基于CNN-GAN 數(shù)據(jù)增強(qiáng)網(wǎng)絡(luò)的電廠鍋爐管道溫度壓力及健康狀態(tài)預(yù)測?

陳鴻鑫，馬天霆，周 陽，簡彥辰，高 犇，戴明露?

(1.國家能源集團(tuán)宿遷發(fā)電有限公司，江蘇 宿遷 223803；2.東南大學(xué)能源與環(huán)境學(xué)院，江蘇 南京 210096)

隨著國民經(jīng)濟(jì)的快速發(fā)展，各行業(yè)的用電需求激增。而為了響應(yīng)國際環(huán)保號召，我國也提出了“碳達(dá)峰”和“碳中和”目標(biāo)。面對“雙碳”目標(biāo)，國內(nèi)大力發(fā)展風(fēng)、光、核等清潔能源，并要求火電這一傳統(tǒng)能源參與深度調(diào)峰。這一要求的實(shí)質(zhì)是需要火電廠鍋爐能夠在高低負(fù)載間來回快速切換，且低負(fù)載情況下燃料轉(zhuǎn)換率更高。頻繁的深度調(diào)峰易造成電廠鍋爐各部件不斷承受交變熱應(yīng)力，其中鍋爐的主汽、冷再熱管道由于承受溫度高、壓力大，而成為密切監(jiān)控對象[1]。

目前，主汽、冷再熱管道的主要檢測手段為通過傳感器檢測其溫度和壓力。這種檢測結(jié)果具有一定的局限性，即只能通過將溫度壓力數(shù)據(jù)與管道建設(shè)閾值進(jìn)行對比，判別管道目前狀態(tài)[2]。此外，由于傳感器與電廠DCS 的測量與搜集傳輸數(shù)據(jù)的特性，中控大屏所呈現(xiàn)的數(shù)據(jù)具有一定的滯后性。當(dāng)管道內(nèi)溫度以及壓力出現(xiàn)異常時(shí)，難以及時(shí)預(yù)警。因此，需要一種科學(xué)有效的手段，對電廠鍋爐的主汽、冷再熱的溫度、壓力數(shù)據(jù)進(jìn)行預(yù)測，同時(shí)評估其未來溫度、壓力數(shù)據(jù)的健康狀態(tài)，幫助運(yùn)維人員進(jìn)行及時(shí)調(diào)整[3]。

對溫度、壓力數(shù)據(jù)預(yù)測的本質(zhì)是研究溫度、壓力數(shù)據(jù)在時(shí)序上的變化過程，因此該研究的本質(zhì)是時(shí)序預(yù)測[4]。時(shí)序預(yù)測指的是在任意一段時(shí)間范圍內(nèi)以特定的時(shí)間間隔對未來時(shí)刻的序列走向進(jìn)行預(yù)測。國內(nèi)外的諸多學(xué)者對時(shí)序預(yù)測投入了大量的研究，Yule 等[5]將時(shí)序預(yù)測問題歸納為自回歸問題并且建立了自回歸模型，該模型能夠?qū)ψ匀唤绲南嚓P(guān)參數(shù)進(jìn)行預(yù)測。該模型存在的主要問題是其變量的相關(guān)性受歷史數(shù)據(jù)影響較大，難以考慮除時(shí)間尺度外變量的影響。隨后Walker 等[6]提出了移動(dòng)平均模型，該模型的優(yōu)點(diǎn)是加入了隨機(jī)噪聲，增加了模型中的誤差權(quán)重，解決了預(yù)測中因歷史數(shù)據(jù)產(chǎn)生的隨機(jī)波動(dòng)。隨后，差分自回歸移動(dòng)平均模型[7]將預(yù)測序列拆分為線性和非線性部分進(jìn)行研究，利用線性模型尋找序列中的一階線性成分，以非線性模型擬合時(shí)間序列與線性模型的殘差，大大增加了預(yù)測的準(zhǔn)確性和平穩(wěn)性。近年來，隨著機(jī)器學(xué)習(xí)的發(fā)展，給時(shí)間序列預(yù)測帶來了新的方法。支持向量機(jī)(Support Vector Machine，SVM)[8]最先用于二分類問題和回歸預(yù)測，主要依賴于其能夠通過核函數(shù)將低維非線性問題在高維空間進(jìn)行映射，映射后只需進(jìn)行高維線性問題求解。隨后人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，ANN)通過多層感知機(jī)配合激活函數(shù)，能夠達(dá)到更為優(yōu)越的非線性求解能力。深度學(xué)習(xí)網(wǎng)絡(luò)(Deep Learning Network)[9]的出現(xiàn)再次展現(xiàn)出比傳統(tǒng)機(jī)器學(xué)習(xí)方式更加優(yōu)異的性能，其中，循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network，RNN)不但能夠解決自然語言處理問題[10]，也在時(shí)間序列預(yù)測方面大放異彩。近年來，諸多學(xué)者也將其用在天文[11]、氣象[12]以及金融市場[13]的預(yù)測。盡管RNN有著優(yōu)異的非線性擬合能力，但是其基于數(shù)據(jù)或機(jī)理驅(qū)動(dòng)[14]，電廠管道這一復(fù)雜系統(tǒng)很難建立完善的機(jī)理、生成足夠的數(shù)據(jù)集，因此只能通過數(shù)據(jù)驅(qū)動(dòng)的方式完成數(shù)據(jù)集準(zhǔn)備。然而現(xiàn)有電廠管道的運(yùn)行數(shù)據(jù)多為正常運(yùn)轉(zhuǎn)數(shù)據(jù)，很難有異常數(shù)據(jù)供以參考。生成對抗網(wǎng)絡(luò)(Generative Adversarial Network，GAN)是一種極小極大博弈的問題，它由生成器和判別器組成，尋找生成器和判別器的平衡點(diǎn)[15]。該網(wǎng)絡(luò)多用來生成多樣化數(shù)據(jù)進(jìn)行數(shù)據(jù)集擴(kuò)充。諸多學(xué)者應(yīng)用該方法實(shí)現(xiàn)了風(fēng)電機(jī)組齒輪箱故障檢測[16]、人臉檢測[17]和時(shí)間序列異常檢測[18]。

本研究著重于實(shí)現(xiàn)電廠鍋爐主汽、冷再熱管道的溫度與壓力預(yù)測，通過GAN 網(wǎng)絡(luò)擴(kuò)充數(shù)據(jù)集并且建立未來時(shí)間段管道運(yùn)行狀態(tài)，結(jié)合現(xiàn)場真實(shí)數(shù)據(jù)構(gòu)建合成數(shù)據(jù)集。以LSTM 網(wǎng)絡(luò)搭建電廠鍋爐管道溫度與壓力預(yù)測模型，并實(shí)現(xiàn)未來時(shí)間段運(yùn)行狀態(tài)預(yù)測。

1 數(shù)學(xué)模型

1.1 生成對抗神經(jīng)網(wǎng)絡(luò)

GAN 的核心是依據(jù)已有真實(shí)數(shù)據(jù)集，從無到有生成近似真實(shí)數(shù)據(jù)。它由生成器和判別器組成，分別負(fù)責(zé)生成新的數(shù)據(jù)和對生成數(shù)據(jù)的真假進(jìn)行判別。生成器的最終目標(biāo)是生成的數(shù)據(jù)集能夠欺騙過判別器，而判別器則是不斷提升判別能力來迫使生成的圖片更加接近真實(shí)，其表達(dá)式為:

式中:α為1-Lipschitz 函數(shù)，Pg是由生成器G(z)生成的數(shù)據(jù)集。1-Lipschitz 函數(shù)的本質(zhì)是一種加強(qiáng)Lipschitz 約束的方法，表示為:

式中:P～x為從數(shù)據(jù)分布Pr到生成的數(shù)據(jù)Pg的隨機(jī)均勻采樣點(diǎn)對。其本質(zhì)是對于隨機(jī)樣本梯度建立帶懲罰的約束，并且加入到原有GAN 模型的損失函數(shù)中。

使用GAN 的優(yōu)點(diǎn)是能夠根據(jù)現(xiàn)有真實(shí)數(shù)據(jù)，不斷生成接近于真實(shí)數(shù)據(jù)的數(shù)據(jù)集，以此數(shù)據(jù)集進(jìn)行擴(kuò)充，但是電廠鍋爐管道的運(yùn)行數(shù)據(jù)多為正常運(yùn)轉(zhuǎn)數(shù)據(jù)，難以有不正常或者是故障數(shù)據(jù)產(chǎn)生，因此需要建立合適的評價(jià)函數(shù)，以此計(jì)算其與真實(shí)數(shù)據(jù)的貼近程度。

1.2 預(yù)測算法

現(xiàn)有預(yù)測模型分為直接多步預(yù)測和滾動(dòng)多步預(yù)測，直接多步預(yù)測的優(yōu)點(diǎn)是實(shí)現(xiàn)簡單，其可以表示為:

式中:T、P為電廠鍋爐管道的溫度和壓力，t為當(dāng)前時(shí)刻，Δt為采樣間隔，m、n為過去時(shí)間段和預(yù)測時(shí)間段的序列長度。滾動(dòng)多步模型降低了模型求解難度，提升了單步預(yù)測的準(zhǔn)確性，但是卻存在隨滾動(dòng)步數(shù)提升而誤差線性增長的隱患。由于本文通過GAN 網(wǎng)絡(luò)擴(kuò)充了數(shù)據(jù)集，只要選取合適的求解模型便可以彌補(bǔ)直接多步預(yù)測法對模型求解算法和模型數(shù)據(jù)集要求較高的缺點(diǎn)。如圖1 所示，構(gòu)建直接多步預(yù)測數(shù)據(jù)集時(shí)需要依據(jù)當(dāng)前時(shí)刻t的前后m和n步進(jìn)行數(shù)據(jù)篩選，采樣間隔Δt可以根據(jù)實(shí)際需要確定。下一時(shí)刻t＋1 的數(shù)據(jù)集確定則需要在原有數(shù)據(jù)集上進(jìn)行平移即可。預(yù)測的數(shù)據(jù)為當(dāng)前時(shí)刻t的后n個(gè)Δt步長。

圖1 直接多步預(yù)測法流程圖

從式(3)可以看出，直接多步預(yù)測的本質(zhì)是解多元非線性函數(shù)。常用的多元非線性函數(shù)的求解方法有牛頓迭代和最速下降法等。目前，神經(jīng)網(wǎng)絡(luò)的非線性擬合功能使得其在處理非線性問題時(shí)有更好的精度和更少的時(shí)間。

LSTM 網(wǎng)絡(luò)以其優(yōu)良的非線性求解能力在處理時(shí)序問題上有著諸多應(yīng)用。LSTM 由三個(gè)門控制單元組成，分別處理著上一時(shí)刻、當(dāng)前時(shí)刻和未來時(shí)刻的信息。其中，遺忘門用來決定上一時(shí)刻和當(dāng)前時(shí)刻輸入數(shù)據(jù)中需要舍棄的部分，并將對序列貢獻(xiàn)較多的數(shù)據(jù)輸出至輸入門。輸入門是諸多信息匯總的區(qū)域，在進(jìn)行決策時(shí)會(huì)引入隱藏狀態(tài)C這一概念，其作用是記住權(quán)重較大的序列信息，最終由輸出門進(jìn)行數(shù)據(jù)輸出。遺忘門，輸入門和輸出門的表達(dá)式如下:

式中:l為當(dāng)前時(shí)間步長，x(l)為當(dāng)前時(shí)間步長下的輸入，h(l－1)為上一個(gè)時(shí)間步長下的隱藏層，bf為該門的增益向量，Wf為遺忘門的權(quán)重，sigmod、tanh 為激活函數(shù)，C(l－1)為上一時(shí)間步長的隱藏狀態(tài)。

1.3 管道健康評價(jià)算法

電廠鍋爐管道主要承受溫度和壓力影響，因此本研究的管道健康評價(jià)模型基于溫度和壓力的正常運(yùn)行值和未來變化趨勢。考慮溫度和壓力正常運(yùn)行值、一階和二階導(dǎo)數(shù)分別表示溫度和壓力的未來趨勢的評價(jià)函數(shù)可以表示為:

式中:M、N分別為序列的行數(shù)和列數(shù)，Oi，j、Gi，j分別為真實(shí)數(shù)據(jù)和GAN 生成的數(shù)據(jù)，α、β為權(quán)重系數(shù)。由于該函數(shù)可以評價(jià)GAN 所生成的數(shù)據(jù)與真實(shí)數(shù)據(jù)的相似程度，因此，與正常運(yùn)行數(shù)據(jù)越接近的數(shù)據(jù)健康程度越理想。

通過以上方式，將工況劃分為正常運(yùn)行工況、升溫工況、降溫工況、非理想工況與臨界工況。其中，正常運(yùn)行工況、升溫工況、降溫工程均屬于鍋爐管道的標(biāo)準(zhǔn)工況，健康評價(jià)函數(shù)值在0.9 以上，運(yùn)維人員無需處理，非理想工況健康評價(jià)函數(shù)值在0.5～0.9之間，系統(tǒng)產(chǎn)生提示，運(yùn)維人員可根據(jù)實(shí)際情況選擇忽略或提前采取措施。當(dāng)評價(jià)函數(shù)值達(dá)到0.5 以下時(shí)，此時(shí)鍋爐管道系統(tǒng)處于臨界工況，系統(tǒng)產(chǎn)生報(bào)警，運(yùn)維人員需根據(jù)管道預(yù)測的未來溫度與壓力趨勢立即采取相應(yīng)措施。該方法的優(yōu)勢是，避免了傳統(tǒng)有限元仿真以及理論分析的復(fù)雜建模過程，以正常運(yùn)行數(shù)據(jù)與設(shè)計(jì)理論計(jì)算數(shù)據(jù)為依據(jù)，再利用CNN-GAN 的數(shù)據(jù)擴(kuò)充方法，結(jié)合評價(jià)依據(jù)生成不同相關(guān)度的數(shù)據(jù)集，擴(kuò)充了合成數(shù)據(jù)集的工況范圍。

2 基于CNN-GAN-LSTM 的混合模型

考慮第一部分的數(shù)學(xué)模型，建立圖2 所示的CNN-GAN-LSTM 混合網(wǎng)絡(luò)模型。首先由函數(shù)不斷生成初始序列，生成的初始序列為0 到1 之間隨機(jī)無序小數(shù)。初始序列經(jīng)過由5 層全連接層組成的生成器，全連接層參數(shù)分別為128、256、512、1 024、816，最后一層使用Tanh 激活函數(shù)激活以后，重新排列為真實(shí)圖像大小進(jìn)行輸出。輸出的合成序列與真實(shí)序列同時(shí)輸入判別器，在判別器中，一部分為3 層全連接進(jìn)行的1-Lipschitz 算法，全連接參數(shù)為512、256 和1。全連接層部分使用LeakyReLU 作為激活函數(shù)，該激活函數(shù)避免了小于0 的部分陷入死區(qū)，不能向下傳遞的問題。另外一層用CNN 網(wǎng)絡(luò)進(jìn)行式(5)的計(jì)算，該部分由卷積和池化組成，卷積核大小為[5，5]、[4，5]，步長為1，池化采用最大池化，每層之間用ReLU 函數(shù)激活。最后兩部分權(quán)重各為0.5，計(jì)算完的權(quán)重返回到生成器和判別器，并且作為管道健康評價(jià)函數(shù)。多層卷積將輸入序列分別提取為16×20×30、16×10×15、32×4×6、32×2×3 的高維矩陣，最后展開為192 個(gè)神經(jīng)元，經(jīng)由全連接層縮減為1 個(gè)神經(jīng)元，通過Tanh 函數(shù)進(jìn)行激活。激活后的神經(jīng)元與上一部分的全連接層取權(quán)重后相加輸出。加入多層CNN 卷積和全連接層的作用是實(shí)現(xiàn)管道健康評價(jià)算法的閾值對比和一階二階積分運(yùn)算，使用CNN 的優(yōu)點(diǎn)是擴(kuò)大了二維序列的運(yùn)算視野，并且兼顧到前后不連續(xù)的溫度或壓力序列。

圖2 CNN-GAN-LSTM 結(jié)構(gòu)圖

將現(xiàn)有的真實(shí)數(shù)據(jù)和CNN-GAN 網(wǎng)絡(luò)生成的擴(kuò)充數(shù)據(jù)合并為合成數(shù)據(jù)集，將合成數(shù)據(jù)集按照主汽溫度、冷再熱溫度、主汽壓力、冷再熱壓力的方式排布，輸入的序列長度為120，預(yù)測的序列長度包括未來30 步的預(yù)測數(shù)值和4 個(gè)1 位長度的健康狀態(tài)評價(jià)值。預(yù)測網(wǎng)絡(luò)采用兩層LSTM 網(wǎng)絡(luò)堆疊進(jìn)行時(shí)序數(shù)據(jù)非線性處理，輸出部分取LSTM 輸出層最后一個(gè)時(shí)刻的權(quán)重，先由一層全連接層調(diào)整輸出序列長度，全連接層長度為2 048，再分割為兩塊全連接，分別用以未來趨勢走向的預(yù)測和健康狀態(tài)預(yù)測。該方法的優(yōu)點(diǎn)是避免了健康狀態(tài)被溫度、壓力時(shí)序信號湮沒，提升健康預(yù)測準(zhǔn)確度。

由于溫度和壓力具有不同的數(shù)值范圍，因此輸入的數(shù)據(jù)需要進(jìn)行歸一化處理，以便減少模型訓(xùn)練時(shí)間，提升訓(xùn)練精度。預(yù)測網(wǎng)絡(luò)所采用的損失函數(shù)為均方根誤差(Root Mean Squared Error，RMSE)，優(yōu)化參數(shù)為Adaptive Moment Estimation。

3 結(jié)果與分析

3.1 電廠鍋爐主汽、冷再熱管道溫度壓力分析

本研究采用的數(shù)據(jù)為某電廠鍋爐實(shí)際運(yùn)行中的主汽、冷再熱管道溫度和壓力數(shù)據(jù)，數(shù)據(jù)采樣頻率為1 min/次，數(shù)據(jù)時(shí)長為200 d，期間鍋爐正常運(yùn)行，計(jì)劃停機(jī)兩次。圖3 所示為電廠鍋爐管道的溫度和壓力趨勢走向，其中T1、P1 分別為主汽管道的溫度和壓力，T2、P2 分別為冷再熱管道的溫度和壓力。在正常運(yùn)行情況下，主汽管道的溫度和壓力分別在550 ℃～600 ℃與15 MPa～27 MPa 之間，冷再熱管道的溫度和壓力分別在300 ℃～350 ℃與2 MPa～6 MPa 之間。圖中有兩個(gè)非常劇烈的溫度與壓力下降再上升的走勢，為該鍋爐的停機(jī)整修狀態(tài)。

圖3 電廠鍋爐管道長時(shí)間溫度壓力圖

由于長時(shí)間的管道溫度與壓力圖譜顯示的為整體變化趨勢，可以分析出長時(shí)間運(yùn)行的波動(dòng)范圍和升溫、降溫工況下的走勢，但是難以發(fā)現(xiàn)短時(shí)間內(nèi)的波動(dòng)趨勢。因此，圖4 展示了鍋爐管道的短時(shí)溫度和壓力圖譜，圖中溫度、壓力的采樣頻率為1 min/次，序列長度為150 min，此時(shí)鍋爐處在正常運(yùn)行狀態(tài)。從圖中可以看出，主汽與冷再熱管道的溫度、壓力波動(dòng)趨勢隨負(fù)載變化而不斷波動(dòng)。主汽與冷再熱管道的溫度波動(dòng)變化趨勢類似，但即使在相對平穩(wěn)的狀態(tài)下仍有2 ℃～6 ℃的波動(dòng)。從整體變化趨勢看來，主汽管道的溫度波動(dòng)幅值略大于冷再熱管道，且溫度波動(dòng)的劇烈程度也大于冷再熱管道。主汽與冷再熱管道的壓力變化趨勢各不相同，主汽管道的壓力在23.4 MPa下以0.2 MPa 的幅值上下波動(dòng)，冷再熱管道壓力在4.2 MPa 下以0.05 MPa 的幅值上下波動(dòng)。整體看來，主汽管道的壓力變化趨勢大于冷再熱管道。

圖4 電廠鍋爐管道短時(shí)溫度壓力圖

3.2 基于GAN 的數(shù)據(jù)增強(qiáng)

依據(jù)以過去120 min 實(shí)現(xiàn)未來30 min 短期預(yù)測的要求，將現(xiàn)有數(shù)據(jù)集按照150 min 的長度切分為21 840 組。如圖5 所示，為了方便GAN 網(wǎng)絡(luò)匹配特征，將其重新排序?yàn)?0×15 矩陣，并且于外圍補(bǔ)全一層0 以便區(qū)分。將主汽與冷再熱管道的溫度、壓力拼接成一個(gè)24×34 的一維矩陣，排序?yàn)槎S矩陣的優(yōu)點(diǎn)是方便CNN-GAN 網(wǎng)絡(luò)生成更逼近真實(shí)的溫度與壓力序列，同時(shí)CNN 網(wǎng)絡(luò)能在更高的維度上學(xué)習(xí)不同時(shí)間點(diǎn)下序列的值與一階、二階導(dǎo)數(shù)關(guān)系。

圖5 不同網(wǎng)絡(luò)生成數(shù)據(jù)集對比

由于溫度和壓力的特征值范圍不同，在進(jìn)行數(shù)據(jù)擴(kuò)增前需進(jìn)行歸一化處理。從圖中可以看出，原始數(shù)據(jù)在穩(wěn)定運(yùn)行時(shí)溫度有一定的波動(dòng)，壓力波動(dòng)相對較小。GAN 網(wǎng)絡(luò)生成的數(shù)據(jù)集較為平滑，尤其是主汽與冷再熱管道的壓力波動(dòng)幅度較小，而CNN＿GAN 所生成的溫度和壓力數(shù)據(jù)波動(dòng)性更強(qiáng)，接近于原始數(shù)據(jù)。GAN 網(wǎng)絡(luò)生成的溫度壓力數(shù)值與原始數(shù)據(jù)近似，CNN＿GAN 所生成的溫度壓力為臨界溫度壓力，呈現(xiàn)深色。

隨著CNN-GAN 網(wǎng)絡(luò)的不斷迭代優(yōu)化，生成數(shù)據(jù)集也不斷向真實(shí)數(shù)據(jù)集逼近。圖6 展示了CNN＿GAN 生成溫度、壓力數(shù)據(jù)集的優(yōu)化過程，圖中由4個(gè)子區(qū)組成，每個(gè)子區(qū)代表一種工況下的溫度與壓力，每個(gè)子區(qū)包含了主汽與冷再熱管道的溫度、壓力的150 min 走勢。從圖中可以看出，迭代開始時(shí)的溫度與壓力信號為隨機(jī)信號；迭代初期，模型能夠區(qū)分出主汽與冷再熱的溫度與壓力幅值大小，不會(huì)出現(xiàn)同一工況下某一區(qū)域的值過大或者是過小的現(xiàn)象；隨著迭代進(jìn)行，子區(qū)信號逐漸有序化，波動(dòng)區(qū)域逐漸得到控制，生成數(shù)據(jù)的噪點(diǎn)逐漸減少，最終得到不同狀態(tài)下幅值不同、波動(dòng)具有一定規(guī)律的溫度與壓力數(shù)據(jù)集。

圖6 基于CNN-GAN 的數(shù)據(jù)集擴(kuò)展

為了進(jìn)行詳細(xì)對比，選取了GAN 和CNN＿GAN中與真實(shí)數(shù)據(jù)相似度為80%的數(shù)據(jù)進(jìn)行展開。如圖7 所示，為歸一化的主汽溫度序列。從圖中可以看出，普通GAN 網(wǎng)絡(luò)生成的數(shù)據(jù)波動(dòng)較大，但是來回波動(dòng)的均值處在0.74 附近，證明GAN 判別器進(jìn)行評價(jià)時(shí)圖像均值的權(quán)重較大。CNN-GAN 的波動(dòng)明顯減小，波動(dòng)的均值也處在0.74 附近，并且走勢與真實(shí)數(shù)據(jù)接近。這是因?yàn)镃NN-GAN 判別器學(xué)習(xí)了圖像的二維分布規(guī)律，考慮了圖像的均值以及一階和二階導(dǎo)數(shù)關(guān)系，證明上文中建立的管道健康評價(jià)算法起到理想效果。

圖7 不同網(wǎng)絡(luò)生成數(shù)據(jù)對比

3.3 基于合成數(shù)據(jù)集的溫度壓力預(yù)測

將GAN 生成的擴(kuò)展數(shù)據(jù)集與真實(shí)數(shù)據(jù)集合并后打亂傳遞至預(yù)測網(wǎng)絡(luò)，其中，真實(shí)數(shù)據(jù)共有27 565組，GNN-GAN 生成的仿真數(shù)據(jù)集共34 452 組。圖8所示為500 組獨(dú)立于訓(xùn)練集的驗(yàn)證集預(yù)測結(jié)果的均值絕對誤差。其中，T1、P1 為主蒸汽管道的溫度與壓力，T2、P2 為冷再熱管道的溫度與壓力。從圖中可以看出，溫度、壓力的預(yù)測結(jié)果都處于5%以內(nèi)，預(yù)測結(jié)果理想。在未來30 min 的預(yù)測走勢中，500組數(shù)據(jù)的絕對誤差呈現(xiàn)波動(dòng)趨勢，證明未來30 min的預(yù)測趨勢并不會(huì)隨時(shí)間增長而非線性增長。相較于溫度而言，壓力的預(yù)測誤差稍大，并且冷再熱管道的壓力預(yù)測誤差最大。31 列的數(shù)據(jù)為健康狀態(tài)預(yù)測數(shù)據(jù)，與溫度、壓力預(yù)測趨勢相同，冷再熱管道的健康預(yù)測誤差最大。這是因?yàn)槔湓贌峁艿赖膲毫η€比較復(fù)雜，從而導(dǎo)致壓力預(yù)測與健康狀態(tài)預(yù)測誤差稍大。

圖8 LSTM 預(yù)測誤差

500 組數(shù)據(jù)的絕對誤差驗(yàn)證表明了該方法對隨機(jī)工況的適用性，但是電廠鍋爐管道工況較多，必須分開進(jìn)行驗(yàn)證。圖9 所示為非理想工況下主汽溫度未來30 步的溫度預(yù)測。根據(jù)管道健康評價(jià)函數(shù)的定義，非理性工況指的是鍋爐管道的溫度與壓力和正常運(yùn)行的真實(shí)數(shù)據(jù)有一定的偏差，但是該數(shù)值又處在溫度與壓力設(shè)計(jì)承壓范圍內(nèi)。OrT1 為主汽管道真實(shí)溫度，ReT1 為主汽管道預(yù)測溫度。從圖中可以看出，正常運(yùn)行情況下主汽的溫度呈現(xiàn)上下波動(dòng)狀態(tài)，但是波動(dòng)的數(shù)據(jù)都在歸一化值0.9 以下，這是因?yàn)樵谶M(jìn)行最大最小歸一化時(shí)選取了管道的最大承溫作為歸一化極大值。序號31 為此時(shí)的管道健康狀態(tài)，可以看出此時(shí)健康狀態(tài)不為1，即此時(shí)管道的健康狀態(tài)不是非常理想，這是因?yàn)樵摴r下管道溫度的極大值過高且波動(dòng)較大，可以看出管道評價(jià)函數(shù)能夠準(zhǔn)確分辨正常運(yùn)行工況和欠理想工況。未來30 步的預(yù)測在溫度波動(dòng)范圍比較小時(shí)誤差較小，波動(dòng)較大時(shí)預(yù)測誤差較大，但是整體最大誤差在6%以下。

圖9 非理想工況下主汽管道溫度預(yù)測

溫度預(yù)測驗(yàn)證完后需要對主汽管道的壓力預(yù)測趨勢進(jìn)行驗(yàn)證。圖10 所示為非理想工況下主汽壓力預(yù)測，OrP1 為主汽管道真實(shí)壓力，ReP1 為主汽管道預(yù)測壓力。因?yàn)楣艿纼?nèi)的壓力最大值達(dá)到歸一化0.9，同主汽溫度一樣，當(dāng)歸一化壓力達(dá)到0.9 時(shí)證明此時(shí)壓力已經(jīng)不在正常運(yùn)行的真實(shí)數(shù)據(jù)集范圍內(nèi)，但是仍處于管道設(shè)計(jì)時(shí)的承壓范圍內(nèi)。此工況下，主汽壓力的波動(dòng)形式與溫度不同，證明預(yù)測網(wǎng)絡(luò)對不同趨勢的曲線都有比較好的預(yù)測效果。與主汽溫度預(yù)測不同的是，主汽的壓力預(yù)測極值是略大于真實(shí)的極值的，但是極值的誤差都在4%以內(nèi)。

圖10 非理想工況下主汽管道壓力預(yù)測

非理想工況下的溫度與壓力預(yù)測結(jié)果表明CNN-GAN 生成的數(shù)據(jù)集有著比真實(shí)數(shù)據(jù)集更大的溫度、壓力波動(dòng)趨勢且波動(dòng)峰值超過真實(shí)數(shù)據(jù)集的峰值。該工況下的管道健康評價(jià)算法計(jì)算值也低于0.9，證明所建立的管道健康評價(jià)算法能夠區(qū)分出生成的非理想工況數(shù)據(jù)集與真實(shí)數(shù)據(jù)集的異同，CNNGAN 擴(kuò)充數(shù)據(jù)集的方式有效。

針對上文中提出的不同工況下管道健康函數(shù)的預(yù)測，圖11 呈現(xiàn)了臨界工況下冷再熱管道的臨界工況預(yù)測。OrT2 為冷再熱管道真實(shí)溫度，ReT2 為冷再熱管道預(yù)測溫度。從圖中可以看出，此時(shí)溫度處在歸一化值0.95 附近，證明此時(shí)已經(jīng)接近冷再熱管道的設(shè)計(jì)承壓，并且該工況下的溫度一直呈現(xiàn)波動(dòng)上升狀態(tài)，證明CNN-GAN 網(wǎng)絡(luò)有著良好的數(shù)據(jù)生成和判別能力，此時(shí)的管道健康數(shù)值也降低到了0.4左右，屬于比較嚴(yán)重的管道健康狀態(tài)，此時(shí)運(yùn)維人員需要緊急采取操作，保證冷再熱管道的正常運(yùn)行。該工況下，預(yù)測的最大誤差在－6%一下，未來30 min預(yù)測的最大誤差出現(xiàn)在預(yù)測曲線的波谷，該波谷呈周期性出現(xiàn)，但是預(yù)測曲線的最小溫度仍在歸一化值0.9 以上，超過了實(shí)際運(yùn)行數(shù)據(jù)集中的溫度極值。

圖11 臨界工況下冷再熱管道溫度預(yù)測

為了驗(yàn)證健康評價(jià)函數(shù)的主要權(quán)重不是來自于判斷當(dāng)前的溫度與壓力值，還需要對溫度、壓力較低時(shí)的工況進(jìn)行分析。圖12 展示了在升溫工況下，冷再熱管道的壓力預(yù)測結(jié)果。從圖中可以看出，此時(shí)歸一化壓力處在0.55 附近，并且逐漸上升。正常運(yùn)行時(shí)，歸一化壓力處在0.7～0.8 之間。圖中的真實(shí)壓力值在20 個(gè)步長前緩慢波動(dòng)，這是因?yàn)殡姀S升溫是一個(gè)緩慢的過程，需要花一天到兩天的時(shí)間。在20 個(gè)步長以后，壓力先上升后下降。預(yù)測的壓力值在20 個(gè)步長以前與真實(shí)壓力值十分接近，20 個(gè)步長以后最大誤差為－4%，其后隨著真實(shí)壓力慢慢降低，誤差也逐漸降低，最終在預(yù)測的結(jié)尾時(shí)與真實(shí)值貼近，誤差也降到最小。31 為健康狀態(tài)預(yù)測，此時(shí)的健康狀態(tài)約為0.95，這是因?yàn)榻】殿A(yù)測權(quán)重除了有曲線的一階和二階導(dǎo)數(shù)外，仍有曲線當(dāng)前值作為參考。但是整體的預(yù)測處在0.9 以上，證明此時(shí)管道處在理想的健康水平。

圖12 升溫工況下冷再熱管道壓力預(yù)測

4 結(jié)論

本研究通過CNN-GAN 算法建立了電廠管道溫度壓力預(yù)測仿真數(shù)據(jù)集，提出了管道健康狀態(tài)評價(jià)函數(shù)。將仿真數(shù)據(jù)集與真實(shí)數(shù)據(jù)集建立的合成數(shù)據(jù)集輸入至建立的LSTM 預(yù)測網(wǎng)絡(luò)，對比與分析了管道溫度、壓力和健康狀態(tài)預(yù)測數(shù)據(jù)，結(jié)果發(fā)現(xiàn):①CNN-GAN 算法比原始GAN 能夠生成更加真實(shí)的管道溫度、壓力仿真數(shù)據(jù)集，CNN-GAN 生成的數(shù)據(jù)集有著更貼近真實(shí)數(shù)據(jù)的波動(dòng)和數(shù)值區(qū)間；②建立的管道健康評價(jià)函數(shù)能夠準(zhǔn)確判定溫度、壓力超額定和短期波動(dòng)較大等非正常工況，對指導(dǎo)運(yùn)維人員檢修以及提前預(yù)警具有一定的價(jià)值；③在未來30 步的預(yù)測步長中，不同工況條件下，建立的預(yù)測網(wǎng)絡(luò)最大絕對誤差控制在6%以內(nèi)。