一种用于超超临界锅炉受热面管壁超温预警的多步预测方法

技术领域

本发明属于锅炉安全技术领域，尤其涉及一种用于超超临界锅炉受热面管壁超温预警的多步预测方法。

背景技术

随着电力需求和节能减排要求的不断提高，锅炉的蒸汽温度、压力在不断提高，超超临界锅炉和过热器工作在恶劣的环境下，更易导致超温爆管。

超超临界锅炉受热面管壁温度高，烟气流量大，工况恶劣导致测温传感器无法长时间测量金属管壁温度，而且管壁温度变化具有迟滞性、非线性、非平稳、强耦合的特性，传统线性模型与非时序模型难以精准提前预测壁温变化趋势；因此迫切需要软测量监测方法。

目前对于超超临界锅炉受热面管壁温度监测的研究主要集中在当前时刻温度实时监测方面，缺乏多步提前预测方法。专利号为201010183756.6的专利在通过管路上都设有一系列热电偶传感器采集锅炉受热面壁温信号，优化了传感器布局；但超超临界锅炉内部环境恶劣且温度高，传感器无法长时间工作，只能监测当前的壁温。专利号为201611123426.1的专利中通过锅炉DCS系统或SIS系统采集烟气和汽水变量，通过经验公式计算金属壁温，这种方法计算壁温误差较大且无法做到超前预测。因此建立超超临界锅炉受热面管壁温度多步超前监测方法尤为重要。

发明内容

本发明的目的是克服现有技术中的不足，提供一种用于超超临界锅炉受热面管壁超温预警的多步预测方法。

这种用于超超临界锅炉受热面管壁超温预警的多步预测方法，包括以下步骤：

步骤1、在训练阶段采集训练数据，对采集的训练数据进行预处理，然后构建时间序列网络模型，最后进行时间序列网络模型离线训练；

步骤1.1、从锅炉的DCS数据采集系统或SIS数据采集系统导出数据，通过在易超温的区域加装测温传感器测量受热面金属壁温数据，将受热面金属壁温数据作为待预测的目标；

步骤1.2、对步骤1采集的训练数据和受热面金属壁温数据进行预处理，将受热面金属壁温数据作为时间序列网络的输出，训练数据预处理后作为时间序列网络的输入；

步骤1.3、构建时间序列网络模型，时间序列网络模型包括输入层、多层递减LSTM网络、全连接神经网络和输出层；输入层连接多层递减LSTM网络；多层递减LSTM网络中，层与层之间串联递减连接，最后一层LSTM网络的输出作为全连接神经网络的输入；全连接神经网络的输出连接输出层；

步骤1.4、将步骤1.2预处理后的数据划分为训练集和验证集，将K个历史时刻数据样本作为时间序列网络的输入，将受热面P个待预测的金属壁温位置处的M步金属壁温数据作为时间序列网络的输出，进行时间序列网络模型的离线训练，最后保存训练完成的模型权重；

步骤2、在使用阶段采集输入数据，对采集的输入数据进行预处理后，作为时间序列网络模型的输入，得到金属壁温数据的预测结果；

步骤2.1、采集使用阶段的输入数据，由锅炉DCS数据采集系统或SIS数据采集系统采集输入数据，采用与步骤1.2中相同的预处理方式对采集的输入数据进行预处理，将预处理后的数据作为时间序列网络模型的输入；

步骤2.2、多层串联递减LSTM方式提取迟滞影响因子，逐步丢弃较远距离的时间特征，历史时间越靠近预测时间重要性越大；时间序列网络模型输出受热面P个待预测的金属壁温位置处的M步金属壁温数据的预测结果，P个不同待预测的金属壁温位置对应连接不同的全连接神经网络，使不同位置处的壁温结果较早分离，避免不同位置之间的干扰。

作为优选，步骤1.3中：K个历史时刻数据样本对应的特征按顺序输入形成输入层，输入层内时间最远的时刻样本放置在第一个；多层递减LSTM网络中上一层LSTM网络的输出去除第一个输出后作为下一层LSTM网络的输入；P个全连接神经网络之间并联连接，P为待预测的受热面金属壁温位置个数，每个全连接神经网络的输出个数为M个，M为受热面同一位置处预测的时间步数；输出层为P个待预测的受热面金属壁温位置的未来M步壁温值。

作为优选，步骤1.3中每层LSTM网络均由遗忘门、输入门、输出门构成；LSTM的迭代方式为：

上式中，f

作为优选，步骤1.1中从锅炉的DCS数据采集系统或SIS数据采集系统导出的数据包括：烟气侧数据、汽水侧数据和设备数据。

作为优选，步骤1.2中数据预处理的方式为：特征编码、缺失值处理、数据归一化和特征降维。

作为优选，特征编码为吹灰变量类别特征编码和时间特征编码；有吹灰操作时吹灰特征变量取值为1，无吹灰操作时吹灰特征变量取值为0，时间特征为每条数据的采集时刻t，编码方式为sin(t/24*π)；保证23点与第二天的0点过渡平滑；特征降维采用PCA降维方法，特征降维后保留N个特征[x

作为优选，步骤1.4中进行时间序列网络模型离线训练时采用训练损失函数。

作为优选，步骤1.1中测温传感器为带有保护管的热电偶传感器，使传感器在有限寿命内获取更多的目标标签。

本发明的有益效果是：

1)本发明通过LSTM时间序列网络学习时序关联，实现受热面管壁温度多步预测，提前预知受热面管壁温度，为超温控制提供指导。

2)由于受热面管壁温度预测的特征具有迟滞性，本发明采用多层串联递减LSTM方式提取迟滞影响因子，逐步丢弃较远距离的时间特征，历史时间越靠近预测时间重要性越大，因此能够捕捉更长的时序特征信息，提高了预测精度。

3)本发明通过对吹灰离散变量进行特征编码，解决了吹灰操作对金属壁温造成的突变影响；通过对时间进行正弦编码，使得每一天过渡平滑，更符合实际运行工况。

4)若在高温工况下采用热电偶直接测量壁温，传感器只能短时间工作，而本发明只在训练阶段通过补充测温传感器测量多个易超温位置壁温作为训练目标，从而建立壁温与历史数据特征的规律，在使用阶段并不需要使用受热面管壁测温传感器，因此既可以解决传感器直接测量无法长时间工作的问题，又可实现不同位置处的壁温预测。

5)本发明数据采集方式直接采用电厂现有的DCS系统或SIS系统，便于电厂DCS系统或SIS系统的改造升级，而且可以方便的增加最新数据，重新训练模型，具有好的抗干扰性。

附图说明

图1为本发明多步预测方法的流程图；

图2为多步预测方法的时间序列网络结构组成图。

附图标记说明：输入层1、多层递减LSTM网络2、全连接神经网络3、输出层4。

具体实施方式

下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出，对于本技术领域的普通人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

本发明通过时间序列预测网络建立金属管壁温度与时序输入变量的影响关系，达到超前预测壁温的目的。

作为一种实施例，如图1所示，用于超超临界锅炉受热面管壁超温预警的多步预测方法包括训练阶段和使用阶段。

训练阶段步骤如下：

步骤1、采集训练数据，从锅炉的DCS数据采集系统或SIS数据采集系统导出以下数据：过热器进口烟温、烟气含氧量等烟气侧数据，过热器出口集箱温度、主蒸汽压力等汽水侧数据；一次风流量、发电机功率等设备数据；通过在200个易超温位置处加装带有保护管的热电偶传感器测量受热面金属壁温数据，受热面金属壁温数据作为待预测的目标；

步骤2、针对步骤1采集的14400个训练数据样本(时间间隔为3min一个样本)和200个易超温位置处的受热面金属壁温数据进行特征编码、缺失值处理、最大最小值归一化和特征降维等预处理；将热电偶传感器测量的受热面金属壁温数据作为时间序列网络的输出，训练数据预处理后的数据作为时间序列网络的输入；特征编码为吹灰变量类别特征编码和时间特征编码；有吹灰操作时吹灰特征变量取值为1，无吹灰操作时吹灰特征变量取值为0，时间特征为每条数据的采集时刻t，编码方式为sin(t/24*π)；保证23点与第二天的0点过渡平滑；特征降维采用PCA降维方法，特征降维后保留N个特征[x

步骤3、如图2所示，构建时间序列网络模型，时间序列网络模型包括输入层1、三层递减LSTM网络2、全连接神经网络3和输出层4；4个时刻样本对应的特征按顺序输入形成输入层1，输入层1内时间最远的时刻样本放置在第一个，输入层1连接多层递减LSTM网络2；三层递减LSTM网络2中，层与层之间串联递减连接，三层递减LSTM网络2中上一层LSTM网络的输出去除第一个输出后作为下一层LSTM网络的输入，最后一层LSTM网络的输出作为全连接神经网络3的输入；200个全连接神经网络3之间并联连接；每个全连接神经网络3的输出个数为2个，全连接神经网络3中每个神经网络神经元个数为256个；全连接神经网络3的输出连接输出层4；输出层4为200个待预测的受热面金属壁温位置的未来2步壁温值；

步骤4、针对步骤3构建时间序列网络模型，将步骤2预处理后的数据按7:3的比例划分为训练集和验证集，将K个历史时刻数据样本作为时间序列网络的输入，将受热面P个待预测的金属壁温位置处的M步金属壁温数据作为时间序列网络的输出，选用均方根误差损失函数进行时间序列网络模型离线训练，最后保存训练完成的模型权重。

使用阶段步骤如下：

步骤1、采集使用阶段的输入数据，由锅炉DCS数据采集系统或SIS数据采集系统采集输入数据，采用与步骤1.2中相同的预处理方式对采集的输入数据进行预处理，将预处理后的数据作为时间序列网络模型的输入；

步骤2、时间序列网络模型输出受热面P个待预测的金属壁温位置处的M步金属壁温数据的预测结果，P个不同待预测的金属壁温位置对应连接不同的全连接神经网络，使不同位置处的壁温结果较早分离，避免不同位置之间的干扰。