一种锅炉水冷壁渣层厚度实时监测方法

1.本发明属于火力发电技术领域，具体涉及一种燃煤锅炉水冷壁结渣分布及渣层厚度的实时监测方法。


背景技术：

2.燃煤锅炉的燃料煤在燃烧过程中会释放飞灰，飞灰与受热面接触后部分灰粒会粘附至壁面上形成渣层，尤其是水冷壁上的渣层，累积后会严重影响壁面的的换热，不利于锅炉的安全稳定运行。一直以来缺少能够实时监测水冷壁渣层分布及其厚度的技术，帮助运行人员对水冷壁壁面的渣层进行合理清除。目前电厂对炉内结渣的处理多是定时启动壁面上安装的吹灰器以高压蒸汽对粘附渣层进行均匀吹扫。而实际上锅炉炉内水冷壁上的渣层分布并不均匀，吹灰器内的高压蒸汽如对结渣程度较轻的区域进行吹扫时，会使管壁磨损减薄，当管壁所受热应力较大时易发生爆管事故。
3.现有技术中对于水冷壁结渣的监测技术有许多，基于受热面进出口工质温度及烟温等运行参数计算获知受热面换热损失的监测方法确能有效监测受热面整体的结渣程度，但难以获知受热面上具体的结渣分布情况。一些基于测量装置对受热面结渣增长进行监测的技术，其限制较多，成本及稳定性并不有利于大规模推广。另外有针对锅炉结渣过程开发的结渣预测数值模型，该模型依据锅炉的运行参数可计算获得给定工况下水冷壁上渣层的分布及增长速率。但基于结渣预测数值模型的计算，涉及炉内煤粉燃烧、烟气流动、换热、颗粒运动等复杂过程，需要花费较长的计算时间。而实际运行过程中锅炉的参数会经常发生变化，那么这个需要花费大量计算时间的结渣预测数值模型就难以满足快速变化的工程需要，无法实现对水冷壁结渣增长的实时预测，以有效指导吹灰。它一般只用来计算有限的典型工况，帮助分析壁面上渣层的分布特征，明确缓解结渣时锅炉运行参数的调整方向。
4.总的来说，目前缺少一种能够实时监测水冷壁上渣层分布及增长的技术，以指引电厂运行人员针对水冷壁壁面的局部结渣严重区域进行精准有效吹灰。


技术实现要素：

5.本发明旨在借助深度神经网络技术，将结渣预测数值模型用于水冷壁结渣分布的实时监测，优化锅炉运行过程中的吹灰方式。本发明不仅可以获知受热面的整体结渣程度，更可以实时预测得出水冷壁任意位置处的结渣厚度，可用于锅炉的运行优化及吹灰指导。
6.为了达到上述发明目的，本发明通过以下的技术方案予以实现：
7.本发明提供了一种锅炉水冷壁渣层厚度实时监测方法，该方法包括如下步骤：
8.(1)首先使用网格生成软件依据锅炉模型生成锅炉几何网格，将结渣预测数值算法编译为udf函数链接至锅炉燃烧数值计算过程中建立结渣预测数值模型；
9.(2)从锅炉dcs系统收集一段时间内运行参数；
10.(3)确定锅炉各个运行参数的变化范围，在该变化范围内随机抽取并设定为步骤(1)获得的所述结渣预测数值模型的边界条件，在所述数值模拟平台上计算生成结渣速率
增长的数据集；
11.(4)对数据集的计算结果进行后处理，将水冷壁各个几何网格节点的结渣增长速率处理为离散点形式，记为(x,y,z,r
ash
)，得到结渣增长速率数据集；
12.(5)搭建深度神经网络模型，深度神经网络模型包括输入层、输出层以及若干隐藏层，每层包含多个神经元，这些神经元中储存的权值、偏差和激活函数共同构建并定义了从输入层的特征变量到输出结果之间的映射关系；其数学描述为：
[0013][0014]
式(1)中，代表k层第j个神经元的输出，m
k-1
为上一层的神经元个数，为上一层连接到该层第i个神经元的权值，b
k-1
则为上一层的偏置；
[0015]
(6)以步骤(4)获得的所述结渣增长速率数据集训练步骤(5)搭建的深度神经网络模型，训练过程中锅炉的运行参数和壁面坐标点为深度神经网络模型的输入特征，结渣增长速率为深度神经网络模型的输出；
[0016]
所述深度神经网络模型训练过程中通过梯度下降法引导模型参数的调整方向以获得损失函数的最小值：
[0017][0018]
式(2)，t和λ分别代表训练过程中的迭代步数和学习率，mse为损失函数；
[0019]
(7)所述深度神经网络模型的训练完成后，将所述深度神经网络模型中的偏置和权重导出，重新编译获得结渣速率预测模型；所述结渣速率预测模型中结渣增长速率r
ash
是关于锅炉运行参数和位置信息的函数，即：
[0020]rash
＝f(mw，mc，a1，a2...x，y，z)
ꢀꢀꢀ
(3)
[0021]
式(3)中，mw为给水量,mc为给煤量,a1为一次风量,a2为二次风量；
[0022]
增加结渣增长速率r
ash
对运行时间的积分计算，即获得预测水冷壁任意时间段、任意位置的结渣厚度预测模型：
[0023][0024]
式(4)中，δ是锅炉运行了一段时间后水冷壁壁面的渣层厚度，n为这段时间内工况的变化个数，分别是第s个工况的开始与结束时间。
[0025]
进一步地，步骤(2)中的运行参数包括煤质参数、负荷、给煤量、给水量、一次风量、二次风量、燃尽风量、风门开度和各受热面工质入口温度。
[0026]
进一步地，步骤(3)中依据边界条件预先编写好tui命令文件，以实现工况的不间断计算。
[0027]
进一步地，步骤(6)中将所述结渣增长速率数据集以60％，30％，10％的比例分别划分为训练集、数据集以及验证集。
[0028]
进一步地，步骤(6)中获得损失函数的最小值依据深度神经网络模型的预测精度
对超参数进行手动调节，或者引入自适应算法以自动选择最优超参数。
[0029]
进一步地，步骤(7)获得的所述结渣厚度预测模型用于链接至锅炉dcs系统中，依据dcs系统传输的运行参数快速地给出水冷壁渣层的分布及其厚度信息，能够指引工作人员执行精准吹灰。
[0030]
本发明的有益效果是：
[0031]
本发明的优异之处在于，耦合结渣预测数值模型和深度神经网络模型构建了一个壁面渣层厚度预测模型，具有精度高、响应时间快的特点，能够用于结渣分布及厚度的实时预测。较快的模型预测时间满足了锅炉运行工况快速变化的需求，由结渣预测数值模型计算获得的数据训练集以及合理的网络模型参数保证了所获得的渣层厚度预测模型的精确度。借助深度神经网络实现渣层厚度的实时预测，为实现精确吹灰、减轻锅炉结渣危害提供了一种新思路，另一方面利用深度神经网络模型强大的拟合以及泛化性能，在不牺牲预测精度的前提下加速数值模拟计算，为较为复杂的数值计算模型应用至工程上提供了新方向。
附图说明
[0032]
图1为本发明提出的锅炉水冷壁渣层厚度实时监测方法的流程图。
[0033]
图2为本发明所使用的深度神经网络模型的原理图。
[0034]
图3为本发明实例中所获得的渣层厚度预测模型的计算结果。
具体实施方式
[0035]
锅炉结渣预测模型能够计算获得炉内水冷壁渣层的增长速率，但计算一个工况需要较长的时间，难以用于实时监测。深度神经网络模型响应时间短，且具有拟合复杂问题中非线性关系的能力，能够较快地依据特征参数给出预测结果。因此在本发明中被用以缩短结渣增长速率的计算时间，实现水冷壁结渣厚度的实时预测。本方法的流程图如图1所示，具体为：
[0036]
(1)依据锅炉模型建立结渣预测数值模型后，首先使用网格生成软件生成锅炉的几何网格，将建立的结渣预测数值模型编译为udf(user defined function)函数链接至锅炉燃烧数值计算过程，该计算过程可在数值模拟平台fluent或openform上实现。
[0037]
(2)为了建立一个合理的贴合实际运行特征的数据集，需要从锅炉dcs(distributed control system)系统收集一段时间(至少半年)的运行参数，包括煤质参数、负荷、给煤量、给水量、一次风量、二次风量、燃尽风量、风门开度和各受热面工质入口温度等。以保证数据集中包括尽可能广泛的锅炉运行参数组合，增加深度神经网络模型的预测精度。
[0038]
(3)基于采集到的运行参数，确定锅炉各个运行参数的变化范围，在该变化范围内随机抽取并设定为步骤(1)中结渣预测数值模型的边界条件，在数值模拟平台上计算生成结渣速率增长的数据集。一般需要大量工况(不少于300组)，为减少每个工况之间的设定时间，依据边界条件预先编写好tui命令文件，以实现工况的不间断计算。
[0039]
(4)数据集计算完成后，对计算结果进行后处理，得到的结渣增长速率数据集供以训练深度神经网络模型。
[0040]
对计算结果的后处理是指将水冷壁各个几何网格节点的结渣增长速率处理为离散点形式，记为(x,y,z,r
ash
)；其中x,y,z为壁面网格节点坐标，r
ash
为某坐标位置处结渣增长速率。
[0041]
(5)搭建深度神经网络模型，深度神经网络模型包括输入层、输出层以及若干隐藏层，每层包含多个神经元，这些神经元中储存的权值、偏差和激活函数共同构建并定义了从输入层的特征变量到输出结果之间的映射关系。其数学描述可以写成：
[0042][0043]
式(1)中，代表k层第j个神经元的输出，m
k-1
为上一层的神经元个数，为上一层连接到该层第i个神经元的权值，b
k-1
则为上一层的偏置。
[0044]
(6)以步骤(4)获得的结渣增长速率数据集训练步骤(5)中搭建的深度神经网络模型，训练过程中，锅炉的运行参数和壁面坐标点为深度神经网络模型的输入特征，结渣增长速率为深度神经网络模型的输出。将结渣增长速率数据集以60％，30％，10％的比例分别划分为训练集、数据集以及验证集。
[0045]
深度神经网络模型训练过程中通过梯度下降法引导模型参数的调整方向以获得损失函数的最小值：
[0046][0047]
式(2)，t和λ分别代表训练过程中的迭代步数和学习率，mse为损失函数。
[0048]
训练过程中可以依据深度神经网络模型的预测精度对超参数进行手动调节，也可以引入自适应算法以自动选择最优超参数，最终获得具有足够精度的神经网络预测模型。
[0049]
(7)完成深度神经网络模型的训练后，可将深度神经网络模型中的偏置和权重导出，重新编译获得结渣速率预测模型。该结渣速率预测模型中结渣增长速率r
ash
是关于输入特征即锅炉运行参数和位置信息的函数，即：
[0050]rash
＝f(mw，mc，a1，a2...x，y，z)
ꢀꢀꢀ
(3)
[0051]
式(3)中，mw为给水量,mc为给煤量,a1为一次风量,a2为二次风量。
[0052]
增加结渣增长速率r
ash
对运行时间的积分计算，则可获得预测水冷壁任意时间段、任意位置的结渣厚度预测模型：
[0053][0054]
式(4)中，δ是锅炉运行了一段时间后水冷壁壁面的渣层厚度，n为这段时间内工况的变化个数，分别是第s个工况的开始与结束时间。
[0055]
需要注意的是，当锅炉执行吹灰操作后，壁面的渣层的累积厚度应清零。
[0056]
结渣厚度预测模型可链接至锅炉dcs系统中，依据dcs系统传输的运行参数快速地给出水冷壁渣层的分布及其厚度信息，指引工作人员执行精准吹灰，进而为锅炉的经济高效运行提供指导方向。
[0057]
下面通过具体的实施例对本发明作进一步的详细描述。以下实施例可以使本专业技术人员更全面的理解本发明，但不以任何方式限制本发明。
[0058]
该示例是将本发明方法应用在某电厂一350mw的超临界墙式对冲锅炉上，依据获得的渣层厚度计算模型计算了该锅炉执行吹灰操作后6个小时水冷壁右侧墙上渣层的累积厚度。具体操作如下：
[0059]
(1)依据该锅炉的几何结构图，使用icem生成用以结渣预测计算的几何网格，经几何网格独立性验证后，同时兼顾计算效率和精度，网格数量确定为600万。在fluent平台上执行预测结渣模拟计算，结渣预测数值模型被编译为udf函数链接至计算平台中，其他的一些计算模型如燃烧、湍流模型等调用fluent中预集成的模块。
[0060]
(2)为确定该锅炉运行参数的变化范围，锅炉dcs系统中收集了近7个月的运行数据，包括煤质参数、负荷、给煤量、一次风量、二次风量、燃尽风量、给水量风门开度、各受热面工质入口温度。数据采集频率为5min/次，共53726组运行数据。
[0061]
(3)利用上述建立完成的结渣预测计算模型，参考运行参数的变化范围，使用python脚本生成了控制fluent修改参数并计算锅炉结渣增长速率的命令文件，在一台cpu为amd epyctm 7402的服务器上计算获得了300个不同工况下的壁面结渣增长速率数据。
[0062]
(4)将水冷壁上结渣增长速率结果导出后，右墙上的网格节点为20000个，将坐标信息及增长速率离散处理为用以训练的结渣速率数据集。
[0063]
(5)将数据集以60％、30％、10％的比例分别划分为训练集、数据集以及验证集。然后搭建深度神经网络模型，输入特征为锅炉运行参数中的给煤量、一次风量、二次风量、燃尽风量、位置坐标信息等，输出特征为结渣速率。在模型训练过程中，依据损失函数变化曲线以及预测准确率对超参数进行调节，最后确定模型隐藏层的层数为4，每层神经元的个数分别为32、64、64、32，relu作为激活函数，mse为损失函数，增加l3正则化防止出现过拟合。训练获得的模型在训练集以及验证集上的预测准确率都在96％以上。
[0064]
6)对在上步骤获得的渣层增长速率模型编译并增加对运行时间的积分后获得结渣厚度预测模型，以该模型计算了锅炉执行吹灰操作后6个小时右侧墙上渣层的累积厚度，在该6小时内，锅炉首先以230mw运行2小时40分钟，然后调整至300mw运行了3小时20分钟，侧墙上的渣层累积厚度分布图见下图3，值得一提的是，该计算从开始到厚度分布图的生成只花费了10s左右的时间。
[0065]
可见，本发明基于结渣预测数值模型获得水冷壁结渣分布数据集，以深度神经网络模型学习感知锅炉运行参数与水冷壁结渣增长速率之间的映射关系，将训练获得的深度神经网络模型重新编译并增加对运行时间的积分计算，获得一个能够实时计算水冷壁结渣厚度的监测模型，具有精度高、响应时间快的特点，能够用于结渣分布及厚度的实时预测。
[0066]
尽管上面结合附图对本发明的优选实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，并不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离发明宗旨和权利要求所保护的范围情况下，还可以作出很多形式的具体变换，这些均属于本发明的保护范围之内。

技术特征：
1.一种锅炉水冷壁渣层厚度实时监测方法，其特征在于，该方法包括如下步骤：(1)首先使用网格生成软件依据锅炉模型生成锅炉几何网格，将结渣预测数值算法编译为udf函数链接至锅炉燃烧数值计算过程中建立结渣预测数值模型；(2)从锅炉dcs系统收集一段时间内运行参数；(3)确定锅炉各个运行参数的变化范围，在该变化范围内随机抽取并设定为步骤(1)获得的所述结渣预测数值模型的边界条件，在所述数值模拟平台上计算生成结渣速率增长的数据集；(4)对数据集的计算结果进行后处理，将水冷壁各个几何网格节点的结渣增长速率处理为离散点形式，记为(x,y,z,r
ash
)，得到结渣增长速率数据集；(5)搭建深度神经网络模型，深度神经网络模型包括输入层、输出层以及若干隐藏层，每层包含多个神经元，这些神经元中储存的权值、偏差和激活函数共同构建并定义了从输入层的特征变量到输出结果之间的映射关系；其数学描述为：式(1)中，代表k层第j个神经元的输出，m
k-1
为上一层的神经元个数，为上一层连接到该层第i个神经元的权值，b
k-1
则为上一层的偏置；(6)以步骤(4)获得的所述结渣增长速率数据集训练步骤(5)搭建的深度神经网络模型，训练过程中锅炉的运行参数和壁面坐标点为深度神经网络模型的输入特征，结渣增长速率为深度神经网络模型的输出；所述深度神经网络模型训练过程中通过梯度下降法引导模型参数的调整方向以获得损失函数的最小值：式(2)，t和λ分别代表训练过程中的迭代步数和学习率，mse为损失函数；(7)所述深度神经网络模型的训练完成后，将所述深度神经网络模型中的偏置和权重导出，重新编译获得结渣速率预测模型；所述结渣速率预测模型中结渣增长速率r
ash
是关于锅炉运行参数和位置信息的函数，即：r
ash
＝f(m
w
，m
c
，n1，a2...x，y，z)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)式(3)中，m
w
为给水量,m
c
为给煤量,a1为一次风量,a2为二次风量；增加结渣增长速率r
ash
对运行时间的积分计算，即获得预测水冷壁任意时间段、任意位置的结渣厚度预测模型：式(4)中，δ是锅炉运行了一段时间后水冷壁壁面的渣层厚度，n为这段时间内工况的变化个数，分别是第s个工况的开始与结束时间。
2.根据权利要求1所述的一种锅炉水冷壁渣层厚度实时监测方法，其特征在于，步骤(2)中收集运行参数的时间段为至少半年。3.根据权利要求1所述的一种锅炉水冷壁渣层厚度实时监测方法，其特征在于，步骤(2)中的运行参数包括煤质参数、负荷、给煤量、给水量、一次风量、二次风量、燃尽风量、风门开度和各受热面工质入口温度。4.根据权利要求1所述的一种锅炉水冷壁渣层厚度实时监测方法，其特征在于，步骤(3)中依据边界条件预先编写好tui命令文件，以实现工况的不间断计算。5.根据权利要求1所述的一种锅炉水冷壁渣层厚度实时监测方法，其特征在于，步骤(6)中将所述结渣增长速率数据集以60％，30％，10％的比例分别划分为训练集、数据集以及验证集。6.根据权利要求1所述的一种锅炉水冷壁渣层厚度实时监测方法，其特征在于，步骤(6)中获得损失函数的最小值依据深度神经网络模型的预测精度对超参数进行手动调节，或者引入自适应算法以自动选择最优超参数。7.根据权利要求1所述的一种锅炉水冷壁渣层厚度实时监测方法，其特征在于，步骤(7)获得的所述结渣厚度预测模型用于链接至锅炉dcs系统中，依据dcs系统传输的运行参数快速地给出水冷壁渣层的分布及其厚度信息，能够指引工作人员执行精准吹灰。

技术总结
本发明属于火力发电技术领域，公开了一种锅炉水冷壁渣层厚度实时监测方法，先建立能够计算壁面各位置结渣增长速率的结渣预测数值模型；获取一段时间内锅炉运行参数的数据变化范围，从中随机抽取大量组合设定为结渣数值计算的边界条件，计算生成结渣增长速率数据库；使用该数据库训练深度神经网络模型，使其学习锅炉运行参数与壁面结渣增长速率之间的映射关系，将训练完成的深度神经网络模型中各层的权重及偏置导出重新编译获得响应迅速的结渣速率预测模型；增加对结渣速率在运行时间上的积分运算，获得工况变化时任意时间水冷壁上某一位置的渣层厚度，即获得结渣厚度预测模型，其可链接至锅炉的DCS系统中实时监测水冷壁任意位置的渣层厚度。意位置的渣层厚度。意位置的渣层厚度。


技术研发人员：王赫阳 尹珩宇 金东昊 韩静洋 周永清
受保护的技术使用者：天津大学
技术研发日：2023.07.16
技术公布日：2023/9/9