CN115510904A

CN115510904A - 基于时序预测的锅炉受热面积灰监测方法

Info

Publication number: CN115510904A
Application number: CN202211171614.7A
Authority: CN
Inventors: 王赫阳; 尹珩宇
Original assignee: Tianjin University
Current assignee: Tianjin University
Priority date: 2022-09-26
Filing date: 2022-09-26
Publication date: 2022-12-23
Anticipated expiration: 2042-09-26
Also published as: CN115510904B

Abstract

本发明公开一种基于时序预测的锅炉受热面积灰监测方法，包括：获取历史运行数据，建立初始数据集；建立换热机理模型，选取需监测的目标受热面，依据运行数据获得受热面的实际吸热量和其理论吸热量，计算得出积灰导致的热量损失比；以热量损失比为预测目标，使用主成分分析法对数据集降维后筛选与所述目标受热面吸热量强烈相关的运行参数为输入特征；构建基于GRU的积灰监测模型，将步骤三获得的输入特征变量作为模型的输入特征，步骤二获得的热量损失比作为输出特征，对数据集进行模型训练获得预测模型并确定吹灰阈值；将实时采集数据导入预测模型中预测热量损失比，比较吹灰阈值和热量损失比，给出吹灰建议。

Description

基于时序预测的锅炉受热面积灰监测方法

技术领域

本发明涉及锅炉监测技术领域，具体涉及一种针对快速变负荷机组受热面上的基于时序预测的锅炉受热面积灰监测方法。

背景技术

锅炉受热面的积灰来源于煤中的灰分，煤燃烧后产生的飞灰随烟气运动并粘附到受热面上。飞灰累积所形成污垢的状态一般为多孔隙状态，其本身会有较高的热阻，在受热面上累积到一定程度上会严重影响烟气与工质的换热过程。然而，由于锅炉内部运行环境比较恶劣，难以对炉内各受热面上的积灰状态进行有效地观测，并进行适时地清除。受热面上的污垢在粘附生长过程中会受重力或烟道风力产生脱落，这给受热面污垢的精确吹扫带来困难。特别是近些年来电厂锅炉的负荷需要灵活调动以适应新能源发电的并网，在负荷快速变化的过程中，受热面的积灰速率会随之变化，同时变负荷过程中烟道的阻力及壁面热应力的变化会造成受热面上污垢的脱落，影响壁面的积灰状态。

现有的锅炉受热面积灰在线监测技术有测量炉膛出口烟温、采用壁面热流计和热平衡计算法，测量炉膛出口烟温的缺点是无法确定锅炉哪个受热面需要重点吹灰，易造成有的受热面未达到吹灰要求，有的受热面吹灰过量；壁面热流计的价格比较昂贵，不便于推广应用。热平衡计算法通常是从省煤器入口或空气预热器入口测得烟温和相应的汽水侧温度，逆烟气的流程逐段进行各受热面的热平衡计算从而推算炉膛出口烟温，但是该方法不能准确判断积灰程度。而一些其他的受热面智能监测技术多考虑稳定工况下积灰的增长过程，对于快速变负荷下受热面积灰的生长脱落难以准确预测。在锅炉负荷的快速波动过程中，受热面上的积灰不仅在累积，同时也会受工况变化影响而发生脱落，这个累积及脱落过程都与前一段机组的运行状态有极大的联系。

为此需要一种对快速变负荷机组受热面上的积灰状态进行有效检测的受热面积灰监测方法。

发明内容

针对目前的智能吹灰技术难以对快速变负荷机组受热面上的积灰状态进行有效的检测并进行清除，本发明提供一种基于时序预测的锅炉受热面积灰监测方法，所述监测方法在系统关键预测模型的建立过程中考虑运行数据中与时序信息相关的灰层累积及脱落信息，以实现在锅炉快速变负荷的运行情况下，通过有限的运行数据对受热面的积灰情况进行预测，最后基于受热面的热量损失来决定吹灰系统的操作，以获得一个能够精确检测变负荷过程中积灰状态变化并给出吹灰建议的智能吹灰系统。

本发明的目的是通过以下技术方案实现的：

基于时序预测的锅炉受热面积灰监测方法，包括：

步骤一：从机组现有的DCS系统中获取历史运行数据，建立初始数据集；遍历初始数据集内的数据，对空白缺失项利用线性差值法计算空白数据值，从而将数据补全；然后使用基于高斯分布的检测将异常值剔除；最后使用小波降噪对数据噪声进行处理，从而获得符合标准高斯分布的处理后的数据集；

其中，所述初始数据集采集的数据包括受热面烟气侧运行数据和工质侧运行数据；

步骤二：基于燃烧、传热原理对上一步处理后的数据集建立换热机理模型，选取锅炉内目标受热面的工质侧运行数据获得受热面的实际吸热量，再结合烟气侧运行数据、结构获得所述目标受热面的理论吸热量；根据该目标受热面的理论吸热量与实际吸热量计算得出所述目标受热面由积灰导致的热量损失比；

步骤三：以获得的热量损失比为预测目标，使用主成分分析法对步骤一获得的处理后的数据集正交变换为低维变量的数据系统，变换后筛选与所述目标受热面吸热量强烈相关的运行参数从而确定输入特征变量；

步骤四：构建基于门控循环单元GRU的积灰监测模型，将步骤三获得的输入特征变量作为模型的输入特征，步骤二获得的热量损失比作为输出特征，对步骤一获得的处理后的数据集进行模型训练，训练当前信息以及历史时序信息做出当前时刻的输出，从而获得锅炉运行过程中所述目标受热面热损失系数变化趋势的预测模型；

步骤五：依据步骤四获得预测模型中的变化趋势图确定吹灰阈值，将吹灰阈值确定在稳定工况下积灰量的峰值位置附近；将实时采集的数据导入步骤四获得的预测模型中预测目标受热面热量损失比，再将吹灰阈值和热量损失比进行比较，如果热量损失比达到吹灰阈值时，认为受热面污染程度高，需要吹灰。

进一步的，所述受热面烟气侧运行数据包括锅炉负荷、给煤量、一二次风量、尾部烟道出口烟气流速、烟气温度和含氧量；工质侧运行数据包括总给水压力、温度、流量以及受热面进出口工质温度、流量以及压力。

进一步的，所述步骤三具体包括如下步骤：

首先对处理后的数据集进行标准化处理以消除分析过程中由于变量数据间数量级上差异所带来的误差，根据

求解出标准化后矩阵X的样本相关系数矩阵R(这里X^T表示矩阵的转置，n为矩阵阶数)；

进而求解|R-λI_p|＝0计算出不同特征变量的特征值；

获得特征值后通过累积计算

确定主成分即输入特征，m为主成分个数，p为原矩阵变量个数，λ为特征值；所述输入特征包括煤的灰分、水分以及低位发热量、锅炉负荷、一二次风温、屏式过热器的出口烟气温度及蒸汽参数。

进一步的，所述步骤四中的积灰监测模型的模型训练过程采用随机梯度下降策略，损失函数使用均方误差，训练完成后可获得锅炉运行过程中目标受热面热损失系数变化趋势的预测模型。

进一步的，所述方法适用于锅炉内的各个受热面，包括过热器、再热器、省煤器。

与现有技术相比，本发明的技术方案所带来的有益效果是：

本发明所述的监测方法考虑运行数据中与时序信息相关的灰层累积及脱落信息，针对锅炉快速变负荷的运行情况，使用循环神经网络训练与时序信息相关的数据获得目标受热面热损失系数变化趋势的预测模型，从而基于受热面的热量损失来决定吹灰系统的操作，以获得一个能够精确检测变负荷过程中积灰状态变化并给出吹灰建议的智能吹灰系统。

附图说明

图1是本发明所述的一种基于时序预测的锅炉受热面积灰监测方法流程图；

图2是基于门控循环单元GRU的积灰监测模型的流程图；

图3是根据步骤5)训练完成的监测模型对重新实时采集的运行数据的预测结果图。

具体实施方式

为使本发明实施例的目的、技术方案、有益效果及显著进步更加清楚，下面结合本发明实施例中所提供的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所有描述的这些实施例仅是本发明的部分实施例，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，都属于本发明保护的范围。

本实施例将本发明所述的基于时序预测的锅炉受热面积灰监测方法应用在某电厂一550W超临界墙式对冲锅炉上，监测受热面为屏式过热器，具体方法如图1所示：

1)首先需要获取锅炉DCS系统中的历史数据，该示例从机组现有的DCS系统中获取了7月18日至8月23日一个多月的运行数据，数据采集频率为5min/次，共计13726组初始数据建立初始数据集。对于本实施例中的屏式过热器而言，采集的数据包括：锅炉负荷、给煤量、一二次风量、尾部烟道出口烟气流速、烟气温度、含氧量等受热面烟气侧运行数据，工质侧运行数据包括各总给水压力、温度、流量以及屏式过热器进出口工质温度、流量以及压力等。

2)获得初始数据以后，在初始数据集内遍历数据中的空白缺失项，发现有14处空白，利用线性差值法计算空白数据值，从而将数据补全；然后使用基于高斯分布的检测将异常值剔除；最后使用小波降噪对数据噪声进行处理，从而获得符合标准高斯分布的处理后的数据集。其中，小波变换表达式及阈值去噪函数分别为：

。式中ψ(j,k)为基本小波，f(t)为平方可积函数，j为频域，k为离散化平移因子，sgn()为符号函数，λ为噪声函数的阈值。经过小波降噪处理后的数据更加平稳，波动性较小，用以训练更易让模型学习到其中复杂的非线性关系，另外也会加速模型训练的收敛速度。

3)基于燃烧、传热原理对机组的运行数据建立换热机理模型对上一步处理后的数据集进行分析。本组分析数据选取屏式过热器进出口的工质温度和流量，则可由进出口工质的焓差及流量获得屏式过热器的工质吸热量，即该受热面的实际吸热量。由传热平衡可知该段受热面的进出口烟气放热量，通过迭代可获得屏式过热器段的进口烟气温度，以及辐射吸热量。那么依据屏式过热器结构及烟气流速、温度可求得屏式过热器的理论吸热量，最终得出屏式过热器由积灰导致的热量损失比η。

4)以上一步骤中获得的热量损失比η为预测目标，使用主成分分析法从步骤2)获得处理后的数据集中筛选与屏式过热器吸热量强烈相关的运行参数从而确定输入特征。这里我们使用主成分分析法对特征进行降维；主成分分析将原多维变量在较高精度的前提下，将其正交变换为低维变量的数据系统。从X＝(x₁，x₂,···，x_p)^T变换为新矩阵U＝(u₁，u₂,···，u_m)^T，其中x₁，x₂,···，x_p为原采集数据集中的特征变量，即步骤1)中所采集的各项数据如锅炉负荷、给煤量等。新矩阵中u₁，u₂,···，u_m则为变换后筛选的信息利用率较高的参数，也就是与屏式过热器吸热量强烈相关的数据。

具体分析过程为，首先对数据集进行标准化处理以消除分析过程中由于变量数据间数量级上差异所带来的误差，根据

进而求解|R-λI_p|＝0计算出不同特征变量的特征值。获得特征值后通过累积计算

确定主成分，m为主成分个数，p为原矩阵变量个数，λ为特征值。本实施例中确定了多个运行参数作为主成分即输入特征，包括煤的灰分、水分以及低位发热量、锅炉负荷、一二次风温、屏式过热器的出口烟气温度及蒸汽参数等。

5)如图2所示，本实例中使用tensorflow平台构建基于门控循环单元GRU的积灰监测模型，其实现原理如下：

r_t＝σ(W_r·[h_t-1,x_t])

z_t＝σ(W_z·[h_t-1,x_t])

s_t＝tanh(W_s·[r_t·h_t-1,x_t])

h_t＝(1-z_t)·h_t-1+z_t·s_t

式中σ()、tanh()为激活函数，W为权重项，r_t、z_t分别为重置门和更新门，s_t为候选隐藏状态，h_t、h_t-1为当前时刻及上一时刻输出值，x为当前时刻的输入。该算法中的重置门将新输入数据中的有效信息添加至记忆信息中，更新门则决定要将多少有效信息传递至下一时刻，也就说该逻辑单元在进行当前时刻的预测时，不仅会考虑当前时刻t输入参数中所包含的信息，同时也会考虑该单元中从上一时刻中传递过来的信息，综合考虑当前信息以及历史时序信息做出当前时刻的输出。

经步骤4)筛选后的特征变量作为模型的输入特征，步骤3)所获得的热量损失比为模型的输出特征。一般需将数据集分为三个部分对搭建的模型进行训练、验证并测试，本实例中三个部分的比例分别为50％、30％、20％。模型训练过程中采用随机梯度下降策略，损失函数使用均方误差(MSE)，初始学习率为0.001，batch-size设为128，训练完成后可获得锅炉运行过程中屏式过热器热损失系数变化趋势的预测模型，本实施例中最终训练完成的模型在验证集上的准确率在98％以上，从而获得最终的监测模型。

6)依据训练完成的监测模型对后来重新采集的运行数据进行对比，以验证模型的泛化性能，图3中上图示出实际值和负荷值的实际数据值，下图是根据步骤5)训练完成的监测模型的预测结果图。预测结果准确率较好，模型表现出了较好的泛化性能。对于本例而言，观察运行过程中屏式过热器热损失比的变化趋势图，在负荷稳定的状态下，热量损失比从低增长到35以上后，其增长趋势逐渐缓慢，说明此时积灰达到峰值，可将吹灰阈值定在此数值附近，本例将吹灰阈值确定为35，当高于此值时认为受热面污染程度较高，需要吹灰；反之则暂时不需要吹灰。

从图3的运行状态变化可以看出，机组负荷平稳时，受热面的热量损失在波动中稳定上升，这是因为受热面上灰层的逐渐生长积累，对换热的阻碍逐渐变大。而当机组负荷产生波动时，降低或升高都会对热量损失的变化产生影响，因为负荷的变化可能会产生热应力或者风压的变化，使得受热面上的积灰产生变化。这一阶段的状态变化，不能仅考虑当前时间段的运行状态，与历史运行状态也息息相关。普通的数据驱动模型难以考虑此变化过程，本发明使用的考虑时序信息的GRU模型能够较好地考虑这一信息，模型的预测结果也表明该模型具有较好地泛化性能。

以上实施例仅用以说明本发明的技术方案，而非是对其的限制，尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换，而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，本领域技术人员根据本说明书内容所做出的非本质改进和调整或者替换，均属本发明所要求保护的范围。

Claims

1.基于时序预测的锅炉受热面积灰监测方法，其特征在于，包括：

2.根据权利要求1所述的基于时序预测的锅炉受热面积灰监测方法，其特征在于，所述受热面烟气侧运行数据包括锅炉负荷、给煤量、一二次风量、尾部烟道出口烟气流速、烟气温度和含氧量；工质侧运行数据包括总给水压力、温度、流量以及受热面进出口工质温度、流量以及压力。

3.根据权利要求1所述的基于时序预测的锅炉受热面积灰监测方法，其特征在于，所述步骤三具体包括如下步骤：

进而求解|R-λI_p|＝0计算出不同特征变量的特征值；

获得特征值后通过累积计算

4.根据权利要求1所述的基于时序预测的锅炉受热面积灰监测方法，其特征在于，所述步骤四中的积灰监测模型的模型训练过程采用随机梯度下降策略，损失函数使用均方误差，训练完成后可获得锅炉运行过程中目标受热面热损失系数变化趋势的预测模型。

5.根据权利要求1所述的基于时序预测的锅炉受热面积灰监测方法，其特征在于，所述监测方法适用于锅炉内的各个受热面，包括过热器、再热器、省煤器。