1.本发明涉及电站锅炉受热面积灰、结渣程度监测技术领域，具体涉及一种电站锅炉受热面污染程度判定方法。


背景技术：

2.目前我国电站锅炉的吹灰一般基于操作规程定期进行，基本按照从炉膛到水平烟道再到尾部烟道进行吹灰。这种吹灰方式的优点是较为简单，但同时，由于各个受热面的污染程度以及污染时间不同，按序吹灰的方式有可能造成有的受热面过吹而有的受热面欠吹，继而引发吹灰成本提高、受热面吹损维护费用增加、积灰清理不足或不及时传热效果较低、汽温偏差大、管壁超温等问题。
3.因此需要对锅炉的各个受热面进行灰污监测，根据不同受热面的污染情况进行针对性地吹灰。目前常用的灰污监测方法主要是计算受热面的洁净因子，这种方法需要根据不同受热面的位置采用不同的传热公式，需要大量的参数数据，计算量大且复杂，而且很多参数并没有测点获取数据，只能采用设计值进行插值拟合，就会造成很大的误差。


技术实现要素：

4.针对现有方法或技术的不足，本发明提供了一种电站锅炉受热面污染程度判定方法、一种电站锅炉受热面污染程度判定装置和一种计算机可读存储介质，其可以解决现有电站锅炉污染监测需要大量参数数据，计算过程复杂且部分参数难以直接测得，导致误差的问题。
5.具体的，本发明实施例提出一种电站锅炉受热面污染程度判定方法，包括：步骤s1：定时获取电站锅炉运行数据；步骤s2：从所述运行数据中筛选出受热面较洁净的数据作为训练集，以剩余数据或预设时间内的数据作为测试集；步骤s3：对所述训练集和所述测试集的数据分别进行标准化处理和主成分分析得到降维数据；步骤s4：分别计算所述降维数据的spe统计量以及所述训练集的spe统计量的控制限；步骤s5：根据所述测试集的spe统计量和所述训练集的spe统计量的控制限判定对应受热面的污染程度。
6.在本发明的一个实施例中，在步骤s2之前，还包括：将所述运行数据以矩阵的形式记录为x＝{x
ij
}m×n，其中，数据获取时间和每个运行参数分别作为该矩阵的一行和一列，m和n分别是该矩阵的行数和列数，1≤i≤m，1≤j≤n；对每一列矩阵x中的数据逐行进行异常值诊断，获得正常值所在行索引构成的集合ej，遍历各列，将所有列的正常数据进行交集计算，获得剔除异常值之后所剩下的全部正常值的索引构成的集合e，根据集合e中的索引获取正常数据矩阵x。
7.在本发明的一个实施例中，所述异常值诊断包括：对于第j列的第i行数据x
ij
，若则判断x
ij
为异常值，其中δj为第j列运行参数的变化限。
8.在本发明的一个实施例中，步骤s2包括：根据预先测得的洁净因子从所述运行数
据中筛选出受热面洁净度达到前预设百分比的数据作为训练集，以连续的一段所述预设时间内的数据作为测试集。
9.在本发明的一个实施例中，在步骤s3中，所述测试集进行标准化处理需要的均值及方差均采用所述训练集的均值及方差；所述测试集的降维矩阵采用训练集的主成分分析过程中包含主元信息的矩阵。
10.在本发明的一个实施例中，步骤s3中所述主成分分析包括：计算训练集的协方差矩阵c：对所述协方差矩阵c进行特征值分解：其中a为特征值构成的对角矩阵，v∈rm×n为正交矩阵，p为v的前a列，包含了所有主元信息；计算前a个特征值的累计贡献率：其中l为累计贡献率下限，若前a个特征值的累计贡献率da小于l，则继续增加主元个数a，直至满足条件。
11.在本发明的一个实施例中，步骤s4中所述spe统计量的计算公式为：spe＝x
t
(i-pp
t
)
t
(i-pp
t
)x，其中x为标准化后的训练集，p为训练集的协方差矩阵特征值分解后由特征向量的前a列构成的矩阵；spe统计量的控制限计算公式为：其中c
α
是标准正态分布的置信极限，满足公式：α取值0.01-0.05。
12.在本发明的一个实施例中，在步骤s5中，若测试集的spe统计量spe
test
《q
α
，则认为受热面污染程度较低，反之若spe
test
≥q
α
，则认为受热面污染程度较高。
13.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，采用较少的运行参数，相同且较为简单的计算方法，对电站锅炉的各个不同受热面的灰污程度进行实时监测，在很大程度上简化了计算，从而减少了计算所需的资源以及时间，同时还能保证其灰污程度判断的准确性。
14.通过以下参考附图的详细说明，本发明的其他方面的特征变得明显。但是应当知道，该附图仅仅为解释的目的设计，而不是作为本发明的范围的限定。还应当知道，除非另外指出，不必要依比例绘制附图，它们仅仅力图概念地说明此处描述的结构和流程。
附图说明
15.图1为本发明实施例提供的电站锅炉受热面污染程度判定方法的流程图；
16.图2为本发明实施例提供的电站锅炉受热面污染程度判定方法的具体执行步骤示意图；
17.图3为本发明实施例提供的低温再热器灰污监测示例图；
18.图4为本发明实施例提供的电站锅炉受热面污染程度判定装置的结构示意图；
19.图5为本发明实施例提供的计算机可读存储介质的结构示意图。
20.附图标记说明
21.s1至s5：电站锅炉受热面污染程度判定方法的步骤；
22.20：电站锅炉受热面污染程度判定装置；201：数据获取模块；202：数据筛选模块；203：数据处理模块；204：统计量计算模块；205：污染程度判定模块；
23.30：计算机可读存储介质。
具体实施方式
24.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施案例仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
25.需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以互相组合。下面将参考附图并结合实施例来说明本发明。
26.为了使本领域普通技术人员更好地理解本发明的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例，都应当属于本发明的保护范围。
27.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等适用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应当理解这样使用的术语在适当情况下可以互换，以便这里描述的本发明实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外。术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备国有的其它步骤或单元。
28.还需要说明的是，本发明中多个实施例的划分仅是为了描述的方便，不应构成特别的限定，各种实施例中的特征在不矛盾的情况下可以相结合，相互引用。
29.【第一实施例】
30.如图1所示，本发明实施例提出一种电站锅炉受热面污染程度判定方法，例如包括：步骤s1：定时获取电站锅炉运行数据；步骤s2：从所述运行数据中筛选出受热面较洁净的数据作为训练集，以剩余数据或预设时间内的数据作为测试集；步骤s3：对所述训练集和所述测试集的数据分别进行标准化处理和主成分分析得到降维数据；步骤s4：分别计算所述降维数据的spe统计量以及所述训练集的spe统计量的控制限；步骤s5：根据所述测试集的spe统计量和所述训练集的spe统计量的控制限判定对应受热面的污染程度。
31.具体的，在步骤s1中，针对电站锅炉受热面污染监测问题，对于不同的锅炉受热面例如选择获取相应运行参数的运行数据。举例而言，对于对流受热面、半幅射半对流受热面，选择的运行参数包括：负荷、受热面进、出口蒸汽压力与温度以及进出口烟气温度等。对于空气预热器选择的运行参数还可以是负荷、给煤率、排烟氧量、进口烟气压力、出口烟气压力等。对于超临界与超超临界锅炉辐射受热面(即炉膛水冷壁)选择的运行参数包括：负荷、给水压力、(给水流量-一级减温水流量-二级减温水流量)、给水温度、低过入口蒸汽温度等。
32.进一步的，例如由上位机获取锅炉机组的历史一段时间内的运行数据，数据获取的时间间隔例如为一分钟，将数据以矩阵的形式记录为x＝{x
ij
}m×n，其中机组的每一分钟
的运行数据作为该矩阵的一行，机组的每个运行参数作为该矩阵的一列，1≤i≤m，1≤j≤n，m和n分别是该矩阵的行数和列数。提到的上位机例如为个人计算机、手持设备、便携式设备、平板型设备、多处理器系统、基于微处理器的系统、可编辑的消费电子设备、网络pc、小型计算机、大型计算机、或者包括以上任何系统或设备的分布式计算环境等等。
33.运行数据获取之后，结合图2所示，例如还对每一列矩阵x中的数据逐行进行异常值诊断，即数据预处理，获得正常值所在行索引构成的集合ej，遍历各列，将所有列的正常数据进行交集计算，获得剔除异常值之后所剩下的全部正常值的索引构成的集合e，根据集合e中的索引获取正常数据矩阵x。后续步骤通过该正常数据矩阵执行，能够保证数据计算的准确性，避免干扰。
34.进一步的，前述对数据的异常值判断例如包括：对于第j列的第i行数据x
ij
，若则判断x
ij
为异常值，其中δj为第j列运行参数的变化限，可由用户自定义设置。由于锅炉受热面运行数据由矩阵表示，通过该异常值判断算法，能够快速自动提出异常数据，用户可根据自身需要灵活选择运行参数的变化限。
35.在步骤s2中，例如由上位机从运行数据中筛选出受热面较为洁净或未严重沾污的数据作为训练集x
train
，以便后续标定spe统计量的控制限，测试集x
test
则可选取训练集数据的剩余数据或者一段预设时间内采样的运行数据。具体的，例如将获取的运行数据进行洁净度排序，选取受热面洁净度达到前80％的数据作为训练集，对应的可选取剩余20％的数据作为测试集，当然该比例可由用户自定义设置，并不以此为限制。值得一提的是，为了实现对锅炉受热面的实时监测，也可以选取一段预设时间如三天内的采样数据作为测试集。此外，锅炉受热面的洁净度可由预先测算得到的受热面洁净因子判定，因此本技术整体方案通过计算机算法实现即可，无需实时测算洁净因子，避免大量复杂的计算以及测点数据难以获得的问题。
36.步骤s3中由上位机对数据集进行标准化处理及主成分分析得到降维数据。具体的，测试集进行数据标准化处理需要的均值及方差均采用训练集的均值及方差。测试集在主成分分析过程中的降维矩阵采用训练集在该过程中包含主元信息的矩阵。
37.具体的，主成分分析法的具体内容如下：
38.计算训练集的协方差矩阵c：
[0039][0040]
并对其进行特征值分解，求解得到协方差矩阵的特征值特征向量，特征值分解为：
[0041][0042]
其中a为特征值构成的对角矩阵(对角元素满足λ1≥λ2≥
…
≥λn)；v∈rm×n为正交矩阵(单位正交化后的特征向量矩阵)；p为v的前a列，包含了所有主元信息。
[0043]
计算前a个特征值的累计贡献率：
[0044][0045]
其中l为累计贡献率下限，若前a个特征值的累计贡献率da小于l，则继续增加主元
个数a，直至满足条件。
[0046]
在步骤s4中，例如由上位机对结果进行统计量校验，分别计算训练集和测试集降维后的数据的spe(squared prediction error，平方预测误差)统计量，并计算训练集spe统计量的控制限，spe统计量刻画了输入变量的测量值对主元模型的偏离程度,是对模型外部变化的一种度量。spe统计量的计算公式为：
[0047]
spe＝x
t
(i-pp
t
)
t
(i-pp
t
)x
[0048]
其中x为标准化后的训练集，p为训练集的协方差矩阵特征值分解后由特征向量的前a列构成的矩阵。
[0049]
spe统计量的控制限计算公式为：
[0050][0051]
其中，c
α
是标准正态分布的置信极限，满足公式：α取值范围例如为[0.01-0.05]。
[0052]
在步骤s5中，判断受热面是否严重污染的方式是将测试集的spe统计量与训练集spe统计量的控制限进行比较。进一步地，若测试集的spe统计量spe
test
《q
α
则认为受热面污染程度较低，反之若spe
test
≥q
α
，则认为受热面污染程度较高。
[0053]
以下结合具体实例对本发明技术方案进一步说明：
[0054]
该实例为某1000mw锅炉机组的省煤器灰污监测，选取省煤器的入口给水(蒸汽)温度、出口给水(蒸汽)温度，左右侧入口烟气温度、左右侧入口烟气温度共6个运行参数，覆盖机组接近五个月的运行数据。
[0055]
经过数据预处理后，将所有该时刻的洁净因子大于所有时刻洁净因子10％的数据作为训练集x
train
，其中x
train
∈r
143295
×6,将任意选取的三天数据作为测试集x
test
,其中x
test
∈r
4320
×6。
[0056]
对训练集与测试集进行标准化处理，并进行主成分分析，累计贡献率大于99％时的主元个数为2。
[0057]
分别计算降维后的训练集与测试集的spe统计量，并选择置信度为95％即α＝0.05的spe统计量控制限q
0.05
。当测试集的spe统计量spe
test
《q
0.05
则认为受热面污染程度较低，暂时不需要进行吹灰，反之若spe
test
≥q
0.05
，则认为受热面污染程度较高，需要进行吹灰。
[0058]
参照图3所示，在吹灰动作之前或期间出现了spe
test
≥q
0.05
，吹灰结束后spe
test
《q
0.05
，说明在吹灰动作之前或期间出现了受热面污染严重的情况，而在吹灰之后又恢复到了较清洁的范围。
[0059]
综上所述，本发明实施例提出一种电站锅炉受热面污染程度判定方法，通过根据洁净度将电站锅炉运行数据筛选划分为训练集和测试集，分别进行标准化处理和主成分分析得到降维数据，并计算spe统计量和训练集的控制限以此判定对应受热面的污染程度，能够实现有针对性地去除锅炉受热面灰污，无需实时测算洁净因子，有效避免大量复杂的计算以及测点数据难以获得的问题。
[0060]
【第二实施例】
[0061]
如图4所示，本发明第二实施例提出一种电站锅炉受热面污染程度判定装置20，包括：数据获取模块201、数据筛选模块202、数据处理模块203、统计量计算模块204和污染程度判定模块205。
[0062]
其中，数据获取模块201用于定时获取电站锅炉运行数据。数据筛选模块202用于从所述运行数据中筛选出受热面较洁净的数据作为训练集，以剩余数据或预设时间内的数据作为测试集。数据处理模块203用于对所述训练集和所述测试集的数据分别进行标准化处理和主成分分析得到降维数据。统计量计算模块204用于分别计算所述降维数据的spe统计量以及所述训练集的所述spe统计量的控制限。污染程度判定模块205用于根据所述测试集的spe统计量和所述训练集的spe统计量的控制限判定对应受热面的污染程度。
[0063]
本发明第二实施例公开的电站锅炉受热面污染程度判定装置20所实现的方法如前述第一实施例所述，故在此不再进行详细讲述。可选地，第二实施例中的各个模块和上述其他操作或功能分别为了实现第一实施例所述的电站锅炉受热面污染程度判定方法，且本实施例的有益效果同前述第一实施例的有益效果相同，为了简洁，不在此赘述。
[0064]
【第三实施例】
[0065]
如图5所示，本发明第四实施例提出一种计算机可读存储介质30，计算机可读存储介质30为非易失性存储器且存储有计算机可读指令，当所述计算机可读指令被一个或多个处理器执行时，例如使得所述一个或多个处理器执行前述第一实施例所述的电站锅炉受热面污染程度判定方法。具体方法可参考第一实施例所述的方法，为了简洁在此不再赘述，且本实施例提供的计算机可读存储介质30的有益效果同第一实施例提供的电站锅炉受热面污染程度判定方法的有益效果相同。
[0066]
此外，可以理解的是，前述各个实施例仅为本发明的示例性说明，在技术特征不冲突、结构不矛盾、不违背本发明的发明目的前提下，各个实施例的技术方案可以任意组合、搭配使用。
[0067]
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和/或方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元/模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多路单元或模块可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0068]
所述作为分离部件说明的单元/模块可以是或者也可以不是物理上分开的，作为单元/模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多路网络单元上。可以根据实际的需要选择其中的部分或者全部单元/模块来实现本实施例方案的目的。
[0069]
另外，在本发明各个实施例中的各功能单元/模块可以集成在一个处理单元/模块中，也可以是各个单元/模块单独物理存在，也可以两个或两个以上单元/模块集成在一个单元/模块中。上述集成的单元/模块既可以采用硬件的形式实现，也可以采用硬件加软件功能单元/模块的形式实现。
[0070]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可
以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。