目前,国内的大型火力发电厂的现状大多为机组数目多,各机组间容量、性能差异大,传统的单机AGC模式较难顾及负荷分配的经济性,因此厂级AGC逐渐成为新型的负荷分配方式。然而,国内部分电厂煤种复杂多变,上煤方式粗放,对处于非经济运行状态下的机组进行厂级AGC负荷分配,其节能意义不大。此外,厂级AGC负荷分配的基础——机组供电煤耗曲线(下文简称"煤耗曲线")长久以来不受重视,导致机组煤耗曲线精度较差,不能满足负荷优化分配的要求。本文以国内某电厂为例,该电厂机组入炉煤种复杂,涵盖无烟煤、贫煤与烟煤,电厂长期在非设计煤种下运行。机组运行存在磨煤机爆燃、飞灰含碳量偏高等问题,严重影响机组的安全与经济运行。由于厂级AGC节能调度是一种精细的节能方式,当单台机组本身处在粗放的运行工况下时,厂级AGC的节能空间将进一步缩减。因此应首先改善机组的运行经济性,根据机组对不同煤种适应能力的不同进行机组的煤炭掺烧方案优化。以优化后的煤炭掺烧方案为基础,再进行主要针对炉膛出口氧量及燃尽风开度的配风优化,通过试验确定较优的配风方案。通过优化方案还可"固定"机组的配煤与配风状态,使机组未来的煤种与运行状况稳定在优化方案附近,减小了机组煤耗波动的范围,为后续的在线预测飞灰含碳量降低了难度。在煤耗曲线方面,该电厂当前釆用由机组性能考核试验得到的100%、75%、50%共3个负荷点按二次拟合得到的机组煤耗曲线,该曲线精度较差,不能满足厂级AGC负荷优化分配的要求。本文分析了制粉系统对煤耗的影响,并以此为依据对负荷进行区间划分,在每个子区间分别用不同的二次函数描述机组的煤耗特性。结果表明,基于制粉系统运行方式的煤耗曲线精度优于传统煤耗曲线。受煤种与机组运行状态的影响,机组煤耗实际上是在逐渐变化的,为获取精度更高的煤耗曲线,需对机组煤耗进行在线测量。其中,飞灰含碳量的在线测量是获取机组煤耗的关键。运用神经网络算法对飞灰含碳量进行测量,针对该电厂入炉煤种复杂与"分磨上煤"的现状,提出了"加权燃尽性"的概念,并最终确定机组负荷、入炉煤种加权燃尽性、氧量及燃尽风开度4个变量为神经网络模型的输入,对模型进行了训练和测试,得到了飞灰含碳量的神经网络预测模型。