基于MSET诊断技术锅炉受热面泄漏预测算法建模及实践

董云先 王承亮 宋岩 王晓杰 石德胜 宋峰

摘   要：火电厂锅炉受热面泄漏事故不仅发生几率高、普遍性强，而且影响较大，直接影响接带电量及经营目标的完成;另外在脱硝SCR投运后，若不及时发现炉膛内部受热面泄漏，当泄漏量较大烟气含水率提高后将会导致SCR催化剂中毒的严重后果，所以如何根据现有DCS数据进行受热面泄漏预测，将变得非常有意义。本文以某单位1000MW机组锅炉屏过受热面为研究对象，研究基于MSET诊断技术锅炉屏过受热面泄漏预测算法建模，通过受热面泄漏关联因素因素分析，最终确定了以屏过受热面壁温作为模型输入因素，经过模型训练，成功了预测了锅炉屏过受热面泄漏事故，验证了通过该预测算法模型预测屏过受热面泄漏的可行性。

关键词：MEST  泄漏  受热面  预测  算法  建模

中图分类号：TM62                                  文献标识码：A                        文章编号：1674-098X（2019）05（a）-0106-03

Abstract： The leakage accident of the heating surface of the thermal power plant boiler not only has a high probability， is universal， but also has a large impact， directly affecting the completion of the power supply and the completion of the business objectives. In addition， after the denitration SCR is put into operation， if the internal heating surface of the furnace is not leaked in time， the large amount of leakage will increase the moisture content of the flue gas， which will lead to serious consequences of SCR catalyst poisoning， So how to predict the leakage of the heated surface based on the existing DCS data will become very meaningful.In this paper， the heating surface of the boiler superheater of a 1000MW unit is taken as the research object， and the leakage prediction algorithm of the screen superheater based on the MSET diagnostic technology boiler is studied. The factors related to the leakage of the heated surface leakage are finally determined. The wall temperature of the heated surface of the superheater was used as the model input factor. After the model training， the accident of the heating surface leakage of the boiler screen superheater was successfully predicted. The feasibility of predicting the leakage of the heated surface of the screen superheater by the prediction algorithm model was verified.

Key Words： MEST; Leakage; Heated surface; Prediction; Algorithm; Modeling

火电厂锅炉正常运行中会发生炉膛爆炸、尾部烟道再燃烧、炉膛灭火、受热面泄漏等影响安全生产的事故，但通过统计发现，从发生几率比较、普遍性等角度分析，锅炉受热面泄漏事故就凸显出来，具体体现在：它不仅发生几率高、普遍性高，而且影响较大，受热面泄漏事故停机处理至少10d以上，直接影响接带电量及经营目标的完成;另外，尤其在脱硝SCR投运后，若不及时发现炉膛内部受热面泄漏，当泄漏量较大烟气含水率提高后将会导致SCR催化剂中毒的严重后果。故本文以某单位1000MW机组泄漏几率较大的屏过受热面为研究对象，研究基于MSET诊断技术锅炉屏过受热面泄漏预测算法建模，通过模型算法来预测屏过受热面泄漏情况，以便为电厂设备检修和运行人员提供重要操作依据。

1  锅炉型式

某公司2号机组为1050MW燃煤汽輪发电机组，锅炉由东方锅炉（集团）股份有限公司制造， 锅炉为型号：DG3000/26.15-Ⅱ1型高效超超临界参数变压直流炉，采用单炉膛、一次中间再热、平衡通风、运转层以上露天布置、固态排渣、全钢构架、全悬吊结构Π型锅炉。

2  研究对象的确定

通过对近5年某单位2号锅炉受热面泄漏事件分析，发现锅炉屏过受热面发生泄漏的比例占到40%左右，故本项目将锅炉屏过受热面作为泄漏预测算法建模的研究对象。

3  预测算法建模机理

本研究拟采用基于MSET机理的预测算法建模。MSET（Multivariate State Estimation Technique）是由Singer等提出的一种非线性的多元预测诊断技术，是一种通过分析对比实际监测参数与设备正常运行时的健康数据为基础，对正常运行时的各个参数进行运算并做出估计，以这种正常的状态估计作为标准[1]。当得到实际的运行数据时，同样以健康数据为基础，并找到实际数据与健康数据的关联程度，以此对实际运行状态做出估计，这种“程度”是通过权值向量来决定的，用于衡量实际状态与正常状态的相似性。最终对健康状态与实际运行状态的估计结果进行对比分折，并引入残差的概念，最终进行诊断。目前在核电站传感器校验、设备监测、电子产品寿命预测等方面有成功的应用。

（1）预测算法建模机理。

假设某一设备的“相关变量集”中共有n个相互关联的变量，将在某一时刻i观测到的这n个变量记为观测向量，即：

X（i）=[x1 x2…xn ]^T                                                     （1）

过程记忆矩阵D的构造是MSET建模的第一个步骤。在该过程或设备正常工作的时段内，在不同运行工况下采集m个历史观测向量，组成过程记忆矩阵为

（2）

过程记忆矩阵中的每一列观测向量代表设备的一个正常工作状态[2]。经过合理选择的过程记忆矩阵中的m个历史观测向量所张成的子空间（用D代表）能够代表过程或设备正常运行的整个动态过程。因此，过程记忆矩阵的构造实质就是对过程或设备正常运行特性的学习和记忆过程。MSET模型的输入为某一时刻过程或设备的新观测向量Xobs，模型的输出为对该输入向量的预测值Xest。对任何一个输入观测向量Xobs，MSET生成一个m维的权值向量为：

（3）

使得：

（4）

即MSET模型的预测输出为过程记忆矩阵中m个历史观测向量的线性组合。权值向量W采用以下方法确定。构造MSET模型输入观测向量和输出预测向量之间的残差为：

ε=Xobs-Xest                                                              （5）

选择W使残差的平方和达到最小的算法进行模型训练学习，通过大量样本数据的模型训练学习，得到可以进行预测的算法模型。

（2）模型预测机理。

当模型新的输入观测向量是在过程或设备正常工作状态获得的，由于过程记忆矩陣覆盖了过程和设备的正常工作空间，该新观测向量总会和过程记忆矩中某些历史观测向量相似[3]，这些相似历史观测向量的组合可以对输入给出精度很高的预测值。模型预测的精度可以用某变量的预测值和该变量的实际测量值之间的残差来衡量。

ε=x_est - x_n                                                        （6）

式中：x_n为MSET模型新输入观测向量的第n个变量的实际测量值;x_est为MSET模型输出的x_n预测值。当过程或设备工作状态发生变化出现故障隐患时，由于动态特性的改变，输入观测向量将偏离正常工作空间，其与D矩阵中历史观测向量均不相似[4]，通过D矩阵中历史观测向量的组合无法构造其对应的精确预测值，将会导致预测精度下降、残差增大。

（3）残差分析机理。

由于在训练过程中采集了大量的历史值以及通过上述算法得到一系列评估值，因此，通过两者之差会得到每个测点的残差序列。若在某机组设备正常运行下，可以得到全工况下的数据，因此，通过统计每个测点的残差值上下限阈值会得到整个设备在正常运行过程中的正常值范围。因此，如果实时值与其评估值偏离残差阈值的范围，则当前运行过程可能发生异常，需要运行人重点关注跟踪，防止大的故障发生。

4  预测算法建模输入因子确定

预测算法已经确定，那么根据什么特征数据来确定锅炉屏过受热面泄漏异常，也就是用哪些数据进行模型训练，算法模型能得到相对准确、及时的预测锅炉屏过受热面泄漏事件。

锅炉屏过受热面泄漏初期会对泄漏区域烟气温度、泄漏管屏蒸汽温度产生直接影响，但是还没有导致屏过后烟温降低、屏过出口蒸汽温度升高等宏观变化;故根据以上分析，能及时或超前“感知”屏过受热面微泄漏的DCS数据就是屏过受热面管壁温度;因屏过受热面管壁温度是通过测量屏过管排出口蒸汽管温度修正后间接测量管壁温度的，所以屏过受热面管壁温度直接反映其泄漏或异常变形情况。2号炉屏过受热面共有30个管壁温度测点，故本研究将屏过受热面30个壁温测点作为预测算法模型的输入因子。

5  预测算法训练建模

建模测点：以2号炉锅炉屏过受热面30个管壁温度测点测量值作为预测算法建模输入训练因子。

建模时间：2016-10-01 00：00：00—2017-1.17 00：00：00;将此段时间段30个输入因子输入已建立算法模型进行训练建模;取数间隔：60s。

6  预测算法模型测试

为验证预算算法模型，将2017-1.17 00：00：00--2017.3.15 00：00：00时间段30个锅炉屏过受热面管壁温度测点测量值与模型预测值进行残差对比分析。如图1所示，选取炉屏过壁温30为例，2019年1月17日-1月18日，屏式过热器正常运行，因此，预测全部为正常，*号全部为0。

7  泄漏事件预测

通过运行现场确认，锅炉屏过受热面真实泄漏时间为2017.3.13 10：50;通过试验验证通过管壁温度建立的预测算法模型预测受热面泄漏的做法是可行的。选取炉屏过壁温30实时值与评估值图形展示见图1。

为了验证算法报警不是一直报警，而是在停机或发生故障时发生报警。测试数据所选取有一部分为正常数据（2019年1月17日-1月19日）;从2019年1月19日开始停机一直到2019年3月13日8：30起机，算法一直报警。

如图1和图2所示，从2017.3.13 8：30开始算法仍然一直在报警，直到2017.3.13 16：00左右，随后起机起来;2017.3.13 18：00-3.14 04：00从数据上说这部分数正常的。之后，随着故障的发生又发生停机，2017.3.14 04：00以后基本上又开始报警。因此，算法模型从2017.3.13 8：30開始发出预警比真实发生泄漏故障的时间2017.3.13 10：50提前2小时20分，达到预警的目的。因此，从算法角度，可以提前检测到故障的发生。

8  结语

本文针对如何进行火电厂锅炉受热面泄漏超前预警进行了研究，以某单位2号炉屏过受热面为研究对象，通过基于MSET诊断技术以屏过受热面壁温建立泄漏预测算法模型，并进行了模型训练建模及测试，通过管壁温度测量值与预测值对比及残差分析，预测效果良好，并预测了一次屏过受热面泄漏异常，表明此算法建模用来预测受热面泄漏是可行的，为锅炉受热面泄漏超前预警积累了经验。

参考文献

[1] 李铁才，李西峙.相似性和相似原理[M].哈尔滨：哈尔滨工业大学出版社，2014.

[2] 刘鑫沛.基于相似性建模的发电设备故障预警方法[D].华北电力大学，2014.

[3] 金海峰，熊信艮，吴耀武.基于相似性原理的短期负荷预测方法[J].电力系统自动化，2001，25（23）：45-48.

[4] 郭康维.基于相似性建模的锅炉一次风机故障预警研究[D].华北电力大学，2014.