基于证据融合的锅炉受热面吹灰诊断方法

基于证据融合的锅炉受热面吹灰诊断方法
陈琪琪;钱虹;张连垚
【摘要】为实现锅炉受热面的吹灰优化,以锅炉受热面的吸热特性和专家吹灰经验为指导,运用相关性分析、聚类分析等算法对实际生产数据和吹灰记录进行挖掘整理,完成吹灰组合模式的确定、特征参数的提取及相关变量的设定.实际测试结果表明多证据融合推理的诊断方法能够有效利用各方面的特征信息,提高吹灰组合模式识别的准确性,符合电厂实际吹灰需求,达到节能减排的目的.
【期刊名称】《电力科学与技术学报》
【年(卷),期】2018(033)003
【总页数】6页(P134-139)
【关键词】吹灰优化;数据挖掘;特征参数;证据理论;模式识别
【作者】陈琪琪;钱虹;张连垚
【作者单位】上海电力学院自动化工程学院 ,上海 200090;上海电力学院自动化工程学院 ,上海 200090;上海市电站自动化技术重点实验室上海 200072;上海电力学院自动化工程学院 ,上海 200090
【正文语种】中文
【中图分类】TK227.3
锅炉带负荷运行时，对受热面进行蒸汽吹扫是保证其传热性能的一种有效手段。

目前，燃煤电站锅炉吹灰多以定时定量的方式将各受热面全部吹扫一遍。

这种盲目且
集中的吹灰方式，不仅会造成受热面的吹损，而且会对机组运行参数的稳定性产生影响，降低机组运行效率[1]。

国内外研究者，通过各种方法对锅炉吹灰进行优化[2-5]。

文献[2]以热平衡计算为基础，定义了表征受热面的积灰程度的清洁因子CF，开发基于受热面的积灰程度的在线监测系统。

文献[3]从锅炉效率和排烟损失偏差的角度，建立了锅炉灰污染损失数学模型，该模型可定量分析并确定最佳的吹灰周期。

文献[4]对DAS系统采集的数据进行分析，以不同工况下洁净受热面吸热量为样本对网络进行训练，实现对受热面的积灰程度的辨识和判断。

文献[5]建立了悬浮颗粒沉积物和积灰消除过程的综合悬浮粒子积灰模型，根据模型得到流体动力学仿真估算，确定受热面污垢的分布和积灰生成特性。

实际情况下，火电厂配煤掺烧、AGC机组负荷指令随时间动态变化、热工参数的波动及样本数量的局限等都会导致模型预测精度难以保证[6]。

证据理论信息融合能够综合利用各方面的特征信息进行推理和判断，其在复杂系统的故障诊断、模式识别、方案决策及综合评价中都有广泛应用，有基于D-S证据理论的电网故障诊断辅助决策方法[7]、基于D-S证据理论的海事管理综合评价[8]等。

该文以某320 MW燃煤机组为对象，从理论上定性分析各受热面的积灰程度和机组运行参数的关系；以电厂吹灰记录及实际生产数据为基础，结合领域专家知识用数据挖掘的方法量化特征参数与各吹灰组合模式间的关系。

特征参数可转换为相应的证据，通过多证据的融合和推理，得出更加精准的受热面吹灰诊断结论，为实现按需吹灰，维持机组运行参数相对稳定作参考。

1 证据理论
1.1 DS证据融合
定义1 Θ为辨识框架，由一系列完备、互不相容的命题组成，即Θ={θ1,
θ2,…θN}，Θ所有子集的集合称为幂集，用2Θ表示。

映射m：2Θ→[0,1]为辨识
框架Θ上的基本概率分配函数满足：
(∅)=0
(1)
式中 m(A)称为焦元A的基本概率分配。

定义2 E和F为辨识框架Θ上的2个证据，m1和m2为其对应的基本概率分配函数，则D-S合成规则为
[m1⊕
(2)
(3)
式中⊕表示直和。

N能够反映证据的冲突程度，证据冲突越大，N值越小。

1.2 多证据合成法则
实际情况下，辨识框架中的命题可能与多个证据有关，可将2个证据的合成规则推广到多个证据的合成。

设在同一辨识有n个基本概率分配函数m1,m2,…,mn，则对应的合成法可表示为m={[m1⊕m2] ⊕m3…}mn，最终得到一个多证据联合作用产生的基本概率分配函数。

2 基于证据理论信息融合的锅炉受热面吹灰诊断方法
首先，根据吹灰记录确定辨识框架中的命题。

其次，通过对电厂历史数据和吹灰记录的挖掘分析，找出表征积灰的特征参数并用均值聚类的方法，确定各吹灰模式下各特征参数的边界。

然后，将特征参数表达为吹灰判断依据的证据集em，证据集em按照多证据进行融合推理。

最后，根据相应的诊断决策规则，得出最优吹灰诊断结论。

多证据信息融合的受热面吹灰诊断模型如图1所示。

图1 多证据信息融合锅炉受热面吹灰诊断方法Figure 1 Multi-evidence information fusion boiler heating surface soot blowing diagnostic method
2.1 辨识框架中各命题的确定
锅炉吹灰区域顺烟气流向分为5个独立的吹灰片区：水冷壁、屏式过热器、高温过热器、高温再热器、低温过热器、低温再热器。

前期通过修改程控吹灰程序，实现了现场运行人员可自定义组合吹灰序列的功能。

根据吹灰对受热面吸热分布的影响，不同受热面吹灰组合模式可作为辨识框架中的命题，可描述为
Y=[Y1,Y2,…,Yj,…,Yn]T
(4)
式中 Yj表示辨识框架Y中第j个命题；n表示辨识框架Y中命题的个数。

根据专家经验及现场吹灰记录，总结使用频繁、有一定规律的5种受热面吹灰组合模式(n=5)分别为
Y1={水冷壁}，
Y2={高温再热器，低温再热器}，
Y3={屏式过热器，高温过热器，高温再热器}，
Y4={高温过热器，低温过热器}，
Y5={屏式过热器，高温再热器，低温再热器}。

2.2 特征参数集的确定
根据该领域专家吹灰经验，用机理分析，数理统计和相关性分析等方法对吹灰开始前及吹灰结束后的8 000组实际生产数据进行挖掘整理，筛选吹灰前、后变化较明显的参数集作为表征受热面积灰的特征参数集X。

吹灰组合模式的选择与多个特征参数有关，为使诊断结果准确，须保证吹灰组合模式Yj与特征参数集X为一一映射关系，即存在g:X↔Yj。

X=[X1, X2,…,Xi ,…, Xm]T
(5)
式中 X表示与Yj对应的特征参数集；m表示特征参数的个数。

根据吹灰记录，提取吹灰前及吹灰结束后的数据，对比分析整理出变化较明显且与吹灰相关性较高的特征参数(m=5)分别为
X1={主蒸汽温度}，
X2={过热减温水流量}，
X3={再热蒸汽温度}，
X4={再热减温水流量}。

2.3 k-means聚类方法
提取同一命题下的样本数据共t个，样本数据集可表示为x=[x1,x2,…，xp，…, xt]，第p个样本数据可表示为xp=[xp1,xp2,…, xpm]T ，m为样本数据中属性的个数，xpm表示第p个样本数据中的第m个属性的具体取值，对样本数据集x进行均值聚类分析具体步骤如下：
1) 待聚类的样本数据集x=[x1,x2,…xp，…, xt]，将其划分为k个簇Ci，簇Ci的均值为zi，即zi为簇Ci的中心(i=1,2,…,k)。

2) 遍历待聚类的样本数据集，计算各样本数据与簇Ci的中心zi的相似度d，将其分配给最相似的簇。

相似度d计算是以样本数据到簇的中心zi的欧式距离为标准,具体如下:
(6)
其中，p=1,2,…，t，i=1,2,…，k；xp和zi是m维的数据对象。

3)重新计算每个新簇的中心即该簇中的所有样本数据的均值；
4)重复步骤2、3进行迭代，直到标准测度函数收敛。

2.4 特征参数证据化表达
选取辨识框架中同一命题对应的吹灰前10 min的数据作为限值的样本集，吹灰结束后10 min的数据作为阈值的样本集。

分别对限值样本集、阈值样本集进行k-
means聚类分析，可得到确定各命题下对应特征参数的限值和阈值。

根据吹灰前、后特征参数的变化，可确定每个命题下各特征参数的变化趋势。

模糊隶属度函数可结合变化趋势、阈值和限值将特征参数Xi转化为具有一定置信度的证据e[9]，如
图2所示。

图2 模糊隶属度函数Figure 2 Fuzzy membership function
图2中FL、N和FH分别表示特征参数趋势为异常低、正常和异常高。

Xmin、XL 分别为参数异常低时对应的限值和阈值，Xmax、XH分别为参数异常高时对应的
限值和阈值。

证据e的置信度Pe是对特征参数偏离界限状态的表述，它反映了参数的异常程度，取值范围为[a,1][10]。

根据各特征参数的模糊隶属度函数，归一化为各命题下各证据集的基本概率分配函数，具体如下：
(7)
其中，M为证据置信度矩阵；mi表示第i个证据，下标m表示证据的个数；mij
表示第i个证据在第j个命题下的基本概率分配，n表示表示辨识框架中命题的个数。

2.5 辨识框架模式识别决策规则
由式(6)得到某T时刻证据e1,e2,…，em对应的基本置信概率分配分别为
m1,m2,…,mm，按照多个证据的合成规则进行合成，得到该时刻多个证据联合作
用在各命题上的基本概率分配函数值分别为m(Y1(T)), m(Y2(T)),…, m(Yn(T))；根
据信度函数值最大的原则从命题集Y中选择命题YSel(T)[11]:
a(T)=max(m(Yj(T))- β),j=1,2,…,n)
(8)
当a(T)>0时,YSel(T)= Yj(T)；否则，YSel(T)=YSel(T-1)，即与前一时刻保持一致。

其中，T为对应时刻，β为临界吹灰置信度，YSel(T)为T时刻命题集合Y中最优的备选吹灰模式。

3 基于证据融合电站锅炉受热面吹灰诊断方法计算实例
以水冷壁吹灰模式(Y1模式)下各特征参数阈值、限值计算为例。

由电厂吹灰记录可知，Y1模式吹灰样本数据共1 720组，该模式下吹灰前10 min的限值样本集如表1所示。

该模式下吹灰结束后10 min的阈值样本集如表2所示。

对比表1、2中的数据可得吹灰前、后各特征参数的变化趋势。

根据k-means聚类算法(k=2)分别对Y1模式下吹灰前、后10 min限值样本集和阈值样本集进行聚类分析，可得到Y1模式下各特征参数限值和阈值，可用“(阈值，限值)”二元组表示。

同理，对其他模式下样本数据进行分析，得到对应模式下各特征参数的变化趋势、阈值和限值，如表3所示。

表1 Y1模式吹灰开始前10 min样本数据Table 1 Y1mode soot before starting 10 min sample data序号负荷/MW主蒸汽温度/℃过热减温水流量
/( t/h)再热蒸汽温度/ ℃再热减温水流量
/(t/h)1212.6542.812.0541.113.12213.4542.411.9540.812.83214.8542.012.35 40.411.8……………1 720217.4539.34.7539.612.3
表2 Y1模式吹灰结束后10 min样本数据Table 2 Y1mode after the end of soot 10 min sample data序号负荷/MW主蒸汽温度/℃过热减温水流量/(t/h)再热蒸汽温度/ ℃再热减温水流量
/(t/h)1213.9535.03.4537.92.92214.8535.43.8536.94.03215.3535.94.0535.95. 1………………1 720217.5532.21.6536.34.5
表3 各模式下特征参数的阈值和限Table 3 Thresholds and limits for characteristic parameters in each
modeX1X2X3X4Y1(536.6,541.9)(4.5,11.4)(535.2,542.6)(5.5,11.2)Y2(527.0,537
.4)(2.5,10.2)(540.4,533.9)(13.9,5.5)Y3(539.8,533.1)(9.9,5.7)(538.8,544.3)(9.4,1 4.1)Y4(539.8,535.3)(10.2.5.6)(534.2,538.2)(4.1,10.3)Y5(540.9,532.8)(11.0,4.4)( 541.1,532.0)(9.5,3.8)
根据吹灰前、后特征参数的变化趋势及上述该二元组的取值，各特征参数的实时取值可根据模糊隶属度函数和式(7)转化为相应命题下的证据置信度矩阵M。

4 各吹灰组合模式吹灰置信度测试结果
该文随机从实时数据库中获取一天的生产数据(1 min 更新一次)，并将其转换成相应证据置信度矩阵M，然后按照多证据合成法则进行合成，得出辨识框架Y中各吹灰组合模式对应的置信度，如图3～7所示。

根据多模式识别的特点和对数据的观察，暂设定临界吹灰置信度β=0.5。

图5 700～1 000 min时间段，Y4模式置信度集中超过了临界吹灰置信度，符合电厂每天吹灰一次的需求，也可初步表明各模式下对应受热面的积灰状态。

图3 Y1模式吹灰置信度Figure 3 Y1 model soot blowing confidence
图4 Y2模式吹灰置信度Figure 4 Y2 model soot blowing confidence
图5 Y3模式吹灰置信度Figure 5 Y3 model soot blowing confidence
图6 Y4模式吹灰置信度Figure 6 Y4 model soot blowing confidence
图7 Y5模式吹灰置信度Figure 7 Y5 model soot blowing confidence
测试结果表明：根据该领域专家吹灰经验和对实际生产数据的挖掘分析，通过多证据的信息融合得出诊断结论，符合电厂吹灰需求。

与改造之前的程控吹灰相比，优化后的吹灰既保证锅炉吸热，减少了各受热面的吹灰次数，节约了吹灰蒸汽，又维持机组主蒸汽温度和再热气温的相对稳定，减少了再热减温水的使用，达到了优化吹灰的目的。

5 结语
该文构建了一种基于证据信息融合受热面吹灰诊断方法，采用历史数据和积灰机理
相结合的方式对数据进行分析，用均值聚类的方法，确定了证据的相关参数，并通过实际数据对该方法进了测试得到了较为满意的结果。

由于样本数量的限制，特征参数的阈值、限值及吹灰组合模式的确定都存在进一步优化的空间，因此，还需在维持机组运行参数稳定和节能的前提下，不断积累样本数据用于有效优化各参数，使证据融合的结果能更准确表达受热面的积灰程度。

参考文献：
【相关文献】
[1]赵清明,孔令君,郭蓓, 等. 锅炉智能吹灰优化系统研发与应用[J]. 中国电力,2007,40(2):36-39. ZHAO Qing-ming, KONG Ling-jun, GUO Bei, et al. R&D and application of the intelligent boiler soot blowing optimization sys-tem [J]. Electric Power, 2007,40(2):36-39.
[2]阎维平, 梁秀俊, 周健. 300 MW燃煤电厂锅炉积灰结渣计算机在线监测与优化吹灰[J]. 中国电机工程学报, 2000,20(9):85-89.
YAN Wei-ping, LIANG Xiu-jun, ZHOU Jian, et al. Ash monitoring and soot blowing optimization of a 300 MW coal-fired utility boiler [J]. Proceedings of theCSEE,
2000,20(9):85-89.
[3]杨卫娟, 周俊虎, 刘建忠. 电站锅炉吹灰方案的合理制定[J]. 热力发电,2002(4):15-19.
YANG Wei-juan, ZHOU Jun-hu, Liu Jian-zhong. Rea-sonable formulation of soot-blowing scheme for pow-er station[J]. Thermal Power Generation, 2002(4):15-19.
[4]喻火明, 孙保民, 徐鸿等. 锅炉受热面积灰在线监测的研究[J]. 工程热物理学报, 2006,27(3): 534-536.
YU Huo-ming，SUN Bao-min，XU Hong，et al. Research on-line fouling monitoring of boiler heating surface [J]. Journal of Engineering Thermophysics, 2006,27(3):534-536. [5]徐啸虎, 周克毅, 胥建群. 锅炉灰污染损失数学模型[J]. 中国电机工程学报, 2010,30(32):20-24. XU Xiao-hu, ZHOU Ke-yi, XU Jian-qun. Mathematical model of thermal loss of utility boiler caused by ash deposition[J]. Proceedings of the CSEE, 2010,30(32):20-24.
[6]信晶, 孙保民, 肖海平. 应用支持向量机监测电站锅炉受热面积灰研究[J]. 中国电机工程学报, 2013,33(5):21-27.
XIN Jing, SUN Bao-min, XIAO Hai-ping. Research on applying support vector machine to monitor ash d-eposition of heating surface in a utility [J]. Proceedings of the CSEE,
2013,33(5):21-27.
[7]刘毅, 刘中平, 陈建民. 一种基于D-S证据理论的电网故障诊断辅助决策方法[J].华东电力, 2014,42(12):2 842-2 846.
LIU Yi, LIU Ping-zhong, CHEN Jian-min. Auxiliary decision method for power grid fault diagnosis based on D-S evidence theory[J]. East China Electric power, 2014,42(12):2 842-2 846.
[8]李猛. 基于D-S证据理论的海事管理综合评价[D]. 大连：大连海事大学, 2013.
[9]蒋雯, 张安, 杨奇. 一种基本概率指派的模糊生成及其在数据融合中的应用[J]. 传感技术学
报,2008,21(10):1 717-1 720.
JIANG Wen, ZHANG An, YANG Qi. Fuzzy approach to construct basic probability assignment and it application in multi-sensor data fusion systems[J]. Chinese Journal of Sensors and Actuators, 2008,21(10):1 717-1 720.
[10]骆建波.核电站报警触发式智能诊断专家系统的研究[D].上海：上海电力学院, 2015.
[11]王奉涛, 马孝江, 朱泓. 基于Dempster-Shafer证据理论的信息融合在设备故障诊断中应用[J]. 大连理工大学学报, 2003,43(4):470-474.
WANG Feng-tao, MA Xiao-jiang, ZHU Hong. Research on fault diagnosis method base on Dempster-Shafer evidential theory [J]. Journal of Dalian University of Technology，2003,43(4):470-474.。