李云鵬 王越

（華能國際電力股份有限公司大連電廠，遼寧大連 116100）

0 引言

隨著鍋爐技術(shù)發(fā)展、用電量增長、節(jié)能需求提高，加上受我國能源結(jié)構(gòu)制約，600MW及600MW以上級別的大容量超臨界、超超臨界燃煤機(jī)組已逐步成為我國的主力發(fā)電機(jī)組[1]。但鍋爐的參數(shù)和功率較大，就更容易引起各個受熱面積灰和結(jié)焦。同時(shí)，我國復(fù)雜的煤炭市場使得煤炭價(jià)格不斷波動，為了保證經(jīng)濟(jì)效益，電廠會使用價(jià)格便宜的高灰分燃煤[2]，這更加劇了鍋爐受熱面的結(jié)焦問題。由于焦塊的熱阻遠(yuǎn)大于金屬熱阻，管道內(nèi)的工質(zhì)需要更劇烈燃燒才能滿足原來的溫度要求，這一過程會使得管壁溫度超過正常的水平，繼而引發(fā)爆管[3]。燃煤鍋爐作為火力發(fā)電廠的重要設(shè)備，主要擁有水冷壁、過熱器、再熱器、省煤器4種管道設(shè)備。據(jù)不完全統(tǒng)計(jì)，這4種管道的爆漏事件在機(jī)組非計(jì)劃停運(yùn)事件中的占比達(dá)到了50%，個別電廠甚至接近65%[4]，而其中水冷壁爆管事件約占各管道爆漏事件的19.7%[5]。水冷壁爆管故障會引起鍋爐停爐事故，可能造成經(jīng)濟(jì)損失和人員傷亡，大型機(jī)組的非正常運(yùn)行也會影響電網(wǎng)運(yùn)作。因此，實(shí)現(xiàn)對水冷壁結(jié)焦?fàn)顟B(tài)的預(yù)警，避免超溫導(dǎo)致的爆管事故發(fā)生，是極為必要的。

水冷壁結(jié)焦位置主要位于鍋爐爐膛內(nèi)部的輻射受熱面上，由于爐膛內(nèi)部環(huán)境和燃燒過程極為復(fù)雜，而且缺少可靠的測量設(shè)備，水冷壁結(jié)焦?fàn)顟B(tài)的監(jiān)測較為困難。目前，已有部分學(xué)者對水冷壁、爐膛結(jié)焦的監(jiān)測方法進(jìn)行了一系列研究，方法主要可歸納為三類。第一類是直接診斷法，如周斌[6]采用電荷耦合元件（Charge-Coupled Device，CCD）攝像機(jī)實(shí)時(shí)監(jiān)測爐膛內(nèi)部結(jié)焦過程，通過處理所拍攝圖片得到實(shí)時(shí)結(jié)焦厚度。第二類是機(jī)理表征法，如俞海淼等人[7]設(shè)計(jì)了一種用于監(jiān)測受熱面灰污的熱流計(jì)，通過受熱面的溫度差反映受熱面的熱流密度變化，進(jìn)而監(jiān)測受熱面污染情況；康志忠等人[8]使用仿真軟件對膜式水冷壁的傳熱和工質(zhì)流動情況進(jìn)行模擬，得到了不同工況下水冷壁的熱有效系數(shù)，并使用數(shù)值模擬方法求得了水冷壁結(jié)焦厚度公式；王斌忠等人[9]發(fā)現(xiàn)水冷壁鰭片結(jié)焦厚度對背火側(cè)鰭端溫度影響較大，可通過背火側(cè)鰭端溫度變化推測水冷壁向火側(cè)結(jié)焦情況。第三類是數(shù)據(jù)驅(qū)動法，如Sun等人[10]將結(jié)垢阻力作為反映鍋爐受熱面污染狀態(tài)的指標(biāo)，基于支持向量機(jī)（Support Vector Machine，SVM）實(shí)現(xiàn)了對鍋爐受熱面結(jié)垢的監(jiān)測；Shi等人[11]提出了一種基于人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）的變量分析方法，用于研究灰污的內(nèi)部機(jī)理以及傳熱效率?？偨Y(jié)以上研究，直接診斷法原理最為簡單，但受限于爐膛內(nèi)部的復(fù)雜惡劣環(huán)境，其應(yīng)用并不廣泛，大多處于實(shí)驗(yàn)室研究狀態(tài)。機(jī)理表征法通過測量或計(jì)算其他特征來反映結(jié)焦?fàn)顟B(tài)，可行性更高，但仍有許多局限，如裝置價(jià)格昂貴、實(shí)施難度大等。而數(shù)據(jù)驅(qū)動方法不依賴額外傳感器，使用靈活，優(yōu)勢明顯，很具發(fā)展?jié)摿?，但目前的?shù)據(jù)驅(qū)動方法所使用的算法較為傳統(tǒng)，且關(guān)注的多是爐膛受熱面整體的結(jié)焦?fàn)顩r，缺少針對火電廠水冷壁特點(diǎn)進(jìn)行分析和建模的研究。

為了實(shí)現(xiàn)針對水冷壁的結(jié)焦?fàn)顟B(tài)預(yù)警，本文選擇深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network，DNN）作為預(yù)測模型，基于真實(shí)的水冷壁故障數(shù)據(jù)進(jìn)行數(shù)據(jù)驅(qū)動建模，以實(shí)現(xiàn)對水冷壁結(jié)焦的準(zhǔn)確預(yù)警。下面介紹實(shí)驗(yàn)數(shù)據(jù)來源和標(biāo)注、篩選過程，說明DNN的前向和反向傳播算法、結(jié)焦預(yù)測模型建模方法以及評價(jià)標(biāo)準(zhǔn)，同時(shí)進(jìn)行水冷壁結(jié)焦?fàn)顟B(tài)預(yù)測實(shí)驗(yàn)的結(jié)果分析，并總結(jié)本文的主要貢獻(xiàn)。

1 數(shù)據(jù)準(zhǔn)備

1.1 數(shù)據(jù)說明

實(shí)驗(yàn)數(shù)據(jù)來自浙江寧波某火力發(fā)電廠，為集散控制系統(tǒng)（Distributed Control System，DCS）運(yùn)行數(shù)據(jù)，采樣間隔為144 s，共包括142個測點(diǎn)，采樣時(shí)長為216 h，即每個測點(diǎn)各取5 400個采樣點(diǎn)。其中，包含正常運(yùn)行樣本和水冷壁超溫爆管樣本。

1.2 數(shù)據(jù)標(biāo)注及特征篩選

水冷壁超溫爆管的關(guān)鍵原因在于水冷壁結(jié)焦，根據(jù)結(jié)焦與爆管之間的關(guān)聯(lián)關(guān)系，同時(shí)結(jié)合運(yùn)行人員經(jīng)驗(yàn)，對水冷壁結(jié)焦?fàn)顟B(tài)進(jìn)行標(biāo)注，結(jié)焦?fàn)顟B(tài)數(shù)值在0和1之間，0表示沒有結(jié)焦或結(jié)焦輕微，1表示嚴(yán)重結(jié)焦。為了模擬鍋爐燃燒對結(jié)焦?fàn)顟B(tài)的動態(tài)影響，在標(biāo)注數(shù)據(jù)中引入了高斯噪聲。然后，基于嵌入式特征選擇方法，使用梯度提升決策樹（Gradient Boosting Decision Tree，GBDT）模型作為特征篩選模型，結(jié)合標(biāo)注數(shù)據(jù)，篩選出特征重要性較高的4個壁溫測點(diǎn)。如圖1所示，實(shí)驗(yàn)截取正常運(yùn)行和超溫爆管前后總計(jì)300個采樣點(diǎn)作為訓(xùn)練和測試數(shù)據(jù)集，在第200個采樣點(diǎn)時(shí)爆管發(fā)生。

圖1 結(jié)焦?fàn)顟B(tài)及特征數(shù)據(jù)

2 方法設(shè)計(jì)

2.1 DNN

DNN源自于感知機(jī)和多層感知機(jī)，是一種擁有多個隱含層的神經(jīng)網(wǎng)絡(luò)，通過大量神經(jīng)元之間的連接權(quán)重來擬合非線性關(guān)系。DNN的前向傳播公式如下：

式中：i∈（1，n）為隱含層序號，n為隱含層數(shù)量；σ（·）為激活函數(shù)；w為權(quán)值矩陣；x為網(wǎng)絡(luò)輸入向量；b為偏置；h為隱含層輸出向量；y為網(wǎng)絡(luò)輸出向量。

DNN能不斷逼近各種非線性關(guān)系，這離不開反向傳播過程，其反向傳播算法與反向傳播神經(jīng)網(wǎng)絡(luò)（BPNN）基本一致。DNN反向傳播公式如下：

式中：i∈（1，n）為隱含層序號，n為隱含層數(shù)量；δ（·）為激活函數(shù)；L（·）為損失函數(shù)；h為隱含層輸出向量；y為網(wǎng)絡(luò)輸出向量。

2.2 建模方法

如圖2所示，使用DNN進(jìn)行結(jié)焦?fàn)顟B(tài)預(yù)測建模的過程分為三步：

圖2 建模過程

（1）數(shù)據(jù)預(yù)處理。

首先，對特征數(shù)據(jù)進(jìn)行歸一化，再使用滑動窗口對四維特征數(shù)據(jù)分別進(jìn)行切片處理。然后，將切片后的四維特征數(shù)據(jù)進(jìn)行拼接，生成維數(shù)為窗口尺寸×4的特征數(shù)據(jù)。最后，將結(jié)焦?fàn)顟B(tài)與所劃分的新特征集一一對應(yīng)，構(gòu)建總數(shù)據(jù)集。

（2）數(shù)據(jù)集劃分。

將總數(shù)據(jù)集按照一定比例劃分為訓(xùn)練集和測試集，訓(xùn)練集用于模型訓(xùn)練，測試集用于模型性能測試。同時(shí)，基于批訓(xùn)練（mini-batch）思想，將訓(xùn)練集分為若干批次，以便加速訓(xùn)練過程。

（3）模型訓(xùn)練及測試。

使用劃分好的訓(xùn)練集對DNN模型進(jìn)行訓(xùn)練，訓(xùn)練完畢后，使用測試集測試DNN的擬合效果。

2.3 評價(jià)標(biāo)準(zhǔn)

使用平均絕對值誤差（Mean Absolute Error，MAE）和均方誤差（Mean Square Error，MSE）作為預(yù)測模型的評價(jià)標(biāo)準(zhǔn)，其計(jì)算方法如下：

式中：n為樣本數(shù)量；Yi為預(yù)測值；為實(shí)際值。

2.4 實(shí)驗(yàn)驗(yàn)證

如圖3所示，實(shí)驗(yàn)使用3個隱含層的DNN作為訓(xùn)練模型，各隱含層的神經(jīng)元節(jié)點(diǎn)數(shù)量均為16，激活函數(shù)均為ReLU，輸出層的神經(jīng)元節(jié)點(diǎn)數(shù)為1，激活函數(shù)為Sigmoid。

圖3 DNN結(jié)構(gòu)

實(shí)驗(yàn)將總數(shù)據(jù)集隨機(jī)打亂，并按照7:3的比例劃分為訓(xùn)練集和測試集。具體訓(xùn)練參數(shù)如表1所示。

表1 訓(xùn)練參數(shù)表

模型訓(xùn)練過程中的損失變化如圖4所示，可以看出模型收斂良好。

圖4 損失趨勢

模型訓(xùn)練完畢后，使用測試集對模型進(jìn)行測試。測試集上模型的MAE為0.060 51，MSE為0.006 88，驗(yàn)證了模型的精度。如圖5所示，測試集上模型預(yù)測結(jié)果與實(shí)際值的殘差在一個很小的范圍內(nèi)，說明了模型的擬合效果良好且較為穩(wěn)定。

圖5 測試集殘差

如圖6所示，模型在總數(shù)據(jù)集上的結(jié)焦?fàn)顟B(tài)預(yù)測趨勢與實(shí)際值基本吻合，以0.9為報(bào)警閾值時(shí)，可提前5個時(shí)間步對故障進(jìn)行預(yù)警，即提前12 min，能夠?yàn)檫\(yùn)行人員爭取較長的時(shí)間應(yīng)對故障的發(fā)生。

圖6 結(jié)焦預(yù)警總體效果

3 結(jié)語

本文基于真實(shí)電廠DCS數(shù)據(jù)和DNN進(jìn)行水冷壁結(jié)焦?fàn)顟B(tài)預(yù)測模型的建立和精度測試，同時(shí)，設(shè)置了報(bào)警閾值，以驗(yàn)證模型的預(yù)警效果。最終，模型在測試集上的MAE小于0.061，MSE小于0.006 9。另外，在合理的報(bào)警閾值內(nèi)，模型可以提前5個時(shí)間步，即12 min進(jìn)行預(yù)警。實(shí)驗(yàn)結(jié)果表明，基于數(shù)據(jù)驅(qū)動的預(yù)測模型可以在水冷壁結(jié)焦預(yù)警問題中發(fā)揮很好的作用。盡管如此，研究仍有不足，比如依靠經(jīng)驗(yàn)的數(shù)據(jù)標(biāo)注容易引入人為誤差，這些不足需要后續(xù)進(jìn)行更多的探索。