一種鍋爐高溫受熱面屏間熱偏差模型預測方法
【技術領域】
[0001]本發明涉及一種降低鍋爐高溫受熱面屏間熱偏差的方法，尤其涉及一種基于神經網絡的鍋爐高溫受熱面屏間熱偏差模型預測方法，屬于電站鍋爐技術領域。
【背景技術】
[0002]隨著我國電力工業的高速發展及能耗和環保的要求，目前成批量投入了超臨界和超超臨界火力發電機組。這些機組的高溫受熱面(鍋爐高溫受熱面主要包括過熱器系統和再熱器系統)大量采用了含鉻量為18%?25%的奧氏體鋼管。即使采用了如此耐高溫材料，如果在運行中熱偏差太大或發生突發性擾動，仍會發生高溫受熱面超溫爆管事故。
[0003]超臨界鍋爐高溫受熱面屏間熱偏差過大，會導致高溫受熱面沿爐膛寬度方向的吸熱不均偏差較大，由于高溫受熱面屏與屏之間管材相同，但屏間吸熱不均而偏差較大的時候，容易產生吸熱偏差大的管子管壁超溫，進而縮短管材壽命，容易產生超溫爆管事故。
[0004]為了解決鍋爐運行過程中高溫受熱面熱偏差太大的問題，現在采用在線監測的手段來動態計算和顯示爐內管壁溫度。但在實際生產過程中還不能對各種熱偏差工況下的生產做出安全經濟運行的合理化建議。
[0005]超超臨界鍋爐過熱器系統采用四級布置，以降低每級過熱器的焓增，沿蒸汽流程依次為水平與立式低溫過熱器、分隔屏過熱器、屏式過熱器和末級過熱器。超超臨界鍋爐BMCR(鍋爐最大連續蒸發量)工況下末過蒸汽出口溫度605°C，過熱蒸汽出口壓力26.15MPa，過熱蒸汽流量2000t/h ；75% BMCR工況下末過蒸汽出口溫度605°C，過熱蒸汽出口壓力25.59MPa，過熱蒸汽流量1500t/h。
[0006]超超臨界鍋爐再熱器分成低溫再熱器和末級再熱器兩級。超超臨界鍋爐BMCR工況下再熱器蒸汽出口溫度603 °C，再熱器蒸汽出口壓力4.78MPa，再熱器蒸汽流量1638.9t/h ; 75% BMCR工況下再熱器蒸汽出口溫度603 °C，再熱器蒸汽出口壓力3.58MPa，再熱器蒸汽流量 1229t/h。
【發明內容】
[0007]本發明要解決的技術問題是提供一種基于神經網絡的電站鍋爐高溫受熱面屏間熱偏差預測模型，通過在線采集運行參數，在當前運行方式下找到經濟合理的鍋爐運行方式優化方案，以降低鍋爐運行過程中高溫受熱面屏間熱偏差。
[0008]為了解決上述技術問題，本發明的技術方案是提供一種鍋爐高溫受熱面屏間熱偏差模型預測方法，其特征在于:該方法由以下5個步驟組成:
[0009]步驟1:選取鍋爐高溫受熱面屏間熱偏差的影響因素；
[0010]步驟2:根據所選取的影響因素的歷史數據作為輸入參數，并對輸入參數進行數據預處理；以所對應的鍋爐高溫受熱面屏間熱偏差系數的歷史數據作為輸出參數，得到神經網絡的訓練樣本；
[0011]步驟3:利用訓練樣本對神經網絡進行訓練，得到鍋爐高溫受熱面屏間熱偏差神經網絡預測模型；
[0012]步驟4:在線采集所選取的影響因素的當前數據作為新的輸入參數，將新的輸入參數輸入鍋爐高溫受熱面屏間熱偏差神經網絡預測模型，計算模型輸出；以所述在線采集的數據為基準點，在線動態調整各個新的輸入參數，并重新計算模型輸出，把得到的熱偏差系數較優的模型數入輸出參數存儲到數據庫，最終得到優化的神經網絡輸入輸出結果；
[0013]步驟5:通過優化的神經網絡輸入，指導當前的運行操作。
[0014]優選地，所述步驟I中，影響因素包括:鍋爐負荷、磨煤機組合、過熱器煙道調溫擋板、各層角燃燒器擺動機構閥位、鍋爐二次風開度。
[0015]優選地，所述鍋爐二次風開度包括:各層淡二次風調節擋板閥位、各層濃次風調節擋板閥位。
[0016]優選地，所述步驟3具體包括如下步驟:
[0017]步驟3.1:進行神經網絡結構參數設置，確定輸入層神經元數目、輸出層神經元數目、隱含層神經元數目，確定數據樣本數，確定最小誤差、學習率、轉動動量、最大迭代次數；
[0018]步驟3.2:初始化隱含層神經元權值、隱含層偏置值、輸出層神經元權值、輸出層偏置值；
[0019]步驟3.3:將訓練樣本的輸入參數輸入神經網絡，計算神經網絡各層輸出值；
[0020]步驟3.4:將神經網絡各層輸出值與所對應的訓練樣本的輸出參數進行誤差計算，如果誤差滿足設定的最小誤差，則轉到步驟3.5 ;否則修正輸出層神經元權值、輸出層偏置值，以及修正隱含層神經元權值、隱含層偏置值，并轉到步驟3.3 ;
[0021]步驟3.5:存儲隱含層神經元權值、隱含層偏置值，存儲輸出層神經元權值、輸出層偏置值，得到鍋爐高溫受熱面屏間熱偏差神經網絡預測模型。
[0022]優選地，所述步驟3.1中，輸出層神經元數目為鍋爐高溫受熱面屏數。
[0023]優選地，所述步驟4中，在線動態調整各個新的輸入參數采用遞歸法，動態調整每個變量的 ±5%、±10%、±15%、±20%、±25%。
[0024]本發明是在運行過程中通過神經網絡找到當前負荷、磨煤機組合、配風方式、燃燒器擺角與鍋爐高溫受熱面屏間熱偏差的映射關系，通過建立的神經網絡模型在線預測高溫受熱面屏間熱偏差，并通過預測模型找到可降低高溫受熱面屏間熱偏差的工況調整方法，進而反饋運行，以此來提高鍋爐運行安全性，預防鍋爐超溫爆管事故發生。
【附圖說明】
[0025]圖1為本發明提供的鍋爐高溫受熱面屏間熱偏差模型預測方法流程圖；
[0026]圖2為鍋爐高溫受熱面神經網絡模型參數存儲到數據庫流程圖；
[0027]圖3為鍋爐高溫受熱面熱偏差搜索引擎優化流程圖。
【具體實施方式】
[0028]為使本發明更明顯易懂，茲以一優選實施例，并配合附圖作詳細說明如下。
[0029]本發明是根據當前的鍋爐運行參數(如負荷、磨煤機組合、鍋爐二次風開度等)和實時高溫受熱面屏間熱偏差，建立神經網絡模型，并不斷訓練隱含層和輸出層的神經網絡權值和偏置值。針對在線監測發現高溫受熱面熱偏差較大工況，根據高溫受熱面熱偏差預測模型，提出以改善當前配風方式降低高溫受熱面屏間熱偏差的方法。通過推薦出當前運行工況下最合理的改進配風參數，在當前參數下以最經濟的改進運行手段優化運行，進而降低當前運行方式下的高溫受熱面熱偏差，在滿足鍋爐熱偏差安全性的條件下提高鍋爐運行的經濟性。
[0030]圖1為本發明提供的鍋爐高溫受熱面屏間熱偏差模型預測方法流程圖，所述的鍋爐高溫受熱面屏間熱偏差模型預測方法包括如下步驟:
[0031]步驟1:選取鍋爐高溫受熱面屏間熱偏差的影響因素，包括:鍋爐負荷、磨煤機組合、過熱器煙道調溫擋板、一層角燃燒器擺動