基于LSTM的鍋爐四管高溫再熱器超溫預測分析

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、外壁溫測點的實時數據，采用LSTM算法建立了爐內壁溫的預測模型，并在近4個月的真實數據集上驗證了模型的準確性和有效性。

關鍵詞：長短期記憶網絡;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。統計發現，從發生概率、普遍性等角度比較、分析，鍋爐受熱面泄漏事故具體體現在：（1）事故不僅發生概率高、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，若不及時發現爐膛內部受熱面泄漏，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絡（Long-Short Term Memory，LSTM）的爐內壁溫預測算法建模，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[1]。

傳統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測爐內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壁測點溫度的預測模型。目前，國內大部分火電機組鍋爐再熱器壁溫測點安裝于頂棚大包內，而非于爐膛高溫煙氣區，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的全部異常。采用基于大數據及人工智能的分析方法來實現對過熱器等工業設備的狀態預測及檢修是必然的發展趨勢[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數據集，對兩個爐膛內再熱器壁溫測點進行預測。數據集測點數據平均每分鐘采樣一條，共計約十萬條數據，實驗數據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月份的真實數據集，驗證集為2019年3月4天的真實數據。具體實驗方案為：首先，采用本文所提出的預測模型對960個爐外測點數據進行訓練，得到預測模型。其次，用預測模型對測試集的數據進行預測，同時，將預測結果與實測的爐膛內再熱器壁溫真實數據值進行對比，計算預測結果的準確性[3]。

2 ? ?LSTM預測算法建模機理

LSTM長短時記憶循環神經網絡，相比傳統的循環神經網絡（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的網絡結構如圖1所示。

LSTM網絡與傳統的RNN網絡相比，多了一個非常有用的遺忘門，不僅使用單一的網絡層，而且通過特殊的方式組合成4個網絡層，并有遺忘門、輸入門、輸出門3種門結構來控制保護，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變化的量，所以研究需要進行連續取值，但考慮到溫度不會發生突變，因此，選取訓練數據為約20天的數據，取數頻率每分鐘取一次。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，預測爐內壁溫測點，并對比預測值與實際值的誤差。

4 ? ?爐內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據上進行測驗，得到的預測結果如圖3所示，預測值與實際值非常相近，并且能夠對實際值有較強的代替性。

測試樣本殘差如圖4所示，殘差都在10°以內，符合工業誤差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單測點建模，得到一個能夠代替爐內溫度的預測值，并且隨著時間推移，爐內壁溫測點會被燒壞，不能實時監測到實際的爐內燃燒情況，使用預測值代替實際值來繼續檢測爐內燃燒情況，將會對管壁超溫進行實時監控。業務專家基于經驗設定報警閾值，如超出閾值，則報警，并且給現場運行人員提供一個提醒以及時采取相應的措施，有利于防止后續故障的發生，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循環神經網絡的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.基于神經網絡在線學習的脫硝系統入口氮氧化物預測[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對比分析[J].電力科技與環保，2015（1）：44-47.