhørende flow-model (brun kasse), er f.eks. opbygget af delmodeller af fordampning, pyrolyse, og koksomdannelse.
Eksempel på en detaljeret model
Koksomdannelse er én af de grundlæggende fysiske processer, der foregår på risten. Efter at fugten i brændslet er fordampet og de flygtige bestanddele er afgasset (pyrolyse), er der kulstof og aske tilbage. Ved koksomdannelsen bliver kulstoffet omdannet til CO og CO2 under tilstedeværelse af blandt andet ilt og vand. Omdannelsen udvikler varme, som blandt andet bruges af pyrolysen og til tørring af brændslet. Afhængigt af hvilken temperatur, der indfinder sig i processen, sker koksomdannelsen hurtigt eller langsomt. Koksomdannelsen kan beskrives med en kombination af Arrhenius-ligninger, som hver er gyldige ind for forskellige temperaturområder (henholdsvis et kemisk område begrænset af kinetik og et diffusionsbegrænset område);
Den type ligninger anvendes ofte inden for matematisk modellering af kemiske processer (reaktionskinetik).
Et par simuleringsresultater
Figur 2 nedenfor viser en simulering af risteforbrændingen med 10 forbundne segmenter. Simuleringen starter fra kold tilstand og med et jævnt aftagende brændselslag ned langs risten. Den øverste kurve viser, at temperaturerne på segment 7–10 er væsentlig højere end temperaturerne i segment 1–6. Det fortæller, at forbrændingen ligger på den sidste fjerdedel af risten som forventet. Man vil også kunne se, at forbrændingen først tager fat i det sidste segment med mindst masse og bevæger sig op langs risten efterhånden som brændslet i segmenterne tørrer ud og pyrolyserer (andel af vand og flygtige bestanddele forsvinder).
Figur 2 - Resulterende temperaturer og masser (vand, flygtige bestanddele, og kulstof — den tilbageværende aske er ikke vist) fra en simulering af opstartsfasen for en samlet risteforbrændingsmodel diskretiseret med 10 segmenter.
Den samme simulering er vist i animationen nedenfor (figur 3), der viser hvordan massen af brændslets bestanddele ændrer sig ned langs risten over et to timers opstartsforløb. Mængden af vand, flygtige bestanddele og kulstof reduceres i takt med, at brændslet og fyrrummet bliver varmet op. Modellen giver på den måde mulighed for at studere, hvordan ristelaget udvikler sig over tid ved forskellige randbetingelser.
Figur 3 - Animation af fordelingen af vand, aske, koks og flygtige bestanddele. Efterhånden som tiden går, forsvinder vandet og flammefronten flytter sig til segment 7.
Soft-sensor udvikling
Hensigten med projektet har også været at estimere flammefrontens position på risten med en såkaldt “soft-sensor” — kun ved brug af eksisterende målinger, der typisk vil være til stede i ristefyrede kedler.
Figur 4 viser de typiske målepunkter i en ristefyret kedel (eksemplet tager udgangspunkt i Sysavs affaldsforbrændingsanlæg i Malmö). Der findes som regel ikke målinger af brændsels-flowet ind på risten, eller også er de af en dårlig kvalitet (baseret på antal kranlæs). Da dette input er vigtigt for vores soft-sensor, har vi undersøgt, om de øvrige målinger indeholder nok “information” til at kompensere for denne mangel — dvs. om man kan beregne brændsels-flowet ud fra de andre målinger. Til det formål har vi set nærmere på to metoder inden for estimering af tilstande: Unscented Kalman Filter (UKF) og Neural Netværk (NN).
Figur 4 - Målepunkter i en ristefyret kedel. Tryk (p), temperatur (T), masseflow (ṁ), åbningsgrad (%) og koncentration i røggassen (CO/O2). De røde målinger bruges i den NN-baserede “soft-sensor”.
En nærmere analyse af risteforbrændingsmodellen viste, at der ikke er nok målinger til stede til at gøre systemet observerbart,så derfor blev UKF-tilgangen forkastet. Derimod viste det sig, at man med relativt få målinger kan konstruere et neuralt netværk, der er i stand til at give et fornuftigt estimat af flammefronten.
Figur 5 viser den estimerede flammefront med et multi-layer-perceptron neuralt netværk med 20 neuroner og 15 inputs (de fem røde målinger i figur 4 i en kombination af nuværende og tidsforsinkede målinger). Den generelle tendens for flammefronten er fanget godt, dog med enkelte “outliers”, der måske efterfølgende vil kunne filtreres væk.
Figur 5 - Sammenligning af NN-baseret estimat af flammefront med en simuleret værdi under simulering med tilfældig inputsekvens.
Træningen af det neurale netværk kræver, at man opbygger en simuleringsmodel af sit anlæg og bruger modellen til at generere træningsdata til det neurale netværk, som jo skal have et facit for at vide, hvor godt det estimerer flammefronten (som ikke er målt). Det er selvfølgelig lidt omstændigt, men det interessante er, at der faktisk er en kobling fra de eksisterende målinger til flammefronten. Det er derfor nærliggende at undersøge, om der kan findes en simplere korrelation, inspireret af det neurale netværk, der kan bruges til estimere flammefronten. Derudover, er der stadig et hav af input-kombinationer, vi ikke har afprøvet endnu, hvor man muligvis vil kunne få et endnu bedre estimat.
Hvis dette blogindlæg har vakt yderligere interesse, skal du være velkommen til at kontakte os.
Rapporten i forbindelse med EnergiForsk-projektet er tilgængelig her.
