一种基于长短期记忆网络的过热器爆泄预警方法与流程

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。

技术实现要素：

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。

所述的指定实时长度为30分钟。

所述的t1时间段大于等于60分钟。

进一步的，步骤2所述的预处理，具体实现如下。

2-1.将获取的原始数据矩阵进行归一化处理，得到每个标签的归一化矩阵，归一化计算公式为；

其中：分别为原始数据矩阵中的行和列的索引，表示归一化后位置的矩阵元素，表示归一化前位置的矩阵元素，为归一化前j列中的最小矩阵元素，为归一化前j列中的最大矩阵元素。

2-2.将步骤2-1得到的单个标签的归一化矩阵，以30分钟为时间周期，在时间维度上按1分钟为步长进行滑动取样，形成30个样本数据，即每个标签可生成30个样本，单个样本为30*35大小的过热器数据矩阵。

2-3.将所有标签生成的所有样本分为训练集和测试集，训练集中爆管样本240个，非爆管样本240个；测试集爆管样本60个，非爆管样本60个。

进一步的，所述步骤2-2的样本，具体如下。

对于某个爆管标签生成的样本，在生成的过程中，对应的标签值标记为n/30，其中。

对于非爆管标签，其生成的样本数据标签值直接标记为0。

进一步的，步骤3所述的过热器爆管的lstm模型，具体实现如下。

所述的过热器爆管的lstm模型包括输入层、隐藏层和输出层。

输入层用于输入样本数据，且按照标签生成的样本数据的时间序列输入到输入层，隐藏层的作用是学习输入数据与输出数据的关系，输出层输出模型预测的结果。

进一步的，所述的过热器爆管的lstm模型的参数设置如下。

输入数据长度：35，对应过热器数据的35个测点。

时间序列长度:30，对应于单个样本30min的长度。

隐藏层神经元数：128。

所述的预警阈值取值为20/30。

本发明有益效果如下。

本发明创造性的关键环节是将过热器数据进行矩阵化和时间序列化，利用lstm对时间序列数据的学习和预测能力，对过热器爆管问题进行学习和预判，通过lstm学习时间维度上的规律，进而对新的过热器数据进行是否爆管的预测。

通过本发明预警能够取得如下优势。

1准确率高，本方案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。

2时效性及全面性，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。

3成本低。无需停机对过热器进行人工检查。提高了锅炉的运行效率，降低了人员的投入。

4可操作性强。模型的学习和预警能够自动运行，无需现场操作人员操作。给出的预警指标易于理解，方便操作人员进行判断。

附图说明

图1为本发明单个样本过热器数据矩阵生成示意图。

图2为本发明lstm模型的单个cell的结构图。

图3为本发明lstm模型在训练100轮后损失值趋近于稳定示意图。

图4为本发明lstm模型在训练100轮后准确率趋近99.65%示意图。

图5为本发明实施例中每半个小时采集一次模型的预测值曲线图。

图6为本发明流程图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

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(longshort-termmemory，简称lstm)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，实现了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。

实施例1。

如图6所示，一种基于长短期记忆网络的过热器爆泄预警方法，具体实现步骤如下。

步骤1、采集2019年全年锅炉过热器爆管的所有记录，从时间为2019年1月到2019年7月之间选取8条记录，从时间为2019年7月到2019年12月之间选取2条记录，共计10条记录；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，选取爆管的标签对应时间点前74分钟到前15分钟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59分钟到该对应时间点的过热器数据作为原始数据。每个标签都能够得到一个59*35大小的原始数据矩阵，并对原始数据按如下步骤进行预处理。

2-1.将获取的原始数据矩阵进行归一化处理，得到每个标签的归一化矩阵，归一化计算公式为；

其中：分别为原始数据矩阵中的行和列的索引，表示归一化后位置的矩阵元素，表示归一化前位置的矩阵元素，为归一化前j列中的最小矩阵元素，为归一化前j列中的最大矩阵元素。

2-2.将步骤2-1得到的单个标签的归一化矩阵，以30分钟为时间周期，在时间维度上按1分钟为步长进行滑动取样，形成30个样本数据，即每个标签可生成30个样本，单个样本为30*35大小的过热器数据矩阵，具体如下图1所示；

对于某个爆管标签生成的样本，在生成的过程中，对应的标签值标记为n/30，其中。例如，该标签生成的第一个样本的标签值标记为1/30,第二个样本的标签值标记为2/30，依次类推。

对于非爆管标签，其生成的样本数据标签值直接标记为0。

此举意图在于将爆管问题变为分类问题再变为回归问题。对于爆管问题而言，距离爆管时间点越近，爆管问题发生的可能性越大，反之亦然。如果将爆管的样本标签都设置为1显然不合适，因此将标签按时间顺序赋予不同的值。

2-3.将所有标签生成的所有样本分为训练集和测试集，训练集的时间为2019年1月到2019年7月，其中爆管样本240个，非爆管样本240个。测试集的时间为2019年7月到2019年12月，爆管样本60个，非爆管样本60个。

步骤3、构建过热器爆管的lstm模型，其包括：输入层、隐藏层、和输出层。

输入层用于输入样本数据，且按照标签生成的样本数据的时间序列输入到输入层，隐藏层的作用是学习输入数据与输出数据的关系，输出层输出模型预测的结果。

隐藏层的每个单元(cell)上一个单元和下一个单元之间传递两个状态，一个是长期状态c,一个是短期状态h。lstm正是利用长期状态c和短期状态h来学习时间维度上的规律。每个单元含有四个门(gate)，分别是遗忘门、输入门、状态门和输出门。

上一时刻传递的短期状态h与当前时刻输入的单个样本数据x，经过隐藏层自带的不同的矩阵w和激活函数计算后，形成四个门。

遗忘门：决定了上一时刻的长期状态ct−1有多少保留到当前时刻的长期状态ct，t表示当前t时刻。

输入门和状态门共同决定了当前时刻的输入有多少信息会与遗忘门的结果相加。

输出门：前三个门处理的信息相加后，经过tanh激活函数处理后，由输出门决定有多少信息作为短期状态被传递到下一时刻。

短期状态经过一个矩阵和sigmoid激活函数的处理作为隐藏层的输出。

lstm模型的单个cell的结构如图2所示。

lstm模型中需设置的参数如下。

输入数据长度：35，对应过热器数据的35个测点。

时间序列长度:30，对应于单个样本30min的长度。

隐藏层神经元数：128，模型有足够的复杂度以保证学习能力，且128为2的7次方，有利于模型的训练。

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30*35大小的过热器数据矩阵，其中30对应时间序列长度，35为每个单元输入数据长度。输出为该样本的标签值。训练轮数设置为600，每批次训练的大小为12。得到训练后的lstm模型。

由图3和图4可知，模型在训练100轮后的损失值趋近于稳定，准确率在99.65%左右。

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30*35大小的过热器数据矩阵，其中30对应时间序列长度，35为每个单元输入数据长度。输出为该样本的标签值。将输出的标签值与测试集数据中对应输入的测试样本的标签值进行比对，得到测试集数据的误差率；若测试集数据的误差率超出范围，则lstm模型再度进行训练优化。

步骤6、取实时长度为30分钟的过热器数据，按照步骤2-1-步骤2-3对数据进行处理，并输入已经训练好的lstm模型，得到预测结果（即标签值），预测结果的值在0到1之间，预测结果越接近0，发生爆管的概率越小，越接近1，发生爆管的概率越大。当输出的预测结果值大于设定的预警阈值，对过热器进行爆管预警。

所述的预警阈值取值为20/30。

本发明创造性的关键环节是将过热器数据进行矩阵化和时间序列化，利用lstm对时间序列数据的学习和预测能力，对过热器爆管问题进行学习和预判，通过lstm学习时间维度上的规律，进而对新的过热器数据进行是否爆管的预测。

实施例2。

如图5所示为2020年2月7号中午12点到2020年2月7号凌晨4点，每半个小时采集一次模型的预测值，可见爆管的发生概率逐渐增大，模型输出值接近0.8，说明有较大爆管风险。现场工作人员在随后的一次检修中发现过热器右侧的多根水管有过热，粗涨现象。证明模型的预测结果对过热器爆管有一定的指导意义。

本发明所述的min-max归一化方式可以换成z-score标准化，其共同点为：统一数据量纲，保证小量纲数据不被吞噬，加快网络的收敛。

本发明所述的术语学习：在机器学习任务中，某个评价标准（精度）在不断的经验积累下，提高在任务中的评价指标。

本发明所述的术语神经元：在机器学习中，神经元是人工神经网络的基本组成成分，这些神经元可以接收n个神经元传递过来的信号，并通过带权重的连接进行传递。

起点商标作为专业知识产权交易平台，可以帮助大家解决很多问题，如果大家想要了解更多知产交易信息请点击 【在线咨询】或添加微信 【19522093243】与客服一对一沟通，为大家解决相关问题。

此文章来源于网络,如有侵权,请联系删除