一种循环流化床锅炉机组床温预警系统

摘要

本发明涉及一种循环流化床锅炉机组床温预警系统，包括DCS系统、数据预处理模块以及智能预测模块；所述DCS系统与所述数据预处理模块之间通过通讯模块进行数据通讯；所述数据预处理模块包括数据预处理子模块、输入选择子模块以及异常数据检测子模块；所述智能预测模块包括聚类算法子模块、聚类模型子模块、分类数据存储子模块以及预测模型子模块。本发明通过聚类将不同工况的数据区分出来分别构建预测模型，提高床温预测的准确性，实现对未来时刻床温的监测，同时能够根据预测值及数据特征做出相应的预警信号，能够为现场运行人员提供床温预警信息，提高机组运行效率和安全性。

说明书

技术领域

本发明属于智能发电技术领域，特别涉及一种循环流化床锅炉机组床温预警系统。

背景技术

近年来，随着社会对环保要求的提升。我国新能源电力发展迅速，风电装机超越美国，居世界第一位；2019年中国新增光伏装机容量30.1GW,连续7年位居全球第一,光伏产业出货量占据全球70%以上的份额。截至2019年，全国风光装机量已达3.9亿千瓦，位居世界第一。要推动社会的可持续发展，除了需要新能源发电技术的发展，还需要提高传统火力发电技术，提升火电机组的变负荷能力。洁净煤技术是我国保障发电行业可持续发展的战略措施之一，循环流化床(CFB)燃烧发电技术是洁净煤技术的一个重要研究领域。CFB锅炉具有诸多优点，主要包括：燃料适应性强；燃烧效率高；清洁燃烧。循环流化床燃烧技术能够适应中、低硫煤，并且燃烧效率能达到95%~99%，CFB锅炉的脱硫率可达80%~95%，NOx排放可减少50%。

随着新能源并网容量的增加，国家对火电机组的灵活性和变负荷能力有了更高的要求。在循环流化床中，床温是一个极为重要的运行参数，床温反应了炉膛内燃料的燃烧状态和蓄能情况，控制人员可通过对床温的监控，调整控制策略，保证燃烧的稳定性。床温在一定程度上决定了机组运行情况的好坏，最佳的床温应当被控制在850℃-950℃之间，若床温过高，容易导致流化床体结焦，影响机组安全运行；但床温太低，会降低炉内温度从而降低燃烧效率，甚至造成锅炉灭火的危险，同时当存在大量未燃尽的燃料颗粒时，会导致尾部烟道中的固体颗粒燃烧，发生重大事故。床温过高或者过低会都会直接影响CFB锅炉的运行效率，所以必须将床温控制在一定范围内。传统监测方法主要通过现场测点进行，床温变化时，若不能及时地做出控制策略，那么锅炉地整体运行效率将受到影响。

因此，对床温的预警对于机组的安全稳定运行是非常有利的，同时这也是智能发电技术中非常重要的一个环节。在运行过程中，若能对机组床温进行预测和监测，那么控制系统及控制人员可以依据预测值及预警信号，对当前控制策略作出调整，提高机组运行效率和安全性，保证机组安全稳定运行。

发明内容

本发明为解决公知技术中存在的技术问题提供一种循环流化床锅炉机组床温预警系统，对机组床温进行预测和监控，为现场人员的操作提供预警信息，帮助现场人员及时对故障进行处理，提高机组运行的安全性。

本发明包括如下技术方案：一种循环流化床锅炉机组床温预警系统，包括DCS系统、数据预处理模块以及智能预测模块；所述DCS系统与所述数据预处理模块之间通过通讯模块进行数据通讯；所述数据预处理模块包括数据预处理子模块、输入选择子模块以及异常数据检测子模块；所述智能预测模块包括聚类算法子模块、聚类模型子模块、分类数据存储子模块以及预测模型子模块。

所述通讯模块硬件上通过网线与服务器相连接；所述通讯模块通讯传输上通过http协议模式实现DCS系统及服务器之间的通讯。

进一步的，所述DCS系统提供机组运行数据，所述运行数据包含历史数据库和在线数据；所述历史数据库用于智能预测模块的训练和验证。

进一步的，所述数据预处理子模块对数据的清洗和归一化处理；处理所述在线数据时，所述数据预处理子模块对输入变量进行选择。

进一步的，所述异常数据检测子模块对在线数据进行异常数据检测并输出故障预警信号；所述异常数据检测子模块通过历史数据库进行训练和验证。

进一步的，所述聚类模型子模块存储现有的聚类模型并根据在线数据的输入，区分当前工况类别，连接预测模型子模块，为预测模型子模块提供模型选择信号。

进一步的，所述输入选择子模块对数据进行变量相关性分析，同时结合机理先验知识对聚类算法子模块的输入进行选择；并将结果更新在数据预处理子模块中，减少在线数据处理的运算量。

进一步的，所述聚类算法子模块对数据输入进行权重设定，对数据进行无监督聚类，实现对各工况进行区分。

进一步的，所述预测模型子模块存储训练好的预测子模型，根据聚类模型子模块的信号进行预测子模型的选择，输出实时预测值，并根据实时预测值发出阈值预警信号。

进一步的，所述预测子模型采用长短期记忆神经网络（LSTM网络）对每一类数据进行模型构建。

进一步的，所述分类数据存储子模块存储聚类算法子模块依据聚类模型子模块对历史数据库的数据分类结果，所述分类结果作为预测模型子模块的训练和验证。

床温预警系统内部计算流程：DCS系统将数据通过通讯模块传输进数据处理模块。在数据处理模块中，数据预处理子模块对数据进行清洗和归一化处理；输入选择子模块对预处理之后的数据进行筛选，依据数据相关性及和机理先验知识进行选择；经过选择后的数据一边被送到智能预测模块中，另一边被送到异常数据检测子模块中；所述异常数据检测子模块中通过历史数据库数据进行训练和验证，对在线数据进行检测，若出现异常则发出故障预警信号。

在智能预测模块中，聚类算法子模块根据输入数据进行聚类；依据聚类模型子模块将历史数据进行划分，各类别数据存储在分类数据存储子模块中；依据各类别数据，按照比例将数据划分为训练集和测试集，建立各类别下单独的预测子模型；各类预测子模型被存储在预测模型子模块中，预测模型子模块根据聚类模型子模块的模型选择信号，选择相应的预测子模型，实现对在线数据的预测，系统根据实时预测值发出阈值预警信号。

本发明具有的优点和积极效果：与现有技术相比，本发明通过聚类将不同工况的数据区分出来分别构建预测模型，提高床温预测的准确性，实现对未来时刻床温的监测，同时能够根据预测值及数据特征做出相应的预警信号，能够为现场运行人员提供床温预警信息，提高机组运行效率和安全性。

附图说明

图1是本发明的流程示意图。

图中，1-DCS系统；2-通讯模块；3-历史数据库；4-在线数据；5-数据预处理子模块；6-输入选择子模块；7-异常数据检测子模块；8-聚类算法子模块；9-聚类模型子模块；10-分类数据存储子模块；11-预测子模型；12-预测模型子模块；13-实时预测值；14-阈值预警信号；15-故障预警信号；16-数据处理模块；17-智能预测模块。

具体实施方式

为能进一步公开本发明的发明内容、特点及功效，特例举以下实例并结合附图详细说明如下。

实施例：参阅附图1，一种循环流化床锅炉机组床温预警系统，包括DCS系统1、数据预处理模块16以及智能预测模块17；所述DCS系统1与所述数据预处理模块16之间通过通讯模块2进行数据通讯；所述智能预警模块17及数据处理模块16，通过外挂服务器的方式进行实施，服务器型号为戴尔PowerEdge R740，运行环境为Windows 7，模块子程序通过python实现。所述通讯模块2硬件上通过网线与服务器相连接；所述通讯模块2通讯传输上通过http协议模式实现DCS系统1及服务器之间的通讯。所述DCS系统1提供机组运行数据，所述运行数据包含历史数据库3和在线数据4；所述历史数据库3用于智能预测模块17的训练和验证。

所述数据预处理模块16包括数据预处理子模块5、输入选择子模块6以及异常数据检测子模块7：

所述数据预处理子模块5对数据的清洗和归一化处理；处理所述在线数据4时，所述数据预处理子模块5对输入变量进行选择；所述输入选择子模块6对数据进行变量相关性分析，同时结合机理先验知识对聚类算法子模块8的输入进行选择；并将结果更新在数据预处理子模块5中，减少在线数据处理的运算量；所述异常数据检测子模块7对在线数据4进行异常数据检测并输出故障预警信号15；所述异常数据检测子模块7通过历史数据库3进行训练和验证。

所述智能预测模块17包括聚类算法子模块8、聚类模型子模块9、分类数据存储子模块10以及预测模型子模块12：

所述聚类算法子模块8对数据输入进行权重设定，对数据进行无监督聚类，实现对各工况进行区分；所述聚类算法子模块8依据聚类模型子模块9对历史数据库3进行划分，各类别数据存储在分类数据存储子模块10中；依据各类别数据，按照比例将数据划分为训练集和测试集，建立各类别下单独的预测子模型11；所述聚类模型子模块9存储现有的聚类模型并根据在线数据4的输入，区分当前工况类别，连接预测模型子模块12，为预测模型子模块12提供模型选择信号；所述分类数据存储子模块10存储聚类算法子模块8依据聚类模型子模块9对历史数据库3的数据分类结果，所述分类结果作为预测模型子模块12的训练和验证；所述预测模型子模块12存储训练好的预测子模型11，根据聚类模型子模块9的信号进行预测子模型11的选择，输出实时预测值13，并根据实时预测值13发出阈值预警信号14。所述预测子模型11采用长短期记忆神经网络（LSTM网络）对每一类数据进行模型构建。

床温预警系统内部计算流程：DCS系统1将数据通过通讯模块2传输进数据处理模块16。在数据处理模块16中，数据预处理子模块5对数据进行清洗和归一化处理；输入选择子模块6对预处理之后的数据进行筛选，依据数据相关性及和机理先验知识进行选择；经过选择后的数据一边被送到智能预测模块17中，另一边被送到异常数据检测子模块7中；所述异常数据检测子模块7中通过历史数据库3数据进行训练和验证，对在线数据4进行检测，若出现异常则发出故障预警信号15。

在智能预测模块17中，聚类算法子模块8根据输入数据进行聚类；依据聚类模型子模块9将历史数据进行划分，各类别数据存储在分类数据存储子模块10中；依据各类别数据，按照比例将数据划分为训练集和测试集，建立各类别下单独的预测子模型11；各类预测子模型11被存储在预测模型子模块12中，预测模型子模块12根据聚类模型子模块9的模型选择信号，选择相应的预测子模型11，实现对在线数据4的预测，系统根据实时预测值13发出阈值预警信号14。

尽管上面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，在不脱离本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。这些均属于本发明的保护范围之内。