基于多層感知器神經(jīng)網(wǎng)絡(luò)的鍋爐再熱蒸汽溫度預(yù)測

陳剛，蒲靖凡，梅海龍，虞兵，張林，石川，譚鵬

(1.國電漢川發(fā)電有限公司，湖北 孝感431616；2.華中科技大學(xué)能源與動力工程學(xué)院煤燃燒國家重點實驗室，湖北 武漢430074)

0 引言

在“碳達(dá)峰，碳中和”的目標(biāo)下，能源結(jié)構(gòu)的轉(zhuǎn)型使得我國可再生能源裝機(jī)容量不斷提高。然而，新能源電廠存在許多不足之處，特別是負(fù)荷難以人為控制，風(fēng)力、水力、光照等受天氣和季節(jié)影響較大，因此還需要與火電廠相互配合[1－2]。在這種趨勢下，要解決新能源出力波動大問題，需要提高燃煤電廠的調(diào)峰調(diào)頻能力，這給燃煤電廠安全運行帶來挑戰(zhàn)[3]。

再熱蒸汽溫度是鍋爐重要運行參數(shù)之一。由于再熱蒸汽壓力較低，在相同的煙氣傳熱量擾動下，再熱蒸汽溫度的變化幅度會比主蒸汽溫度大；負(fù)荷變化會帶來汽輪機(jī)高壓缸排汽(也即再熱器入口)溫度及壓力的改變，增加了再熱蒸汽溫度控制的難度。因此，在鍋爐寬負(fù)荷靈活運行時極易導(dǎo)致再熱蒸汽溫度大幅波動。蒸汽溫度過高會導(dǎo)致受熱面超溫爆管[4]，而溫度過低則會影響機(jī)組經(jīng)濟(jì)性。當(dāng)前燃煤鍋爐再熱蒸汽溫度調(diào)節(jié)主要通過調(diào)節(jié)尾部煙道煙氣擋板改變再熱器側(cè)或過熱器側(cè)煙氣分配比例實現(xiàn)，噴水減溫由于對機(jī)組發(fā)電效率有較大影響而僅作為緊急調(diào)溫手段。采用煙氣擋板調(diào)節(jié)再熱蒸汽溫度時具有時滯大、非線性強(qiáng)的特點，在面對快速、大范圍變負(fù)荷運行時，采用傳統(tǒng)控制方法很難及時、精準(zhǔn)地控制煙氣擋板開度。提前預(yù)估再熱蒸汽溫度變化趨勢大大降低了再熱蒸汽溫度控制的難度，提升了再熱蒸汽溫度控制的準(zhǔn)確性。

在大數(shù)據(jù)算法、人工智能的推動下，數(shù)據(jù)挖掘、數(shù)據(jù)預(yù)測已經(jīng)運用于燃煤電廠主要運行參數(shù)的建模、預(yù)測以及控制，為再熱蒸汽溫度預(yù)測建模提供了手段。李勝男和金志遠(yuǎn)等利用長短時記憶神經(jīng)網(wǎng)絡(luò)(LSTM)，建立了燃煤鍋爐機(jī)組的主蒸汽溫度、再熱汽溫、爐膛出口NOx濃度、爐膛出口CO濃度的多參數(shù)協(xié)同預(yù)測模型以及再熱汽溫的多步預(yù)測模型[5－6]。趙佳鵬和Liu等構(gòu)建了基于LS－SVM的再熱蒸汽溫度模型，并發(fā)現(xiàn)在計算時間和精度上優(yōu)于BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)和常規(guī)SVM算法，同時在控制優(yōu)化中取得不錯的效果[7－8]。華菁云提出了一種時延計算算法對時延進(jìn)行評估，并基于深度神經(jīng)網(wǎng)絡(luò)和LightGBM的融合模型對再熱蒸汽溫度進(jìn)行建模[9]。Ning等基于深度神經(jīng)網(wǎng)絡(luò)(DNN)和遺傳算法(GA)，建立了再熱蒸汽溫度最優(yōu)多步時間特征選擇模型，DNN用于預(yù)測未來時間步長的再熱蒸汽溫度，GA用于尋找最優(yōu)延遲階數(shù)，實驗表明，該方法計算的最優(yōu)延遲階數(shù)具有較高的計算精度和較低的計算開銷[10]。

本文以某1 000 MW超超臨界燃煤鍋爐為研究對象，利用歷史運行數(shù)據(jù)，建立基于多層感知器神經(jīng)網(wǎng)絡(luò)(MLP)的再熱蒸汽溫度預(yù)測模型，并與長短時記憶神經(jīng)網(wǎng)絡(luò)(LSTM)以及支持向量機(jī)(SVM)進(jìn)行了對比。

1 研究對象與方法

1.1 研究對象

本文的研究對象為某1 000 MW超超臨界燃煤鍋爐。該鍋爐采用單爐膛Λ型布置方式、尾部雙煙道，爐膛采用內(nèi)螺紋管螺旋管圈＋混合集箱＋垂直管水冷壁，中速磨正壓直吹式制粉系統(tǒng)，配6臺磨煤機(jī)(5臺運行1臺備用)，裝設(shè)48只旋流式低NOx燃燒器，前后墻布置，對沖燃燒。過熱器為輻射對流式，再熱器純對流布置。過熱器采用水煤比＋兩級噴水調(diào)溫，再熱器采用尾部煙氣調(diào)節(jié)擋板＋事故噴水調(diào)溫。再熱器出口蒸汽溫度額定值為605℃，在50%～100%B－MCR負(fù)荷范圍再熱器出口蒸汽溫度偏差不超過±5℃。

鍋爐再熱蒸汽溫度受很多因素影響，主要因素有高壓缸排氣溫度、鍋爐負(fù)荷、再熱器側(cè)煙氣擋板開度、再熱器減溫水開度、鍋爐送風(fēng)量、受熱面清潔程度、火焰中心位置等。綜合考慮以上因素以及數(shù)據(jù)采集難度再熱蒸汽溫度預(yù)測模型的輸入為:當(dāng)前及過去時刻的負(fù)荷、給水流量、總?cè)剂狭俊⒌蜏卦贌崞魅肟跓煔鉁囟?、低溫過熱器入口煙氣溫度、再熱器減溫水開度、再熱器側(cè)煙氣擋板開度、再熱器入口蒸汽壓力、高溫再熱器入口蒸汽溫度、高溫再熱器出口蒸汽溫度。模型輸出為:下一時刻的高溫再熱器出口蒸汽溫度(即再熱蒸汽溫度)。共采集兩個月的運行數(shù)據(jù)，數(shù)據(jù)采樣周期為1 min，數(shù)據(jù)集總長度為95 041。數(shù)據(jù)集按時間步長劃分后進(jìn)行隨機(jī)打亂，取前80%為訓(xùn)練集，后20%為測試集。各參數(shù)變化范圍見表1。

表1 各參數(shù)單位及變化范圍

1.2 多層感知器神經(jīng)網(wǎng)絡(luò)

多層感知器神經(jīng)網(wǎng)絡(luò)(MLP)的概念最先由Rosenblatt于1952提出[11]。多層感知器神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)的一種，一般由一個輸入層、幾個隱藏層和一個輸出層組成。人工神經(jīng)網(wǎng)絡(luò)由一組輸出連接構(gòu)成[12]，每個連接都有對應(yīng)的權(quán)重，所有輸入經(jīng)過加權(quán)之后與偏置相加，通過激活函數(shù)來轉(zhuǎn)化輸出，使得其幅度范圍縮小到有限值[13]。其數(shù)學(xué)表達(dá)式為:

MLP神經(jīng)網(wǎng)絡(luò)的不同層之間是全連接的，如圖1所示。在輸入層有M個神經(jīng)元，則第1個隱藏層的輸出表達(dá)式為:

圖1 多層感知器神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

這個輸出又可以作為下一個隱藏層的輸入，隱藏層中任何神經(jīng)元的輸出表達(dá)式為:

式中，Wm，k1表示輸入層和隱藏層神經(jīng)元之間的權(quán)重，M和Kh分別表示輸入層和第h個隱藏層神經(jīng)元的數(shù)量，N則表示隱藏層的個數(shù)。

輸出層神經(jīng)元是通過對最后一個隱藏層加權(quán)求和得到的，其表達(dá)式為:

1.3 基于多層感知機(jī)的再熱蒸汽溫度預(yù)測建模

為了避免各輸入?yún)?shù)由于數(shù)量級和變化范圍不同所導(dǎo)致的建模效果不佳，對輸入?yún)?shù)進(jìn)行歸一化處理。引入EarlyStopping[14]方法避免過擬合，該方法可根據(jù)指定的評價標(biāo)準(zhǔn)及時停止模型的訓(xùn)練。當(dāng)連續(xù)n代訓(xùn)練模型的評價低于之前訓(xùn)練的最好結(jié)果時，立即停止模型的訓(xùn)練，這樣就可以避免繼續(xù)訓(xùn)練導(dǎo)致誤差繼續(xù)增大。激活函數(shù)選用線性整流函數(shù)(relu)。采用Adam優(yōu)化器對MLP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。Adam是一種基于低階矩自適應(yīng)估計的一階梯度隨機(jī)目標(biāo)函數(shù)優(yōu)化算法，該方法易于實現(xiàn)，計算效率高，內(nèi)存需求少，非常適合于數(shù)據(jù)或參數(shù)較大的問題，同時也適用于非平穩(wěn)目標(biāo)和非常嘈雜或稀疏梯度的問題。超參數(shù)有直觀的解釋，通常需要很少的調(diào)整。文獻(xiàn)[15]將Adam的各參數(shù)設(shè)置為:學(xué)習(xí)率0.001；1階矩估計的指數(shù)衰減率0.9；2階矩估計的指數(shù)衰減率0.999；模糊因子10－8。

使用三個評價標(biāo)準(zhǔn)對模型進(jìn)行評價，分別為均方誤差(MSE)、平均相對誤差(MRE)及相關(guān)系數(shù)(r)，其公式分別為:

式中，y＾l、Y＾表示預(yù)測值，yi、Y表示實際值。

2 結(jié)果與分析

2.1 計算結(jié)果

采用基于多層感知機(jī)對再熱蒸汽溫度預(yù)測建模需對時間步長、網(wǎng)絡(luò)層數(shù)、隱藏層節(jié)點數(shù)及訓(xùn)練批次數(shù)據(jù)量大小進(jìn)行優(yōu)化。時間步長優(yōu)化如圖2所示，計算時采用雙層感知器，隱藏層節(jié)點數(shù)為32，將每次訓(xùn)練抓取的數(shù)據(jù)量(batch＿size)設(shè)置為256。由圖可以看出，時間步長設(shè)置太小或太大都會導(dǎo)致MSE較大，當(dāng)時間步長為2或3時，訓(xùn)練集和測試集的MSE較小。在保證模型精度的情況下，考慮計算所需時間和資源，最終選擇時間步長為2，即取當(dāng)前時刻及上一時刻數(shù)據(jù)作為模型輸入。

圖2 時間步長調(diào)參結(jié)果

多層感知器的隱藏層調(diào)參結(jié)果如圖3所示，其中時間步長為2，隱藏層節(jié)點數(shù)為32，將每次訓(xùn)練抓取的數(shù)據(jù)量(batch＿size)設(shè)置為256。由圖可以看出，單層感知器即可滿足精度要求，隨著層數(shù)的增加，MSE逐漸增大，過擬合現(xiàn)象越來越嚴(yán)重。綜合考慮，最終選用單層感知器。

圖3 多層感知機(jī)層數(shù)調(diào)參結(jié)果

多層感知器的隱藏層節(jié)點數(shù)調(diào)參結(jié)果如圖4所示，其中時間步長為2，隱藏層數(shù)為1，將每次訓(xùn)練抓取的數(shù)據(jù)量(batch＿size)設(shè)置為256。由圖可以看出，隱藏層節(jié)點數(shù)較小時精度較高，隨著節(jié)點數(shù)的增加，MSE逐漸增大，過擬合現(xiàn)象也是越來越嚴(yán)重。綜合考慮，最終選用隱藏層節(jié)點數(shù)為32。

圖4 隱藏層節(jié)點數(shù)調(diào)參結(jié)果

多層感知器的每次訓(xùn)練抓取的數(shù)據(jù)量(batch＿size)調(diào)參結(jié)果如圖5所示，其中時間步長為2，隱藏層數(shù)為1，隱藏層節(jié)點數(shù)為32。由圖可以看出，抓取的數(shù)據(jù)量大于32時訓(xùn)練集和測試集的MSE都相差不大。隨著抓取的數(shù)據(jù)量的增多，每一代的訓(xùn)練時間越少，而代與代之間的收斂越慢。綜合考慮，最終選用抓取的數(shù)據(jù)量為64。

圖5 抓取的數(shù)據(jù)量調(diào)參結(jié)果

經(jīng)過對模型參數(shù)的調(diào)整，最終選用單層感知器，時間步長為2，隱藏層數(shù)為1，隱藏層節(jié)點數(shù)為32，激活函數(shù)選用線性整流函數(shù)(relu)，每次訓(xùn)練抓取的數(shù)據(jù)量(batch＿size)為64。其訓(xùn)練過程如圖6所示，可以看出，在第30—35代的評價指標(biāo)已不下降，并在35代時停止了訓(xùn)練，用時約35s，因此MLP的訓(xùn)練過程收斂很快。

圖6 MLP訓(xùn)練過程

由于數(shù)據(jù)量過大，無法完全顯示于圖上，故隨機(jī)選取了部分訓(xùn)練集和測試集的預(yù)測值與實際值，以差值作為誤差，如圖7所示?？梢钥闯?，總體上預(yù)測值與實際值基本重合，在再熱蒸汽溫度較低時也能很好地進(jìn)行預(yù)測，絕對誤差在0附近波動，波動范圍不大，說明MLP所訓(xùn)練出來的模型有很好的預(yù)測能力。

圖7 再熱蒸汽溫度預(yù)測效果

圖8 為訓(xùn)練集和測試集的預(yù)測值與實際值之間誤差的頻率分布圖，可以很明顯地看出不論是訓(xùn)練集還是測試集的誤差都基本呈期望為0的正態(tài)分布。約有93.0%訓(xùn)練集和93.3%測試集樣本的誤差絕對值位于－1.5～1.5℃之間，其中有49.1%訓(xùn)練集和49.2%測試集樣本的誤差絕對值位于－0.5～0.5℃。

圖8 MLP模型訓(xùn)練誤差與分布比例

2.2 再熱蒸汽溫度預(yù)測建模效果對比

除MLP外，還采用LSTM和SVM對再熱蒸汽溫度進(jìn)行了建模。表2顯示了不同建模方法的預(yù)測效果，MLP訓(xùn)練模型的訓(xùn)練集和測試集的MSE、MRE及r的效果都較好，且訓(xùn)練集和測試集的預(yù)測效果相差不大，訓(xùn)練用時也較短；LSTM訓(xùn)練模型的MSE都小于0.8℃，MRE都為0.001%，r大于0.989，但綜合訓(xùn)練效果均差于MLP，用時也較MLP長；SVM訓(xùn)練模型的訓(xùn)練集預(yù)測效果較好，其MSE低至0.309℃，但其測試集的MSE高至1.728℃，普適性很差，訓(xùn)練用時大于25 min，總體而言預(yù)測效果不佳。綜上，MLP的預(yù)測效果要好于LSTM及SVM。

表2 不同建模方法的預(yù)測效果對比

3 結(jié)語

本文以某1 000 MW超超臨界燃煤鍋爐為研究對象，建立基于多層感知器神經(jīng)網(wǎng)絡(luò)的再熱蒸汽溫度預(yù)測模型。結(jié)果表明，MLP訓(xùn)練模型的均方誤差小于0.71℃，平均相對誤差小于0.001%，相關(guān)系數(shù)大于0.991，相較于LSTM和SVM模型，具有更好的預(yù)測精度，泛化效果且訓(xùn)練用時很短，能夠很好地對再熱蒸汽溫度進(jìn)行預(yù)測，將該模型預(yù)測結(jié)果引入控制器有助于提高再熱蒸汽溫度控制品質(zhì)。