基于声学测温与最小二乘支持向量机的锅炉炉膛灰污监测方法

马美倩，吕伟为，沈国清，安连锁，张世平

（华北电力大学 电站设备状态监测与控制教育部重点实验室，北京 102206）

基于声学测温与最小二乘支持向量机的锅炉炉膛灰污监测方法

马美倩，吕伟为，沈国清，安连锁，张世平

（华北电力大学 电站设备状态监测与控制教育部重点实验室，北京 102206）

研究电站锅炉炉膛灰污监测问题，提出了基于声学测温和最小二乘支持向量机的电站锅炉炉膛灰污监测方法。该方法采用声学测温装置获得实际运行状态下锅炉炉膛出口烟温，用最小二乘支持向量机获得实际运行状态下锅炉炉膛清洁时的潜在炉膛出口烟温，运用上述两参数定义灰污特征参数来表征锅炉炉膛整体灰污状况。建立了监测模型，从电厂采集数据对模型进行了训练和验证，并对获得的灰污特征参数进行了分析，结果表明：基于声学测温和最小二乘支持向量机的锅炉炉膛灰污监测方法可以较准确地实现电站锅炉炉膛的灰污监测，为炉膛的吹灰优化打下了良好的基础。

炉膛出口烟温；声学测温；最小二乘支持向量机；灰污特征参数；灰污监测

0 引言

受热面的污染尤其炉膛内受热面的污染一直是电站锅炉安全经济运行面临的重要问题，近些年来，结合锅炉炉膛受热面的结构以及其热量交换的特点，不少学者针对锅炉炉膛内受热面的污染监测进行了研究并提出了一些方法：俞海淼［1］等使用灰污热流计监测炉膛灰污结渣的动态过程，但该方法因测量设备的昂贵以及高温恶劣环境对设备寿命的影响而受到限制；徐啸虎［2］等使用炉膛出口烟温增量表征炉膛灰污染程度；王军［3］等通过计算热有效系数判断炉膛的污染情况；王洪江等采用水冷壁背火侧温度作为炉内局部结渣故障特征参数［4］。

锅炉炉膛出口烟温是判断炉膛整体污染情况的重要参数。炉膛出口烟温高，一般很难安装测点直接测量，文献 ［5］从能够准确测量获得的排烟温度开始，逆着烟气流动方向根据热平衡的原理逐步计算，最终得到了炉膛出口烟温；文献［6］采用锅炉半经验公式计算获得炉膛出口烟温。上述方法由于需要计算，所以很多计算过程存在较大误差。声学测温技术作为一种新兴技术，不受高温、腐蚀、辐射等的影响，测量精度高，能够在电厂安装测点直接测量炉膛的出口烟温，近些年来在电厂锅炉炉膛出口烟温的测量中得到了广泛应用。

最小二乘支持向量机 （LS-SV M），是在统计学习理论框架下产生出来的支持向量机 （SV M）的基础上改进的新的通用机器学习方法。LS-SV M具有SV M获全局最优解、可应用于小样本的学习问题、可自动地获取网络拓扑结构等优点，同时由于LS-SV M将SV M的不等式约束改进为等式约束，因此需确定的参数变少、训练时间相对变短，近年来在预测领域得到了广泛应用［7，8］。

基于上述背景，本文提出用声学测温装置获得炉膛的实时出口烟温，用最小二乘支持向量机预测获得炉膛清洁时的潜在出口烟温，用两烟温定义灰污特征参数，与临界灰污特征参数对比判断炉膛的污染状况，同时建立了污染监测模型并从电厂采集数据验证了此模型的准确性。

1 基于声学测温和LS-SV M的锅炉炉膛灰污监测原理

本文定义灰污特征参数η判断锅炉炉膛整体的灰污状况：令η＝1－Tqj／Tsj，其中Tqj是实际运行工况下，应用LS－SV M获得的锅炉炉膛清洁时的潜在出口烟温；Tsj是实际运行状态下声学测温装置获得的炉膛出口烟温。η最小，即趋于0时，表明锅炉炉膛清洁；η最大，即趋于1时，Tsj趋近于无穷大，表明锅炉炉膛污染严重；对污染程度的确定需与临界灰污特征参数作比较，临界值的选取一般根据炉膛对经济与安全性的要求凭经验确定。从上述分析可知，灰污特征参数η能较好地反映锅炉炉膛整体的污染状况［9］。

1.1 声学测温原理

在电厂使用声学测温装置测量炉膛出口烟温时，是在炉墙一侧安装声波发射器，在炉墙的另一侧安装声波接收器，测量炉墙两侧的距离即声波发射装置和接收装置之间的距离L和声波飞渡时间τ，即可确定声波在传播路径上的平均速度：

结合式 （1）和式 （2），经推导可以得出声波传播路径上介质的平均温度：

式中：T为声波传播路径上介质的平均温度，K；L为声波发射装置和接收装置之间的距离，m；B为声音常数；τ为声波飞渡时间，ms。

声学测温系统装置主要包括声波收发器、声波导管、信号处理器、功率放大器、温度的输入输出设备以及温度显示设备等。声学测温系统基本组成如图1所示［10，11］。

图1 声学测温系统组成图Fig.1 Composition diagram of acoustic measurement system

1.2 LS-SV M原理

2 LS-SV M预测模型构建

2.1 输入参数的选择

本文以炉膛的理想出口烟温作为LS-SV M结构的输出参数，因此LS-SV M结构的输入参数选择对炉膛出口烟温影响较大的变量，炉膛出口烟温主要受炉膛燃烧情况以及受热面的传热过程影响，因此，结合实际情况，本文以给煤量、进风量 （即一次风量、二次风量）、管入口处工质流量以及工质进出口焓差作输入数据，即假设LSSV M的训练样本集 ｛（xi，yi），i＝1，2，…，n｝，本文中：n＝5；x1为给煤量、x2为一次风量、x3为二次风量、x4为管入口处工质流量、x5为工质进出口焓差；y为炉膛理想出口烟温。给煤量、一次风量、二次风量、管入口处工质流量可以从电厂DAS系统实时采集，工质进出口焓差，可以根据数据采集系统采集的工质进出口压力温度等参数通过水和蒸汽性质软件得到的焓值计算得到。

2.2 数据采集及筛选

本文以某电厂300 MW锅炉为研究对象，通过电厂DAS系统实时采集数据，采集数据需两种：（1）锅炉炉膛清洁时的潜在出口烟温预测用数据。因为是要预测清洁参数，实际情况下，炉膛完全清洁的状态是不存在的，本文认为炉膛吹扫一段时间 （10 min）时炉膛清洁，从DAS系统中获取此时炉膛的参数存入数据库中。 （2）污染监测用实时运行数据。每隔一段时间 （如5 min）采集所需的电厂实时运行数据。此外，对于系统出问题、设备故障、温度测点坏死等情况下获得的数据对LS-SV M预测模型不适用，应筛除。

2.3 核函数的选取

核函数的选取是构建LS-SV M结构的重要环节。常用的核函数有线性函数、高斯径向基函数（RBF）、Sigmoid函数以及多项式函数。线性函数适用于线性问题；Sigmoid函数存在一定局限性，其公式中的某些参数只对部分值满足 Mercer条件；多项式函数在应用于维数很好的特征空间时计算量大，计算精度不高；而高斯径向基函数是目前普遍采用的一种核函数，将样本数据的非线性转换到高维空间里，表现形式简单，解析性好，在特定参数选择下线性函数是径向基函数的一个特例，Sigmoid核的表现则会与径向基函数一样。通过对比研究，本文选择高斯径向基函数作为核函数［13，14］。

2.4 LS-SV M结构

根据上述分析，本文建立如图2的LS-SV M预测结构。

图2 最小二乘支持向量机结构图Fig.2 Structure diagram of least square support vector machine structure

2.5 LS-SV M预测模型训练与验证

本文采集96组锅炉炉膛清洁时的潜在出口烟温预测用数据，采用Premnmx和Postmnmx函数对采集的数据进行归一化和反归一化的处理，其中70组数据作为训练集训练预测模型并最终确定模型各参数，模型采用Gauss径向基核函数，通过参数寻优函数tunelssvm确定σ2和γ的取值，经寻优过程，取预测值平均绝对误差最小时，即σ2和γ分别取值7.1，1 170 549作为模型用参数，确定好模型后，本文采用另外的26组数据作为验证集来验证预测模型的适用范围及其预测的准确度。

炉膛出口烟温训练集预测结果如图3所示。

本文选择相对误差 （RPE）作为实验结果的评价指标，各误差计算公式如下：

图3 LS-SV M训练集预测结果Fig.3 Prediction results of LS-SV Mtraining set

式中：A （i）表示声学测温技术获得的炉膛出口烟温实际值；F （i）表示LS－SV M预测获得的炉膛理想出口烟温；n表示样本数。炉膛出口烟温训练集预测结果相对误差如图4所示。

图4 训练集相对误差Fig.4 Relative error of training set

炉膛出口烟温验证集预测结果及预测相对误差如表1所示。

从上述LS-SV M预测模型训练集的预测结果和相对误差图以及验证集的预测结果和相对误差对照表可以看出，无论是训练集还是验证集LSSV M的预测相对误差均能保持在5%以下，说明其预测效果好，能够满足工程上的预测要求，可以较准确地预测炉膛出口烟温，为炉膛的污染监测提供可靠的依据。

表1 验证集预测结果及相对误差对照表Tab.1 Comparison of validation set prediction results and relative error

3 灰污特征参数监测及结果分析

本文在电厂每隔5 min采集了一段时间内的炉膛实时运行数据，使用声学测温技术获得了炉膛的实时出口烟温，采用上述LS-SV M预测模型预测炉膛的理想出口烟温，根据上文定义的灰污特征参数获得了此段时间的炉膛灰污状况。灰污特征参数如图5所示。从图中灰污特征参数走势情况可以看出此段时间炉膛的灰污特征参数在0.162左右上下浮动，说明此时炉膛污染情况基本不变。文献 ［15］指出锅炉炉膛受热面的沾污系数，可以反映炉膛受热面的污染情况。为验证本文结果的准确性，根据文献 ［15］给出的炉膛出口烟温与热有效系数的关系式 （9）以及热有效系数与沾污系数的关系式 （10），采用上述采集的炉膛出口烟温，结合相关参数，本文进行了沾污系数的计算，经计算，此段时间沾污系数基本保持在0.35左右，说明炉膛受热面的污染情况基本不变，进一步验证了本文监测模型结果的准确性。

式中：θ″为炉膛出口烟温，℃；Ta为理论燃烧温度，K； M为炉膛火焰中心位置系数；σ0为玻尔兹曼常数；a1为炉膛黑度；ψ为热有效系数；F1为炉墙总面积，m2；φ为保热系数；Bj为计算燃料消耗量，kg／s；为平均热容量，KJ／（kg·℃）。

式中：x为角系数；ξ为灰污系数。

图5 灰污特征参数Fig.5 Fouling characteristic parameters

4 结论

（1）锅炉炉膛的灰污监测是实现炉膛吹灰优化的前提，本文提出了基于声学测温和LS-SV M的锅炉炉膛受热面污染监测方法，建立了污染监测模型，从电厂采集数据对模型进行了训练和验证，并对一段时间内的灰污特征参数进行了分析，结果表明：LS-SV M预测精确度高，基于声学测温和LS-SV M的炉膛受热面污染监测方法，能够较准确地实现锅炉炉膛整体的灰污监测。

（2）本文采集的数据为机组一段时期的数据，实际情况下运行机组的工况变化比较复杂，因此需要随着采集数据所在工况范围不断地扩大，对模型训练数据进行不定期地更新，使监测模型更准确。

［1］俞海淼，曹欣玉，李志，等.应用灰污热流计监测燃煤锅炉炉膛灰污结渣的动态过程 ［J］.中国动力工程学报，2005，25 （1）：88-91.

Yu Haimiao，Cao Xinyu，Li Zhi，et al.Research on the dynamic process of ash deposition in boilers with heat flux probes ［J］.Chinese Journal of Power Engneering.2005，25 （1）：88-91.

［2］徐啸虎，周克毅，韦红旗，等.燃煤锅炉炉膛灰污染监测的炉膛出口烟温增量方法 ［J］.中国电机工程学报，2011，31 （29）：21-26.

Xu Xiaohu，Zhou Keyi，Wei Hongqi，et al.Increment of furnance exit gas temperature for monitoring ash fouling in the furnace of coal－fired boilers ［J］.Proceedings of the CSEE.2011，31 （29）：21-26.

［3］王军，王硕.锅炉炉膛结渣状态两种判别方法的研究［J］.电力科学与工程，2009，25 （2）：34-36.

Wang Jun，Wang Shuo.Research on two distinguishing methods for slagging state of boiler furnace ［J］.Electric Power Science and Engineering，2009，25（2）：34-36.

［4］王洪江，孙保民，田进步，等.汽包锅炉炉内局部结渣实时诊断研究 ［J］.工程热物理学报，2008，29（6）：1077-1079.

［5］魏铁铮，王平川，王建军.锅炉炉膛出口烟气温度的推算 ［J］.华北电力技术，1999 （9）：14-16.

［6］李永兴，陈春元，孙家庆.电站锅炉炉膛出口温度计算方法的研究与改进 ［J］.动力工程，1992，12（5）：22-25.

［7］陈磊，张土桥.基于最小二乘支持向量机的时用水量预测模型 ［J］.哈尔滨工业大学学报，2006，389（9）：1528-1530.

Chen Lei，Zhang Tuqiao.Hourly water demand forecast model based on least squares support vector machine ［J］.Journal of Harbin Institute of Technology，2006，389 （9）：1528-1530.

［8］罗伟，习勇华.基于最小二乘支持向量机的降雨量预测 ［J］.人民长江，2008，39 （19）：29-31.

［9］邓喆，李庚生，安连锁，等.基于声学测温与人工神经网络的炉膛结渣在线监测方法 ［J］.现代电力，2011，28 （4）：70-72.

［10］沈国清.基于声波理论的炉膛温度场在线监测技术研究 ［D］.北京：华北电力大学，2007.

［11］杜功焕，朱哲民，龚秀芬.声学基础 ［ M］.南京：南京大学出版社，2001.

［12］王定成.支持向量机建模预测与控制 ［ M］.北京：气象出版社，2009.

［13］杜鹃.基于支持向量机的非线性预测控制研究 ［D］.杭州：浙江大学，2006.

［14］邓乃扬，田英杰.数据挖掘的新方法：支持向量机［ M］.北京：科学出版社，2004.

［15］樊泉桂.锅炉原理 ［ M］.北京：中国电力出版社，2008.

Method of Furnace Fouling Monitoring Based on Acoustic Pyrometry and Least Squares Support Vector Machine

Ma Meiqian，Lv Weiwei，Shen Guoqing，An Liansuo，Zhang Shiping
（Key Laboratory of Condition Monitoring and Control for Power Plant Equipment（North China Electric Power University）， Ministry of Education，Baoding 102206，Beijing，China）

This paper studies power station boiler furnace pollution monitoring，puts forward the method of boiler hearth fouling monitoring based on the acoustic pyrometry and least squares support vector machine，in this method，we get the actual boiler furnace outlet gas temperature with acoustic pyrometry device and gain the potential cleaning outlet gas temperature under the practical operating condition with the least squares support vector machine，then using the two parameters define fouling characteristic parameter to show the conditions of boiler furnace fouling.Collect data from the power plant to train and certification the model，analyze the fouling characteristic parameter，results show that method of boiler hearth fouling monitoring based on the acoustic pyrometry and least squares support vector machine can more accurately realize boiler furnace fouling monitoring and it is a good foundation for furnace blowing optimization.

furnace outlet gas temperature；acoustic pyrometry；least squares support vector machine （LS－SV M）；characteristic parameters of fouling；fouling monitoring

T M621.2

A

2012－06－11。

国家自然科学基金项目 （50976034）；中央高校基本科研业务费专项资金资助 （09QG43）。

马美倩 （1987-），女，硕士研究生，主要从事电站锅炉受热面污染监测的研究，E-mail：weixiaoangel＠126.com。