[发明专利]一种基于长短期记忆网络的过热器爆泄预警方法

说明书

本发明公开了一种基于长短期记忆网络的过热器爆泄预警方法。本发明通过将锅炉过热器的温度和压力的测点数据视为矩阵化的时间序列数据，利用长短期记忆网络对时间序列数据良好的学习和预测能力，学习输入数据在时间维度上的规律，实现基于数据驱动的过热器爆管问题的分析，从而达到了对过热器爆管进行预警的目的。本发明准确率高，以数据驱动的方式对过热器爆管问题进行预警，在数据试验阶段和模型投入使用后，模型均准确的对过热器爆管进行了预警。时效性及全面性强，相对于人工对设备的排查，模型能实时的对整个过热器的运行进行监控，并提前对爆管发出预警；成本低且可操作性强。

技术领域

本发明属于火电厂锅炉技术领域，具体涉及一种基于长短期记忆网络的过热器爆泄预警方法。

背景技术

锅炉中的“四管”爆管问题是电厂运行中常见的问题，严重影响锅炉的运行安全及经济性,严重时还将导致重大事故的发生。“四管”指的是水冷壁管、过热器管、再热器管、省煤器管，是电厂中高温高压容易爆破的地方。其中过热器管发生爆管较其他水管较多，且影响因素多，问题复杂，引入机器学习技术解决该问题，对火电厂的安全高效运营具有重要的价值和现实意义。

当前对爆管问题的防治主要从机理方面入手，如对爆管处进行化学分析，检验管壁腐蚀处的化学成分，进而分析出水质对爆管问题的影响；或是检查爆管处的微观金相组织，推断爆管处曾存在局部超温现象；也有人爆管的发生位置进行分析，得出局部应力过大会导致爆管。根据以上分析的结论，加强检修力度和质量，制定相应的技术规范。

虽然从机理方面入手，可以得到符合业务逻辑，清晰容易理解的解决方案。但也存在如下问题。

1 检查及相关规章制度最终由现场工作人员完成，其发挥的作用很大程度上取决于现场工作人员的执行效果。

2 由于锅炉的工况恶劣，设备环境复杂，检查工作只能对部分设备进行。

3 检查和更换工作完成后，无法对设备的工况进行实时的监控。当过热器水管出现劣化趋势时，不能提前预警。

4 基于经验总结形成的方案缺少数据上的严谨的支撑，且难以精确的量化。

发明内容

本发明将锅炉过热器的温度和压力的测点数据简称过热器数据，连续的过热器数据构成时间序列数据，测点数量为35个，长短期记忆网络简称为LSTM。

本发明解决其技术问题所采用的技术方案如下。

步骤1、采集历史锅炉过热器爆管的所有记录，随机取10条记录，且每个记录作为一个标签对应一个时间点；同时随机的取10条正常运行记录，每个记录作为一个标签对应一个时间点。

步骤2、对于步骤1中每个标签及其对应的时间点，选取爆管的标签对应时间点前T1时间段的过热器数据作为原始数据，不爆管的标签则按照对应时间点前T1时间段的过热器数据作为原始数据；每个标签都能够得到一个原始数据矩阵，并对原始数据进行预处理；得到预处理后的训练集数据和测试集数据。

步骤3、构建过热器爆管的LSTM模型，长短期记忆网络简称为LSTM。

步骤4、将步骤2中处理好的训练集数据输入步骤3设定的LSTM模型，单个训练样本的输入为过热器数据矩阵；输出为该训练样本的标签值；得到训练后的LSTM模型。

步骤5、将步骤2中处理好的测试集数据输入步骤4训练后的LSTM模型，单个测试样本的输入为过热器数据矩阵；输出为该训练样本的标签值；得到训练好的LSTM模型。

步骤6、取指定实时长度的过热器数据，按照步骤2对该过热器数据进行处理，并输入已经训练好的LSTM模型，得到预测标签值，预测标签值在0到1之间，预测标签值越接近0，发生爆管的概率越小，越接近1，发生爆管的概率越大；当输出的预测标签值大于设定的预警阈值，对过热器进行爆管预警。