基于神经网络的超超临界机组高温过热器壁温预测方法与流程

本发明属于电厂安全控制系统领域，尤其涉及一种基于神经网络的超超临界机组高温过热器壁温预测方法。

背景技术：

大型火电机组过热器爆管是造成非计划停机的重要原因之一。过热器爆管的成因非常复杂，主要包括：(1)过热器管长期在高温下运行，管材内壁产生氧化皮，堆积在管材弯头处导致爆管；(2)过热器管长期在高温下运行，组织性能发生蠕变失效；(3)机组运行中管壁频繁短时超温，降低了管材的设计寿命及安全裕度；(4)管排、管段沿炉膛宽度和深度方向的温度分布不均匀等。

在传统研究工作中，主要是基于机理分析的方法，通过机组过热器装设的大量管壁温度测点建立炉膛内部过热器壁温分布计算模型，得到过热器各个管屏各管圈各部位温度分布。但目前国内大部分火电机组锅炉过热器壁温测点安装于顶棚大包内，而非于炉膛高温烟气区，测量值并非管壁实际温度，存在较大的偏差。而且这种方法受限于人对过热器运行机理的认识，难以准确、全面的分析过热器可能出现的全部异常。

中国专利申请201711336347.3一种超超临界机组过热汽温多目标控制方法，包括出口温度控制方法与管壁金属温度控制方法的多目标控制方法；采用模型预测的控制方法，分别建立汽温惰性区预测模型和壁温预测模型，并用两个预测模型与实际测量参数的偏差值的大值作为反馈调节分量之一；根据模型预测的控制方法中的反馈调节分量将控制反馈回路中调节过热汽温和末级过热器金属壁温两个控制目标调和为调节喷水导前区对象减温器后温度的目标，控制器针对喷水导前区对象特性进行设计。其中涉及到了温度预测，但是存在的不足是预测误差较大，对后续控制有较大影响。

技术实现要素：

针对现有技术存在的问题，本发明提供了一种误差小的基于神经网络的超超临界机组高温过热器壁温预测方法。

本发明是这样实现的，一种基于神经网络的超超临界机组高温过热器壁温预测方法，其特征在于：包括以下步骤：

1)建立测温系统，在超超临界机组高温过热器大包内设置壁温测点，采集壁温测点的数据，通过电缆接到电厂dcs控制系统中，将数据传输到电厂信息中心pi和平台数据，数据被划分为训练集和验证集；

2)利用反向传播算法预测，构建神经网络结构，对数据进行预处理，建立训练模型，得到预测模型；

3)把验证集标准化后，带入训练完毕的预测模型，对数据进行模型测试，最终得到验证集的预测值，并且与验证集实际值进行比较，得到残差；

4)利用指导故障预警。

其中优选方案是：

所述的1)建立测温系统还包括2个炉膛内过热器壁温测点。

所述的大包内设置壁温测点数量为700个。

所述的构建神经网络结构是指建立输入层700与输出层2的网络结构，网络层数为3；根据经验公式得到隐含层个数为30个。

所述的建立训练模型，得到预测模型是指，把数据代入模型利用bp算法对数据进行训练，根据预测值与实际值得误差精度进行反向传播，最终达到工业应用预测精度要求，则训练结束。

所述的隐含层的个数靠下述经验公式(9)确定；

公式(9)中，n为输入层节点个数，q为输出层节点个数，a为0-10的整数，m为隐含层节点个数，则m的取值范围为3～14。经过试验，确定预测模型的隐含层节点个数30。

一种安装有权利要求1-6所述基于神经网络的超超临界机组高温过热器壁温预测方法的预测系统，其特征在于，包括手持测试端，手持测试端通过无线网络连接平台数据，所述的手持测试端设置基于神经网络的超超临界机组高温过热器壁温预测方法。

本发明的优点及积极效果为：

采用bp神经网络建立了炉膛内壁温预测模型，进而识别设备的潜伏性故障，实现对高温过热器等非常规监测设备的状态预测。可以有效解决大型火电厂锅炉高温受热面炉膛内壁温测量及预测这一难点问题，为利用炉外壁温长期监测炉内壁温对过热器管作出进行失效预测，识别设备潜伏性故障，实现对高温过热器等大型工业设备的非常规监测设备的状态预测奠定基础。

附图说明

图1是本发明实施例的预测模型示意图。

图2是本发明背景技术中的bp神经网络示意图；

图3是本发明实施例的内壁测点1温度预测结果示意图；

图4是本发明实施例的内壁测点2温度预测结果示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

下面结合附图对本发明的应用原理作详细的描述。

实施例1：

如图1、2所示，一种基于神经网络的超超临界机组高温过热器壁温预测方法，其特征在于：包括以下步骤：

1)建立测温系统，在超超临界机组高温过热器大包内设置壁温测点，采集壁温测点的数据，通过电缆接到电厂dcs控制系统中，将数据传输到电厂信息中心pi和平台数据，数据被划分为训练集和验证集；

2)利用反向传播算法预测，构建神经网络结构，对数据进行预处理，建立训练模型；

3)把验证集标准化后，带入训练完毕的预测模型，对数据进行模型测试，最终得到验证集的预测值，并且与验证集实际值进行比较，得到残差；

4)利用指导故障预警。由于炉内壁温测点耐用性较差，因此，当炉内测点失效时，仍可以通过预测模型非常准确预测炉内温度，根据管材设计时的耐热最高温度阈值，可以实时检测，若超出阈值95％，则发出预警，并提醒运行人员做相应的操作调整。

所述的1)建立测温系统还包括2个炉膛内过热器壁温测点。

其中，步骤2)中反向传播算法主要是用于更新神经网络的参数，神经网络公式可简单的表达为z＝wx+b，则需要更新的参数为公式中的w和b。对于参数的更新主要是求取网络层的损失值对于参数的导数，并且根据导数的负方向对参数进行数值的更新，设学习率为η，参数更新公式如下所示：

对于参数梯度的求取，需要先求取当前神经网络的输出结果z的梯度，如公式3所示：

式中的σ(·)为神经网络中的激活函数，σ′(·)为激活函数的导数。为第l层的第i个神经元的激活输出值，其中的数据关系可用如下公式表示：

从以上计算公式可以推导出通过损失值用于求取每层神经元zi梯度的递推公式：

求取神经元梯度之后，继续借助链式法则计算当前层权重和偏置的偏导数，即更新量，用于梯度的更新：

借助当前公式，梯度就可以从前往后一层一层传播计算，从而更新网络的参数。

bp神经网络模型的传递函数通常用sigmoid函数，经过试验，确定隐含层的传递函数表达式见式(9)。权重学习方法为附加动量项的梯度下降法。

基于上述分析，构建的最终bp神经网络预测模型如图2所示

所述的隐含层的个数靠下述经验公式(10)确定；

公式(10)中，n为输入层节点个数，q为输出层节点个数，a为0-10的整数，m为隐含层节点个数，则m的取值范围为3～14。经过试验，确定预测模型的隐含层节点个数30。

基于图2所示的bp神经网络预测模型，给定n个样本，每个训练样本网络训练误差为：

公式(11)中，为实际输出值。为此，总误差为：

基于反向传播算法，不断修正网络权初值，直至总误差达到网络性能目标误差。权值修正公式如公式(1)和公式(2)所示。

实施例2

一种安装上述基于神经网络的超超临界机组高温过热器壁温预测方法的预测系统，其特征在于，包括手持测试端，手持测试端通过无线网络连接平台数据，所述的手持测试端设置基于神经网络的超超临界机组高温过热器壁温预测方法。

通过对某660mw超超临界机组锅炉高温过热器近4个月(2018.11～2019.03)包含700个测点的过热器大包内数据集对2个炉膛内过热器壁温测点进行预测。数据集测点数据平均每分钟采样一条，共计约20万条数据，实验数据集被划分为训练集和验证集。训练集为2019年3月份的真实数据集，验证集为2018.11～2019.2的三个月的真实数据。具体实验方案为，采用本文所提出的预测模型对3月份的测点数据进行训练，得到预测模型。然后用预测模型对测试集的数据进行预测，同时将预测结果与实测的炉膛内过热器壁温真实数据值进行对比，计算预测结果的准确性。

模型采用r2_score评价函数来计算准确率，r2分数是将预测值跟只使用均值的情况进行对比，通常也被称为r2决定系数或拟合优度。其取值区间通常在(0,1)之间。0表示直接取均值的情况，1表示所有预测跟真实结果完美匹配的情况。r2_score的定义如下：

模型预测结果如图3、图4所示。

从图3和图4的实验结果中可以看出，本文提出的基于bp神经网络的炉内壁温预测模型在根据过热器大包内壁温测点数据预测炉膛内高温烟气区域壁温测点时取得了非常好的效果，平均预测准确率达到了95.9％，预测的平均温度偏差绝对值仅为2.25度，壁温预测模型准确有效。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。