CN114117934A - 基于门控神经网络的电站锅炉水冷壁壁温在线预测方法 - Google Patents

Abstract

基于门控神经网络的电站锅炉水冷壁壁温在线预测方法，属于电站锅炉设备水冷壁管道温度测量领域。本发明解决了利用现有更新模型难以实现对水冷壁管温度长期实时精准预测的问题。本发明方法包括：采集水冷壁管道温度和温度相关变量；对水冷壁管道温度和温度相关变量进行预处理，得到预处理后的数据，得作为历史训练数据集；建立门控神经网络模型，利用历史训练数据对门控神经网络模型进行离线训练；对离线训练好的门控神经网络模型进行模型参数在线更新，得到在线更新参数的门控神经网络模型；将实时采集的水冷壁管道温度相关变量输入至在线更新后的门控神经网络模型，输出得到预测的水冷壁管道温度。本发明用于锅炉水冷壁管道温度预测。

Description

基于门控神经网络的电站锅炉水冷壁壁温在线预测方法

技术领域

本发明涉及基于门控神经网络的水冷壁管道温度在线预测方法。属于电站锅炉设备水冷壁管道温度软测量技术领域。

背景技术

锅炉是火电机组的三大主机之一，炉膛内部结构复杂，大小事故频发。在火力发电厂中锅炉的可靠程度直接影响到电站的安全性。在较长一段时间内还将以火力发电为主。加强锅炉的安全性与经济性，保证机组持续稳定运行是今后的重要发展方向。

每年由锅炉故障导致的非计划停运占计划外停机总时间的58％。随着热力发电行业的高速发展，超超临界锅炉的设计指标由常规的参数提高到更高效的参数，再热器也由原来的一次再热提高到二次再热。现有技术中有一种660WM超超临界二次再热燃煤发电机组。随着机组功率增加，过热器系统压力的升高，出口蒸汽温度已达到623℃，这使得水冷壁管道中高压水汽的温度也相应提高。在此情况下锅炉的持续稳定运行问题要得到重视，锅炉的可靠与否将决定整个电厂是否稳定运行。

在锅炉中水冷壁是辐射蒸发的受热面，是锅炉蒸发受热面的重要组成部分。水冷壁壁面上的热负荷非常高，水冷壁管中的流体工作情况复杂，物理性质不稳定。高温、腐蚀、结渣、过热等问题都有可能导致水冷壁爆管，严重时会影响机组的运行。有调查指出锅炉受热面系统泄漏故障占机组故障总数的一半以上，而受热面故障中的水冷壁子系统的爆管问题是造成锅炉停运的主要原因之一，因此对水冷壁管道温度进行提前预测是十分有必要的。

水冷壁管道温度和相关输入变量直接受到锅炉运行负载变化的直接影响，不同的负载下变量与变量，变量与水冷壁温度之间具有不同的状态，呈现出强烈的非线性和非高斯特性，并且由于水冷壁温度会受到大量的人工调节影响，虽然短期内静态模型可以获得较精准的预测结果，但是非在线更新模型无法实现水冷壁温度的长期预测。

发明内容

本发明是为了解决利用现有更新模型难以实现对水冷壁管温度长期实时精准预测的问题。现提供基于门控神经网络的电站锅炉水冷壁壁温在线预测方法。

基于门控神经网络的电站锅炉水冷壁壁温在线预测方法，包括：

步骤一、利用传感器等间隔采集水冷壁管道温度和水冷壁管道温度相关变量，所述水冷壁管道温度相关变量包括、锅炉给水阀入口压力、侧二次风温和再热器温度；

步骤二、对水冷壁管道温度和水冷壁管道温度相关变量进行数据预处理，得到预处理后的数据，作为历史训练数据集，其中输入训练数据为水冷壁管道温度相关变量，输出训练数据为水冷壁管道温度；

步骤三、建立门控神经网络模型，利用历史训练数据对门控神经网络模型进行离线训练，得到离线训练好的门控神经网络模型；

步骤四、对离线训练好的门控神经网络模型进行模型参数在线更新，得到在线更新参数的门控神经网络模型，具体过程包括：

在历史训练数据集中找出与实时采集的水冷壁管道温度相关变量相关度高的训练数据，所述训练数据包括水冷壁管道相关变量和水冷壁管道温度，利用找出的训练数据对门控神经网络模型进行参数的在线更新，得到在线更新后的门控神经网络模型；

步骤五、将实时采集的水冷壁管道温度相关变量输入至在线更新后的门控神经网络模型，输出得到预测的水冷壁管道温度，并将所述实时采集的水冷壁管道温度相关变量和预测的水冷壁管道温度经预处理后存入历史训练数据集中。

有益效果

本发明在门控神经网络中使用双层滑窗方法，解决了门控神经网络在线更新过拟合的问题，同时也解决了非实时更新模型在在线流程工业中随时间递推而造成模型失效的问题。

本发明在模型构建与训练阶段，通过对采集的数据中缺失和损坏的数据进行归一化处理，提高了模型训练的精度，且大大降低了模型训练时长。

随着工况的改变和人为调节的频繁介入，模型的失效时间将大大缩减，动态模型可以通过实时采集的数据对所建立的模型进行微调，使模型可以适应当前工况，对水冷壁温度进行长期且精准的预测。进而确保相关反馈控制系统的控制精准性，乃至精益管理的深化实施。

通过与工业现场传感器网络相结合，保证模型在训练，预测和跟新阶段都可以得到最新的相关变量数据，使得模型在建立和运行更加符合工业现场对实时性的要求。

对所采集到的数据进行缺失数据和异常数据剔除，保证了模型在训练，预测和更新阶段所使用数据的有效性，减少缺失数据和异常数据对模型的影响，减小了模型失效的风险，符合工业过程对模型稳定性的需求；对数据进行归一化处理，减少了模型训练和更新的时间，符合工业现场对于模型实时性和快速性的要求。

门控神经网络在线预测和更新阶段，使用双层滑窗方法，解决了门控神经网络在线更新过拟合的问题，同时也解决了非实时更新模型在在线流程工业过程中随时间递推造成模型失效的问题。相比于现有的非更新模型在流程工业频繁失效的问题，所提模型可以更好地完成流程工业现场的预测工作。

本发明所提供的一种基于门控神经网络的水冷壁管道温度在线预测方法与现有方法相比可以更好地满足流程工业对于数据实时性和稳定性的要求，减少了模型失效的风险。

附图说明

图1基于门控神经网络的水冷壁管道温度在线预测方法流程图；

图2为本发明的水冷壁壁温部分相关变量图；

图3为本发明的水冷壁壁温变量图；

图4为本发明的红外水分仪可靠性曲线图。

具体实施方式

具体实施方式一：以电站锅炉实际工作过程为例，基于实际运行过程采集的真实数据，对一种基于门控神经网络的电站锅炉水冷壁壁温在线预测方法做详细描述。参照图1-4具体说明本实施方式，本实施方式基于门控神经网络的电站锅炉水冷壁壁温在线预测方法，包括：

步骤一、利用传感器等间隔采样采集水冷壁管道温度，以及水冷壁管道温度相关变量，所述水冷壁管道温度为通过特定的温度传感器检测获得的水冷壁中金属管道的表面温度，所述相关变量为通过不同传感器实时检测得到的变量，其中，所述相关变量包括但不限于锅炉给水阀入口压力、侧二次风温和再热器温度等；

所述水冷壁管道温度为通过设定温度传感器监测获得的水冷壁中金属管道表面温度；所述相关输入变量为通过不同传感器实时检测获得的在冷壁流程之前的与水冷壁管道温度预测相关的变量；每一种特定传感器获得一种相关输入变量参数，不同的传感器在同一时刻获取的不同变量参数为相关输入变量集；

步骤二、对采集到的水冷壁管道温度和水冷壁管道温度相关变量进行数据预处理，得到预处理后的数据，作为历史训练数据集，其中输入训练数据为水冷壁管道温度相关变量，输出训练数据为水冷壁管道温度；

步骤三、建立门控神经网络模型，利用历史训练数据对门控神经网络模型进行离线训练，得到离线训练好的门控神经网络模型；

步骤四、对离线训练好的门控神经网络模型进行模型参数的在线更新，得到在新更新参数的门控神经网络模型，具体过程包括：

在历史训练数据集中找出与实时采集的水冷壁管道温度相关变量相关度高的训练数据，可将数值是否相近来判断相关度，例如：找出与实时采集的水冷壁管道温度相关变量数据最接近的数据，所述训练数据包括水冷壁管道相关变量和水冷壁管道温度，利用找出的训练数据对门控神经网络模型进行参数的在线更新，得到在线更新后的门控神经网络模型；

步骤五、将实时采集的水冷壁管道温度相关变量输入至在线更新后的门控神经网络模型，输出得到预测的水冷壁管道温度，并将所述实时采集的水冷壁管道温度相关变量和预测的水冷壁管道温度经预处理后存入历史训练数据集中。

具体实施方式二：本实施方式与具体实施方式一不同的是，所述步骤二对采集到的水冷壁管道温度和水冷壁管道温度相关变量进行数据预处理，得到预处理后的数据，作为历史训练数据集，具体过程包括：

步骤二一、剔除在某一时刻传感器收集的含有缺失或损坏数据的所有数据；

在实际的生产过程中，由于各传感器之间通讯距离长、现场采集环境附载以及传输网络负载变动等原因，可能导致传感器在采集和传输过程中产生数据丢失和损坏的情况，丢失数据在采集记录中以NAN的形式出现，损坏数据以超出传感器采集幅值上限和下限的形式出现，采集到的数据若存在丢失或损坏，则将该时刻所有传感器采集的数据一起删除，以保证数据的完整性；

步骤二二、对剔除数据后的水冷壁管道温度相关变量和水冷壁管道温度相关变量进行归一化处理；

对采集到的数据进行归一化处理，可以提高模型在离线训练时的精度，并且能够有效减少模型离线训练的时间；

步骤二三、设置步长，将归一化后的水冷壁管道温度相关变量和水冷壁管道温度按照设置的时间步长进行滑窗分割，得到长度相同的数据，作为历史训练数据集；

过短的时间步长会使得模型无法学习到水冷壁管道温度与相关变量之间的关系，过长的时间步长会使得模型的学习和计算时间太长。

其他步骤及参数与具体实施方式一相同。

具体实施方式三：本实施方式与具体实施方式一或二不同的是，所述对剔除数据后的水冷壁管道温度相关变量和水冷壁管道温度相关变量进行归一化处理，具体过程为：

其中x*代表归一化后的样本数据，x_min代表样本数据中最小值，x_max代表样本数据中的最大值。

其他步骤及参数与具体实施方式一或二相同。

具体实施方式四：本实施方式与具体实施方式一至三之一不同的是，所述滑窗的宽度为水冷壁管道温度相关输入变量的个数，所述滑窗的长度为时间步长。

其他步骤及参数与具体实施方式一至三之一相同。

具体实施方式五：本实施方式与具体实施方式一至四之一不同的是，步骤三中，门控神经网络的前项传递网络为：

r_t＝σ(W_r·[h_t-1,x_t])

z_t＝σ(W_z·[h_t-1,x_t])

y＝σ(W_y·h+b)

其中，r_t表示重置门；z_t表示更新门；W_r表示重置门的共享权值；σ和tanh表示非线性激活函数；h_t-1表示t-1时刻的隐藏态；x_t表示t时刻的输入值；

表示t时刻隐藏态的备选值；

表示备选状态更新的共享权值；y表示预测温度值；W_y表示预测全连接层的共享权值；b表示预测全连接层的偏置值。

其他步骤及参数与具体实施方式一至四之一相同。

具体实施方式六：本实施方式与具体实施方式一至五之一不同的是，针对前向传递网络建立的损失函数为：

其中，Loss表示预测值与真实值之间的损失值；m表示一个样本中采样时间点的个数； y_i表示第i个真实值；

表示第i个预测值；

以样本数据作为输入，门控神经网络权重的导数作为样本的梯度，基于Adam优化器对门控神经网络权重进行更新：

其中，v_t表示t时刻的速度；v_t-1表示t-1时刻的速度；

表示所有样本的平均梯度；ρ₁表示一阶矩估计的指数衰减率；r_t表示t时刻累计平方梯度；ρ₂表示二阶矩估计的指数衰减率；

表示经过偏差修正后的累计平方梯度；x_t表示t时刻的网络参数；ε表示非零参数；r_t-1表示t-1时刻累计平方梯度；

表示一阶矩估计在t时刻修正的指数衰减率；

表示二阶矩估计在t时刻修正的指数衰减率；

表示经过偏差修正后的t时刻累计平方梯度；x_t表示t时刻的网络参数；x_t-1表示t-1时刻的网络参数；ε表示非零参数；η表示梯度更新算法的步长。

其他步骤及参数与具体实施方式一至五之一相同。

具体实施方式七：本实施方式与具体实施方式一至六之一不同的是，所述门控神经网络模型中参数的在线更新采用双层滑窗分割，其中，第一层滑窗分割采用步骤二中的动态滑窗分割，将实时采集到的相关输入变量与历史相关输入变量连接，最后根据所设置的时间步长将连接后的相关输入变量切割出含有最新数据的单个样本；第二层滑窗分割：选出与当前时间接近的K个样本点(K为设定的样本点个数，样本点为经过第一层滑窗分割分割处的具有相同步长的时间窗样本)和Adam优化器完成对模型参数的实时更新。

考虑到流程工业的长期性，如燃煤电厂等流程工业过程一旦开始运行，过程将持续很长时间，若没有突发故障等事件一般不会出现停机，过大的数据量会加重模型在线更新的代价，故采用第二层滑窗分割。

其他步骤及参数与具体实施方式一至六之一相同。

实施例

图4为在线更新门控神经网络预测结果，从图4中可以看出在线更新模型随着时间的推移模型可以较好地跟上管道温度的趋势，实现较好的预测。

为体现基于门控神经网络的在线预测方法(Online GRU)优势，利用相同数据，分别采用非在线更新模型Lasso回归模型(LASSO)和门控神经网络模型(GRU)进行模型对比，预测值与实际值偏差是否在5℃，3℃和1℃以内为评判标准，模型对比结果如表1所示。

表1模型预测准确率对比结果

从表1中可知，无论是在小于5℃、小于3℃还是小于1℃的准确率中，其他模型都比本发明所提方法差，有此验证了本方法在水冷壁管道温度在线预测中的优势，相比于其他2种方案，本发明所提出的准确率高出4-10倍，由于采用双层滑窗方法，使得所提模型实时提取了相关变量和水冷壁管道温度之间的关系并更新模型参数，使得模型避免了失效的风险，提高了预测的准确率。图1为基于门控神经网络的水冷壁管道温度在线预测方法流程图。

综上，本发明提出的一种基于门控神经网络的水冷壁管道温度在线预测方法，使用特定传感器采集的不同变量的实时数据，采用双层滑窗技术实现了门控神经网络的在线更新和预测，有效提高了水冷壁管道温度预测的准确性，避免了模型失效的风险，在水冷壁管道温度预测等相似过程中拥有较高的应用价值。

本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (8)

1.基于门控神经网络的电站锅炉水冷壁壁温在线预测方法，其特征在于，包括以下步骤：

步骤一、利用传感器等间隔采集水冷壁管道温度和水冷壁管道温度相关变量，所述水冷壁管道温度相关变量包括锅炉给水阀入口压力、侧二次风温和再热器温度；

步骤二、对水冷壁管道温度和水冷壁管道温度相关变量进行数据预处理，得到预处理后的数据，作为历史训练数据集，其中输入训练数据为水冷壁管道温度相关变量，输出训练数据为水冷壁管道温度；

步骤三、建立门控神经网络模型，利用历史训练数据对门控神经网络模型进行离线训练，得到离线训练好的门控神经网络模型；

步骤四、对离线训练好的门控神经网络模型进行模型参数在线更新，得到在线更新参数的门控神经网络模型，具体过程包括：

在历史训练数据集中找出与实时采集的水冷壁管道温度相关变量相关度高的训练数据，所述训练数据包括水冷壁管道相关变量和水冷壁管道温度，利用找出的训练数据对门控神经网络模型进行参数的在线更新，得到在线更新后的门控神经网络模型；

步骤五、将实时采集的水冷壁管道温度相关变量输入至在线更新后的门控神经网络模型，输出得到预测的水冷壁管道温度，并将所述实时采集的水冷壁管道温度相关变量和预测的水冷壁管道温度经预处理后存入历史训练数据集中。

2.根据权利要求1所述基于门控神经网络的电站锅炉水冷壁壁温在线预测方法，其特征在于，所述水冷壁管道温度相关变量包括锅炉给水阀入口压力、侧二次风温和再热器温度。

3.根据权利要求1所述基于门控神经网络的电站锅炉水冷壁壁温在线预测方法，其特征在于，所述对水冷壁管道温度和水冷壁管道温度相关变量进行数据预处理，得到预处理后的数据，作为历史训练数据集，具体过程包括：

步骤二一、剔除在某一时刻传感器收集的含有缺失或损坏数据的所有数据；

步骤二二、对剔除数据后的水冷壁管道温度和水冷壁管道温度相关变量进行归一化处理；

步骤二三、设置时间步长，将归一化后的水冷壁管道温度相关变量和水冷壁管道温度按照设置的时间步长进行滑窗分割，得到长度相同的数据，作为历史训练数据集。

4.根据权利要求3所述基于门控神经网络的电站锅炉水冷壁壁温在线预测方法，其特征在于，所述步骤二二对剔除数据后的水冷壁管道温度和水冷壁管道温度相关变量进行归一化处理，具体过程为：

其中x*代表归一化后的样本数据，x_min代表样本数据中最小值，x_max表示样本数据中的最大值。

5.根据权利要求4所述基于门控神经网络的电站锅炉水冷壁壁温在线预测方法，其特征在于，步骤二三中滑窗的宽度为水冷壁管道温度相关变量的个数，所述滑窗的长度为时间步长。

6.根据权利要求5所述基于门控神经网络的电站锅炉水冷壁壁温在线预测方法，其特征在于，步骤三中门控神经网络的前向传递网络表示为：

r_t＝σ(W_r·[h_t-1,x_t])

z_t＝σ(W_z·[h_t-1,x_t])

y＝σ(W_y·h+b)

其中，r_t表示重置门；z_t表示更新门；W_r表示重置门的共享权值；σ和tanh表示非线性激活函数；h_t-1表示t-1时刻的隐藏态；x_t表示t时刻的输入值；

表示t时刻隐藏态的备选值；

表示备选状态更新的共享权值；y表示预测温度值；W_y表示预测全连接层的共享权值；b表示预测全连接层的偏置值。

7.根据权利要求6所述基于门控神经网络的电站锅炉水冷壁壁温在线预测方法，其特征在于，所述前向传递网络的损失函数表示为：

其中，Loss表示预测值与真实值之间的损失值；m表示一个样本中采样时间点的个数；y_i表示第i个真实值；

表示第i个预测值。

8.根据权利要求7所述基于门控神经网络的电站锅炉水冷壁壁温在线预测方法，其特征在于，在对门控神经网络模型训练时，需要对门控神经网络模型进行权重更新：

其中，v_t表示t时刻的速度；v_t-1表示t-1时刻的速度；

表示所有样本的平均梯度；ρ₁表示一阶矩估计的指数衰减率；r_t表示t时刻累计平方梯度；ρ₂表示二阶矩估计的指数衰减率；

表示经过偏差修正后的累计平方梯度；x_t表示t时刻的网络参数；ε表示非零参数；r_t-1表示t-1时刻累计平方梯度；

表示一阶矩估计在t时刻修正的指数衰减率；

表示二阶矩估计在t时刻修正的指数衰减率；

表示经过偏差修正后的t时刻累计平方梯度；x_t表示t时刻的网络参数；x_t-1表示t-1时刻的网络参数；ε表示非零参数；η表示梯度更新步长。

Images