燃煤电站高压加热器系统故障仿真与诊断

秦刚华，雷丽君，郭 鼎，司风琪



燃煤电站高压加热器系统故障仿真与诊断

秦刚华1，雷丽君2，郭 鼎1，司风琪2

（1.浙江浙能技术研究院有限公司，浙江 杭州 311121； 2.东南大学能源与环境学院，江苏 南京 210096）

高压加热器（高加）是汽轮机回热系统重要的组成部件，由于长时间工作在高温高压环境下，容易发生管束泄漏等故障，严重时会影响机组的安全运行。本文针对卧式高加系统，采用分段数值热力计算方法建立管束泄漏故障仿真模型，得到与故障相关的数据集，运用改进的BP神经网络完成故障诊断模型的构建。采用某600 MW机组3号高加管束泄漏故障对模型进行验证，并与多种模型对比分析表明，本文改进BP神经网络模型具有较高的准确度和可靠性。

高压加热器；故障诊断；热力计算；管道泄漏；BP神经网络；仿真模型

随着全国电力行业总装机容量不断增加，传统火电机组也向大容量、高参数方向发展[1]，同时电厂各个系统复杂、相互耦合，这对电厂的安全性提出了较高的要求。我国火电机组主要由锅炉、汽轮机、发电机等主机以及锅炉制粉系统、汽轮机回热系统等辅助热力系统组成[2]，其中回热系统是汽轮机热力系统重要组成部分，整个回热系统主要包括高压加热器（高加）、除氧器、低压加热器（低加）及连接管道和阀门等。在电厂的实际运行过程中，由高加系统引起的故障较多，其对回热系统以及机组的热经济性和安全性影响较大。

高加发生故障会导致回热系统效率下降，出力降低，甚至会对机组安全运行造成影响[3]。在所有导致高加故障停运的原因中，高加内部管系泄漏占比最大[4]。高加管系泄漏会造成高加切除停运，从而降低锅炉进口给水温度，增加煤耗，降低机组热效率[5]。当高加管束发生严重泄漏时，加热器水位无法通过调节器维持稳定而迅速升高，给水有可能沿抽汽管道进入汽轮机，造成汽缸变形、大轴弯曲甚至断裂等严重事故[6]。

为了保障机组运行经济性和安全性，需要时刻对高加状态进行监视，当高加发生故障时能及时进行有效诊断，防止损失扩大。故障诊断时常常需要获得准确的故障样本库和有效的分类算法，但是现场故障数据有限，采用数值模拟试验[7]则是一种成本较低的可行方法。本文通过故障机理研究对高加管束泄漏[4]典型内部故障建立故障仿真模型，利用该模型分析不同故障特征变化，并生成大量故障样本建立故障诊断模型。

1 高加管束泄漏故障模型

1.1 模型建立

pl—泄漏给水压力，MPa；tl—泄漏给水温度，℃；Dl—泄漏流量，kg/s；—壳侧流入工质的压力，MPa；壳侧流入工质的温度，℃；—壳侧流入工质的流量，kg/s；混合后壳侧工质压力，MPa；—混合后壳侧工质温度，℃；混合后壳侧工质流量，kg/s；—壳侧出口工质压力，MPa；壳侧出口工质温度，℃；管侧入口给水压力，MPa；管侧入口给水温度，℃；Dt—管侧入口给水流量，kg/s；管侧出口给水压力，MPa；管侧入口给水温度，℃；管侧出口给水流量，kg/s。

图2为高加内部泄漏位置，对图2中3个泄漏位置建立泄漏模型，泄漏模型计算流程如图3所示。

图2 高加内部泄漏位置

图3 高加管束泄漏模型计算流程

1）泄漏位置1 疏水冷却段（疏冷段）入口处发生泄漏[9]，泄漏给水与过冷的疏水混合，混合后工质焓低于原疏水焓。以混合后焓作为疏水水面处边界焓，混合后流量作为疏水传热计算流量。同时将进口给水流量减去泄漏流量得到给水在泄漏点之后的流量。由于疏冷段管外工质状态发生变化，传热状态发生变化，给水在疏冷段入口处的焓值也将发生变化，需要先假设一个发生泄漏时的初始焓值，然后经过不断迭代计算，最终确定稳态时的给水焓值、抽汽流量和疏水流量。

2）泄漏位置2 凝结段入口处发生泄漏，泄漏给水与凝结段内饱和蒸汽混合，吸收蒸汽热量从过冷状态至饱和水状态，然后与凝结水一同进入疏冷段。泄漏给水的吸热过程增加了凝结段的凝结放热量，导致凝结水流量增加，壳侧压力降低，高加抽汽压差增加，抽汽流量增大。

3）泄漏位置3 蒸汽冷却段（蒸冷段）入口处发生泄漏，泄漏给水直接与高温过热蒸汽混合，混合后工质状态取决于泄漏量和抽汽量。若混合后仍为过热蒸汽，则相当于抽汽入口温度和流量发生了变化。若混合后为饱和蒸汽，则表明高加内部蒸汽提前被冷却至饱和状态，进入凝结换热阶段。

1.2 模型验证

据某600 MW火电机组检修记录显示，2011年7月18日曾发现3号高加泄漏，切除后检修发现泄漏管数6根，随后对其堵管19根。从该机组SIS数据库中提取2011年7月1日—2011年7月18日3号高加相关测点的运行数据。采用如图3所示的分段数值热力计算方法对3号高加建立热力计算模型，其结构参数见表1。

表1 某600 MW火电机组3号高加结构参数

Tab.1 The structural parameters of No.3 high pressure heater of a 600 MW thermal power unit

将时间序列运行数据进行稳态判定，分别对抽汽温度、抽汽压力、给水进口温度、给水流量进行稳态因子计算，取同一时刻4个稳态因子中的最大值作为稳态判定依据，运行数据稳态因子最大值随时间分布如图4所示。

图4 运行数据稳态因子最大值随时间变化

选取稳态因子最大值小于2的运行数据输入1.1节模型中，对比发现疏水温度的模型计算值与运行值绝对误差在泄漏前后发生较明显变化，疏水温度模型计算值与运行值绝对误差如图5所示。

图5 疏水温度模型计算值与运行值绝对误差随时间变化

将泄漏后数据经过稳态判定筛选后输入所建立的泄漏模型中计算，分别设置泄漏位置为蒸冷段入口、凝结段入口和疏冷段入口处，泄漏量为给水流量的1%，不同模型疏水温度和给水出口温度绝对误差变化分别如图6和图7所示。

图6 不同模型疏水温度绝对误差变化

图7 不同模型给水出口温度绝对误差变化

由图6和图7可以看出，凝结段入口处泄漏时的疏水温度和给水出口温度变化趋势与实际数据吻合度最高。

2 高加故障诊断模型

2.1 搭建BP神经网络的高加故障诊断模型

BP神经网络是1986年由Rumelhart和McClelland为首的科学家提出的一种多层前馈神经网络[10]，其能够通过误差反馈、不断迭代修正建立最优计算模型，具有预测和联想记忆能力。

为了克服传统BP神经网络的训练网络收敛慢的缺点，本文采用文献[11]中提出一种恒误差修正率控制的网络学习率自适应调整方法对网络进行训练，该方法的基本原理是在每轮网络参数更新之后，根据预测误差，调整学习率，保证每个训练周期网络输出的均方误差比上一周期减小一定比例。具体方法如下。

若<0，神经网络各层之间连接权值和阈值的学习速率根据式(5)调整：

若>0，则有

式中，为上周期学习速率，s为学习速率调整系数，max为本周期学习后网络输出误差比上次学习后综合误差减小的最大百分比值。

2.2 基于模型的高加故障样本库

训练样本和特征选择的合适与否对所建故障分类模型的效果至关重要，合适的训练样本集应当满足以下几个基本条件[12]：

1）训练样本集应当具有代表性，尽量在输入空间分布均匀，全面覆盖待预测工况，确保诊断模型不出现“数据不平衡”问题，提高模型适应性；

2）训练样本集数量在条件允许的情况下越多越好，否则在相同的模型复杂度下可能导致“过学习”问题，造成预测方差较高，泛化能力较差，但也应避免造成训练耗时过长；

3）训练样本的特征应当与目标值具有较高的相关性。

根据图2高加泄漏故障发生类型和发生的位置不同，总结出高加3种状态见表2。图8为疏水阀门开度与疏水流量关系。疏水流量是一个有效的故障特征，但由于现场并未安装疏水流量测量和反馈装置，只有疏水阀门开度反馈测点，根据实际运行历史数据可以看出疏水流量与阀门开度之间有较强的相关性。所以选取高加给水出口温度、疏水温度、阀门开度作为冗余参数。故障诊断模型的输入为给水入口温度、给水入口压力、给水流量、抽汽温度、抽汽压力、给水出口温度、疏水温度和阀门开度共8个参数。

表2 高加状态汇总

Tab.2 Summary of running states of the high-pressure heaters

图8 疏水阀门开度与疏水流量关系

为了保证故障诊断模型的准确性，需要提供足够多、覆盖范围广且特征全面的训练样本。利用本文所建立的高加故障模型，可生成足量故障数据，构成高加典型故障样本库，用于诊断模型的训练和测试。以某600 MW火电机组1号高加为实例对象，选取其运行过程中不同负荷工况作为故障样本输入，详细数据见表3。高加泄漏故障样本以表3中数据作为模型输入，每个工况设置泄漏率0.2%、0.4%、0.6%、0.8%、1.0%、1.2%、1.4%，泄漏位置分别设为疏冷段、凝结段和蒸冷段，共生成泄漏故障样本315组，疏冷段泄漏、凝结段泄漏、蒸冷段泄漏数据各105组。将以上315组高加样本数据组成故障诊断模型训练所需的故障样本库原始数据。

表3 不同运行工况高加输入数据

Tab.3 The input data of high-pressure heater under different operating conditions

2.3 不同算法故障识别结果

为进行模型的比较，分别采用概率神经网络、最小二乘支持向量机、极限学习机[13]3种机器学习算法建立分类模型，输入相同样本数据，以折交叉验证法（K-CV）作为评价分类效果的性能指标，其中取10，即将原始数据均分成10组，将每个子集数据分别做一次验证集，其余9组子集数据作为训练集，这样得到10个模型，用这10个模型最终验证集的分类准确率平均数作为此K-CV分类器的性能指标。K-CV可以有效避免过学习及欠学习状态的发生，最后得到的结果也比较具有说服性，最终训练结果和测试结果见表4。

就模型预测精度而言，BP神经网络的训练精度和测试精度均最高。最小二乘支持向量机和极限学习机精度相近，且训练精度高于测试精度，说明模型的泛化能力较弱。概率神经网络对训练样本的数量和代表性要求更高，现有训练样本难以体现概率神经网络的分类效果，故其精度最低，无法满足分类模型预测要求。

模型交叉验证训练精度与测试精度的标准差能够体现算法的稳定性，标准差越小，稳定性越高。根据表4中数据对比可以看出，BP神经网络与最小二乘支持向量机的标准差都较小，说明这两种算法比概率神经网络和极限学习机的稳定性强。

综上所述，在上述4种算法中对于本文研究对象最合适的分类算法为BP神经网络。

表4 不同分类算法高加故障诊断模型交叉验证结果

Tab.4 The cross validation results of different classification algorithms for high-pressure heater fault diagnosis models

3 实例应用

为了验证模型的实用性，采用本文建立的某600 MW机组3号高加故障诊断模型，将历史数据库中的故障数据经稳态判定后输入故障诊断模型，观察诊断效果。

根据检修记录，2011年10月20日该高加发生泄漏，随后停机检修确定泄漏位置为换热管U型拐角处。从SIS中导出该处相关测点泄漏前后数据，时间为20111005—20111020。泄漏前后疏水调节阀反馈和给水流量测点数据随时间变化情况如图9和图10所示。由图9、图10可见，疏水阀门开度与疏水流量有较强相关性，开度随时间逐渐增大说明疏水流量在增加。

图9 实际给水流量随时间变化

图10 实际疏水阀门开度随时间变化

将经过稳态判定后的3号高加泄漏前后运行数据整理成故障诊断模型输入格式，输出诊断状态如图11所示。由图11可见，诊断结果表明本文建立的故障诊断模型具有较高的故障敏感性和准确性，能够在泄漏发生的早期对其进行识别和诊断。电厂运行人员通过对历史运行数据分析，筛选出相同运行工况数据，对比同工况下该高加边界参数，在10月20日发现出口水温降低，疏水温度升高，疏水阀门开度明显增大，判断该高加发生泄漏，而模型在10月7日已经发现故障先兆。

图11 故障诊断模型的疏水阀门开度随时间变化

4 结 论

1）本文利用分段数值热力计算模型建立了卧式三段管束泄漏故障仿真模型，并根据故障模型生成大量故障数据，用于故障诊断模型的训练与测试。

2）针对高加提出了一种基于改进的BP神经网络的故障诊断模型，并将BP神经网络与概率神经网络、最小二乘支持向量机及极限学习机的分类效果进行比较，结果表明BP神经网络具有较高的准确性和较强的泛化能力。

3）利用实际运行历史数据对本文建立的某600 MW 3号高加故障诊断模型进行了诊断测试，证明本文模型具有较高的故障敏感性和准确性。

［1］ 匡江红, 陈端雨. 1 000 MW级火电机组锅炉发展综述[J].动力工程学报, 2003, 23(1): 2127. KUANG Jianghong, CHEN Duanyu. General introduc- tion of fossil-fuel fired boiler for power station at the level of 1 000 MW[J]. Power Engineering, 2003, 23(1): 2127.

［2］ 虞佶. 660 MW超超临界机组高压加热器优化设计研究[D]. 上海: 上海交通大学, 2010: 1-2. YU Ji. 660 MW ultra supercritical unit optimal design of high pressure heater[D]. Shanghai: Shanghai Jiao Tong University, 2010: 1-2.

［3］ 马良玉, 王兵树, 高建强, 等. 300 MW火电机组高加系统典型故障特征规律的仿真研究[J]. 系统仿真学报, 2002, 14(4): 455-458. MA Liangyu, WANG Bingshu, GAO Jianqiang, et al. Simulation study on typical faults of the high-pressure heater system of a 300 MW thermal power generating unit[J]. Journal of System Simulation, 2002, 14(4): 455-458.

［4］ 刘文柱, 刘琰, 肖镇. 高压加热器泄漏原因分析及改进措施[J]. 热力发电, 2006, 35(7): 48-49. LIU Wenzhu, LIU Yan, XIAO Zhen. Cause analysis of high-pressure heater leakage and improvement measures[J]. Thermal Power Generation, 2006, 35(7): 48-49.

［5］ 李延群, 冯兴隆. 大容量机组高压加热器故障原因分析及对策[J]. 热力发电, 2003, 32(6): 53-56. LI Yanqun, FENG Xinglong. Cause analysis of the high-pressure heater’s faults for large-capacity unit[J]. Thermal Power Generation, 2003, 32(6): 53-56.

［6］ 薛小超. 热电厂高压加热器泄漏故障分析与防范措 施[J]. 安徽电力, 2014(3): 14-17. XUE Xiaochao. Analysis and precautionary measure of high pressure heater leakage fault in thermal power plant[J]. Anhui Electric Power, 2014(3): 14-17.

［7］ 张欣刚, 徐治皋, 李勇, 等. 火电机组高压给水加热器动态过程的数值分析[J]. 动力工程学报, 2005, 25(2): 262-266. ZHANG Xingang, XU Zhigao, LI Yong, et al. Numerical analysis of dynamic process of high-pressure feed water heater for thermal power units[J]. Power Engineering, 2005, 25(2): 262-266.

［8］ HUSSAINI I S, ZUBAIR S M, ANTAR M A. Area allocation in multi-zone feed water heaters[J]. Energy Conversion & Management, 2007, 48(2): 568-575.

［9］ 张欣刚, 王雷, 徐治皋. 高压加热器泄漏的静态仿真计算及其故障特征分析[J]. 热力发电, 2005, 34(10): 13-17. ZHANG Xingang, WANG Lei, XU Zhigao. Static simulation calculation and fault characteristic analysis of high pressure heater leakage[J]. Thermal Power Generation, 2005, 34(10): 13-17.

［10］ 江学军, 唐焕文. 一种前馈神经网络的整体进化方 法[J]. 计算机科学, 1999, 26(10): 60-62. JIANG Xuejun, TANG Huanwen. A global algorithm for feedforward neural networks[J]. Computer Science, 1999, 26(10): 60-62.

［11］ 张利平, 王伟峰, 唐德善. 改进的BP网络在凝汽器故障诊断中应用[J]. 热力发电, 2004, 33(3): 50-52. ZHANG Liping, WANG Weifeng, TANG Deshan. Application of improved BP neuron network in condenser fault diagnosis[J]. Thermal Power Generation, 2004, 33(3): 50-52.

［12］ 方瑞明. 支持向量机理论及其应用分析[M]. 北京: 中国电力出版社, 2007: 47-48. FANG Ruiming. Support vector machine theory and its application analysis[M]. Beijing: China Electric Power Press, 2007: 47-48.

［13］ 刘学艺, 李平, 郜传厚. 极限学习机的快速留一交叉验证算法[J]. 上海交通大学学报, 2011, 45(8): 1140-1145. LIU Xueyi, LI Ping, GAO Chuanhou. Fast leave-one-out cross-validation algorithm for extreme learning machine[J]. Journal of Shanghai Jiao Tong University, 2011, 45(8): 1140-1145.

Fault simulation and diagnosis for high pressure heater of coal-fired power plants

QIN Ganghua1, LEI Lijun2, GUO Ding1, SI Fengqi2

(1. Zhejiang Energy Group Research Institute Co., Ltd., Hangzhou 311121, China; 2. School of Energy and Environment, Southeast University, Nanjing 210096, China)

High-pressure heater is an important component in turbine regenerative system. Long-term operation at high temperatures and pressures can easily cause the pipe leakage, which affects the safe running of units when the leakage turns serious. In this paper, a horizontal high-pressure heater of a large thermal power unit was taken as the research object, a fault simulation model of high heater leakage was built up on the basis of a discrete numerical thermal calculation method. The data set related to the faults was obtained. Moreover, a fault diagnosis model was constructed through the improved BP neural network. Furthermore, the model was used to solve the leakage fault of No.3 high-pressure heater in a 600 MW steam turbine system. Compared with other diagnostic models, the results show that this improved BP neural network model has high accuracy and reliability.

high pressure heater, fault diagnosis, thermal calculation, pipe leakage, BP neural network, simulation model

Zhejiang Key Research and Development Program (2017C01082)

TK264.9

A

10.19666/j.rlfd.201811223

秦刚华, 雷丽君, 郭鼎, 等. 燃煤电站高压加热器系统故障仿真与诊断[J]. 热力发电, 2019, 48(6): 108-114. QIN Ganghua, LEI Lijun, GUO Ding, et al. Fault simulation and diagnosis for high pressure heater of coal-fired power plants[J]. Thermal Power Generation, 2019, 48(6): 108-114.

2018-11-07

浙江省重点研发计划(2017C01082)

秦刚华(1963—)，男，教授级高工，主要从事能源行业技术与管理，qingh@zjentc.com。

（责任编辑 杜亚勤）