HI,欢迎来到起点商标网!
24小时服务QQ:2880605093

锅炉受热面灰渣污染的监测方法与流程

2021-02-26 16:02:14|302|起点商标网
锅炉受热面灰渣污染的监测方法与流程

本发明涉及一种锅炉受热面灰渣污染的监测方法,属于燃煤锅炉受热面结渣积灰监测技术领域。



背景技术:

锅炉是火电机组三大主设备之一,影响锅炉运行的安全性和经济性的因素有很多,其中最常见的问题就是受热面的结渣和积灰等污染问题,锅炉受热面结渣污染是一种典型的性能劣化过程。在我国,锅炉中使用的煤一般都含有较高的灰分和硫分,燃烧后形成的残渣在炉膛内高温环境下容易软化粘结在受热面上。会经常发生炉膛内水冷壁沾污和结渣,过热器和再热器沾污,尾部受热面积灰、堵灰。由于灰渣的导热性能比受热面材料低很多,会严重影响锅炉的热转换,从而造成排烟温度过高,锅炉效率降低。当积灰严重的时候,还会增加烟道的阻力,使得锅炉出力变大,严重的还会导致停炉。此外,受热面污染带来的高温腐蚀和磨损等问题原始造成锅炉爆管的主要原因。

目前大多数电厂都采用吹灰器对受热面的灰渣进行清除。但是由于缺乏对受热面污染的有效监测手段,所以在何时进行吹灰一直是个难题。一般都采用定时周期性吹灰方式,该方法具有一定盲目性,很容易导致过吹或者欠吹。过吹会增加额外的成本,且会对受热面带来冲蚀,影响其寿命。欠吹的话会影响锅炉的热效率,不能从本根上解决积灰对机组的经济性带来的影响。因此,想要解决受热面污染的问题,其首要就是要对受热面的受污染情况进行有效的监测。

当前对受热面污染监测的手段主要分为在线测量和模型预测。在线测量旨在通过各种测量仪器如热流计等直接对受热面的结渣积灰状况进行诊断,但由于受到测量精度和仪器成本等的影响,直接诊断的方法往往都出现在科学研究中,还不能推广应用于实际生产中。模型预测是指通过一定手段,建立能够反映锅炉受热面污染特性的模型,从而对受热面的污染状态进行预测和监测。目前,模型预测的方法中,主要分为机理模型和数据驱动模型。机理模型是通过对受热面热传递效率和烟气阻力特性等方程,建立受热面的污染机理模型。但由于锅炉运行是一个综合错乱的变工况过程,且受热面结构复杂,机理建模过程中的很多参量如炉膛辐射热量等很难计算,导致机理建模的难度增加,监测效果不理想。此外,电厂的吹灰动作也会带来扰动,这会影响受热面的灰渣积累速度和传热性能以及各个运行参数,对定量的准确计算带来很大的干扰。



技术实现要素:

发明目的:为了克服现有方法中的不足,本发明提供一种锅炉受热面灰渣污染的监测方法,在基于机组运行数据对锅炉的受热面积灰结渣污染的情况进行预测和诊断,该方法能够很好的预测出受热面各个阶段的灰渣污染过程,且能定位积灰相对严重的部位,从而避免了盲目吹灰,为智能吹灰创造了条件。

技术方案:为解决上述问题,本发明提供一种锅炉受热面灰渣污染的监测方法,所述步骤包括如下:

(1)采集测点历史数据。从机组的sis数据源采集各个测点所需时间跨度的历史数据,间隔1min采取包括负荷,磨煤机电流,炉膛氧量,so2含量,烟气压力,个受热面温度测点等数据。将采取的数据按时间顺序排列,其中数据的时间跨度和采取间隔可自定义。

(2)数据预处理。由于传感器故障或信号中断,运行数据中可能存在一些异常值;另外由于电厂内各项数据存在一定延迟,可能出现各个数据无法准确对应的情况。因此在进行数据分析前先进行数据预处理。

(2.1)剔除异常值。针对数据中可能存在一些异常值,例如数值超过正常运行的上下限和数值在一段时间内保持不变等,需要剔除掉这些数据,保证结果的可靠性。

(2.2)数据时均化。针对数据可能出现无法准确对应的情况,对数据进行一定时间的时均化处理可有效改善该问题,例如对各项数据进行30min累计。

(3)数据处理。在各项数据进行预处理得到正确的运行数据后,为了防止数据之间的量级差异过大,对数据进行零均值标准化处理。

(3.1)以x0为m条n个测点的历史数据集合,对原始数据进行标准化,使之变为均值为0和方差为1的数据集,其公式如下:

其中,x0代表待标准化的数据,e(x0(i))代表待标准化的数据均值,代表标准化的数据方差。

(4)选取长吹或者大修之后的一段数据作为清洁受热面的数据,建立pca模型。主元空间的主元个数按照累计贡献值大于85%选取。

(4.1)数据集x的协方差矩阵s可以表示为:

(4.2)对s做奇异值分解,得

式中,p∈rm×l是主元载荷分量,是残差载荷分量;

λ=diag{λ1,λ2,lλl},

对于每一组数据x,都可以映射为主元空间的投影和残差空间的投影

其中,分别为主元空间和残差空间映射矩阵。

(5)将实时数据输入到模型中,得到残差空间的统计指标spe值,该指标的变化表征受热面污染情况偏离清洁时候的程度,用于监测受热面的灰渣污染。

(5.1)在pca模型的基础上,可以采用spe或t2两种统计量作为衡量指标来量化设备当前的污染程度。spe指标衡量的是样本在残差空间上的投影,其计算方法如下式:

(5.2),t2用来衡量样本在主元空间的投影,计算方法如式:

t2=xt-1ptx=xtdx

其中,d=pλ-1pt;p∈rm×l是主元载荷分量。

(6)当spe指标变化满足设定的报警条件后,采用q贡献图法,可以对各受热面的污染程度分布位置进行分析。

(6.1)q贡献图法比较各个运行测点对于spe的贡献值大小,从而对受热面的灰渣污染情况进一步定位。各测点对spe的贡献值如下式:

其中,代表第i个测点对于spe的贡献值。值越大,就说明该测点变量的值的变化对spe指标变化的影响越大,也就说明该测点附近发生污染的严重性和可能性越大。

(7)根据步骤(6)得到的贡献图,通过比较各测点的贡献值大小,占比较大的测点的部位即认为是污染较严重的部位。然后根据不同部位的结渣严重程度分别制定相对应的吹灰措施。

本发明提出基于运行数据的pca模型的spe指标用于监测锅炉受热面灰渣污染。该方法能够很好的预测出受热面各个阶段的灰渣污染过程。且能定位积灰相对严重的部位,从而避免了盲目吹灰,为智能吹灰创造了条件。符合工程上的需求,充分发挥了机组大数据的优势。目的是为了对锅炉受热面的灰渣污染程度进行评估和监测,分析各受热面的灰渣分布。

有益效果:本发明相对于现有技术而言,具有以下优点:

(1)该方法基于机组的历史运行数据,发挥了大数据的优势,避免了实验法存在无法反映实际烟气场而造成的预测误差等问题。

(2)提出了全新的锅炉受热面污染程度的评判指标,能够更加提前监测到受热面严重污染的前兆。

(3)在监测到灰渣污染时,本方法提供q贡献图,用以定位各受热面实际污染程度的分布情况。

附图说明

图1是本发明的流程图;

图2是监测模型所需的运行参数;

图3是残差空间的统计指标spe值分布图;

图4是第三次(c)积灰过程各测点的平均贡献值分布图。

具体实施方式:

下面结合附图对本发明作更进一步的说明。

数据驱动模型是黑箱模型,利用电站sis系统中和炉膛受热面相关的海量历史运行数据,通过神经网络、机器学习、人工智能等方法,挖掘出潜藏在数据背后的受热面污染规律。该方法不用考虑灰渣污染过程中的传热机理等细节,只要选好相关特征参数和一定数量的数据样本,即可通过一定的数学方法学习到锅炉受热面灰渣污染特性。数据驱动的预测方法一般有以下几个过程:特征参数的选择,数据预处理,健康指标构建,设备状态评估。其中的关键就是如何构建有效的健康指标来识别和量化设备的性能劣化过程。

本发明提出一种基于pca(主成分分析)的健康指标构建方法,将特征数据划分为主元空间和残差空间,利用spe(平方预测误差)统计量构建健康指标来监测受热面污染的性能劣化过程,设定适当的报警阈值,并通q贡献图法,过计算各个测点变量对于spe的贡献值大小,对发生严重结渣积灰的锅炉受热面进行定位。以便在严重的结渣事故到来之前,提早进行预警动作,针对各个部位的污染情况采取相对应的吹灰措施。

本发明提供一种锅炉受热面灰渣污染的监测方法,所述步骤包括如下:

(1)采集测点历史数据。从机组的sis数据源采集各个测点所需时间跨度的历史数据,间隔1min采取包括负荷,磨煤机电流,炉膛氧量,so2含量,烟气压力,个受热面温度测点等数据。将采取的数据按时间顺序排列,其中数据的时间跨度和采取间隔可自定义。

(2)数据预处理。由于传感器故障或信号中断,运行数据中可能存在一些异常值;另外由于电厂内各项数据存在一定延迟,可能出现各个数据无法准确对应的情况。因此在进行数据分析前先进行数据预处理。

(2.1)剔除异常值。针对数据中可能存在一些异常值,例如数值超过正常运行的上下限和数值在一段时间内保持不变等,需要剔除掉这些数据,保证结果的可靠性。

(2.2)数据时均化。针对数据可能出现无法准确对应的情况,对数据进行一定时间的时均化处理可有效改善该问题,例如对各项数据进行30min累计。

(3)数据处理。在各项数据进行预处理得到正确的运行数据后,为了防止数据之间的量级差异过大,对数据进行零均值标准化处理。

(3.1)以x0为m条n个测点的历史数据集合,对原始数据进行标准化,使之变为均值为0和方差为1的数据集,其公式如下:

其中,x0代表待标准化的数据,e(x0(i))代表待标准化的数据均值,代表标准化的数据方差。

(4)选取长吹或者大修之后的一段数据作为清洁受热面的数据,建立pca模型。主元空间的主元个数按照累计贡献值大于85%选取。

(4.1)数据集x的协方差矩阵s可以表示为:

(4.2)对s做奇异值分解,得

式中,p∈rm×l是主元载荷分量,是残差载荷分量;

λ=diag{λ1,λ2,lλl},

对于每一组数据x,都可以映射为主元空间的投影和残差空间的投影

其中,c=ppt分别为主元空间和残差空间映射矩阵。

(5)将实时数据输入到模型中,得到残差空间的统计指标spe值,该指标的变化表征受热面污染情况偏离清洁时候的程度,用于监测受热面的灰渣污染。

(5.1)在pca模型的基础上,可以采用spe或t2两种统计量作为衡量指标来量化设备当前的污染程度。spe指标衡量的是样本在残差空间上的投影,其计算方法如下式:

(5.2)t2用来衡量样本在主元空间的投影,计算方法如式:

t2=xt-1ptx=xtdx

其中,d=pλ-1pt;p∈rm×l是主元载荷分量。

(6)当spe指标变化满足设定的报警条件后,采用q贡献图法,可以对各受热面的污染程度分布位置进行分析。

(6.1)q贡献图法比较各个运行测点对于spe的贡献值大小,从而对受热面的灰渣污染情况进一步定位。各测点对spe的贡献值如下式:

其中,代表第i个测点对于spe的贡献值。值越大,就说明该测点变量的值的变化对spe指标变化的影响越大,也就说明该测点附近发生污染的严重性和可能性越大。

(7)根据步骤(6)得到的贡献图,通过比较各测点的贡献值大小,占比较大的测点的部位即认为是污染较严重的部位。然后根据不同部位的结渣严重程度分别制定相对应的吹灰措施。

实施例1

以某700mw燃煤锅炉受热面的数据样本对本发明提供的检测方法进行进一步介绍:

采集sis系统中长吹或者大修之后的数据,采集间隔为15min(可依情况而定)。本发明框架主要由数据采集、数据预处理、数据处理、模型构建和监测分析,污染定位等核心模块,详细流程图如图1所示:

1)采集测点历史数据。从机组的sis数据源采集如图2各个测点历史数据,得x0

2)数据预处理。由于传感器故障或信号中断,运行数据中可能存在一些异常值;另外由于电厂内各项数据存在一定延迟,可能出现各个数据无法准确对应的情况。因此在进行数据分析前先进行数据预处理。

3)数据处理。在各项数据进行预处理得到正确的运行数据后,为了防止数据之间的量级差异过大,对数据进行零均值标准化处理,通过式i∈(1,m)

得到xm×n。

4)选取长吹或者大修之后的一段数据作为清洁受热面的数据,建立pca模型。求出数据的协方差s,并将s作奇异值分解如下两式:

5)将实时数据输入到模型中,得到残差空间的统计指标spe值,如图3所示,该指标的变化表征受热面污染情况偏离清洁时候的程度,用于监测受热面的灰渣污染。图中a,b,c,d分别四次积灰较为明显的过程。spe计算如下:

6)当spe指标变化满足设定的报警条件后,采用q贡献图法,对各受热面的污染程度分布位置进行分析。各测点对spe的贡献值如下式:

7)根据6)得到的贡献图,图4所示的是第三次(c)积灰过程各测点的平均贡献值分布。通过比较各测点的贡献值大小判断各受热面污染的分布情况。贡献值较大的部位测点可以认为是受污染较严重的地方,针对受热面污染的分布情况,分别采取不同规格的吹灰措施。

以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。

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

相关标签: spe预测模型
tips