[发明专利]一种用于超超临界锅炉受热面管壁超温预警的多步预测方法

说明书

本发明涉及一种用于超超临界锅炉受热面管壁超温预警的多步预测方法，包括：步骤1、在训练阶段采集训练数据，对采集的训练数据进行预处理后构建时间序列网络模型并进行离线训练；步骤2、在使用阶段采集输入数据作为时间序列网络模型的输入，得到金属壁温数据的预测结果。本发明的有益效果是：能提前预知受热面管壁温度，为超温控制提供指导；能够捕捉更长的时序特征信息，提高了预测精度；通过对时间进行正弦编码，使得每一天过渡平滑，更符合实际运行工况；既可以解决传感器直接测量无法长时间工作的问题，又可实现不同位置处的壁温预测；可以方便的增加最新数据，重新训练模型，具有好的抗干扰性。

技术领域

本发明属于锅炉安全技术领域，尤其涉及一种用于超超临界锅炉受热面管壁超温预警的多步预测方法。

背景技术

随着电力需求和节能减排要求的不断提高，锅炉的蒸汽温度、压力在不断提高，超超临界锅炉和过热器工作在恶劣的环境下，更易导致超温爆管。

超超临界锅炉受热面管壁温度高，烟气流量大，工况恶劣导致测温传感器无法长时间测量金属管壁温度，而且管壁温度变化具有迟滞性、非线性、非平稳、强耦合的特性，传统线性模型与非时序模型难以精准提前预测壁温变化趋势；因此迫切需要软测量监测方法。

目前对于超超临界锅炉受热面管壁温度监测的研究主要集中在当前时刻温度实时监测方面，缺乏多步提前预测方法。专利号为201010183756.6的专利在通过管路上都设有一系列热电偶传感器采集锅炉受热面壁温信号，优化了传感器布局；但超超临界锅炉内部环境恶劣且温度高，传感器无法长时间工作，只能监测当前的壁温。专利号为201611123426.1的专利中通过锅炉DCS系统或SIS系统采集烟气和汽水变量，通过经验公式计算金属壁温，这种方法计算壁温误差较大且无法做到超前预测。因此建立超超临界锅炉受热面管壁温度多步超前监测方法尤为重要。

发明内容

本发明的目的是克服现有技术中的不足，提供一种用于超超临界锅炉受热面管壁超温预警的多步预测方法。

这种用于超超临界锅炉受热面管壁超温预警的多步预测方法，包括以下步骤：

步骤1、在训练阶段采集训练数据，对采集的训练数据进行预处理，然后构建时间序列网络模型，最后进行时间序列网络模型离线训练；

步骤1.1、从锅炉的DCS数据采集系统或SIS数据采集系统导出数据，通过在易超温的区域加装测温传感器测量受热面金属壁温数据，将受热面金属壁温数据作为待预测的目标；

步骤1.2、对步骤1采集的训练数据和受热面金属壁温数据进行预处理，将受热面金属壁温数据作为时间序列网络的输出，训练数据预处理后作为时间序列网络的输入；所述数据预处理方式为特征编码；特征编码为吹灰变量类别特征编码和时间特征编码；有吹灰操作时吹灰特征变量取值为1，无吹灰操作时吹灰特征变量取值为0，时间特征为每条数据的采集时刻t，编码方式为sin(t/24*π)；保证23点与第二天的0点过渡平滑；特征降维采用PCA降维方法，特征降维后保留N个特征[x₁,x₂,...x_N]；

步骤1.3、构建时间序列网络模型，时间序列网络模型包括输入层、多层递减LSTM网络、全连接神经网络和输出层；输入层连接多层递减LSTM网络；多层递减LSTM网络中，层与层之间串联递减连接，最后一层LSTM网络的输出作为全连接神经网络的输入；全连接神经网络的输出连接输出层；

步骤1.4、将步骤1.2预处理后的数据划分为训练集和验证集，将K个历史时刻数据样本作为时间序列网络的输入，将受热面P个待预测的金属壁温位置处的M步金属壁温数据作为时间序列网络的输出，进行时间序列网络模型的离线训练，最后保存训练完成的模型权重；

步骤2、在使用阶段采集输入数据，对采集的输入数据进行预处理后，作为时间序列网络模型的输入，得到金属壁温数据的预测结果；