汽轮机温度智能预测方法的探讨

赵 鹏，李潇潇

(1.陕西能源麟北发电有限公司，宝鸡 721599；2.上海电气电站设备有限公司汽轮机厂，上海 200240)

汽轮机运行过程中承受着复杂的热力机械载荷。在启动、冲转、变负荷过程中机组的热力边界显著不同，不同工况所需要的处理方法各异，因此，预测未来几十分钟内机组的状态能够为运行人员提供有效参考，起到良好的辅助作用。

随着计算能力的提升，人工智能技术得到发展，作为人工智能的一种实现手段，机器学习基于实际数据样本集建立起计算模型，可实现在线预测。在电站设备领域，GE、Alstom等企业已经对汽轮机在线预测领域进行了相关研究。比如Alstom研究了基于非线性自回归神经网络算法(NARX)在汽轮机转子表面温度与应力预测领域的应用[1]，该方法本身网络结构简单，对于长时序的序列预测往往只能保留有缓慢变化趋势的特征，而对于长时序中某一局部的变化，往往不能进行有效的预测。因此为实现有效的在线预测，须研究新的智能算法模型。

陕西麟北电厂350 MW超临界机组采用上海汽轮机厂制造的高中压合缸多级汽轮机，在汽轮机运行控制方面，采用以温度为主的控制策略，通过各关键部件监测测点的温度反映出机组运行的热应力、蠕变疲劳损伤等。

经过多年的运行，麟北电厂已获得丰富的机组运行数据，为机器学习算法研究提供了坚实的基础。本文以麟北电厂历史运行数据为基础，采用成熟的卷积神经网络算法(CNN)和长短记忆神经网络算法(LSTM)，研发汽轮机转子关键监测点的温度预测模型，探索汽轮机智能运维的可行性。

1 机器学习算法

CNN和LSTM作为机器学习的经典算法，在人脸识别、图像分类、交通标志识别、物体检测、图片语音处理、工业预测等多方面得到应用[2-3]。

CNN的原理示意图如图1所示，受到动物视觉皮层相关研究的启发，其工作原理类似于滤波器，在第k层神经网络的神经元上按一定规则滑动，采用激活函数在神经元上进行运算，激活k+1层某个神经元，激活函数如式(1)所示。在CNN中，各卷积层的数据与卷积核可视为二维或更高维度的张量。

图1 卷积神经网络原理示意图

(1)

式中：l为网络层数编号；m为卷积核尺寸；w为权重；b为偏置。

LSTM克服了传统循环神经网络(RNN)和CNN的计算成本高、长时序无法传递有效信息等缺陷，原理如图2所示，从图2中可以看出，隐藏状态h(t)由x(t)和h(t-1)得到，LSTM对序列索引位置t的隐藏结构进行了改进，通过一定的技术让隐藏结构变得复杂，避免梯度消失的问题。并且通过引进“更新门”，如公式(2)至(5)所示，将单元格状态和隐藏状态合并，获得更加简单的模型。

图2 长短记忆神经网络原理示意图

zt=σ(Wz·[ht-1,xt])

(2)

rt=σ(Wr·[ht-1,xt])

(3)

(4)

(5)

CNN和LSTM两种方法均存在着优缺点，如表1所示。因此本文采用两种方法结合的方式构建温度预测模型——CNN-LSTM算法，使模型预测精度高、鲁棒性强，模型如图3所示。

表1 CNN与LSTM算法优缺点

图3 基于CNN-LSTM的温度预测模型网络结构

2 模型训练样本

麟北电厂汽轮机外形如图4所示。高中压合缸机组中转子高压部分工作环境相比中压部分更加恶劣，高压部分监控测点更多，因此以转子高压部分作为机器学习算法研究对象，具有更好的实际应用意义。

图4 麟北电厂350 MW汽轮机三维示意图

机器学习算法模型建立时需要选择和控制与输出参数高度相关的变量。经过相关性分析，与转子高相关性的测点共有11组：3个温度参数，即高压进汽温度、高压排汽温度、监测测点温度；2个状态参数，即机组转速和输出功率；6组控制参数，即2个高压主门开度控制和4个高压调门开度控制。原始数据的量纲不同对训练模型误差有较大影响，因此采用Z-score方法进行标准化处理，处理流程如图5所示，计算公式如(6)。

图5 Z-score标准化处理

(6)

选取麟北电厂某段时间内的典型运行工况作为训练样本，标准化后的数据如图6至图9所示。

图6 温度参数训练样本

图7 功率参数训练样本

图8 转速参数训练样本

图9 阀门开度参数训练样本

经过多次测试后，获得模型参数如表2所示。

表2 训练模型构造参数

3 预测结果

图10 CNN-LSTM模型预测结果

由于模型的预测性能除了受训练数据本身的特征影响外，还依赖于机器学习模型参数的选择，因此，针对本模型，通过人为的调整，另外构造了2组参数，预测结果如图11所示。

图11 不同超参数组合下模型预测结果

表3为3种超参数组合下的预测结果，对比图11和表3的结果可以看出，3种参数组合均能够有效预测、捕捉运行工况特征。经过参数调整后，预测准确率得到提升，最大误差明显减小，参数组合3的结果最佳，最大误差降至33.21 ℃。

表3 3种超参数组合的预测结果

从上述结果中可以看出，采用CNN-LSTM模型能够有效捕捉转子运行过程中温度变化。目前的训练模型在启动运行阶段的预测性能良好，但是在停机阶段误差相对较大，调整后的模型参数能够有效降低误差。由于目前采用的训练模型中，典型工况较少，后续可对训练样本库进行丰富完善，得到的新模型，这样可以进一步提高预测准确率，降低最大误差。

4 结 论

本文介绍了智能算法在汽轮机关键部件温度预测领域的应用。基于麟北电厂的历史运行数据，采用CNN-LSTM算法建立转子温度预测模型，能够有效预测未来一段时间内的温度趋势，为机组运行人员提供参考。但由于目前训练样本数据较少，准确率尚有较大的提升空间。根据神经网络模型的基本特点，可以预见预测的准确度将能通过丰富的训练数据得到进一步提升。