基于改進BP神經網絡的鍋爐過熱器管壁溫度預測研究

劉月正+朱洪偉+焦玉剛

摘 要：由于電站鍋爐受熱管壁長期處于高溫狀態，當其溫度超過所用鋼材的許用溫度或因長期高溫發生蠕變，便會引發各種運行事故。本設計以府谷某電HG-2070/17.5-YM9型亞臨界鍋爐的末級過熱器第22屏#3管壁為研究對象，提出了采用BP神經網絡和改進粒子群（PSO）算法優化神經網絡對末級過熱器#3管壁溫度進行預測的方法。首先采用小波閾值去噪方法處理鍋爐影響壁溫的相關數據，得到處理后的訓練樣本；然后建立BP神經網絡模型預測#3管壁溫；最后利用PSO算法對BP神經網絡初始參數的選取進行優化。該算法加入了導向算子和激發因子，使網絡的訓練速度加快、訓練精度提高。結果表明：利用小波閾值去噪方法處理鍋爐受熱壁溫度數據可以降低受干擾的數據誤差，有效地提高了壁溫預測的準確性；另外，較BP神經網絡方法，改進粒子群神經網絡模型用于壁溫預測的穩定性較好，精度高。

關鍵詞：亞臨界鍋爐；末級過熱器；BP神經網絡；閾值去噪；PSO算法

中圖分類號：TK223.6 文獻標志碼：A 文章編號：2095-2945（2017）31-0014-04

引言

近年來，鍋爐機組參數的進一步提高，“四管”超溫爆管現象時常發生。金屬材料在高溫與低載荷的長期作用下因蠕變損傷而斷裂的行為，是火力發電廠高溫部件失效主要原因，如高溫過熱器管和高溫再熱器管等因長期超溫運行而泄漏爆破。如果設備停機維修，其經濟損失是相當大的，包括事后的機組冷態啟動所耗油費、修復所用材料費與人工勞動費，設備可用率降低等一系列損失[1]。

電站鍋爐有受熱面與煙氣通道兩大部分。各受熱面包括省煤器、水冷壁、過熱器及再熱器等以及通流分離器件，如聯箱、汽包（汽水分離器）等；煙氣通道包括爐膛、水平煙道及尾部煙道等[1]。其中過熱器是利用爐膛輻射熱能和煙氣對流熱能加熱過熱器系統內飽和蒸汽，以提高蒸汽壓力、溫度，降低煙氣溫度的熱交換設備，由五個主要部分組成：末級過熱器、過熱器后屏、過熱器分隔屏、立式低溫過熱器和水平低溫過熱器、頂棚過熱器和后煙道包墻系統[2]。

陜西府谷某發電廠HG-2070/17.5-YM9鍋爐是由哈爾濱鍋爐廠股份有限公司所制造。經統計，其中末級過熱器超溫次數相對較多。600MW燃煤發電機組，鍋爐為亞臨界參數、控制循環、四角切向燃燒方式、一次中間再熱、單爐膛平衡通風、固態排渣、緊身封閉、全鋼構架的型汽包爐。鍋爐以最大連續負荷（B-MCR）工況為設計參數，最大連續蒸發2070T/H，過熱器、再熱器蒸汽出口溫度為541℃，給水溫度283.5℃。其中，末級過熱器位于后水冷壁排管后方的水平煙道內，共96片，管徑為Φ57mm，以190mm的橫向節距沿整個爐寬方向布置。

本次設計以該電廠末級過熱器第22屏#3管壁為研究對象，提出了采用PSO算法優化神經網絡對末級過熱器管壁溫度進行預測的方法。仿真實驗表明，改進PSO算法優化神經網絡模型的診斷穩定性較好，與傳統的小波神經網絡相比，精度有很大提高。

1 末級過熱器壁溫關聯數據處理

1.1 末級過熱器管壁溫影響因素

由于鍋爐爐內熱負荷分布不均勻引起局部超溫可使得管子發生嚴重變形或爆管；而每一點汽溫和壁溫的高低受到各種蒸汽流動條件和輻射對流傳熱條件的影響[3]。在嚴密傳熱和水動力基本理論基礎上，考慮了實際運行工況的同屏各管間的蒸汽流量偏差、熱輻射和對流傳熱偏差，以及管子阻力系數偏差等多個偏差因素[4]。由傳統鍋爐管壁溫度熱力計算方法分析結果得知，影響鍋爐壁溫的主要因素有煙氣側與蒸汽側兩大因素，具體包括總燃料量、總風量、鍋爐機組功率、主蒸汽流量、一次風壓、二次風箱與爐膛壓差、末級過熱器出口蒸汽壓力、主蒸汽流量。因此，在建立過熱器壁溫的模型時，必須考慮這8個影響因素。

1.2 小波去噪原理

由于電站鍋爐所處環境影響，如震動、電磁等噪聲干擾使數據采集設備可能存在各類傳感器故障、數據通信故障等，結果造成采集到的數據存在誤差。那么對于過熱器金屬管壁溫度預測來說，必定降低了壁溫建模的合理性和準確性[5]。小波去噪是根據工程中一些實際情況處理信號。通常鍋爐系統采集出的原始信號會附加噪聲，實際有用的信號一般會是平穩信號，覆蓋在低頻部分，但噪聲一般是高頻信號，同時，在小波變換過程中，隨著尺度的增加，低頻小波系數的幅值衰減很慢，高頻小波系數的幅值衰減到幾乎為0，因此我們可以根據小波分解以及重構將低頻部分信號保留，高頻部分適當剔除，進而達到去噪的目的[11]。以小波閾值去噪為例，去噪過程如下進行：

步驟1：對于原始信號，多分辨率實現小波多層分解。

步驟2：確定閾值函數和閾值。

步驟3：閾值去噪。

步驟4：小波逆變換恢復原信號。

以上關鍵是選取閾值和如何進行閾值的量化，這關系到信號去噪的質量。閾值選取的過小，有可能使噪聲小波系數不能全部被置0；若閾值選取的過大，有可能使一部分有用信號小波系數被置0，導致去噪后的信號失真。因此，選擇合適的閾值？姿對不同分辨率的小波系數進行閾值處理[6]，閾值量化處理。軟、硬值處理方法如下：

小波變換則適用于大部分信號，它針對絕大部分信號的壓縮、去噪，檢測效果都特別好，對信號做高通濾波保留變化細節，同于對信號做低通濾波保留平滑的形狀。

2 改進粒子群算法的研究

BP神經網絡的初始值選取關系到網絡中的訓練算法，所以需要對算法進行改進或者再選擇合適的訓練算法。本文提出了一種改進PSO算法來代替傳統的BP訓練算法，用來優化神經網絡的各個參數。標準的PSO算法容易陷入局部尋優，以下對其進行兩個方面的改進構成本文的改進PSO算法，具體表現如下：

2.1 導向算子？姿

在標準粒子群算法中加入了導向算子？姿可以調節個體的運動方向，同時可以保證粒子種群的多樣性。導向算子一般取值區間為（-1，1），是由個體的適應度和種群最優適應度的差值決定，正值表示個體向全局最優方向運動，負值則向背離最優解方向運動，數值越大說明該粒子離全局最優解的位置越遠，所以粒子的尋優速度需要越快[8]。加入導算子后的速度如公式（7）所示：endprint

2.2 激發因子

綜上所述，加入導向算子和激發因子的粒子群算法解決了容易陷入局部最優、收斂速度慢、局部搜索能力比較的差的缺陷，為進一步優化BP神經網絡參數提供了支持。

3 末級過熱器壁溫預測仿真

3.1 小波閾值去噪用于鍋爐數據去噪

電站鍋爐機組負荷是影響建模預測末級過熱器第22屏#3管壁溫度的關鍵因素之一，而電廠的環境是復雜惡劣的，為提高建模的合理性、準確性，所以有必要對負載功率等8個相關信號進行去噪處理。對原始信號進行多分辨率實現小波多層分解，最終選擇分解層數lev為4層，wname分別采用Bior2.4小波進行。小波分解含噪的機組負荷，仿真結果如圖1所示。下圖是分解后的細節系數為d1-d5，分別代表的是高頻信號。

由上圖可知，采用小波基Bior2.4時，小波基的高頻系數d1到d4幅值隨著分解層次的增加而很快的衰減，低頻系數變化基本不大，說明在低頻分量中不含噪聲，這樣很有利于去噪處理。另一方面，鍋爐機組負荷數據波動性較大，因而選用光滑性較好的Bior2.4小波基比較恰當。

小波分解之后，獲取閾值與閾值量化是小波去噪的關鍵點，它直接影響負載信號去噪效果與信號的恢復程度。在閾值規則選取rigrsure 的同時，為了實現更好去噪，我們對閾值重新調整。通過多次仿真實驗，選取了軟閾值函數去噪方法，仿真結果如下圖2。

由上圖去噪效果可知，該方法既可以平滑去噪，又保留了信號的突變處的特征，進而消除外界各種因素產生的噪聲對過熱器壁溫預測過程的影響，保證模型預測結果及定位的準確性，為后面神經網絡模型的建立做好準備。

3.2 末級過熱器第22屏#3管壁溫度預測仿真

本文對電站鍋爐末級過熱器第22屏#3管壁溫度預測。一方面，針對影響末級過熱器管壁溫度的數據，首先采用小波閾值去噪方法進行去噪處理，得到神經網絡的訓練樣本，作為壁溫預測分析的特征向量。這里采用Bior2小波系列中的Bior2.4小波函數，對訓練樣本原始信號進行了4層分解，選擇合適的閾值？姿對不同分辨率的小波系數進行閾值處理[11]。根據選定閾值？姿對各尺度的小波系數進行軟處理，得到新的小波系數。再根據分解的低頻系數以及閾值量化后的高頻系數進行小波重構，最終得到去噪后的模型訓練數據。

在以上基礎上，建立神經網絡模型來預測管壁溫度，末級過熱器第22屏#3管壁溫與鍋爐機組功率、主蒸汽流量、總燃料量、總風量、一次風壓、二次風箱與爐膛壓差、末級過熱器出口蒸汽壓力、燃盡風量有關，即把這8種屬性值作為自變量，第22屏#3管壁溫作為因變量。本次設計在200個樣本中隨機取140個作為訓練樣本，其余60個做為測試樣本，用來優化參數驗證、模型預測能力。

將提取的8種屬性特征作為BP神經網絡的輸入，所以輸入節點數為8；輸出為管壁溫度，設有1個輸出節點；隱層的節點數經多次仿真比試設為5。則建立的網絡拓撲結構神經元個數與層數為8-5-1。改進粒子群的種群規模設置為30，粒子的維數是權值個數與閾值個數之和，所以粒子維數是51，每個粒子代表著網絡權值與閾值，通過粒子尋優找到網絡最佳的初始權值與閾值。最大迭代數為200，學習因子設為2，個體導向算子初始值設為1，粒子的最大速度為1，適應度函數為網絡的誤差函數。分別采取采用BP神經網絡和改進粒子群小波神經網絡進行診斷，對兩種算法仿真結果進行對比，測試樣本絕對誤差如下圖3所示：

圖3是BP神經網絡和改進粒子群網絡輸出的壁溫絕對誤差對比圖。可以看出，較BP神經網絡，改進PSO-BP網絡誤差低，精度有很明顯的提高。仿真表明，用該算法優化神經網絡的各個參數，能提高系統的效率，更好地用于預測末級過熱器管壁溫度。改進PSO算法優化神經網絡預測末級過熱器管壁溫度，仿真結果如下圖4。

從圖4中可以看出，網絡的預測輸出近似實際末級過熱器第22屏#3管壁壁溫值。圖5為PSO算法反復迭代200次，仿真出的每代最優個體適應度值。

本次設計的適應度函數是神經網絡模型輸出均方誤差。從圖5最優個體適應度曲線可以看出最終得到的最優個體適應度值為0.642，該算法收斂很快，且算法中的變異操作拓展了迭代中不斷縮小的種群搜索空間，同時保持了種群的多樣性，提高了算法尋最優的可能性。基本BP網絡訓練速度剛開始較快，但在后期收斂速度慢，大約在迭代33次后誤差較大，且容易陷入局部最優點。與BP神經網絡相比誤差較小，經過20次迭代網絡輸出的均方誤差就達到了0.8。再者，去噪后的樣本提高了網絡模型的準確性與合理性。

4 結束語

本文針對末級過熱器管壁溫度預測的實時性和準確性要求比較高，提出了一種改進粒子群算法優化神經網絡的模型，解決了傳統神經網絡的學習效率低，易陷入局部最優等缺點。預測時，首先對相關信號數據進行分解和重構，得到去噪后的樣本，并構成特征向量作為神經網絡的輸入，用加入導向算子和激發因子的改進粒子群算法得到網絡參數的最優解。仿真實驗證明：與傳統的BP神經網絡相比，改進粒子群神經網絡的訓練精度、學習效率、收斂速度都有很大提高，能更好的預測末級過熱器壁溫，從而判斷鍋爐高溫運行情況，極大地降低了經濟損失，具有實際可行的意義。

參考文獻：

[1]趙欽新，朱麗慧.超臨界鍋爐耐熱鋼研究[M].北京：機械工業出版社，2010.

[2]蘇金明，王永利.MATLAB7.0.實用指南（上冊）[M].北京：電子工業出版社，2005.

[3]周江，俞明芳.超臨界1000MW機組鍋爐高溫受熱面壁溫變化規律分析[J].熱力發電，2013（2）.

[4]柳京玉，鄭世津.鍋爐高溫受熱面爐外管壁溫度檢測與分析[J].江蘇電機工程，2004（2）：19-21.

[5]孫帆，施學勤.基于MATLAB的BP神經網絡設[J].計算機與數字工程，2006，35：121-128.

[6]楊斌，田永青，朱仲英.智能建模方法中的數據預處理[J].信息與控制，2002.

[7]邊小君，王娜娜，曹云娟.超臨界機組的發展及應用[J].浙江電力，2003.

[8]江銘炎，袁東風.人工蜂群算法及其應用[M].北京：科學出版社，2014，11.

[9]BREIMAN.Random Forest[J].Machine Learning，2001，45（1）：8-33.

[10]卞韶帥，呂曉東.超超臨界鍋爐高溫受熱面壁溫監測優化實踐[J].鍋爐技術，2015，2.

[11]張德豐.MATLAB小波分析[M].機械工業出版社，2012，2.endprint