基于深度神經網絡的火電廠水冷壁結焦預警

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

隨著鍋爐技術發(fā)展、用電量增長、節(jié)能需求提高，加上受我國能源結構制約，600MW及600MW以上級別的大容量超臨界、超超臨界燃煤機組已逐步成為我國的主力發(fā)電機組[1]。但鍋爐的參數和功率較大，就更容易引起各個受熱面積灰和結焦。同時，我國復雜的煤炭市場使得煤炭價格不斷波動，為了保證經濟效益，電廠會使用價格便宜的高灰分燃煤[2]，這更加劇了鍋爐受熱面的結焦問題。由于焦塊的熱阻遠大于金屬熱阻，管道內的工質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)電廠的重要設備，主要擁有水冷壁、過熱器、再熱器、省煤器4種管道設備。據不完全統(tǒng)計，這4種管道的爆漏事件在機組非計劃停運事件中的占比達到了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，可能造成經濟損失和人員傷亡，大型機組的非正常運行也會影響電網運作。因此，實現對水冷壁結焦狀態(tài)的預警，避免超溫導致的爆管事故發(fā)生，是極為必要的。

水冷壁結焦位置主要位于鍋爐爐膛內部的輻射受熱面上，由于爐膛內部環(huán)境和燃燒過程極為復雜，而且缺少可靠的測量設備，水冷壁結焦狀態(tài)的監(jiān)測較為困難。目前，已有部分學者對水冷壁、爐膛結焦的監(jiān)測方法進行了一系列研究，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）攝像機實時監(jiān)測爐膛內部結焦過程，通過處理所拍攝圖片得到實時結焦厚度。第二類是機理表征法，如俞海淼等人[7]設計了一種用于監(jiān)測受熱面灰污的熱流計，通過受熱面的溫度差反映受熱面的熱流密度變化，進而監(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流動情況進行模擬，得到了不同工況下水冷壁的熱有效系數，并使用數值模擬方法求得了水冷壁結焦厚度公式；王斌忠等人[9]發(fā)現水冷壁鰭片結焦厚度對背火側鰭端溫度影響較大，可通過背火側鰭端溫度變化推測水冷壁向火側結焦情況。第三類是數據驅動法，如Sun等人[10]將結垢阻力作為反映鍋爐受熱面污染狀態(tài)的指標，基于支持向量機（Support Vector Machine，SVM）實現了對鍋爐受熱面結垢的監(jiān)測；Shi等人[11]提出了一種基于人工神經網絡（Artificial Neural Network，ANN）的變量分析方法，用于研究灰污的內部機理以及傳熱效率?？偨Y以上研究，直接診斷法原理最為簡單，但受限于爐膛內部的復雜惡劣環(huán)境，其應用并不廣泛，大多處于實驗室研究狀態(tài)。機理表征法通過測量或計算其他特征來反映結焦狀態(tài)，可行性更高，但仍有許多局限，如裝置價格昂貴、實施難度大等。而數據驅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?，但目前的數據驅動方法所使用的算法較為傳統(tǒng)，且關注的多是爐膛受熱面整體的結焦狀況，缺少針對火電廠水冷壁特點進行分析和建模的研究。

為了實現針對水冷壁的結焦狀態(tài)預警，本文選擇深度神經網絡（Deep Neural Network，DNN）作為預測模型，基于真實的水冷壁故障數據進行數據驅動建模，以實現對水冷壁結焦的準確預警。下面介紹實驗數據來源和標注、篩選過程，說明DNN的前向和反向傳播算法、結焦預測模型建模方法以及評價標準，同時進行水冷壁結焦狀態(tài)預測實驗的結果分析，并總結本文的主要貢獻。

1 數據準備

1.1 數據說明

實驗數據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）運行數據，采樣間隔為144 s，共包括142個測點，采樣時長為216 h，即每個測點各取5 400個采樣點。其中，包含正常運行樣本和水冷壁超溫爆管樣本。

1.2 數據標注及特征篩選

水冷壁超溫爆管的關鍵原因在于水冷壁結焦，根據結焦與爆管之間的關聯關系，同時結合運行人員經驗，對水冷壁結焦狀態(tài)進行標注，結焦狀態(tài)數值在0和1之間，0表示沒有結焦或結焦輕微，1表示嚴重結焦。為了模擬鍋爐燃燒對結焦狀態(tài)的動態(tài)影響，在標注數據中引入了高斯噪聲。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，結合標注數據，篩選出特征重要性較高的4個壁溫測點。如圖1所示，實驗截取正常運行和超溫爆管前后總計300個采樣點作為訓練和測試數據集，在第200個采樣點時爆管發(fā)生。

圖1 結焦狀態(tài)及特征數據

2 方法設計

2.1 DNN

DNN源自于感知機和多層感知機，是一種擁有多個隱含層的神經網絡，通過大量神經元之間的連接權重來擬合非線性關系。DNN的前向傳播公式如下：

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

DNN能不斷逼近各種非線性關系，這離不開反向傳播過程，其反向傳播算法與反向傳播神經網絡（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為隱含層數量；δ（·）為激活函數；L（·）為損失函數；h為隱含層輸出向量；y為網絡輸出向量。

2.2 建模方法

如圖2所示，使用DNN進行結焦狀態(tài)預測建模的過程分為三步：

圖2 建模過程

（1）數據預處理。

首先，對特征數據進行歸一化，再使用滑動窗口對四維特征數據分別進行切片處理。然后，將切片后的四維特征數據進行拼接，生成維數為窗口尺寸×4的特征數據。最后，將結焦狀態(tài)與所劃分的新特征集一一對應，構建總數據集。

（2）數據集劃分。

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

（3）模型訓練及測試。

使用劃分好的訓練集對DNN模型進行訓練，訓練完畢后，使用測試集測試DNN的擬合效果。

2.3 評價標準

使用平均絕對值誤差（Mean Absolute Error，MAE）和均方誤差（Mean Square Error，MSE）作為預測模型的評價標準，其計算方法如下：

式中：n為樣本數量；Yi為預測值；為實際值。

2.4 實驗驗證

如圖3所示，實驗使用3個隱含層的DNN作為訓練模型，各隱含層的神經元節(jié)點數量均為16，激活函數均為ReLU，輸出層的神經元節(jié)點數為1，激活函數為Sigmoid。

圖3 DNN結構

實驗將總數據集隨機打亂，并按照7:3的比例劃分為訓練集和測試集。具體訓練參數如表1所示。

表1 訓練參數表

模型訓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

模型訓練完畢后，使用測試集對模型進行測試。測試集上模型的MAE為0.060 51，MSE為0.006 88，驗證了模型的精度。如圖5所示，測試集上模型預測結果與實際值的殘差在一個很小的范圍內，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，模型在總數據集上的結焦狀態(tài)預測趨勢與實際值基本吻合，以0.9為報警閾值時，可提前5個時間步對故障進行預警，即提前12 min，能夠為運行人員爭取較長的時間應對故障的發(fā)生。

圖6 結焦預警總體效果

3 結語

本文基于真實電廠DCS數據和DNN進行水冷壁結焦狀態(tài)預測模型的建立和精度測試，同時，設置了報警閾值，以驗證模型的預警效果。最終，模型在測試集上的MAE小于0.061，MSE小于0.006 9。另外，在合理的報警閾值內，模型可以提前5個時間步，即12 min進行預警。實驗結果表明，基于數據驅動的預測模型可以在水冷壁結焦預警問題中發(fā)揮很好的作用。盡管如此，研究仍有不足，比如依靠經驗的數據標注容易引入人為誤差，這些不足需要后續(xù)進行更多的探索。