趙 鵬，李瀟瀟

(1.陜西能源麟北發(fā)電有限公司，寶雞 721599；2.上海電氣電站設備有限公司汽輪機廠，上海 200240)

汽輪機運行過程中承受著復雜的熱力機械載荷。在啟動、沖轉、變負荷過程中機組的熱力邊界顯著不同，不同工況所需要的處理方法各異，因此，預測未來幾十分鐘內機組的狀態(tài)能夠為運行人員提供有效參考，起到良好的輔助作用。

隨著計算能力的提升，人工智能技術得到發(fā)展，作為人工智能的一種實現手段，機器學習基于實際數據樣本集建立起計算模型，可實現在線預測。在電站設備領域，GE、Alstom等企業(yè)已經對汽輪機在線預測領域進行了相關研究。比如Alstom研究了基于非線性自回歸神經網絡算法(NARX)在汽輪機轉子表面溫度與應力預測領域的應用[1]，該方法本身網絡結構簡單，對于長時序的序列預測往往只能保留有緩慢變化趨勢的特征，而對于長時序中某一局部的變化，往往不能進行有效的預測。因此為實現有效的在線預測，須研究新的智能算法模型。

陜西麟北電廠350 MW超臨界機組采用上海汽輪機廠制造的高中壓合缸多級汽輪機，在汽輪機運行控制方面，采用以溫度為主的控制策略，通過各關鍵部件監(jiān)測測點的溫度反映出機組運行的熱應力、蠕變疲勞損傷等。

經過多年的運行，麟北電廠已獲得豐富的機組運行數據，為機器學習算法研究提供了堅實的基礎。本文以麟北電廠歷史運行數據為基礎，采用成熟的卷積神經網絡算法(CNN)和長短記憶神經網絡算法(LSTM)，研發(fā)汽輪機轉子關鍵監(jiān)測點的溫度預測模型，探索汽輪機智能運維的可行性。

1 機器學習算法

CNN和LSTM作為機器學習的經典算法，在人臉識別、圖像分類、交通標志識別、物體檢測、圖片語音處理、工業(yè)預測等多方面得到應用[2-3]。

CNN的原理示意圖如圖1所示，受到動物視覺皮層相關研究的啟發(fā)，其工作原理類似于濾波器，在第k層神經網絡的神經元上按一定規(guī)則滑動，采用激活函數在神經元上進行運算，激活k+1層某個神經元，激活函數如式(1)所示。在CNN中，各卷積層的數據與卷積核可視為二維或更高維度的張量。

圖1 卷積神經網絡原理示意圖

(1)

式中：l為網絡層數編號；m為卷積核尺寸；w為權重；b為偏置。

LSTM克服了傳統(tǒng)循環(huán)神經網絡(RNN)和CNN的計算成本高、長時序無法傳遞有效信息等缺陷，原理如圖2所示，從圖2中可以看出，隱藏狀態(tài)h(t)由x(t)和h(t-1)得到，LSTM對序列索引位置t的隱藏結構進行了改進，通過一定的技術讓隱藏結構變得復雜，避免梯度消失的問題。并且通過引進“更新門”，如公式(2)至(5)所示，將單元格狀態(tài)和隱藏狀態(tài)合并，獲得更加簡單的模型。

圖2 長短記憶神經網絡原理示意圖

zt=σ(Wz·[ht-1,xt])

(2)

rt=σ(Wr·[ht-1,xt])

(3)

(4)

(5)

CNN和LSTM兩種方法均存在著優(yōu)缺點，如表1所示。因此本文采用兩種方法結合的方式構建溫度預測模型——CNN-LSTM算法，使模型預測精度高、魯棒性強，模型如圖3所示。

表1 CNN與LSTM算法優(yōu)缺點

圖3 基于CNN-LSTM的溫度預測模型網絡結構

2 模型訓練樣本

麟北電廠汽輪機外形如圖4所示。高中壓合缸機組中轉子高壓部分工作環(huán)境相比中壓部分更加惡劣，高壓部分監(jiān)控測點更多，因此以轉子高壓部分作為機器學習算法研究對象，具有更好的實際應用意義。

圖4 麟北電廠350 MW汽輪機三維示意圖

機器學習算法模型建立時需要選擇和控制與輸出參數高度相關的變量。經過相關性分析，與轉子高相關性的測點共有11組：3個溫度參數，即高壓進汽溫度、高壓排汽溫度、監(jiān)測測點溫度；2個狀態(tài)參數，即機組轉速和輸出功率；6組控制參數，即2個高壓主門開度控制和4個高壓調門開度控制。原始數據的量綱不同對訓練模型誤差有較大影響，因此采用Z-score方法進行標準化處理，處理流程如圖5所示，計算公式如(6)。

圖5 Z-score標準化處理

(6)

選取麟北電廠某段時間內的典型運行工況作為訓練樣本，標準化后的數據如圖6至圖9所示。

圖6 溫度參數訓練樣本

圖7 功率參數訓練樣本

圖8 轉速參數訓練樣本

圖9 閥門開度參數訓練樣本

經過多次測試后，獲得模型參數如表2所示。

表2 訓練模型構造參數

3 預測結果

圖10 CNN-LSTM模型預測結果

由于模型的預測性能除了受訓練數據本身的特征影響外，還依賴于機器學習模型參數的選擇，因此，針對本模型，通過人為的調整，另外構造了2組參數，預測結果如圖11所示。

圖11 不同超參數組合下模型預測結果

表3為3種超參數組合下的預測結果，對比圖11和表3的結果可以看出，3種參數組合均能夠有效預測、捕捉運行工況特征。經過參數調整后，預測準確率得到提升，最大誤差明顯減小，參數組合3的結果最佳，最大誤差降至33.21 ℃。

表3 3種超參數組合的預測結果

從上述結果中可以看出，采用CNN-LSTM模型能夠有效捕捉轉子運行過程中溫度變化。目前的訓練模型在啟動運行階段的預測性能良好，但是在停機階段誤差相對較大，調整后的模型參數能夠有效降低誤差。由于目前采用的訓練模型中，典型工況較少，后續(xù)可對訓練樣本庫進行豐富完善，得到的新模型，這樣可以進一步提高預測準確率，降低最大誤差。

4 結 論

本文介紹了智能算法在汽輪機關鍵部件溫度預測領域的應用。基于麟北電廠的歷史運行數據，采用CNN-LSTM算法建立轉子溫度預測模型，能夠有效預測未來一段時間內的溫度趨勢，為機組運行人員提供參考。但由于目前訓練樣本數據較少，準確率尚有較大的提升空間。根據神經網絡模型的基本特點，可以預見預測的準確度將能通過豐富的訓練數據得到進一步提升。