基于LSTM的锅炉四管高温再热器超温预测分析

李友志 蒋蓬勃 白帆 王继强 苏京彬 宋峰

摘   要：文章综合利用某超超临界机组锅炉再热器炉膛内、外壁温测点的实时数据，采用LSTM算法建立了炉内壁温的预测模型，并在近4个月的真实数据集上验证了模型的准确性和有效性。

关键词：长短期记忆网络;超超临界机组;高温再热器;壁温预测

火电厂锅炉正常运行时，会发生炉膛爆炸、尾部烟道再燃烧、炉膛灭火、受热面泄漏等问题，影响安全生产。统计发现，从发生概率、普遍性等角度比较、分析，锅炉受热面泄漏事故具体体现在：（1）事故不仅发生概率高、普遍性高，而且影响较大，受热面超温泄漏事故停机处理至少需要10天以上，直接影响接带电量及经营目标的完成。（2）在脱硝选择性催化还原（Selective Catalytic Reduction，SCR）投运后，若不及时发现炉膛内部受热面泄漏，当泄漏量较大，烟气含水率提高后，将会导致SCR催化剂中毒的严重后果。故本文以某单位高温再热器受热面为研究对象，研究基于长短期记忆网络（Long-Short Term Memory，LSTM）的炉内壁温预测算法建模，通过建模来预测高温再热器受热面泄漏情况，以便为电厂设备检修和运行人员提供重要操作依据[1]。

传统研究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。再热器爆管是造成火电机组非计划停机的重要原因之一。为利用炉外壁温长期监测炉内壁温对再热器管作出失效预测，需建立基于外壁测点温度对内壁测点温度的预测模型。目前，国内大部分火电机组锅炉再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，而且受限于人对过热器运行机理的认识，难以准确、全面地分析过热器可能出现的全部异常。采用基于大数据及人工智能的分析方法来实现对过热器等工业设备的状态预测及检修是必然的发展趋势[2]。

1    确定研究对象

通过对某超超临界机组锅炉高温再热器近1.5个月（2019.02—2019.03）包含960个测点的再热器大包内数据集，对两个炉膛内再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，共计约十万条数据，实验数据集被划分为训练集和验证集。训练集为2019年2月份和部分3月份的真实数据集，验证集为2019年3月4天的真实数据。具体实验方案为：首先，采用本文所提出的预测模型对960个炉外测点数据进行训练，得到预测模型。其次，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再热器壁温真实数据值进行对比，计算预测结果的准确性[3]。

2    LSTM预测算法建模机理

LSTM长短时记忆循环神经网络，相比传统的循环神经网络（Recurrent Neural Network，RNN）有着更为精细的信息，通过独特设计来避免长期的依赖问题，可用于记住很长的历史信息，LSTM的网络结构如图1所示。

LSTM网络与传统的RNN网络相比，多了一个非常有用的遗忘门，不仅使用单一的网络层，而且通过特殊的方式组合成4个网络层，并有遗忘门、输入门、输出门3种门结构来控制保护，如图2所示。

3    预测算法训练建模及模型測试

3.1  预测算法训练建模

（1）建模测点：选取高温再热器960个炉外壁温测点。

（2）建模时间：由于温度是一个连续变化的量，所以研究需要进行连续取值，但考虑到温度不会发生突变，因此，选取训练数据为约20天的数据，取数频率每分钟取一次。训练模型时间：2019-02-01 00：00：00—2019-03-17 00：00：00。

3.2  预测算法模型测试

为验证预算算法模型，测试模型时间选取为：2019-03-17 00：00：00—2019-03-21 00：00：00炉外960个测点，预测炉内壁温测点，并对比预测值与实际值的误差。

4    炉内壁温预测与误差分析

在2月份和部分3月份的高温再热器数据上进行测验，得到的预测结果如图3所示，预测值与实际值非常相近，并且能够对实际值有较强的代替性。

测试样本残差如图4所示，残差都在10°以内，符合工业误差2%，是一个可以接受的误差范围。

5    模型的实时预警

通过炉外多测点对炉内单测点建模，得到一个能够代替炉内温度的预测值，并且随着时间推移，炉内壁温测点会被烧坏，不能实时监测到实际的炉内燃烧情况，使用预测值代替实际值来继续检测炉内燃烧情况，将会对管壁超温进行实时监控。业务专家基于经验设定报警阈值，如超出阈值，则报警，并且给现场运行人员提供一个提醒以及时采取相应的措施，有利于防止后续故障的发生，达到预警目的[4]。

[参考文献]

[1]梁建瑞，步宇航，任帅.燃机启停过程中NO_x排放控制的探讨与应用[J].中国设备工程，2017（23）：214-215.

[2]白盛楠，申晓留.基于LSTM循环神经网络的PM_（2.5）预测[J].计算机应用与软件，2009（1）：73-76，110.

[3]金秀章，张少康.基于神经网络在线学习的脱硝系统入口氮氧化物预测[J].河北大学学报，2018（4）：423-431.

[4]赵伟，孙少华，刘路遥，等.燃气电厂氮氧化物排放控制技术对比分析[J].电力科技与环保，2015（1）：44-47.