趙 鵬，李瀟瀟

(1.陜西能源麟北發(fā)電有限公司，寶雞 721599；2.上海電氣電站設(shè)備有限公司汽輪機廠，上海 200240)

汽輪機運行過程中承受著復(fù)雜的熱力機械載荷。在啟動、沖轉(zhuǎn)、變負(fù)荷過程中機組的熱力邊界顯著不同，不同工況所需要的處理方法各異，因此，預(yù)測未來幾十分鐘內(nèi)機組的狀態(tài)能夠為運行人員提供有效參考，起到良好的輔助作用。

隨著計算能力的提升，人工智能技術(shù)得到發(fā)展，作為人工智能的一種實現(xiàn)手段，機器學(xué)習(xí)基于實際數(shù)據(jù)樣本集建立起計算模型，可實現(xiàn)在線預(yù)測。在電站設(shè)備領(lǐng)域，GE、Alstom等企業(yè)已經(jīng)對汽輪機在線預(yù)測領(lǐng)域進(jìn)行了相關(guān)研究。比如Alstom研究了基于非線性自回歸神經(jīng)網(wǎng)絡(luò)算法(NARX)在汽輪機轉(zhuǎn)子表面溫度與應(yīng)力預(yù)測領(lǐng)域的應(yīng)用[1]，該方法本身網(wǎng)絡(luò)結(jié)構(gòu)簡單，對于長時序的序列預(yù)測往往只能保留有緩慢變化趨勢的特征，而對于長時序中某一局部的變化，往往不能進(jìn)行有效的預(yù)測。因此為實現(xiàn)有效的在線預(yù)測，須研究新的智能算法模型。

陜西麟北電廠350 MW超臨界機組采用上海汽輪機廠制造的高中壓合缸多級汽輪機，在汽輪機運行控制方面，采用以溫度為主的控制策略，通過各關(guān)鍵部件監(jiān)測測點的溫度反映出機組運行的熱應(yīng)力、蠕變疲勞損傷等。

經(jīng)過多年的運行，麟北電廠已獲得豐富的機組運行數(shù)據(jù)，為機器學(xué)習(xí)算法研究提供了堅實的基礎(chǔ)。本文以麟北電廠歷史運行數(shù)據(jù)為基礎(chǔ)，采用成熟的卷積神經(jīng)網(wǎng)絡(luò)算法(CNN)和長短記憶神經(jīng)網(wǎng)絡(luò)算法(LSTM)，研發(fā)汽輪機轉(zhuǎn)子關(guān)鍵監(jiān)測點的溫度預(yù)測模型，探索汽輪機智能運維的可行性。

1 機器學(xué)習(xí)算法

CNN和LSTM作為機器學(xué)習(xí)的經(jīng)典算法，在人臉識別、圖像分類、交通標(biāo)志識別、物體檢測、圖片語音處理、工業(yè)預(yù)測等多方面得到應(yīng)用[2-3]。

CNN的原理示意圖如圖1所示，受到動物視覺皮層相關(guān)研究的啟發(fā)，其工作原理類似于濾波器，在第k層神經(jīng)網(wǎng)絡(luò)的神經(jīng)元上按一定規(guī)則滑動，采用激活函數(shù)在神經(jīng)元上進(jìn)行運算，激活k+1層某個神經(jīng)元，激活函數(shù)如式(1)所示。在CNN中，各卷積層的數(shù)據(jù)與卷積核可視為二維或更高維度的張量。

圖1 卷積神經(jīng)網(wǎng)絡(luò)原理示意圖

(1)

式中：l為網(wǎng)絡(luò)層數(shù)編號；m為卷積核尺寸；w為權(quán)重；b為偏置。

LSTM克服了傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)和CNN的計算成本高、長時序無法傳遞有效信息等缺陷，原理如圖2所示，從圖2中可以看出，隱藏狀態(tài)h(t)由x(t)和h(t-1)得到，LSTM對序列索引位置t的隱藏結(jié)構(gòu)進(jìn)行了改進(jìn)，通過一定的技術(shù)讓隱藏結(jié)構(gòu)變得復(fù)雜，避免梯度消失的問題。并且通過引進(jìn)“更新門”，如公式(2)至(5)所示，將單元格狀態(tài)和隱藏狀態(tài)合并，獲得更加簡單的模型。

圖2 長短記憶神經(jīng)網(wǎng)絡(luò)原理示意圖

zt=σ(Wz·[ht-1,xt])

(2)

rt=σ(Wr·[ht-1,xt])

(3)

(4)

(5)

CNN和LSTM兩種方法均存在著優(yōu)缺點，如表1所示。因此本文采用兩種方法結(jié)合的方式構(gòu)建溫度預(yù)測模型——CNN-LSTM算法，使模型預(yù)測精度高、魯棒性強，模型如圖3所示。

表1 CNN與LSTM算法優(yōu)缺點

圖3 基于CNN-LSTM的溫度預(yù)測模型網(wǎng)絡(luò)結(jié)構(gòu)

2 模型訓(xùn)練樣本

麟北電廠汽輪機外形如圖4所示。高中壓合缸機組中轉(zhuǎn)子高壓部分工作環(huán)境相比中壓部分更加惡劣，高壓部分監(jiān)控測點更多，因此以轉(zhuǎn)子高壓部分作為機器學(xué)習(xí)算法研究對象，具有更好的實際應(yīng)用意義。

圖4 麟北電廠350 MW汽輪機三維示意圖

機器學(xué)習(xí)算法模型建立時需要選擇和控制與輸出參數(shù)高度相關(guān)的變量。經(jīng)過相關(guān)性分析，與轉(zhuǎn)子高相關(guān)性的測點共有11組：3個溫度參數(shù)，即高壓進(jìn)汽溫度、高壓排汽溫度、監(jiān)測測點溫度；2個狀態(tài)參數(shù)，即機組轉(zhuǎn)速和輸出功率；6組控制參數(shù)，即2個高壓主門開度控制和4個高壓調(diào)門開度控制。原始數(shù)據(jù)的量綱不同對訓(xùn)練模型誤差有較大影響，因此采用Z-score方法進(jìn)行標(biāo)準(zhǔn)化處理，處理流程如圖5所示，計算公式如(6)。

圖5 Z-score標(biāo)準(zhǔn)化處理

(6)

選取麟北電廠某段時間內(nèi)的典型運行工況作為訓(xùn)練樣本，標(biāo)準(zhǔn)化后的數(shù)據(jù)如圖6至圖9所示。

圖6 溫度參數(shù)訓(xùn)練樣本

圖7 功率參數(shù)訓(xùn)練樣本

圖8 轉(zhuǎn)速參數(shù)訓(xùn)練樣本

圖9 閥門開度參數(shù)訓(xùn)練樣本

經(jīng)過多次測試后，獲得模型參數(shù)如表2所示。

表2 訓(xùn)練模型構(gòu)造參數(shù)

3 預(yù)測結(jié)果

圖10 CNN-LSTM模型預(yù)測結(jié)果

由于模型的預(yù)測性能除了受訓(xùn)練數(shù)據(jù)本身的特征影響外，還依賴于機器學(xué)習(xí)模型參數(shù)的選擇，因此，針對本模型，通過人為的調(diào)整，另外構(gòu)造了2組參數(shù)，預(yù)測結(jié)果如圖11所示。

圖11 不同超參數(shù)組合下模型預(yù)測結(jié)果

表3為3種超參數(shù)組合下的預(yù)測結(jié)果，對比圖11和表3的結(jié)果可以看出，3種參數(shù)組合均能夠有效預(yù)測、捕捉運行工況特征。經(jīng)過參數(shù)調(diào)整后，預(yù)測準(zhǔn)確率得到提升，最大誤差明顯減小，參數(shù)組合3的結(jié)果最佳，最大誤差降至33.21 ℃。

表3 3種超參數(shù)組合的預(yù)測結(jié)果

從上述結(jié)果中可以看出，采用CNN-LSTM模型能夠有效捕捉轉(zhuǎn)子運行過程中溫度變化。目前的訓(xùn)練模型在啟動運行階段的預(yù)測性能良好，但是在停機階段誤差相對較大，調(diào)整后的模型參數(shù)能夠有效降低誤差。由于目前采用的訓(xùn)練模型中，典型工況較少，后續(xù)可對訓(xùn)練樣本庫進(jìn)行豐富完善，得到的新模型，這樣可以進(jìn)一步提高預(yù)測準(zhǔn)確率，降低最大誤差。

4 結(jié) 論

本文介紹了智能算法在汽輪機關(guān)鍵部件溫度預(yù)測領(lǐng)域的應(yīng)用?；邝氡彪姀S的歷史運行數(shù)據(jù)，采用CNN-LSTM算法建立轉(zhuǎn)子溫度預(yù)測模型，能夠有效預(yù)測未來一段時間內(nèi)的溫度趨勢，為機組運行人員提供參考。但由于目前訓(xùn)練樣本數(shù)據(jù)較少，準(zhǔn)確率尚有較大的提升空間。根據(jù)神經(jīng)網(wǎng)絡(luò)模型的基本特點，可以預(yù)見預(yù)測的準(zhǔn)確度將能通過豐富的訓(xùn)練數(shù)據(jù)得到進(jìn)一步提升。