基于人工智能的锅炉受热面管壁温度预测

doi:10.3969/j.issn.2097-0706.2022.03.009

综合智慧能源 ›› 2022, Vol. 44 ›› Issue (3): 58-62.doi: 10.3969/j.issn.2097-0706.2022.03.009

基于人工智能的锅炉受热面管壁温度预测

闫新春¹(), 曹欢¹(), 华云鹏²^,^*()

1.河北涿州京源热电有限责任公司,河北涿州 072750
2.华北电力大学能源与动力工程学院,北京102206

收稿日期:2021-09-02 修回日期:2021-09-13 出版日期:2022-03-25 发布日期:2022-03-28
通讯作者: 华云鹏
作者简介:闫新春（1978）,男,工程师,从事厂内金属技术监督、特种设备管理工作, 171457409@qq.com。
曹欢（1992）,男,工程师,硕士,从事火力发电热控技术管理、优化控制工作, caohuanemail@163.com。
基金资助:
国家重点研发计划项目(2018YFB060440205)

Prediction on tube wall temperatures of boiler heating surfaces based on artificial intelligence

YAN Xinchun¹(), CAO Huan¹(), HUA Yunpeng²^,^*()

1. Hebei Zhuozhou Jingyuan Thermal Power Company Limited,Zhuozhou 072750,China
2. School of Energy and Power Engineering,North China Electric Power University,Beijing 102206,China

Received:2021-09-02 Revised:2021-09-13 Online:2022-03-25 Published:2022-03-28
Contact: HUA Yunpeng

摘要/Abstract

摘要：

为准确预测锅炉过热器的出口壁温,对某超临界机组受热面出口温度的影响因素进行分析,利用灰色关联分析法得到各影响因素与壁面金属温度的关联度,选取关联度大于0.7的10个变量作为反向传播（BP）神经网络的输入变量;针对火电厂数据样本的变化特征,通过滑动窗口数据判断,提取多个稳定负荷区段并对区段内的多个输入变量进行聚类,得到清洗后的数据样本;然后通过长短期记忆（LSTM）神经网络方法构建壁面金属温度的预测模型。以某350 MW等级超临界锅炉过热器管壁温度为预测对象,预测值与实际测量值的最大误差为4.9 ℃,证明了该模型的有效性。

关键词: 人工智能, 长短时记忆神经网络, 反向传播神经网络, 灰色关联分析法, 锅炉, 过热器, 超温, 预测模型

Abstract:

In order to accurately predict the wall temperature of a boiler superheater at its outlet, the influencing factors for the heating surface temperature of the supercritical unit are analyzed. Then, according to the gray correlation analysis on the correlation degree between the influencing factors and metal wall temperature through, ten variables with correlation degree over 0.7 are chosen as the training samples. According to the variation characteristics of the data samples from the thermal power plant, through sliding window data judgment, multiple input variables in the extracted stable load sections are clustered to obtain cleaned data samples. The prediction model of the metal wall temperature is constructed through LSTM neural network. Making prediction on the heating surface temperature of a 350 MW supercritical unit, the maximum error between the predicted result and the measured value is 4.9 ℃, which proves the effectiveness of the model.

Key words: AI, LSTM, BP neural network, gray correlation analysis, boiler, superheater, overheating, prediction model

中图分类号:

TK172.4

闫新春, 曹欢, 华云鹏. 基于人工智能的锅炉受热面管壁温度预测[J]. 综合智慧能源, 2022, 44(3): 58-62.

YAN Xinchun, CAO Huan, HUA Yunpeng. Prediction on tube wall temperatures of boiler heating surfaces based on artificial intelligence[J]. Integrated Intelligent Energy, 2022, 44(3): 58-62.

图/表 7

图1

表1

图2

图3

表2

图4

图5

参考文献 20

[1]	饶庆平. 超临界锅炉超温爆管的防范[J]. 电力与电工, 2010(4):12-15.
[2]	黄兴德, 周新雅, 游喆, 等. 超(超)临界锅炉高温受热面蒸汽氧化皮的生长与剥落特性[J]. 动力工程, 2009, 29(6):602-608.
	HUANG Xingde, ZHOU Xinya, YOU Zhe, et al. Oxide scale growth and exfoliation behavior on high temperature heat-absorbing surface exposed to steam for supercritical (ultrasupercritical) boilers[J]. Journal of Power Engineering, 2009, 29(6):602-608.
[3]	穆岱. 蒸汽侧氧化膜对电站锅炉管道壁温及测温误差的影响[D]. 北京: 华北电力大学, 2014: 1-8.
[4]	伍健伟, 吕杰, 金光亮, 等. 1 000 MW机组锅炉受热面超温原因分析及对策[J]. 东北电力技术, 2012, 33(9):18-20.
	WU Jianwei, LYU Jie, JIN Guangliang, et al. Analysis and countermeasures on over-heating issues of boiler heating surface in 1 000 MW ultra supercritical unit[J]. Northeast Electric Power Technology, 2012, 33(9):18-20.
[5]	王学礼. 1 000 MW超超临界锅炉过热器爆管原因分析及防范措施[J]. 华电技术, 2019, 41(7):70-72.
	WANG Xueli. Reasons analysis for tube blasting and preventive measures for superheater of 1 000 MW supercritical boiler[J]. Huadian Technology, 2019, 41(7):70-72.
[6]	温志强, 朱宪然, 任金磊. 600 MW亚临界机组锅炉内高温受热面壁温实测研究[J]. 电站系统工程, 2013, 29(4):26-28.
	WEN Zhiqiang, ZHU Xianran, REN Jinlei. Measurement study for wall temperature of high temperature surfaces in a 600 MW subcritical boiler[J]. Power System Engineering, 2013, 29(4):26-28.
[7]	初云涛, 周怀春, 梁倩. 两类过热器壁温分布特性的仿真研究[J]. 动力工程, 2008, 28(1):40-44, 83.
	CHU Yuntao, ZHOU Huaichun, LIANG Qian. Simulation research on the wall temperature distribution characteristics of two types of superheater[J]. Journal of Power Engineering, 2008, 28(1):40-44, 83.
[8]	郭涛. 大型电站锅炉高温受热面热偏差分析研究[D]. 北京: 华北电力大学, 2014: 6-8.
[9]	杨润红. 大容量燃煤电站锅炉热力计算分析研究[D]. 北京: 北京交通大学, 2007: 4-5.
[10]	TROJAN M, TALER D. Thermal simulation of superheaters taking into account the processes occurring on the side of the steam and flue gas[J]. Fuel, 2015, 150:75-87. doi: 10.1016/j.fuel.2015.01.095
[11]	DHANUSKODIA R, KALIAPPANA R, SURESHA S, et al. Artificial Neural Networks model for predicting wall temperature of supercritical boilers[J]. Applied Thermal Engineering, 2015, 90:749-753. doi: 10.1016/j.applthermaleng.2015.07.036
[12]	金秀章, 魏琳, 王真. 基于最小二乘支持向量机的锅炉炉膛温度在线预测[J]. 热力发电, 2016, 45(7):93-97.
[13]	CHANG W, CHU X, FATIMA BSFA, et al. Heat transfer prediction of supercritical water with Artificial Neural Networks[J]. Applied Thermal Engineering, 2018, 131:815-824. doi: 10.1016/j.applthermaleng.2017.12.063
[14]	NARASIMHAN S, MAH R S H, TAMHANE A C, et al. A composite statistical test for detecting changes of steady states[J]. AIChE Journal, 1986, 32(9):1409-1418. doi: 10.1002/(ISSN)1547-5905
[15]	韩驰. 超(超)临界火电机组炉膛受热面金属壁温预测及监测系统[D]. 吉林: 东北电力大学, 2020.
[16]	何彪. 基于历史数据的电站锅炉故障检测及动态建模[D]. 武汉: 华中科技大学, 2018.
[17]	韩旭东. 基于数据驱动的火电机组高压加热系统异常检测研究[J]. 华电技术, 2021, 43(8):67-73.
	HAN Xudong. Data-driven based research on anomaly detection for high-pressure heaters in thermal power units[J]. Huadian Technology, 2021, 43(8):67-73.
[18]	刘吉臻, 高萌, 吕游, 等. 过程运行数据的稳态检测方法综述[J]. 仪器仪表学报, 2013, 34(8):1739-1748.
	LIU Jizhen, GAO Meng, LYU You, et al. Overview on the steady-state detection methods of process operating data[J]. Chinese Journal of Scientific Instrument, 2013, 34(8):1739-1748.
[19]	张尚志, 谭鹏, 何彪, 等. 基于滑动判别算法的低NO_x燃烧优化分析[J]. 热力发电, 2016, 45(5):33-40.
	ZHANG Shangzhi, TAN Peng, HE Biao, et al. Combustion optimization for low NO_x-emission based on slippage distinguishing algorithm[J]. Thermal Power Generation, 2016, 45(5):33-40.
[20]	崔博洋, 王永林, 王云, 等. 基于长短期记忆神经网络的吸收塔pH值预测模型[J]. 华电技术, 2020, 42(9):32-36.
	CUI Boyang, WANG Yonglin, WANG Yun, et al. Prediction model for the pH value of absorption tower slurry based on LSTM neural networks[J]. Huadian Technology, 2020, 42(9):32-36.

参数	关联度
主蒸汽温度	0.902
主蒸汽流量	0.814
主蒸汽压力	0.790
省煤器入口流量	0.892
省煤器入口温度	0.738
发电机有功功率	0.792
入炉总煤量	0.755
入炉总风量	0.705
一级减温器入口蒸汽温度	0.772
二级减温器入口蒸汽温度	0.790
一级减温器后蒸汽温度	0.605
二级减温器后蒸汽温度	0.625
一级减温水流量	0.621
一级减温水温度	0.582
二级减温水流量	0.669
二级减温水温度	0.682
风煤比	0.455
风水比	0.565
水煤比	0.505

项目			时间（2020年）
项目			06-24 T 02:25—05:59	06-28 T 01:38—05:06	06-29 T 23:17—23:43	07-02 T 02:16—06:48	07-12 T 02:01—08:01	…	07-15 T 20:11—20:19	07-17 T 09:05—09:23	07-17 T 23: 37—18 T 00:03
输入变量	有功功率		175.0	174.1	172.2	178.2	177.1	…	309.2	309.1	176.0
	主蒸汽流量		525.4	524.7	510.1	535.3	532.3	…	960.0	948.4	519.8
	主蒸汽压力		14.1	14.1	14.2	14.3	14.2	…	24.1	24.3	14.3
	主蒸汽温度		562.3	563.4	561.8	563.3	561.3	…	561.2	560.3	564.6
	给水流量		494.3	485.7	479.2	495.2	520.1	…	974.9	944.1	491.1
	给水温度		281.0	280.2	282.1	283.5	277.2	…	305.4	308.9	281.3
	左侧一级喷水	减温前温度	426.6	437.7	462.7	431.6	418.0	…	436.0	448.3	438.5
	左侧一级喷水	减温后温度	412.1	407.7	425.9	411.4	412.7	…	433.8	443.8	418.7
	右侧一级喷水	减温前温度	452.3	448.8	426.0	448.5	431.3	…	445.9	445.0	433.9
	右侧一级喷水	减温后温度	419.0	418.1	415.2	418.5	419.6	…	434.5	435.3	415.1
	左侧二级喷水	减温前温度	482.7	483.7	495.2	483.9	478.0	…	474.7	491.0	489.3
	左侧二级喷水	减温后温度	457.0	449.9	453.7	451.3	459.7	…	463.8	472.8	462.9
	右侧二级喷水	减温前温度	495.3	493.6	484.0	493.7	481.1	…	483.2	482.2	481.5
	右侧二级喷水	减温后温度	458.7	449.8	460.3	452.0	459.7	…	477.6	475.6	450.5
输出变量	末级过热器1307壁温		580.1	579.2	572.1	583.2	574.0	…	568.7	572.6	579.7
输出变量	末级过热器3507壁温		573.6	576.4	581.0	572.9	575.9	…	570.3	567.5	572.7

基于人工智能的锅炉受热面管壁温度预测

Prediction on tube wall temperatures of boiler heating surfaces based on artificial intelligence

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 7

参考文献 20

相关文章 15

编辑推荐

Metrics

本文评价

[1]	彭占磊, 杨之乐, 杨文强, 李慷. 电化学储能参与电力系统规划运行方法综述[J]. 综合智慧能源, 2022, 44(6): 37-44.
[2]	杨冬梅, 何国鑫, 朱金大, 王琦, 耿健, 王俊, 李宁. 边缘计算在综合能源系统运行控制中的应用[J]. 综合智慧能源, 2022, 44(1): 49-55.
[3]	王程, 崔维平, 高洪达, 贺鹏, 刘睿, 刘键烨, 陈光, 李心达. 区块链技术在能源数字经济中的应用研究[J]. 华电技术, 2021, 43(5): 23-29.
[4]	丛星亮, 谢红, 苏阳, 张骏, 程英捷. 660 MW超超临界二次再热机组深度调峰试验研究[J]. 华电技术, 2021, 43(5): 64-69.
[5]	胡倩, 孙志达, 江坷滕, 雷一, 李海波. 基于短期负荷打捆预测的售电公司偏差考核控制方法[J]. 华电技术, 2021, 43(4): 47-55.
[6]	彭维珂, 聂椿明, 陈衡, 徐钢. 基于智能算法的空冷火电机组负荷预测研究[J]. 华电技术, 2021, 43(3): 57-64.
[7]	刘义斌, 刘旋坤, 宋刚, 杨欣华, 张缦, 杨海瑞. 350 MW超临界煤粉锅炉全燃准东煤的运行优化研究[J]. 华电技术, 2021, 43(12): 79-84.
[8]	陈健勇, 李浩, 陈颖, 赵军. 空气源热泵空调技术应用现状及发展前景[J]. 华电技术, 2021, 43(11): 25-39.
[9]	陈全喜, 付江涛. 市政污泥耦合燃煤电厂发电关键因素分析与展望[J]. 华电技术, 2021, 43(10): 50-60.
[10]	谭雪梅, 刘世杰, 赵冰, 巩太义, 王家林, 胡南. 循环流化床锅炉气固两相流换热研究进展[J]. 华电技术, 2021, 43(10): 61-67.
[11]	崔博洋, 王永林, 王云, 孙大平, 王桦. 基于长短期记忆神经网络的吸收塔pH值预测模型[J]. 华电技术, 2020, 42(9): 32-36.
[12]	刘秀如, 李佩佩, 王先鹏, 芦旭阁, 王志强. 锅炉烟气酸露点研究现状及展望[J]. 华电技术, 2020, 42(9): 45-55.
[13]	鄢晶, 高天露, 张俊, 王旭 . 边云链协同技术在能源互联网数据管理中的应用及展望[J]. 华电技术, 2020, 42(8): 41-47.
[14]	高明明, 杨磊, 于浩洋, 张洪福, 刁友锋, 宋珺琤 . 量子计算在火电机组优化控制中的应用综述[J]. 华电技术, 2020, 42(8): 90-96.
[15]	欧阳子区1，2，满承波1，李增林4，李诗媛1，2，3*，庞青涛4，朱建国1，2，范志刚4，刘敬樟1. 35 t/h 纯燃超低挥发分碳基燃料预热燃烧锅炉运行特性研究[J]. 华电技术, 2020, 42(7): 50-56.