樊昱晨、周永清等：燃煤锅炉屏式过热器超温预测的数据驱动建模（复述.中国电机工程学报. 2024-09-26）

一、摘要

燃煤锅炉普遍采用空气分级燃烧技术，此举虽可大幅降低NOx生成，但造成炉内火焰中心上移，导致屏式过热器 (屏过)管壁超温严重。此外，调峰运行使锅炉负荷经常性不规则变化，进一步恶化了屏过传热，使爆管泄漏事故频发。为指导锅炉安全可靠运行，提出一种基于遗传算法优化超参数的深度神经网络(GA-DNN)模型，通过构建炉内风煤侧及汽水侧运行参数与屏过30片管屏出口温度之间的映射关联， 对屏过超温进行分析和预测。该模型可实现对不同负荷工况下屏过温度分布的准确预测，在此基础上能够以97.5%以上的准确率识别出当前及未来5分钟屏过超温(>550℃)的运行工况，同时可在89.2%的准确率下预测出未来 5 分钟屏过超温最严重的管屏所在区域。

二、引言

为了响应国家对NOx排放的限制政策，燃煤锅炉普遍采用空气分级燃烧技术，通过调整锅炉配风方式，限制煤粉燃烧初期的氧量，进而达到抑制NOx 生成的目的。但分级燃烧造成燃料燃烧放热推迟，使高温火焰位置整体上移，导致炉膛主燃区换热量减少，上炉膛换热量增加，进而造成位于炉膛上部的屏式过热器(屏过)频繁超温。另外，由于近年来可再生能源发电装机容量迅速增长，燃煤机组需进行常态化的调峰运行以维持电网稳定，这种非周期性的负荷快速变化使得锅炉运行参数偏离最佳设计工况，炉内燃烧稳定性变差，进一步加剧了屏过管壁超温。据报道，由屏过超温爆管等事故所造成的燃煤机组非计划性停运时间占到了总体非计划性停运时间的40%，为电厂的运行带来了巨大的安全隐患，严重影响电厂的经济效益。

燃煤锅炉亟需一种可对屏过受热面超温进行分析和预测的方法，保证机组运行的安全性。然而，锅炉系统庞大复杂，众多运行参数间具有高度复杂的非线性关系，尽管系统在运行过程中积累了大量的运行数据，但难以通过常规方法挖掘运行参数与受热面温度分布之间的关联，并据此通过调整运行参数，缓减锅炉受热面超温。随着人工智能的飞速发展，基于数据统计分析的机器学习方法为防控锅炉受热面超温爆管提供了一个新的技术发展方向。

机器学习方法通过数据驱动的方式，构建多维锅炉参数之间的非线性映射关联，进而实现对锅炉受热面壁温的预测。

现有研究大多通过在受热面局部位置布置温度测点，基于锅炉运行数据及温度测量数据，构建壁温预测模型。但这些壁温预测模型仅实现了 对受热面局部壁温的预测，并没有对受热面整体的超温运行状态进行分析和预测。屏式过热器作为锅炉中的辐射受热面，长期处于高温运行环境，在各负荷运行工况下，超温管屏所在位置是难以预知的， 因此有必要对屏过受热面整体的超温运行状态进行预测，而现有研究尚未对此进行有效的建模。

综上所述，以某墙式对冲燃烧锅炉为研究对象，在屏过30 片管屏出口布置温度测点，这些温度测量值直接反映了屏过沿管程的传热分布情况，以及管屏之间由热偏差引起的温度分布差异，因而可以反映屏过受热面整体的超温运行状态。依据锅炉DCS 运行数据以及屏过出口温度数据，构建屏过超温预测模型。

首先，结合锅炉运行经验与Pearson 相 关性分析，筛选出影响屏过温度的关键特征参数。

其次，构建深度神经网络(DNN) 模型，挖掘特征参数对屏过温度的影响规律。考虑到 DNN 模型的预测精度主要受超参数选取的影响， 使用遗传算法(GA)对 DNN 模型的超参数进行优化(GA-DNN)。

最后，基于GA-DNN 模型对不同负荷工况下屏过30片管屏出口的温度分布进行预测，并测试模型对当前及未来5 分钟屏过超温运行工况识别的准确率。针对超温运行工况，进一步探讨模型对超温最严重管屏所在区域的预测准确度。

三、数据采集及预处理

3.1数据采集

本文研究对象为某600MW 墙式对冲燃烧锅炉，几何模型如图1 所示。锅炉的宽×深×高为22.19m ×15.63m×59.75m，前后墙分别布置 3 层、共30只低NOx旋流燃烧器。燃烧器上方布置二层燃尽风喷口(SOFA)。屏式过热器布置在炉膛上部，顺流布置，沿炉宽方向共30 片管屏，管屏间距 690mm。每片管屏由 28 根管并联弯制而成，管外径 38mm。

由于管壁超温爆管的准确位置很难预知，若在全部840(30×28)根管布置热电偶进行监测，热电偶数量过多，成本难以承受。根据前人已有的经验以及理论研究，在屏过共148根管的出口位置布置了热电偶，热电偶布置如图 2中实心点所示。所有热电偶都安装在炉顶上方的管壁外表面，此处管外的局部烟气热通量为0。由于屏过出口的蒸汽温度受屏过管壁吸热的直接影响，这些温度测量值直接反映了屏过沿管程的传热分布情况，以及管屏之间由热偏差引起的温度分布差异，因而可以反映屏过受热面整体的超温运行状态。

考虑到每个管屏中最外侧#1管的管长最长，吸热面积最大，且直接面对炉膛的高温火焰，与其它管相比具有更高的超温危险。因此，本文选取屏过 30 片管屏#1 管出口温度作为模型的预测目标，对屏过受热面的超温运行状态进行分析和预测。

选取锅炉DCS 每 5 分钟间隔共 20000组运行数据作为样本集，其中每组样本包括锅炉屏过30片 管屏#1管出口温度值，以及93个锅炉主要运行参数，如机组负荷、总给煤量、燃烧器与燃尽风风门 开度等。图 3 展示了机组负荷与#18 管屏#1 管出口温度的变化趋势，可以看出机组大部分时间处于调峰运行状态，负荷变化范围基本在250~650MW 之 间，在此运行期间#18 管屏#1 管出口温度在 550℃ 上下波动，超温较为严重。

3.2 数据清洗与特征提取

从锅炉DCS 采集的原始数据集中，存在由于传感器故障导致的空值和异常值，基于四分位距法对其进行识别，并采用相邻正常数据的均值替代。锅炉运行参数集包含93 组参数，但只有部分参数与屏过出口温度紧密相关，低相关及冗余变量的存在将降低模型的预测精度。

本节基于锅炉原理与统计分析，获得影响屏过出口温度的关键特征参数集。

研究对象锅炉采用空气分级燃烧技术，通过限制煤粉燃烧初期的氧量，达到抑制NOx生成的目的。但分级燃烧造成炉膛主燃区换热量减少，在总换热量一定的前提下，导致上炉膛换热量增加，造成屏式过热器超温。在此过程中，风煤侧参数随机组负荷变化的调整直接影响了煤粉在炉内的燃烧与传热分布。特别是分级燃烧造成屏过换热量增加，导致工质温度发生变化，为维持主蒸汽温度稳定，过热器减温水量往往需根据风煤侧参数进行调整。因此屏过出口温度主要受机组负荷、风煤侧参数以及减温水流量等汽水侧参数的影响，而屏过下游受热面的参数，如再热器入口蒸汽温度、再热器减温水量等，属于不相关变量，予以剔除。

基于锅炉运行经验，筛选出影响屏过出口温度的48组锅炉特征参数。基于 Pearson 相关性分析，发现在这些特征参数之间存在高度相关的冗余变量，即机组负荷、主给水流量、主蒸汽流量、省煤器给水流量、总风量以及总给煤量。这些变量之间的相关系数均在0.97 以上，冗余变量的存在将增加神经网络模型的训练复杂度。为简化特征变量集，提高模型的预测精度，本研究在这些冗余变量之间仅保留总风量和总给煤量至模型输入集。通过剔除不相关变量及冗余变量，最终获得如表1 所示的风侧、煤粉侧及汽水侧共 44 组影响屏过出口温度的关键特征参数。

3.3 数据划分及归一化

本研究将20000组样本数据按 8:1:1 的比例进行划分，其中 16000 组数据作为训练集，2000 组数据作为模型超参数优化的验证集，2000 组数据作为测试集。由于样本集中各个变量之间的数量级相差 很大，如直接作为训练样本输入神经网络模型，将大幅降低模型训练的稳定性。因此对样本集进行归一化处理，将每组变量的取值限制在[0, 1]区间。

四、 GA-DNN 预测模型

图4展示了锅炉屏式过热器超温预测的数据驱动建模流程，其中数据采集、数据准备和数据划分部分已经介绍。在对数据样本集进行预处理之后，本文基于Python 编程语言，在 TensorFlow 平台上进行壁温预测模型的搭建。首先，构建深度神经网络(DNN)模型，建立锅炉特征参数与屏过出口温度之间的映射关联。其次，基于遗传算法对 DNN模型的超参数进行优化，以此提高模型的预测精度。

4.1 模型超参数优化

在构建神经网络模型的过程中，优化器的选取、网络层数、各层神经元数量、批尺寸大小以及学习率这些超参数的设置很大程度上影响着模型的预测性能。本研究在验证集的基础上，使用遗传算法对这些超参数的选取进行优化。优化流程如图6 所示，优化器选取范围为[SGD, RMSProp, Adam, Nadam] ，网络层数的设置范围为[1~8]，各层神经元数量的设置范围为[10~200]，批尺寸范围为[32, 64, 128, 256]，SGD 优化器的学习率设置范围为 [0.01, 0.1, 0.2, 0.3, 0.4]，其他优化器的学习率设置范围为[0.0001, 0.001, 0.002, 0.01, 0.1]。 为避免超参数组合数量过大而使算法陷入局部最优，本研究将网络层数优化范围分成[1~4]和[5~8]两组工况，在每组工况下分别对 SGD, RMSProp, Adam, Nadam 四个优化器设置下的剩余超参数进行优化。

在优化过程中，首先随机选择20 组超参数组合，作为初始种群个体，通过构建神经网络预测模型，计算个体适应度(1/验证集平均 MAPE)，对种群中 20组个体进行重要性排序。然后基于轮盘赌原理，在交叉率为 0.9，变异率为 0.2 的前提下，对各超参数组合进行更新，生成新种群。

经过迭代，模型根据优胜劣汰的原则，最终可筛选出适应度最大的个体，即屏过30片管屏出口温度预测误差最小的模型超参数组合。

基于遗传算法迭代计算，两组工况下各优化器的最佳超参数组合如表2 所示，经对比，最终选取工况1中优化器为Nadam的超参数组合，隐藏层层数为4，各层神经元数量分别为174、120、156、189，学习率为 0.0001，批尺寸为 32。

在该超参数组合设置下，预测模型(GA-DNN)对屏过30片管屏出口温度的预测误差达到最低，验证集平均MAPE为 0.670%。在对模型超参数进行优化之后，本文进一步探讨 GA-DNN 模型在测试集上对屏过温度分布及超温区域预测的准确度。

五、结果与讨论

5.1 屏过管壁温度分布预测

图7 展示了测试样本中 350~600MW 负荷运行工况下，GA-DNN 模型对当前时刻锅炉屏过30片管屏出口温度的预测结果。其中机组负荷为350MW、505MW、560MW 以及600MW 的预测工况是在测试集中负荷变化较稳定的区间上选取的，而在升负荷和降负荷运行下的预测工况是在锅炉调峰运行期间选取的。根据现场运行调试经验，当屏过出口温度超过550℃时，屏过受热面管壁超温爆管的风险很大。可以看到机组在 350MW 负荷下，屏过出口温度普遍较高，最高温度甚至超过580℃， 意味着屏过受热面管壁处于严重超温状态。机组在低负荷运行下屏过超温严重是因为当负荷降低时，屏过受热面的辐射吸热量和管内工质流量同时减少，但由于管壁辐射吸热量的减小幅度低于管内工质流量的减小幅度，管内工质流动对管壁的冷却作用发生恶化，导致锅炉在低负荷运行下屏过管壁超温相比于高负荷运行下更加严重。此外，由于近年来可再生能源发电装机容量迅速增长，燃煤机组需进行常态化的调峰运行以维持电网稳定。这种非周 期性的负荷快速变化使得锅炉运行参数偏离最佳设计工况，炉内燃烧稳定性变差，炉内烟气流动与温度分布状态更加复杂，进而加剧了屏过管壁超温。 如图 7 所示，在锅炉升负荷和降负荷运行工况下， 屏过部分管屏出口温度严重超温。预测结果表明， GA-DNN 模型在屏过超温较严重的低负荷和变负荷运行下均可准确预测超温管屏的温度分布，测试集 MAPE 误差维持在 0.7%以下。另外，在高负荷运行下(560MW, 600MW)，屏过出口温度分布较低，但部分管屏仍有超温风险，此时 GA-DNN模型依然可以准确预测屏过管屏之间的温度分布。

图8展示了在训练集和测试集上，屏过温度的模型预测值与实测值之间的线性相关性水平，其中训练集平均相关系数(R)为 0.951，测试集为 0.914。同时模型在测试集上预测的平均绝对百分比误差(MAPE)为 0.664%，表明模型的预测性能良好。

5.2 屏过超温工况识别及超温区域预测

上文研究表明，GA-DNN 模型可实现对锅炉不同负荷运行下屏过 30 片管屏出口温度分布的准确预测。然而，在锅炉实际运行中，运行维护人员更加关注在不同负荷下，屏式过热器是否超温，以及超温爆管风险最大的管屏所在区域，据此调整锅炉运行方案，从而预防管壁局部持续超温。基于此，本文进一步讨论GA-DNN 模型在识别屏过超温工况及预测超温最严重管屏所在区域这两方面上的性能。

根据现场运行调试经验，当管屏出口温度超过550℃时，意味着该管屏内由于热偏差等因素的影响，传热分布恶化，管壁超温爆管的风险很大。因此本研究将超温阈值设置为550℃，当 30 片管屏出口最高温度超过此阈值时，此时的运行工况被定义为超温工况。试验结果表明，GA-DNN 模型在训练 集和测试集上可分别以 98.6%，98%的准确率识别出当前屏过超温的运行工况。

在此基础上，进一步研究GA-DNN 模型对屏过超温最严重管屏所在区域的预测性能。从图9可以看出模型在多数工况下可准确预测出当前超温最严重的管屏所在位置(即出口温度最高的管屏所在位置)，而在少数工况下，预测位置略有偏差。

在锅炉运行中，屏过管壁超温往往发生在某一范围内的若干管屏之间，在温度最高管屏的周围几片管屏都存在超温爆管风险，因此模型对屏过超温区域预测的精确度可以略微降低。由表3可知，模型可在 74.6%的精度下准确无误地预测出超温最严重管屏所在位置，而在工程误差允许的范围内，随预测偏差的增大，模型对超温区域的预测准确率可 以得到很大提升，当预测偏差在±2 以内时，GADNN 模型可在92.8%的准确率下预测出当前时刻屏过超温最严重的管屏区域，这样的准确率足以为电厂的生产运行提供保障。

5.3 未来 5 分钟的屏过超温预测

上述研究讨论了GA-DNN 模型对当前时刻屏过温度分布以及超温区域的预测准确度。本研究进一步探讨模型对未来5分钟屏过超温的预测性能。 经训练之后，模型在测试集上的预测误差如图10所示，表明模型对未来5 分钟屏过温度的预测误差相比于当前时刻偏大，但仍表现出较好的预测性能，平均 MAPE为 0.751%。

模型对当前时刻和未来5分钟屏过超温工况识别及超温区域预测的准确率，能够以 97.5%以上的准确率识别出当前和未来5分钟屏过超温(>550℃)的运行工况，同时，在工程误差允许的范围内，模型可以89.2%的准确率预测出未来5分钟屏过超温最严重的管屏所在区域。

五、模型对比

为了验证GA-DNN 模型在锅炉屏过超温预测方面的有效性和适用性，将该模型对未来5分钟屏过超温的预测精度与支持向量回归(SVR)，极致梯度提升(XGBoost) 以及极限学习机 (ELM)这3种常用的机器学习模型的预测精度进行对比。

模型预测精度对比如表5所示，可以看到SVR 和XGBoost模型的预测精度相对较低，这是因为模型计算复杂度高，难以处理像锅炉数据这样的非线性大规模数据集。

ELM作为一种单隐藏层神经网络，难以提取锅炉运行参数之间复杂的非线性特征。相比之下，GA-DNN 模型在锅炉屏过温度预测，超温工况识别以及超温区域的预测方面均表现出最高的预测精度。一方面是因为 DNN 模型采用了多层隐藏层神经网络结构，在处理复杂非线性锅炉运行数据上具有优势。另一方面，遗传算法被用于优化 DNN 模型的超参数，极大提高了DNN 模型的预测性能。对比结果表明，提出的GA-DNN 模型在锅炉屏过超温预测方面是有效且适用的。

七、结论

本研究提出了一种基于遗传算法优化超参数的深度神经网络(GA-DNN)模型，对某600MW 墙式对冲燃烧锅炉的屏式过热器超温进行了预测，具体研究结果如下：

基于锅炉运行经验及Pearson 相关性分析，获得与屏过出口温度相关联的风侧、煤侧以及汽水侧特征参数集。

构建GA-DNN模型，建立特征参数与屏过30片管屏出口温度之间的映射关联，进而对屏过受热面的超温运行状态进行识别和预测。

研究表明GA-DNN 模型在锅炉各负荷运行工况下均可准确预测管屏温度分布。

此外，该模型可以97.5% 以上的准确率识别出当前和未来5分钟屏过有超温风险的运行工况，同时以89.2%的准确率预测出未来 5 分钟屏过超温最严重管屏所在区域。

该模型的预测准确度可为电厂的生产运行提供保障。运维人员根据预训练模型，可实时获取未来5分钟内屏过超温预警以及超温最严重管屏所在区域的提示信息，进而采取相应的措施，调整炉内燃烧方式，减少超温管屏的吸热量，即可大幅降低因管壁局部持续超温而造成的爆管事故的概率，大幅提高电厂的安全性与经济性。