一种燃煤电站锅炉积灰预测方法技术

本发明专利技术公开了一种燃煤电站锅炉积灰预测方法，所述方法包括第一步，建立清洁因子数据集，并采用小波分析与阈值函数相结合的去噪方法对数据预处理，其在去除噪声的前提下最大程度地保留积灰趋势；第二步，对于清洁因子序列的分析，利用分解算法作为特征提取部分，将融合有各类的特征的时间序列分解为高频和低频；第三步，通过降维算法完成预测模型的输入重构，最大化保留信息量的同时减少输入个数，并与深度学习模型相结合完成积灰高精度预测任务。务。务。

【技术实现步骤摘要】
一种燃煤电站锅炉积灰预测方法


[0001]本专利技术涉及燃煤电站锅炉受热面积灰预测的
，具体涉及一种燃煤电站锅炉积灰预测方法。

技术介绍

[0002]锅炉作为燃煤电站运行的基础，随着仪表化、智能化的发展，已经基本达到了令人满意的发电效率。但是，如果锅炉的参数和功率较大，就会出现这种情况：煤粉在几千度的高温下燃烧后，高温烟气中的灰污超过熔点而呈熔融状态，熔化的灰污随着高温烟气流经各个受热面而引起积灰，由于灰垢结渣的热阻远大于金属受热面的热阻，工质侧的工质将需要提供更多的原煤以满足所需的温度要求。此外，受热面积灰会引起换热器运行效率降低、受热面和金属管道腐蚀、机组整体停运等一系列问题。由于受热面吸热不良，锅炉出口烟气温度较高，降低了烟气脱硫效率。所以为了提高锅炉的经济性和安全性最直接的方法就是提高锅炉内各个器件的受热面传热效率，保证燃烧煤粉所产生的热量可以最大化地传送给工质侧。
[0003]吹灰作为现阶段保持受热表面健康的有效方法，其是通过高温蒸汽等介质对换热器表面进行清洁。目前，世界各地的许多火力发电站都采用定时、固定运行过程的吹灰方式。这种吹灰方式存在以下隐患：如果吹灰不及时(欠吹灰)，则会导致受热区积灰情况恶化，传热效率进一步降低，并伴随有发生重大安全事故的可能；如果吹灰频率过高(过吹灰)，则不仅会造成用于吹灰的高温高压蒸汽的浪费，还会造成受热面和管道的腐蚀。长期过吹灰会大大缩短电站设备的使用寿命，同时也带来能源利用和安全运行的潜在问题。
[0004]燃煤电站的整体发电方式为煤炭的化学能到热能，即为火电转换。锅炉炉膛中煤粉被充分燃烧后产生的热量将会使得受热面的工质侧的水变为水蒸气。其次就是将热量转换为机械能量，而高温蒸气也可以带动汽轮机的运行，使机械能量转化为电能。而将机械能量转换为电能的过程可以通过利用汽轮机的带动风机运转。最终机械能转化为电能的任务是汽轮机的带动电机转动而完成的。在热水蒸气的环节中传导热能的重要器件就是各类锅炉的金属受热面。燃煤电站在用料选取时，煤质含灰量最少一般也有20％,这些灰分在高温熔化后成为灰污，将可能以固态的形式粘黏在受热面上，或者以飞灰的形式沉积在管道里。由于灰污的传热效率相较于金属受热面会低很多，所以灰污的沉积必然会使得受热面传热能力下降，工质侧的温度上升缓慢(上升相同的温度需要投入更多的煤量)，造成锅炉整体经济性下降。
[0005]预测受热面未来积灰状况是另一项重要任务。大量研究表明，受热区积灰本质上是一个时间序列预测任务。Shi等人利用不同时间的增量分布(以污染率作为健康因子)，并与初始积灰状态相结合来预测受热面清洁状况。Li等人将历史污染率数据分解为拟合曲线和原始数据与拟合曲线的差异两部分，然后结合实时污染率数据建立预测模型。该方法不需要额外的特殊仪器或复杂的计算系统。传统的神经网络算法在多因素耦合的积灰预测任务中难以实现中长期预测。在深度学习引爆之际，由于其固有的深度特征提取能力，这类算
法已经开始在受热面积灰时间序列预测崭露头角。事实上，目前的研究大多是基于传感器、软测量。但是，如果这两种方法中的任何一种仅是以在线监测和短期预测为基础，那么在实际工程应用中还是存在很大的局限性。所以建立的积灰预测模型仍然需要进一步的研究改善与开发。

技术实现思路

[0006]鉴于现有技术的不足，本专利技术旨在于提供一种燃煤电站锅炉积灰预测方法，具体的说，本专利技术的重点在于：
[0007]1、在建立反映受热面积灰状况的健康因子的基础上，完成受热面全天健康状况变化数据集的构建。之后，提取各种受热面数据集的积灰段并进行去噪处理。
[0008]2、在深度学习模型的特征提取和输入重构部分，釆用EMD的改进模型CEEMDAN,完成去噪后的积灰段的多尺度分析，其分解为整体劣化分量和多个高频分量。此外，为了解决分解后的特征冗余和运算效率问题，采用KPCA算法完成输入重构。
[0009]3、改进了传统滑动窗口在学习CF值方面效率低、能力差等缺点，提出了自适应滑动窗口方法，结合基于注意力机制的编码解码器模型完成对重构输入各分量的准确预测。
[0010]4、综合所有预测结果，完成最终的受热面健康状况预测任务。
[0011]为了实现上述目的，本专利技术采用的技术方案如下：
[0012]一种燃煤电站锅炉积灰预测方法，所述方法包括：
[0013]第一步，建立清洁因子数据集，并采用小波分析与阈值函数相结合的去噪方法对数据预处理，其在去除噪声的前提下最大程度地保留积灰趋势；
[0014]第二步，对于清洁因子序列的分析，利用分解算法作为特征提取部分，将融合有各类的特征的时间序列分解为高频和低频；
[0015]第三步，通过降维算法完成预测模型的输入重构，最大化保留信息量的同时减少输入个数，并与深度学习模型相结合完成积灰高精度预测任务。
[0016]需要说明的是通过锅炉DCS系统实时采集得到计算清洁因子的参数，利用基本热力学公式与获得参数建立清洁因子。
[0017]需要说明的是，以Daubechies小波为基函数，小波分解层数为6,软阈值用于量化小波系数；去噪后的清洁因子数据集保留着非线性和非平稳性，作为一个多特征融合信号。
[0018]需要说明的是，所述分解算法包括EMD和CEEMDAN，其中，经在CEEMDAN算法中，噪声权重和加入噪声的次数分别设置为100和ON*。
[0019]需要说明的是，还包括利用滑动窗口进行时间序列预测，其中，在预测算法框架中插入了一个自适应宽度的滑动窗口，随着滑动窗口向前移动，窗口的长度将被重新计算；当窗口宽度较小时，窄窗口数据训练的深度学习模型可以轻松捕捉到CF的突变，而宽窗口更容易覆盖整个受热面的健康状况的退化趋势；窗口的大小取决于受热面健康状况的近期变化。当健康状况发生显着变化时，窗口大小会急剧缩小，反之亦然；自适应窗口调整的策略为：
[0020][0021]其中，VS
i
和DS
i
分别表示第i个(i>1,为整数)数据点的均值波动和差异波动；Z
i
表示第i个数据段，Z表示本次计算新窗口大小所需的所有数据序列；var和std分别代表计算序列的方差和标准差；定义变量Dif
i
人来表征最近的数据变化。
[0022]需要说明的是，还包括使用深度特征提取和深度学习模型结合的积灰预测，其中，深度特征提取为KPCA用于对分解后的特征进行降维和深度提取，以完成具有高级抽象特征的输入重构。
[0023]本专利技术有益效果在于：
[0024]首先，建立清洁因子数据集，其次为了减少序列所存在的噪声，采用小波分析与阈值去噪结合的算法作为数据预处理方案，其在去除噪声的前提下最大程度地保留积灰趋势，为积灰预测打下坚实的基础。
[0025]其次，对于清洁因子序列的分析，本专利技术利用降维算法完成预测模型的输入重构，最大化保留信息量的同时减少输入个数，其与深度学习模型相结合完成了积灰高精度任务。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种燃煤电站锅炉积灰预测方法，其特征在于，所述方法包括：第一步，建立清洁因子数据集，并采用小波分析与阈值函数相结合的去噪方法对数据预处理，其在去除噪声的前提下最大程度地保留积灰趋势；第二步，对于清洁因子序列的分析，利用分解算法作为特征提取部分，将融合有各类的特征的时间序列分解为高频和低频；第三步，通过降维算法完成预测模型的输入重构，最大化保留信息量的同时减少输入个数，并与深度学习模型相结合完成积灰高精度预测任务。2.根据权利要求1所述的燃煤电站锅炉积灰预测方法，其特征在于，通过锅炉DCS系统实时采集得到计算清洁因子的参数，利用基本热力学公式与获得参数建立清洁因子。3.根据权利要求1所述的燃煤电站锅炉积灰预测方法，其特征在于，以Daubechies小波为基函数，小波分解层数为6,软阈值用于量化小波系数；去噪后的清洁因子数据集保留着非线性和非平稳性，作为一个多特征融合信号。4.根据权利要求1所述的燃煤电站锅炉积灰预测方法，其特征在于，所述分解算法包括EMD和CEEMDAN，其中，经在CEEMDAN算法中，噪声权重和加入噪声的次数分别设置为100和ON*。5.根据权利要求1所述的燃煤电...

【专利技术属性】
技术研发人员：于海洋，郭滔，于全波，秦春营，吴崛起，张建风，李宁，刘广阔，
申请(专利权)人：国能浙能宁东发电有限公司，
类型：发明
国别省市：