CN109140474A

CN109140474A - 一种燃煤电站锅炉用人工智能吹灰系统

Info

Publication number: CN109140474A
Application number: CN201811055025.6A
Authority: CN
Inventors: 张日
Original assignee: Babcock and Wilcox Beijing Co Ltd
Current assignee: Babcock and Wilcox Beijing Co Ltd
Priority date: 2018-09-11
Filing date: 2018-09-11
Publication date: 2019-01-04

Abstract

本发明公开了一种基于机器学习算法的燃煤电站锅炉人工智能吹灰系统。具体为，通过网络采集各种燃煤电站锅炉的相关数据，经过系统预处理并提取有效特征并存入数据库。进一步的，系统机器学习模块模仿人类的学习方式从数据库数据中学习并总结出不同类型锅炉在各种工况下的最优吹灰策略，并智能地指挥吹灰器高效运行。本发明与国内电厂现有的各种控制系统兼容，并有效地解决了传统吹灰控制系统只针对特定任务进行硬编码所导致的吹灰判断不准、效果不尽如人意等缺陷，极大地提高锅炉的吹灰效率，有效延长锅炉受热面的使用寿命，部署方便、成本低，对我国燃煤发电厂的经济效益和环保效益提升巨大。

Description

一种燃煤电站锅炉用人工智能吹灰系统

技术领域

本发明涉及各种类型和参数的燃煤电站锅炉吹灰技术领域，尤其涉及一种基于机器学习算法的燃煤电站锅炉人工智能吹灰决策方法。

背景技术

我国电力行业主要依赖燃煤发电。煤粉在炉内燃烧的过程中，除部分结渣下落从排渣口排出外，还有一部分未充分燃烧的挥发份、碳粒、灰分等随烟气进入受热面，并在受热面上冷却、吸附、粘连，形成结焦和积灰。钾、钠等碱金属气体在管壁上凝结后与烟气中的三氧化硫、飞灰中的氧化物发生反应后生成复合硫酸盐导致受热面热阻增加、热效率下降。因为积焦的导热系数约为0.116w/(m2℃)，仅为锅炉用钢材导热系数的约1/600，极大地降低了受热面的导热能力，导致热能无法被有效吸收，锅炉热效率下降，煤耗增加。严重的结焦还会在高温对流管束上搭桥造成管排间阻力增加，破坏炉内空气动力场，使燃烧工况急剧恶化。同时，硫酸盐在高温熔融状态下对管壁快速腐蚀，极易引起爆管。相反在未污染或污染较少部位，烟气流速增大，传热增强。因为飞灰对管壁的磨损与烟气流速约成3次方关系，所以烟气流动速度越高，未污染或污染较少的受热面磨损就越严重。受热面局部传热能力的下降还会造成管排间吸热不均匀，过热器、再热器产生热偏差，引起出口管壁超温。在长期超温10-20℃情况下，金属材料使用寿命约缩短一半。污染后的锅炉，由于烟气流通的整体阻力增大，增加了送风机、引风机的功耗，同时空气预热器换热效果也会降低，导致一次风、二次风温度下降，直接降低炉膛的燃烧效率。

由于炉内过程是一种极其复杂的物理化学过程，燃煤、受热面、温度、空气动力等因素，都会影响受热面的积灰与结焦，目前尚不能完全解决。实践中，经常对受热面进行吹灰来预防锅炉的结焦、积灰，延缓受热面腐蚀，保障锅炉安全经济运行。目前电厂普遍采用孤立闭环模式智能吹灰系统，通过在锅炉本体上布置感应装置采集锅炉数据计算出一个目标参数，通常是管壁清洁系数C_F:

C_F = K / K₀

C_{F -}管壁清洁系数

K–污染管壁的传热系数，KW/m². ℃

K₀–清洁管壁的传热系数，KW/m². ℃

然后目标参数C_F与预先设定的吹灰规则值进行对比，达到一个阀值后，系统即判断锅炉受热面已积灰或结焦，启动吹灰器吹扫。然而这种简单的因果计算法被实践证明并不适用于锅炉复杂的物理化学反应过程，对单一目标参数理论上精确计算不一定能得到整体上准确的吹灰结论。通过感应装置采集的信息过于单一且只是针对单台锅炉的局部测点位置，样本数据量太少,不能综合利用各类锅炉运行的全面数据进行归纳总结，实质上还是一种电子探测加人工规则的自动控制系统，而非智能吹灰。

“一种燃煤电站锅炉用人工智能吹灰系统”将人工智能技术应用于电站锅炉吹灰控制领域，让计算机模仿人类的思维方式，通过基于大数据的相关性分析而非简单的因果计算，挖掘各类锅炉结焦和积灰的普遍规律，使输出的吹灰策略更准确。

燃煤电站锅炉的积灰和结焦问题始终是锅炉安全运行的一大风险，而机器学习作为实现人工智能最普遍的方法，主要用于风险评估，所以机器学习的思想和方法特别适用于燃煤电站锅炉的风险评估。本系统将互联网技术、大数据分析和机器学习算法综合运用于对锅炉积灰和结焦风险的评估，为燃煤电站锅炉的设计、制造和运行管理提供合理化建议。通过对各火力发电厂运行的各种类型和参数的电站锅炉建立全面真实的数据模型，对结焦、积灰位置、概率进行准确预测，在重点监控的危险区域投放经济合理的吹灰操作，提高机组运行效率、延长受热面的使用寿命。

随着我国“互联网+”国策的推进和人工智能浪潮的到来，智能电厂和智能电网的建设将是我国电力行业发展的必然方向。“一种燃煤电站锅炉用人工智能吹灰系统”超越传统吹灰控制方法的局限，充分发挥网络和人工智能技术优势，符合我国电力行业的发展方向。

发明内容

“机器学习”是一种实现人工智能的方法，或者说是一套算法，它通过训练数据集来做预测或者采取行动以使系统达到最优化状态。

“一种燃煤电站锅炉用人工智能吹灰系统”(以下简称“人工智能吹灰系统”)涉及计算机科学、电站锅炉设计、统计、项目管理等多方面知识；充分利用分布式网络，突破各电力单位之间的地理限制，使人工智能吹灰系统得到的经验能够被全网用户共享，如图1网络拓扑图所示，但并不仅限于此方式。对于不能联网的用户可以通过系统用户接口将离线数据导入系统数据库的办法，离线采集的样本数据集，作为一种历史经验数据仍然可以供人工智能模块学习利用。

人工智能吹灰系统的核心是机器学习模块，软件设计流程如图5所示，其核心设计思想是CART分类决策树树算法。CART分类决策树树的作用是通过分析一个对象的样本数据中的特征来预测该对象所属的类别。本程序依赖CART分类决策树树算法将各种复杂的锅炉运行状态样本数据集统计分析后区分出‘吹灰’和‘不吹灰’两种判断结果，进而作出吹灰决策。CART分类决策树树算法使用基尼系数代表数据样本的不纯度，基尼系数越小，则不纯度越低，特征越好。具体的，在分类问题中，假设有K个类别，第k个类别的概率为, 则基尼系数的表达式为:

对于二分类问题，计算就更加简单了，如果属于第一个样本的输出概率为p, 则基尼系数的表达式为:

对于样本D,如果根据特征A的某个值a把D分成D1，D2两部分，则D的基尼系数的表达式为:

根据上述原理，CART分类决策树用基尼系数（Gini）最小化原则来进行特征选择，生成一颗二叉树。CART假设决策树是二叉树，树内部结点特征的取值为“是”和“否”，左分支是值为“是”的分支，右分支是值为“否”的分支。实质上这样的决策树等价于递归地二分每个特征，CART树将输入的特征空间划分为有限个单元，并在这些单元上确定预测的概率分布，也就是在给定的输入条件下输出的条件概率分布。CART分类决策树的生成算法如下:

输入：训练数据集D，停止计算条件。

输出：CART分类树。

根据训练样本数据集，从根结点出发，递归地对每个结点进行以下操作，构建出一颗二叉树:

1.设结点的训练样本数据集为D，计算现有特征对该数据集的基尼系数（Gini）。此时对于每个特征A及其可能取的每个值a，根据样本点对A=a的测试为“是”或“否”，将样本数据集D分割成D1和D2两个部分，计算A=a时的基尼系数（Gini）。

2.然后在所有可能的特征A以及其所有可能的切分点a中，选择基尼系数（Gini）最小的特征及其对应的切分点作为最优特征和最优切分点。根据最优特征与最优切分点，从现结点分出两个子结点，将训练数据集依据最优特征分配到两个子结点中去。

3.进一步的，对两个子结点递归地调用步骤l~2，直至满足停止条件。

4.最终生成CART分类决策树。

分类决策树算法的停止计算条件是结点中的样本个数小于预定阈值，或者样本集的基尼系数（Gini）小于预定阈值（说明样本数据记录已经基本属于同一类），或者已没有更多特征。

根据上述原理，机器学习模块程序采用目前人工智能领域中应用最为广泛的Python语言编写，利用Python语言强大、模块化的特性。Python开发环境提供的海量高级数据结构（如列表、元组、字典、集合等）和数之不尽的第三方库，足以应付“人工智能吹灰系统”收集和处理大数据的需求。本系统使用的Python第三方库包括Scikit-learn、Numpy、Pandas、Matplotlib等。其中:

Ø Scikit-learn - 是机器学习库，负责提供高效的CART分类决策树算法；

Ø Numpy - 是科学计算库，它包含大量矩阵的运算；

Ø Pandas - 数据分析处理库，封装了大量实用的数学处理函数；

Ø Matplotlib - 是数据可视化库；

各模块的关系详见图8。

在Python主程序模块的头部引用上述模块,部分代码如下：

# -*- coding:utf-8 -*-

import sys

import cgitb

import urllib

import pymysql

import re

import numpy as np

from sklearn import tree

from matplotlib import pyplot as plt

. . . . . .

“人工智能吹灰系统”的部分软件数据流图如图2所示，系统的主要使用者被归类为四个外部实体:电力建设单位、设备制造单位、电网控制系统及各火力发电厂及其发电机组。

进一步，如图3所示，系统的主要功能抽象为系统用户接口部分、人工智能部分和数据存储部分。其中，系统用户接口部分负责与系统用户的交互，是系统应用的表示层。系统用户接口负责为上述几个外部实体提供友好的交互界面，采集和输入数据、输出吹灰决策和相关经验。收集的原始数据有各种不同的形式，其数量和格式各不相同，为此，系统用户接口负责整理和格式化收集到的原始数据。

进一步，运行“人工智能吹灰系统”的服务器采用稳定高效的Linux操作系统，数据库存储使用可靠的关系数据库系统MySQL。系统系统用户接口将广泛收集的电站锅炉设计、制造、建设、生产运行和管理的相关信息格式化后存入MySQL数据库。

进一步，在上述基础上利用基于Pandas模块的程序进行数据预处理，将数据压缩到较低维度的子空间，同时保留有用的信息，通过特征的抽取形成高效的机器学习模型。该模型是机器学习系统的核心，是对学习的实现。“人工智能吹灰系统”建立的模型，本质上是一种假设，可以理解是对锅炉运行状态的一种推荐解释，可以解决电站锅炉不同状态背景下的问题。系统关系数据模型简图参考图4所示。

附图说明

图1为人工智能吹灰系统网络拓扑图；

图2为人工智能吹灰系统顶层数据流图；

图3为人工智能吹灰系统0层数据流图；

图4为人工智能吹灰系统E-R简图；

图5为人工智能吹灰系统软件流程简图；

图6为实施例图A-排烟温度对比图；

图7为实施例图B-炉膛部分吹灰器工作量对比图。

具体实施方式

下面是MySQL中部分数据模型举例:

锅炉主关系模型（锅炉号，燃煤号，主蒸汽流量[t/H], 主蒸汽出口压力[MPa], 主蒸汽出口温度[℃]）, 给水温度[℃], 高压再热蒸汽流量[t/H], 高压再热蒸汽出口压力[MPag]，高压再热蒸汽出口温度[℃]，高压再热蒸汽进口压力[MPag]，高压再热蒸汽进口温度[℃]，低压再热蒸汽流量[t/H] ，低压再热蒸汽出口压力[MPag]，低压再热蒸汽出口温度[℃]，低压再热蒸汽进口压力[MPag]，低压再热蒸汽进口温度[℃]）

下面是Python列表表示的某台1000MW二次再热锅炉主关系模型一条数据样本举例:

Boiler_i= [ 10356，12，2765，33.5，606，330，2450，10.82，623,11.22，423，2100，3.32，623，3.5，443]

Boiler_i–列表名

10356 –锅炉号

12 –燃煤号（据此查找燃煤模型表的燃料属性）

主蒸汽流量– 2765 t/H

主蒸汽出口压力 - 33.5 MPa

其余参数略。

锅炉结构关系模型（锅炉号，炉膛断面长[m], 炉膛断面宽[m], 燃烧器高度[m]，燃尽高度[m]，底层燃烧器至拐点距离[m]，顶棚管标高[m]，水冷壁入口集箱标高[m]，水平烟道深度[m] ，尾部烟道深度[m] ，过量空气系数，容积热负荷[KW/m²]，断面热负荷[KW/m²]，燃烧器区热负荷[KW/m²]，炉膛出口烟气温度[℃]）

Python列表表示的某台1000MW二次再热锅炉结构关系模型的一条数据样本举例:

list_i= [ 10356，32，16，15.5，23.5，6.557，76.61，7.0，10.182,15.860，1.15，70，4.4，1.33，980]

list_i–列表名

10356 –锅炉号

炉膛断面长 - 32 m

炉膛断面宽 - 16 m

其余参数略。

吹灰器关系模型（吹灰器号，锅炉号，吹灰器类型，吹灰器相对于锅炉计算原点的X坐标，吹灰器相对于锅炉计算原点的Y坐标，吹灰器相对于锅炉计算原点的Z坐标，吹灰器投产时间，吹灰最小时间间隔，闲置吹灰器至少启动一次的时间间隔，吹灰器累积总吹灰班次，吹灰器累积总吹灰时间，取样本数据时间，有效吹扫半径[mm]，行程，吹灰角度，汽耗率，蒸汽压力）

燃煤关系模型（燃煤号，锅炉号，全水分，空干基水分，收到基灰分，干燥无灰基挥发分，低位发热量，可磨性系数，灰变形温度，灰软化温度，半球温度，收到基碳，收到基氢，收到基氧，收到基氮，收到基硫）

其它关系模型不再一一列出。

进一步，系统程序从上述基础关系模型抽取特性形成锅炉这特性总表，其Python数据结构表示如下:

feature_list = [list_0, list_1, list_2, list_3, list_4, . . . , list_n]

list_n是feature_list中的元素，并且也是一个列表，是程序从MySQL数据库中前述各关系模型（锅炉主关系模型、锅炉结构关系模型、吹灰器关系模型、燃煤关系模型等）中抽取出的主要特性的集合，用它来代表锅炉的某种具体运行状态。

进一步，系统程序根据样本统计结果对feature_list表中的元素(代表锅炉的某种具体运行状态)是否进行了吹灰打上标签后记录在吹灰标签表label_list_i:

label_list_i = [1, 1, 1, 0, 1, 0, . . . ]

i –吹灰器位置编号

1 - 表示吹灰

0 - 表示不吹灰

label_list_i表是针对feature_list表各元素贴标签形成的记录集，标签是某吹灰器在锅炉一系列运行状态下是否进行了吹灰的标志。机器学习模块根据从上述MySQL数据库中抽取的特征所反应的锅炉各种不同运行状态下结焦和积灰的历史吹灰记录进行评估，对各个吹灰器贴上吹灰标签:1 - 表示吹灰；0 - 表示不吹灰。实际上label_list_i表是历史吹灰经验的总结。

进一步，“人工智能吹灰系统”为数据集贴上是否吹灰标签的操作实质上是向机器学习模块发出指令进行有监督学习。随着这些经验记录（label_list_i、feature_list）的积累，“人工智能吹灰系统”基于Scikit-learn库编写的Python程序模块采用CART分类决策树思想设计，针对Pandas模块抽取的特征不断进行训练和学习，最终会获得一条决策边界，根据这条决策边界就可以对未来某台锅炉在某钟特定运行状态下是否会结焦和积灰以及结焦和积灰出现的时间和位置作出准确的预测并及时进行清理而无需人工干预和计算，这种机器学习方式简便高效，类似于人类总结经验的思维方式，属于机器学习领域中的有监督学习。

基于Scikit-learn模块的Python程序利用已经贴过标签的数据集进行预测的关键语句如下：

clf = tree.DecisionTreeClassifier()

clf = clf.fit(feature_list, label_i)

clf.predict(list_x)

. . . . . .

表list_x是需要作出吹灰预测的锅炉运行状态特性表，clf.predict(list_x)语句返回是否吹灰的初步预测结果（0表示不吹灰；1表示吹灰），供系统后面的程序继续处理。

数据库中收集的数据越多，形成的机器学习样本就越丰富，使机器学习程序获得更强的预测能力，所做出的吹灰策略越趋向合理。程序设定的合理的吹灰策略目标主要包括，在锅炉控制系统禁止的特殊状态下不能启动吹灰；吹灰应尽量不影响锅炉负荷，保证锅炉平稳运行；要及时投放最经济合理的吹灰动作，要在判断受热面即将开始结焦前启动吹灰器，避免受热面管壁超温影响寿命，宏观上要在有效吹灰的基础上计算吹灰成本并使之最小化。

进一步，机器学习模块通过深入学习总结出不同类型参数、不同燃料、不同吹灰方式等各种运行条件下的燃煤电站锅炉积灰和结焦的一般规律。这些规律也可以对未连接人工智能吹灰系统的类似燃煤电站锅炉运行提供指导。

进一步，通过机器学习总结出来的锅炉积灰和结焦的一般规律对锅炉设计制造单位也具有重大的指导意义，这些经验和规律可以使设计师在锅炉的设计阶段，通过将各种设计参数输入本系统，然后根据系统输出的结焦和积灰规律的判断，正确地设计吹灰系统，选择合理的吹灰类型、有针对性地布置吹灰器的安装位置、合理地选择控制系统、甚至合理地选择吹灰器类型及生产厂家。

进一步，基于“人工智能吹灰系统”对结焦和积灰的判断数据，可以准确地预测锅炉具体位置受热面的使用寿命，从而可以合理地预先安排锅炉配件的生产和维修计划。同时锅炉设备制造商可以基于对市场的准确预判提前做好准备。

综上所述，传统的自动化吹灰控制系统遵从的是人为设定好的程序，而基于机器学习的燃煤电站锅炉人工智能吹灰系统超越了传统算法的基于简单因果关系进行设计的思维局限，以整个电网可以收集到的燃煤电站锅炉的相关数据为样本，包括运行数据、设计数据、安装调试信息、售后服务信息、燃料性质等。机器学习模块通过抽取和训练这些数据集，能够模拟人类思考和学习的能力做出吹灰预测，使所有使用人工智能吹灰系统的燃煤电站锅炉的吹灰系统运行效果达到最优。

实施例：

如图6 实施例图A 所示为内蒙古某660MW高参数超超临界锅炉机组排烟温度统计对比图。由图可见，在其它条件不变的条件下，使用人工智能吹灰系统安排吹灰计划后，统计的锅炉的排烟温度变化曲线对比以前采用传统智能吹灰系统时的排烟温度变化曲线更加平滑，这说明人工智能吹灰系统基于对受热面各部位的积灰、结焦情况准确预判，可以独立地控制各台吹灰器在必要时投入合理的工作量，总体上对锅炉燃烧运行的负面影响很小，且吹灰器吹扫及时有效。

如图7实施例图B所示为河北某350MW超临界机组锅炉的炉膛部分吹灰器工作量统计对比图。由图可见，当采用传统智能吹灰系统时，基本采用固定班次的运行方式，相对清洁的受热面位置每班必被吹扫一次，容易在某些位置造成过吹，相反在容易结焦的位置却可能欠吹。无论过吹和欠吹都会影响炉膛受热面的使用寿命和机组的运行、浪费能源和设备。由对比图可见，使用人工智能吹灰系统后，各台吹灰器受人工智能系统控制，系统会根据学习到的经验对受热面的积灰结焦的趋势作出准确预判，并及时地启动对应位置的吹灰器进行吹扫，每班运行的次数以及每次吹扫的行程和时长根据实际情况作出判断，从而有效地避免了欠吹和过吹，在总体工作量低于传统吹灰系统的同时可以确保机组在安全、平稳、经济的状态下运行。

Claims

1.“一种燃煤电站锅炉用人工智能吹灰系统”，其特征在于：

1）分布式网络布局（如图1所示），突破地理限制，实现吹灰经验全局共享；

2）围绕电站锅炉机组采集相关的设计、建造、建设、运行、管理等领域的相关信息构建分布式数据库系统；

3）以机器学习算法模块为核心；

4）通过机器学习总结经验，从而对不同类型电站锅炉受热面积灰、结焦的趋势作出准确判断，并及时输出正确的吹灰策略；

5）与已投入运行的传统吹灰控制系统兼容；

6）机器学习模块会根据技术服务反馈和电厂维护经验信息对各种吹灰策略进行评估，不断进行自我修正以逼近最佳吹灰策略。

2.如权利要求1特征1）所述，“一种燃煤电站锅炉用人工智能吹灰系统”其特征在于，基于先进的互联网技术，实现电站锅炉设备制造、设计、建设、生产运行和管理单位的网络互联，从而有效地支持在不同电厂以及不同锅炉机组之间分享各自的经验数据和吹灰策略。

3.如权利要求1特征2）所述，“一种燃煤电站锅炉用人工智能吹灰系统”，其特征在于，使用可靠的关系数据库系统广泛收集电站锅炉设备设计、制造、建设、生产运行和管理领域的相关信息,进一步地，在此基础上提取有效特征生成高效的数据模型,其关系数据模型示意见图4。

4.如权利要求1特征3）所述，“一种燃煤电站锅炉用人工智能吹灰系统”的核心主要是采用Python语言开发的基于机器学习算法的人工智能模块，可以稳定高效地跨平台运行于各种常用软件和硬件环境下，其软件流程设计见图5。

5.如权利要求1特征4）所述，“一种燃煤电站锅炉用人工智能吹灰系统”的人工智能模块利用关系数据模型作为样本进行学习、训练，随着样本数据的积累，人工智能模块输出的吹灰策略会趋向于最优，即使是同一台锅炉，在不同时间、不同工况条件下，人工智能系统也会根据实际情况随时调整，有针对性地推送不同的吹灰策略。

6.如权利要求1特征5）所述，“一种燃煤电站锅炉用人工智能吹灰系统”与各种传统的吹灰控制系统并不冲突，相反，它可以利用已有的控制系统产生的数据信息和电厂DCS或DAS系统的运行控制数据一起导入系统的数据库，然后以此为训练样本进行学习，无需单独建立数据采集和控制系统，避免了重复建设，节约用户成本。

7.如权利要求1特征6）所述，“一种燃煤电站锅炉用人工智能吹灰系统” 设计了开放性的信息采集接口，不仅收集利用来自于电厂DCS或DAS控制系统的各种动态数据，还可以收集其它静态数据，包括锅炉维修记录、设备制造商的设计资料和现场服务数据、锅炉配件的更新等信息，同时本人工智能系统超越了传统智能系统只依赖于单台锅炉运行时的局部测点数据的局限，从空间和时间两个维度上广泛收集信息，为实现人工智能构建了坚实的数据基础。