基于聲學測溫與最小二乘支持向量機的鍋爐爐膛灰污監(jiān)測方法

馬美倩，呂偉為，沈國清，安連鎖，張世平

（華北電力大學 電站設(shè)備狀態(tài)監(jiān)測與控制教育部重點實驗室，北京 102206）

基于聲學測溫與最小二乘支持向量機的鍋爐爐膛灰污監(jiān)測方法

馬美倩，呂偉為，沈國清，安連鎖，張世平

（華北電力大學 電站設(shè)備狀態(tài)監(jiān)測與控制教育部重點實驗室，北京 102206）

研究電站鍋爐爐膛灰污監(jiān)測問題，提出了基于聲學測溫和最小二乘支持向量機的電站鍋爐爐膛灰污監(jiān)測方法。該方法采用聲學測溫裝置獲得實際運行狀態(tài)下鍋爐爐膛出口煙溫，用最小二乘支持向量機獲得實際運行狀態(tài)下鍋爐爐膛清潔時的潛在爐膛出口煙溫，運用上述兩參數(shù)定義灰污特征參數(shù)來表征鍋爐爐膛整體灰污狀況。建立了監(jiān)測模型，從電廠采集數(shù)據(jù)對模型進行了訓練和驗證，并對獲得的灰污特征參數(shù)進行了分析，結(jié)果表明：基于聲學測溫和最小二乘支持向量機的鍋爐爐膛灰污監(jiān)測方法可以較準確地實現(xiàn)電站鍋爐爐膛的灰污監(jiān)測，為爐膛的吹灰優(yōu)化打下了良好的基礎(chǔ)。

爐膛出口煙溫；聲學測溫；最小二乘支持向量機；灰污特征參數(shù)；灰污監(jiān)測

0 引言

受熱面的污染尤其爐膛內(nèi)受熱面的污染一直是電站鍋爐安全經(jīng)濟運行面臨的重要問題，近些年來，結(jié)合鍋爐爐膛受熱面的結(jié)構(gòu)以及其熱量交換的特點，不少學者針對鍋爐爐膛內(nèi)受熱面的污染監(jiān)測進行了研究并提出了一些方法：俞海淼［1］等使用灰污熱流計監(jiān)測爐膛灰污結(jié)渣的動態(tài)過程，但該方法因測量設(shè)備的昂貴以及高溫惡劣環(huán)境對設(shè)備壽命的影響而受到限制；徐嘯虎［2］等使用爐膛出口煙溫增量表征爐膛灰污染程度；王軍［3］等通過計算熱有效系數(shù)判斷爐膛的污染情況；王洪江等采用水冷壁背火側(cè)溫度作為爐內(nèi)局部結(jié)渣故障特征參數(shù)［4］。

鍋爐爐膛出口煙溫是判斷爐膛整體污染情況的重要參數(shù)。爐膛出口煙溫高，一般很難安裝測點直接測量，文獻 ［5］從能夠準確測量獲得的排煙溫度開始，逆著煙氣流動方向根據(jù)熱平衡的原理逐步計算，最終得到了爐膛出口煙溫；文獻［6］采用鍋爐半經(jīng)驗公式計算獲得爐膛出口煙溫。上述方法由于需要計算，所以很多計算過程存在較大誤差。聲學測溫技術(shù)作為一種新興技術(shù)，不受高溫、腐蝕、輻射等的影響，測量精度高，能夠在電廠安裝測點直接測量爐膛的出口煙溫，近些年來在電廠鍋爐爐膛出口煙溫的測量中得到了廣泛應用。

最小二乘支持向量機 （LS-SV M），是在統(tǒng)計學習理論框架下產(chǎn)生出來的支持向量機 （SV M）的基礎(chǔ)上改進的新的通用機器學習方法。LS-SV M具有SV M獲全局最優(yōu)解、可應用于小樣本的學習問題、可自動地獲取網(wǎng)絡(luò)拓撲結(jié)構(gòu)等優(yōu)點，同時由于LS-SV M將SV M的不等式約束改進為等式約束，因此需確定的參數(shù)變少、訓練時間相對變短，近年來在預測領(lǐng)域得到了廣泛應用［7，8］。

基于上述背景，本文提出用聲學測溫裝置獲得爐膛的實時出口煙溫，用最小二乘支持向量機預測獲得爐膛清潔時的潛在出口煙溫，用兩煙溫定義灰污特征參數(shù)，與臨界灰污特征參數(shù)對比判斷爐膛的污染狀況，同時建立了污染監(jiān)測模型并從電廠采集數(shù)據(jù)驗證了此模型的準確性。

1 基于聲學測溫和LS-SV M的鍋爐爐膛灰污監(jiān)測原理

本文定義灰污特征參數(shù)η判斷鍋爐爐膛整體的灰污狀況：令η＝1－Tqj／Tsj，其中Tqj是實際運行工況下，應用LS－SV M獲得的鍋爐爐膛清潔時的潛在出口煙溫；Tsj是實際運行狀態(tài)下聲學測溫裝置獲得的爐膛出口煙溫。η最小，即趨于0時，表明鍋爐爐膛清潔；η最大，即趨于1時，Tsj趨近于無窮大，表明鍋爐爐膛污染嚴重；對污染程度的確定需與臨界灰污特征參數(shù)作比較，臨界值的選取一般根據(jù)爐膛對經(jīng)濟與安全性的要求憑經(jīng)驗確定。從上述分析可知，灰污特征參數(shù)η能較好地反映鍋爐爐膛整體的污染狀況［9］。

1.1 聲學測溫原理

在電廠使用聲學測溫裝置測量爐膛出口煙溫時，是在爐墻一側(cè)安裝聲波發(fā)射器，在爐墻的另一側(cè)安裝聲波接收器，測量爐墻兩側(cè)的距離即聲波發(fā)射裝置和接收裝置之間的距離L和聲波飛渡時間τ，即可確定聲波在傳播路徑上的平均速度：

結(jié)合式 （1）和式 （2），經(jīng)推導可以得出聲波傳播路徑上介質(zhì)的平均溫度：

式中：T為聲波傳播路徑上介質(zhì)的平均溫度，K；L為聲波發(fā)射裝置和接收裝置之間的距離，m；B為聲音常數(shù)；τ為聲波飛渡時間，ms。

聲學測溫系統(tǒng)裝置主要包括聲波收發(fā)器、聲波導管、信號處理器、功率放大器、溫度的輸入輸出設(shè)備以及溫度顯示設(shè)備等。聲學測溫系統(tǒng)基本組成如圖1所示［10，11］。

圖1 聲學測溫系統(tǒng)組成圖Fig.1 Composition diagram of acoustic measurement system

1.2 LS-SV M原理

2 LS-SV M預測模型構(gòu)建

2.1 輸入?yún)?shù)的選擇

本文以爐膛的理想出口煙溫作為LS-SV M結(jié)構(gòu)的輸出參數(shù)，因此LS-SV M結(jié)構(gòu)的輸入?yún)?shù)選擇對爐膛出口煙溫影響較大的變量，爐膛出口煙溫主要受爐膛燃燒情況以及受熱面的傳熱過程影響，因此，結(jié)合實際情況，本文以給煤量、進風量 （即一次風量、二次風量）、管入口處工質(zhì)流量以及工質(zhì)進出口焓差作輸入數(shù)據(jù)，即假設(shè)LSSV M的訓練樣本集 ｛（xi，yi），i＝1，2，…，n｝，本文中：n＝5；x1為給煤量、x2為一次風量、x3為二次風量、x4為管入口處工質(zhì)流量、x5為工質(zhì)進出口焓差；y為爐膛理想出口煙溫。給煤量、一次風量、二次風量、管入口處工質(zhì)流量可以從電廠DAS系統(tǒng)實時采集，工質(zhì)進出口焓差，可以根據(jù)數(shù)據(jù)采集系統(tǒng)采集的工質(zhì)進出口壓力溫度等參數(shù)通過水和蒸汽性質(zhì)軟件得到的焓值計算得到。

2.2 數(shù)據(jù)采集及篩選

本文以某電廠300 MW鍋爐為研究對象，通過電廠DAS系統(tǒng)實時采集數(shù)據(jù)，采集數(shù)據(jù)需兩種：（1）鍋爐爐膛清潔時的潛在出口煙溫預測用數(shù)據(jù)。因為是要預測清潔參數(shù)，實際情況下，爐膛完全清潔的狀態(tài)是不存在的，本文認為爐膛吹掃一段時間 （10 min）時爐膛清潔，從DAS系統(tǒng)中獲取此時爐膛的參數(shù)存入數(shù)據(jù)庫中。 （2）污染監(jiān)測用實時運行數(shù)據(jù)。每隔一段時間 （如5 min）采集所需的電廠實時運行數(shù)據(jù)。此外，對于系統(tǒng)出問題、設(shè)備故障、溫度測點壞死等情況下獲得的數(shù)據(jù)對LS-SV M預測模型不適用，應篩除。

2.3 核函數(shù)的選取

核函數(shù)的選取是構(gòu)建LS-SV M結(jié)構(gòu)的重要環(huán)節(jié)。常用的核函數(shù)有線性函數(shù)、高斯徑向基函數(shù)（RBF）、Sigmoid函數(shù)以及多項式函數(shù)。線性函數(shù)適用于線性問題；Sigmoid函數(shù)存在一定局限性，其公式中的某些參數(shù)只對部分值滿足 Mercer條件；多項式函數(shù)在應用于維數(shù)很好的特征空間時計算量大，計算精度不高；而高斯徑向基函數(shù)是目前普遍采用的一種核函數(shù)，將樣本數(shù)據(jù)的非線性轉(zhuǎn)換到高維空間里，表現(xiàn)形式簡單，解析性好，在特定參數(shù)選擇下線性函數(shù)是徑向基函數(shù)的一個特例，Sigmoid核的表現(xiàn)則會與徑向基函數(shù)一樣。通過對比研究，本文選擇高斯徑向基函數(shù)作為核函數(shù)［13，14］。

2.4 LS-SV M結(jié)構(gòu)

根據(jù)上述分析，本文建立如圖2的LS-SV M預測結(jié)構(gòu)。

圖2 最小二乘支持向量機結(jié)構(gòu)圖Fig.2 Structure diagram of least square support vector machine structure

2.5 LS-SV M預測模型訓練與驗證

本文采集96組鍋爐爐膛清潔時的潛在出口煙溫預測用數(shù)據(jù)，采用Premnmx和Postmnmx函數(shù)對采集的數(shù)據(jù)進行歸一化和反歸一化的處理，其中70組數(shù)據(jù)作為訓練集訓練預測模型并最終確定模型各參數(shù)，模型采用Gauss徑向基核函數(shù)，通過參數(shù)尋優(yōu)函數(shù)tunelssvm確定σ2和γ的取值，經(jīng)尋優(yōu)過程，取預測值平均絕對誤差最小時，即σ2和γ分別取值7.1，1 170 549作為模型用參數(shù)，確定好模型后，本文采用另外的26組數(shù)據(jù)作為驗證集來驗證預測模型的適用范圍及其預測的準確度。

爐膛出口煙溫訓練集預測結(jié)果如圖3所示。

本文選擇相對誤差 （RPE）作為實驗結(jié)果的評價指標，各誤差計算公式如下：

圖3 LS-SV M訓練集預測結(jié)果Fig.3 Prediction results of LS-SV Mtraining set

式中：A （i）表示聲學測溫技術(shù)獲得的爐膛出口煙溫實際值；F （i）表示LS－SV M預測獲得的爐膛理想出口煙溫；n表示樣本數(shù)。爐膛出口煙溫訓練集預測結(jié)果相對誤差如圖4所示。

圖4 訓練集相對誤差Fig.4 Relative error of training set

爐膛出口煙溫驗證集預測結(jié)果及預測相對誤差如表1所示。

從上述LS-SV M預測模型訓練集的預測結(jié)果和相對誤差圖以及驗證集的預測結(jié)果和相對誤差對照表可以看出，無論是訓練集還是驗證集LSSV M的預測相對誤差均能保持在5%以下，說明其預測效果好，能夠滿足工程上的預測要求，可以較準確地預測爐膛出口煙溫，為爐膛的污染監(jiān)測提供可靠的依據(jù)。

表1 驗證集預測結(jié)果及相對誤差對照表Tab.1 Comparison of validation set prediction results and relative error

3 灰污特征參數(shù)監(jiān)測及結(jié)果分析

本文在電廠每隔5 min采集了一段時間內(nèi)的爐膛實時運行數(shù)據(jù)，使用聲學測溫技術(shù)獲得了爐膛的實時出口煙溫，采用上述LS-SV M預測模型預測爐膛的理想出口煙溫，根據(jù)上文定義的灰污特征參數(shù)獲得了此段時間的爐膛灰污狀況?；椅厶卣鲄?shù)如圖5所示。從圖中灰污特征參數(shù)走勢情況可以看出此段時間爐膛的灰污特征參數(shù)在0.162左右上下浮動，說明此時爐膛污染情況基本不變。文獻 ［15］指出鍋爐爐膛受熱面的沾污系數(shù)，可以反映爐膛受熱面的污染情況。為驗證本文結(jié)果的準確性，根據(jù)文獻 ［15］給出的爐膛出口煙溫與熱有效系數(shù)的關(guān)系式 （9）以及熱有效系數(shù)與沾污系數(shù)的關(guān)系式 （10），采用上述采集的爐膛出口煙溫，結(jié)合相關(guān)參數(shù)，本文進行了沾污系數(shù)的計算，經(jīng)計算，此段時間沾污系數(shù)基本保持在0.35左右，說明爐膛受熱面的污染情況基本不變，進一步驗證了本文監(jiān)測模型結(jié)果的準確性。

式中：θ″為爐膛出口煙溫，℃；Ta為理論燃燒溫度，K； M為爐膛火焰中心位置系數(shù)；σ0為玻爾茲曼常數(shù)；a1為爐膛黑度；ψ為熱有效系數(shù)；F1為爐墻總面積，m2；φ為保熱系數(shù)；Bj為計算燃料消耗量，kg／s；為平均熱容量，KJ／（kg·℃）。

式中：x為角系數(shù)；ξ為灰污系數(shù)。

圖5 灰污特征參數(shù)Fig.5 Fouling characteristic parameters

4 結(jié)論

（1）鍋爐爐膛的灰污監(jiān)測是實現(xiàn)爐膛吹灰優(yōu)化的前提，本文提出了基于聲學測溫和LS-SV M的鍋爐爐膛受熱面污染監(jiān)測方法，建立了污染監(jiān)測模型，從電廠采集數(shù)據(jù)對模型進行了訓練和驗證，并對一段時間內(nèi)的灰污特征參數(shù)進行了分析，結(jié)果表明：LS-SV M預測精確度高，基于聲學測溫和LS-SV M的爐膛受熱面污染監(jiān)測方法，能夠較準確地實現(xiàn)鍋爐爐膛整體的灰污監(jiān)測。

（2）本文采集的數(shù)據(jù)為機組一段時期的數(shù)據(jù)，實際情況下運行機組的工況變化比較復雜，因此需要隨著采集數(shù)據(jù)所在工況范圍不斷地擴大，對模型訓練數(shù)據(jù)進行不定期地更新，使監(jiān)測模型更準確。

［1］俞海淼，曹欣玉，李志，等.應用灰污熱流計監(jiān)測燃煤鍋爐爐膛灰污結(jié)渣的動態(tài)過程 ［J］.中國動力工程學報，2005，25 （1）：88-91.

Yu Haimiao，Cao Xinyu，Li Zhi，et al.Research on the dynamic process of ash deposition in boilers with heat flux probes ［J］.Chinese Journal of Power Engneering.2005，25 （1）：88-91.

［2］徐嘯虎，周克毅，韋紅旗，等.燃煤鍋爐爐膛灰污染監(jiān)測的爐膛出口煙溫增量方法 ［J］.中國電機工程學報，2011，31 （29）：21-26.

Xu Xiaohu，Zhou Keyi，Wei Hongqi，et al.Increment of furnance exit gas temperature for monitoring ash fouling in the furnace of coal－fired boilers ［J］.Proceedings of the CSEE.2011，31 （29）：21-26.

［3］王軍，王碩.鍋爐爐膛結(jié)渣狀態(tài)兩種判別方法的研究［J］.電力科學與工程，2009，25 （2）：34-36.

Wang Jun，Wang Shuo.Research on two distinguishing methods for slagging state of boiler furnace ［J］.Electric Power Science and Engineering，2009，25（2）：34-36.

［4］王洪江，孫保民，田進步，等.汽包鍋爐爐內(nèi)局部結(jié)渣實時診斷研究 ［J］.工程熱物理學報，2008，29（6）：1077-1079.

［5］魏鐵錚，王平川，王建軍.鍋爐爐膛出口煙氣溫度的推算 ［J］.華北電力技術(shù)，1999 （9）：14-16.

［6］李永興，陳春元，孫家慶.電站鍋爐爐膛出口溫度計算方法的研究與改進 ［J］.動力工程，1992，12（5）：22-25.

［7］陳磊，張土橋.基于最小二乘支持向量機的時用水量預測模型 ［J］.哈爾濱工業(yè)大學學報，2006，389（9）：1528-1530.

Chen Lei，Zhang Tuqiao.Hourly water demand forecast model based on least squares support vector machine ［J］.Journal of Harbin Institute of Technology，2006，389 （9）：1528-1530.

［8］羅偉，習勇華.基于最小二乘支持向量機的降雨量預測 ［J］.人民長江，2008，39 （19）：29-31.

［9］鄧喆，李庚生，安連鎖，等.基于聲學測溫與人工神經(jīng)網(wǎng)絡(luò)的爐膛結(jié)渣在線監(jiān)測方法 ［J］.現(xiàn)代電力，2011，28 （4）：70-72.

［10］沈國清.基于聲波理論的爐膛溫度場在線監(jiān)測技術(shù)研究 ［D］.北京：華北電力大學，2007.

［11］杜功煥，朱哲民，龔秀芬.聲學基礎(chǔ) ［ M］.南京：南京大學出版社，2001.

［12］王定成.支持向量機建模預測與控制 ［ M］.北京：氣象出版社，2009.

［13］杜鵑.基于支持向量機的非線性預測控制研究 ［D］.杭州：浙江大學，2006.

［14］鄧乃揚，田英杰.數(shù)據(jù)挖掘的新方法：支持向量機［ M］.北京：科學出版社，2004.

［15］樊泉桂.鍋爐原理 ［ M］.北京：中國電力出版社，2008.

Method of Furnace Fouling Monitoring Based on Acoustic Pyrometry and Least Squares Support Vector Machine

Ma Meiqian，Lv Weiwei，Shen Guoqing，An Liansuo，Zhang Shiping
（Key Laboratory of Condition Monitoring and Control for Power Plant Equipment（North China Electric Power University）， Ministry of Education，Baoding 102206，Beijing，China）

This paper studies power station boiler furnace pollution monitoring，puts forward the method of boiler hearth fouling monitoring based on the acoustic pyrometry and least squares support vector machine，in this method，we get the actual boiler furnace outlet gas temperature with acoustic pyrometry device and gain the potential cleaning outlet gas temperature under the practical operating condition with the least squares support vector machine，then using the two parameters define fouling characteristic parameter to show the conditions of boiler furnace fouling.Collect data from the power plant to train and certification the model，analyze the fouling characteristic parameter，results show that method of boiler hearth fouling monitoring based on the acoustic pyrometry and least squares support vector machine can more accurately realize boiler furnace fouling monitoring and it is a good foundation for furnace blowing optimization.

furnace outlet gas temperature；acoustic pyrometry；least squares support vector machine （LS－SV M）；characteristic parameters of fouling；fouling monitoring

T M621.2

A

2012－06－11。

國家自然科學基金項目 （50976034）；中央高?；究蒲袠I(yè)務(wù)費專項資金資助 （09QG43）。

馬美倩 （1987-），女，碩士研究生，主要從事電站鍋爐受熱面污染監(jiān)測的研究，E-mail：weixiaoangel＠126.com。