基于NARX神經網絡的鍋爐壁溫預測模型

盧 彬，劉 茜，高 林，趙旭利

?

基于NARX神經網絡的鍋爐壁溫預測模型

盧 彬1，劉 茜1，高 林1，趙旭利2

（1.西安熱工研究院有限公司，陜西 西安 710054；2.華能吉林發電有限公司長春熱電廠，吉林 長春 130216）

壁溫超溫是超（超）臨界鍋爐爆管的主要原因之一，也是困擾超（超）臨界機組運行的關鍵難題。本文在分析現有鍋爐壁溫預測技術的基礎上，將NARX動態神經網絡用于屏式過熱器（屏過）壁溫的預測，首先采用人工篩查和灰關聯分析方法，確定影響屏過壁溫變化的關鍵因素，然后設置不同影響因素的組合對預測性能進行分析和優化，確定外部輸入變量，最后建立屏過壁溫NARX神經網絡預測模型。將該模型用于實際機組歷史運行數據，并與NAR神經網絡模型預測結果進行對比。結果表明：考慮了影響壁溫變化關鍵因素的NARX神經網絡有更好的預測性能，能長時間保持較好的預測精度，可提前1 min預測壁溫的變化。該結果對解決超臨界機組壁溫超溫問題有一定的理論和工程應用價值。

鍋爐；屏式過熱器；壁溫；超溫；壁溫預測；靜態神經網絡；NARX神經網絡

我國超（超）臨界火電機組發電技術日趨成熟且發展迅速，但超（超）臨界鍋爐“四管”爆管問題時有發生，嚴重影響了機組的運行安全。研究表明，引起鍋爐爆管的原因多集中于受熱面長時間超溫運行[1-4]、氧化皮等堵塞[5-8]、水處理及鍋爐運行操作不當[9]、吹灰不當[10]、高溫煙氣腐蝕[11]等，其中受熱面長時間超溫運行是引起鍋爐管壁超溫的重要原因。

目前針對鍋爐壁溫超溫問題主要有2種預防措施：1）基于現場直接測量信號的超限報警，該措施通過受熱面管壁上安裝的測點測得單點局部壁溫判斷是否報警，為了更全面監測鍋爐壁溫，電廠裝設大量壁溫測點，部分機組增設的壁溫測點甚至達到數千個，但對這些大量測得的壁溫數據未進行有效分析和處理，所以一般僅能實現部分管壁超溫的事后報警；2）通過機理建模的方式進行計算，獲得壁溫的軟測量數據，然后估計超溫發生的可能性，如國內常用1973年熱力計算標準《鍋爐機組熱力計算標準方法》進行管壁溫度計算，但是這類方法計算模型復雜，多個參數無法直接測量，且計算過程中模型需要不斷修正，增加了計算的難度，且實際估計精度有限，工程應用難度較大。

準確有效的壁溫預測對解決壁溫超溫問題有重要意義。水冷壁、屏式過熱器（屏過）、高溫過熱器（高過）和高溫再熱器（高再）是鍋爐容易發生超溫的受熱面。當鍋爐運行工況發生變化，如火焰中心上移導致煙氣溫度場發生變化，給水流量減少導致流過各個U型管的蒸汽流量不足，都會導致屏過壁溫超溫。影響壁溫的因素較多，常規數學模型難以達到精度要求，人工神經網絡（artificial neural network, ANN）是普遍采用效果較好的一種壁溫預測模型。本文以鍋爐屏過壁溫為例，建立動態神經網絡預測模型，對鍋爐壁溫進行預測。

1 基于人工神經網絡的鍋爐壁溫預測

人工神經網絡興起于20世紀80年代，因其具有強大的模式識別和數據擬合能力，廣泛應用于模式分類、聚類、回歸分析及數值擬合等領域[12]。按照是否存在反饋與記憶，人工神經網絡可以分為靜態神經網絡與動態神經網絡。靜態神經網絡輸出僅取決于當前的輸入，常見的靜態神經網絡包括BP神經網絡、徑向基函數（RBF）神經網絡等；動態神經網絡在靜態神經網絡基礎上，加入了反饋和記憶功能，使輸出不僅依賴于當前輸入，也考慮了歷史數據的影響，常見的動態神經網絡有NAR神經網絡、NARX神經網絡及Elman神經網絡等。

BP神經網絡和RBF神經網絡在壁溫預測領域也受到廣泛關注。王鵬等[13-15]在分析影響壁溫的因素及對有關數據去噪處理的基礎上，運用BP神經網絡建立壁溫預測模型，并分析了BP神經網絡在鍋爐壁溫預測方面的不足。鄭圣鵬等[16]分析了常用幾種壁溫計算方法，并采用RBF神經網絡模型對某廠鍋爐壁溫進行理論計算，認為采用RBF神經網絡對壁溫進行預測是可行的。周云龍等[17]在分析導致鍋爐超溫爆管的主要因素的基礎上，分別采用BP神經網絡和RBF神經網絡對鍋爐管壁溫度進行預測，結果表明二者均可對鍋爐管壁進行預測，從逼近效果、預測誤差等方面，RBF神經網絡都優于BP神經網絡。以上靜態神經網絡預測模型的泛化能力較差，與經典的動態時序預測算法相比并不具備優勢。

從神經網絡模型的基本特性分析，動態神經網絡更適合解決壁溫預測這類時間序列問題。典型的時間序列動態網絡主要有NAR和NARX神經網絡。

NAR動態神經網絡中，時間序列()的未來值僅由該時間序列的歷史值預測，也稱為非線性自回歸，可以表示為

式中，為時間，為時間序列()的延遲階數。

NARX動態神經網絡同時引入2個時間序列，運用被預測時間序列()的歷史值和另外一時間序列()的歷史值來預測時間序列()的未來值。這種形式的預測被稱為具有外部輸入的非線性自回歸，可以表示為

式中為時間序列()延遲階數。

NARX神經網絡一般由3層神經網絡構成，分別為輸入層、隱含層和輸出層，同時隱含層包括 2個時間延時環節，其基本構成如圖1所示。

注：x(t)表示神經網絡的外部輸入，y(t)表示神經網絡的輸出，m、n為神經網絡的輸入延遲階數，w為連接權值，b為閾值。

本文分別運用NAR動態神經網絡和NARX動態神經網絡對鍋爐屏過壁溫進行預測，并比較二者預測效果，從而確定最佳預測方法。

2 鍋爐壁溫變化影響因素關聯分析

除氧化皮等異物造成管內流動異常引起的局部超溫外，煤質[18]、給水、燃燒、配風、負荷[19]等變化都可能引起鍋爐壁溫超溫，這些影響因素均可作為壁溫預測神經網絡模型輸入變量的初選變量。

常用輸入變量選擇的方法有灰關聯分析法、主成分分析法、遺傳算法等方法，其中，灰關聯分析法簡單且穩定性好[20]。本文采用人工觀察篩查結合灰關聯分析法進行模型輸入變量的初步選取。

灰關聯分析法通過計算比較序列與參考序列樣本數據的灰色關聯度值，判斷二者之間相對變化趨勢，從而確定二者之間的關聯程度[21]。常用的灰關聯分析關聯度有鄧氏灰色關聯度、相對變化速率關聯度、斜率關聯度[22]。描述事物發展過程比較合理的指標一般采用相對變化速率，若相對變化速率基本一致，則可認為2個序列有較高的相關程度。因此，本文采用灰關聯分析法中的相對變化速率關聯度初步確定輸入變量。

在人工觀察篩查和文獻調研的基礎上，初步確定主蒸汽流量、主蒸汽溫度、主蒸汽壓力、實發功率、頂棚過熱器壁溫、前墻上層二次風流量、前墻中層二次風流量、前墻下層二次風流量、前墻燃盡風流量、后墻燃盡風流量、后墻上層二次風流量、后墻中層二次風流量、后墻下層二次風流量、鍋爐總煤量、一次風壓、鍋爐總風量、B側減溫噴水流量、A側減溫噴水流量等18個變量作為影響屏過壁溫變化的初選變量，設置為比較序列。取某一測點屏過壁溫，設置為參考序列。

選取某超超臨界660 MW機組2016年1月 13日—1月16日歷史數據，通過上述相對變化速率關聯度進行計算，初選變量相對變化速率關聯度計算結果如圖2所示。由圖2可見：汽水側的主蒸汽溫度與壁溫聯系最緊密，計算所得相對變化速率關聯度最高；在汽水流程上，頂棚過熱器位于屏式過熱器的上游，在時間和空間上二者壁溫存在一定的對應關系，有一定的關聯性；機組負荷變化會引起煤量、風量和給水流量等的變化，從而對屏過壁溫產生影響；減溫噴水流量影響主蒸汽溫度，從而對屏過溫度也產生一定的影響。

圖2 初選變量相對變化速率關聯度計算結果

3 鍋爐壁溫動態神經網絡預測

本文采用MATLAB軟件建立NARX動態神經網絡壁溫預測模型（圖1），以及不包含外部輸入變量的NAR動態神經網絡模型，并對2種模型性能進行對比。

選取某超超臨界660 MW機組2016年1月 13日—1月16日的歷史數據用于動態神經網絡模型的訓練，并選取1月17日—1月25日的歷史數據對訓練完成的模型進行預測性能測試。

動態神經網絡輸入延遲階數和均選擇為6，隱含層節點個數選擇為2，此外還需確定NARX神經網絡的外部輸入變量。

3.1 NARX神經網絡模型輸入變量選擇

式(2)中的外部輸入變量是NARX神經網絡模型與NAR神經網絡模型的唯一差異，也是NARX神經網絡模型的預測性能與NAR神經網絡模型相比有優勢的關鍵。因此，本文在上述灰關聯分析的基礎上進一步確定NARX神經網絡模型外部輸入變量。

首先，外部輸入變量的個數不能過多，否則會導致模型趨于復雜，使模型泛化能力下降；個數也不能太少，否則不能全面代表影響壁溫的因素，導致模型的計算精度下降。如圖2灰關聯分析法計算結果中，主蒸汽溫度、頂棚過熱器壁溫、機組實發功率和A、B兩側減溫噴水流量明顯比其他參數具有與屏過溫度變化更高的相對速率關聯度，因此，將這5個變量作為潛在的可選NARX神經網絡模型外部輸入變量。

其次，與屏過壁溫變化的相對變化速率關聯度高僅能說明上述變量與屏過壁溫在變化趨勢上的相似性，并不代表對未來屏過壁溫的預測也具有優勢。因此，本文首先將上述單一變量分為作為NARX神經網絡的外部輸入變量，利用前述訓練樣本對NARX神經網絡預測模型進行訓練并運用驗證樣本對訓練完成的預測模型的預測效果進行驗證，輸入單一變量時神經網絡模型計算誤差見表1。

表1 輸入單一變量時NARX神經網絡模型計算誤差

Tab.1 The calculating error of the NARX neural network model with single variable input

由表1可知，主蒸汽溫度和頂棚過熱器壁溫作為單一變量輸入時，神經網絡模型計算所得均方誤差較小。為了確定最終的外部輸入變量，在采用預測效果較佳的主蒸汽溫度和頂棚過熱器壁溫作為輸入變量的基礎上，增加其余變量組合作為神經網絡模型的外部輸入變量，進行模型訓練并對訓練完成的模型預測效果進行驗證。輸入多變量時神經網絡模型計算誤差見表2。由表2可知，多變量組合作為神經網絡模型外部輸入時，驗證樣本計算所得均方誤差整體上優于單一變量作為外部輸入時的結果。其中主蒸汽溫度、頂棚過熱器壁溫和B側減溫水流量3個變量組合作為外部輸入時的均方誤差較主蒸汽溫度和頂棚過熱器壁2個變量組合作為外部輸入時的均方誤差有明顯下降，再增加變量作為外部輸入，均方誤差下降很小。因此，為降低模型計算復雜度，提高收斂能力和泛化能力，最終選擇主蒸汽溫度、頂棚過熱器壁溫和B側減溫水流量構成NARX神經網絡模型的外部輸入變量。

表2 輸入多變量時NARX神經網絡模型計算誤差

Tab.2 The calculating error of the NARX neural network model with multivariable input

3.2 2種神經網絡模型壁溫預測結果

將上述確定的外部輸入變量用于建立屏過壁溫的NARX神經網絡預測模型，在其他模型參數相同的條件下建立NAR神經網絡模型，并對2種神經網絡模型性能進行對比，部分對比結果如圖3和 圖4所示。由圖3可見，NAR與NARX神經網絡模型都能獲得較好的壁溫變化預測結果，NARX神經網絡模型預測結果更接近于實測壁溫。由圖4可見：在壁溫變化較小，歷史數據變化呈現較明顯的臺階化時，對于僅利用歷史數據進行預測的NAR神經網絡模型，在前5 min壁溫測點數據保持不變時，不能預知未來壁溫的變化；而NARX神經網絡模型在壁溫測點歷史數據發生變化前就呈現明顯的壁溫上升趨勢。說明加入影響壁溫的外部因素后，預測模型能夠提前預測壁溫變化，從而更精確逼近預測結果，對于突發的引起壁溫超溫的風險預測具有更大的潛力。

圖3 某大溫變過程動態神經網絡預測結果

圖4 某小溫變過程動態神經網絡預測結果

3.3 NARX神經網絡模型預測效果驗證

為驗證本文建立的屏過壁溫NARX神經網絡模型的預測效果，分別選取訓練數據時間點后1個月、6個月及1年的歷史數據進行驗證，1年內NARX神經網絡模型預測結果如圖5所示。由圖5可以看出，本文建立的NARX神經網絡模型在很長時間內均能保持較好的預測精度，可提前1 min有效預測屏過壁溫的變化。

圖5 1年內NARX神經網絡模型預測結果

4 結 語

本文采用NARX動態神經網絡進行超超臨界鍋爐屏過壁溫的預測，利用人工篩查和灰關聯分析法，選取影響屏過壁溫變化的關鍵因素，設置不同影響因素組合分析對模型預測性能的影響，確定模型外部輸入變量，建立屏過壁溫NARX神經網絡預測模型；與僅依靠歷史數據的NAR神經網絡模型預測結果進行對比，驗證了NARX神經網絡模型預測結果更準確可靠；利用1個月、6個月和1年的歷史數據證實NARX神經網絡模型及其建模方法的有效性，該方法對研究超超臨界機組壁溫超溫問題具有一定的理論和工程應用價值。

［1］ 王小聰, 黎華, 馬括, 等. 680 t/h電站鍋爐高溫過熱器爆管原因分析及預防措施[J]. 理化檢驗(物理分冊), 2012, 48(11): 770-772.WANG Xiaocong, LI Hua, MA Kuo, et al. Cause analysis and preventive measures on bursting of high temperature superheater tubes of 680 t/h power station boiler[J]. Physical Testing and Chemical Analysis (Part A: Physical Testing), 2012, 48(11): 770-772.

［2］ 鄭坊平, 莊文斌, 劉佳偉, 等. 超超臨界鍋爐過熱器Super304H管爆管原因分析[J]. 熱加工工藝, 2015, 44(24): 240-243. ZHENG Fangping, ZHUANG Wenbin, LIU Jiawei, et al. Tube bursting cause analysis for Super304H steel of superheater in ultra-supercritical boiler[J]. Hot Working Technology, 2015, 44(24): 240-243.

［3］ 柯浩, 杜艾潔, 張才穩, 等. 某超臨界鍋爐高溫過熱器出口彎頭爆管原因分析[J]. 發電與空調, 2015, 36(6): 48-50. KE Hao, DU Aijie, ZHANG Caiwen, et al. Analysis on tube bursting of high temperature superheater outlet elbow in the ultra-supercritical power plant[J]. Power Generation & Air Condition, 2015, 36(6): 48-50.

［4］ 張繼文, 袁燕明, 廖偉輝. 超臨界600 MW機組鍋爐高溫過熱器爆管原因分析及預防措施[J]. 熱力發電, 2010, 39(6): 85-87. ZHANG Jiwen, YUAN Yanming, LIAO Weihui. Cause analysis of tube-burst on high-temperature superheater of boiler equipped for 660 MW units and preventive measures thereof[J]. Thermal Power Generation, 2010, 39(6): 85-87.

［5］ LIU S W, WANG W Z, LIU C J. Failure analysis of the boiler water-wall tube[J]. Case Studies in Engineering Failure Analysis, 2017(9): 35-39.

［6］ 裴漸強, 佟桁, 姜建華, 等. 某電廠2#鍋爐爆管原因分析及預防措施[J]. 中國特種設備安全, 2015, 31(7): 70-74. PEI Jianqiang, TONG Hang, JIANG Jianhua, et al. Reason analysis and prevention measures of pipe explosion accident in a power station boiler 2#[J]. China Special Equipment Safety, 2015, 31(7): 70-74.

［7］ 王文濤, 董鵬, 王濤英, 等. 670 t/h鍋爐過熱器頻繁爆管原因分析及預防措施[J]. 發電與空調, 2016, 37(1): 51-54. WANG Wentao, DONG Peng, WANG Taoying, et al. Cause analysis and prevention measures on superheater tubes frequently bursting of 670 t/h boiler[J]. Power Generation & Air Condition, 2016, 37(1): 51-54.

［8］ 王文生, 余洋, 冷杰. 某1 913 t/h超臨界鍋爐末級過熱器爆管原因分析及對策[J]. 東北電力技術, 2016, 37(2): 40-42. WANG Wensheng, YU Yang, LENG Jie. Cause analysis and solution on pipe-burst of final stage high temperature superheater in 1 913 t/h supercritical boiler[J]. Northeast Electric Power Technology, 2016, 37(2): 40-42.

［9］ 張本所, 陳由熹, 楊磊, 等. 鍋爐低溫過熱器爆管分析[J]. 鍋爐制造, 2015, 254(6): 29-30. ZHANG Bensuo, CHEN Youxi, YANG Lei, et al. Analysis the explosion of low temperature boiler superheater[J]. Boiler Manufacturing, 2015, 254(6): 29-30.

［10］ 趙吉鵬, 王利平. 某電廠鍋爐高溫過熱器爆管分析與解決措施[J]. 工業鍋爐, 2016, 156(2): 52-55. ZHAO Jipeng, WANG Liping. Analysis and counter- measures of superheaters explosion of power plant systems[J]. Industrial Boiler, 2016, 156(2): 52-55.

［11］ 劉嘉, 劉帥. 某電廠后屏再熱器爆管原因分析[J]. 鍋爐制造, 2016, 257(3): 24-26. LIU Jia, LIU Shuai. Cause analysis of a power plant boiler panel reheater explosion[J]. Boiler Manufacturing, 2016, 257(3): 24-26.

［12］ 陳明. MATLAB神經網絡原理與實例精解[M]. 北京: 清華大學出版社, 2013: 2-3. CHEN Ming. The principle and practical example of MATLAB neural network[M]. Beijing: Tsinghua University Press, 2013: 2-3.

［13］ 王鵬. 基于BP網絡的火力發電廠鍋爐管壁溫度預測研究[J]. 軟件導刊, 2009, 8(9): 79-81. WANG Peng. Research of thermal power plant boiler wall temperature forecast based on BP[J]. Software Guide, 2009, 8(9): 79-81.

［14］ 王鋒. 數據挖掘在電廠鍋爐管壁超溫分析中的應用[J]. 電力信息化, 2006(10): 76-78. WANG Feng. Application of data mining in over temperature analysis of boiler tube wall in power plant [J]. Electric Power Information Technology, 2006(10): 76-78.

［15］ 劉月正, 朱洪偉, 焦玉剛. 基于改進BP神經網絡的鍋爐過熱器管壁溫度預測研究[J]. 科技創新與應用, 2017(31): 14-16. LIU Yuezheng, ZHU Hongwei, JIAO Yugang. Prediction of boiler superheater wall temperature based on improved BP neural network[J]. Technology Innovation and Application, 2017(31): 14-16.

［16］ 鄭圣鵬. 基于RBF神經網絡的鍋爐管壁溫度預測研究[J]. 工程與試驗, 2012, 52(3): 61-63. ZHENG Shengpeng. Research on boiler wall temperature prediction based on RBF neural network[J]. Engineering & Test, 2012, 52(3): 61-63.

［17］ 周云龍, 蘇耀雷. 基于神經網絡的鍋爐過熱器和再熱器管壁溫度預測研究[J]. 熱力發電, 2012, 41(5): 22-26. ZHOU Yunlong, SU Yaolei. Study on prediction of tube-wall temperature in superheater and reheater of boiler based on neural network[J]. Thermal Power Generation, 2012, 41(5): 22-26.

［18］ 蘇國利, 徐艷麗, 王春. 關于#3、4爐再熱汽溫、壁溫的調整與控制[J]. 科技創新與應用, 2015(8): 63. SU Guoli, XU Yanli, WANG Chun. Adjustment and control of reheating steam temperature and wall temperature of boiler #3 and #4[J]. Scientific and Technological Innovation and Application, 2015(8): 63.

［19］ 劉大猛, 羅小鵬, 陳玉忠, 等. 超臨界無爐水循環泵機組啟動初期屏式過熱器超溫分析及控制[J]. 鍋爐技術, 2015, 46(4): 77-80. LIU Dameng, LUO Xiaopeng, CHEN Yuzhong, et al. The analysis and control of platen superheater over temperature for supercritical without BCP at initial stage of start-up[J]. Boiler Technology, 2015, 46(4): 77-80.

［20］ 吳嘯川. 電站鍋爐高溫受熱面管壁溫度的反向建模研究[D]. 北京: 華北電力大學, 2011: 27-30. WU Xiaochuan. Research on reverse modeling of tube wall temperature of high-temperature heating surface in power plant boiler[D]. Beijing: North China Electric Power University, 2011: 27-30.

［21］ 葉亞蘭, 何長征. 基于灰色關聯分析法的660 MW對沖燃燒鍋爐CO排放影響因素分析[J]. 電力與能源, 2015, 36(3): 301-305. YE Yalan, HE Changzheng. CO emission influencing factors of 660 MW opposed firing boiler based on gray relational analysis[J]. Electricity and Energy, 2015, 36(3): 301-305.

［22］ 郭建博. 三種灰色關聯度分析法比較研究[J]. 科技信息, 2008(1): 4-6.GUO Jianbo. A comparative study of three grey relational analysis methods[J]. Scientific and Technological Information, 2008(1): 4-6.

Prediction model of boiler platen superheater tube wall temperature based on NARX neural network

LU Bin1, LIU Xi1, GAO Lin1, ZHAO Xuli2

(1. Xi’an Thermal Power Research Institute Co., Ltd., Xi’an 710054, China; 2. Huaneng Changchun Thermal Power Plant, Changchun 130216, China)

Wall temperature overheating is considered to be one of the main causes for tube burst in supercritical (ultra-supercritical) boilers, and it has become a key problem that puzzles the operation of supercritical (ultra-supercritical) boilers. On the basis of analyzing the existing wall temperature prediction technology, this study applies NARX dynamic neural network to the advanced prediction of wall temperature of platen superheater. Firstly, manual screening and grey relational analysis method are employed to ascertain the key factors influencing the wall temperature change. Then, the input combinations of different influencing factors and the setting of model parameters are analyzed and optimized, and the NARX prediction model of wall temperature of platen superheater is established. Moreover, combined with the historical data of the actual unit, the proposed model is applied to predict the superheaters’ tube wall temperature, and the results are compared with that of the NAR neural network model. The results show that, the NARX neural network model considering the key factors influencing the wall temperature has better prediction performance, which can keep higher prediction accuracy for a long time and forecast the wall temperature by 1 min in advance. The conclusion has certain theoretical and engineering application value for relevant researches and solving the problem of wall temperature overtemperature for supercritical (ultra-supercritical) boilers.

boiler, platen superheater, wall temperature, overheating, wall temperature prediction, static neural network, NARX neural network

TK223.3

A

10.19666/j.rlfd.201812214

盧彬, 劉茜, 高林, 等. 基于NARX神經網絡的鍋爐壁溫預測模型[J]. 熱力發電, 2019, 48(3): 35-40. LU Bin, LIU Xi, GAO Lin, et al. Prediction model of boiler platen superheater tube wall temperature based on NARX neural network[J]. Thermal Power Generation, 2019, 48(3): 35-40.

2018-12-20

盧彬(1991—)，男，碩士研究生，主要研究方向為火電機組控制優化，lubin@tpri.com.cn。

（責任編輯 杜亞勤）