基于人工智能的鍋爐受熱面管壁溫度預測

（1.河北涿州京源熱電有限責任公司，河北涿州 072750；2.華北電力大學能源與動力工程學院，北京 102206）

0 引言

從目前國內(nèi)投運的超（超）臨界機組鍋爐運行情況看，受熱面的爆管事故較為突出［1-2］，而爆管事故大多與運行過程中受熱面管道超溫有關(guān)。受熱面超溫運行會大幅度降低耐熱材料的許用應力和蠕變壽命，結(jié)合負荷變動、煤種差異、腐蝕等因素，最終導致受熱面泄漏［3-6］。為了監(jiān)測受熱面超溫情況，燃煤鍋爐受熱面出口的爐外管圈上均設(shè)有管壁溫度測點，通過設(shè)置合理的報警值來對鍋爐的運行進行預警。但僅依靠超溫報警的監(jiān)控方式，無法對鍋爐的長期壁溫變化趨勢進行判斷與分析，無法掌握運行中的受熱面健康狀況。因此，如何建立較為準確的過熱器管壁溫預測方法及預測模型，分析預測值與實際運行值的偏差，對于保證鍋爐受熱面安全運行、提高受熱面的使用壽命尤為重要。

目前，傳統(tǒng)的壁溫計算還是基于前蘇聯(lián)熱力計算標準，標準中使用了大量的經(jīng)驗公式及數(shù)據(jù)，導致工況變化時的壁溫計算誤差相對較大［7-9］。更多學者為了得到更為準確的爐內(nèi)煙氣場及溫度場分布情況，開始利用有限元數(shù)值模擬的方法，但有限元計算時鍋爐屏區(qū)傳熱的模擬還沒有十分理想的仿真方法［10］。隨著人工智能技術(shù)的發(fā)展，工業(yè)設(shè)備狀態(tài)分析與診斷技術(shù)得到了快速發(fā)展，Dhanuskodia等［11］在試驗數(shù)據(jù)的基礎(chǔ)上，建立了水冷壁壁溫和流體溫度的人工神經(jīng)網(wǎng)絡(luò)模型。金秀章等［12］提出了基于最小二乘支持向量機的鍋爐爐膛溫度模型。Chang 等［13］提出了基于人工神經(jīng)網(wǎng)絡(luò)的超臨界水傳熱預測模型。

在對火電機組中具有高度耦合、大慣性和大延遲特性熱力設(shè)備進行狀態(tài)分析時，神經(jīng)網(wǎng)絡(luò)方法得到了廣泛應用。但火電機組的運行需要根據(jù)電網(wǎng)的負荷進行動態(tài)調(diào)整，機組運行總是處于“過渡—穩(wěn)定—過渡”的循環(huán)狀態(tài)，當機組處于過渡狀態(tài)時，鍋爐內(nèi)部流場的擾動會使監(jiān)測運行的傳感器數(shù)值劇烈波動，采集得到的數(shù)據(jù)質(zhì)量較差。因此，作為訓練模型的輸入樣本應盡量選擇穩(wěn)定負荷數(shù)據(jù)。數(shù)據(jù)的穩(wěn)態(tài)檢測問題由Narasimhan 等［14］于20 世紀80 年代提出，盡管穩(wěn)態(tài)檢測方法的應用有助于提高實際生產(chǎn)的安全性和高效性，但目前僅有為數(shù)不多的檢測方法被提出并應用到實際生產(chǎn)中［15-18］。

本文通過大數(shù)據(jù)方法，對某350 MW 超臨界機組的運行數(shù)據(jù)進行清洗，得到高質(zhì)量輸入樣本數(shù)據(jù)，利用長短期記憶（LSTM）神經(jīng)網(wǎng)絡(luò)方法對樣本數(shù)據(jù)進行學習和訓練，建立鍋爐過熱器壁溫預測模型，最后通過預測數(shù)據(jù)與實際運行數(shù)據(jù)的偏差閾值來判斷管道的運行異常。對于鍋爐受熱面的安全運行具有一定的參考價值。

1 壁溫預測模型的建立

火電廠鍋爐是一個多參量高度耦合的復雜系統(tǒng)，影響鍋爐受熱面壁溫的因素眾多，不同的參數(shù)對壁溫的影響程度也不一樣。合理的壁溫預測模型建立的前提是可靠的模型訓練樣本，對于電站鍋爐來說，可靠的樣本數(shù)據(jù)應滿足以下2 點：（1）選取樣本需要和鍋爐壁溫具有高度相關(guān)性；（2）樣本數(shù)據(jù)中不應包含對壁溫具有高度干擾的運行參數(shù)，尤其是吹灰器運行時對應的受熱面壁溫數(shù)據(jù)。

1.1 壁溫影響因素分析

鍋爐過熱器爆管大多發(fā)生在屏式過熱器、高溫過熱器和高溫再熱器上［7］，尤其是高溫過熱器以及高溫再熱器，運行環(huán)境最為惡劣。從機理上看，影響壁溫的主要因素包括煙氣側(cè)吸熱偏差、蒸汽側(cè)流量偏差以及結(jié)構(gòu)偏差。以某350 MW 機組為例，鍋爐為前后墻對沖形式，影響煙氣側(cè)吸熱量的主要因素共10個，包括總給煤量、爐膛總風量、二次風調(diào)節(jié)閥位（A—E 層）、燃盡風調(diào)節(jié)閥位（前墻和后墻）、尾部煙氣擋板調(diào)節(jié)閥位；影響蒸汽側(cè)流量的主要因素共6個，有主蒸汽焓值（通過壓力及溫度計算得到）、流量、過熱器一/二級減溫水焓值及流量；鍋爐運行狀態(tài)的影響因素共5 個，包括風煤比、水煤比、風水比、發(fā)電機有功功率，總計21個變量（針對某個具體受熱面，如本文的某級過熱器，取以上變量中的19個變量）。但是，在建立預測模型時，過多的變量會使得神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)過于復雜，同時會影響網(wǎng)絡(luò)的收斂速度，因此有必要對所選樣本數(shù)據(jù)進行分析，提取對壁溫影響較大的相關(guān)變量作為模型的輸入變量。

1.2 穩(wěn)態(tài)歷史數(shù)據(jù)篩選

輸入樣本的數(shù)據(jù)質(zhì)量對訓練模型的可靠性至關(guān)重要，本文在對數(shù)據(jù)進行穩(wěn)定判斷時采用張尚志等［19］提出的滑動判別算法?；瑒优袆e算法是基于尋找時間序列穩(wěn)態(tài)段而設(shè)計的，通過逐點遍歷的方法，沿時間維度滑動，判別各點數(shù)據(jù)是否處于穩(wěn)態(tài)。設(shè)有一維向量X

則認為xi為非穩(wěn)態(tài)數(shù)據(jù)，反之則認為其是穩(wěn)態(tài)數(shù)據(jù)（其中：H為滑動窗口寬度；K為窗口中數(shù)據(jù)偏離比例）。當xi被判斷為非穩(wěn)態(tài)點時，數(shù)據(jù)點xi-H～xi+H所對應的權(quán)重向量W元素分別加1。向量X中的所有元素都經(jīng)過穩(wěn)態(tài)判斷后，對權(quán)重向量W中的元素進行判斷，當其大于某一閾值時，則其對應的向量X中的元素xi為非穩(wěn)態(tài)點，反之為穩(wěn)態(tài)點。對某350 MW機組的歷史負荷曲線進行數(shù)據(jù)篩選，設(shè)K為5%，滑動窗口寬帶為10 min；對周期為1 min的原始數(shù)據(jù)進行篩選，部分結(jié)果如圖1所示。

圖1 穩(wěn)定負荷判斷Fig.1 Steady load judgment

1.3 輸入變量篩選

本文利用灰色關(guān)聯(lián)分析法對模型的多個輸入變量進行降維處理，其核心是按照一定規(guī)則確立隨時間變化的母序列，把各個評估對象隨時間的變化作為子序列，求各個子序列與母序列的相關(guān)程度，依照相關(guān)性大小得出結(jié)論。

設(shè)X0={x0(t)|t= 1，2，3，…，n}為參考序列，設(shè)有m個比較序列Xu，可寫為

對所選19個參數(shù)進行關(guān)聯(lián)度分析，結(jié)果見表1。設(shè)定關(guān)聯(lián)度閾值為0.70，得到與出口壁面溫度具有強相關(guān)的10個變量作為神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)。

表1 受熱面出口管壁溫度關(guān)聯(lián)度Table 1 Analysis on the correlation degree with tube wall temperature at the heater outlet

1.4 反向傳播（BP）神經(jīng)網(wǎng)絡(luò)預測模型

BP 算法是一種最有效的多層神經(jīng)網(wǎng)絡(luò)學習方法，其主要特點是信號前向傳遞，而誤差后向傳播，通過不斷調(diào)節(jié)網(wǎng)絡(luò)權(quán)重值，使得網(wǎng)絡(luò)的最終輸出與期望輸出盡可能接近，以達到訓練的目的［13］。通常一個多層神經(jīng)網(wǎng)絡(luò)由L層神經(jīng)元組成，第1 層為輸入層，最后一層（第L層）為輸出層，其他各層均為隱含層，如圖2所示。

圖2 BP神經(jīng)網(wǎng)絡(luò)傳播關(guān)系Fig.2 BP neural network propagation

本文采用3 層神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)，如圖3 所示。輸入層變量為表1 中關(guān)聯(lián)度大于0.7 的10 個變量；隱含層節(jié)點數(shù)根據(jù)柯爾莫哥洛夫（Kolmogorov）定理選取為21 個；輸出層為高溫過熱器出口處管壁溫度。

2 模型驗證與分析

2.1 樣本數(shù)據(jù)處理

本文以某350 MW 等級超臨界鍋爐過熱器第10屏和第35 屏的管壁溫度為預測對象。選取表1 中關(guān)聯(lián)度大于0.7 的10 個變量作為神經(jīng)網(wǎng)絡(luò)輸入端，構(gòu)建圖3所示的神經(jīng)網(wǎng)絡(luò)。

圖3 BP神經(jīng)網(wǎng)絡(luò)模型Fig.3 BP neural network model

利用式（3）對圖3 中10 個輸入數(shù)據(jù)的歷史數(shù)據(jù)進行篩選，篩選結(jié)構(gòu)見表2。

表2 聚類處理后的神經(jīng)網(wǎng)絡(luò)訓練樣本Table 2 Neural network training samples after clustering

由表2 可以看出，每個時間段的負荷值相差不大，最大與最小負荷差值小于5 MW，對數(shù)據(jù)進行聚類處理，得到每個時段數(shù)據(jù)的聚類值。共得到樣本數(shù)據(jù)1 928 條，其中80%的數(shù)據(jù)量作為訓練樣本，20%數(shù)據(jù)作為測試樣本。

2.2 預測及分析

在確定輸入層參數(shù)并進行數(shù)據(jù)清洗和聚類分析的基礎(chǔ)上，通過引入Keras 開源深度學習庫，實現(xiàn)LSTM 神經(jīng)網(wǎng)絡(luò)的搭建［10，20］。采用均方根誤差和平均絕對誤差作為模型的評價指標。訓練集和驗證集的損失值變化趨勢如圖4 所示。通過圖4 可看出，模型經(jīng)過20 次訓練后損失值大幅降低，在第20～35 次訓練階段損失函數(shù)基本保持平穩(wěn)，基本上在15次訓練后即可達到滿意的效果。

圖4 損失值變化趨勢Fig.4 Variation of loss value

利用訓練好的模型，對過熱器第35 屏第7 根管的溫度進行仿真，仿真結(jié)果如5 圖所示。由圖5 可以看出，本文模型可以較好地模擬出金屬壁溫的變化趨勢，其中最大誤差為4.9 ℃，滿足工程需要。

圖5 測量值與仿真值對比Fig.5 Comparison of measured values and predicted values

3 結(jié)論

本文通過穩(wěn)態(tài)負荷篩選、輸入?yún)⒘肯嚓P(guān)度分析和聚類的方法對輸入樣本進行處理，保證了樣本數(shù)據(jù)的可靠性，進而利用LSTM 神經(jīng)網(wǎng)絡(luò)方法建立過熱器壁面溫度預測模型，可以對過熱器壁溫進行快速準確的預測。（1）通過相關(guān)性可大大減少輸入變量，并且保證一定的預測精度。（2）運行過程中的參數(shù)擾動對火電廠樣本數(shù)據(jù)的質(zhì)量有重要影響，需要針對火電廠數(shù)據(jù)的特征進行穩(wěn)定負荷篩選。

在本文的預測模型的基礎(chǔ)上，可對運行參數(shù)進行動態(tài)監(jiān)測，如果測量值和預測值出現(xiàn)持續(xù)偏差，可作為受熱面內(nèi)部傳熱特性變化的依據(jù)，進而對受熱面的可靠性進行評價。