基于时序预测的锅炉受热面积灰监测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115510904A(43)申请公布日2022.12.23(21)申请号202211171614.7(22)申请日2022.09.26(71)申请人天津大学地址300072天津市南开区卫津路92号(72)发明人王赫阳尹珩宇(74)专利代理机构天津市北洋有限责任专利代理事务所12201专利代理师刘同欣(51)Int.Cl.G06K9/00(2022.01)G06K9/62(2022.01)G06N3/04(2006.01)G06N3/08(2006.01)F23J1/00(2006.01)F23J3/00(2006.01)权利要求书2页说明书5页附图2页(54)发明名称基于时序预测的锅炉受热面积灰监测方法(57)摘要本发明公开一种基于时序预测的锅炉受热面积灰监测方法，包括：获取历史运行数据，建立初始数据集；建立换热机理模型，选取需监测的目标受热面，依据运行数据获得受热面的实际吸热量和其理论吸热量，计算得出积灰导致的热量损失比；以热量损失比为预测目标，使用主成分分析法对数据集降维后筛选与所述目标受热面吸热量强烈相关的运行参数为输入特征；构建基于GRU的积灰监测模型，将步骤三获得的输入特征变量作为模型的输入特征，步骤二获得的热量损失比作为输出特征，对数据集进行模型训练获得预测模型并确定吹灰阈值；将实时采集数据导入预测模型中预测热量损失比，比较吹灰阈值和热量损失比，给出吹灰建议。CN115510904ACN115510904A权利要求书1/2页1.基于时序预测的锅炉受热面积灰监测方法，其特征在于，包括：步骤一：从机组现有的DCS系统中获取历史运行数据，建立初始数据集；遍历初始数据集内的数据，对空白缺失项利用线性差值法计算空白数据值，从而将数据补全；然后使用基于高斯分布的检测将异常值剔除；最后使用小波降噪对数据噪声进行处理，从而获得符合标准高斯分布的处理后的数据集；其中，所述初始数据集采集的数据包括受热面烟气侧运行数据和工质侧运行数据；步骤二：基于燃烧、传热原理对上一步处理后的数据集建立换热机理模型，选取锅炉内目标受热面的工质侧运行数据获得受热面的实际吸热量，再结合烟气侧运行数据、结构获得所述目标受热面的理论吸热量；根据该目标受热面的理论吸热量与实际吸热量计算得出所述目标受热面由积灰导致的热量损失比；步骤三：以获得的热量损失比为预测目标，使用主成分分析法对步骤一获得的处理后的数据集正交变换为低维变量的数据系统，变换后筛选与所述目标受热面吸热量强烈相关的运行参数从而确定输入特征变量；步骤四：构建基于门控循环单元GRU的积灰监测模型，将步骤三获得的输入特征变量作为模型的输入特征，步骤二获得的热量损失比作为输出特征，对步骤一获得的处理后的数据集进行模型训练，训练当前信息以及历史时序信息做出当前时刻的输出，从而获得锅炉运行过程中所述目标受热面热损失系数变化趋势的预测模型；步骤五：依据步骤四获得预测模型中的变化趋势图确定吹灰阈值，将吹灰阈值确定在稳定工况下积灰量的峰值位置附近；将实时采集的数据导入步骤四获得的预测模型中预测目标受热面热量损失比，再将吹灰阈值和热量损失比进行比较，如果热量损失比达到吹灰阈值时，认为受热面污染程度高，需要吹灰。2.根据权利要求1所述的基于时序预测的锅炉受热面积灰监测方法，其特征在于，所述受热面烟气侧运行数据包括锅炉负荷、给煤量、一二次风量、尾部烟道出口烟气流速、烟气温度和含氧量；工质侧运行数据包括总给水压力、温度、流量以及受热面进出口工质温度、流量以及压力。3.根据权利要求1所述的基于时序预测的锅炉受热面积灰监测方法，其特征在于，所述步骤三具体包括如下步骤：首先对处理后的数据集进行标准化处理以消除分析过程中由于变量数据间数量级上差异所带来的误差，根据求解出标准化后矩阵X的样本相关系数矩阵R(这里XT表示矩阵的转置，n为矩阵阶数)；进而求解|R‑λIp|＝0计算出不同特征变量的特征值；获得特征值后通过累积计算确定主成分即输入特征，m为主成分个数，p为原矩阵变量个数，λ为特征值；所述输入特征包括煤的灰分、水分以及低位发热量、锅炉负荷、一二次风温、屏式过热器的出口烟气温度及蒸汽参数。4.根据权利要求1所述的基于时序预测的锅炉受热面积灰监测方法，其特征在于，所述步骤四中的积灰监测模型的模型训练过程采用随机梯度下降策略，损失函数使用均方误2CN115510904A权利要求书2/2页差，训练完成后可获得锅炉运行过程中目标受热面热损失系数变化趋势的预测模型。5.根据权利要求1所述的基于时序预测的锅炉受热面积灰监测方法，其特征在于，所述监测方法适用于锅炉内的各个受热面，包括过热器、再热器、省煤器。3CN115510904A说明书1/5页基于时序预测的锅炉受热面积灰监测方法