摘要
近年来，随着以风能和太阳能为主的可再生能源并网比例的增加以及国家对于污染物排放指标的收紧，火电机组面临着快速变负荷、超低负荷以及超低排放的运行要求。全新的运行场景给火电机组的安全稳定运行带来了挑战。运行参数反映了机组的运行状况，由于无法在炉内对参数进行实时测量，因此需要借助参数监测技术保障机组的稳定运行。在参数监测技术中，机理模型与深度学习模型是两种常用的参数监测手段。相较于机理模型，深度学习模型具有更高的监测精度，但是，与对象特性的结合问题限制了该领域中深度学习模型的发展。机理模型能够有效地反映机组运行特性，因此通过结合机理模型的深度学习模型改进能够有效地实现与对象特性的结合。目前，在火电相关领域中使用机理模型进行深度学习模型改进的研究相对匮乏。 本文以循环流化床(CFB)机组为对象，通过结合机理分析的算法模型改进实现参数监测任务的性能提升。针对数据的迟延特性对变量筛选的影响问题，本文在变量筛选算法中考虑了数据间的不同迟延特性;针对机理模型与深度学习模型相结合问题，本文对循环流化床机组的集总参数模型进行推导和分析，从机理特性、机理计算方式、机理映射关系以及机理信息融合的方面对深度学习模型进行改进。主要工作包含以下部分: 1.针对迟延特性对变量相关性分析的影响，研究采用动态时间规整算法对变量在不同时刻的相似度进行计算。针对变量数量级不统一问题，提出了一种模式匹配动态时间规整算法用于对深度学习模型的变量进行筛选。算法通过对数据进行重构提取数据的趋势信息，采用模型匹配的方式实现对变量相似度的计算。该算法通过结合长短期记忆神经网络模型实现了对CFB机组床压监测以及翻床事故预警。 2.针对算法模型与机理特性的结合问题，研究分析了炉内单侧床料的集总参数模型中的状态特性。研究发现，集总参数模型中状态初始值对最终时刻状态值的影响随间隔时间的增加逐渐减小，呈现指数函数的形式。本文采用了具有高斯卷积核的卷积神经网络模型来模拟这种影响特性。基于此，提出了一种基于高斯卷积核的时序注意力机制模型。相较于其他算法模型，该模型在CFB机组床压监测任务中取得了最佳性能。 3.针对算法模型与机理计算方式的结合问题，研究对CFB机组床温集总参数模型进行了分析，通过简化和推导，从集总参数模型中推导出了前向神经网络模型的表达形式和卷积神经网络模型的计算形式。因此，研究提出了一种基于床温集总参数模型推导的深度学习模型。实验证明，该模型能够提高床温参数监测精度。 4.针对算法模型与机理映射关系的结合问题，研究对CFB机组原烟气SO2集总参数模型进行了简化分析，实现了集总参数模型中线性映射部分与分线性映射部分的划分。基于此，提出了一种具有深广结构的深度学习模型。相较于其他算法模型，该模型在原烟气SO2浓度监测任务中取得了最佳性能。 5.针对算法模型与机理模型的信息融合问题，研究对比了简化后的集总参数模型与单层门控循环神经网络(GRU)模型。结果表明，单层GRU模型与集总参数模型在推导和分析以后存在相同的表达形式，揭示了主流深度学习算法模型与集总参数模型之间的关联。基于已有的机理模型研究，本文提出了一种用于CFB机组原烟气SO2浓度监测的混合预测模型，并通过实际运行数据对模型精度进行了检验。相较于其他算法模型，混合预测模型具有更高的参数监测精度。
NETL