李友志 蔣蓬勃 白帆 王繼強(qiáng) 蘇京彬 宋峰

摘 ? 要：文章綜合利用某超超臨界機(jī)組鍋爐再熱器爐膛內(nèi)、外壁溫測(cè)點(diǎn)的實(shí)時(shí)數(shù)據(jù)，采用LSTM算法建立了爐內(nèi)壁溫的預(yù)測(cè)模型，并在近4個(gè)月的真實(shí)數(shù)據(jù)集上驗(yàn)證了模型的準(zhǔn)確性和有效性。

關(guān)鍵詞：長(zhǎng)短期記憶網(wǎng)絡(luò);超超臨界機(jī)組;高溫再熱器;壁溫預(yù)測(cè)

火電廠(chǎng)鍋爐正常運(yùn)行時(shí)，會(huì)發(fā)生爐膛爆炸、尾部煙道再燃燒、爐膛滅火、受熱面泄漏等問(wèn)題，影響安全生產(chǎn)。統(tǒng)計(jì)發(fā)現(xiàn)，從發(fā)生概率、普遍性等角度比較、分析，鍋爐受熱面泄漏事故具體體現(xiàn)在：（1）事故不僅發(fā)生概率高、普遍性高，而且影響較大，受熱面超溫泄漏事故停機(jī)處理至少需要10天以上，直接影響接帶電量及經(jīng)營(yíng)目標(biāo)的完成。（2）在脫硝選擇性催化還原（Selective Catalytic Reduction，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。故本文以某單位高溫再熱器受熱面為研究對(duì)象，研究基于長(zhǎng)短期記憶網(wǎng)絡(luò)（Long-Short Term Memory，LSTM）的爐內(nèi)壁溫預(yù)測(cè)算法建模，通過(guò)建模來(lái)預(yù)測(cè)高溫再熱器受熱面泄漏情況，以便為電廠(chǎng)設(shè)備檢修和運(yùn)行人員提供重要操作依據(jù)[1]。

傳統(tǒng)研究主要是基于機(jī)理分析的方法，通過(guò)機(jī)組過(guò)熱器裝設(shè)的大量管壁溫度測(cè)點(diǎn)建立爐膛內(nèi)部過(guò)熱器壁溫分布計(jì)算模型，得到過(guò)熱器各個(gè)管屏、各管圈、各部位溫度分布。再熱器爆管是造成火電機(jī)組非計(jì)劃停機(jī)的重要原因之一。為利用爐外壁溫長(zhǎng)期監(jiān)測(cè)爐內(nèi)壁溫對(duì)再熱器管作出失效預(yù)測(cè)，需建立基于外壁測(cè)點(diǎn)溫度對(duì)內(nèi)壁測(cè)點(diǎn)溫度的預(yù)測(cè)模型。目前，國(guó)內(nèi)大部分火電機(jī)組鍋爐再熱器壁溫測(cè)點(diǎn)安裝于頂棚大包內(nèi)，而非于爐膛高溫?zé)煔鈪^(qū)，測(cè)量值并非管壁實(shí)際溫度，存在較大的偏差，而且受限于人對(duì)過(guò)熱器運(yùn)行機(jī)理的認(rèn)識(shí)，難以準(zhǔn)確、全面地分析過(guò)熱器可能出現(xiàn)的全部異常。采用基于大數(shù)據(jù)及人工智能的分析方法來(lái)實(shí)現(xiàn)對(duì)過(guò)熱器等工業(yè)設(shè)備的狀態(tài)預(yù)測(cè)及檢修是必然的發(fā)展趨勢(shì)[2]。

1 ? ?確定研究對(duì)象

通過(guò)對(duì)某超超臨界機(jī)組鍋爐高溫再熱器近1.5個(gè)月（2019.02—2019.03）包含960個(gè)測(cè)點(diǎn)的再熱器大包內(nèi)數(shù)據(jù)集，對(duì)兩個(gè)爐膛內(nèi)再熱器壁溫測(cè)點(diǎn)進(jìn)行預(yù)測(cè)。數(shù)據(jù)集測(cè)點(diǎn)數(shù)據(jù)平均每分鐘采樣一條，共計(jì)約十萬(wàn)條數(shù)據(jù)，實(shí)驗(yàn)數(shù)據(jù)集被劃分為訓(xùn)練集和驗(yàn)證集。訓(xùn)練集為2019年2月份和部分3月份的真實(shí)數(shù)據(jù)集，驗(yàn)證集為2019年3月4天的真實(shí)數(shù)據(jù)。具體實(shí)驗(yàn)方案為：首先，采用本文所提出的預(yù)測(cè)模型對(duì)960個(gè)爐外測(cè)點(diǎn)數(shù)據(jù)進(jìn)行訓(xùn)練，得到預(yù)測(cè)模型。其次，用預(yù)測(cè)模型對(duì)測(cè)試集的數(shù)據(jù)進(jìn)行預(yù)測(cè)，同時(shí)，將預(yù)測(cè)結(jié)果與實(shí)測(cè)的爐膛內(nèi)再熱器壁溫真實(shí)數(shù)據(jù)值進(jìn)行對(duì)比，計(jì)算預(yù)測(cè)結(jié)果的準(zhǔn)確性[3]。

2 ? ?LSTM預(yù)測(cè)算法建模機(jī)理

LSTM長(zhǎng)短時(shí)記憶循環(huán)神經(jīng)網(wǎng)絡(luò)，相比傳統(tǒng)的循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）有著更為精細(xì)的信息，通過(guò)獨(dú)特設(shè)計(jì)來(lái)避免長(zhǎng)期的依賴(lài)問(wèn)題，可用于記住很長(zhǎng)的歷史信息，LSTM的網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

LSTM網(wǎng)絡(luò)與傳統(tǒng)的RNN網(wǎng)絡(luò)相比，多了一個(gè)非常有用的遺忘門(mén)，不僅使用單一的網(wǎng)絡(luò)層，而且通過(guò)特殊的方式組合成4個(gè)網(wǎng)絡(luò)層，并有遺忘門(mén)、輸入門(mén)、輸出門(mén)3種門(mén)結(jié)構(gòu)來(lái)控制保護(hù)，如圖2所示。

3 ? ?預(yù)測(cè)算法訓(xùn)練建模及模型測(cè)試

3.1 ?預(yù)測(cè)算法訓(xùn)練建模

（1）建模測(cè)點(diǎn)：選取高溫再熱器960個(gè)爐外壁溫測(cè)點(diǎn)。

（2）建模時(shí)間：由于溫度是一個(gè)連續(xù)變化的量，所以研究需要進(jìn)行連續(xù)取值，但考慮到溫度不會(huì)發(fā)生突變，因此，選取訓(xùn)練數(shù)據(jù)為約20天的數(shù)據(jù)，取數(shù)頻率每分鐘取一次。訓(xùn)練模型時(shí)間：2019-02-01 00：00：00—2019-03-17 00：00：00。

3.2 ?預(yù)測(cè)算法模型測(cè)試

為驗(yàn)證預(yù)算算法模型，測(cè)試模型時(shí)間選取為：2019-03-17 00：00：00—2019-03-21 00：00：00爐外960個(gè)測(cè)點(diǎn)，預(yù)測(cè)爐內(nèi)壁溫測(cè)點(diǎn)，并對(duì)比預(yù)測(cè)值與實(shí)際值的誤差。

4 ? ?爐內(nèi)壁溫預(yù)測(cè)與誤差分析

在2月份和部分3月份的高溫再熱器數(shù)據(jù)上進(jìn)行測(cè)驗(yàn)，得到的預(yù)測(cè)結(jié)果如圖3所示，預(yù)測(cè)值與實(shí)際值非常相近，并且能夠?qū)?shí)際值有較強(qiáng)的代替性。

測(cè)試樣本殘差如圖4所示，殘差都在10°以?xún)?nèi)，符合工業(yè)誤差2%，是一個(gè)可以接受的誤差范圍。

5 ? ?模型的實(shí)時(shí)預(yù)警

通過(guò)爐外多測(cè)點(diǎn)對(duì)爐內(nèi)單測(cè)點(diǎn)建模，得到一個(gè)能夠代替爐內(nèi)溫度的預(yù)測(cè)值，并且隨著時(shí)間推移，爐內(nèi)壁溫測(cè)點(diǎn)會(huì)被燒壞，不能實(shí)時(shí)監(jiān)測(cè)到實(shí)際的爐內(nèi)燃燒情況，使用預(yù)測(cè)值代替實(shí)際值來(lái)繼續(xù)檢測(cè)爐內(nèi)燃燒情況，將會(huì)對(duì)管壁超溫進(jìn)行實(shí)時(shí)監(jiān)控。業(yè)務(wù)專(zhuān)家基于經(jīng)驗(yàn)設(shè)定報(bào)警閾值，如超出閾值，則報(bào)警，并且給現(xiàn)場(chǎng)運(yùn)行人員提供一個(gè)提醒以及時(shí)采取相應(yīng)的措施，有利于防止后續(xù)故障的發(fā)生，達(dá)到預(yù)警目的[4]。

[參考文獻(xiàn)]

[1]梁建瑞，步宇航，任帥.燃機(jī)啟停過(guò)程中NO_x排放控制的探討與應(yīng)用[J].中國(guó)設(shè)備工程，2017（23）：214-215.

[2]白盛楠，申曉留.基于LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)的PM_（2.5）預(yù)測(cè)[J].計(jì)算機(jī)應(yīng)用與軟件，2009（1）：73-76，110.

[3]金秀章，張少康.基于神經(jīng)網(wǎng)絡(luò)在線(xiàn)學(xué)習(xí)的脫硝系統(tǒng)入口氮氧化物預(yù)測(cè)[J].河北大學(xué)學(xué)報(bào)，2018（4）：423-431.

[4]趙偉，孫少華，劉路遙，等.燃?xì)怆姀S(chǎng)氮氧化物排放控制技術(shù)對(duì)比分析[J].電力科技與環(huán)保，2015（1）：44-47.