《Fuel》：Data-driven intelligent modeling for superheater wall temperature prediction and operational optimization of 1000 MW deep peak shaving coal-fired power plants
编辑推荐：
针对1000MW四角切圆燃烧锅炉在快速调峰运行中高温超热器壁面温度异常问题，通过动态相关性分析构建高维特征数据集，结合多模型交叉验证采用随机森林模型预测壁面温度标准差，实现96%以上拟合精度，为智能预警系统提供技术支撑。
纪兴亮|王彦明|马翔|崔黎明|王家伟|倪永中|李洪源|王涛|张永生|徐洪
教育部电站能量转换与系统重点实验室，华北电力大学，北京102206，中国
摘要
在热电厂深度参与快速削峰的背景下，1000兆瓦四角切向燃烧锅炉的高温过热器面临着诸如壁温异常、热偏差以及由于频繁负荷波动而增加的管子破裂风险等挑战。本研究揭示了负荷变化率与壁温标准差之间存在显著的动态相关性。在稳定运行期间，当负荷变化率保持在-0.7至1.5兆瓦/分钟的范围内时，壁温标准差的波动可以控制在4摄氏度以内，以保持可接受的范围。然而，在快速削峰阶段，当变化率激增至-7至7兆瓦/分钟之间时，负荷的突然波动导致的变化率远超稳定状态。这引发了壁温标准差的急剧上升，约为12摄氏度，显著降低了壁温的均匀性。基于这些发现，我们采用了一种创新方法，将电厂的运行经验与皮尔逊相关系数分析相结合，构建了一个高维特征数据集。经过多模型交叉验证后，使用随机森林模型来预测壁温。结果表明，该模型在瞬态和稳态条件下对高温管道温度和壁温的标准差预测准确率超过了96%。该模型精确捕捉了工作流体流动和对流热传递在快速负荷变化过程中的参数变化，识别出容易过热和管道破裂的高风险区域，并可以为建立电厂的智能预警系统提供技术支持。
引言
随着国家“双碳”战略的推进以及新能源电力的大规模并网，燃煤电力正从主要电源转变为基本、有保障且受系统调节的电源[1]、[2]、[3]、[4]、[5]、[6]。2025年发布的《新一代燃煤电厂升级与改造专项行动计划（2025-2027年）》为新一代燃煤电厂的深度削峰设定了目标：通过深度削峰，负荷减少的目标为20%；对于负荷在50%或以上的机组，负荷变化率定为4% Pe/min；对于负荷在30-50%的机组，这一数值定为2% Pe/min。这种向灵活运行模式的转变对燃煤机组的安全稳定运行提出了前所未有的要求，尤其是对锅炉系统而言，因为锅炉系统是能量转换的核心组件。具体来说，在快速启停和深度削峰等灵活运行过程中，机组的运行将显著偏离设计的额定运行条件[7]、[8]、[9]、[10]，这会导致炉内燃烧和运行参数的突然变化，进而引起火焰偏移和工作流体流动的不均匀，最终在锅炉的加热表面上形成显著的热分布偏差[11]、[12]、[13]、[14]、[15]。
这种热分布偏差对锅炉的安全运行构成了重要瓶颈。例如，在一个600兆瓦的超临界对冲燃烧锅炉中，当负荷降至额定负荷的30%（THA）时，高温加热表面的最大温差可达400 K[16]；而在一个660兆瓦的超超临界双再热锅炉中，低负荷运行条件下，低温过热器会过热，再热器温度超过允许值21.4摄氏度[17]。统计数据显示，2022年中国共有1,920台燃煤机组发生了987次非计划停机；其中，锅炉侧问题占总停机时间的60.99%，水壁和过热器加热表面是非计划停机的主要原因。作为锅炉中温度最高和加热条件最恶劣的部件，高温过热器的壁温直接关系到机组的安全。过热可能导致严重的事故，如管道蠕变和破裂。因此，构建实时监测和智能预警系统以监测锅炉的壁温是预防和控制事故的重要方面[18]、[19]、[20]、[21]。
构建这一预警系统需要成熟的理论和技术支持，最近在能源设备安全领域通过跨学科研究取得的关于高温部件热管理的成果可以提供帮助。贾等人[22]对涡轮叶片温度差异的控制研究为我们的分析提供了技术参考；张等人关于超临界二氧化碳（SCO2）冷却反应堆中的热传递的研究补充了本文中对过热器的热力学分析[23]；毕等人对余热回收系统的瞬态分析为解决深度削峰下的锅炉安全问题提供了思路[24]；童等人报告的流体参数与热分布之间的耦合律为我们的研究提供了探索由工作流体流动不均匀引起热偏差机制的参考[25]；温等人提出的温度保护方案用于验证本文描述的智能壁温预警系统的可行性[26]。然而，锅炉系统复杂，参数耦合性强，传统方法无法准确捕捉控制高温过热器壁温的动态规律。上述跨学科成果也无法满足涉及灵活运行场景的精确预测需求，这使得提前避免过热风险变得困难[27]，因此迫切需要针对性的方法。数据驱动方法可以用来建立多维运行参数与壁温之间的非线性映射关系，以实现准确预测，从而提供克服这一瓶颈的有效途径[28]。
近年来，学者们对锅炉壁温的数据驱动预测进行了相关研究。Jaroslaw Grochowalski[29]提出了基于深度学习算法的人工神经网络（ANN）模型，可以通过锅炉运行参数预测温度分布。Lv[30]构建了一个改进的极端学习机算法，将代表典型运行条件的计算流体动力学（CFD）模拟数据与数据驱动的机器学习建模相结合，以预测锅炉中的温度分布，模型预测准确率为84%。Dhanuskodi等人[31]为660/800兆瓦超临界锅炉开发了一个基于ANN的壁温预测模型，对实验数据的预测准确率为100%，对文献中数据的预测准确率为81.94%，偏差范围为±7摄氏度。崔[32]对600兆瓦超临界锅炉的多个加热表面进行了壁温预测，并提出了一个径向基函数神经网络模型，用于预测螺旋水壁、垂直水壁以及前后左右壁的温度，最大偏差为5.6%。Lv[33]使用11,520个运行数据点为300兆瓦锅炉构建了一个循环流化床温度预测模型，基于最小二乘支持向量机技术，预测误差为17摄氏度。
现有研究大多关注在静态或典型运行条件下单个管子的建模和验证，通常依赖于模拟数据或小样本现场数据进行分析。然而，在电厂的实际运行中，锅炉负荷和各种参数会显著波动。具体来说，现有模型主要关注参数与壁温之间的单时间步映射关系。关于参数与管壁温度之间的时间相关性以及快速负荷变化期间的时域动态演化建模的研究仍然相对较少。此外，还需要进一步改进基于实际电厂全运行条件的多个过热器管子在深度削峰条件下的壁温和温度均匀性的预测研究。
本研究结合了来自42根高温超临界（HTS）管子的数百万数据样本，重点探讨了负荷变化率对多根管子过温和整体壁温均匀性的影响。通过筛选与壁温强相关的参数并构建高精度预测模型，本研究为深度削峰机组中壁温的智能控制提供了技术支持，确保了机组的安全和灵活运行。
部分摘录
机组概述
本研究涉及一台1000兆瓦的锅炉，采用四角切向燃烧配置。高温过热器位于火焰偏转角上方。蒸汽进入高温进水集箱，通过蛇形管进行加热，然后流入高温出水集箱。在集箱内混合后，蒸汽从两端抽出，合并成一根蒸汽集管管道，然后输送到蒸汽轮机。
预测模型
数据驱动的设备状态监测方法已被证明在建立工业设备运行参数与关键状态指标之间的映射关系方面是有效的。Wei等人[35]使用应力量化和温度传感技术进行了设备状态监测的研究，验证了数据驱动方法在预测工业设备运行状态方面的有效性。基于这一方法论框架，本研究
不同运行条件下过热器管子的温度场分布
从DCS系统中选取了锅炉连续运行40天的原始数据，采样间隔为1分钟。每个数据集包括来自40多个测量点的温度和43个关键运行参数，如机组负荷、主蒸汽温度、空气预热器入口处的空气体积和温度。图5显示了基于这40天运行数据的各种运行条件下的管子温度。
结论
本研究考察了1000兆瓦超超临界机组在深度削峰运行期间高温过热器的壁温特性。定量分析表明，在稳态条件下，壁温均匀性保持稳定，标准差在4摄氏度以内。然而，在深度削峰期间，标准差急剧上升至12摄氏度——是稳态值的三倍——表明温度均匀性显著下降
CRediT作者贡献声明
纪兴亮：撰写——原始草稿、可视化、软件、数据整理、概念化。王彦明：项目管理、资金获取。马翔：项目管理、资金获取。崔黎明：项目管理、资金获取。王家伟：可视化、监督、概念化。倪永中：监督、概念化。李洪源：监督、概念化。王涛：撰写——审稿与编辑、监督、方法论
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。
致谢
本工作得到了中国国家重点研发计划（2023YFB4102903）的支持。
