基于MSET診斷技術(shù)鍋爐受熱面泄漏預(yù)測(cè)算法建模及實(shí)踐

董云先 王承亮 宋巖 王曉杰 石德勝 宋峰

摘? ?要：火電廠鍋爐受熱面泄漏事故不僅發(fā)生幾率高、普遍性強(qiáng)，而且影響較大，直接影響接帶電量及經(jīng)營(yíng)目標(biāo)的完成;另外在脫硝SCR投運(yùn)后，若不及時(shí)發(fā)現(xiàn)爐膛內(nèi)部受熱面泄漏，當(dāng)泄漏量較大煙氣含水率提高后將會(huì)導(dǎo)致SCR催化劑中毒的嚴(yán)重后果，所以如何根據(jù)現(xiàn)有DCS數(shù)據(jù)進(jìn)行受熱面泄漏預(yù)測(cè)，將變得非常有意義。本文以某單位1000MW機(jī)組鍋爐屏過(guò)受熱面為研究對(duì)象，研究基于MSET診斷技術(shù)鍋爐屏過(guò)受熱面泄漏預(yù)測(cè)算法建模，通過(guò)受熱面泄漏關(guān)聯(lián)因素因素分析，最終確定了以屏過(guò)受熱面壁溫作為模型輸入因素，經(jīng)過(guò)模型訓(xùn)練，成功了預(yù)測(cè)了鍋爐屏過(guò)受熱面泄漏事故，驗(yàn)證了通過(guò)該預(yù)測(cè)算法模型預(yù)測(cè)屏過(guò)受熱面泄漏的可行性。

關(guān)鍵詞：MEST? 泄漏? 受熱面? 預(yù)測(cè)? 算法? 建模

中圖分類號(hào)：TM62? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A? ? ? ? ? ? ? ? ? ? ? ? 文章編號(hào)：1674-098X（2019）05（a）-0106-03

Abstract： The leakage accident of the heating surface of the thermal power plant boiler not only has a high probability， is universal， but also has a large impact， directly affecting the completion of the power supply and the completion of the business objectives. In addition， after the denitration SCR is put into operation， if the internal heating surface of the furnace is not leaked in time， the large amount of leakage will increase the moisture content of the flue gas， which will lead to serious consequences of SCR catalyst poisoning， So how to predict the leakage of the heated surface based on the existing DCS data will become very meaningful.In this paper， the heating surface of the boiler superheater of a 1000MW unit is taken as the research object， and the leakage prediction algorithm of the screen superheater based on the MSET diagnostic technology boiler is studied. The factors related to the leakage of the heated surface leakage are finally determined. The wall temperature of the heated surface of the superheater was used as the model input factor. After the model training， the accident of the heating surface leakage of the boiler screen superheater was successfully predicted. The feasibility of predicting the leakage of the heated surface of the screen superheater by the prediction algorithm model was verified.

Key Words： MEST; Leakage; Heated surface; Prediction; Algorithm; Modeling

火電廠鍋爐正常運(yùn)行中會(huì)發(fā)生爐膛爆炸、尾部煙道再燃燒、爐膛滅火、受熱面泄漏等影響安全生產(chǎn)的事故，但通過(guò)統(tǒng)計(jì)發(fā)現(xiàn)，從發(fā)生幾率比較、普遍性等角度分析，鍋爐受熱面泄漏事故就凸顯出來(lái)，具體體現(xiàn)在：它不僅發(fā)生幾率高、普遍性高，而且影響較大，受熱面泄漏事故停機(jī)處理至少10d以上，直接影響接帶電量及經(jīng)營(yíng)目標(biāo)的完成;另外，尤其在脫硝SCR投運(yùn)后，若不及時(shí)發(fā)現(xiàn)爐膛內(nèi)部受熱面泄漏，當(dāng)泄漏量較大煙氣含水率提高后將會(huì)導(dǎo)致SCR催化劑中毒的嚴(yán)重后果。故本文以某單位1000MW機(jī)組泄漏幾率較大的屏過(guò)受熱面為研究對(duì)象，研究基于MSET診斷技術(shù)鍋爐屏過(guò)受熱面泄漏預(yù)測(cè)算法建模，通過(guò)模型算法來(lái)預(yù)測(cè)屏過(guò)受熱面泄漏情況，以便為電廠設(shè)備檢修和運(yùn)行人員提供重要操作依據(jù)。

1? 鍋爐型式

某公司2號(hào)機(jī)組為1050MW燃煤汽輪發(fā)電機(jī)組，鍋爐由東方鍋爐（集團(tuán)）股份有限公司制造， 鍋爐為型號(hào)：DG3000/26.15-Ⅱ1型高效超超臨界參數(shù)變壓直流爐，采用單爐膛、一次中間再熱、平衡通風(fēng)、運(yùn)轉(zhuǎn)層以上露天布置、固態(tài)排渣、全鋼構(gòu)架、全懸吊結(jié)構(gòu)Π型鍋爐。

2? 研究對(duì)象的確定

通過(guò)對(duì)近5年某單位2號(hào)鍋爐受熱面泄漏事件分析，發(fā)現(xiàn)鍋爐屏過(guò)受熱面發(fā)生泄漏的比例占到40%左右，故本項(xiàng)目將鍋爐屏過(guò)受熱面作為泄漏預(yù)測(cè)算法建模的研究對(duì)象。

3? 預(yù)測(cè)算法建模機(jī)理

本研究擬采用基于MSET機(jī)理的預(yù)測(cè)算法建模。MSET（Multivariate State Estimation Technique）是由Singer等提出的一種非線性的多元預(yù)測(cè)診斷技術(shù)，是一種通過(guò)分析對(duì)比實(shí)際監(jiān)測(cè)參數(shù)與設(shè)備正常運(yùn)行時(shí)的健康數(shù)據(jù)為基礎(chǔ)，對(duì)正常運(yùn)行時(shí)的各個(gè)參數(shù)進(jìn)行運(yùn)算并做出估計(jì)，以這種正常的狀態(tài)估計(jì)作為標(biāo)準(zhǔn)[1]。當(dāng)?shù)玫綄?shí)際的運(yùn)行數(shù)據(jù)時(shí)，同樣以健康數(shù)據(jù)為基礎(chǔ)，并找到實(shí)際數(shù)據(jù)與健康數(shù)據(jù)的關(guān)聯(lián)程度，以此對(duì)實(shí)際運(yùn)行狀態(tài)做出估計(jì)，這種“程度”是通過(guò)權(quán)值向量來(lái)決定的，用于衡量實(shí)際狀態(tài)與正常狀態(tài)的相似性。最終對(duì)健康狀態(tài)與實(shí)際運(yùn)行狀態(tài)的估計(jì)結(jié)果進(jìn)行對(duì)比分折，并引入殘差的概念，最終進(jìn)行診斷。目前在核電站傳感器校驗(yàn)、設(shè)備監(jiān)測(cè)、電子產(chǎn)品壽命預(yù)測(cè)等方面有成功的應(yīng)用。

（1）預(yù)測(cè)算法建模機(jī)理。

假設(shè)某一設(shè)備的“相關(guān)變量集”中共有n個(gè)相互關(guān)聯(lián)的變量，將在某一時(shí)刻i觀測(cè)到的這n個(gè)變量記為觀測(cè)向量，即：

X（i）=[x1 x2…xn ]^T? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（1）

過(guò)程記憶矩陣D的構(gòu)造是MSET建模的第一個(gè)步驟。在該過(guò)程或設(shè)備正常工作的時(shí)段內(nèi)，在不同運(yùn)行工況下采集m個(gè)歷史觀測(cè)向量，組成過(guò)程記憶矩陣為

（2）

過(guò)程記憶矩陣中的每一列觀測(cè)向量代表設(shè)備的一個(gè)正常工作狀態(tài)[2]。經(jīng)過(guò)合理選擇的過(guò)程記憶矩陣中的m個(gè)歷史觀測(cè)向量所張成的子空間（用D代表）能夠代表過(guò)程或設(shè)備正常運(yùn)行的整個(gè)動(dòng)態(tài)過(guò)程。因此，過(guò)程記憶矩陣的構(gòu)造實(shí)質(zhì)就是對(duì)過(guò)程或設(shè)備正常運(yùn)行特性的學(xué)習(xí)和記憶過(guò)程。MSET模型的輸入為某一時(shí)刻過(guò)程或設(shè)備的新觀測(cè)向量Xobs，模型的輸出為對(duì)該輸入向量的預(yù)測(cè)值Xest。對(duì)任何一個(gè)輸入觀測(cè)向量Xobs，MSET生成一個(gè)m維的權(quán)值向量為：

（3）

使得：

（4）

即MSET模型的預(yù)測(cè)輸出為過(guò)程記憶矩陣中m個(gè)歷史觀測(cè)向量的線性組合。權(quán)值向量W采用以下方法確定。構(gòu)造MSET模型輸入觀測(cè)向量和輸出預(yù)測(cè)向量之間的殘差為：

ε=Xobs-Xest? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （5）

選擇W使殘差的平方和達(dá)到最小的算法進(jìn)行模型訓(xùn)練學(xué)習(xí)，通過(guò)大量樣本數(shù)據(jù)的模型訓(xùn)練學(xué)習(xí)，得到可以進(jìn)行預(yù)測(cè)的算法模型。

（2）模型預(yù)測(cè)機(jī)理。

當(dāng)模型新的輸入觀測(cè)向量是在過(guò)程或設(shè)備正常工作狀態(tài)獲得的，由于過(guò)程記憶矩陣覆蓋了過(guò)程和設(shè)備的正常工作空間，該新觀測(cè)向量總會(huì)和過(guò)程記憶矩中某些歷史觀測(cè)向量相似[3]，這些相似歷史觀測(cè)向量的組合可以對(duì)輸入給出精度很高的預(yù)測(cè)值。模型預(yù)測(cè)的精度可以用某變量的預(yù)測(cè)值和該變量的實(shí)際測(cè)量值之間的殘差來(lái)衡量。

ε=x_est - x_n? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （6）

式中：x_n為MSET模型新輸入觀測(cè)向量的第n個(gè)變量的實(shí)際測(cè)量值;x_est為MSET模型輸出的x_n預(yù)測(cè)值。當(dāng)過(guò)程或設(shè)備工作狀態(tài)發(fā)生變化出現(xiàn)故障隱患時(shí)，由于動(dòng)態(tài)特性的改變，輸入觀測(cè)向量將偏離正常工作空間，其與D矩陣中歷史觀測(cè)向量均不相似[4]，通過(guò)D矩陣中歷史觀測(cè)向量的組合無(wú)法構(gòu)造其對(duì)應(yīng)的精確預(yù)測(cè)值，將會(huì)導(dǎo)致預(yù)測(cè)精度下降、殘差增大。

（3）殘差分析機(jī)理。

由于在訓(xùn)練過(guò)程中采集了大量的歷史值以及通過(guò)上述算法得到一系列評(píng)估值，因此，通過(guò)兩者之差會(huì)得到每個(gè)測(cè)點(diǎn)的殘差序列。若在某機(jī)組設(shè)備正常運(yùn)行下，可以得到全工況下的數(shù)據(jù)，因此，通過(guò)統(tǒng)計(jì)每個(gè)測(cè)點(diǎn)的殘差值上下限閾值會(huì)得到整個(gè)設(shè)備在正常運(yùn)行過(guò)程中的正常值范圍。因此，如果實(shí)時(shí)值與其評(píng)估值偏離殘差閾值的范圍，則當(dāng)前運(yùn)行過(guò)程可能發(fā)生異常，需要運(yùn)行人重點(diǎn)關(guān)注跟蹤，防止大的故障發(fā)生。

4? 預(yù)測(cè)算法建模輸入因子確定

預(yù)測(cè)算法已經(jīng)確定，那么根據(jù)什么特征數(shù)據(jù)來(lái)確定鍋爐屏過(guò)受熱面泄漏異常，也就是用哪些數(shù)據(jù)進(jìn)行模型訓(xùn)練，算法模型能得到相對(duì)準(zhǔn)確、及時(shí)的預(yù)測(cè)鍋爐屏過(guò)受熱面泄漏事件。

鍋爐屏過(guò)受熱面泄漏初期會(huì)對(duì)泄漏區(qū)域煙氣溫度、泄漏管屏蒸汽溫度產(chǎn)生直接影響，但是還沒(méi)有導(dǎo)致屏過(guò)后煙溫降低、屏過(guò)出口蒸汽溫度升高等宏觀變化;故根據(jù)以上分析，能及時(shí)或超前“感知”屏過(guò)受熱面微泄漏的DCS數(shù)據(jù)就是屏過(guò)受熱面管壁溫度;因屏過(guò)受熱面管壁溫度是通過(guò)測(cè)量屏過(guò)管排出口蒸汽管溫度修正后間接測(cè)量管壁溫度的，所以屏過(guò)受熱面管壁溫度直接反映其泄漏或異常變形情況。2號(hào)爐屏過(guò)受熱面共有30個(gè)管壁溫度測(cè)點(diǎn)，故本研究將屏過(guò)受熱面30個(gè)壁溫測(cè)點(diǎn)作為預(yù)測(cè)算法模型的輸入因子。

5? 預(yù)測(cè)算法訓(xùn)練建模

建模測(cè)點(diǎn)：以2號(hào)爐鍋爐屏過(guò)受熱面30個(gè)管壁溫度測(cè)點(diǎn)測(cè)量值作為預(yù)測(cè)算法建模輸入訓(xùn)練因子。

建模時(shí)間：2016-10-01 00：00：00—2017-1.17 00：00：00;將此段時(shí)間段30個(gè)輸入因子輸入已建立算法模型進(jìn)行訓(xùn)練建模;取數(shù)間隔：60s。

6? 預(yù)測(cè)算法模型測(cè)試

為驗(yàn)證預(yù)算算法模型，將2017-1.17 00：00：00--2017.3.15 00：00：00時(shí)間段30個(gè)鍋爐屏過(guò)受熱面管壁溫度測(cè)點(diǎn)測(cè)量值與模型預(yù)測(cè)值進(jìn)行殘差對(duì)比分析。如圖1所示，選取爐屏過(guò)壁溫30為例，2019年1月17日-1月18日，屏式過(guò)熱器正常運(yùn)行，因此，預(yù)測(cè)全部為正常，*號(hào)全部為0。

7? 泄漏事件預(yù)測(cè)

通過(guò)運(yùn)行現(xiàn)場(chǎng)確認(rèn)，鍋爐屏過(guò)受熱面真實(shí)泄漏時(shí)間為2017.3.13 10：50;通過(guò)試驗(yàn)驗(yàn)證通過(guò)管壁溫度建立的預(yù)測(cè)算法模型預(yù)測(cè)受熱面泄漏的做法是可行的。選取爐屏過(guò)壁溫30實(shí)時(shí)值與評(píng)估值圖形展示見(jiàn)圖1。

為了驗(yàn)證算法報(bào)警不是一直報(bào)警，而是在停機(jī)或發(fā)生故障時(shí)發(fā)生報(bào)警。測(cè)試數(shù)據(jù)所選取有一部分為正常數(shù)據(jù)（2019年1月17日-1月19日）;從2019年1月19日開(kāi)始停機(jī)一直到2019年3月13日8：30起機(jī)，算法一直報(bào)警。

如圖1和圖2所示，從2017.3.13 8：30開(kāi)始算法仍然一直在報(bào)警，直到2017.3.13 16：00左右，隨后起機(jī)起來(lái);2017.3.13 18：00-3.14 04：00從數(shù)據(jù)上說(shuō)這部分?jǐn)?shù)正常的。之后，隨著故障的發(fā)生又發(fā)生停機(jī)，2017.3.14 04：00以后基本上又開(kāi)始報(bào)警。因此，算法模型從2017.3.13 8：30開(kāi)始發(fā)出預(yù)警比真實(shí)發(fā)生泄漏故障的時(shí)間2017.3.13 10：50提前2小時(shí)20分，達(dá)到預(yù)警的目的。因此，從算法角度，可以提前檢測(cè)到故障的發(fā)生。

8? 結(jié)語(yǔ)

本文針對(duì)如何進(jìn)行火電廠鍋爐受熱面泄漏超前預(yù)警進(jìn)行了研究，以某單位2號(hào)爐屏過(guò)受熱面為研究對(duì)象，通過(guò)基于MSET診斷技術(shù)以屏過(guò)受熱面壁溫建立泄漏預(yù)測(cè)算法模型，并進(jìn)行了模型訓(xùn)練建模及測(cè)試，通過(guò)管壁溫度測(cè)量值與預(yù)測(cè)值對(duì)比及殘差分析，預(yù)測(cè)效果良好，并預(yù)測(cè)了一次屏過(guò)受熱面泄漏異常，表明此算法建模用來(lái)預(yù)測(cè)受熱面泄漏是可行的，為鍋爐受熱面泄漏超前預(yù)警積累了經(jīng)驗(yàn)。

參考文獻(xiàn)

[1] 李鐵才，李西峙.相似性和相似原理[M].哈爾濱：哈爾濱工業(yè)大學(xué)出版社，2014.

[2] 劉鑫沛.基于相似性建模的發(fā)電設(shè)備故障預(yù)警方法[D].華北電力大學(xué)，2014.

[3] 金海峰，熊信艮，吳耀武.基于相似性原理的短期負(fù)荷預(yù)測(cè)方法[J].電力系統(tǒng)自動(dòng)化，2001，25（23）：45-48.

[4] 郭康維.基于相似性建模的鍋爐一次風(fēng)機(jī)故障預(yù)警研究[D].華北電力大學(xué)，2014.