一种锅炉受热面的积灰预测方法

本发明涉及燃煤电厂锅炉受热面积灰预测领域，特别涉及一种锅炉受热面的积灰预测方法。

背景技术：

1、全球经济发展离不开能源，碳排放又与能源的供应以及消费息息相关，燃煤电厂仍然在能源供应中发挥着重要作用，它是全世界能源消耗和污染排放的重要来源。在锅炉的传热过程中，灰的沉积将严重影响传热效率。它不仅会降低传热能力，而且由于不完全燃烧和安全事故，会导致更高的二氧化碳排放和增加氮氧化物排放。对受热面进行吹灰操作是十分有必要的，也是国内外电力行业高度重视的节能减排方式。吹灰操作的频率是关键因素之一，考虑到吹灰操作的频繁进行不但会提升成本浪费能源，而且对于受热面的损耗也有一定程度的影响，而低频次的吹灰又将导致灰污积累严重。对锅炉受热面积灰程度的有效预测才能保证吹灰操作的效益最大化，进而提升生产效率，实现节能减排。

2、现有技术中提出了emd-lstm的模型来估计未来锅炉积灰情况，该模型运用了emd对波动性数据的处理的优化能力和lstm的估计能力来预计未来锅炉受热表面灰污沉积情况。

3、上述现有技术的缺陷是：使用单个模型进行预测，由于模型的错误规范、过拟合和欠拟合问题，在现实世界的时间序列中并不总能产生准确的结果。

技术实现思路

1、本发明提供一种锅炉受热面的积灰预测方法，可以解决使用单个模型进行预测所存在的局限性。

2、本发明实施例提供一种锅炉受热面的积灰预测方法，包括：获取锅炉省煤器的全天清洁因子数据，并从全天清洁因子数据中截取积灰段清洁因子数据作为原始清洁因子时间序列数据；

3、使用变分模态分解vmd对原始清洁因子时间序列数据进行解耦，通过其模态函数和中心频率获得低频分量和高频分量；

4、使用时间卷积网络训练并预测低频分量和高频分量；

5、将预测后低频分量和高频分量的预测值全部相加，得到锅炉受热面积灰状况。

6、另外的，所述原始清洁因子时间序列数据的获取，包括：

7、通过锅炉的分散控制系统系统dsc获取锅炉受热面的实时传热系数ksj，并和锅炉受热面的理论传热系数ko通过公式

8、

9、计算得到，其中cf表示实时的积灰段清洁因子数据，即原始清洁因子时间序列数据。

10、另外的，所述低频分量和高频分量的获得，包括：

11、变分模态分解vmd的约束变分模型如下：。

12、

13、

14、其中，{uk}＝{u1,u2,l,uk}，{ωk}＝{ω1,ω2,l,ωk}分别是所有模式及其中心频率的简写符号；δ(t)为狄拉克分布函数，uk为分解的第k个分量，ωk为uk中心频率，e为自然常数，j为虚数单位，*为卷积运算，为求偏导运算，s.t.为subject to，受限制于...，k只是一个表示数值的符号；

15、求解上述方程，得到模态uk的求解公式为：

16、

17、得到模态ωk的求解公式为：

18、

19、其中，i和k为vmd的某个模态分量索引，n为迭代次数，ω为中心频率，τ为更新参数。分别为f(t)，uk(t)，ui(t)，λ(t)的傅里叶变换；参数α影响分解精度。

20、另外的，所述时间卷积网络包括：

21、设一维序列的输入是l＝{s1,s2,l,sn-1}∈rn与卷积核f:{0,l,n-1}→r,其序列元素s的卷积运算f的表达式为：

22、

23、其中，d是扩张因子，*为卷积运算，k是过滤器的大小，s-d·i指的是对过去的输入数据做卷积操作。

24、另外的，所述时间卷积网络采用一维卷积网络，由膨胀因果卷积和残差模块组成。

25、本发明实施例提供的上述一种锅炉受热面的积灰预测方法，与现有技术相比，其有益效果如下：

26、本发明采用清洁因子来表征受热面健康状况，使用变分模态分解vmd对原始清洁因子时间序列数据进行解耦，通过其模态函数和中心频率获得若干的低频分量和高频分量，用时间卷积网络训练并预测解耦得到的若干低频分量和高频分量；将得到的若干低频分量和高频分量的预测值全部相加，得到最终的预测结果。通过变分模态分解vmd与时间卷积网络相结合能够更加准确地预测锅炉受热面积灰状况，从而进行受热面吹灰优化工作，为火电厂吹灰操作运行提供指导。

技术特征：

1.一种锅炉受热面的积灰预测方法，其特征在于，包括：

2.如权利要求1所述的一种锅炉受热面的积灰预测方法，其特征在于，所述原始清洁因子时间序列数据的获取，包括：

3.如权利要求1所述的一种锅炉受热面的积灰预测方法，其特征在于，所述低频分量和高频分量的获得，包括：

4.如权利要求1所述的一种锅炉受热面的积灰预测方法，其特征在于，所述时间卷积网络，包括：

5.如权利要求4所述的一种锅炉受热面的积灰预测方法，其特征在于，所述时间卷积网络采用一维卷积网络，由膨胀因果卷积和残差模块组成。

技术总结
本发明公开了一种锅炉受热面的积灰预测方法，其涉及燃煤电厂锅炉受热面积灰预测技术领域。包括：获取锅炉省煤器的全天清洁因子数据，并从全天清洁因子数据中截取积灰段清洁因子数据作为原始清洁因子时间序列数据；使用变分模态分解VMD对原始清洁因子时间序列数据进行解耦，通过其模态函数和中心频率获得低频分量和高频分量；使用时间卷积网络训练并预测低频分量和高频分量，将预测后的低频分量和高频分量的预测值全部相加，得到锅炉受热面积灰状况。本发明通过变分模态分解VMD与时间卷积网络相结合能够更加准确地预测锅炉受热面积灰状况，从而进行受热面吹灰优化工作，为火电厂吹灰操作运行提供指导。

技术研发人员：史元浩,韩天翔,胡永涛,王康杰
受保护的技术使用者：中北大学
技术研发日：
技术公布日：2024/1/14