董云先 王承亮 宋巖 王曉杰 石德勝 宋峰

摘? ?要：火電廠鍋爐受熱面泄漏事故不僅發(fā)生幾率高、普遍性強，而且影響較大，直接影響接帶電量及經(jīng)營目標的完成;另外在脫硝SCR投運后，若不及時發(fā)現(xiàn)爐膛內(nèi)部受熱面泄漏，當泄漏量較大煙氣含水率提高后將會導致SCR催化劑中毒的嚴重后果，所以如何根據(jù)現(xiàn)有DCS數(shù)據(jù)進行受熱面泄漏預測，將變得非常有意義。本文以某單位1000MW機組鍋爐屏過受熱面為研究對象，研究基于MSET診斷技術鍋爐屏過受熱面泄漏預測算法建模，通過受熱面泄漏關聯(lián)因素因素分析，最終確定了以屏過受熱面壁溫作為模型輸入因素，經(jīng)過模型訓練，成功了預測了鍋爐屏過受熱面泄漏事故，驗證了通過該預測算法模型預測屏過受熱面泄漏的可行性。

關鍵詞：MEST? 泄漏? 受熱面? 預測? 算法? 建模

中圖分類號：TM62? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻標識碼：A? ? ? ? ? ? ? ? ? ? ? ? 文章編號：1674-098X（2019）05（a）-0106-03

Abstract： The leakage accident of the heating surface of the thermal power plant boiler not only has a high probability， is universal， but also has a large impact， directly affecting the completion of the power supply and the completion of the business objectives. In addition， after the denitration SCR is put into operation， if the internal heating surface of the furnace is not leaked in time， the large amount of leakage will increase the moisture content of the flue gas， which will lead to serious consequences of SCR catalyst poisoning， So how to predict the leakage of the heated surface based on the existing DCS data will become very meaningful.In this paper， the heating surface of the boiler superheater of a 1000MW unit is taken as the research object， and the leakage prediction algorithm of the screen superheater based on the MSET diagnostic technology boiler is studied. The factors related to the leakage of the heated surface leakage are finally determined. The wall temperature of the heated surface of the superheater was used as the model input factor. After the model training， the accident of the heating surface leakage of the boiler screen superheater was successfully predicted. The feasibility of predicting the leakage of the heated surface of the screen superheater by the prediction algorithm model was verified.

Key Words： MEST; Leakage; Heated surface; Prediction; Algorithm; Modeling

火電廠鍋爐正常運行中會發(fā)生爐膛爆炸、尾部煙道再燃燒、爐膛滅火、受熱面泄漏等影響安全生產(chǎn)的事故，但通過統(tǒng)計發(fā)現(xiàn)，從發(fā)生幾率比較、普遍性等角度分析，鍋爐受熱面泄漏事故就凸顯出來，具體體現(xiàn)在：它不僅發(fā)生幾率高、普遍性高，而且影響較大，受熱面泄漏事故停機處理至少10d以上，直接影響接帶電量及經(jīng)營目標的完成;另外，尤其在脫硝SCR投運后，若不及時發(fā)現(xiàn)爐膛內(nèi)部受熱面泄漏，當泄漏量較大煙氣含水率提高后將會導致SCR催化劑中毒的嚴重后果。故本文以某單位1000MW機組泄漏幾率較大的屏過受熱面為研究對象，研究基于MSET診斷技術鍋爐屏過受熱面泄漏預測算法建模，通過模型算法來預測屏過受熱面泄漏情況，以便為電廠設備檢修和運行人員提供重要操作依據(jù)。

1? 鍋爐型式

某公司2號機組為1050MW燃煤汽輪發(fā)電機組，鍋爐由東方鍋爐（集團）股份有限公司制造， 鍋爐為型號：DG3000/26.15-Ⅱ1型高效超超臨界參數(shù)變壓直流爐，采用單爐膛、一次中間再熱、平衡通風、運轉層以上露天布置、固態(tài)排渣、全鋼構架、全懸吊結構Π型鍋爐。

2? 研究對象的確定

通過對近5年某單位2號鍋爐受熱面泄漏事件分析，發(fā)現(xiàn)鍋爐屏過受熱面發(fā)生泄漏的比例占到40%左右，故本項目將鍋爐屏過受熱面作為泄漏預測算法建模的研究對象。

3? 預測算法建模機理

本研究擬采用基于MSET機理的預測算法建模。MSET（Multivariate State Estimation Technique）是由Singer等提出的一種非線性的多元預測診斷技術，是一種通過分析對比實際監(jiān)測參數(shù)與設備正常運行時的健康數(shù)據(jù)為基礎，對正常運行時的各個參數(shù)進行運算并做出估計，以這種正常的狀態(tài)估計作為標準[1]。當?shù)玫綄嶋H的運行數(shù)據(jù)時，同樣以健康數(shù)據(jù)為基礎，并找到實際數(shù)據(jù)與健康數(shù)據(jù)的關聯(lián)程度，以此對實際運行狀態(tài)做出估計，這種“程度”是通過權值向量來決定的，用于衡量實際狀態(tài)與正常狀態(tài)的相似性。最終對健康狀態(tài)與實際運行狀態(tài)的估計結果進行對比分折，并引入殘差的概念，最終進行診斷。目前在核電站傳感器校驗、設備監(jiān)測、電子產(chǎn)品壽命預測等方面有成功的應用。

（1）預測算法建模機理。

假設某一設備的“相關變量集”中共有n個相互關聯(lián)的變量，將在某一時刻i觀測到的這n個變量記為觀測向量，即：

X（i）=[x1 x2…xn ]^T? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（1）

過程記憶矩陣D的構造是MSET建模的第一個步驟。在該過程或設備正常工作的時段內(nèi)，在不同運行工況下采集m個歷史觀測向量，組成過程記憶矩陣為

（2）

過程記憶矩陣中的每一列觀測向量代表設備的一個正常工作狀態(tài)[2]。經(jīng)過合理選擇的過程記憶矩陣中的m個歷史觀測向量所張成的子空間（用D代表）能夠代表過程或設備正常運行的整個動態(tài)過程。因此，過程記憶矩陣的構造實質(zhì)就是對過程或設備正常運行特性的學習和記憶過程。MSET模型的輸入為某一時刻過程或設備的新觀測向量Xobs，模型的輸出為對該輸入向量的預測值Xest。對任何一個輸入觀測向量Xobs，MSET生成一個m維的權值向量為：

（3）

使得：

（4）

即MSET模型的預測輸出為過程記憶矩陣中m個歷史觀測向量的線性組合。權值向量W采用以下方法確定。構造MSET模型輸入觀測向量和輸出預測向量之間的殘差為：

ε=Xobs-Xest? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （5）

選擇W使殘差的平方和達到最小的算法進行模型訓練學習，通過大量樣本數(shù)據(jù)的模型訓練學習，得到可以進行預測的算法模型。

（2）模型預測機理。

當模型新的輸入觀測向量是在過程或設備正常工作狀態(tài)獲得的，由于過程記憶矩陣覆蓋了過程和設備的正常工作空間，該新觀測向量總會和過程記憶矩中某些歷史觀測向量相似[3]，這些相似歷史觀測向量的組合可以對輸入給出精度很高的預測值。模型預測的精度可以用某變量的預測值和該變量的實際測量值之間的殘差來衡量。

ε=x_est - x_n? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （6）

式中：x_n為MSET模型新輸入觀測向量的第n個變量的實際測量值;x_est為MSET模型輸出的x_n預測值。當過程或設備工作狀態(tài)發(fā)生變化出現(xiàn)故障隱患時，由于動態(tài)特性的改變，輸入觀測向量將偏離正常工作空間，其與D矩陣中歷史觀測向量均不相似[4]，通過D矩陣中歷史觀測向量的組合無法構造其對應的精確預測值，將會導致預測精度下降、殘差增大。

（3）殘差分析機理。

由于在訓練過程中采集了大量的歷史值以及通過上述算法得到一系列評估值，因此，通過兩者之差會得到每個測點的殘差序列。若在某機組設備正常運行下，可以得到全工況下的數(shù)據(jù)，因此，通過統(tǒng)計每個測點的殘差值上下限閾值會得到整個設備在正常運行過程中的正常值范圍。因此，如果實時值與其評估值偏離殘差閾值的范圍，則當前運行過程可能發(fā)生異常，需要運行人重點關注跟蹤，防止大的故障發(fā)生。

4? 預測算法建模輸入因子確定

預測算法已經(jīng)確定，那么根據(jù)什么特征數(shù)據(jù)來確定鍋爐屏過受熱面泄漏異常，也就是用哪些數(shù)據(jù)進行模型訓練，算法模型能得到相對準確、及時的預測鍋爐屏過受熱面泄漏事件。

鍋爐屏過受熱面泄漏初期會對泄漏區(qū)域煙氣溫度、泄漏管屏蒸汽溫度產(chǎn)生直接影響，但是還沒有導致屏過后煙溫降低、屏過出口蒸汽溫度升高等宏觀變化;故根據(jù)以上分析，能及時或超前“感知”屏過受熱面微泄漏的DCS數(shù)據(jù)就是屏過受熱面管壁溫度;因屏過受熱面管壁溫度是通過測量屏過管排出口蒸汽管溫度修正后間接測量管壁溫度的，所以屏過受熱面管壁溫度直接反映其泄漏或異常變形情況。2號爐屏過受熱面共有30個管壁溫度測點，故本研究將屏過受熱面30個壁溫測點作為預測算法模型的輸入因子。

5? 預測算法訓練建模

建模測點：以2號爐鍋爐屏過受熱面30個管壁溫度測點測量值作為預測算法建模輸入訓練因子。

建模時間：2016-10-01 00：00：00—2017-1.17 00：00：00;將此段時間段30個輸入因子輸入已建立算法模型進行訓練建模;取數(shù)間隔：60s。

6? 預測算法模型測試

為驗證預算算法模型，將2017-1.17 00：00：00--2017.3.15 00：00：00時間段30個鍋爐屏過受熱面管壁溫度測點測量值與模型預測值進行殘差對比分析。如圖1所示，選取爐屏過壁溫30為例，2019年1月17日-1月18日，屏式過熱器正常運行，因此，預測全部為正常，*號全部為0。

7? 泄漏事件預測

通過運行現(xiàn)場確認，鍋爐屏過受熱面真實泄漏時間為2017.3.13 10：50;通過試驗驗證通過管壁溫度建立的預測算法模型預測受熱面泄漏的做法是可行的。選取爐屏過壁溫30實時值與評估值圖形展示見圖1。

為了驗證算法報警不是一直報警，而是在停機或發(fā)生故障時發(fā)生報警。測試數(shù)據(jù)所選取有一部分為正常數(shù)據(jù)（2019年1月17日-1月19日）;從2019年1月19日開始停機一直到2019年3月13日8：30起機，算法一直報警。

如圖1和圖2所示，從2017.3.13 8：30開始算法仍然一直在報警，直到2017.3.13 16：00左右，隨后起機起來;2017.3.13 18：00-3.14 04：00從數(shù)據(jù)上說這部分數(shù)正常的。之后，隨著故障的發(fā)生又發(fā)生停機，2017.3.14 04：00以后基本上又開始報警。因此，算法模型從2017.3.13 8：30開始發(fā)出預警比真實發(fā)生泄漏故障的時間2017.3.13 10：50提前2小時20分，達到預警的目的。因此，從算法角度，可以提前檢測到故障的發(fā)生。

8? 結語

本文針對如何進行火電廠鍋爐受熱面泄漏超前預警進行了研究，以某單位2號爐屏過受熱面為研究對象，通過基于MSET診斷技術以屏過受熱面壁溫建立泄漏預測算法模型，并進行了模型訓練建模及測試，通過管壁溫度測量值與預測值對比及殘差分析，預測效果良好，并預測了一次屏過受熱面泄漏異常，表明此算法建模用來預測受熱面泄漏是可行的，為鍋爐受熱面泄漏超前預警積累了經(jīng)驗。

參考文獻

[1] 李鐵才，李西峙.相似性和相似原理[M].哈爾濱：哈爾濱工業(yè)大學出版社，2014.

[2] 劉鑫沛.基于相似性建模的發(fā)電設備故障預警方法[D].華北電力大學，2014.

[3] 金海峰，熊信艮，吳耀武.基于相似性原理的短期負荷預測方法[J].電力系統(tǒng)自動化，2001，25（23）：45-48.

[4] 郭康維.基于相似性建模的鍋爐一次風機故障預警研究[D].華北電力大學，2014.