引言

隨著鍋爐技術(shù)發(fā)展、用電量增長、節(jié)能需求提高,加上受我國能源結(jié)構(gòu)制約,600Mw及600Mw以上級別的大容量超臨界、超超臨界燃煤機(jī)組已逐步成為我國的主力發(fā)電機(jī)組。但鍋爐的參數(shù)和功率較大,就更容易引起各個受熱面積灰和結(jié)焦。同時,我國復(fù)雜的煤炭市場使得煤炭價格不斷波動,為了保證經(jīng)濟(jì)效益,電廠會使用價格便宜的高灰分燃煤,這更加劇了鍋爐受熱面的結(jié)焦問題。由于焦塊的熱阻遠(yuǎn)大于金屬熱阻,管道內(nèi)的工質(zhì)需要更劇烈燃燒才能滿足原來的溫度要求,這一過程會使得管壁溫度超過正常的水平,繼而引發(fā)爆管。燃煤鍋爐作為火力發(fā)電廠的重要設(shè)備,主要擁有水冷壁、過熱器、再熱器、省煤器4種管道設(shè)備。據(jù)不完全統(tǒng)計,這4種管道的爆漏事件在機(jī)組非計劃停運(yùn)事件中的占比達(dá)到了50%,個別電廠甚至接近65%,而其中水冷壁爆管事件約占各管道爆漏事件的19.7%。水冷壁爆管故障會引起鍋爐停爐事故,可能造成經(jīng)濟(jì)損失和人員傷亡,大型機(jī)組的非正常運(yùn)行也會影響電網(wǎng)運(yùn)作。因此,實現(xiàn)對水冷壁結(jié)焦?fàn)顟B(tài)的預(yù)警,避免超溫導(dǎo)致的爆管事故發(fā)生,是極為必要的。

水冷壁結(jié)焦位置主要位于鍋爐爐膛內(nèi)部的輻射受熱面上,由于爐膛內(nèi)部環(huán)境和燃燒過程極為復(fù)雜,而且缺少可靠的測量設(shè)備,水冷壁結(jié)焦?fàn)顟B(tài)的監(jiān)測較為困難。目前,已有部分學(xué)者對水冷壁、爐膛結(jié)焦的監(jiān)測方法進(jìn)行了一系列研究,方法主要可歸納為三類。第一類是直接診斷法,如周斌采用電荷耦合元件(Charge_CoupledDevice,CCD)攝像機(jī)實時監(jiān)測爐膛內(nèi)部結(jié)焦過程,通過處理所拍攝圖片得到實時結(jié)焦厚度。第二類是機(jī)理表征法,如俞海淼等人設(shè)計了一種用于監(jiān)測受熱面灰污的熱流計,通過受熱面的溫度差反映受熱面的熱流密度變化,進(jìn)而監(jiān)測受熱面污染情況:康志忠等人使用仿真軟件對膜式水冷壁的傳熱和工質(zhì)流動情況進(jìn)行模擬,得到了不同工況下水冷壁的熱有效系數(shù),并使用數(shù)值模擬方法求得了水冷壁結(jié)焦厚度公式:王斌忠等人發(fā)現(xiàn)水冷壁鰭片結(jié)焦厚度對背火側(cè)鰭端溫度影響較大,可通過背火側(cè)鰭端溫度變化推測水冷壁向火側(cè)結(jié)焦情況。第三類是數(shù)據(jù)驅(qū)動法,如Sun等人將結(jié)垢阻力作為反映鍋爐受熱面污染狀態(tài)的指標(biāo),基于支持向量機(jī)(SupportVectorMachine,SVM)實現(xiàn)了對鍋爐受熱面結(jié)垢的監(jiān)測:Shi等人[11]提出了一種基于人工神經(jīng)網(wǎng)絡(luò)(ArtificialNeuralNetwork,ANN)的變量分析方法,用于研究灰污的內(nèi)部機(jī)理以及傳熱效率?？偨Y(jié)以上研究,直接診斷法原理最為簡單,但受限于爐膛內(nèi)部的復(fù)雜惡劣環(huán)境,其應(yīng)用并不廣泛,大多處于實驗室研究狀態(tài)。機(jī)理表征法通過測量或計算其他特征來反映結(jié)焦?fàn)顟B(tài),可行性更高,但仍有許多局限,如裝置價格昂貴、實施難度大等。而數(shù)據(jù)驅(qū)動方法不依賴額外傳感器,使用靈活,優(yōu)勢明顯,很具發(fā)展?jié)摿?但目前的數(shù)據(jù)驅(qū)動方法所使用的算法較為傳統(tǒng),且關(guān)注的多是爐膛受熱面整體的結(jié)焦?fàn)顩r,缺少針對火電廠水冷壁特點進(jìn)行分析和建模的研究。

為了實現(xiàn)針對水冷壁的結(jié)焦?fàn)顟B(tài)預(yù)警,本文選擇深度神經(jīng)網(wǎng)絡(luò)(DeepNeuralNetwork,DNN)作為預(yù)測模型,基于真實的水冷壁故障數(shù)據(jù)進(jìn)行數(shù)據(jù)驅(qū)動建模,以實現(xiàn)對水冷壁結(jié)焦的準(zhǔn)確預(yù)警。下面介紹實驗數(shù)據(jù)來源和標(biāo)注、篩選過程,說明DNN的前向和反向傳播算法、結(jié)焦預(yù)測模型建模方法以及評價標(biāo)準(zhǔn),同時進(jìn)行水冷壁結(jié)焦?fàn)顟B(tài)預(yù)測實驗的結(jié)果分析,并總結(jié)本文的主要貢獻(xiàn)。

1數(shù)據(jù)準(zhǔn)備

1.1數(shù)據(jù)說明

實驗數(shù)據(jù)來自浙江寧波某火力發(fā)電廠,為集散控制系統(tǒng)(DiStributedControlSyStem,DCS)運(yùn)行數(shù)據(jù),采樣間隔為144S,共包括142個測點,采樣時長為216h,即每個測點各取5400個采樣點。其中,包含正常運(yùn)行樣本和水冷壁超溫爆管樣本。

1.2數(shù)據(jù)標(biāo)注及特征篩選

水冷壁超溫爆管的關(guān)鍵原因在于水冷壁結(jié)焦,根據(jù)結(jié)焦與爆管之間的關(guān)聯(lián)關(guān)系,同時結(jié)合運(yùn)行人員經(jīng)驗,對水冷壁結(jié)焦?fàn)顟B(tài)進(jìn)行標(biāo)注,結(jié)焦?fàn)顟B(tài)數(shù)值在0和1之間,0表示沒有結(jié)焦或結(jié)焦輕微,1表示嚴(yán)重結(jié)焦。為了模擬鍋爐燃燒對結(jié)焦?fàn)顟B(tài)的動態(tài)影響,在標(biāo)注數(shù)據(jù)中引入了高斯噪聲。然后,基于嵌入式特征選擇方法,使用梯度提升決策樹(GradientBooStingDeciSionTree,GBDT)模型作為特征篩選模型,結(jié)合標(biāo)注數(shù)據(jù),篩選出特征重要性較高的4個壁溫測點。如圖1所示,實驗截取正常運(yùn)行和超溫爆管前后總計300個采樣點作為訓(xùn)練和測試數(shù)據(jù)集,在第200個采樣點時爆管發(fā)生。

圖1結(jié)焦?fàn)顟B(tài)及特征數(shù)據(jù)

2方法設(shè)計

2.1DNN

DNN源自于感知機(jī)和多層感知機(jī),是一種擁有多個隱含層的神經(jīng)網(wǎng)絡(luò),通過大量神經(jīng)元之間的連接權(quán)重來擬合非線性關(guān)系。DNN的前向傳播公式如下:

式中:ie(1,n)為隱含層序號,n為隱含層數(shù)量:g(·)為激活函數(shù):w為權(quán)值矩陣:x為網(wǎng)絡(luò)輸入向量:b為偏置:h為隱含層輸出向量:y為網(wǎng)絡(luò)輸出向量。

DNN能不斷逼近各種非線性關(guān)系,這離不開反向傳播過程,其反向傳播算法與反向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)基本一致。DNN反向傳播公式如下:

式中:ie(1,n)為隱含層序號,n為隱含層數(shù)量:6(·)為激活函數(shù):L(·)為損失函數(shù):h為隱含層輸出向量:y為網(wǎng)絡(luò)輸出向量。

2.2建模方法

如圖2所示,使用DNN進(jìn)行結(jié)焦?fàn)顟B(tài)預(yù)測建模的過程分為三步:

(1)數(shù)據(jù)預(yù)處理。

首先,對特征數(shù)據(jù)進(jìn)行歸一化,再使用滑動窗口對四維特征數(shù)據(jù)分別進(jìn)行切片處理。然后,將切片后的四維特征數(shù)據(jù)進(jìn)行拼接,生成維數(shù)為窗口尺寸×4的特征數(shù)據(jù)。最后,將結(jié)焦?fàn)顟B(tài)與所劃分的新特征集一一對應(yīng),構(gòu)建總數(shù)據(jù)集。

(2)數(shù)據(jù)集劃分。

將總數(shù)據(jù)集按照一定比例劃分為訓(xùn)練集和測試集,訓(xùn)練集用于模型訓(xùn)練,測試集用于模型性能測試。同時,基于批訓(xùn)練(mini-batch)思想,將訓(xùn)練集分為若干批次,以便加速訓(xùn)練過程。

(3)模型訓(xùn)練及測試。

使用劃分好的訓(xùn)練集對DNN模型進(jìn)行訓(xùn)練,訓(xùn)練完畢后,使用測試集測試DNN的擬合效果。

2.3評價標(biāo)準(zhǔn)

使用平均絕對值誤差(MeanAbSoluteError,MAE)和均方誤差(MeanSquareError,MSE)作為預(yù)測模型的評價標(biāo)準(zhǔn),其計算方法如下:

式中:n為樣本數(shù)量:Yi為預(yù)測值:i為實際值。

2.4實驗驗證

如圖3所示,實驗使用3個隱含層的DNN作為訓(xùn)練模型,各隱含層的神經(jīng)元節(jié)點數(shù)量均為16,激活函數(shù)均為ReLU,輸出層的神經(jīng)元節(jié)點數(shù)為l,激活函數(shù)為Sigmoid。

實驗將總數(shù)據(jù)集隨機(jī)打亂,并按照7:3的比例劃分為訓(xùn)練集和測試集。具體訓(xùn)練參數(shù)如表1所示。

模型訓(xùn)練過程中的損失變化如圖4所示,可以看出模型收斂良好。

圖4損失趨勢

模型訓(xùn)練完畢后,使用測試集對模型進(jìn)行測試。測試集上模型的MAE為0.06051,MSE為0.00688,驗證了模型的精度。如圖5所示,測試集上模型預(yù)測結(jié)果與實際值的殘差在一個很小的范圍內(nèi),說明了模型的擬合效果良好且較為穩(wěn)定。

圖5測試集殘差

如圖6所示,模型在總數(shù)據(jù)集上的結(jié)焦?fàn)顟B(tài)預(yù)測趨勢與實際值基本吻合,以0.9為報警閾值時,可提前5個時間步對故障進(jìn)行預(yù)警,即提前12min,能夠為運(yùn)行人員爭取較長的時間應(yīng)對故障的發(fā)生。

3結(jié)語

本文基于真實電廠DCS數(shù)據(jù)和DNN進(jìn)行水冷壁結(jié)焦?fàn)顟B(tài)預(yù)測模型的建立和精度測試,同時,設(shè)置了報警閾值,以驗證模型的預(yù)警效果。最終,模型在測試集上的MAE小于0.061,MSE小于0.0069。另外,在合理的報警閾值內(nèi),模型可以提前5個時間步,即12min進(jìn)行預(yù)警。實驗結(jié)果表明,基于數(shù)據(jù)驅(qū)動的預(yù)測模型可以在水冷壁結(jié)焦預(yù)警問題中發(fā)揮很好的作用。盡管如此,研究仍有不足,比如依靠經(jīng)驗的數(shù)據(jù)標(biāo)注容易引入人為誤差,這些不足需要后續(xù)進(jìn)行更多的探索。