基于聲學測溫與最小二乘支持向量機的鍋爐爐膛灰污監測方法

馬美倩，呂偉為，沈國清，安連鎖，張世平

（華北電力大學 電站設備狀態監測與控制教育部重點實驗室，北京 102206）

基于聲學測溫與最小二乘支持向量機的鍋爐爐膛灰污監測方法

馬美倩，呂偉為，沈國清，安連鎖，張世平

（華北電力大學 電站設備狀態監測與控制教育部重點實驗室，北京 102206）

研究電站鍋爐爐膛灰污監測問題，提出了基于聲學測溫和最小二乘支持向量機的電站鍋爐爐膛灰污監測方法。該方法采用聲學測溫裝置獲得實際運行狀態下鍋爐爐膛出口煙溫，用最小二乘支持向量機獲得實際運行狀態下鍋爐爐膛清潔時的潛在爐膛出口煙溫，運用上述兩參數定義灰污特征參數來表征鍋爐爐膛整體灰污狀況。建立了監測模型，從電廠采集數據對模型進行了訓練和驗證，并對獲得的灰污特征參數進行了分析，結果表明：基于聲學測溫和最小二乘支持向量機的鍋爐爐膛灰污監測方法可以較準確地實現電站鍋爐爐膛的灰污監測，為爐膛的吹灰優化打下了良好的基礎。

爐膛出口煙溫；聲學測溫；最小二乘支持向量機；灰污特征參數；灰污監測

0 引言

受熱面的污染尤其爐膛內受熱面的污染一直是電站鍋爐安全經濟運行面臨的重要問題，近些年來，結合鍋爐爐膛受熱面的結構以及其熱量交換的特點，不少學者針對鍋爐爐膛內受熱面的污染監測進行了研究并提出了一些方法：俞海淼［1］等使用灰污熱流計監測爐膛灰污結渣的動態過程，但該方法因測量設備的昂貴以及高溫惡劣環境對設備壽命的影響而受到限制；徐嘯虎［2］等使用爐膛出口煙溫增量表征爐膛灰污染程度；王軍［3］等通過計算熱有效系數判斷爐膛的污染情況；王洪江等采用水冷壁背火側溫度作為爐內局部結渣故障特征參數［4］。

鍋爐爐膛出口煙溫是判斷爐膛整體污染情況的重要參數。爐膛出口煙溫高，一般很難安裝測點直接測量，文獻 ［5］從能夠準確測量獲得的排煙溫度開始，逆著煙氣流動方向根據熱平衡的原理逐步計算，最終得到了爐膛出口煙溫；文獻［6］采用鍋爐半經驗公式計算獲得爐膛出口煙溫。上述方法由于需要計算，所以很多計算過程存在較大誤差。聲學測溫技術作為一種新興技術，不受高溫、腐蝕、輻射等的影響，測量精度高，能夠在電廠安裝測點直接測量爐膛的出口煙溫，近些年來在電廠鍋爐爐膛出口煙溫的測量中得到了廣泛應用。

最小二乘支持向量機 （LS-SV M），是在統計學習理論框架下產生出來的支持向量機 （SV M）的基礎上改進的新的通用機器學習方法。LS-SV M具有SV M獲全局最優解、可應用于小樣本的學習問題、可自動地獲取網絡拓撲結構等優點，同時由于LS-SV M將SV M的不等式約束改進為等式約束，因此需確定的參數變少、訓練時間相對變短，近年來在預測領域得到了廣泛應用［7，8］。

基于上述背景，本文提出用聲學測溫裝置獲得爐膛的實時出口煙溫，用最小二乘支持向量機預測獲得爐膛清潔時的潛在出口煙溫，用兩煙溫定義灰污特征參數，與臨界灰污特征參數對比判斷爐膛的污染狀況，同時建立了污染監測模型并從電廠采集數據驗證了此模型的準確性。

1 基于聲學測溫和LS-SV M的鍋爐爐膛灰污監測原理

本文定義灰污特征參數η判斷鍋爐爐膛整體的灰污狀況：令η＝1－Tqj／Tsj，其中Tqj是實際運行工況下，應用LS－SV M獲得的鍋爐爐膛清潔時的潛在出口煙溫；Tsj是實際運行狀態下聲學測溫裝置獲得的爐膛出口煙溫。η最小，即趨于0時，表明鍋爐爐膛清潔；η最大，即趨于1時，Tsj趨近于無窮大，表明鍋爐爐膛污染嚴重；對污染程度的確定需與臨界灰污特征參數作比較，臨界值的選取一般根據爐膛對經濟與安全性的要求憑經驗確定。從上述分析可知，灰污特征參數η能較好地反映鍋爐爐膛整體的污染狀況［9］。

1.1 聲學測溫原理

在電廠使用聲學測溫裝置測量爐膛出口煙溫時，是在爐墻一側安裝聲波發射器，在爐墻的另一側安裝聲波接收器，測量爐墻兩側的距離即聲波發射裝置和接收裝置之間的距離L和聲波飛渡時間τ，即可確定聲波在傳播路徑上的平均速度：

結合式 （1）和式 （2），經推導可以得出聲波傳播路徑上介質的平均溫度：

式中：T為聲波傳播路徑上介質的平均溫度，K；L為聲波發射裝置和接收裝置之間的距離，m；B為聲音常數；τ為聲波飛渡時間，ms。

聲學測溫系統裝置主要包括聲波收發器、聲波導管、信號處理器、功率放大器、溫度的輸入輸出設備以及溫度顯示設備等。聲學測溫系統基本組成如圖1所示［10，11］。

圖1 聲學測溫系統組成圖Fig.1 Composition diagram of acoustic measurement system

1.2 LS-SV M原理

2 LS-SV M預測模型構建

2.1 輸入參數的選擇

本文以爐膛的理想出口煙溫作為LS-SV M結構的輸出參數，因此LS-SV M結構的輸入參數選擇對爐膛出口煙溫影響較大的變量，爐膛出口煙溫主要受爐膛燃燒情況以及受熱面的傳熱過程影響，因此，結合實際情況，本文以給煤量、進風量 （即一次風量、二次風量）、管入口處工質流量以及工質進出口焓差作輸入數據，即假設LSSV M的訓練樣本集 ｛（xi，yi），i＝1，2，…，n｝，本文中：n＝5；x1為給煤量、x2為一次風量、x3為二次風量、x4為管入口處工質流量、x5為工質進出口焓差；y為爐膛理想出口煙溫。給煤量、一次風量、二次風量、管入口處工質流量可以從電廠DAS系統實時采集，工質進出口焓差，可以根據數據采集系統采集的工質進出口壓力溫度等參數通過水和蒸汽性質軟件得到的焓值計算得到。

2.2 數據采集及篩選

本文以某電廠300 MW鍋爐為研究對象，通過電廠DAS系統實時采集數據，采集數據需兩種：（1）鍋爐爐膛清潔時的潛在出口煙溫預測用數據。因為是要預測清潔參數，實際情況下，爐膛完全清潔的狀態是不存在的，本文認為爐膛吹掃一段時間 （10 min）時爐膛清潔，從DAS系統中獲取此時爐膛的參數存入數據庫中。 （2）污染監測用實時運行數據。每隔一段時間 （如5 min）采集所需的電廠實時運行數據。此外，對于系統出問題、設備故障、溫度測點壞死等情況下獲得的數據對LS-SV M預測模型不適用，應篩除。

2.3 核函數的選取

核函數的選取是構建LS-SV M結構的重要環節。常用的核函數有線性函數、高斯徑向基函數（RBF）、Sigmoid函數以及多項式函數。線性函數適用于線性問題；Sigmoid函數存在一定局限性，其公式中的某些參數只對部分值滿足 Mercer條件；多項式函數在應用于維數很好的特征空間時計算量大，計算精度不高；而高斯徑向基函數是目前普遍采用的一種核函數，將樣本數據的非線性轉換到高維空間里，表現形式簡單，解析性好，在特定參數選擇下線性函數是徑向基函數的一個特例，Sigmoid核的表現則會與徑向基函數一樣。通過對比研究，本文選擇高斯徑向基函數作為核函數［13，14］。

2.4 LS-SV M結構

根據上述分析，本文建立如圖2的LS-SV M預測結構。

圖2 最小二乘支持向量機結構圖Fig.2 Structure diagram of least square support vector machine structure

2.5 LS-SV M預測模型訓練與驗證

本文采集96組鍋爐爐膛清潔時的潛在出口煙溫預測用數據，采用Premnmx和Postmnmx函數對采集的數據進行歸一化和反歸一化的處理，其中70組數據作為訓練集訓練預測模型并最終確定模型各參數，模型采用Gauss徑向基核函數，通過參數尋優函數tunelssvm確定σ2和γ的取值，經尋優過程，取預測值平均絕對誤差最小時，即σ2和γ分別取值7.1，1 170 549作為模型用參數，確定好模型后，本文采用另外的26組數據作為驗證集來驗證預測模型的適用范圍及其預測的準確度。

爐膛出口煙溫訓練集預測結果如圖3所示。

本文選擇相對誤差 （RPE）作為實驗結果的評價指標，各誤差計算公式如下：

圖3 LS-SV M訓練集預測結果Fig.3 Prediction results of LS-SV Mtraining set

式中：A （i）表示聲學測溫技術獲得的爐膛出口煙溫實際值；F （i）表示LS－SV M預測獲得的爐膛理想出口煙溫；n表示樣本數。爐膛出口煙溫訓練集預測結果相對誤差如圖4所示。

圖4 訓練集相對誤差Fig.4 Relative error of training set

爐膛出口煙溫驗證集預測結果及預測相對誤差如表1所示。

從上述LS-SV M預測模型訓練集的預測結果和相對誤差圖以及驗證集的預測結果和相對誤差對照表可以看出，無論是訓練集還是驗證集LSSV M的預測相對誤差均能保持在5%以下，說明其預測效果好，能夠滿足工程上的預測要求，可以較準確地預測爐膛出口煙溫，為爐膛的污染監測提供可靠的依據。

表1 驗證集預測結果及相對誤差對照表Tab.1 Comparison of validation set prediction results and relative error

3 灰污特征參數監測及結果分析

本文在電廠每隔5 min采集了一段時間內的爐膛實時運行數據，使用聲學測溫技術獲得了爐膛的實時出口煙溫，采用上述LS-SV M預測模型預測爐膛的理想出口煙溫，根據上文定義的灰污特征參數獲得了此段時間的爐膛灰污狀況。灰污特征參數如圖5所示。從圖中灰污特征參數走勢情況可以看出此段時間爐膛的灰污特征參數在0.162左右上下浮動，說明此時爐膛污染情況基本不變。文獻 ［15］指出鍋爐爐膛受熱面的沾污系數，可以反映爐膛受熱面的污染情況。為驗證本文結果的準確性，根據文獻 ［15］給出的爐膛出口煙溫與熱有效系數的關系式 （9）以及熱有效系數與沾污系數的關系式 （10），采用上述采集的爐膛出口煙溫，結合相關參數，本文進行了沾污系數的計算，經計算，此段時間沾污系數基本保持在0.35左右，說明爐膛受熱面的污染情況基本不變，進一步驗證了本文監測模型結果的準確性。

式中：θ″為爐膛出口煙溫，℃；Ta為理論燃燒溫度，K； M為爐膛火焰中心位置系數；σ0為玻爾茲曼常數；a1為爐膛黑度；ψ為熱有效系數；F1為爐墻總面積，m2；φ為保熱系數；Bj為計算燃料消耗量，kg／s；為平均熱容量，KJ／（kg·℃）。

式中：x為角系數；ξ為灰污系數。

圖5 灰污特征參數Fig.5 Fouling characteristic parameters

4 結論

（1）鍋爐爐膛的灰污監測是實現爐膛吹灰優化的前提，本文提出了基于聲學測溫和LS-SV M的鍋爐爐膛受熱面污染監測方法，建立了污染監測模型，從電廠采集數據對模型進行了訓練和驗證，并對一段時間內的灰污特征參數進行了分析，結果表明：LS-SV M預測精確度高，基于聲學測溫和LS-SV M的爐膛受熱面污染監測方法，能夠較準確地實現鍋爐爐膛整體的灰污監測。

（2）本文采集的數據為機組一段時期的數據，實際情況下運行機組的工況變化比較復雜，因此需要隨著采集數據所在工況范圍不斷地擴大，對模型訓練數據進行不定期地更新，使監測模型更準確。

［1］俞海淼，曹欣玉，李志，等.應用灰污熱流計監測燃煤鍋爐爐膛灰污結渣的動態過程 ［J］.中國動力工程學報，2005，25 （1）：88-91.

Yu Haimiao，Cao Xinyu，Li Zhi，et al.Research on the dynamic process of ash deposition in boilers with heat flux probes ［J］.Chinese Journal of Power Engneering.2005，25 （1）：88-91.

［2］徐嘯虎，周克毅，韋紅旗，等.燃煤鍋爐爐膛灰污染監測的爐膛出口煙溫增量方法 ［J］.中國電機工程學報，2011，31 （29）：21-26.

Xu Xiaohu，Zhou Keyi，Wei Hongqi，et al.Increment of furnance exit gas temperature for monitoring ash fouling in the furnace of coal－fired boilers ［J］.Proceedings of the CSEE.2011，31 （29）：21-26.

［3］王軍，王碩.鍋爐爐膛結渣狀態兩種判別方法的研究［J］.電力科學與工程，2009，25 （2）：34-36.

Wang Jun，Wang Shuo.Research on two distinguishing methods for slagging state of boiler furnace ［J］.Electric Power Science and Engineering，2009，25（2）：34-36.

［4］王洪江，孫保民，田進步，等.汽包鍋爐爐內局部結渣實時診斷研究 ［J］.工程熱物理學報，2008，29（6）：1077-1079.

［5］魏鐵錚，王平川，王建軍.鍋爐爐膛出口煙氣溫度的推算 ［J］.華北電力技術，1999 （9）：14-16.

［6］李永興，陳春元，孫家慶.電站鍋爐爐膛出口溫度計算方法的研究與改進 ［J］.動力工程，1992，12（5）：22-25.

［7］陳磊，張土橋.基于最小二乘支持向量機的時用水量預測模型 ［J］.哈爾濱工業大學學報，2006，389（9）：1528-1530.

Chen Lei，Zhang Tuqiao.Hourly water demand forecast model based on least squares support vector machine ［J］.Journal of Harbin Institute of Technology，2006，389 （9）：1528-1530.

［8］羅偉，習勇華.基于最小二乘支持向量機的降雨量預測 ［J］.人民長江，2008，39 （19）：29-31.

［9］鄧喆，李庚生，安連鎖，等.基于聲學測溫與人工神經網絡的爐膛結渣在線監測方法 ［J］.現代電力，2011，28 （4）：70-72.

［10］沈國清.基于聲波理論的爐膛溫度場在線監測技術研究 ［D］.北京：華北電力大學，2007.

［11］杜功煥，朱哲民，龔秀芬.聲學基礎 ［ M］.南京：南京大學出版社，2001.

［12］王定成.支持向量機建模預測與控制 ［ M］.北京：氣象出版社，2009.

［13］杜鵑.基于支持向量機的非線性預測控制研究 ［D］.杭州：浙江大學，2006.

［14］鄧乃揚，田英杰.數據挖掘的新方法：支持向量機［ M］.北京：科學出版社，2004.

［15］樊泉桂.鍋爐原理 ［ M］.北京：中國電力出版社，2008.

Method of Furnace Fouling Monitoring Based on Acoustic Pyrometry and Least Squares Support Vector Machine

Ma Meiqian，Lv Weiwei，Shen Guoqing，An Liansuo，Zhang Shiping
（Key Laboratory of Condition Monitoring and Control for Power Plant Equipment（North China Electric Power University）， Ministry of Education，Baoding 102206，Beijing，China）

This paper studies power station boiler furnace pollution monitoring，puts forward the method of boiler hearth fouling monitoring based on the acoustic pyrometry and least squares support vector machine，in this method，we get the actual boiler furnace outlet gas temperature with acoustic pyrometry device and gain the potential cleaning outlet gas temperature under the practical operating condition with the least squares support vector machine，then using the two parameters define fouling characteristic parameter to show the conditions of boiler furnace fouling.Collect data from the power plant to train and certification the model，analyze the fouling characteristic parameter，results show that method of boiler hearth fouling monitoring based on the acoustic pyrometry and least squares support vector machine can more accurately realize boiler furnace fouling monitoring and it is a good foundation for furnace blowing optimization.

furnace outlet gas temperature；acoustic pyrometry；least squares support vector machine （LS－SV M）；characteristic parameters of fouling；fouling monitoring

T M621.2

A

2012－06－11。

國家自然科學基金項目 （50976034）；中央高校基本科研業務費專項資金資助 （09QG43）。

馬美倩 （1987-），女，碩士研究生，主要從事電站鍋爐受熱面污染監測的研究，E-mail：weixiaoangel＠126.com。