CN112016038B - 一种超超临界燃煤锅炉高温再热器炉外壁温预测方法 - Google Patents
一种超超临界燃煤锅炉高温再热器炉外壁温预测方法 Download PDFInfo
- Publication number
- CN112016038B CN112016038B CN202010766642.8A CN202010766642A CN112016038B CN 112016038 B CN112016038 B CN 112016038B CN 202010766642 A CN202010766642 A CN 202010766642A CN 112016038 B CN112016038 B CN 112016038B
- Authority
- CN
- China
- Prior art keywords
- feature
- temperature
- ultra
- fired boiler
- supercritical coal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明所提一种超超临界燃煤锅炉高温再热器炉外壁温预测方法,该方法能精确地预测未来一段时间超超临界燃煤锅炉高温再热器炉外壁的温度。本发明所提方法是混合多参数多特征降维时间卷积网络方法,该方法由多特征尺度模块和特征融合时间卷积网络模块组成。所提方法中多特征尺度模块主要包括特征筛选和特征拼接两种操作;该两种操作对原始数据进行混合多参数多特征降维。所提方法中特征融合时间卷积网络模块使用扩张因果卷积作为基本计算单元完成特征融合和模型训练任务。所提方法具有较强特征提取能力和函数拟合能力,可以预测超超临界燃煤锅炉高温再热器炉外壁的温度。
Description
技术领域
本发明属于电力***火力发电场燃煤锅炉安全运行领域,涉及一种超超临界燃煤锅炉高温再热器炉外壁温预测方法,适用于电力***火力发电燃煤锅炉安全运行分析。
背景技术
超超临界发电技术可以满足中国电力可持续发展的重要洁净煤发电要求,已成为目前燃煤火电机组的主要发展方向。为了进一步提高锅炉效率、减少污染物排放,发展具有自主产权的大型高参数超超临界燃煤锅炉是我国电力装备制造业的一个重要发展方向。构建准确可靠的超超临界燃煤锅炉高温再热器炉外壁温预测方法对开发自主产权超超临界燃煤锅炉具有重要借鉴价值。而燃煤锅炉内部变量较多,各变量间变化规律呈非线性关系,如何准确地预测出超超临界燃煤锅炉高温再热器炉外壁温就成为主要技术难题。
本发明所提的一种超超临界燃煤锅炉高温再热器炉外壁温预测方法,能够精准预测未来一段时间内超超临界燃煤锅炉高温再热器炉外壁的温度变化。该方法充分考虑了与超超临界燃煤锅炉高温再热器炉外壁的温度变化相关的变量,并通过相关系数筛选出了相关性较高的几个变量,以筛选出的变量为基础数据构建了混合多参数多特征降维的新特征数据集,该数据集能充分表达超超临界燃煤锅炉高温再热器炉外壁的温度变化规律。通过特征融合的时间卷积网络模型对构建的样本数据进行训练,大大地提高了超超临界燃煤锅炉高温再热器炉外壁温预测的精确性。
在超超临界燃煤锅炉各部件中,高温再热器是工作条件最为恶劣的部件,它们的安全稳定地运行直接关系到超超临界燃煤锅炉的安全运行,合理的高温再热器状态检验和寿命评估有助于提高超超临界燃煤锅炉运行的安全性。研究表明,再热器运行时温度长时间过高是寿命损伤的主要因素之一。
锅炉再热器超温爆管现象经常发生。很多原因造成了锅炉再热器超温,比如再热器的结构设计和火焰中心等因素使得燃料燃烧不良导致受热面有较大热偏差造成局部超温。而且锅炉的运行方式和锅炉构造参数的不同都有可能让锅炉再热器超温。只要能够准确计算出烟气侧的热偏差,就可以计算出锅炉再热器的外壁温度。
因此,对超超临界燃煤锅炉高温再热器炉外壁的温度进行预测,并根据预测结果调整锅炉运行状态,使得超超临界燃煤锅炉高温再热器炉外壁的温度一直保持在合理范围内是保证该部件安全稳定运行的一个重要方法。
传统的受热面壁温的主要计算方法是锅炉机组热力计算标准方法,其考虑的各种热偏差因素有不足之处,没有考虑不同管子的吸热能力不同,传热系数是恒值,因此该点的平均气温计算具有不合理性。该方法只计算危险点壁温,不能计算壁温分布,所以预测精确度较低。
由于上述传统超超临界燃煤锅炉高温再热器炉外壁温度预测方法存在预测精度低的问题,因此,本发明提出了一种超超临界燃煤锅炉高温再热器炉外壁温预测方法用来替代传统预测方法。
发明内容
本发明提出一种超超临界燃煤锅炉高温再热器炉外壁温预测方法,该方法可以精准的预测未来一段时间内超超临界燃煤锅炉高温再热器炉外壁的温度变化。与传统的超超临界燃煤锅炉高温再热器炉外壁温预测方法不同,该方法主要使用大量样本数据进行特征提取和学习,最终形成一个固定输入输出映射关系的预测模型来精准地预测超超临界燃煤锅炉高温再热器炉外壁的温度变化。
该方法主要由多特征尺度模块和特征融合时间卷积网络模块组成,其中特征尺度模块主要包括特征筛选和特征拼接两种操作对原始数据进行混合多参数多特征降维,其过程可以用公式(1)和公式(2)进行描述
式中,ρ为斯皮尔曼相关系数,xi为一列特征,yi为另一列特征,为特征xi的平均值,/>为特征yi的平均值。
f=(fcorr+n)*h+fcorr (2)
式中,f为新特征数据集的特征维度数,fcorr为相关系数分析降维后的特征维度数,n为输入数据的维度数,h为融合的历史样本个数。
特征融合时间卷积网络模块主要使用扩张因果卷积作为基本计算单元完成特征融合和模型训练任务。该模块中因果卷积操作可用式(3)描述
式中,k为输入序列,y为输出序列,f为大小为i的卷积滤波器。
一维卷积在应用于模型序列时会受输出尺寸大小和接收域的限制,因此需要和扩张卷积配合使用,扩张卷积操作可用式(4)描述
式中,lr是扩张因子。
特征融合操作可由式(5)描述
式中,T为融合后的新特征,Ti为被融合的子特征。
本发明所提一种超超临界燃煤锅炉高温再热器炉外壁温预测方法是一种混合多参数多特征降维产生强相关特征数据集并用特征融合时间卷积网络进行训练的精确预测模型,该方法具有较强特征提取能力和函数拟合能力,可以通过大数据学习超超临界燃煤锅炉高温再热器炉外壁温的特征映射规律,从而精确地预测超超临界燃煤锅炉高温再热器炉外壁的温度。
附图说明
图1是本发明方法的混合多参数多特征降维时间卷积网络结构示意图。
图2是本发明方法的一种超超临界燃煤锅炉高温再热器炉外壁温预测流程图。
具体实施方式
本发明提出的一种超超临界燃煤锅炉高温再热器炉外壁温预测方法,结合附图详细说明如下:
图1是本发明方法的混合多参数多特征降维时间卷积网络结构示意图。该方法主要由多特征尺度模块和特征融合时间卷积网络模块组成。多特征尺度模块完成混合多参数多特征降维操作,该模块主要实现原始特征数据的相关性分析,在分析所得的相关系数基础上进行特征筛选。之后在结合不同参数的历史样本构建新的特征数据集用于下一步的训练环节。而训练环节由特征融合时间卷积网络模块进行,特征融合时间卷积网络首先获取多特征尺度模块构建的训练样本,对多个特征的数据集分别进行运算,然后将运算生成的各特征数据输入特征融合模块进行特征融合,最后经过全连接层输出预测的超超临界燃煤锅炉高温再热器炉外壁的温度。该方法的多特征尺度模块构建了高相关性的特征数据集,该数据集更能表达超超临界燃煤锅炉高温再热器炉外壁的温度的变化规律,该方法的特征融合时间卷积网络模块具有较强特征提取能力和函数拟合能力,能精确地预测超超临界燃煤锅炉高温再热器炉外壁的温度。
图2是本发明方法的一种超超临界燃煤锅炉高温再热器炉外壁温预测流程图。
训练样本的质量高低对预测模型最终性能高低具有决定性的影响。因此,原始数据的收集处理流程必须有较高的可靠性。首先,让在火电厂运行一段时间,收集这段时间内超超临界燃煤锅炉高温再热器炉外壁的温度变化数据和燃煤锅炉内部相关数据,将这些数据以指定规则存入数据库中,当收集够10天以上数据后,可开始训练预测模型。其次,从数据库依次导入历史样本数据进行归一化等预处理,消除各特征数据的量纲以便训练过程更稳定地进行。然后对数据进行相关性分析,剔除相关性低的特征,筛选出相关性高的特征数据。接下来将筛选后的特征数据与指定参数的历史特征数据和历史输出温度数据拼接成新的特征数据集。将拼接好的特征数据集分别放入时间卷积网络进行训练,然后将时间卷积网络输出的各特征进行融合,最后经过全连接层,输出预测的温度。
Claims (2)
1.一种超超临界燃煤锅炉高温再热器炉外壁温预测方法,其特征在于,该方法使用相关性分析和特征拼接构建混合多参数多特征降维方法,同时提出特征融合时间卷积网络训练模型,利用混合多参数多特征降维方法在原始样本基础上生成多特征尺度的特征数据集;特征融合时间卷积网络能将新特征数据集的多尺度特征融合训练,提高特征提取能力,进而提升预测精确度;该方法在使用过程中的步骤为:
(1)获取一段时间内与超超临界燃煤锅炉高温再热器炉外壁温相关的历史数据;
(2)对历史数据使用混合多参数多特征降维方法构建新的特征数据集;
(3)使用特征融合时间卷积网络对构建的特征数据集进行训练;
(4)使用训练好的预测模型进行预测;
其中,混合多参数多特征降维方法使用相关性系数进行多特征降维,又结合历史样本构建混合多参数的新特征数据集,其相关系数用以下公式来进行描述
式中,ρ为斯皮尔曼相关系数,xi为一列特征,yi为另一列特征,为特征xi的平均值,/>为特征yi的平均值;
构建的新特征数据集的特征维度用以下公式进行描述
f=(fcorr+n)*h+fcorr
式中,f为新特征数据集的特征维度数,fcorr为相关系数分析降维后的特征维度数,n为输入数据的维度数,h为融合的历史样本个数;
其中,特征融合时间卷积网络对混合多参数多特征降维方法生成的新特征数据集进行特征融合计算,若T为融合后的新特征,则融合过程用以下公式进行描述
2.权利要求1所述的一种超超临界燃煤锅炉高温再热器炉外壁温预测方法,其特征在于,该方法中的基本运算单元是扩张卷积和因果卷积结合构成的扩张因果卷积层,其中因果卷积操作用以下公式进行描述
式中,k为输入序列,y为输出序列,f为大小为i的卷积滤波器;
扩张卷积操作用以下公式进行描述
式中,lr是扩张因子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010766642.8A CN112016038B (zh) | 2020-08-03 | 2020-08-03 | 一种超超临界燃煤锅炉高温再热器炉外壁温预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010766642.8A CN112016038B (zh) | 2020-08-03 | 2020-08-03 | 一种超超临界燃煤锅炉高温再热器炉外壁温预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112016038A CN112016038A (zh) | 2020-12-01 |
CN112016038B true CN112016038B (zh) | 2023-07-28 |
Family
ID=73499123
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010766642.8A Active CN112016038B (zh) | 2020-08-03 | 2020-08-03 | 一种超超临界燃煤锅炉高温再热器炉外壁温预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112016038B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109670629A (zh) * | 2018-11-16 | 2019-04-23 | 浙江蓝卓工业互联网信息技术有限公司 | 基于长短期记忆神经网络的燃煤锅炉热效率预测方法 |
CN110096950A (zh) * | 2019-03-20 | 2019-08-06 | 西北大学 | 一种基于关键帧的多特征融合行为识别方法 |
CN110531797A (zh) * | 2019-05-31 | 2019-12-03 | 华电国际电力股份有限公司技术服务分公司 | 基于神经网络的超超临界机组高温过热器壁温预测方法 |
CN110909926A (zh) * | 2019-11-18 | 2020-03-24 | 中国计量大学 | 基于tcn-lstm的太阳能光伏发电预测方法 |
CN111382679A (zh) * | 2020-02-25 | 2020-07-07 | 上海交通大学 | 帕金森病步态运动障碍严重程度的评估方法、***及设备 |
CN111382906A (zh) * | 2020-03-06 | 2020-07-07 | 南京工程学院 | 一种电力负荷预测方法、***、设备和计算机可读存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017165551A1 (en) * | 2016-03-22 | 2017-09-28 | Sri International | Systems and methods for speech recognition in unseen and noisy channel conditions |
-
2020
- 2020-08-03 CN CN202010766642.8A patent/CN112016038B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109670629A (zh) * | 2018-11-16 | 2019-04-23 | 浙江蓝卓工业互联网信息技术有限公司 | 基于长短期记忆神经网络的燃煤锅炉热效率预测方法 |
CN110096950A (zh) * | 2019-03-20 | 2019-08-06 | 西北大学 | 一种基于关键帧的多特征融合行为识别方法 |
CN110531797A (zh) * | 2019-05-31 | 2019-12-03 | 华电国际电力股份有限公司技术服务分公司 | 基于神经网络的超超临界机组高温过热器壁温预测方法 |
CN110909926A (zh) * | 2019-11-18 | 2020-03-24 | 中国计量大学 | 基于tcn-lstm的太阳能光伏发电预测方法 |
CN111382679A (zh) * | 2020-02-25 | 2020-07-07 | 上海交通大学 | 帕金森病步态运动障碍严重程度的评估方法、***及设备 |
CN111382906A (zh) * | 2020-03-06 | 2020-07-07 | 南京工程学院 | 一种电力负荷预测方法、***、设备和计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
面向人体动作识别的局部特征融合时间卷积网络;宋震 等;《计算机辅助设计与图形学学报》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112016038A (zh) | 2020-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109583585B (zh) | 一种电站锅炉壁温预测神经网络模型的构建方法 | |
WO2020192166A1 (zh) | 一种城市固废焚烧过程二噁英排放浓度软测量方法 | |
Wang et al. | A review of evaluation, optimization and synthesis of energy systems: methodology and application to thermal power plants | |
WO2011046869A2 (en) | Targeted equipment monitoring system and method for optimizing equipment reliability | |
CN109767815B (zh) | 基于速率不确定性下的燃烧反应机理简化的方法 | |
CN107133460A (zh) | 一种锅炉飞灰含碳量在线动态预测方法 | |
CN104807039A (zh) | 一种锅炉燃烧优化的变量降维建模方法 | |
US20230237211A1 (en) | Structural optimization method for biomass boiler economizers | |
Behbahaninia et al. | Markov and monte carlo simulation of waste-to-energy power plants considering variable fuel analysis and failure rates | |
KR20070061453A (ko) | 모델의 커미티를 사용한 예측성 모델링 방법 및 시스템 | |
Blanco et al. | New investigation on diagnosing steam production systems from multivariate time series applied to thermal power plants | |
CN113074459A (zh) | 锅炉控制优化方法及*** | |
CN112016038B (zh) | 一种超超临界燃煤锅炉高温再热器炉外壁温预测方法 | |
Rahman et al. | A numerical model for ash deposition based on actual operating conditions of a 700 MW coal-fired power plant: Validation feedback loop via structural similarity indexes (SSIMs) | |
Elwardany et al. | Energy and exergy assessment of 750 MW combined cycle power plant: A case study | |
CN107895194B (zh) | 一种核电厂主冷却剂***故障诊断方法 | |
CN114429003A (zh) | 锅炉四管寿命预测方法的*** | |
Budnik et al. | Exergetic cost of steam power plant operation | |
Luo | [Retracted] Application of Reinforcement Learning Algorithm Model in Gas Path Fault Intelligent Diagnosis of Gas Turbine | |
Deng et al. | Implementation of Adaptive Neuro‐fuzzy Model to Optimize Operational Process of Multiconfiguration Gas‐Turbines | |
Wu et al. | A hybrid least square support vector machine for boiler efficiency prediction | |
CN114861126A (zh) | 一种燃气轮机燃烧调整过程中稳定性的预测方法及*** | |
Ram et al. | Gas turbine power plant performance evaluation under key failures | |
Yu et al. | Reasoning and fuzzy comprehensive assessment methods based CAD system for boiler intelligent design | |
Smith et al. | The Atikokan Digital Twin: Bayesian physics-based machine learning for low-load firing in the Atikokan biomass utility boiler |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |