基于CNN-GAN 數據增強網絡的電廠鍋爐管道溫度壓力及健康狀態預測?

陳鴻鑫，馬天霆，周 陽，簡彥辰，高 犇，戴明露?

(1.國家能源集團宿遷發電有限公司，江蘇 宿遷 223803；2.東南大學能源與環境學院，江蘇 南京 210096)

隨著國民經濟的快速發展，各行業的用電需求激增。而為了響應國際環保號召，我國也提出了“碳達峰”和“碳中和”目標。面對“雙碳”目標，國內大力發展風、光、核等清潔能源，并要求火電這一傳統能源參與深度調峰。這一要求的實質是需要火電廠鍋爐能夠在高低負載間來回快速切換，且低負載情況下燃料轉換率更高。頻繁的深度調峰易造成電廠鍋爐各部件不斷承受交變熱應力，其中鍋爐的主汽、冷再熱管道由于承受溫度高、壓力大，而成為密切監控對象[1]。

目前，主汽、冷再熱管道的主要檢測手段為通過傳感器檢測其溫度和壓力。這種檢測結果具有一定的局限性，即只能通過將溫度壓力數據與管道建設閾值進行對比，判別管道目前狀態[2]。此外，由于傳感器與電廠DCS 的測量與搜集傳輸數據的特性，中控大屏所呈現的數據具有一定的滯后性。當管道內溫度以及壓力出現異常時，難以及時預警。因此，需要一種科學有效的手段，對電廠鍋爐的主汽、冷再熱的溫度、壓力數據進行預測，同時評估其未來溫度、壓力數據的健康狀態，幫助運維人員進行及時調整[3]。

對溫度、壓力數據預測的本質是研究溫度、壓力數據在時序上的變化過程，因此該研究的本質是時序預測[4]。時序預測指的是在任意一段時間范圍內以特定的時間間隔對未來時刻的序列走向進行預測。國內外的諸多學者對時序預測投入了大量的研究，Yule 等[5]將時序預測問題歸納為自回歸問題并且建立了自回歸模型，該模型能夠對自然界的相關參數進行預測。該模型存在的主要問題是其變量的相關性受歷史數據影響較大，難以考慮除時間尺度外變量的影響。隨后Walker 等[6]提出了移動平均模型，該模型的優點是加入了隨機噪聲，增加了模型中的誤差權重，解決了預測中因歷史數據產生的隨機波動。隨后，差分自回歸移動平均模型[7]將預測序列拆分為線性和非線性部分進行研究，利用線性模型尋找序列中的一階線性成分，以非線性模型擬合時間序列與線性模型的殘差，大大增加了預測的準確性和平穩性。近年來，隨著機器學習的發展，給時間序列預測帶來了新的方法。支持向量機(Support Vector Machine，SVM)[8]最先用于二分類問題和回歸預測，主要依賴于其能夠通過核函數將低維非線性問題在高維空間進行映射，映射后只需進行高維線性問題求解。隨后人工神經網絡(Artificial Neural Network，ANN)通過多層感知機配合激活函數，能夠達到更為優越的非線性求解能力。深度學習網絡(Deep Learning Network)[9]的出現再次展現出比傳統機器學習方式更加優異的性能，其中，循環神經網絡(Recurrent Neural Network，RNN)不但能夠解決自然語言處理問題[10]，也在時間序列預測方面大放異彩。近年來，諸多學者也將其用在天文[11]、氣象[12]以及金融市場[13]的預測。盡管RNN有著優異的非線性擬合能力，但是其基于數據或機理驅動[14]，電廠管道這一復雜系統很難建立完善的機理、生成足夠的數據集，因此只能通過數據驅動的方式完成數據集準備。然而現有電廠管道的運行數據多為正常運轉數據，很難有異常數據供以參考。生成對抗網絡(Generative Adversarial Network，GAN)是一種極小極大博弈的問題，它由生成器和判別器組成，尋找生成器和判別器的平衡點[15]。該網絡多用來生成多樣化數據進行數據集擴充。諸多學者應用該方法實現了風電機組齒輪箱故障檢測[16]、人臉檢測[17]和時間序列異常檢測[18]。

本研究著重于實現電廠鍋爐主汽、冷再熱管道的溫度與壓力預測，通過GAN 網絡擴充數據集并且建立未來時間段管道運行狀態，結合現場真實數據構建合成數據集。以LSTM 網絡搭建電廠鍋爐管道溫度與壓力預測模型，并實現未來時間段運行狀態預測。

1 數學模型

1.1 生成對抗神經網絡

GAN 的核心是依據已有真實數據集，從無到有生成近似真實數據。它由生成器和判別器組成，分別負責生成新的數據和對生成數據的真假進行判別。生成器的最終目標是生成的數據集能夠欺騙過判別器，而判別器則是不斷提升判別能力來迫使生成的圖片更加接近真實，其表達式為:

式中:α為1-Lipschitz 函數，Pg是由生成器G(z)生成的數據集。1-Lipschitz 函數的本質是一種加強Lipschitz 約束的方法，表示為:

式中:P～x為從數據分布Pr到生成的數據Pg的隨機均勻采樣點對。其本質是對于隨機樣本梯度建立帶懲罰的約束，并且加入到原有GAN 模型的損失函數中。

使用GAN 的優點是能夠根據現有真實數據，不斷生成接近于真實數據的數據集，以此數據集進行擴充，但是電廠鍋爐管道的運行數據多為正常運轉數據，難以有不正?；蛘呤枪收蠑祿a生，因此需要建立合適的評價函數，以此計算其與真實數據的貼近程度。

1.2 預測算法

現有預測模型分為直接多步預測和滾動多步預測，直接多步預測的優點是實現簡單，其可以表示為:

式中:T、P為電廠鍋爐管道的溫度和壓力，t為當前時刻，Δt為采樣間隔，m、n為過去時間段和預測時間段的序列長度。滾動多步模型降低了模型求解難度，提升了單步預測的準確性，但是卻存在隨滾動步數提升而誤差線性增長的隱患。由于本文通過GAN 網絡擴充了數據集，只要選取合適的求解模型便可以彌補直接多步預測法對模型求解算法和模型數據集要求較高的缺點。如圖1 所示，構建直接多步預測數據集時需要依據當前時刻t的前后m和n步進行數據篩選，采樣間隔Δt可以根據實際需要確定。下一時刻t＋1 的數據集確定則需要在原有數據集上進行平移即可。預測的數據為當前時刻t的后n個Δt步長。

圖1 直接多步預測法流程圖

從式(3)可以看出，直接多步預測的本質是解多元非線性函數。常用的多元非線性函數的求解方法有牛頓迭代和最速下降法等。目前，神經網絡的非線性擬合功能使得其在處理非線性問題時有更好的精度和更少的時間。

LSTM 網絡以其優良的非線性求解能力在處理時序問題上有著諸多應用。LSTM 由三個門控制單元組成，分別處理著上一時刻、當前時刻和未來時刻的信息。其中，遺忘門用來決定上一時刻和當前時刻輸入數據中需要舍棄的部分，并將對序列貢獻較多的數據輸出至輸入門。輸入門是諸多信息匯總的區域，在進行決策時會引入隱藏狀態C這一概念，其作用是記住權重較大的序列信息，最終由輸出門進行數據輸出。遺忘門，輸入門和輸出門的表達式如下:

式中:l為當前時間步長，x(l)為當前時間步長下的輸入，h(l－1)為上一個時間步長下的隱藏層，bf為該門的增益向量，Wf為遺忘門的權重，sigmod、tanh 為激活函數，C(l－1)為上一時間步長的隱藏狀態。

1.3 管道健康評價算法

電廠鍋爐管道主要承受溫度和壓力影響，因此本研究的管道健康評價模型基于溫度和壓力的正常運行值和未來變化趨勢?？紤]溫度和壓力正常運行值、一階和二階導數分別表示溫度和壓力的未來趨勢的評價函數可以表示為:

式中:M、N分別為序列的行數和列數，Oi，j、Gi，j分別為真實數據和GAN 生成的數據，α、β為權重系數。由于該函數可以評價GAN 所生成的數據與真實數據的相似程度，因此，與正常運行數據越接近的數據健康程度越理想。

通過以上方式，將工況劃分為正常運行工況、升溫工況、降溫工況、非理想工況與臨界工況。其中，正常運行工況、升溫工況、降溫工程均屬于鍋爐管道的標準工況，健康評價函數值在0.9 以上，運維人員無需處理，非理想工況健康評價函數值在0.5～0.9之間，系統產生提示，運維人員可根據實際情況選擇忽略或提前采取措施。當評價函數值達到0.5 以下時，此時鍋爐管道系統處于臨界工況，系統產生報警，運維人員需根據管道預測的未來溫度與壓力趨勢立即采取相應措施。該方法的優勢是，避免了傳統有限元仿真以及理論分析的復雜建模過程，以正常運行數據與設計理論計算數據為依據，再利用CNN-GAN 的數據擴充方法，結合評價依據生成不同相關度的數據集，擴充了合成數據集的工況范圍。

2 基于CNN-GAN-LSTM 的混合模型

考慮第一部分的數學模型，建立圖2 所示的CNN-GAN-LSTM 混合網絡模型。首先由函數不斷生成初始序列，生成的初始序列為0 到1 之間隨機無序小數。初始序列經過由5 層全連接層組成的生成器，全連接層參數分別為128、256、512、1 024、816，最后一層使用Tanh 激活函數激活以后，重新排列為真實圖像大小進行輸出。輸出的合成序列與真實序列同時輸入判別器，在判別器中，一部分為3 層全連接進行的1-Lipschitz 算法，全連接參數為512、256 和1。全連接層部分使用LeakyReLU 作為激活函數，該激活函數避免了小于0 的部分陷入死區，不能向下傳遞的問題。另外一層用CNN 網絡進行式(5)的計算，該部分由卷積和池化組成，卷積核大小為[5，5]、[4，5]，步長為1，池化采用最大池化，每層之間用ReLU 函數激活。最后兩部分權重各為0.5，計算完的權重返回到生成器和判別器，并且作為管道健康評價函數。多層卷積將輸入序列分別提取為16×20×30、16×10×15、32×4×6、32×2×3 的高維矩陣，最后展開為192 個神經元，經由全連接層縮減為1 個神經元，通過Tanh 函數進行激活。激活后的神經元與上一部分的全連接層取權重后相加輸出。加入多層CNN 卷積和全連接層的作用是實現管道健康評價算法的閾值對比和一階二階積分運算，使用CNN 的優點是擴大了二維序列的運算視野，并且兼顧到前后不連續的溫度或壓力序列。

圖2 CNN-GAN-LSTM 結構圖

將現有的真實數據和CNN-GAN 網絡生成的擴充數據合并為合成數據集，將合成數據集按照主汽溫度、冷再熱溫度、主汽壓力、冷再熱壓力的方式排布，輸入的序列長度為120，預測的序列長度包括未來30 步的預測數值和4 個1 位長度的健康狀態評價值。預測網絡采用兩層LSTM 網絡堆疊進行時序數據非線性處理，輸出部分取LSTM 輸出層最后一個時刻的權重，先由一層全連接層調整輸出序列長度，全連接層長度為2 048，再分割為兩塊全連接，分別用以未來趨勢走向的預測和健康狀態預測。該方法的優點是避免了健康狀態被溫度、壓力時序信號湮沒，提升健康預測準確度。

由于溫度和壓力具有不同的數值范圍，因此輸入的數據需要進行歸一化處理，以便減少模型訓練時間，提升訓練精度。預測網絡所采用的損失函數為均方根誤差(Root Mean Squared Error，RMSE)，優化參數為Adaptive Moment Estimation。

3 結果與分析

3.1 電廠鍋爐主汽、冷再熱管道溫度壓力分析

本研究采用的數據為某電廠鍋爐實際運行中的主汽、冷再熱管道溫度和壓力數據，數據采樣頻率為1 min/次，數據時長為200 d，期間鍋爐正常運行，計劃停機兩次。圖3 所示為電廠鍋爐管道的溫度和壓力趨勢走向，其中T1、P1 分別為主汽管道的溫度和壓力，T2、P2 分別為冷再熱管道的溫度和壓力。在正常運行情況下，主汽管道的溫度和壓力分別在550 ℃～600 ℃與15 MPa～27 MPa 之間，冷再熱管道的溫度和壓力分別在300 ℃～350 ℃與2 MPa～6 MPa 之間。圖中有兩個非常劇烈的溫度與壓力下降再上升的走勢，為該鍋爐的停機整修狀態。

圖3 電廠鍋爐管道長時間溫度壓力圖

由于長時間的管道溫度與壓力圖譜顯示的為整體變化趨勢，可以分析出長時間運行的波動范圍和升溫、降溫工況下的走勢，但是難以發現短時間內的波動趨勢。因此，圖4 展示了鍋爐管道的短時溫度和壓力圖譜，圖中溫度、壓力的采樣頻率為1 min/次，序列長度為150 min，此時鍋爐處在正常運行狀態。從圖中可以看出，主汽與冷再熱管道的溫度、壓力波動趨勢隨負載變化而不斷波動。主汽與冷再熱管道的溫度波動變化趨勢類似，但即使在相對平穩的狀態下仍有2 ℃～6 ℃的波動。從整體變化趨勢看來，主汽管道的溫度波動幅值略大于冷再熱管道，且溫度波動的劇烈程度也大于冷再熱管道。主汽與冷再熱管道的壓力變化趨勢各不相同，主汽管道的壓力在23.4 MPa下以0.2 MPa 的幅值上下波動，冷再熱管道壓力在4.2 MPa 下以0.05 MPa 的幅值上下波動。整體看來，主汽管道的壓力變化趨勢大于冷再熱管道。

圖4 電廠鍋爐管道短時溫度壓力圖

3.2 基于GAN 的數據增強

依據以過去120 min 實現未來30 min 短期預測的要求，將現有數據集按照150 min 的長度切分為21 840 組。如圖5 所示，為了方便GAN 網絡匹配特征，將其重新排序為10×15 矩陣，并且于外圍補全一層0 以便區分。將主汽與冷再熱管道的溫度、壓力拼接成一個24×34 的一維矩陣，排序為二維矩陣的優點是方便CNN-GAN 網絡生成更逼近真實的溫度與壓力序列，同時CNN 網絡能在更高的維度上學習不同時間點下序列的值與一階、二階導數關系。

圖5 不同網絡生成數據集對比

由于溫度和壓力的特征值范圍不同，在進行數據擴增前需進行歸一化處理。從圖中可以看出，原始數據在穩定運行時溫度有一定的波動，壓力波動相對較小。GAN 網絡生成的數據集較為平滑，尤其是主汽與冷再熱管道的壓力波動幅度較小，而CNN＿GAN 所生成的溫度和壓力數據波動性更強，接近于原始數據。GAN 網絡生成的溫度壓力數值與原始數據近似，CNN＿GAN 所生成的溫度壓力為臨界溫度壓力，呈現深色。

隨著CNN-GAN 網絡的不斷迭代優化，生成數據集也不斷向真實數據集逼近。圖6 展示了CNN＿GAN 生成溫度、壓力數據集的優化過程，圖中由4個子區組成，每個子區代表一種工況下的溫度與壓力，每個子區包含了主汽與冷再熱管道的溫度、壓力的150 min 走勢。從圖中可以看出，迭代開始時的溫度與壓力信號為隨機信號；迭代初期，模型能夠區分出主汽與冷再熱的溫度與壓力幅值大小，不會出現同一工況下某一區域的值過大或者是過小的現象；隨著迭代進行，子區信號逐漸有序化，波動區域逐漸得到控制，生成數據的噪點逐漸減少，最終得到不同狀態下幅值不同、波動具有一定規律的溫度與壓力數據集。

圖6 基于CNN-GAN 的數據集擴展

為了進行詳細對比，選取了GAN 和CNN＿GAN中與真實數據相似度為80%的數據進行展開。如圖7 所示，為歸一化的主汽溫度序列。從圖中可以看出，普通GAN 網絡生成的數據波動較大，但是來回波動的均值處在0.74 附近，證明GAN 判別器進行評價時圖像均值的權重較大。CNN-GAN 的波動明顯減小，波動的均值也處在0.74 附近，并且走勢與真實數據接近。這是因為CNN-GAN 判別器學習了圖像的二維分布規律，考慮了圖像的均值以及一階和二階導數關系，證明上文中建立的管道健康評價算法起到理想效果。

圖7 不同網絡生成數據對比

3.3 基于合成數據集的溫度壓力預測

將GAN 生成的擴展數據集與真實數據集合并后打亂傳遞至預測網絡，其中，真實數據共有27 565組，GNN-GAN 生成的仿真數據集共34 452 組。圖8所示為500 組獨立于訓練集的驗證集預測結果的均值絕對誤差。其中，T1、P1 為主蒸汽管道的溫度與壓力，T2、P2 為冷再熱管道的溫度與壓力。從圖中可以看出，溫度、壓力的預測結果都處于5%以內，預測結果理想。在未來30 min 的預測走勢中，500組數據的絕對誤差呈現波動趨勢，證明未來30 min的預測趨勢并不會隨時間增長而非線性增長。相較于溫度而言，壓力的預測誤差稍大，并且冷再熱管道的壓力預測誤差最大。31 列的數據為健康狀態預測數據，與溫度、壓力預測趨勢相同，冷再熱管道的健康預測誤差最大。這是因為冷再熱管道的壓力曲線比較復雜，從而導致壓力預測與健康狀態預測誤差稍大。

圖8 LSTM 預測誤差

500 組數據的絕對誤差驗證表明了該方法對隨機工況的適用性，但是電廠鍋爐管道工況較多，必須分開進行驗證。圖9 所示為非理想工況下主汽溫度未來30 步的溫度預測。根據管道健康評價函數的定義，非理性工況指的是鍋爐管道的溫度與壓力和正常運行的真實數據有一定的偏差，但是該數值又處在溫度與壓力設計承壓范圍內。OrT1 為主汽管道真實溫度，ReT1 為主汽管道預測溫度。從圖中可以看出，正常運行情況下主汽的溫度呈現上下波動狀態，但是波動的數據都在歸一化值0.9 以下，這是因為在進行最大最小歸一化時選取了管道的最大承溫作為歸一化極大值。序號31 為此時的管道健康狀態，可以看出此時健康狀態不為1，即此時管道的健康狀態不是非常理想，這是因為該工況下管道溫度的極大值過高且波動較大，可以看出管道評價函數能夠準確分辨正常運行工況和欠理想工況。未來30 步的預測在溫度波動范圍比較小時誤差較小，波動較大時預測誤差較大，但是整體最大誤差在6%以下。

圖9 非理想工況下主汽管道溫度預測

溫度預測驗證完后需要對主汽管道的壓力預測趨勢進行驗證。圖10 所示為非理想工況下主汽壓力預測，OrP1 為主汽管道真實壓力，ReP1 為主汽管道預測壓力。因為管道內的壓力最大值達到歸一化0.9，同主汽溫度一樣，當歸一化壓力達到0.9 時證明此時壓力已經不在正常運行的真實數據集范圍內，但是仍處于管道設計時的承壓范圍內。此工況下，主汽壓力的波動形式與溫度不同，證明預測網絡對不同趨勢的曲線都有比較好的預測效果。與主汽溫度預測不同的是，主汽的壓力預測極值是略大于真實的極值的，但是極值的誤差都在4%以內。

圖10 非理想工況下主汽管道壓力預測

非理想工況下的溫度與壓力預測結果表明CNN-GAN 生成的數據集有著比真實數據集更大的溫度、壓力波動趨勢且波動峰值超過真實數據集的峰值。該工況下的管道健康評價算法計算值也低于0.9，證明所建立的管道健康評價算法能夠區分出生成的非理想工況數據集與真實數據集的異同，CNNGAN 擴充數據集的方式有效。

針對上文中提出的不同工況下管道健康函數的預測，圖11 呈現了臨界工況下冷再熱管道的臨界工況預測。OrT2 為冷再熱管道真實溫度，ReT2 為冷再熱管道預測溫度。從圖中可以看出，此時溫度處在歸一化值0.95 附近，證明此時已經接近冷再熱管道的設計承壓，并且該工況下的溫度一直呈現波動上升狀態，證明CNN-GAN 網絡有著良好的數據生成和判別能力，此時的管道健康數值也降低到了0.4左右，屬于比較嚴重的管道健康狀態，此時運維人員需要緊急采取操作，保證冷再熱管道的正常運行。該工況下，預測的最大誤差在－6%一下，未來30 min預測的最大誤差出現在預測曲線的波谷，該波谷呈周期性出現，但是預測曲線的最小溫度仍在歸一化值0.9 以上，超過了實際運行數據集中的溫度極值。

圖11 臨界工況下冷再熱管道溫度預測

為了驗證健康評價函數的主要權重不是來自于判斷當前的溫度與壓力值，還需要對溫度、壓力較低時的工況進行分析。圖12 展示了在升溫工況下，冷再熱管道的壓力預測結果。從圖中可以看出，此時歸一化壓力處在0.55 附近，并且逐漸上升。正常運行時，歸一化壓力處在0.7～0.8 之間。圖中的真實壓力值在20 個步長前緩慢波動，這是因為電廠升溫是一個緩慢的過程，需要花一天到兩天的時間。在20 個步長以后，壓力先上升后下降。預測的壓力值在20 個步長以前與真實壓力值十分接近，20 個步長以后最大誤差為－4%，其后隨著真實壓力慢慢降低，誤差也逐漸降低，最終在預測的結尾時與真實值貼近，誤差也降到最小。31 為健康狀態預測，此時的健康狀態約為0.95，這是因為健康預測權重除了有曲線的一階和二階導數外，仍有曲線當前值作為參考。但是整體的預測處在0.9 以上，證明此時管道處在理想的健康水平。

圖12 升溫工況下冷再熱管道壓力預測

4 結論

本研究通過CNN-GAN 算法建立了電廠管道溫度壓力預測仿真數據集，提出了管道健康狀態評價函數。將仿真數據集與真實數據集建立的合成數據集輸入至建立的LSTM 預測網絡，對比與分析了管道溫度、壓力和健康狀態預測數據，結果發現:①CNN-GAN 算法比原始GAN 能夠生成更加真實的管道溫度、壓力仿真數據集，CNN-GAN 生成的數據集有著更貼近真實數據的波動和數值區間；②建立的管道健康評價函數能夠準確判定溫度、壓力超額定和短期波動較大等非正常工況，對指導運維人員檢修以及提前預警具有一定的價值；③在未來30 步的預測步長中，不同工況條件下，建立的預測網絡最大絕對誤差控制在6%以內。