基于改进BP神经网络锅炉过热器管壁温度预测研究.docVIP

基于改进BP神经网络锅炉过热器管壁温度预测研究 　　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。那么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?E3：阈值去噪。 　　步骤4：小波逆变换恢复原信号。 　　以上关键是选