何修年 杜承德 宗珂
华电邹县发电有限公司 山东枣庄 277103
摘要：针对脱硝SCR改造后空预器极易堵塞的问题，本文基于梯度提升决策树建立了一种空预器灰污检测模型，以DCS的一些相关参数为输入，以灰污程度为输出，通过BP神经网络与GBDT模型的对比，验证了该模型在预测方面具有较高的准确性。以该模型作为某超超临界机组灰污监测系统的一部分，实现了对各受热面和烟道的灰污监控。根据建立起的各位置模型，实现了机组的智能吹灰，提高了机组运行的经济性和安全性。
关键词：灰污监测；GBDT；智能吹灰；空预器
1 引言
随着我国经济的快速发展，电力需求不断增长，在2000-2010的电力发展黄金十年中，火力发电作为增长主体，装机容量增长迅猛。近十年随着清洁能源及排放标准的严格，二氧化硫、氮氧化物、烟尘等污染处理技术不断提高，由电力生产引起的污染进一步降低，但燃煤机组在我国电力产业中占据着绝对的主导位置，且由于主力脱硝方法SCR的广泛推广，空预器堵塞的情况越发频繁。空预器是火电机组机组烟气系统的重要设备，其功能是回收烟气的部分热量，当空预器发生积灰甚至堵塞情况时，轻则造成空预器换热效果下降，重则会导致影响空预器运行安全，威胁机组生产稳定[1]。因此空预器的吹灰非常重要，对空预器吹灰进行研究，通过机组的运行参数判断空预器吹灰的最佳频次和时长，对于提升机组运行安全和经济性有着优良的效果。
2研究现状：
针对空预器方面：赵明、孙平等人提出了一种利用Elman神经网络建立空预器积灰监测模型的方法[2],利用Elman神经网络模型在非线性模型拟合与系统动态特性方面的优点，实现了空预器积灰监测的稳定预测；苏芳针对空预器温度预测进行了研究，提出了一种基于PSO的T-S模糊模型自适应学习辨识算法[3]；梁炎明,张鹏等人针对空预器转子内温度变化较为缓慢的特点，以空预器的相关测量参数为基础，建立了空预器温度软测量模型，从而实现对空预器运行状态的监测，为空预器温度安全监控奠定了基础[4];南京常荣公司针对某超超临界机组脱硝改造后导致的空预器堵塞问题，进行了空预器吹灰系统改造，并根据空预器的污染因子对吹灰系统进行监控和优化[5]。Penglong Lian等人进行了回转式空预器热变形预测的软测量研究，提出了一种基于DBN-IPSO-SVR的软测量方法[6]。
在GBDT方面，国内外也进行了许多应用性研究，徐永瑞,左丰恺等人使用改进型GBDT模型与LSTM模型进行了对比试验，通过不同指标的对比，得到了运算速度及泛化程度更高的负荷预测模型[7]; 曲佳琪,钱政等人针对工业测量系统中温度在线监测的需求，设计了基于GBDT的热电偶在线监测模型，解决了热电偶在补偿计算时冷端补偿不精确的问题[8]；Liang W, Luo S,等人对使用GBDT、XGBOOST、LIGHTGBM方法对矿山支柱的支撑性能进行了预测研究，分析了平均支柱应力与柱宽柱高之间的关系[9]；雷亚飞根据GBDT方法进行了工业互联网+油动机液压系统状态监测与故障诊断研究[10]，刘金硕，刘必为等人基于GBDT设计了关于故障大类、故障小类与设备生命周期的预测模型，提出了一种基于该模型的预警手段[11]。张子薇研究了光伏发电的功率预测技术，通过二阶优化与正则化改进GBDT算法模型实现了电功率预测[12]，许贤泽,刘静等人使用Spark平台对电力用户进行了数据分析，建立了基于梯度提升决策树的负荷预测模型[13]。
本文采用GBDT方法实现空预器灰污程度的实时监测，从而在发现空预器灰污程度达到经济性要求时进行适时吹灰，实现吹灰的智能化。
3 梯度提升决策树
梯度提升决策树（Gradient Boosting Decision Tree,GBDT）是一种Boosting算法，具有适用面广、运算高效等特点。该方法由Friedman提出[14]，其基本思路主要是由PAC学习模型演变而来，通过对多种弱分类器的集成，建立一个强分类模型[15,16]。其与随机森林类似，通过将弱分类器提升为强分类器，最终都是由多颗决策树一起进行判断。梯度提升决策树通过梯度提升算法集成了多颗决策树，解决了单独使用决策树时容易过拟合的缺点，即使用预测值与实际值之间的残差进行下一轮的预测，最后将所有预测按照不同的权重进行求和。图1是GBDT算法训练过程示意图。
.png)
最终得到的回归树相比弱学习器具有较好的预测效果，本研究中我们采用了GBDT方法进行了回归预测，使用负荷、风量、燃料量、空预器烟气压力、烟气温度等参数作为输入量进行了空预器灰污系数的预测。
4 空预器灰污监测模型
本研究建立的模型主要的预测输出量是空预器的灰污程度，以后简称灰污度，灰污度是通过对空预器烟气进出口差压进行过量空气系数、燃料量修正，然后再根据机组的实际工况设定理论区间得到的。表1为采用的修正标准工况下对应的氧量及燃料量数值。
表1 修正系数采用标准工况参数表
Table 1 Correction coefficient with a standard condition parameter
.png)
3.1 实施流程
空预器灰污程度监测模型是根据当前机组运行状态数据，由其相关参数变化曲线通过模型预测得出其当前时间的理论灰污程度值，并将该预测值应用于异常报警及智能吹灰的控制。根据空预器的工作原理，，结合运行专家现场经验，初步确定空预器灰污程度的相关影响参数如机组负荷、燃料量、总风量等。建模流程如图2 所示
.png)
图2 建模过程
Fig. 2 Model building process
3.2数据处理
首先，针对来自SIS系统的数据中存在的缺失，本研究将所有信号值按照时间先后顺序进行排列，对于有些时间点有空缺的信号值，我们采用了线性插值法对缺失数据进行补齐。
.png)
其中，0时刻为插值前时刻，1时刻为插值后时刻，x为时间序列，y为该参数数值。对于数据中存在的异常值，本研究采用3sigma方法进行了数据处理。
经过处理之后的数据如表2所示：
表2 空预器灰污程度相关数据
Table 2 Air preheater fouling degree of relevant data
.png)
3.3 模型选择
本研究使用了GBDT、BP两种模型进行了模型的对比实验。通过将训练集与测试集数据按照0.7:0.3的比例进行拆分，我们进行了进行模型训练，表3即本次试验中所使用的模型及训练主要参数。
表3 测试模型参数
Table 3 Test model parameters
.png)
图3 模型预测效果对比
Fig. 3 Comparison of prediction effects of models
通过图3我们可以判断出在空预器灰污程度的预测模型中，虽然两种方法都有不错的准确性，但很明显GBDT模型的预测效果更好，因此采用GBDT方法建立空预器灰污程度监测模型会更加符合该空预器的动态特性。
3.4训练调优
使用经过处理的空预器相关数据共10000条进行了最终的模型训练，并通过不同的时长进行了测试，通过对比可以发现，在50S、20S、10S三个不同的采样时间间隔中，采样间隔越短，模型的训练效果越好。表3即为不同采样时长对训练模型的影响对比：
表3时长影响对比
Table 3 Time-Length effect contrast
.png)
图6 间隔10S预测
Fig. 6 Interval 10 s prediction
根据图4、图5、图6之间的对比可以了解到，采用更短的采样时间间隔，模型对于数据的细节拟合度越高。
3.5结果分析
经过以上历史数据输入、数据处理、模型选择、训练调优等步骤完成了空预器灰污监测模型的建立，由图3我们可以了解到GBDT方法建立的模型拥有更好的拟合效果，更适合构建该工况下的灰污监测模型；并且在取自SIS数据的基础上采用不同的时间间隔程度进行训练，最终通过模型得分与预测效果的对比验证，在采集数据总量确定的情况下，使用更短的数据采样时间间隔，模型的训练效果越好。
5 结论
本研究建立了空预器灰污监测模型，并将其与辐射式受热面、半对流半辐射式受热面灰污监测模型有机结合，共同建立整个机组的灰污监测系统，从而实现机组整体吹灰的智能化、灰污程度的可视化。根据本研究表明，在该机组的运行工况下，基于GBDT建立的灰污监测模型相比BP神经网络能够更好地对灰污状况进行预测，能够更好地符合机组的运行特性。由于本研究基于SIS系统数据开展，因此所能取得的最小采样时间间隔为10S，相信如果可以接入DCS系统并使用更小的采样间隔获取的数据进行模型训练，会取得更加良好的预测效果。
参考文献：
[1] 贾昌明,王泰锦,林帆,卢熠然.燃煤电厂空预器堵塞的预防与治理[J].节能与环保,2020(04):48-49.
[2] 赵明,孙平.基于Elman神经网络空预器积灰监测的研究[J].节能技术,2016,34(02):165-168.
[3] 苏芳.基于PSO的T-S模糊模型辨识算法预测空气预热器温度[J].科技经济市场,2019(03):12-13.