基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的鍋爐過(guò)熱器管壁溫度預(yù)測(cè)研究

劉月正+朱洪偉+焦玉剛

摘 要：由于電站鍋爐受熱管壁長(zhǎng)期處于高溫狀態(tài)，當(dāng)其溫度超過(guò)所用鋼材的許用溫度或因長(zhǎng)期高溫發(fā)生蠕變，便會(huì)引發(fā)各種運(yùn)行事故。本設(shè)計(jì)以府谷某電HG-2070/17.5-YM9型亞臨界鍋爐的末級(jí)過(guò)熱器第22屏#3管壁為研究對(duì)象，提出了采用BP神經(jīng)網(wǎng)絡(luò)和改進(jìn)粒子群（PSO）算法優(yōu)化神經(jīng)網(wǎng)絡(luò)對(duì)末級(jí)過(guò)熱器#3管壁溫度進(jìn)行預(yù)測(cè)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(guān)數(shù)據(jù)，得到處理后的訓(xùn)練樣本；然后建立BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)#3管壁溫；最后利用PSO算法對(duì)BP神經(jīng)網(wǎng)絡(luò)初始參數(shù)的選取進(jìn)行優(yōu)化。該算法加入了導(dǎo)向算子和激發(fā)因子，使網(wǎng)絡(luò)的訓(xùn)練速度加快、訓(xùn)練精度提高。結(jié)果表明：利用小波閾值去噪方法處理鍋爐受熱壁溫度數(shù)據(jù)可以降低受干擾的數(shù)據(jù)誤差，有效地提高了壁溫預(yù)測(cè)的準(zhǔn)確性；另外，較BP神經(jīng)網(wǎng)絡(luò)方法，改進(jìn)粒子群神經(jīng)網(wǎng)絡(luò)模型用于壁溫預(yù)測(cè)的穩(wěn)定性較好，精度高。

關(guān)鍵詞：亞臨界鍋爐；末級(jí)過(guò)熱器；BP神經(jīng)網(wǎng)絡(luò)；閾值去噪；PSO算法

中圖分類號(hào)：TK223.6 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：2095-2945（2017）31-0014-04

引言

近年來(lái)，鍋爐機(jī)組參數(shù)的進(jìn)一步提高，“四管”超溫爆管現(xiàn)象時(shí)常發(fā)生。金屬材料在高溫與低載荷的長(zhǎng)期作用下因蠕變損傷而斷裂的行為，是火力發(fā)電廠高溫部件失效主要原因，如高溫過(guò)熱器管和高溫再熱器管等因長(zhǎng)期超溫運(yùn)行而泄漏爆破。如果設(shè)備停機(jī)維修，其經(jīng)濟(jì)損失是相當(dāng)大的，包括事后的機(jī)組冷態(tài)啟動(dòng)所耗油費(fèi)、修復(fù)所用材料費(fèi)與人工勞動(dòng)費(fèi)，設(shè)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(guò)熱器及再熱器等以及通流分離器件，如聯(lián)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(guò)熱器是利用爐膛輻射熱能和煙氣對(duì)流熱能加熱過(guò)熱器系統(tǒng)內(nèi)飽和蒸汽，以提高蒸汽壓力、溫度，降低煙氣溫度的熱交換設(shè)備，由五個(gè)主要部分組成：末級(jí)過(guò)熱器、過(guò)熱器后屏、過(guò)熱器分隔屏、立式低溫過(guò)熱器和水平低溫過(guò)熱器、頂棚過(guò)熱器和后煙道包墻系統(tǒng)[2]。

陜西府谷某發(fā)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(jīng)統(tǒng)計(jì)，其中末級(jí)過(guò)熱器超溫次數(shù)相對(duì)較多。600MW燃煤發(fā)電機(jī)組，鍋爐為亞臨界參數(shù)、控制循環(huán)、四角切向燃燒方式、一次中間再熱、單爐膛平衡通風(fēng)、固態(tài)排渣、緊身封閉、全鋼構(gòu)架的型汽包爐。鍋爐以最大連續(xù)負(fù)荷（B-MCR）工況為設(shè)計(jì)參數(shù)，最大連續(xù)蒸發(fā)2070T/H，過(guò)熱器、再熱器蒸汽出口溫度為541℃，給水溫度283.5℃。其中，末級(jí)過(guò)熱器位于后水冷壁排管后方的水平煙道內(nèi)，共96片，管徑為Φ57mm，以190mm的橫向節(jié)距沿整個(gè)爐寬方向布置。

本次設(shè)計(jì)以該電廠末級(jí)過(guò)熱器第22屏#3管壁為研究對(duì)象，提出了采用PSO算法優(yōu)化神經(jīng)網(wǎng)絡(luò)對(duì)末級(jí)過(guò)熱器管壁溫度進(jìn)行預(yù)測(cè)的方法。仿真實(shí)驗(yàn)表明，改進(jìn)PSO算法優(yōu)化神經(jīng)網(wǎng)絡(luò)模型的診斷穩(wěn)定性較好，與傳統(tǒng)的小波神經(jīng)網(wǎng)絡(luò)相比，精度有很大提高。

1 末級(jí)過(guò)熱器壁溫關(guān)聯(lián)數(shù)據(jù)處理

1.1 末級(jí)過(guò)熱器管壁溫影響因素

由于鍋爐爐內(nèi)熱負(fù)荷分布不均勻引起局部超溫可使得管子發(fā)生嚴(yán)重變形或爆管；而每一點(diǎn)汽溫和壁溫的高低受到各種蒸汽流動(dòng)條件和輻射對(duì)流傳熱條件的影響[3]。在嚴(yán)密傳熱和水動(dòng)力基本理論基礎(chǔ)上，考慮了實(shí)際運(yùn)行工況的同屏各管間的蒸汽流量偏差、熱輻射和對(duì)流傳熱偏差，以及管子阻力系數(shù)偏差等多個(gè)偏差因素[4]。由傳統(tǒng)鍋爐管壁溫度熱力計(jì)算方法分析結(jié)果得知，影響鍋爐壁溫的主要因素有煙氣側(cè)與蒸汽側(cè)兩大因素，具體包括總?cè)剂狭俊⒖傦L(fēng)量、鍋爐機(jī)組功率、主蒸汽流量、一次風(fēng)壓、二次風(fēng)箱與爐膛壓差、末級(jí)過(guò)熱器出口蒸汽壓力、主蒸汽流量。因此，在建立過(guò)熱器壁溫的模型時(shí)，必須考慮這8個(gè)影響因素。

1.2 小波去噪原理

由于電站鍋爐所處環(huán)境影響，如震動(dòng)、電磁等噪聲干擾使數(shù)據(jù)采集設(shè)備可能存在各類傳感器故障、數(shù)據(jù)通信故障等，結(jié)果造成采集到的數(shù)據(jù)存在誤差。那么對(duì)于過(guò)熱器金屬管壁溫度預(yù)測(cè)來(lái)說(shuō)，必定降低了壁溫建模的合理性和準(zhǔn)確性[5]。小波去噪是根據(jù)工程中一些實(shí)際情況處理信號(hào)。通常鍋爐系統(tǒng)采集出的原始信號(hào)會(huì)附加噪聲，實(shí)際有用的信號(hào)一般會(huì)是平穩(wěn)信號(hào)，覆蓋在低頻部分，但噪聲一般是高頻信號(hào)，同時(shí)，在小波變換過(guò)程中，隨著尺度的增加，低頻小波系數(shù)的幅值衰減很慢，高頻小波系數(shù)的幅值衰減到幾乎為0，因此我們可以根據(jù)小波分解以及重構(gòu)將低頻部分信號(hào)保留，高頻部分適當(dāng)剔除，進(jìn)而達(dá)到去噪的目的[11]。以小波閾值去噪為例，去噪過(guò)程如下進(jìn)行：

步驟1：對(duì)于原始信號(hào)，多分辨率實(shí)現(xiàn)小波多層分解。

步驟2：確定閾值函數(shù)和閾值。

步驟3：閾值去噪。

步驟4：小波逆變換恢復(fù)原信號(hào)。

以上關(guān)鍵是選取閾值和如何進(jìn)行閾值的量化，這關(guān)系到信號(hào)去噪的質(zhì)量。閾值選取的過(guò)小，有可能使噪聲小波系數(shù)不能全部被置0；若閾值選取的過(guò)大，有可能使一部分有用信號(hào)小波系數(shù)被置0，導(dǎo)致去噪后的信號(hào)失真。因此，選擇合適的閾值？姿對(duì)不同分辨率的小波系數(shù)進(jìn)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(hào)，它針對(duì)絕大部分信號(hào)的壓縮、去噪，檢測(cè)效果都特別好，對(duì)信號(hào)做高通濾波保留變化細(xì)節(jié)，同于對(duì)信號(hào)做低通濾波保留平滑的形狀。

2 改進(jìn)粒子群算法的研究

BP神經(jīng)網(wǎng)絡(luò)的初始值選取關(guān)系到網(wǎng)絡(luò)中的訓(xùn)練算法，所以需要對(duì)算法進(jìn)行改進(jìn)或者再選擇合適的訓(xùn)練算法。本文提出了一種改進(jìn)PSO算法來(lái)代替?zhèn)鹘y(tǒng)的BP訓(xùn)練算法，用來(lái)優(yōu)化神經(jīng)網(wǎng)絡(luò)的各個(gè)參數(shù)。標(biāo)準(zhǔn)的PSO算法容易陷入局部尋優(yōu)，以下對(duì)其進(jìn)行兩個(gè)方面的改進(jìn)構(gòu)成本文的改進(jìn)PSO算法，具體表現(xiàn)如下：

2.1 導(dǎo)向算子？姿

在標(biāo)準(zhǔn)粒子群算法中加入了導(dǎo)向算子？姿可以調(diào)節(jié)個(gè)體的運(yùn)動(dòng)方向，同時(shí)可以保證粒子種群的多樣性。導(dǎo)向算子一般取值區(qū)間為（-1，1），是由個(gè)體的適應(yīng)度和種群最優(yōu)適應(yīng)度的差值決定，正值表示個(gè)體向全局最優(yōu)方向運(yùn)動(dòng)，負(fù)值則向背離最優(yōu)解方向運(yùn)動(dòng)，數(shù)值越大說(shuō)明該粒子離全局最優(yōu)解的位置越遠(yuǎn)，所以粒子的尋優(yōu)速度需要越快[8]。加入導(dǎo)算子后的速度如公式（7）所示：endprint

2.2 激發(fā)因子

綜上所述，加入導(dǎo)向算子和激發(fā)因子的粒子群算法解決了容易陷入局部最優(yōu)、收斂速度慢、局部搜索能力比較的差的缺陷，為進(jìn)一步優(yōu)化BP神經(jīng)網(wǎng)絡(luò)參數(shù)提供了支持。

3 末級(jí)過(guò)熱器壁溫預(yù)測(cè)仿真

3.1 小波閾值去噪用于鍋爐數(shù)據(jù)去噪

電站鍋爐機(jī)組負(fù)荷是影響建模預(yù)測(cè)末級(jí)過(guò)熱器第22屏#3管壁溫度的關(guān)鍵因素之一，而電廠的環(huán)境是復(fù)雜惡劣的，為提高建模的合理性、準(zhǔn)確性，所以有必要對(duì)負(fù)載功率等8個(gè)相關(guān)信號(hào)進(jìn)行去噪處理。對(duì)原始信號(hào)進(jìn)行多分辨率實(shí)現(xiàn)小波多層分解，最終選擇分解層數(shù)lev為4層，wname分別采用Bior2.4小波進(jìn)行。小波分解含噪的機(jī)組負(fù)荷，仿真結(jié)果如圖1所示。下圖是分解后的細(xì)節(jié)系數(shù)為d1-d5，分別代表的是高頻信號(hào)。

由上圖可知，采用小波基Bior2.4時(shí)，小波基的高頻系數(shù)d1到d4幅值隨著分解層次的增加而很快的衰減，低頻系數(shù)變化基本不大，說(shuō)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(jī)組負(fù)荷數(shù)據(jù)波動(dòng)性較大，因而選用光滑性較好的Bior2.4小波基比較恰當(dāng)。

小波分解之后，獲取閾值與閾值量化是小波去噪的關(guān)鍵點(diǎn)，它直接影響負(fù)載信號(hào)去噪效果與信號(hào)的恢復(fù)程度。在閾值規(guī)則選取rigrsure 的同時(shí)，為了實(shí)現(xiàn)更好去噪，我們對(duì)閾值重新調(diào)整。通過(guò)多次仿真實(shí)驗(yàn)，選取了軟閾值函數(shù)去噪方法，仿真結(jié)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(hào)的突變處的特征，進(jìn)而消除外界各種因素產(chǎn)生的噪聲對(duì)過(guò)熱器壁溫預(yù)測(cè)過(guò)程的影響，保證模型預(yù)測(cè)結(jié)果及定位的準(zhǔn)確性，為后面神經(jīng)網(wǎng)絡(luò)模型的建立做好準(zhǔn)備。

3.2 末級(jí)過(guò)熱器第22屏#3管壁溫度預(yù)測(cè)仿真

本文對(duì)電站鍋爐末級(jí)過(guò)熱器第22屏#3管壁溫度預(yù)測(cè)。一方面，針對(duì)影響末級(jí)過(guò)熱器管壁溫度的數(shù)據(jù)，首先采用小波閾值去噪方法進(jìn)行去噪處理，得到神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，作為壁溫預(yù)測(cè)分析的特征向量。這里采用Bior2小波系列中的Bior2.4小波函數(shù)，對(duì)訓(xùn)練樣本原始信號(hào)進(jìn)行了4層分解，選擇合適的閾值？姿對(duì)不同分辨率的小波系數(shù)進(jìn)行閾值處理[11]。根據(jù)選定閾值？姿對(duì)各尺度的小波系數(shù)進(jìn)行軟處理，得到新的小波系數(shù)。再根據(jù)分解的低頻系數(shù)以及閾值量化后的高頻系數(shù)進(jìn)行小波重構(gòu)，最終得到去噪后的模型訓(xùn)練數(shù)據(jù)。

在以上基礎(chǔ)上，建立神經(jīng)網(wǎng)絡(luò)模型來(lái)預(yù)測(cè)管壁溫度，末級(jí)過(guò)熱器第22屏#3管壁溫與鍋爐機(jī)組功率、主蒸汽流量、總?cè)剂狭俊⒖傦L(fēng)量、一次風(fēng)壓、二次風(fēng)箱與爐膛壓差、末級(jí)過(guò)熱器出口蒸汽壓力、燃盡風(fēng)量有關(guān)，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(shè)計(jì)在200個(gè)樣本中隨機(jī)取140個(gè)作為訓(xùn)練樣本，其余60個(gè)做為測(cè)試樣本，用來(lái)優(yōu)化參數(shù)驗(yàn)證、模型預(yù)測(cè)能力。

將提取的8種屬性特征作為BP神經(jīng)網(wǎng)絡(luò)的輸入，所以輸入節(jié)點(diǎn)數(shù)為8；輸出為管壁溫度，設(shè)有1個(gè)輸出節(jié)點(diǎn)；隱層的節(jié)點(diǎn)數(shù)經(jīng)多次仿真比試設(shè)為5。則建立的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)神經(jīng)元個(gè)數(shù)與層數(shù)為8-5-1。改進(jìn)粒子群的種群規(guī)模設(shè)置為30，粒子的維數(shù)是權(quán)值個(gè)數(shù)與閾值個(gè)數(shù)之和，所以粒子維數(shù)是51，每個(gè)粒子代表著網(wǎng)絡(luò)權(quán)值與閾值，通過(guò)粒子尋優(yōu)找到網(wǎng)絡(luò)最佳的初始權(quán)值與閾值。最大迭代數(shù)為200，學(xué)習(xí)因子設(shè)為2，個(gè)體導(dǎo)向算子初始值設(shè)為1，粒子的最大速度為1，適應(yīng)度函數(shù)為網(wǎng)絡(luò)的誤差函數(shù)。分別采取采用BP神經(jīng)網(wǎng)絡(luò)和改進(jìn)粒子群小波神經(jīng)網(wǎng)絡(luò)進(jìn)行診斷，對(duì)兩種算法仿真結(jié)果進(jìn)行對(duì)比，測(cè)試樣本絕對(duì)誤差如下圖3所示：

圖3是BP神經(jīng)網(wǎng)絡(luò)和改進(jìn)粒子群網(wǎng)絡(luò)輸出的壁溫絕對(duì)誤差對(duì)比圖。可以看出，較BP神經(jīng)網(wǎng)絡(luò)，改進(jìn)PSO-BP網(wǎng)絡(luò)誤差低，精度有很明顯的提高。仿真表明，用該算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的各個(gè)參數(shù)，能提高系統(tǒng)的效率，更好地用于預(yù)測(cè)末級(jí)過(guò)熱器管壁溫度。改進(jìn)PSO算法優(yōu)化神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)末級(jí)過(guò)熱器管壁溫度，仿真結(jié)果如下圖4。

從圖4中可以看出，網(wǎng)絡(luò)的預(yù)測(cè)輸出近似實(shí)際末級(jí)過(guò)熱器第22屏#3管壁壁溫值。圖5為PSO算法反復(fù)迭代200次，仿真出的每代最優(yōu)個(gè)體適應(yīng)度值。

本次設(shè)計(jì)的適應(yīng)度函數(shù)是神經(jīng)網(wǎng)絡(luò)模型輸出均方誤差。從圖5最優(yōu)個(gè)體適應(yīng)度曲線可以看出最終得到的最優(yōu)個(gè)體適應(yīng)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(shí)保持了種群的多樣性，提高了算法尋最優(yōu)的可能性。基本BP網(wǎng)絡(luò)訓(xùn)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(yōu)點(diǎn)。與BP神經(jīng)網(wǎng)絡(luò)相比誤差較小，經(jīng)過(guò)20次迭代網(wǎng)絡(luò)輸出的均方誤差就達(dá)到了0.8。再者，去噪后的樣本提高了網(wǎng)絡(luò)模型的準(zhǔn)確性與合理性。

4 結(jié)束語(yǔ)

本文針對(duì)末級(jí)過(guò)熱器管壁溫度預(yù)測(cè)的實(shí)時(shí)性和準(zhǔn)確性要求比較高，提出了一種改進(jìn)粒子群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的模型，解決了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)效率低，易陷入局部最優(yōu)等缺點(diǎn)。預(yù)測(cè)時(shí)，首先對(duì)相關(guān)信號(hào)數(shù)據(jù)進(jìn)行分解和重構(gòu)，得到去噪后的樣本，并構(gòu)成特征向量作為神經(jīng)網(wǎng)絡(luò)的輸入，用加入導(dǎo)向算子和激發(fā)因子的改進(jìn)粒子群算法得到網(wǎng)絡(luò)參數(shù)的最優(yōu)解。仿真實(shí)驗(yàn)證明：與傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)相比，改進(jìn)粒子群神經(jīng)網(wǎng)絡(luò)的訓(xùn)練精度、學(xué)習(xí)效率、收斂速度都有很大提高，能更好的預(yù)測(cè)末級(jí)過(guò)熱器壁溫，從而判斷鍋爐高溫運(yùn)行情況，極大地降低了經(jīng)濟(jì)損失，具有實(shí)際可行的意義。

參考文獻(xiàn)：

[1]趙欽新，朱麗慧.超臨界鍋爐耐熱鋼研究[M].北京：機(jī)械工業(yè)出版社，2010.

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

[3]周江，俞明芳.超臨界1000MW機(jī)組鍋爐高溫受熱面壁溫變化規(guī)律分析[J].熱力發(fā)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(cè)與分析[J].江蘇電機(jī)工程，2004（2）：19-21.

[5]孫帆，施學(xué)勤.基于MATLAB的BP神經(jīng)網(wǎng)絡(luò)設(shè)[J].計(jì)算機(jī)與數(shù)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(shù)據(jù)預(yù)處理[J].信息與控制，2002.

[7]邊小君，王娜娜，曹云娟.超臨界機(jī)組的發(fā)展及應(yīng)用[J].浙江電力，2003.

[8]江銘炎，袁東風(fēng).人工蜂群算法及其應(yīng)用[M].北京：科學(xué)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(jiān)測(cè)優(yōu)化實(shí)踐[J].鍋爐技術(shù)，2015，2.

[11]張德豐.MATLAB小波分析[M].機(jī)械工業(yè)出版社，2012，2.endprint