基于模糊C均值聚类的电站锅炉燃烧在线诊断

王锡辉，陈厚涛，朱晓星，刘 帅，盛 锴，肖 刚

基于模糊C均值聚类的电站锅炉燃烧在线诊断

王锡辉1，陈厚涛1，朱晓星1，刘 帅1，盛 锴1，肖 刚2

（1.国网湖南省电力有限公司电力科学研究院湖南省湘电试验研究院有限公司高效清洁火力发电技术湖南省重点实验室，湖南 长沙 410007；2.浙江大学热能工程研究所能源清洁利用国家重点实验室，浙江 杭州 310027）

电站锅炉燃烧在线诊断对智能电厂建设具有重要意义，通过智能诊断实现自动组织安全稳定优质的燃烧是机组智能运行要解决的关键问题之一。本文采用基于火焰强度信号的模糊C均值聚类算法对锅炉燃烧状态进行在线诊断，分析运行历史中出现的燃烧状态并归纳为4种类别，求取各类别聚类中心，在线计算待诊断样本与各类聚类中心的隶属度值后确定其燃烧状态。将该方法在某超临界620 MW机组上进行应用，分析该机组锅炉燃烧器出力稳定、出力变化、出力不稳定、着火至出力稳定时4种典型工况的诊断结果。结果表明，本文提出的在线诊断方法在各种工况下均能准确评价锅炉燃烧状态，诊断结论能实时客观地反映燃烧状态的变化，可实现锅炉燃烧实时优化指导。

电站锅炉；智能运行；燃烧优化；在线诊断；模糊C均值聚类

随着社会发展和能源需求的深刻变革，强化火电机组的深度调峰作用和实现火电机组的智能化控制已成为当前火电机组控制技术要解决的2个重要问题[1-2]。目前火电机组的智能启停控制技术已在许多工程成功应用[3]，取得了良好效果，为智能电厂的建设提供了基础。然而，机组状态的智能诊断、智能运行以及智能管理等技术仍处于研究之中。锅炉燃烧诊断是智能诊断的核心内容之一，是机组实现自动组织安全、稳定、优质燃烧的先决条件，也是电厂智能化建设的重要内容。

国内外电站锅炉燃烧状态诊断方法大致分为火检信号、火焰频谱或炉膛压力分析法[4-8]和火焰数字图像分析法[9-16]。就工程造价和维护成本而言，前者要低于后者，具有较大的工程应用优势。火检信号是炉膛燃烧的直观反映，采用模糊C-均值(FCM)聚类算法对火焰强度信号进行分析，可实现锅炉燃烧状态的诊断[6,8]。笔者在之前的工作中论证了基于火检信号的FCM聚类算法特征量的提取方法及其表征燃烧状态的准确性，同时对诊断周期进行了研究，确定了适用于工程应用的诊断周期[10]。但该方法是基于系统历史数据的离线诊断，对实际运行机组缺乏实时指导意义。

某燃煤电厂620 MW机组锅炉为超临界参数、带启动循环泵、一次中间再热、单炉膛、平衡通风、固态排渣、露天布置、全钢构架、“W”型火焰燃烧、垂直内螺纹管水冷壁、П型变压直流锅炉。汽轮机是超临界、一次中间再热、单轴、三缸四排汽、凝汽式、双背压汽轮机。本文将基于FCM聚类算法的锅炉燃烧诊断方法，对该机组锅炉燃烧状态进行在线诊断，为电厂智能化建设中在智能诊断方向的研究和应用提供参考。

1 锅炉燃烧诊断方法

1.1 模糊C-均值聚类算法

燃烧状态的“好”或“差”无法从理论上给出清晰的定义，只是明确燃烧状态“好”时应具备的一些属性，当这些属性发生变化时，认为燃烧状态发生了变化，各种状态之间没有明晰的分界线。FCM聚类算法采用隶属度的概念描述了一个样本属于某种确定类别的程度，将模糊事件的描述以定量形式表现出来，非常契合燃烧状态渐进变化的物理属性。FCM聚类算法的基本原理在文献[6]已详细论述[6]。为表述方便，此处仅列出隶属度的概念及计算方法。对于数据集={1,2, …,x}，假设该数据集可划分为个类别，则第个样本隶属于第(1≤≤)类的隶属度u满足如下条件：

式中：为平滑因子，一般取2；p为第个类别的聚类中心。

1.2 在线诊断流程

基于火焰强度信号FCM聚类的锅炉燃烧状态在线诊断方法流程如图1所示。

图1 锅炉燃烧状态在线诊断流程

步骤包括：1）收集待诊断锅炉的火焰强度信号历史数据；2）基于火焰强度信号对历史数据中出现的燃烧状态分类，确定类别数；3）针对每一种燃烧状态类别选取指定数量的火焰强度信号历史数据，确定诊断周期和用于表征燃烧状态的特征参数向量；4）计算诊断周期内特征参数向量的值，将每个诊断周期的特征参数向量值作为一组样本，针对每一种燃烧状态类别，获取多组样本；5）对每一种燃烧状态类别的多组样本进行聚类，得到每一种燃烧状态类别的聚类中心；6）以为周期在线计算该段时间内特征参数向量的值，组成待识别样本；7）计算步骤6）中得到的待识别样本与步骤5）中获得的每一种燃烧状态类别的聚类中心之间的隶属度；8）根据隶属度取值确定待识别样本对应的燃烧状态类别。

1.3 特征参数向量在线计算方法

研究表明[6]，采用火焰强度信号的均值、标准差、均匀度、变异系数、峰峰值为特征参数向量、诊断周期为10~30 s时，通过计算聚类中心能明确区分不同的燃烧状态。当实际燃烧状态发生变化时，其聚类中心具备准确识别燃烧状态变化的能力。本文采用同样的特征参数向量进行在线诊断，选取15 s作为诊断周期，离线计算各燃烧状态的聚类中心并实施在线诊断。本文所述机组的数据采集系统对于火焰强度信号的采集频率为每秒1次。实施在线诊断时，分别获取当前时刻及之前1、2、……、14 s对应时刻的火焰强度信号，诊断周期内火焰强度信号序列获取方法如图2所示。分别计算该组15个数据的均值、标准差、均匀度、变异系数以及峰峰值，得到的向量即为待诊断样本。

图2 诊断周期内火焰强度信号序列获取方法

1.4 辅助逻辑设计

每只燃烧器对应独立的火检探头，火检探头朝向对准相应燃烧器喷嘴。理想情况下，火检探头数据只反映被监测燃烧器的燃烧情况。在实际中，尤其在机组负荷较高时，存在火检“偷看”现象。为提高燃烧诊断的准确性，设计防“偷看”逻辑，即只有在燃烧器投用时，才进行燃烧诊断。反复调试火检探头朝向和相关参数设置，减弱炉膛背景火焰对火检探头的影响。本文所述燃烧状态在线诊断流程是针对单独的燃烧器而言。对炉膛内所有燃烧器均进行诊断，即可实现全炉膛的燃烧诊断。

2 试验结果及分析

2.1 聚类中心计算

收集点火初期到机组满负荷运行各阶段的火焰强度信号历史数据。燃烧状态经分析可分为4类，对应的语言描述分别为“好”、“一般”、“较差”和“很差”。诊断周期选为15 s，离线计算各状态的聚类中心，计算结果见表1。

表1 各燃烧状态聚类中心计算结果

Tab.1 The calculation results for each combustion state clustering center

2.2 在线诊断结果

在分散控制系统（DCS）中编制基于FCM聚类的燃烧状态在线诊断方法计算流程组态，在线计算待诊断燃烧器的特征参数向量并将其作为诊断样本。计算待诊断样本与表1中各燃烧状态聚类中心之间的隶属度，从而对当前时刻之前14 s时间段内的燃烧状态做评价，实现实时诊断。

图3为燃烧器出力稳定时在线诊断结果。由 图3可见，在诊断时段内，火焰强度信号（量程为0~100）值一直保持100，表明该燃烧器在该段时间内出力稳定，燃烧良好。同时该时段内的诊断样本与对应燃烧状态“好”的聚类中心之间的隶属度值始终为1，与对应燃烧状态“一般”“较差”以及“很差”的聚类中心之间的隶属度均为0。根据隶属度的定义可知，待诊断样本与某聚类中心之间的隶属度越接近1，表明该诊断样本隶属于聚类中心的程度越大。当隶属度为1时，表示诊断样本完全隶属于该聚类中心。由此可知，在线诊断方法对该时段内的燃烧状态诊断结果为：燃烧状态“好”，与实际情况一致，表明在线诊断是准确的。

图3 燃烧器出力稳定时在线诊断结果

图4为燃烧出力发生变化时的在线诊断结果。由图4中火焰强度信号可知，该时段内的大部分时间，火焰强度信号值为100。在16:20—16:23、16:24—16:26以及16:28—16:29时段内，火焰强度信号发生了波动。相对应的，待诊断样本与燃烧状态“好”聚类中心之间的隶属度值大部分时候为0.9~1.0。在火焰强度信号发生变化的同时段内，隶属度值偏离了该区域。在16:20:45时刻，待诊断样本与燃烧状态“好”聚类中心之间的隶属度值变化至0.46，与燃烧状态“一般”“较差”“很差”聚类中心之间的隶属度值分别为0.393、0.079、0.068。表明在该时刻之前15 s内的燃烧状态介于“好”与“一般”之间，更接近于“好”。考察火焰强度信号可知，其值在该15 s时段内轻微波动，变化范围为86~100。16:21:55时待诊断样本与燃烧状态“好”之间的隶属度为0.159，与燃烧状态“一般”“较差”“很差”之间的隶属度值分别为0.700、0.076、0.065，表明在该时刻之前15 s内燃烧状态更接近于“一般”。在16:25及16:29时刻有同样趋势，即火焰强度信号出现波动时，待诊断样本与燃烧状态“好”之间的隶属度由接近1变化至接近0，而与燃烧状态“一般”的隶属度由接近0变化至接近1。待诊断样本与其余两种状态之间的隶属度也略有波动，但始终小于0.1。表明燃烧状态由“好”向“一般”转变。在16:19—16:29时段内，在线诊断结论为：燃烧状态游离于“好”与“一般”之间，更接近于“好”，与火焰强度信号变化的趋势一致。所述的在线诊断方法能准确反映真实燃烧状态的变化。

图4 燃烧器出力变化时在线诊断结果

图5为燃烧器出力不稳定时在线诊断结果。由图5可知，该时段内燃烧不稳定，火焰强度信号在60~100之间频繁波动，最低值达到32。相应在19:39—19:42时段，待诊断样本与燃烧状态“一般”之间的隶属度值在0.34~0.92波动，在该时段内的大部分时间，隶属度值大于0.6，且大于待诊断样本与其余3种燃烧状态聚类中心之间的隶属度值，表明该时段燃烧状态可评价为“一般”。在19:42—19:43时段，待诊断样本与燃烧状态“较差”之间的隶属度逐渐变大，其隶属度值接近于燃烧状态“一般”，表明燃烧状态游离于“一般”与“较差”之间。该时段内火焰强度信号的平均值明显降低，变化趋势与诊断结论一致。在20:00—20:04时段，待诊断样本与燃烧状态“很差”之间的隶属度逐渐变大，其值在0.30~0.85波动，样本与燃烧状态“较差”之间的隶属度减小，在0.1~0.3之间，与燃烧状态“一般”之间的隶属度减至小于0.1，表明该时段内，燃烧状态变化至“很差”。在19:51—20:09时段内，待诊断样本与燃烧状态“好”之间的隶属度均小于0.15，绝大多数小于0.10，表明该时段内实际燃烧状态与“好”相差较远，诊断结论与火焰强度信号的趋势变化一致。

利用在线诊断方法，可以实现对燃烧优化的实时指导。与单纯分析火焰强度信号相比，采用基于FCM聚类的燃烧在线诊断的优势为：1）火焰强度信号是某一时刻的燃烧强度表征，而在线诊断研究的是某一时段的燃烧状况，后者是对前者一段时间内的情况作出的分析总结，更符合燃烧诊断的实际需求；2）当火焰不稳定时（图5），火焰强度信号无法实时给出确切的燃烧诊断结论，而在线诊断具备实时和定量评估能力；3）火焰强度信号单纯表征燃烧强度的绝对值，而在线诊断分析其绝对值、均匀度、波动性和变异情况，对燃烧状态进行多维评价，评价更加全面准确。

图5 燃烧器出力不稳定时在线诊断结果

图6为燃烧器点火到出力稳定时的在线诊断结果。由图6可知，在10:18:27—10:21:28时段内，火焰闪烁，时有时无，火焰强度信号在0~100波动。其中10:21:56—10:22:02呈现短暂稳定趋势。在线诊断结果显示，在10:18:27—10:21:28时段内，待诊断样本与燃烧状态“很差”聚类中心之间的隶属度在0.45~0.88之间波动，大于样本与其他状态之间的隶属度，表明该时段内的燃烧状态“很差”。在10:21:56—10:22:02时段内，样本与燃烧状态“较差”之间的隶属度增大，表明燃烧状态由“很差”向“较差”变化。在线诊断结论与实际燃烧状态一致。从10:22:58开始，火焰强度信号趋于稳定，其值为100并保持不变。在10:18—10:24时段内，在线诊断结果显示，燃烧状态由“很差”→“较差”→“一般”→“好”。火焰稳定后，样本与燃烧状态“好”之间的隶属度为1，与其余状态之间的隶属度均为0。在线诊断结果完整记录了燃烧器着火至出力稳定的过程。

图6 燃烧器点火至出力稳定时在线诊断结果

3 结 语

本文将基于FCM聚类的燃烧诊断方法应用于某燃煤电厂超临界620 MW机组实际工程，分析运行历史中出现的燃烧状态并归纳为4种类别，求取各类别聚类中心，在线计算待诊断样本与各类别聚类中心的隶属度值后确定其燃烧状态，对燃烧器出力稳定、燃烧器出力变化、燃烧器出力不稳定、燃烧器着火至出力稳定时4种典型工况进行状态评价。结果显示，针对各种工况，本文提出的在线诊断方法均能准确评价锅炉燃烧状态，诊断结论实时客观反映了燃烧状态的变化。利用该在线诊断方法，可以实现对燃烧优化的实时指导，为实现燃烧的智能化控制打下基础。

［1］ 王嘉阳, 申建建, 程春田, 等. 基于负荷重构策略的火电切负荷调峰方法[J]. 中国电机工程学报, 2014, 34(16): 2684-2691.

WANG Jiayang, SHEN Jianjian, CHENG Chuntian, et al. A load shedding method for thermal power plants with peak regulation based on load reconstruction strategy[J]. Proceedings of the CSEE, 2014, 34(16): 2684-2691.

［2］ 王锡辉, 陈厚涛, 彭双剑, 等. 630 MW燃煤机组给水泵自动并泵过程控制策略[J]. 热力发电, 2017, 46(11): 91-96.

WANG Xihui, CHEN Houtao, PENG Shuangjian, et al. Control strategy for automatic parallel operation of feed water pumps in a 630 MW coal-fired unit[J]. Thermal Power Generation, 2017, 46(11): 91-96.

［3］ 彭敏, 刘冬林, 谢国鸿, 等. 国产超(超)临界火电机组智能控制系统的工程应用[J]. 中国电力, 2016, 49(10): 7-11.

PENG Min, LIU Donglin, XIE Guohong, et al. Engineering application of PIC system in domestic supercritical/ultra supercritical thermal generation units[J]. Electric Power, 2016, 49(10): 7-11.

［4］ 卓建坤, 焦伟红, 宋少鹏, 等. 锅炉燃烧优化中NO预测模型研究进展[J]. 燃烧科学与技术, 2016, 22(6): 531-540.

ZHUO Jiankun, JIAO Weihong, SONG Shaopeng, et al. A review on nitrogen oxides prediction model in combustion optimization of boilers[J]. Combustion Science and Technology, 2016, 22(6): 531-540.

［5］ 郭建民, 刘石, 姜凡. 模糊免疫网络算法在数字图像火焰监测中的应用[J]. 中国电机工程学报, 2007, 27(2): 1-5.

GUO Jianmin, LIU Shi, JIANG Fan. The application of fuzzy immune network algorithm to flame monitoring[J]. Proceedings of the CSEE, 2007, 27(2): 1-5.

［6］ 王锡辉, 陈厚涛, 彭双剑, 等. 基于火检信号模糊聚类分析的燃烧诊断方法[J]. 热力发电, 2018, 47(9): 27-33.

WANG Xihui, CHEN Houtao, PENG Shuangjian, et al. A combustion diagnostic method based on the fuzzy clustering of flame intensity signals[J]. Thermal Power Generation, 2018, 47(9): 27-33.

［7］张玉杰, 刘芳, 齐忆南. 基于神经网络的电站锅炉燃烧诊断方法研究[J]. 西安石油大学学报(自然科学版), 2007, 22(5): 103-106.

ZHANG Yujie, LIU Fang, QI Yinan. Study on the combustion diagnosis method of power-station boilers based on neural network[J]. Journal of Xi’an Shiyou University (Natural Science Edition), 2007, 22(5): 103-106.

［8］ 刘伟, 司风琪, 徐治皋. 基于燃烧特征量和模糊C均值聚类的燃烧诊断[J]. 东南大学学报(自然科学版), 2012, 42(22): 326-330.

LIU Wei, SI Fengqi, XU Zhigao. Combustion diagnosis based on combustion feature and fuzzy C-means clustering[J]. Journal of Southeast University (Natural Science Edition), 2012, 42(22): 326-330.

［9］ BALLESTER J, GARCI´A-ARMINGOL T. Diagnostic techniques for the monitoring and control of practical flames[J]. Progress in Energy and Combustion Science, 2010(36): 375-411.

［10］ HERNÁNDEZ R, BALLESTER J. Flame imaging as a diagnostic tool for industrial combustion[J]. Combustion and Flame, 2008, 155: 509-528.

［11］ 王飞, 马增益, 卫成业, 等. 根据火焰图像测量煤粉炉截面温度场的研究[J]. 中国电机工程学报, 2000, 20(7): 40-43.

WANG Fei, MA Zengyi, WEI Chengye, et al. Study on the section temperature measurement of power plant boiler based on flame image[J]. Proceedings of the CSEE, 2000, 20(7): 40-43.

［12］ 薛飞, 李晓东, 倪明江, 等. 基于面阵CCD的火焰温度场测量方法研究[J]. 中国电机工程学报, 1999, 19(1): 39-41.

XUE Fei, LI Xiaodong, NI Mingjiang, et al. Research on temperature field measuring for combustion flame based on plane surface array CCD[J]. Proceedings of the CSEE, 1999, 19(1): 39-41.

［13］ 吴一全, 宋昱, 周怀春. 基于灰度熵多阈值分割和SVM的火焰图像状态识别[J]. 中国电机工程学报, 2013, 33(20): 66-73.

WU Yiquan, SONG Yu, ZHOU Huaichun. State identi- fication of boiler combustion flame images based on gray entropy multiple thresholding and support vector machine [J]. Proceedings of the CSEE, 2013, 33(20): 66-73.

［14］ LUO Z, ZHOU H. A combustion-monitoring system with 3-D temperature reconstruction based on flame-image processing technique[J]. IEEE Transactions on Instrument and Measurement, 2007, 56(5): 1877-1882.

［15］ 丁经纬, 马增益, 黄群星, 等. 炉膛火焰温度场重建非线性优化算法研究[J]. 中国电机工程学报, 2003, 23(2): 136-139.

DING Jingwei, MA Zengyi, HUANG Qunxing, et al. Research on reconstruction of temperature field in furnace and nonlinear optimization method[J]. Proceedings of the CSEE, 2003, 23(2): 136-139.

［16］ 王春华, 仲兆平, 鄂加强. 基于LS-SVM的燃烧状况智能诊断[J]. 燃烧科学与技术, 2010, 16(5): 462-466.

WANG Chunhua, ZHONG Zhaoping, E Jiaqiang. Intelligent diagnosis of combustion based on LS-SVM[J]. Journal of Combustion Science and Technology, 2010, 16(5): 462-466.

Online diagnosis for combustion of power station boilers based on fuzzy C mean clustering

WANG Xihui1, CHEN Houtao1, ZHU Xiaoxing1, LIU Shuai1, SHENG Kai1, XIAO Gang2

(1. Hunan Province Key Laboratory of High Efficiency & Clean Thermal Power Technology, State Grid Hunan Electric Power Company Research Institute Co., Ltd., Hunan Xiangdian Test and Research Institute Co., Ltd., Changsha 410007, China; 2. State Key Laboratory of Clean Energy Utilization, Institute for Thermal Power Engineering, Zhejiang University, Hangzhou 310027, China)

On-line diagnosis of boiler combustion in power plants is of great significance to the construction of smart power station. Realizing automatic close-loop control for safety, stable and excellent combustion through smart diagnosis is one of the key issues that need to be solved for smart operation of power units. In this paper, the boiler combustion status is diagnosed online by using the fuzzy C mean clustering algorithm based on flame intensity signal. Via analyzing the history data of combustion states, four categories of combustion state are summarized and the cluster center of each category is obtained. The combustion state of a flame is determined by calculating the membership between the diagnosing sample and the cluster center of each category. Moreover, this method is practically applied on a supercritical 620 MW unit to analyze the diagnosis results under four typical conditions, namely the steady output of the burner, varying output of the burner, unstable output of the burner and the condition from ignition to steady output of the burner. The results show that, the method proposed in this work is probable to accurately estimate the combustion state of all conditions, and the diagnosing conclusion reflects objectively the actual combustion process. Based on the online diagnosis, it is able to provide real-time guidance for combustion optimization.

utility boiler, smart operation, combustion optimization, online diagnosis, fuzzy C mean clustering

TK232

A

10.19666/j.rlfd.201906141

2019-06-26

国家自然科学基金项目(51776186)；湖南省科技创新平台与人才计划项目(2016TP1027)

Supported by：National Natural Science Foundation of China (51776186); Science & Technology Innovation Platform and Talent Plan of Hunan Province (2016TP1027)

王锡辉(1987—)，男，博士，高级工程师，主要研究方向为发电自动化与智能化及网源协调技术，wangxihui0601@163.com。

王锡辉, 陈厚涛, 朱晓星, 等. 基于模糊C均值聚类的电站锅炉燃烧在线诊断[J]. 热力发电, 2019, 48(9): 77-82. WANG Xihui, CHEN Houtao, ZHU Xiaoxing, et al. Online diagnosis for combustion of power station boilers based on fuzzy C mean clustering[J]. Thermal Power Generation, 2019, 48(9): 77-82.

（责任编辑 杜亚勤）