基于深度学习和机理模型的锅炉再热器壁温预测方法及系统

本发明涉及火电厂锅炉运行监测与深度学习交叉，具体涉及一种基于深度学习和机理模型的锅炉再热器壁温预测方法及系统。

背景技术：

1、可再生能源发电装机容量持续快速增长。然而，以风、光为代表的新能源发电具有显著的间歇性与波动性，导致电网对灵活调节资源的需求急剧攀升。作为电力系统的“压舱石”，传统燃煤火电机组被迫长期承担深度调峰与快速调频任务。在此运行模式下，机组需频繁且大幅度地升降负荷，这对锅炉本体及其辅机设备构成了严峻考验。若调控策略不当或响应迟滞，极易引发锅炉受热面局部超温，进而导致管子蠕胀、爆漏乃至严重的停炉安全事故。

2、再热器作为锅炉至关重要的热交换部件，其壁温的准确监测直接关系到整个机组的安全性与经济性。传统的再热器壁温监测主要依赖接触式测温技术，包括热电偶与热电阻测温法等。尽管此类方法在稳定工况下具备一定的测量精度，但存在固有缺陷：首先，测量元件长期处于高温、腐蚀与冲刷的恶劣环境中，老化速率快、更换频繁，导致全生命周期维护成本高昂；其次，受限于物理传感器的安装位置与数量，测温结果呈现显著的点式离散特征，难以反映管屏整体的温度分布；再者，传感器热惯性及信号传输延迟导致温度响应滞后于工况变化，无法满足实时预警需求。随着超临界及超超临界参数机组的大规模投运，热负荷密度显著增加，传统接触式测量的误差与迟滞问题对安全运行的不利影响被进一步放大。

3、为克服物理测量的局限性，近年来再热器壁温预测方法逐步向数字化、智能化方向演进。基于数值模拟与机器学习的数据驱动模型因其响应速度快、无测量盲区等优势而受到广泛关注。然而，现有单一建模方法在应对复杂多变的实际工业场景时，仍面临显著的技术瓶颈。具体而言：

4、1、基于传热学方程构建的纯机理模型依赖理想化的边界假设与固定热物性参数，难以实时描述受热面积灰、结渣、氧化皮脱落等时变过程所导致的动态热阻演化规律，致使模型在长期连续运行中产生不可忽视的稳态累积误差。

5、2、纯数据驱动模型虽具备强大的非线性拟合能力，但由于缺乏底层热力学物理约束，模型输出高度依赖训练数据的分布范围。当遭遇深度调峰等极端变工况时，该类模型容易陷入自回归误差的恶性累积，输出偏离能量守恒与热传递基本规律的物理不可行结果。

6、3、锅炉系统具有典型的大惯性、大迟延特性，再热器壁温对燃烧扰动的响应往往滞后数分钟至数十分钟。现有数据驱动模型（如常规循环神经网络或transformer）在处理此类长时序依赖时，易发生梯度消失或计算复杂度过高问题，难以高效提取关键的热惯性记忆特征，导致预测精度与实时性之间的矛盾突出。

7、综上所述，亟待发展一种融合物理机理与数据驱动优势的再热器壁温智能预测方法，通过引入热力学先验知识约束模型预测边界，并针对锅炉大迟延特性设计高效的长时序特征提取机制，从而在变工况条件下实现高精度、高可靠且物理一致的壁温在线预测。

技术实现思路

1、本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明在于提出一种基于深度学习和机理模型的锅炉再热器壁温预测方法。

2、根据本发明实施例的一种基于深度学习和机理模型的锅炉再热器壁温预测方法，包括以下步骤：

3、s1、获取锅炉的历史运行数据，并对所述历史运行数据进行预处理，构建标准化数据集；

4、s2、基于传热学基本定律提取深层物理特征，构建机理模型，所述物理特征包括实时吸热量、动态传热系数及基于传热学方程构建的理论壁温；

5、s3、将步骤s1所述标准化数据集中的原始特征与步骤s2提取的物理特征进行正交拼接，构建增强型物理信息特征矩阵，并划分时序样本集；

6、s4、构建并训练物理信息引导的双向长短期记忆网络-注意力机制模型，即bilstm-attention模型，所述bilstm-attention模型以步骤s3构建的增强型物理信息特征矩阵为输入，依次经过第一层双向长短期记忆网络、自注意力机制层，并将自注意力机制层的输出与第一层双向长短期记忆网络的输出经残差连接相加，再依次经过层归一化层、第二层双向长短期记忆网络、随机失活层及全连接层，输出未来壁温的变化量预测值；

7、s5、对步骤s4输出的再热器壁温预测值进行反归一化还原，并叠加当前时刻的基线壁温值，得到未来时刻的再热器壁温绝对预测值，再与实际壁温进行对比评估，实现再热器壁温的超前软测量预警。

8、在本发明的一些实施例中，所述步骤s2中提取物理特征的具体方式包括：

9、实时吸热量的计算公式为：

10、  ，

11、其中，为再热蒸汽质量流量，单位为，为定压比热容，和分别为出口和入口蒸汽温度；

12、动态传热系数 的计算公式为：

13、  ，

14、其中，为实时负荷，为额定负荷，为基准传热系数；

15、理论机理壁温的计算公式为：

16、  。

17、在本发明的一些实施例中，所述定压比热容取值为2.45kj/(kg·℃)，所述基准传热系数基于锅炉历史正常运行工况下的稳态分散控制系统数据设定为1500。

18、在本发明的一些实施例中，所述步骤s4中的bilstm-attention模型具体包括：

19、序列输入层，用于接收步骤s3构建的增强型物理信息特征矩阵；

20、第一层双向长短期记忆网络，包含64个隐藏单元，输出模式为序列输出，用于同时提取正向的历史热惯性特征与反向的未来控制趋势特征；

21、自注意力机制层，注意力头数为2，键值维度为64，用于通过计算时间步之间的注意力权重，使模型聚焦于引发温度变化的关键扰动时刻；

22、残差连接层，用于将所述自注意力机制层的输出与所述第一层双向长短期记忆网络的输出按元素相加，使壁温自回归主信号绕过注意力层直接向后传播，避免注意力加权对近期主信号的过度平滑；

23、层归一化层，用于对残差相加后的特征进行通道归一化，稳定深层网络的激活分布、抑制异常激活；

24、第二层双向长短期记忆网络，包含32个隐藏单元，输出模式为最后时刻输出，用于对层归一化的序列特征进行降维汇总；

25、随机失活层，失活率设定为0.1，用于防止模型过拟合；

26、全连接层与回归层，所述全连接层包含32个神经元，经relu激活函数进行非线性映射后，通过单输出全连接层及回归层输出预测结果。

27、在本发明的一些实施例中，所述自注意力机制层的注意力权重得分的计算公式为：

28、

29、其中， 为查询矩阵，为键矩阵，为键矩阵的转置，为查询向量的特征维度大小；

30、注意力机制的加权输出为：

31、

32、其中，为值矩阵。

33、在本发明的一些实施例中，所述步骤s3中构建增强型物理信息特征矩阵的具体方式包括：将步骤s1中的原始特征组合为基础特征矩阵 ，再将基础特征与步骤s2中求得的实时吸热量、动态传热系数及理论机理壁温进行正交拼接，构成增强型物理信息特征矩阵；随后利用z-score标准化方法对所述增强型物理信息特征矩阵及目标标签进行独立归一化，并按照时间先后顺序划分训练集与测试集；其中，归一化所用的均值与标准差仅依据训练集统计量计算，以避免测试集信息泄露。

34、在本发明的一些实施例中，所述步骤s1中的历史运行数据包括以下特征变量：锅炉负荷、再热器入口汽温、再热器出口汽温、再热蒸汽流量、主蒸汽压力、主蒸汽温度、a侧进风含氧量、燃尽风挡板开度指令以及实测管壁温度；其中，实测管壁温度既作为模型的预测目标，亦作为模型的输入特征参与时序建模；对采集到的原始数据中因传感器故障或通信延迟导致的缺失值，采用线性插值法进行填补。

35、在本发明的一些实施例中，所述步骤s5中对预测结果进行反归一化还原时，利用步骤s3中保存的均值和标准差将归一化状态下的壁温预测序列映射回真实的物理温度量纲，并采用均方根误差、平均绝对误差、平均绝对百分比误差及决定系数评价模型性能。

36、本发明一种基于深度学习和机理模型的锅炉再热器壁温预测系统，用于实现上述方法，包括：

37、数据采集与预处理模块，用于从火电机组分散控制系统中采集锅炉的历史运行数据并进行预处理，构建标准化数据集；

38、物理机理特征提取模块，用于基于传热学基本定律提取深层物理特征，所述物理特征包括实时吸热量、动态传热系数及基于传热学方程构建的理论壁温；

39、特征矩阵构建模块，用于将标准化数据集中的原始特征与所述物理特征进行正交拼接，构建增强型物理信息特征矩阵；

40、模型构建与训练模块，用于构建并训练bilstm-attention模型，所述模型以所述增强型物理信息特征矩阵为输入，输出未来壁温的变化量预测值；

41、预测与评估模块，用于对壁温变化量预测值进行反归一化还原，并叠加当前时刻的基线壁温值，得到未来时刻的再热器壁温绝对预测值，并与实际壁温进行对比评估。

42、与现有技术相比，根据本发明实施例的基于深度学习和机理模型的锅炉再热器壁温预测方法及系统，具有以下有益效果：

43、第一，本发明摒弃了传统单一建模方法的固有缺陷，通过特征级深度融合构建了物理信息引导的bilstm-attention网络。一方面，基于传热学基本定律提取的实时吸热量、动态传热系数及带惯性的理论壁温等物理特征，为神经网络注入了明确的热力学先验约束边界，有效杜绝了纯数据驱动模型在深度调峰等极端变工况下输出违背物理规律的错误结果；另一方面，充分利用深度学习强大的非线性拟合能力，精准补偿了受热面积灰、结渣及偏烧等复杂因素引起的动态热阻误差。二者的优势互补，在保证物理鲁棒性的同时实现了高精度预测，弥补了纯机理模型稳态误差累积与纯数据模型外推能力不足的技术缺陷。

44、第二，本发明针对锅炉系统固有的热惯性大、响应迟延长的特点，引入双向长短期记忆网络。前向lstm层沿时间正序提取历史热惯性记忆，捕捉受热面温度随运行参数演变的长期依赖关系；后向lstm层沿时间逆序同步处理序列，提前感知减温水阀门预动作、负荷突变等未来控制趋势。通过双向隐藏状态的正交拼接，模型获得了对温度演变走向的超前感知能力，从根本上消除了传统单向时序模型因依赖单向信息流而导致的预测滞后问题，为运行人员争取了宝贵的预警响应时间。

45、第三，本发明在时序编码之后引入自注意力机制，打破了传统循环神经网络对所有时间步平均分配权重的局限。通过计算查询矩阵与键矩阵的缩放点积，动态评估不同时间步之间的全局关联度，并以归一化注意力权重对关键特征进行加权聚合。该机制使模型能够自动锁定负荷断崖式下跌、减温水骤增等引发壁温剧变的关键扰动时刻，赋予极高的关注权重，有效克服了传统lstm在长时序处理中易将极值平滑化的缺陷，提升了模型在复杂调峰工况下对局部高温尖峰的捕捉敏锐度与预测保真度。

46、第四，相较于依赖接触式热电偶的传统测温方法，本发明无需在高温、腐蚀、冲刷的恶劣环境中长期布置物理传感器，避免了传感器频繁更换带来的高昂维护成本及信号传输迟延。基于分散控制系统历史数据构建的智能软测量模型，能够实时输出再热器全工况下的连续壁温预测值，消除了传统点式测量的空间盲区与人为干预需求，为锅炉受热面的安全监测与预警提供了经济、可靠的技术解决方案。