CN112668135A - 火力发电厂锅炉金属壁温趋势预测模型及其建立方法 - Google Patents

Abstract

本发明涉及锅炉金属壁温预测技术领域，具体是火力发电厂锅炉金属壁温趋势预测模型，包括外部输入初选模块、模型训练模块和模型效果评估模块；所述外部输入初选模块通过数据源接入模块接收影响锅炉金属壁温的外部输入变量，并对全部外部输入变量进行初选；所述模型训练模块对初选结果进行排列组合，并训练出多组模型；所述模型效果评估模块对模型的可靠性进行拟合度分析。本发明具备前期投入小，普适性强等特点，同时金属壁温的分析预测功能做为电力生产运行部门的普遍需求，具备广阔的应用推广应用前景。

Description

火力发电厂锅炉金属壁温趋势预测模型及其建立方法

技术领域

本发明涉及锅炉金属壁温预测技术领域，具体是火力发电厂锅炉金属壁温趋势预测模型及其建立方法。

背景技术

锅炉作为火电电厂的三大核心设备之一，一旦发生泄爆，停机停炉在所难免，不仅直接影响电厂经济效益，威胁人身安全，甚至会影响电网的安全平稳运行。

有数据显示，我国火力发电厂各类安全事故中锅炉事故占比约70％左右。而其中“锅炉四管”作为锅炉防磨防爆管理工作的核心，其腐蚀、磨损、结焦、氧化皮生成、金属劣化等状态特征是设备监督管理的主要组成部分，而上述诸多问题都与受热面的金属壁温监控密切相关。

电厂传统管理过程中金属壁温监控主要依赖于布置在受热面出口管段至出口集箱之间的的金属壁温测点(一般为铂铑热电偶)进行直接温度测量。测点布置密度上，目前新建大型机组可以实现出口管段的全部覆盖，而新建的中小型机组或较老的大型机组多在出口管段中抽取30％左右进行测点的抽样安装。

但通金属壁温测点进行直接测量的壁温监督管理模式，即使实现壁温测点的全管段覆盖仍只能实现金属壁温的“实时监控”与金属超温的“事后报警”。如何充分利用既有数据，深入分析提取设备超温前的相关参数特征，在设备超温现象放生之前实现“事前预警”，进而通过设备控制参数的提前调整干预壁温走势，将超温显现扼杀在摇篮之中，将成为未来金属壁温监督工作的重要工作方向。

因此，针对以上现状，迫切需要开发一种火力发电厂锅炉金属壁温趋势预测模型及其建立方法，以克服当前实际应用中的不足。

发明内容

本发明的目的在于提供火力发电厂锅炉金属壁温趋势预测模型及其建立方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

火力发电厂锅炉金属壁温趋势预测模型，包括外部输入初选模块、模型训练模块和模型效果评估模块；

所述外部输入初选模块通过数据源接入模块接收影响锅炉金属壁温的外部输入变量，并对全部外部输入变量进行初选，得到关联度最大的初选结果，初选结果共有P个；

所述模型训练模块对初选结果进行排列组合，并训练出多组模型，外部输入变量的个数默认为Q个，模型训练模块训练得到的总模型数A＝C(P，Q)个；

所述模型效果评估模块对模型的可靠性进行拟合度分析，并将分析得到的最佳预测模型通过最优模型输出模块输出。

作为本发明进一步的方案：外部输入变量包括主蒸汽流量、主蒸汽温度、主蒸汽压力、进出口集箱温度、燃料成份、烟气温度。

作为本发明进一步的方案：所述拟合度分析采用剩余平方和检验(R²)进行检验：

其中：SSres是预测数据与真实数据的平均误差值，SStot是真实数据与平均值的误差值。

作为本发明进一步的方案：所述模型为NARX动态人工神经网络模型：

Y(t)＝f(Y(X-1),…,Y(X-m)，Y(t-1),…,Y(t-n))

其中：X(t)为神经网络的多个外部输入变量，Y(t)为神经网络的输出，m,n为时间序列X(t)的延迟阶数。

火力发电厂锅炉金属壁温趋势预测模型的建立方法，其特征在于，包括以下步骤：

S1、选取NARX动态人工神经网络作为锅炉金属壁温预测模型：

Y(t)＝f(Y(X-1),…,Y(X-m)，Y(t-1),…,Y(t-n))

其中：X(t)为神经网络的多个外部输入，Y(t)为神经网络的输出，m,n为时间序列X(t)的延迟阶数；

S2、外部输入变量的初选：

S21、通过数据源接入模块接收影响锅炉金属壁温的外部输入变量，分别计算各个外部输入变量X与预测壁温历史数据Y的皮尔逊相关系数r，并对结果取绝对值后排序：

S22、选取关联度最大的6个外部输入变量作为初选结果：

S3、模型训练：通过模型训练模块对初选结果进行排列组合，并训练出多组模型，外部输入变量的个数默认为4个，总模型数为C(6，4)＝15个；

S4、模型预测效果评价：采用剩余平方和检验(R²)进行检验，选择预测效果最佳的外部输入组合模型作为最终的预测模型：

其中，SSres是预测数据与真实数据的平均误差值，SStot是真实数据与平均值的误差值。

与现有技术相比，本发明的有益效果是：本发明可利用电厂既有SIS测点数据进行模型训练与数据挖掘，通过模型打包，可作为电厂防磨防爆可视化管理***的功能插件，也可以作为独立的功能***为电厂提供分析预测服务，具备前期投入小，普适性强等特点，同时金属壁温的分析预测功能做为电力生产运行部门的普遍需求，具备广阔的应用推广应用前景。

附图说明

图1为火力发电厂锅炉金属壁温趋势预测模型中NARX动态人工神经网络模型结构示意图。

图2为火力发电厂锅炉金属壁温趋势预测模型的结构框图。

图3为火力发电厂锅炉金属壁温趋势预测模型中真实值与预测值的数据对比曲线图。

图中：1-数据源接入模块、2-外部输入初选模块、3-模型训练模块、4-模型效果评估模块、5-最优模型输出模块。

具体实施方式

下面结合具体实施方式对本专利的技术方案作进一步详细地说明。

下面详细描述本专利的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本专利，而不能理解为对本专利的限制。

在本专利的描述中，需要理解的是，术语“中心”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利的限制。

在本专利的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“设置”应做广义理解，例如，可以是固定相连、设置，也可以是可拆卸连接、设置，或一体地连接、设置。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本专利中的具体含义。

实施例1

请参阅图1-2，本发明实施例中，火力发电厂锅炉金属壁温趋势预测模型，包括外部输入初选模块2、模型训练模块3和模型效果评估模块4；

所述外部输入初选模块2通过数据源接入模块1接收影响锅炉金属壁温的外部输入变量，并对全部外部输入变量进行初选，得到关联度最大的初选结果，初选结果共有P个；

具体的，本实施中，外部输入变量包括主蒸汽流量、主蒸汽温度、主蒸汽压力、进出口集箱温度、燃料成份、烟气温度等相关因素；

所述模型训练模块3对初选结果进行排列组合，并训练出多组模型，外部输入变量的个数默认为Q个，模型训练模块3训练得到的总模型数A＝C(P，Q)个；

所述模型效果评估模块4对模型的可靠性进行拟合度分析，并将分析得到的最佳预测模型通过最优模型输出模块5输出；

所述拟合度分析采用剩余平方和检验(R²)进行检验，R平方为回归平方和与总离差平方和的比值，表示总离差平方和中可以由回归平方和解释的比例，这一比例越大越好，模型越精确，回归效果越显著。R平方介于0-1之间，越接近1，回归拟合效果越好，一般认为超过0.8的模型拟合优度比较高：

其中：SSres是预测数据与真实数据的平均误差值，SStot是真实数据与平均值的误差值；

具体的，本实施例中，所述模型为NARX动态人工神经网络模型：

Y(t)＝f(Y(X-1),…,Y(X-m)，Y(t-1),…,Y(t-n))

其中：X(t)为神经网络的多个外部输入变量，Y(t)为神经网络的输出，m,n为时间序列X(t)的延迟阶数。

实施例2

火力发电厂锅炉金属壁温趋势预测模型的建立方法，包括以下步骤：

S1、选取NARX动态人工神经网络作为锅炉金属壁温预测模型：

Y(t)＝f(Y(X-1),…,Y(X-m)，Y(t-1),…,Y(t-n))

其中：X(t)为神经网络的多个外部输入，Y(t)为神经网络的输出，m,n为时间序列X(t)的延迟阶数；

S2、外部输入变量的初选：

S21、通过数据源接入模块1接收影响锅炉金属壁温的外部输入变量，分别计算各个外部输入变量X与预测壁温历史数据Y的皮尔逊相关系数r，并对结果取绝对值后排序：

S22、选取关联度最大的6个外部输入变量作为初选结果：

项目	皮尔逊相干系数绝对值	初选通过
			外部输入1	0.85	是
外部输入2	0.84	是
			外部输入3	0.80	是
外部输入4	0.64	是
			外部输入5	0.62	是
外部输入6	0.61	是
			外部输入7	0.61	否
外部输入8	0.60	否
			外部输入9	0.42	否
外部输入10	0.30	否
			外部输入11	0.28	否
外部输入12	0.27	否
			外部输入13	0.24	否
外部输入14	0.23	否

S3、模型训练：通过模型训练模块3对初选结果进行排列组合，并训练出多组模型，外部输入变量的个数默认为4个，总模型数为C(6，4)＝15个；

S4、模型预测效果评价：采用剩余平方和检验(R²)进行检验，选择预测效果最佳的外部输入组合模型作为最终的预测模型：

其中，SSres是预测数据与真实数据的平均误差值，SStot是真实数据与平均值的误差值。

项目	模型预测效果R<sup>2</sup>
		组合1	0.98
组合2	0.97
		组合3	0.96
组合4	0.92
		组合5	0.89
组合6	0.89
		组合7	0.89
组合8	0.89
		组合9	0.87
组合10	0.86
		组合11	0.85
组合12	0.85
		组合13	0.85
组合14	0.83
		组合15	0.78

实验例

请参阅图3，电厂锅炉金属壁温分析预测模型利用6个月的历史数据(包括外部输入)进行了多组数据验证。从结果来看其预测效果基本符合预期，可实现提前5-10分钟有效预测锅炉受热面金属壁温的变化趋势。

在实际工作中相较于传统管理过程中简单依靠壁温测点进行超温事后报警与调整。基于本模型，通过大量历史数据进行数据挖掘与模型训练，当存在超温趋势时，可实现提前报警与前置调整，将有效减少机组运行过程中的超温时长，减少因超温造成的金属劣化、氧化皮脱落等现象的发生。

经济效益分析上，金属壁温分析预测模型通过实现超温的前置报警，减少整体超温时长，可大幅度的减少因超温造成的四管泄爆事故发生。按机组装机容量为300MW，泄爆停炉检修15天，上网电价0.3元/千瓦时，负荷率80％，厂利润率10％计算。则一次泄爆损失发电量约8640万千瓦时，毛利润约2160万元，净利润约216万元。其中尚未包含检修过程中产生的人工材料费用，以及锅炉启动过程中消耗的燃油费用等。模型投运后只要能避免一次泄爆事故发生，即可为用户挽回约200万的经济损失。

以上的仅是本发明的优选实施方式，应当指出，对于本领域的技术人员来说，在不脱离本发明构思的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。

Claims (5)

1.火力发电厂锅炉金属壁温趋势预测模型，包括外部输入初选模块(2)、模型训练模块(3)和模型效果评估模块(4)；其特征在于，

所述外部输入初选模块(2)通过数据源接入模块(1)接收影响锅炉金属壁温的外部输入变量，并对全部外部输入变量进行初选，得到关联度最大的初选结果，初选结果共有P个；

所述模型训练模块(3)对初选结果进行排列组合，并训练出多组模型，外部输入变量的个数默认为Q个，模型训练模块(3)训练得到的总模型数A＝C(P，Q)个；

所述模型效果评估模块(4)对模型的可靠性进行拟合度分析，并将分析得到的最佳预测模型通过最优模型输出模块(5)输出。

2.根据权利要求1所述的火力发电厂锅炉金属壁温趋势预测模型，其特征在于，外部输入变量包括主蒸汽流量、主蒸汽温度、主蒸汽压力、进出口集箱温度、燃料成份、烟气温度。

3.根据权利要求1所述的火力发电厂锅炉金属壁温趋势预测模型，其特征在于，所述拟合度分析采用剩余平方和检验(R²)进行检验：

其中：SSres是预测数据与真实数据的平均误差值，SStot是真实数据与平均值的误差值。

4.根据权利要求3所述的火力发电厂锅炉金属壁温趋势预测模型，其特征在于，所述模型为NARX动态人工神经网络模型：

Y(t)＝f(Y(X-1),…,Y(X-m)，Y(t-1),…,Y(t-n))

其中：X(t)为神经网络的多个外部输入变量，Y(t)为神经网络的输出，m,n为时间序列X(t)的延迟阶数。

5.如权利要求1-4任一所述的火力发电厂锅炉金属壁温趋势预测模型的建立方法，其特征在于，包括以下步骤：

S1、选取NARX动态人工神经网络作为锅炉金属壁温预测模型：

Y(t)＝f(Y(X-1),…,Y(X-m)，Y(t-1),…,Y(t-n))

其中：X(t)为神经网络的多个外部输入，Y(t)为神经网络的输出，m,n为时间序列X(t)的延迟阶数；

S2、外部输入变量的初选：

S21、通过数据源接入模块(1)接收影响锅炉金属壁温的外部输入变量，分别计算各个外部输入变量X与预测壁温历史数据Y的皮尔逊相关系数r，并对结果取绝对值后排序：

S22、选取关联度最大的6个外部输入变量作为初选结果：

S3、模型训练：通过模型训练模块(3)对初选结果进行排列组合，并训练出多组模型，外部输入变量的个数默认为4个，总模型数为C(6，4)＝15个；

S4、模型预测效果评价：采用剩余平方和检验(R²)进行检验，选择预测效果最佳的外部输入组合模型作为最终的预测模型：

其中，SSres是预测数据与真实数据的平均误差值，SStot是真实数据与平均值的误差值。

Images