李友志 蔣蓬勃 白帆 王繼強 蘇京彬 宋峰

摘 ? 要：文章綜合利用某超超臨界機組鍋爐再熱器爐膛內(nèi)、外壁溫測點的實時數(shù)據(jù)，采用LSTM算法建立了爐內(nèi)壁溫的預測模型，并在近4個月的真實數(shù)據(jù)集上驗證了模型的準確性和有效性。

關(guān)鍵詞：長短期記憶網(wǎng)絡;超超臨界機組;高溫再熱器;壁溫預測

火電廠鍋爐正常運行時，會發(fā)生爐膛爆炸、尾部煙道再燃燒、爐膛滅火、受熱面泄漏等問題，影響安全生產(chǎn)。統(tǒng)計發(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處理至少需要10天以上，直接影響接帶電量及經(jīng)營目標的完成。（2）在脫硝選擇性催化還原（Selective Catalytic Reduction，SCR）投運后，若不及時發(fā)現(xiàn)爐膛內(nèi)部受熱面泄漏，當泄漏量較大，煙氣含水率提高后，將會導致SCR催化劑中毒的嚴重后果。故本文以某單位高溫再熱器受熱面為研究對象，研究基于長短期記憶網(wǎng)絡（Long-Short Term Memory，LSTM）的爐內(nèi)壁溫預測算法建模，通過建模來預測高溫再熱器受熱面泄漏情況，以便為電廠設備檢修和運行人員提供重要操作依據(jù)[1]。

傳統(tǒng)研究主要是基于機理分析的方法，通過機組過熱器裝設的大量管壁溫度測點建立爐膛內(nèi)部過熱器壁溫分布計算模型，得到過熱器各個管屏、各管圈、各部位溫度分布。再熱器爆管是造成火電機組非計劃停機的重要原因之一。為利用爐外壁溫長期監(jiān)測爐內(nèi)壁溫對再熱器管作出失效預測，需建立基于外壁測點溫度對內(nèi)壁測點溫度的預測模型。目前，國內(nèi)大部分火電機組鍋爐再熱器壁溫測點安裝于頂棚大包內(nèi)，而非于爐膛高溫煙氣區(qū)，測量值并非管壁實際溫度，存在較大的偏差，而且受限于人對過熱器運行機理的認識，難以準確、全面地分析過熱器可能出現(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實現(xiàn)對過熱器等工業(yè)設備的狀態(tài)預測及檢修是必然的發(fā)展趨勢[2]。

1 ? ?確定研究對象

通過對某超超臨界機組鍋爐高溫再熱器近1.5個月（2019.02—2019.03）包含960個測點的再熱器大包內(nèi)數(shù)據(jù)集，對兩個爐膛內(nèi)再熱器壁溫測點進行預測。數(shù)據(jù)集測點數(shù)據(jù)平均每分鐘采樣一條，共計約十萬條數(shù)據(jù)，實驗數(shù)據(jù)集被劃分為訓練集和驗證集。訓練集為2019年2月份和部分3月份的真實數(shù)據(jù)集，驗證集為2019年3月4天的真實數(shù)據(jù)。具體實驗方案為：首先，采用本文所提出的預測模型對960個爐外測點數(shù)據(jù)進行訓練，得到預測模型。其次，用預測模型對測試集的數(shù)據(jù)進行預測，同時，將預測結(jié)果與實測的爐膛內(nèi)再熱器壁溫真實數(shù)據(jù)值進行對比，計算預測結(jié)果的準確性[3]。

2 ? ?LSTM預測算法建模機理

LSTM長短時記憶循環(huán)神經(jīng)網(wǎng)絡，相比傳統(tǒng)的循環(huán)神經(jīng)網(wǎng)絡（Recurrent Neural Network，RNN）有著更為精細的信息，通過獨特設計來避免長期的依賴問題，可用于記住很長的歷史信息，LSTM的網(wǎng)絡結(jié)構(gòu)如圖1所示。

LSTM網(wǎng)絡與傳統(tǒng)的RNN網(wǎng)絡相比，多了一個非常有用的遺忘門，不僅使用單一的網(wǎng)絡層，而且通過特殊的方式組合成4個網(wǎng)絡層，并有遺忘門、輸入門、輸出門3種門結(jié)構(gòu)來控制保護，如圖2所示。

3 ? ?預測算法訓練建模及模型測試

3.1 ?預測算法訓練建模

（1）建模測點：選取高溫再熱器960個爐外壁溫測點。

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

3.2 ?預測算法模型測試

為驗證預算算法模型，測試模型時間選取為：2019-03-17 00：00：00—2019-03-21 00：00：00爐外960個測點，預測爐內(nèi)壁溫測點，并對比預測值與實際值的誤差。

4 ? ?爐內(nèi)壁溫預測與誤差分析

在2月份和部分3月份的高溫再熱器數(shù)據(jù)上進行測驗，得到的預測結(jié)果如圖3所示，預測值與實際值非常相近，并且能夠?qū)嶋H值有較強的代替性。

測試樣本殘差如圖4所示，殘差都在10°以內(nèi)，符合工業(yè)誤差2%，是一個可以接受的誤差范圍。

5 ? ?模型的實時預警

通過爐外多測點對爐內(nèi)單測點建模，得到一個能夠代替爐內(nèi)溫度的預測值，并且隨著時間推移，爐內(nèi)壁溫測點會被燒壞，不能實時監(jiān)測到實際的爐內(nèi)燃燒情況，使用預測值代替實際值來繼續(xù)檢測爐內(nèi)燃燒情況，將會對管壁超溫進行實時監(jiān)控。業(yè)務專家基于經(jīng)驗設定報警閾值，如超出閾值，則報警，并且給現(xiàn)場運行人員提供一個提醒以及時采取相應的措施，有利于防止后續(xù)故障的發(fā)生，達到預警目的[4]。

[參考文獻]

[1]梁建瑞，步宇航，任帥.燃機啟停過程中NO_x排放控制的探討與應用[J].中國設備工程，2017（23）：214-215.

[2]白盛楠，申曉留.基于LSTM循環(huán)神經(jīng)網(wǎng)絡的PM_（2.5）預測[J].計算機應用與軟件，2009（1）：73-76，110.

[3]金秀章，張少康.基于神經(jīng)網(wǎng)絡在線學習的脫硝系統(tǒng)入口氮氧化物預測[J].河北大學學報，2018（4）：423-431.

[4]趙偉，孫少華，劉路遙，等.燃氣電廠氮氧化物排放控制技術(shù)對比分析[J].電力科技與環(huán)保，2015（1）：44-47.