基于深度神经网络的火电厂水冷壁结焦预警

李云鹏 王越

（华能国际电力股份有限公司大连电厂，辽宁大连 116100）

0 引言

随着锅炉技术发展、用电量增长、节能需求提高，加上受我国能源结构制约，600MW及600MW以上级别的大容量超临界、超超临界燃煤机组已逐步成为我国的主力发电机组[1]。但锅炉的参数和功率较大，就更容易引起各个受热面积灰和结焦。同时，我国复杂的煤炭市场使得煤炭价格不断波动，为了保证经济效益，电厂会使用价格便宜的高灰分燃煤[2]，这更加剧了锅炉受热面的结焦问题。由于焦块的热阻远大于金属热阻，管道内的工质需要更剧烈燃烧才能满足原来的温度要求，这一过程会使得管壁温度超过正常的水平，继而引发爆管[3]。燃煤锅炉作为火力发电厂的重要设备，主要拥有水冷壁、过热器、再热器、省煤器4种管道设备。据不完全统计，这4种管道的爆漏事件在机组非计划停运事件中的占比达到了50%，个别电厂甚至接近65%[4]，而其中水冷壁爆管事件约占各管道爆漏事件的19.7%[5]。水冷壁爆管故障会引起锅炉停炉事故，可能造成经济损失和人员伤亡，大型机组的非正常运行也会影响电网运作。因此，实现对水冷壁结焦状态的预警，避免超温导致的爆管事故发生，是极为必要的。

水冷壁结焦位置主要位于锅炉炉膛内部的辐射受热面上，由于炉膛内部环境和燃烧过程极为复杂，而且缺少可靠的测量设备，水冷壁结焦状态的监测较为困难。目前，已有部分学者对水冷壁、炉膛结焦的监测方法进行了一系列研究，方法主要可归纳为三类。第一类是直接诊断法，如周斌[6]采用电荷耦合元件（Charge-Coupled Device，CCD）摄像机实时监测炉膛内部结焦过程，通过处理所拍摄图片得到实时结焦厚度。第二类是机理表征法，如俞海淼等人[7]设计了一种用于监测受热面灰污的热流计，通过受热面的温度差反映受热面的热流密度变化，进而监测受热面污染情况；康志忠等人[8]使用仿真软件对膜式水冷壁的传热和工质流动情况进行模拟，得到了不同工况下水冷壁的热有效系数，并使用数值模拟方法求得了水冷壁结焦厚度公式；王斌忠等人[9]发现水冷壁鳍片结焦厚度对背火侧鳍端温度影响较大，可通过背火侧鳍端温度变化推测水冷壁向火侧结焦情况。第三类是数据驱动法，如Sun等人[10]将结垢阻力作为反映锅炉受热面污染状态的指标，基于支持向量机（Support Vector Machine，SVM）实现了对锅炉受热面结垢的监测；Shi等人[11]提出了一种基于人工神经网络（Artificial Neural Network，ANN）的变量分析方法，用于研究灰污的内部机理以及传热效率。总结以上研究，直接诊断法原理最为简单，但受限于炉膛内部的复杂恶劣环境，其应用并不广泛，大多处于实验室研究状态。机理表征法通过测量或计算其他特征来反映结焦状态，可行性更高，但仍有许多局限，如装置价格昂贵、实施难度大等。而数据驱动方法不依赖额外传感器，使用灵活，优势明显，很具发展潜力，但目前的数据驱动方法所使用的算法较为传统，且关注的多是炉膛受热面整体的结焦状况，缺少针对火电厂水冷壁特点进行分析和建模的研究。

为了实现针对水冷壁的结焦状态预警，本文选择深度神经网络（Deep Neural Network，DNN）作为预测模型，基于真实的水冷壁故障数据进行数据驱动建模，以实现对水冷壁结焦的准确预警。下面介绍实验数据来源和标注、筛选过程，说明DNN的前向和反向传播算法、结焦预测模型建模方法以及评价标准，同时进行水冷壁结焦状态预测实验的结果分析，并总结本文的主要贡献。

1 数据准备

1.1 数据说明

实验数据来自浙江宁波某火力发电厂，为集散控制系统（Distributed Control System，DCS）运行数据，采样间隔为144 s，共包括142个测点，采样时长为216 h，即每个测点各取5 400个采样点。其中，包含正常运行样本和水冷壁超温爆管样本。

1.2 数据标注及特征筛选

水冷壁超温爆管的关键原因在于水冷壁结焦，根据结焦与爆管之间的关联关系，同时结合运行人员经验，对水冷壁结焦状态进行标注，结焦状态数值在0和1之间，0表示没有结焦或结焦轻微，1表示严重结焦。为了模拟锅炉燃烧对结焦状态的动态影响，在标注数据中引入了高斯噪声。然后，基于嵌入式特征选择方法，使用梯度提升决策树（Gradient Boosting Decision Tree，GBDT）模型作为特征筛选模型，结合标注数据，筛选出特征重要性较高的4个壁温测点。如图1所示，实验截取正常运行和超温爆管前后总计300个采样点作为训练和测试数据集，在第200个采样点时爆管发生。

图1 结焦状态及特征数据

2 方法设计

2.1 DNN

DNN源自于感知机和多层感知机，是一种拥有多个隐含层的神经网络，通过大量神经元之间的连接权重来拟合非线性关系。DNN的前向传播公式如下：

式中：i∈（1，n）为隐含层序号，n为隐含层数量；σ（·）为激活函数；w为权值矩阵；x为网络输入向量；b为偏置；h为隐含层输出向量；y为网络输出向量。

DNN能不断逼近各种非线性关系，这离不开反向传播过程，其反向传播算法与反向传播神经网络（BPNN）基本一致。DNN反向传播公式如下：

式中：i∈（1，n）为隐含层序号，n为隐含层数量；δ（·）为激活函数；L（·）为损失函数；h为隐含层输出向量；y为网络输出向量。

2.2 建模方法

如图2所示，使用DNN进行结焦状态预测建模的过程分为三步：

图2 建模过程

（1）数据预处理。

首先，对特征数据进行归一化，再使用滑动窗口对四维特征数据分别进行切片处理。然后，将切片后的四维特征数据进行拼接，生成维数为窗口尺寸×4的特征数据。最后，将结焦状态与所划分的新特征集一一对应，构建总数据集。

（2）数据集划分。

将总数据集按照一定比例划分为训练集和测试集，训练集用于模型训练，测试集用于模型性能测试。同时，基于批训练（mini-batch）思想，将训练集分为若干批次，以便加速训练过程。

（3）模型训练及测试。

使用划分好的训练集对DNN模型进行训练，训练完毕后，使用测试集测试DNN的拟合效果。

2.3 评价标准

使用平均绝对值误差（Mean Absolute Error，MAE）和均方误差（Mean Square Error，MSE）作为预测模型的评价标准，其计算方法如下：

式中：n为样本数量；Yi为预测值；为实际值。

2.4 实验验证

如图3所示，实验使用3个隐含层的DNN作为训练模型，各隐含层的神经元节点数量均为16，激活函数均为ReLU，输出层的神经元节点数为1，激活函数为Sigmoid。

图3 DNN结构

实验将总数据集随机打乱，并按照7:3的比例划分为训练集和测试集。具体训练参数如表1所示。

表1 训练参数表

模型训练过程中的损失变化如图4所示，可以看出模型收敛良好。

图4 损失趋势

模型训练完毕后，使用测试集对模型进行测试。测试集上模型的MAE为0.060 51，MSE为0.006 88，验证了模型的精度。如图5所示，测试集上模型预测结果与实际值的残差在一个很小的范围内，说明了模型的拟合效果良好且较为稳定。

图5 测试集残差

如图6所示，模型在总数据集上的结焦状态预测趋势与实际值基本吻合，以0.9为报警阈值时，可提前5个时间步对故障进行预警，即提前12 min，能够为运行人员争取较长的时间应对故障的发生。

图6 结焦预警总体效果

3 结语

本文基于真实电厂DCS数据和DNN进行水冷壁结焦状态预测模型的建立和精度测试，同时，设置了报警阈值，以验证模型的预警效果。最终，模型在测试集上的MAE小于0.061，MSE小于0.006 9。另外，在合理的报警阈值内，模型可以提前5个时间步，即12 min进行预警。实验结果表明，基于数据驱动的预测模型可以在水冷壁结焦预警问题中发挥很好的作用。尽管如此，研究仍有不足，比如依靠经验的数据标注容易引入人为误差，这些不足需要后续进行更多的探索。