一种融合实际测点数据机理模型的炉膛温度场预测方法及设备

本发明属于燃煤锅炉检测相关，更具体地，涉及一种融合实际测点数据机理模型的炉膛温度场预测方法及设备。

背景技术：

1、通过发展新能源技术以减少对化石燃料的依赖，但是新能源的不稳定性导致其发电的负荷需求响应能力不足，因此需要依靠燃煤发电机组承担更多的调峰任务，保证电力供需平衡。低负荷下，燃煤发电机组锅炉炉膛温度场的合理分布关系到燃煤锅炉的安全性、经济性和污染物排放水平，在燃煤发电机组参与深度调峰时需要对锅炉炉膛温度场进行在线监测。

2、基于燃烧过程机理模型及数值求解方法的燃烧数值模拟技术可以准确地获得炉内温度场，但得到模拟结果往往需要数个小时的迭代计算，难以实时反映炉内温度场的分布情况。文献[娄春.工程燃烧诊断学[m].北京:中国电力出版社,2016]介绍了已实际应用的锅炉炉膛温度场在线监测的方法主要是声学法、吸收光谱层析法和热辐射成像法，这些方法具体实施时需要在锅炉炉膛水冷壁上开观测孔，并将声波信号收发探测器、激光信号收发探测器、热辐射图像探测器安装在观测孔处，分别获取炉内的声波信号、激光信号、热辐射信号。但需要注意的是，当炉内燃烧工况或测试环境变得恶劣时，使用温度场在线监测方法获得的结果会出现偏差，比如：炉内燃烧噪声会干扰声波信号的传输，燃烧产生的灰、渣会沾污探测器，影响信号的正常接收。此外，还需要注意的是，这三种在线监测方法因为测量路径限制，所获得的炉膛温度场空间分辨率有限，与燃烧数值模拟技术相比，无法精准地给出燃烧器一次风、二次风喷口区域温度分布的精细变化，而这些区域正是锅炉低负荷运行时稳定燃烧所需重点关注的区域。

3、近年来，随着人工智能技术的发展，机器学习由于其强大的学习能力和泛化能力被应用于燃煤锅炉炉内燃烧参数的预测。文献[贾永会,杜建桥,汪潮洋,等.基于bp神经网络的燃煤锅炉温度分布预测[j].热能动力工程,2020,35(07):130-138.]利用fluent数值模拟计算的多个工况下炉膛温度场为训练数据，建立基于运行参数、坐标位置和温度场数据的bp神经网络并对其训练，实现炉内温度场的在线预测。已公开的专利文献[以计算流体力学与深度学习结合的锅炉温度场预测方法，申请号2022107263905]提出了一种以计算流体力学(computational fluid dynamics,cfd)与深度学习结合的锅炉温度场预测方法，该方法基于cfd数值模拟计算得到锅炉稳态燃烧时的温度场，建立温度场重建神经网络，将燃烧器附近温度的特征值和反映锅炉运行工况的过程参数作为网络输入，以燃烧器所在平面温度数据作为网络输出，完成神经网络的训练，之后通过神经网络的计算，得到燃烧器处的炉膛温度场。这类基于机器学习模型的炉膛温度场在线预测方法的精确性严重依赖训练数据集，即cfd数值模拟结果，但燃煤锅炉运行参数包括负荷、给煤量、风量等上百个参数，用于模型训练数据集的cfd数值模拟工况为若干个离散的稳态工况，无法覆盖所有的实际运行工况，在燃煤锅炉变工况运行时，必然会出现一些未学习过的运行工况，这时，机器学习模型对炉膛温度场的预测结果会出现严重偏差。

技术实现思路

1、针对现有技术的以上缺陷或改进需求，本发明提供了一种融合实际测点数据机理模型的炉膛温度场预测方法及设备,其旨在解决现有机器学习模型对炉膛温度场的预测精度较低的问题。

2、为实现上述目的，按照本发明的一个方面，提供了一种融合实际测点数据机理模型的炉膛温度场预测方法，该预测方法包括以下步骤：

3、基于确定的炉膛辐射温度测点完成辐射温度测量装置的安装，并在线获得各个测点的炉膛辐射温度数据，进而将当前的机组运行参数、炉膛辐射温度数据输入炉膛温度场机器学习模型，所述炉膛温度场机器学习模型输出炉膛温度场；其中，所述炉膛温度场机器学习模型的构建包括以下步骤：

4、(1)基于炉膛温度场分布特征确定炉膛辐射温度测点的数量及位置；

5、(2)根据炉膛几何参数及辐射温度测点位置建立热辐射成像机理模型，基于所述热辐射成像机理模型获取各个测点的炉膛辐射温度数据，并建立包含炉膛辐射温度数据、机组运行参数及炉膛温度场数据的训练数据集；

6、(3)建立基于多层感知器神经网络的炉膛温度场机器学习模型，利用训练数据集对炉膛温度场机器学习模型进行训练。

7、进一步地，每个辐射温度测点数据td(m)与炉膛温度场t＝{t(n),n＝1,2,...,n}之间建立数学关系，其中m＝1,2,...,m,对应的公式为：

8、

9、式中，a＝{a(m,n)}为系数矩阵，在已知炉膛几何参数及辐射温度测点位置后通过求解辐射传递方程的dresor方法计算得到。

10、进一步地，机组运行参数、炉膛辐射温度与炉膛温度场的定量关系公式为：

11、t(n)＝f[td(1),...,td(m),r1,r2,...,rp]           (4)

12、式中，r1,r2,…,rp为机组运行参数；该定量关系公式也为所述炉膛温度场机器学习模型的数学表达式。

13、进一步地，设定燃烧数值模拟工况，采用cfd数值模拟获得各工况的炉膛温度场，根据炉膛温度场分布特征确定炉膛辐射温度测点的数量及位置。

14、进一步地，根据炉膛几何参数及辐射温度测点位置建立热辐射成像机理模型，将用cfd获得的各工况炉膛温度场、炉膛辐射温度测点的数量及位置输入到热辐射成像机理模型中，获得各测点的炉膛辐射温度数据，并建立包括炉膛辐射温度数据、机组运行参数及炉膛温度场数据的训练数据集和测试数据集。

15、进一步地，建立基于多层感知器神经网络的炉膛温度场机器学习模型，用获得的训练数据集对炉膛温度场机器学习模型进行训练，获得机组运行参数、炉膛辐射温度与炉膛温度场的定量关系公式，并用测试数据集对炉膛温度场机器学习模型进行检验。

16、进一步地，在炉膛壁面安装的辐射温度测量装置的安装位置和数量分别与步骤(1)中确定的炉膛辐射温度测点布置位置和数量一致。

17、进一步地，利用获得的训练数据集对mlp神经网络模型进行训练，将预处理后的参数输入到mlp神经网络模型的输入层中，在经过mlp神经网络模型的多层隐藏层的非线性计算后，输出计算结果至mlp神经网络模型的输出层，之后重构输出向量以获得炉膛温度场，通过反向传播过程对隐藏层所有神经元的权值迭代更新，完成对mlp神经网络模型的训练。

18、本发明还提供了一种融合实际测点数据机理模型的炉膛温度场预测系统，其特征在于：所述系统包括存储器及处理器，所述存储器储存有计算机程序，所述处理器执行所述计算机程序时执行如上所述的融合实际测点数据机理模型的炉膛温度场预测方法。

19、本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有机器可执行指令，所述机器可执行指令在被处理器调用和执行时，所述机器可执行指令促使所述处理器实现如上所述的融合实际测点数据机理模型的炉膛温度场预测方法。

20、总体而言，通过本发明所构思的以上技术方案与现有技术相比，本发明提供的考虑模板数的多阶段排样方法及设备主要具有以下有益效果：

21、1.在将机组关键运行参数作为机器学习模型输入数据之外，还增加了辐射温度测点数据作为输入数据，可以为mlp神经网络提供更多的炉内温度信息，进而提高mlp神经网络的预测能力；而且，基于热辐射成像机理模型考虑了辐射温度数据与炉膛温度场之间的机理关系，所建立的炉膛温度场机器学习模型更加精准，进而提高了炉膛温度场的预测精度。

22、2.增加的炉膛辐射温度测点数据可以用高温计等辐射温度测量装置获得，安装布置简便，易于实施。

23、3.建立基于多层感知器神经网络的炉膛温度场机器学习模型，用获得的训练数据集对炉膛温度场机器学习模型进行训练，获得机组运行参数、炉膛辐射温度与炉膛温度场的定量关系，并用测试数据集对炉膛温度场机器学习模型的泛化能力及对炉膛温度场预测精度进行检验，确保了模型的精准性。