CN110472274A - 一种锅炉内流场热偏差模型实时预测方法 - Google Patents

Abstract

本发明公开了一种锅炉内流场热偏差模型实时预测方法，本发明通过采集高温过热器结构参数、管壁温度、管内介质参数和锅炉实时运行参数，计算高温过热器前端截面各个区域T1、T2、…T30的烟气温度值，通过离线数据建立高温过热器前端截面热偏差神经网络预测模型，在运行过程中通过预测模型找到锅炉运行参数与高温过热器前端截面处烟温热偏差的映射关系，利用滑动窗法实现对离线模型的在线校正，无需再重新训练，最终得到实时预测高温过热器前端截面烟温分布的模型，将锅炉内流场热偏差以烟温分布数据的形式直观的表达出来，防止因热偏差过大而出现高温爆管的事故。

Description

一种锅炉内流场热偏差模型实时预测方法

技术领域

本发明属于电站锅炉技术领域，具体涉及一种锅炉内流场热偏差模型实时预测方法。

背景技术

近年来，由于国家对于锅炉能耗和环保方面要求的提高，许多小型锅炉被迫关停，转而引进超临界和超超临界火力发电机组。这些超临界和超超临界火力发电机组的受热面温度很高，如果在运行的过程中出现较大的热偏差或者发生突发性扰动，那么高温受热面发生超温爆管事故的概率就会提升。

锅炉产生热偏差的主要原因是锅炉炉膛的烟气侧热偏差。在有燃烧的热态情况下，参数之间往往存在非线性耦合的关系，因此速度切圆会发生偏移，烟气流速和温度的分布是不对称的，相对于炉膛中心位置产生一定的偏斜，从而引起锅炉炉膛出口处烟气温度的非对称分布，形成热偏差。而且随着大容量锅炉的成批量投用，热偏差也会明显增加，温度和速度的非对称分布导致的热偏差是造成高温过热器超温爆管的主要原因。

超临界机组的发电效率很大程度上与材料的热应力极限值有关，目前运行的机组都已经非常接近材料允许的极限温度，如果高温过热器出现严重的热偏差，极有可能超出材料的热应力极限而损害管子的使用寿命，情况严重就会引起超温爆管，因此准确掌握材料的极限温度是机组安全高效运行的前提。

为了降低高温受热面发生爆管的概率，就需要解决电站锅炉运行过程中内流场热偏差过大的问题，目前利用传感器测量的方式获取高温过热器部分外管壁的温度，然后实时显示部分管壁的温度，无法做到所有管壁温度的在线监测。

发明内容

针对上述情况，为克服现有技术的缺陷，本发明提供一种锅炉内流场热偏差模型实时预测方法。

为了实现上述目的，本发明提供以下技术方案：

一种锅炉内流场热偏差模型实时预测方法，包括以下步骤：

1)将高温过热器前端截面所在烟气空间进行传热区域划分，在水平烟道内沿高度方向，从上到下将高温过热器等间隔划分成5个传热区域；在水平烟道内沿宽度方向，从左往右将高温过热器分为6个传热区域；并对划分得到传热区域进行编号T_j，j＝1，2，3，...，30，利用传感器对不同区域的管壁温度以及高温过热器进口处的工质温度t₀进行采集；

2)由步骤1)采集得到不同工况下的不同区域的管壁温度以及高温过热器进口处的工质温度t₀，查焓温表得到高温过热器进口处焓值h₀，根据高温过热器管分片分段模型，可以计算各管段工质温度t_j，具体方法如下：

a)将高温过热器进口处的工质温度t₀带入式(1)，得到各管段外壁所受热负荷q_j：

式中：

t_bj——各管段外壁的温度，由传感器采集得到，℃；

t_j——各管段内工质温度，℃；

β——高温过热器管子外径与内径的比值；

μ——热量均流系数；

q_j——各管段外壁所受热负荷，kW/m²；

δ——管壁的厚度，m；

λ——管壁材料的导热系数，kW/(m·℃)；

α′₂——蒸汽侧的对流放热系数，m²·℃/kW；

b)然后按照管内蒸汽流动方向累加各管段工质焓增Δh_j：

式中：

ΔH_j——各管段累计焓增；

Δh_j——各管段焓增；

A_j——各管段受热面积，m²；

D——工质流量，kg/s。

c)根据式(3)得到各管段焓值h_j，查焓温表得到各管段工质温度t_j；

h_j＝h₀+ΔH_j (3)

3)将步骤2)计算得到的各管段外壁所受热负荷q_j和各管段工质温度t_j带入式(4)，得到计算区域处的烟气温度值T_j；

式中：

T_j——计算点烟气温度，℃；

ε——计算点管子的污染系数；

α₂——计算点烟气侧辐射放热系数；

α₁——计算点烟气侧对流放热系数。

4)变换不同的运行工况，重复步骤2)和步骤3)，得到不同工况下的高温过热器前端截面处的烟温分布情况，将不同工况下的运行参数与烟温分布数据进行记录和保存；

5)选取对锅炉内流场热偏差影响较大的10个运行参数作为输入参数，包括：锅炉负荷x1、排烟温度x2、烟气含氧量x3、一次风风速x4、一次风开度x5、二次风风速x6、二次风开度x7、炉膛进口二次风压力x8、给粉机给粉量x9、燃烧器摆角平均位置x10，通过电厂DCS控制系统采集得到；以所对应的每个工况下的高温过热器前端截面处的区域烟气温度值(T1-T30)作为输出参数；首先对输入和输出参数进行数据清洗，然后对清洗后的数据进行标准化处理，依据Z-Score公式将变量标准化或无量纲化：

其中，x为需要被标准化的原始值，μ为均值，σ为标准差；最后随机划分训练集和测试集；

6)ELM模型在训练开始前，设定隐含层神经元个数及激活函数类型，再利用训练集对ELM进行训练，得到锅炉高温过热器前端截面处烟温热偏差预测模型；

7)利用滑动窗法对步骤6)得到的模型进行在线校正，对高温过热器前端截面处的烟温分布进行实时预测，将结果输出到显示界面。

进一步地，步骤1)中，将高温过热器前端截面所在烟气空间划分成30个传热区域，每个区域的管壁上布置多个测点，测量管壁温度。

进一步地，步骤6)具体包括如下步骤：

6.1)选择极限学习机(Extreme Learning Machine,ELM)作为实施模型，进行神经网络结构参数设置，确定输入层神经元数目10、输出层神经元数目30、隐含层神经元数目18，确定激活函数tanh，确定数据样本数1000，确定最小误差0.02、学习率0.001、最大迭代次数10000；

6.2)初始化隐含层神经元权值、输出层神经元权值；

6.3)固定隐含层神经元权值，不进行迭代求解，只需要求解从隐含层到输出层的权值；

6.4)将步骤5)中的训练集的输入参数和输出参数输入ELM模型，训练隐含层到输出层的权重；

6.5)利用步骤5)中的测试集对ELM模型进行仿真测试，通过计算均方误差MSE，对ELM的性能进行评价，

其中：y_i为真实值，y′_i为预测值，n为样本总数；

如果MSE<0.02，则转到步骤6.6)；如果MSE大于或者等于最小误差0.02，则返回修改隐含层数目、激活函数、学习率，并转到步骤6.4)；

6.6)存储输入层到隐含层的神经元权值，存储隐含层到输出层的神经元权值，得到锅炉高温过热器前端截面处烟温热偏差预测模型。

本发明的有益效果是：

(1)本发明能够实时预测锅炉内流场热负荷分布模型，由高温过热器第一排壁温测点预测烟温分布，为高温过热器后排壁温的精确计算提供了基础，操作人员可以精确掌握锅炉内流场的温度偏移，更加精准的了解哪一个区域的温度达到了材料的热应力极限值，发生爆管的概率最大，提前预防超温爆管事故的发生，也为今后锅炉内流场热偏差优化方案的提出提供了依据，指导锅炉的安全经济运行。

(2)本发明在运行过程中通过ELM找到锅炉负荷、排烟温度、烟气含氧量、给粉机给粉量、燃烧器摆角平均位置等与锅炉高温过热器前端截面处烟温热偏差的映射关系，经过预测模型在线输出不同工况下的高温过热器前端截面处的烟温分布，直观的显示出锅炉高温过热器前端截面处的热偏差，以防止高温爆管的情况出现。

(3)本发明通过采集高温过热器结构参数、管壁温度、管内介质参数和锅炉实时运行参数，计算高温过热器前端截面各个区域T1、T2、…T30的烟气温度值，通过离线数据建立高温过热器前端截面热偏差神经网络预测模型，在运行过程中通过预测模型找到锅炉运行参数与高温过热器前端截面处烟温热偏差的映射关系，利用滑动窗法实现对离线模型的在线校正，无需再重新训练，最终得到实时预测高温过热器前端截面烟温分布的模型，将锅炉内流场热偏差以烟温分布数据的形式直观的表达出来，防止因热偏差过大而出现高温爆管的事故。

(4)本发明不需要引入复杂的烟温测量设备，仅需在已有的控制系统中增加相应的软件计算模块；预测模型可以实时输出不同工况下的高温过热器前端截面烟温分布，操作人员可以直观的观察到烟温热偏差情况，防止因热偏差过大而出现高温爆管的事故。

附图说明

图1为各管段蒸汽温度计算流程图；

图2为不同工况下区域烟温计算流程图；

图3为ELM模型训练及评价流程图；

图4为烟温热偏差ELM单隐层神经网络模型结构图；

图5为高温过热器前端截面所在烟气空间的传热区域划分示意图；

具体实施方式

以下结合附图对本发明的技术方案做进一步详细说明，应当指出的是，具体实施方式只是对本发明的详细说明，不应视为对本发明的限定。

一种锅炉内流场热偏差模型实时预测方法，包括以下步骤：

1)将高温过热器前端截面所在烟气空间进行传热区域划分，在水平烟道内沿高度方向，从上到下将高温过热器等间隔划分成5个传热区域；在水平烟道内沿宽度方向，从左往右将高温过热器分为6个传热区域，并对划分得到传热区域进行编号T_j，j＝1，2，3，...，30，如图5所示；通过布置在各段管壁外的传感器采集不同区域的管壁温度，为了尽可能的减少单一传感器的测量误差，采用在炉外的同一个测点位置对称布置多个传感器，然后计算同一测点位置多个传感器采集数据的平均值作为最终的管壁温度，此处的管壁温度就是管段外壁的温度；这样可以提高传感器测量的准确度；高温过热器结构及设计参数可以通过锅炉使用和设计说明书获得；由传感器采集高温过热器进口处的工质温度t₀、压力、流量等参数；锅炉的实时运行数据通过电厂DCS控制系统采集，测点包括锅炉负荷、排烟温度、烟气含氧量、一次风风速、一次风风量、二次风风速、二次风风量、炉膛进口二次风压力、磨煤机给粉量、燃烧器摆角平均位置；

2)由步骤1)得到不同区域的管壁温度以及高温过热器进口处的工质温度t₀，查焓温表得到高温过热器进口处焓值h₀，根据高温过热器管分片分段模型，可以计算各管段工质温度t_j，(j＝1,2,3,4，…),如图1所示，具体方法如下：

将高温过热器进口处的工质温度t₀带入式(1)，得到各管段外壁所受热负荷q_j：

式中：

t_bj——各管段外壁的温度，由传感器采集得到，℃；

t_j——各管段内工质温度，℃；

β——高温过热器管子外径与内径的比值；

μ——热量均流系数；

q_j——各管段外壁所受热负荷，kW/m²；

δ——管壁的厚度，m；

λ——管壁材料的导热系数，kW/(m·℃)；

α′₂——蒸汽侧的对流放热系数，m²·℃/kW；

a)然后按照管内蒸汽流动方向累加各管段工质焓增Δh_j：

式中：

ΔH_j——各管段累计焓增；

Δh_j——各管段焓增；

A_j——各管段受热面积，m²；

D——工质流量，kg/s。

b)根据式(3)得到各管段焓值h_j，查焓温表得到各管段工质温度t_j，其中

h_j＝h₀+ΔH_j (3)

具体实施时，首先由高温过热器进口处的工质温度t₀，查焓温表得到高温过热器进口处焓值h₀，将h₀带入公式(3)，然后从j＝1开始，将t₀带入公式(1)，通过公式(1)、(2)、(3)进行计算，得到第一管段的工质温度t₁，然后将t₁带入公式(1)，通过公式(1)、(2)、(3)进行计算，得到第二管段的工质温度t₂，依次迭代，最终得到各管段工质温度t_j。

3)将步骤2)计算得到的各管段外壁所受热负荷q_j和各管段工质温度t_j带入式(4)，得到计算区域处的烟气温度值T_j；

式中：

T_j——计算点烟气温度，℃；

ε——计算点管子的污染系数；

α₂——计算点烟气侧辐射放热系数；

α₁——计算点烟气侧对流放热系数。

4)变换不同的运行工况，即改变锅炉的蒸发量、主蒸汽温度、烟气量、燃料量等运行参数，改变这些运行参数的目的就是为了获得尽可能不同变化下的烟温分布；重复步骤2)和步骤3)，这样就得到了锅炉运行在不同工况下的高温过热器前端截面处的烟温分布情况，将不同工况下的运行参数与烟温分布数据进行记录和保存，如图2所示；

5)为了既保证模型精度又尽可能的减小模型的复杂度，选取对锅炉内流场热偏差影响较大的10个运行参数作为输入参数，输入参数分别为锅炉负荷x1、排烟温度x2，排烟温度也就是空预器出口烟气温度、烟气含氧量x3、一次风风速x4、一次风风量x5、二次风风速x6、二次风风量x7、炉膛进口二次风压力x8、磨煤机给粉量x9、燃烧器摆角平均位置x10，以所对应的每个工况下的高温过热器前端截面处的区域烟气温度值(T1-T30)作为输出参数，首先对输入和输出参数进行数据清洗，然后对清洗后的数据进行标准化处理，依据式(5)将变量标准化，最后随机划分80％的训练集和20％的测试集；

其中，x为需要被标准化的原始值，μ为均值，σ为标准差；

6)ELM算法在训练开始前，还需设定隐含层神经元个数及激活函数类型，利用步骤5)得到的训练集对ELM进行训练，得到锅炉高温过热器前端截面处烟温热偏差预测模型；具体地包括以下步骤：

6.1)选择极限学习机(Extreme Learning Machine,ELM)作为实施模型，如图4所示，进行神经网络结构参数设置，确定输入层神经元数目n_input＝10、输出层神经元数目n_output＝30、隐含层神经元数目n_hidden＝sqrt(n_input·n_output)＝17.3，取隐含层神经元数目为18，确定激活函数为确定数据样本数为1000，确定最小误差为0.02、学习率为0.001、最大迭代次数为10000；

6.2)初始化隐含层神经元权值w1、输出层神经元权值w2，均通过随机函数w＝np.random.randn(n)/sqrt(n)确定，其中，n表示输入参数的数量；

6.3)固定隐含层神经元权值w1，不进行迭代求解，只需要求解从隐含层到输出层的权值w2；

6.4)将步骤5)中的训练集的输入参数和输出参数输入ELM模型，训练隐含层到输出层的权重；

6.5)利用步骤5)中的测试集对ELM模型进行仿真测试，通过公式(6)计算均方误差MSE，对ELM的性能进行评价，如图3所示，

其中：y_i为真实值，y′_i为预测值，n为样本总数；

如果MSE<0.02，则转到步骤6.6)；如果MSE大于或者等于最小误差0.02，则返回修改隐含层数目、激活函数、学习率，并转到步骤6.4)；

6.6)存储输入层到隐含层的神经元权值，存储隐含层到输出层的神经元权值，得到锅炉高温过热器前端截面处烟温热偏差预测模型；

7)利用滑动窗法实现模型的在线校正，这样就可以实现对离线模型进行校正，无需再重新进行训练，即可对高温过热器前端截面处的烟温分布进行实时预测，将结果输出到显示界面，就可以直接观察到高温过热器前端的热偏差分布。

显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

Claims (3)

1.一种锅炉内流场热偏差模型实时预测方法，其特征是，包括以下步骤：

1)将高温过热器前端截面处所在烟气空间进行传热区域划分，在水平烟道内沿高度方向，从上到下将高温过热器等间隔划分成5个传热区域；在水平烟道内沿宽度方向，从左往右将高温过热器分为6个传热区域；并对划分得到传热区域进行编号T_j，j＝1，2，3，...，30，利用传感器对不同区域的管壁温度以及高温过热器进口处的工质温度t₀进行采集；

2)由步骤1)采集得到不同工况下的不同区域的管壁温度以及高温过热器进口处的工质温度t₀，查焓温表得到高温过热器进口处焓值h₀，根据高温过热器管分片分段模型，可以计算各管段工质温度t_j，具体方法如下：

a)将高温过热器进口处的工质温度t₀带入式(1)，得到各管段外壁所受热负荷q_j：

式中：

t_bj——各管段外壁的温度，由传感器采集得到，℃；

t_j——各管段内工质温度，℃；

β——高温过热器管子外径与内径的比值；

μ——热量均流系数；

q_j——各管段外壁所受热负荷，kW/m²；

δ——管壁的厚度，m；

λ——管壁材料的导热系数，kW/(m·℃)；

α′₂——蒸汽侧的对流放热系数，m²·℃/kW；

b)然后按照管内蒸汽流动方向累加各管段工质焓增Δh_j：

式中：

ΔH_j——各管段累计焓增；

Δh_j——各管段焓增；

A_j——各管段受热面积，m²；

D——工质流量，kg/s。

c)根据式(3)得到各管段焓值h_j，查焓温表得到各管段工质温度t_j；

h_j＝h₀+ΔH_j (3)

3)将步骤2)计算得到的各管段外壁所受热负荷q_j和各管段工质温度t_j带入式(4)，得到计算区域处的烟气温度值T_j；

式中：

T_j——计算点烟气温度，℃；

ε——计算点管子的污染系数；

α₂——计算点烟气侧辐射放热系数；

α₁——计算点烟气侧对流放热系数。

4)变换不同的运行工况，重复步骤2)和步骤3)，得到不同工况下的高温过热器前端截面处的烟温分布情况，将不同工况下的运行参数与烟温分布数据进行记录和保存；

5)选取对锅炉内流场热偏差影响较大的10个运行参数作为输入参数，包括：锅炉负荷x1、排烟温度x2、烟气含氧量x3、一次风风速x4、一次风开度x5、二次风风速x6、二次风开度x7、炉膛进口二次风压力x8、给粉机给粉量x9、燃烧器摆角平均位置x10，通过电厂DCS控制系统采集得到；以所对应的每个工况下的高温过热器前端截面处的区域烟气温度值(T1-T30)作为输出参数；首先对输入和输出参数进行数据清洗，然后对清洗后的数据进行标准化处理，依据Z-Score公式将变量标准化或无量纲化：

其中，x为需要被标准化的原始值，μ为均值，σ为标准差；最后随机划分训练集和测试集；

6)ELM模型在训练开始前，设定隐含层神经元个数及激活函数类型，再利用训练集对ELM进行训练，得到锅炉高温过热器前端截面处烟温热偏差预测模型；

7)利用滑动窗法对步骤6)得到的模型进行在线校正，对高温过热器前端截面处的烟温分布进行实时预测，将结果输出到显示界面。

2.根据权利要求1所述的一种锅炉内流场热偏差模型实时预测方法，其特征是，步骤1)中，将高温过热器前端截面所在烟气空间划分成30个传热区域，每个区域的管壁上布置多个测点，测量管壁温度。

3.根据权利要求1所述的一种锅炉内流场热偏差模型实时预测方法，其特征是，步骤6)具体包括如下步骤：

6.1)选择极限学习机(Extreme Learning Machine,ELM)作为实施模型，进行神经网络结构参数设置，确定输入层神经元数目10、输出层神经元数目30、隐含层神经元数目18，确定激活函数tanh，确定数据样本数1000，确定最小误差0.02、学习率0.001、最大迭代次数10000；

6.2)初始化隐含层神经元权值、输出层神经元权值；

6.3)固定隐含层神经元权值，不进行迭代求解，只需要求解从隐含层到输出层的权值；

6.4)将步骤5)中的训练集的输入参数和输出参数输入ELM模型，训练隐含层到输出层的权重；

6.5)利用步骤5)中的测试集对ELM模型进行仿真测试，通过计算均方误差MSE，对ELM的性能进行评价，

其中：y_i为真实值，y′_i为预测值，n为样本总数；

如果MSE<0.02，则转到步骤6.6)；如果MSE大于或者等于最小误差0.02，则返回修改隐含层数目、激活函数、学习率，并转到步骤6.4)；

6.6)存储输入层到隐含层的神经元权值，存储隐含层到输出层的神经元权值，得到锅炉高温过热器前端截面处烟温热偏差预测模型。