刘月正+朱洪伟+焦玉刚
摘 要：由于电站锅炉受热管壁长期处于高温状态，当其温度超过所用钢材的许用温度或因长期高温发生蠕变，便会引发各种运行事故。本设计以府谷某电HG-2070/17.5-YM9型亚临界锅炉的末级过热器第22屏#3管壁为研究对象，提出了采用BP神经网络和改进粒子群（PSO）算法优化神经网络对末级过热器#3管壁温度进行预测的方法。首先采用小波阈值去噪方法处理锅炉影响壁温的相关数据，得到处理后的训练样本；然后建立BP神经网络模型预测#3管壁温；最后利用PSO算法对BP神经网络初始参数的选取进行优化。该算法加入了导向算子和激发因子，使网络的训练速度加快、训练精度提高。结果表明：利用小波阈值去噪方法处理锅炉受热壁温度数据可以降低受干扰的数据误差，有效地提高了壁温预测的准确性；另外，较BP神经网络方法，改进粒子群神经网络模型用于壁温预测的稳定性较好，精度高。
关键词：亚临界锅炉；末级过热器；BP神经网络；阈值去噪；PSO算法
中图分类号：TK223.6 文献标志码：A 文章编号：2095-2945（2017）31-0014-04
引言
近年来，锅炉机组参数的进一步提高，“四管”超温爆管现象时常发生。金属材料在高温与低载荷的长期作用下因蠕变损伤而断裂的行为，是火力发电厂高温部件失效主要原因，如高温过热器管和高温再热器管等因长期超温运行而泄漏爆破。如果设备停机维修，其经济损失是相当大的，包括事后的机组冷态启动所耗油费、修复所用材料费与人工劳动费，设备可用率降低等一系列损失[1]。
电站锅炉有受热面与烟气通道两大部分。各受热面包括省煤器、水冷壁、过热器及再热器等以及通流分离器件，如联箱、汽包（汽水分离器）等；烟气通道包括炉膛、水平烟道及尾部烟道等[1]。其中过热器是利用炉膛辐射热能和烟气对流热能加热过热器系统内饱和蒸汽，以提高蒸汽压力、温度，降低烟气温度的热交换设备，由五个主要部分组成：末级过热器、过热器后屏、过热器分隔屏、立式低温过热器和水平低温过热器、顶棚过热器和后烟道包墙系统[2]。
陕西府谷某发电厂HG-2070/17.5-YM9锅炉是由哈尔滨锅炉厂股份有限公司所制造。经统计，其中末级过热器超温次数相对较多。600MW燃煤发电机组，锅炉为亚临界参数、控制循环、四角切向燃烧方式、一次中间再热、单炉膛平衡通风、固态排渣、紧身封闭、全钢构架的型汽包炉。锅炉以最大连续负荷（B-MCR）工况为设计参数，最大连续蒸发2070T/H，过热器、再热器蒸汽出口温度为541℃，给水温度283.5℃。其中，末级过热器位于后水冷壁排管后方的水平烟道内，共96片，管径为Φ57mm，以190mm的横向节距沿整个炉宽方向布置。
本次设计以该电厂末级过热器第22屏#3管壁为研究对象，提出了采用PSO算法优化神经网络对末级过热器管壁温度进行预测的方法。仿真实验表明，改进PSO算法优化神经网络模型的诊断稳定性较好，与传统的小波神经网络相比，精度有很大提高。
1 末级过热器壁温关联数据处理
1.1 末级过热器管壁温影响因素
由于锅炉炉内热负荷分布不均匀引起局部超温可使得管子发生严重变形或爆管；而每一点汽温和壁温的高低受到各种蒸汽流动条件和辐射对流传热条件的影响[3]。在严密传热和水动力基本理论基础上，考虑了实际运行工况的同屏各管间的蒸汽流量偏差、热辐射和对流传热偏差，以及管子阻力系数偏差等多个偏差因素[4]。由传统锅炉管壁温度热力计算方法分析结果得知，影响锅炉壁温的主要因素有烟气侧与蒸汽侧两大因素，具体包括总燃料量、总风量、锅炉机组功率、主蒸汽流量、一次风压、二次风箱与炉膛压差、末级过热器出口蒸汽压力、主蒸汽流量。因此，在建立过热器壁温的模型时，必须考虑这8个影响因素。
1.2 小波去噪原理
由于电站锅炉所处环境影响，如震动、电磁等噪声干扰使数据采集设备可能存在各类传感器故障、数据通信故障等，结果造成采集到的数据存在误差。那幺对于过热器金属管壁温度预测来说，必定降低了壁温建模的合理性和准确性[5]。小波去噪是根据工程中一些实际情况处理信号。通常锅炉系统采集出的原始信号会附加噪声，实际有用的信号一般会是平稳信号，覆盖在低频部分，但噪声一般是高频信号，同时，在小波变换过程中，随着尺度的增加，低频小波系数的幅值衰减很慢，高频小波系数的幅值衰减到几乎为0，因此我们可以根据小波分解以及重构将低频部分信号保留，高频部分适当剔除，进而达到去噪的目的[11]。以小波阈值去噪为例，去噪过程如下进行：
步骤1：对于原始信号，多分辨率实现小波多层分解。
步骤2：确定阈值函数和阈值。
步骤3：阈值去噪。
步骤4：小波逆变换恢复原信号。
以上关键是选取阈值和如何进行阈值的量化，这关系到信号去噪的质量。阈值选取的过小，有可能使噪声小波系数不能全部被置0；若阈值选取的过大，有可能使一部分有用信号小波系数被置0，导致去噪后的信号失真。因此，选择合适的阈值？姿对不同分辨率的小波系数进行阈值处理[6]，阈值量化处理。软、硬值处理方法如下：
小波变换则适用于大部分信号，它针对绝大部分信号的压缩、去噪，检测效果都特别好，对信号做高通滤波保留变化细节，同于对信号做低通滤波保留平滑的形状。
2 改进粒子群算法的研究
BP神经网络的初始值选取关系到网络中的训练算法，所以需要对算法进行改进或者再选择合适的训练算法。本文提出了一种改进PSO算法来代替传统的BP训练算法，用来优化神经网络的各个参数。标准的PSO算法容易陷入局部寻优，以下对其进行两个方面的改进构成本文的改进PSO算法，具体表现如下：
2.1 导向算子？姿
在标准粒子群算法中加入了导向算子？姿可以调节个体的运动方向，同时可以保证粒子种群的多样性。导向算子一般取值区间为（-1，1），是由个体的适应度和种群最优适应度的差值决定，正值表示个体向全局最优方向运动，负值则向背离最优解方向运动，数值越大说明该粒子离全局最优解的位置越远，所以粒子的寻优速度需要越快[8]。加入导算子后的速度如公式（7）所示：
2.2 激发因子
综上所述，加入导向算子和激发因子的粒子群算法解决了容易陷入局部最优、收敛速度慢、局部搜索能力比较的差的缺陷，为进一步优化BP神经网络参数提供了支持。
3 末级过热器壁温预测仿真
3.1 小波阈值去噪用于锅炉数据去噪
电站锅炉机组负荷是影响建模预测末级过热器第22屏#3管壁温度的关键因素之一，而电厂的环境是复杂恶劣的，为提高建模的合理性、准确性，所以有必要对负载功率等8个相关信号进行去噪处理。对原始信号进行多分辨率实现小波多层分解，最终选择分解层数lev为4层，wname分别采用Bior2.4小波进行。小波分解含噪的机组负荷，仿真结果如图1所示。下图是分解后的细节系数为d1-d5，分别代表的是高频信号。
由上图可知，采用小波基Bior2.4时，小波基的高频系数d1到d4幅值随着分解层次的增加而很快的衰减，低频系数变化基本不大，说明在低频分量中不含噪声，这样很有利于去噪处理。另一方面，锅炉机组负荷数据波动性较大，因而选用光滑性较好的Bior2.4小波基比较恰当。
小波分解之后，获取阈值与阈值量化是小波去噪的关键点，它直接影响负载信号去噪效果与信号的恢复程度。在阈值规则选取rigrsure 的同时，为了实现更好去噪，我们对阈值重新调整。通过多次仿真实验，选取了软阈值函数去噪方法，仿真结果如下图2。
由上图去噪效果可知，该方法既可以平滑去噪，又保留了信号的突变处的特征，进而消除外界各种因素产生的噪声对过热器壁温预测过程的影响，保证模型预测结果及定位的准确性，为后面神经网络模型的建立做好准备。
3.2 末级过热器第22屏#3管壁温度预测仿真
本文对电站锅炉末级过热器第22屏#3管壁温度预测。一方面，针对影响末级过热器管壁温度的数据，首先采用小波阈值去噪方法进行去噪处理，得到神经网络的训练样本，作为壁温预测分析的特征向量。这里采用Bior2小波系列中的Bior2.4小波函数，对训练样本原始信号进行了4层分解，选择合适的阈值？姿对不同分辨率的小波系数进行阈值处理[11]。根据选定阈值？姿对各尺度的小波系数进行软处理，得到新的小波系数。再根据分解的低频系数以及阈值量化后的高频系数进行小波重构，最终得到去噪后的模型训练数据。
在以上基础上，建立神经网络模型来预测管壁温度，末级过热器第22屏#3管壁温与锅炉机组功率、主蒸汽流量、总燃料量、总风量、一次风压、二次风箱与炉膛压差、末级过热器出口蒸汽压力、燃尽风量有关，即把这8种属性值作为自变量，第22屏#3管壁温作为因变量。本次设计在200个样本中随机取140个作为训练样本，其余60个做为测试样本，用来优化参数验证、模型预测能力。
将提取的8种属性特征作为BP神经网络的输入，所以输入节点数为8；输出为管壁温度，设有1个输出节点；隐层的节点数经多次仿真比试设为5。则建立的网络拓扑结构神经元个数与层数为8-5-1。改进粒子群的种群规模设置为30，粒子的维数是权值个数与阈值个数之和，所以粒子维数是51，每个粒子代表着网络权值与阈值，通过粒子寻优找到网络最佳的初始权值与阈值。最大迭代数为200，学习因子设为2，个体导向算子初始值设为1，粒子的最大速度为1，适应度函数为网络的误差函数。分别采取采用BP神经网络和改进粒子群小波神经网络进行诊断，对两种算法仿真结果进行对比，测试样本绝对误差如下图3所示：
图3是BP神经网络和改进粒子群网络输出的壁温绝对误差对比图。可以看出，较BP神经网络，改进PSO-BP网络误差低，精度有很明显的提高。仿真表明，用该算法优化神经网络的各个参数，能提高系统的效率，更好地用于预测末级过热器管壁温度。改进PSO算法优化神经网络预测末级过热器管壁温度，仿真结果如下图4。
从图4中可以看出，网络的预测输出近似实际末级过热器第22屏#3管壁壁温值。图5为PSO算法反复迭代200次，仿真出的每代最优个体适应度值。
本次设计的适应度函数是神经网络模型输出均方误差。从图5最优个体适应度曲线可以看出最终得到的最优个体适应度值为0.642，该算法收敛很快，且算法中的变异操作拓展了迭代中不断缩小的种群搜索空间，同时保持了种群的多样性，提高了算法寻最优的可能性。基本BP网络训练速度刚开始较快，但在后期收敛速度慢，大约在迭代33次后误差较大，且容易陷入局部最优点。与BP神经网络相比误差较小，经过20次迭代网络输出的均方误差就达到了0.8。再者，去噪后的样本提高了网络模型的准确性与合理性。
4 结束语
本文针对末级过热器管壁温度预测的实时性和准确性要求比较高，提出了一种改进粒子群算法优化神经网络的模型，解决了传统神经网络的学习效率低，易陷入局部最优等缺点。预测时，首先对相关信号数据进行分解和重构，得到去噪后的样本，并构成特征向量作为神经网络的输入，用加入导向算子和激发因子的改进粒子群算法得到网络参数的最优解。仿真实验证明：与传统的BP神经网络相比，改进粒子群神经网络的训练精度、学习效率、收敛速度都有很大提高，能更好的预测末级过热器壁温，从而判断锅炉高温运行情况，极大地降低了经济损失，具有实际可行的意义。
参考文献：
[1]赵钦新，朱丽慧.超临界锅炉耐热钢研究[M].北京：机械工业出版社，2010.
[2]苏金明，王永利.MATLAB7.0.实用指南（上册）[M].北京：电子工业出版社，2005.
[3]周江，俞明芳.超临界1000MW机组锅炉高温受热面壁温变化规律分析[J].热力发电，2013（2）.
[4]柳京玉，郑世津.锅炉高温受热面炉外管壁温度检测与分析[J].江苏电机工程，2004（2）：19-21.
[5]孙帆，施学勤.基于MATLAB的BP神经网络设[J].计算机与数字工程，2006，35：121-128.
[6]杨斌，田永青，朱仲英.智能建模方法中的数据预处理[J].信息与控制，2002.
[7]边小君，王娜娜，曹云娟.超临界机组的发展及应用[J].浙江电力，2003.
[8]江铭炎，袁东风.人工蜂群算法及其应用[M].北京：科学出版社，2014，11.
[9]BREIMAN.Random Forest[J].Machine Learning，2001，45（1）：8-33.
[10]卞韶帅，吕晓东.超超临界锅炉高温受热面壁温监测优化实践[J].锅炉技术，2015，2.
[11]张德丰.MATLAB小波分析[M].机械工业出版社，2012，2.
