CN109934417B

CN109934417B - 基于卷积神经网络的锅炉结焦预警方法

Info

Publication number: CN109934417B
Application number: CN201910232761.2A
Authority: CN
Inventors: 张振峰; 单庐辉; 马洪学; 连传龙; 高岭
Original assignee: Guodian Minquan Power Generation Co ltd
Current assignee: Guodian Minquan Power Generation Co ltd
Priority date: 2019-03-26
Filing date: 2019-03-26
Publication date: 2023-04-07
Anticipated expiration: 2039-03-26
Also published as: CN109934417A

Abstract

本发明公开基于卷积神经网络的锅炉结焦预警方法，包括以下步骤：1）、采集锅炉内结焦或不结焦的数据信息；2）、选取步骤1）的数据信息中，同一时间段的结焦或不结焦的数个测点温度数据；3）、构建结焦或不结焦的卷积神经网络模型，其包括：输入层、卷积层、下采样层、全连接层和输出层；4）、从实时采集的锅炉数据源中，随机选取同一时间段的数个测点温度数据，输入步骤3）的结焦或不结焦的卷积神经网络模型，得到该测点温度数据的图像特征，判断其结焦或不结焦。本发明为锅炉结焦提供预警方案，能够准确的预测锅炉受热面结焦情况，为判断锅炉受热面结焦提供科学的指导依据。

Description

基于卷积神经网络的锅炉结焦预警方法

技术领域

本发明涉及火电厂锅炉运行优化技术领域。

背景技术

锅炉结焦是指锅炉在运行过程中，受热面表面因燃料或燃烧方式原因而造成的焦油、粉尘附着，并逐渐发展，形成焦块覆盖的现象。锅炉受热面结焦主要集中在垂直水冷壁、螺旋水冷壁等受热面，受热面结焦严重时，机组负荷、减温水流量、磨煤机运行方式等参数也会出现不同程度的改变，降低锅炉受热面的使用寿命，导致四管泄露、机组非停，给电厂造成巨大的经济损失。目前，针对锅炉结焦现象，火电厂并不能得到锅炉结焦或不结焦的有效数据，仅仅根据工作经验，采用定期切换磨煤机运行方式进行扰焦或喷除焦剂进行主动除焦。

发明内容

本发明目的在于提供一种基于卷积神经网络的锅炉结焦预警方法。

基于上述目的，本发明主要采取以下技术方案：

基于卷积神经网络的锅炉结焦预警方法，包括以下步骤：

1)、采集锅炉内结焦或不结焦的数据信息；

2)、选取步骤1)的数据信息中，同一时间段的结焦或不结焦的数个测点温度数据；

3)、构建结焦或不结焦的卷积神经网络模型，其包括：输入层、卷积层、下采样层、全连接层和输出层，

输入层的方法步骤为：

a、将步骤2)的结焦或不结焦的数个测点温度数据分别补充为a×a的数据矩阵，矩阵元素不足的用0补上；

b、将步骤a中数据矩阵中的每个矩阵元素归一化，得结焦或不结焦类比图像特征，

归一化计算公式为：

其中：i，j分别为步骤a中数据矩阵的行和列的索引，x_i，j为归一化后i，j位置的矩阵元素，vi，_j为归一化前i，j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；

4)、从实时采集的锅炉数据源中，随机选取同一时间段的数个测点温度数据，输入步骤3)的结焦或不结焦的卷积神经网络模型，得到该测点温度数据的图像特征，判断该图像特征，符合卷积神经网络模型中的结焦图像特征，则为结焦；符合卷积神经网络模型中的不结焦的图像特征，则为不结焦。

步骤3)中，卷积层：将步骤b中的类比图像特征进行卷积运算，得卷积层的特征图；

下采样层：对卷积层的特征图进行下采样，得下采样层的特征图；

全连接层：对下采样层的特征图进行压平，得一维向量；

输出层：采用softmax函数进行概率输出，包含均与全连接层连接的所有神经元。

步骤3)中，卷积层分为卷积层C1和卷积层C2，下采样层分为下采样层S1和下采样层S2，具体步骤为：

卷积层C1：将步骤b中的类比图像特征进行卷积运算，得卷积层C1的特征图；

下采样层S1：对卷积层C1的特征图进行下采样，得下采样层S1的特征图；

卷积层C2：将下采样层S1的特征图进行卷积运算，得卷积层C2的特征图；

下采样层S2：对卷积层C2的特征图进行下采样，得下采样层S2的特征图。

步骤2)中，同一时间段的测点温度数据取123个，输入层步骤a中，数据矩阵的尺寸为12×12；卷积层C1和卷积层C2的卷积核为均值μ＝0，方差σ²＝1的标准化正太分布；卷积层C1中卷积核有3个，卷积核为3×3；卷积层C2中卷积核有5个，卷积核为3×3。

卷积层C1、卷积层C2、全连接层均采用relu激活函数。

步骤2)中，同一时间段的测点温度数据取123个，输入层步骤a中，数据矩阵的尺寸为12×12。

与现有技术相比，本发明具有以下有益效果：

本发明利用锅炉测点实时数据库，对其采用图像处理的思路对数据进行预处理，建立卷积神经网络模型，利用卷积神经网络的图像识别算法对实时数据进行预测分类，判断监测到的实时数据是否为结焦时的数据，为锅炉结焦提供预警方案，能够准确的预测锅炉受热面结焦情况，为判断锅炉受热面结焦提供科学的指导依据。

附图说明

图1为本发明的流程框图；

图2为下采样层操作最大池化法举例示意；

图3为壁温数据的结焦灰度特征图；

图4为壁温数据的不结焦灰度特征图。

具体实施方式

实施例

基于卷积神经网络的锅炉结焦预警方法，包括以下步骤：

1)、采集锅炉内结焦或不结焦的数据信息；

输入层的方法步骤为：

a、将步骤2)的结焦或不结焦的123个测点温度数据分别补充为12×12的数据矩阵，矩阵元素不足的用0补上；

b、将步骤a中数据矩阵中的每个矩阵元素归一化(进行min-max标准化)，得结焦或不结焦类比图像特征，

归一化计算公式为：

其中：i，j分别为步骤a中数据矩阵的行和列的索引，x_i，j为归一化后i，j位置的矩阵元素，v_i，j为归一化前i，j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；

具体的，步骤3)中，卷积层：将步骤b中的类比图像特征与满足均值μ＝0，方差σ²＝1标准正态分布的卷积核进行卷积运算，得卷积层的特征图；

全连接层：对下采样层的特征图进行Flatten(压平)，得一维向量；

输出层：采用softmax函数进行概率输出，包含与全连接层连接的所有神经元。

具体的，步骤3)中，卷积层分为卷积层C1和卷积层C2，卷积层C1和卷积层C2的卷积核为均值μ＝0，方差σ²＝1的标准化正太分布；下采样层分为下采样层S1和下采样层S2，具体步骤为：

卷积层C1：卷积核有3个，卷积核为3×3下，将步骤b中的类比图像特征进行卷积运算，得卷积层C1的特征图；

卷积层C2：卷积核有5个，卷积核为3×3下，将下采样层S1的特征图进行卷积运算，得卷积层C2的特征图；

卷积层C1、卷积层C2、全连接层均采用relu激活函数。

举例如下：

基于卷积神经网络的锅炉结焦预警方法，流程如图1所示，包括以下步骤：

1)、采集锅炉内结焦或不结焦的数据信息，具体为：找出严重结焦和不结焦的时间区间：从火电厂工人录入的掉焦台账记录中找有效的落焦事件(人工扰焦、自然掉焦等产生的掉大焦事件)的时间点，然后向前推30分钟的时刻一直到该时刻前3小时视为结焦严重的时间段，该时间点向后推30分钟的时刻到该时刻后的3个小时视为不结焦的时间段；

2)、选取步骤1)的数据信息中，同一时间段的结焦或不结焦的123个测点温度数据，具体为：从火电厂相应锅炉壁温测点数据库中找出步骤1确定的时间段内的对应测点的壁温数据，将其分为两部分：严重结焦时的壁温数据和无结焦的壁温数据；

3)、构建结焦或不结焦的卷积神经网络模型，其包括：输入层、卷积层、下采样层、全连接层和输出层，卷积层分为卷积层C1和卷积层C2，下采样层分为下采样层S1和下采样层S2，

输入层的方法步骤为：

a、将步骤2)的结焦或不结焦的123个测点温度数据分别补充为12×12的数据矩阵，矩阵元素不足的用0补上(补0的目的是便于后续图像特征提取时的卷积运算，提升算法通用性)；

归一化计算公式为：

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；

卷积层C1：卷积核有3个，卷积核为3×3下，步骤b中类比图像满足min-max标准化的条件下，与满足均值μ＝0，方差σ²＝1的标准正太分布的卷积核与步骤b中的类比图像特征进行卷积运算，得卷积层C1的特征图，卷积核在滑动过程中，边缘用0填充，该操作不改变图像大小，该实例经过该操作输出结构为12×12×3数据，普通RGB彩色图三个颜色通道(颜色也是图片的特征之一)，本次生成的数据可以理解为一个3个特征通道的特征图；

下采样层S1：对卷积层C1的特征图进行下采样，得下采样层S1的特征图，下采样层对图像特征进行抽象处理防止过拟合，增加网络的鲁棒性，下采样层本质是一个卷积操作，但是其作用相简单，对图像进行模糊，对不重要的特征进行模糊化，并强化重要特征(在本例中强化锅炉高温区域)，本例中主要实现过程为最大池化(maxpool)过程，利用一个2×2的矩阵窗，滑动步长为2进行行列遍历，并将2×2窗中的最大值提取出来组成新的矩阵如(举例如图2所示)，依次对3个通道进行相同步骤，得一个6×6×3的矩阵特征图；

卷积层C2：卷积核有5个，卷积核为3×3下，下采样层S1的特征图符合标准正太分布的条件下，将下采样层S1的特征图进行卷积运算，得卷积层C2为6×6×5的矩阵特征图；

下采样层S2：对卷积层C2的特征图进行下采样，得下采样层S2为3×3×5的特征图；

全连接层分为全连接层1和全连接层2(也可仅有全连接层1)，具体为：

全连接层1，全连接层神经元个数为图像进行多层卷积操作后图像矩阵的大小，将图像每一列提取出来，然后拼接成一维向量3×3×5＝45，即全连接层1的输入层包含45个神经元；

全连接层2，选取15个神经元，全连接层2权重初始化方式和卷积核初始化类似，为一45(全连接层1神经元数量)×15(隐含层神经元数量)的标准正态分布矩阵；

输出层：采用softmax函数进行概率输出，包含均与全连接层连接的所有神经元，上述卷积层与全连接层采用relu激活函数，网络优化方式为随机梯度下降法(SGD)，学习率设置为0.01，样本批次每次给50条训练样本，所有数据迭代训练200次，经过大量的样本数据对卷积神经网络模型进行训练，不断修正误差，并反向传递更新卷积核的权值，最终得到一个相对理想的卷积神经网络模型，并将模型结构及先换权重等参数存储；

4)、从实时采集的锅炉数据源中，随机选取同一时间段的123个测点温度数据，输入步骤3)的结焦或不结焦的卷积神经网络模型，得到该测点温度数据的图像特征，判断该图像特征，符合卷积神经网络模型中的结焦图像特征，则为结焦；符合卷积神经网络模型中的不结焦的图像特征，则为不结焦。如图3和4所示，图中，纯黑色为补充的以及真实数据中存在的0值，颜色亮度越高表明锅炉测点温度越高，不同的数据可以形成不同的图片数据特征。

Claims

1.基于卷积神经网络的锅炉结焦预警方法，其特征在于，包括以下步骤：

1)、采集锅炉内结焦或不结焦的数据信息；

输入层的方法步骤为：

归一化计算公式为：

其中：i,j分别为步骤a中数据矩阵的行和列的索引，x_i,j为归一化后i,j位置的矩阵元素，v_i,j为归一化前i,j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.如权利要求1所述的基于卷积神经网络的锅炉结焦预警方法，其特征在于，步骤3)中，卷积层：将步骤b中的类比图像特征进行卷积运算，得卷积层的特征图；

全连接层：对下采样层的特征图进行压平，得一维向量；

输出层：采用softmax函数进行概率输出。

3.如权利要求2所述的基于卷积神经网络的锅炉结焦预警方法，其特征在于，步骤3)中，卷积层分为卷积层C1和卷积层C2，下采样层分为下采样层S1和下采样层S2，具体步骤为：

4.如权利要求3所述的基于卷积神经网络的锅炉结焦预警方法，其特征在于，步骤2)中，同一时间段的测点温度数据取123个，输入层步骤a中，数据矩阵的尺寸为12×12；卷积层C1和卷积层C2的卷积核为均值μ＝0，方差σ²＝1的标准化正态分布；卷积层C1中卷积核有3个，卷积核为3×3；卷积层C2中卷积核有5个，卷积核为3×3。

5.如权利要求4所述的基于卷积神经网络的锅炉结焦预警方法，其特征在于，卷积层C1、卷积层C2、全连接层均采用relu激活函数。