本发明涉及电站锅炉燃烧的自动控制领域,具体涉及一种电站锅炉壁温预测神经网络模型。
背景技术:
超(超)临界机组锅炉具有大容量、高参数特点,具有较高的发电效率,从而可以降低燃煤消耗量,同时能够降低污染物的生成,因此得到了迅速的发展。目前,我国投产的超(超)临界机组已经超过百台。然而,超(超)临界机组爆管问题时有发生,严重影响了超(超)临界机组的运行安全。研究表明,长时间超温运行、氧化皮堵塞、吹灰不当、烟气腐蚀等都会引起锅炉爆管,其中长时间超温运行是引起锅炉管壁超温的重要原因。
为了应对上述超温问题,首先要实现对壁温的测量和预测。
目前,壁温的测量主要从两方面入手。一是现场直接测量,即通过在锅炉管壁安装热电偶来实现壁温测量。该方法对测点周围的环境要求较高,而炉内环境往往较恶劣,对测量的精度和准确性有一定的影响。该方法只能够测得一点的温度,因此电厂普遍增设大量的壁温测点,以实现对壁温的全面监测。另外一种方法是通过软测量的方式进行计算,即通过机理分析等方法建立壁温预测模型对壁温进行预测。比如国内常见的有1973年热力计算标准《锅炉机组热力计算标准方法》进行管壁温度计算,但是该计算方法复杂,需要的参数较多,且模型不同条件下需要不断修正,因此不符合在线计算的要求。此外,基于人工神经网络的的壁温预测方法也得到了一定的研究。在对有关数据进行处理并分析影响壁温因素基础上,采用bp神经网络和rbf神经网络对锅炉管壁温度进行预测,所得结果证明该方法有一定的准确度,可以用来预测壁温。但是上述研究只考虑了外部因素对壁温的影响,没有考虑到壁温的历史数据本身的影响,也没有实现壁温的动态超前预测。
综上所述,现有的壁温超温应对措施,主要是增设大量壁温测点来加强对壁温的监测。当超温发生后,运行人员获得报警信息,从而进行人工处置,仅能实现超温发生后再进行处理,有一定的滞后性。通过软测量的方式对壁温进行计算,计算所得结果有一定的的准确性,但是没有实现壁温的动态超前预测。
技术实现要素:
为了解决上述现有技术存在的问题,本发明提出一种新的电站锅炉壁温预测神经网络模型,在分析影响壁温外部因素的基础上,同时考虑壁温的历史数据对壁温本身的影响,能够缩短模型训练时间,提高计算效率,从而能够更好的实现对壁温的预测;其次,可以实现对壁温超前动态预测,为运行人员对超温进行处置提供了时间。
为了实现上述目的,本发明采用以下技术方案:
一种电站锅炉壁温预测神经网络模型,由输入层、隐含层和输出层构成,
所述输入层由两部分构成,分别为影响壁温的外部影响因素以及需预测壁温的历史数据;所述隐含层的节点个数由公式
所述输出层与输入层之间的关系可以用下式来表示:
z(t)=f(x(t-1),…,x(t-p),y(t-1),…,y(t-q))
其中,x(t)表示的是神经网络的输入层中影响壁温的外部影响因素部分的历史数据;y(t)表示的是神经网络的输入层中需预测壁温的壁温历史数据;z(t)表示的是神经网络的预测输出,即需预测的壁温温度;p表示神经网络输入层中影响壁温外部影响因素的延迟阶数,q表示神经网络输入层中壁温历史数据的延迟阶数,每个延迟阶数对应的时间长度为一个采样周期。
所述影响壁温的外部影响因素包括主蒸汽流量、主蒸汽温度、一次风量、二次风量、燃尽风量、总煤量和总风量,上述影响壁温的七个因素作为神经网络模型输入层壁温外部影响因素部分的输入。
同时选择需预测壁温的历史数据作为神经网络模型输入层壁温历史数据部分的输入,与壁温外部影响因素并行作为输入层的输入,既考虑了影响壁温的外部因素,同时考虑了壁温历史数据对壁温本身的影响。
所述通过遗传算法确定隐含层权值,即通过选择、交叉、变异操作来寻找最优适应度对应个体,从而确定隐含层最佳权值。
输出层为需预测壁温温度,从而利用影响壁温的外部影响因素以及需预测壁温的历史数据,实现对壁温的超前动态预测。
采用以上结构的神经网络相比现有技术的神经网络具有以下优势:
首先,采用该神经网络,既考虑了外部影响因素对壁温的影响,又考虑壁温历史数据对壁温的影响。并采用遗传算法确定神经网络的隐含层权值,能够缩短模型训练时间,提高计算效率,从而能够更好的实现对壁温的预测。其次,可以实现对壁温超前动态预测,为运行人员对超温进行处置提供了时间。
附图说明
图1为本发明电站锅炉壁温预测神经网络模型结构图。
图2为本发明电站锅炉壁温预测神经网络模型预测效果误差图。
具体实施方式
下面结合附图和具体实施例对本发明作更详细的说明。
如图1所示,本发明一种电站锅炉壁温预测神经网络模型,由输入层、隐含层和输出层构成。输入层由两部分构成,分别为影响壁温的外部影响因素以及需预测壁温的历史数据;所述隐含层的节点个数由公式
输出层与输入层之间的关系可以用下式来表示:
z(t)=f(x(t-1),…,x(t-p),y(t-1),…,y(t-q))
其中,x(t)表示的是神经网络的输入层中影响壁温的外部影响因素部分的历史数据;y(t)表示的是神经网络的输入层中需预测壁温的壁温历史数据;z(t)表示的是神经网络的预测输出,即需预测的壁温温度;p表示神经网络输入层中影响壁温外部影响因素的延迟阶数,q表示神经网络输入层中壁温历史数据的延迟阶数,每个延迟阶数对应的时间长度为一个采样周期。
影响壁温的外部影响因素包括主蒸汽流量、主蒸汽温度、一次风量、二次风量、燃尽风量、总煤量和总风量,上述影响壁温的因素作为神经网络模型输入层外部影响因素部分的输入。
同时选择需预测壁温的历史数据作为神经网络模型输入层壁温历史数据部分的输入,与外部影响因素并行作为输入层的输入,既考虑了影响壁温的外部因素,同时考虑了壁温历史数据对壁温本身的影响。
通过遗传算法确定隐含层权值,即通过选择、交叉、变异操作来寻找最优适应度对应个体,从而隐含层确定最佳权值。
输出层为需预测壁温温度,从而利用影响壁温的外部影响因素以及需预测壁温的历史数据,实现对壁温的超前动态预测。
实施例
某电厂660mw机组,锅炉为超临界变压直流本生型锅炉,采用单炉膛,一次中间再热,尾部双烟道结构。综合分析某点的屏过温度影响因素包括主蒸汽流量、主蒸汽温度、一次风量、二次风量、燃尽风量、总煤量和总风量,上述影响壁温的因素作为神经网络模型输入层外部影响因素部分的输入。延迟阶数p和q均选择为3,即神经网络输入层中影响壁温外部影响因素部分历史数据的延迟阶数为3,神经网络输入层中壁温历史数据的延迟阶数为3。输入层包含8个节点,其中包括7个外部影响因素部分的历史数据和1个壁温历史数据节点,每个节点包含上述3个阶数的历史数据;输出层节点个数为1,即需预测壁温温度;隐含层的节点个数由公式