基于多層感知器神經(jīng)網(wǎng)絡(luò)的鍋爐再熱蒸汽溫度預(yù)測(cè)

陳剛，蒲靖凡，梅海龍，虞兵，張林，石川，譚鵬

(1.國(guó)電漢川發(fā)電有限公司，湖北 孝感431616；2.華中科技大學(xué)能源與動(dòng)力工程學(xué)院煤燃燒國(guó)家重點(diǎn)實(shí)驗(yàn)室，湖北 武漢430074)

0 引言

在“碳達(dá)峰，碳中和”的目標(biāo)下，能源結(jié)構(gòu)的轉(zhuǎn)型使得我國(guó)可再生能源裝機(jī)容量不斷提高。然而，新能源電廠存在許多不足之處，特別是負(fù)荷難以人為控制，風(fēng)力、水力、光照等受天氣和季節(jié)影響較大，因此還需要與火電廠相互配合[1－2]。在這種趨勢(shì)下，要解決新能源出力波動(dòng)大問(wèn)題，需要提高燃煤電廠的調(diào)峰調(diào)頻能力，這給燃煤電廠安全運(yùn)行帶來(lái)挑戰(zhàn)[3]。

再熱蒸汽溫度是鍋爐重要運(yùn)行參數(shù)之一。由于再熱蒸汽壓力較低，在相同的煙氣傳熱量擾動(dòng)下，再熱蒸汽溫度的變化幅度會(huì)比主蒸汽溫度大；負(fù)荷變化會(huì)帶來(lái)汽輪機(jī)高壓缸排汽(也即再熱器入口)溫度及壓力的改變，增加了再熱蒸汽溫度控制的難度。因此，在鍋爐寬負(fù)荷靈活運(yùn)行時(shí)極易導(dǎo)致再熱蒸汽溫度大幅波動(dòng)。蒸汽溫度過(guò)高會(huì)導(dǎo)致受熱面超溫爆管[4]，而溫度過(guò)低則會(huì)影響機(jī)組經(jīng)濟(jì)性。當(dāng)前燃煤鍋爐再熱蒸汽溫度調(diào)節(jié)主要通過(guò)調(diào)節(jié)尾部煙道煙氣擋板改變?cè)贌崞鱾?cè)或過(guò)熱器側(cè)煙氣分配比例實(shí)現(xiàn)，噴水減溫由于對(duì)機(jī)組發(fā)電效率有較大影響而僅作為緊急調(diào)溫手段。采用煙氣擋板調(diào)節(jié)再熱蒸汽溫度時(shí)具有時(shí)滯大、非線性強(qiáng)的特點(diǎn)，在面對(duì)快速、大范圍變負(fù)荷運(yùn)行時(shí)，采用傳統(tǒng)控制方法很難及時(shí)、精準(zhǔn)地控制煙氣擋板開(kāi)度。提前預(yù)估再熱蒸汽溫度變化趨勢(shì)大大降低了再熱蒸汽溫度控制的難度，提升了再熱蒸汽溫度控制的準(zhǔn)確性。

在大數(shù)據(jù)算法、人工智能的推動(dòng)下，數(shù)據(jù)挖掘、數(shù)據(jù)預(yù)測(cè)已經(jīng)運(yùn)用于燃煤電廠主要運(yùn)行參數(shù)的建模、預(yù)測(cè)以及控制，為再熱蒸汽溫度預(yù)測(cè)建模提供了手段。李勝男和金志遠(yuǎn)等利用長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)(LSTM)，建立了燃煤鍋爐機(jī)組的主蒸汽溫度、再熱汽溫、爐膛出口NOx濃度、爐膛出口CO濃度的多參數(shù)協(xié)同預(yù)測(cè)模型以及再熱汽溫的多步預(yù)測(cè)模型[5－6]。趙佳鵬和Liu等構(gòu)建了基于LS－SVM的再熱蒸汽溫度模型，并發(fā)現(xiàn)在計(jì)算時(shí)間和精度上優(yōu)于BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)和常規(guī)SVM算法，同時(shí)在控制優(yōu)化中取得不錯(cuò)的效果[7－8]。華菁云提出了一種時(shí)延計(jì)算算法對(duì)時(shí)延進(jìn)行評(píng)估，并基于深度神經(jīng)網(wǎng)絡(luò)和LightGBM的融合模型對(duì)再熱蒸汽溫度進(jìn)行建模[9]。Ning等基于深度神經(jīng)網(wǎng)絡(luò)(DNN)和遺傳算法(GA)，建立了再熱蒸汽溫度最優(yōu)多步時(shí)間特征選擇模型，DNN用于預(yù)測(cè)未來(lái)時(shí)間步長(zhǎng)的再熱蒸汽溫度，GA用于尋找最優(yōu)延遲階數(shù)，實(shí)驗(yàn)表明，該方法計(jì)算的最優(yōu)延遲階數(shù)具有較高的計(jì)算精度和較低的計(jì)算開(kāi)銷[10]。

本文以某1 000 MW超超臨界燃煤鍋爐為研究對(duì)象，利用歷史運(yùn)行數(shù)據(jù)，建立基于多層感知器神經(jīng)網(wǎng)絡(luò)(MLP)的再熱蒸汽溫度預(yù)測(cè)模型，并與長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)(LSTM)以及支持向量機(jī)(SVM)進(jìn)行了對(duì)比。

1 研究對(duì)象與方法

1.1 研究對(duì)象

本文的研究對(duì)象為某1 000 MW超超臨界燃煤鍋爐。該鍋爐采用單爐膛Λ型布置方式、尾部雙煙道，爐膛采用內(nèi)螺紋管螺旋管圈＋混合集箱＋垂直管水冷壁，中速磨正壓直吹式制粉系統(tǒng)，配6臺(tái)磨煤機(jī)(5臺(tái)運(yùn)行1臺(tái)備用)，裝設(shè)48只旋流式低NOx燃燒器，前后墻布置，對(duì)沖燃燒。過(guò)熱器為輻射對(duì)流式，再熱器純對(duì)流布置。過(guò)熱器采用水煤比＋兩級(jí)噴水調(diào)溫，再熱器采用尾部煙氣調(diào)節(jié)擋板＋事故噴水調(diào)溫。再熱器出口蒸汽溫度額定值為605℃，在50%～100%B－MCR負(fù)荷范圍再熱器出口蒸汽溫度偏差不超過(guò)±5℃。

鍋爐再熱蒸汽溫度受很多因素影響，主要因素有高壓缸排氣溫度、鍋爐負(fù)荷、再熱器側(cè)煙氣擋板開(kāi)度、再熱器減溫水開(kāi)度、鍋爐送風(fēng)量、受熱面清潔程度、火焰中心位置等。綜合考慮以上因素以及數(shù)據(jù)采集難度再熱蒸汽溫度預(yù)測(cè)模型的輸入為:當(dāng)前及過(guò)去時(shí)刻的負(fù)荷、給水流量、總?cè)剂狭俊⒌蜏卦贌崞魅肟跓煔鉁囟取⒌蜏剡^(guò)熱器入口煙氣溫度、再熱器減溫水開(kāi)度、再熱器側(cè)煙氣擋板開(kāi)度、再熱器入口蒸汽壓力、高溫再熱器入口蒸汽溫度、高溫再熱器出口蒸汽溫度。模型輸出為:下一時(shí)刻的高溫再熱器出口蒸汽溫度(即再熱蒸汽溫度)。共采集兩個(gè)月的運(yùn)行數(shù)據(jù)，數(shù)據(jù)采樣周期為1 min，數(shù)據(jù)集總長(zhǎng)度為95 041。數(shù)據(jù)集按時(shí)間步長(zhǎng)劃分后進(jìn)行隨機(jī)打亂，取前80%為訓(xùn)練集，后20%為測(cè)試集。各參數(shù)變化范圍見(jiàn)表1。

表1 各參數(shù)單位及變化范圍

1.2 多層感知器神經(jīng)網(wǎng)絡(luò)

多層感知器神經(jīng)網(wǎng)絡(luò)(MLP)的概念最先由Rosenblatt于1952提出[11]。多層感知器神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)的一種，一般由一個(gè)輸入層、幾個(gè)隱藏層和一個(gè)輸出層組成。人工神經(jīng)網(wǎng)絡(luò)由一組輸出連接構(gòu)成[12]，每個(gè)連接都有對(duì)應(yīng)的權(quán)重，所有輸入經(jīng)過(guò)加權(quán)之后與偏置相加，通過(guò)激活函數(shù)來(lái)轉(zhuǎn)化輸出，使得其幅度范圍縮小到有限值[13]。其數(shù)學(xué)表達(dá)式為:

MLP神經(jīng)網(wǎng)絡(luò)的不同層之間是全連接的，如圖1所示。在輸入層有M個(gè)神經(jīng)元，則第1個(gè)隱藏層的輸出表達(dá)式為:

圖1 多層感知器神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

這個(gè)輸出又可以作為下一個(gè)隱藏層的輸入，隱藏層中任何神經(jīng)元的輸出表達(dá)式為:

式中，Wm，k1表示輸入層和隱藏層神經(jīng)元之間的權(quán)重，M和Kh分別表示輸入層和第h個(gè)隱藏層神經(jīng)元的數(shù)量，N則表示隱藏層的個(gè)數(shù)。

輸出層神經(jīng)元是通過(guò)對(duì)最后一個(gè)隱藏層加權(quán)求和得到的，其表達(dá)式為:

1.3 基于多層感知機(jī)的再熱蒸汽溫度預(yù)測(cè)建模

為了避免各輸入?yún)?shù)由于數(shù)量級(jí)和變化范圍不同所導(dǎo)致的建模效果不佳，對(duì)輸入?yún)?shù)進(jìn)行歸一化處理。引入EarlyStopping[14]方法避免過(guò)擬合，該方法可根據(jù)指定的評(píng)價(jià)標(biāo)準(zhǔn)及時(shí)停止模型的訓(xùn)練。當(dāng)連續(xù)n代訓(xùn)練模型的評(píng)價(jià)低于之前訓(xùn)練的最好結(jié)果時(shí)，立即停止模型的訓(xùn)練，這樣就可以避免繼續(xù)訓(xùn)練導(dǎo)致誤差繼續(xù)增大。激活函數(shù)選用線性整流函數(shù)(relu)。采用Adam優(yōu)化器對(duì)MLP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。Adam是一種基于低階矩自適應(yīng)估計(jì)的一階梯度隨機(jī)目標(biāo)函數(shù)優(yōu)化算法，該方法易于實(shí)現(xiàn)，計(jì)算效率高，內(nèi)存需求少，非常適合于數(shù)據(jù)或參數(shù)較大的問(wèn)題，同時(shí)也適用于非平穩(wěn)目標(biāo)和非常嘈雜或稀疏梯度的問(wèn)題。超參數(shù)有直觀的解釋，通常需要很少的調(diào)整。文獻(xiàn)[15]將Adam的各參數(shù)設(shè)置為:學(xué)習(xí)率0.001；1階矩估計(jì)的指數(shù)衰減率0.9；2階矩估計(jì)的指數(shù)衰減率0.999；模糊因子10－8。

使用三個(gè)評(píng)價(jià)標(biāo)準(zhǔn)對(duì)模型進(jìn)行評(píng)價(jià)，分別為均方誤差(MSE)、平均相對(duì)誤差(MRE)及相關(guān)系數(shù)(r)，其公式分別為:

式中，y＾l、Y＾表示預(yù)測(cè)值，yi、Y表示實(shí)際值。

2 結(jié)果與分析

2.1 計(jì)算結(jié)果

采用基于多層感知機(jī)對(duì)再熱蒸汽溫度預(yù)測(cè)建模需對(duì)時(shí)間步長(zhǎng)、網(wǎng)絡(luò)層數(shù)、隱藏層節(jié)點(diǎn)數(shù)及訓(xùn)練批次數(shù)據(jù)量大小進(jìn)行優(yōu)化。時(shí)間步長(zhǎng)優(yōu)化如圖2所示，計(jì)算時(shí)采用雙層感知器，隱藏層節(jié)點(diǎn)數(shù)為32，將每次訓(xùn)練抓取的數(shù)據(jù)量(batch＿size)設(shè)置為256。由圖可以看出，時(shí)間步長(zhǎng)設(shè)置太小或太大都會(huì)導(dǎo)致MSE較大，當(dāng)時(shí)間步長(zhǎng)為2或3時(shí)，訓(xùn)練集和測(cè)試集的MSE較小。在保證模型精度的情況下，考慮計(jì)算所需時(shí)間和資源，最終選擇時(shí)間步長(zhǎng)為2，即取當(dāng)前時(shí)刻及上一時(shí)刻數(shù)據(jù)作為模型輸入。

圖2 時(shí)間步長(zhǎng)調(diào)參結(jié)果

多層感知器的隱藏層調(diào)參結(jié)果如圖3所示，其中時(shí)間步長(zhǎng)為2，隱藏層節(jié)點(diǎn)數(shù)為32，將每次訓(xùn)練抓取的數(shù)據(jù)量(batch＿size)設(shè)置為256。由圖可以看出，單層感知器即可滿足精度要求，隨著層數(shù)的增加，MSE逐漸增大，過(guò)擬合現(xiàn)象越來(lái)越嚴(yán)重。綜合考慮，最終選用單層感知器。

圖3 多層感知機(jī)層數(shù)調(diào)參結(jié)果

多層感知器的隱藏層節(jié)點(diǎn)數(shù)調(diào)參結(jié)果如圖4所示，其中時(shí)間步長(zhǎng)為2，隱藏層數(shù)為1，將每次訓(xùn)練抓取的數(shù)據(jù)量(batch＿size)設(shè)置為256。由圖可以看出，隱藏層節(jié)點(diǎn)數(shù)較小時(shí)精度較高，隨著節(jié)點(diǎn)數(shù)的增加，MSE逐漸增大，過(guò)擬合現(xiàn)象也是越來(lái)越嚴(yán)重。綜合考慮，最終選用隱藏層節(jié)點(diǎn)數(shù)為32。

圖4 隱藏層節(jié)點(diǎn)數(shù)調(diào)參結(jié)果

多層感知器的每次訓(xùn)練抓取的數(shù)據(jù)量(batch＿size)調(diào)參結(jié)果如圖5所示，其中時(shí)間步長(zhǎng)為2，隱藏層數(shù)為1，隱藏層節(jié)點(diǎn)數(shù)為32。由圖可以看出，抓取的數(shù)據(jù)量大于32時(shí)訓(xùn)練集和測(cè)試集的MSE都相差不大。隨著抓取的數(shù)據(jù)量的增多，每一代的訓(xùn)練時(shí)間越少，而代與代之間的收斂越慢。綜合考慮，最終選用抓取的數(shù)據(jù)量為64。

圖5 抓取的數(shù)據(jù)量調(diào)參結(jié)果

經(jīng)過(guò)對(duì)模型參數(shù)的調(diào)整，最終選用單層感知器，時(shí)間步長(zhǎng)為2，隱藏層數(shù)為1，隱藏層節(jié)點(diǎn)數(shù)為32，激活函數(shù)選用線性整流函數(shù)(relu)，每次訓(xùn)練抓取的數(shù)據(jù)量(batch＿size)為64。其訓(xùn)練過(guò)程如圖6所示，可以看出，在第30—35代的評(píng)價(jià)指標(biāo)已不下降，并在35代時(shí)停止了訓(xùn)練，用時(shí)約35s，因此MLP的訓(xùn)練過(guò)程收斂很快。

圖6 MLP訓(xùn)練過(guò)程

由于數(shù)據(jù)量過(guò)大，無(wú)法完全顯示于圖上，故隨機(jī)選取了部分訓(xùn)練集和測(cè)試集的預(yù)測(cè)值與實(shí)際值，以差值作為誤差，如圖7所示。可以看出，總體上預(yù)測(cè)值與實(shí)際值基本重合，在再熱蒸汽溫度較低時(shí)也能很好地進(jìn)行預(yù)測(cè)，絕對(duì)誤差在0附近波動(dòng)，波動(dòng)范圍不大，說(shuō)明MLP所訓(xùn)練出來(lái)的模型有很好的預(yù)測(cè)能力。

圖7 再熱蒸汽溫度預(yù)測(cè)效果

圖8 為訓(xùn)練集和測(cè)試集的預(yù)測(cè)值與實(shí)際值之間誤差的頻率分布圖，可以很明顯地看出不論是訓(xùn)練集還是測(cè)試集的誤差都基本呈期望為0的正態(tài)分布。約有93.0%訓(xùn)練集和93.3%測(cè)試集樣本的誤差絕對(duì)值位于－1.5～1.5℃之間，其中有49.1%訓(xùn)練集和49.2%測(cè)試集樣本的誤差絕對(duì)值位于－0.5～0.5℃。

圖8 MLP模型訓(xùn)練誤差與分布比例

2.2 再熱蒸汽溫度預(yù)測(cè)建模效果對(duì)比

除MLP外，還采用LSTM和SVM對(duì)再熱蒸汽溫度進(jìn)行了建模。表2顯示了不同建模方法的預(yù)測(cè)效果，MLP訓(xùn)練模型的訓(xùn)練集和測(cè)試集的MSE、MRE及r的效果都較好，且訓(xùn)練集和測(cè)試集的預(yù)測(cè)效果相差不大，訓(xùn)練用時(shí)也較短；LSTM訓(xùn)練模型的MSE都小于0.8℃，MRE都為0.001%，r大于0.989，但綜合訓(xùn)練效果均差于MLP，用時(shí)也較MLP長(zhǎng)；SVM訓(xùn)練模型的訓(xùn)練集預(yù)測(cè)效果較好，其MSE低至0.309℃，但其測(cè)試集的MSE高至1.728℃，普適性很差，訓(xùn)練用時(shí)大于25 min，總體而言預(yù)測(cè)效果不佳。綜上，MLP的預(yù)測(cè)效果要好于LSTM及SVM。

表2 不同建模方法的預(yù)測(cè)效果對(duì)比

3 結(jié)語(yǔ)

本文以某1 000 MW超超臨界燃煤鍋爐為研究對(duì)象，建立基于多層感知器神經(jīng)網(wǎng)絡(luò)的再熱蒸汽溫度預(yù)測(cè)模型。結(jié)果表明，MLP訓(xùn)練模型的均方誤差小于0.71℃，平均相對(duì)誤差小于0.001%，相關(guān)系數(shù)大于0.991，相較于LSTM和SVM模型，具有更好的預(yù)測(cè)精度，泛化效果且訓(xùn)練用時(shí)很短，能夠很好地對(duì)再熱蒸汽溫度進(jìn)行預(yù)測(cè)，將該模型預(yù)測(cè)結(jié)果引入控制器有助于提高再熱蒸汽溫度控制品質(zhì)。