基于第一性原理与机器学习融合的自适应建模框架在电厂锅炉过热器健康监测中的应用研究

本文创新性地提出了一种混合灰箱（GB）建模框架，将第一性原理白箱（WB）模型与机器学习黑箱（BB）模型相结合，开发了针对燃煤电厂锅炉过热器系统的健康监测系统。该框架通过动态分布式3-D微分代数方程（DAE）模型精确模拟管壁传热机制，并采用自适应衰减记忆训练算法优化BB模型性能，有效解决了传统模型在变负荷工况下的误差累积问题。研究首次实现了对过热器管壁氧化皮生长的时空演化预测（基于抛物线生长定律），并通过22个月实际电厂数据验证了模型在负荷跟踪运行中的可靠性，为电力设备状态监测提供了突破性技术方案。

　　

亮点（Highlights）

• 开发了用于高温锅炉组件健康监测的动态3-D第一性原理分布式微分代数方程（DAE）白箱（WB）模型，包含厚壁金属管模型和氧化皮抛物线生长定律模型

• 将动态3-D过热器WB模型与黑箱（BB）人工智能模型耦合，构建混合灰箱（GB）建模框架

• 提出新型自适应衰减记忆训练方法用于集成BB模型训练，在保持训练数据总量不变的前提下持续融入新数据

• 健康监测框架已通过燃煤电厂末级过热器的动态数据验证，模型对氧化皮空间分布的预测结果与运行22个月后的金相测量数据高度吻合

混合灰箱模型组件（Hybrid grey box model components）

本节简要讨论了本工作中考虑的混合灰箱建模基础及其各组成要素。

案例研究——燃煤锅炉末级过热器（Case study-final superheater of a PC-fired boiler）

如图4所示，选择某燃煤锅炉末级过热器系统来演示第2节所述基于混合灰箱建模的健康监测框架应用。该末级过热器系统属于786 MW电厂燃煤锅炉系统，设计在537°C和27 MPa额定工况下生产主蒸汽。锅炉系统配备六台磨煤机，燃烧哥伦比亚烟煤。

混合灰箱模型验证（Hybrid grey box model validation）

如图4所示的燃煤锅炉末级过热器系统，首先使用开发的3-D第一性原理（FP）模型（参见第2.2.1节）进行求解，将其划分为独立控制体积以模拟实际系统（图5）。模型验证使用了来自电厂的大量运行数据，从广泛可用的运行数据集中初步选取约一个月的工业数据进行验证。

结论（Conclusions）

本研究采用灰箱建模方法开发了高温锅炉组件健康监测框架，为AI模型设计了自适应衰减记忆训练算法。灰箱模型与氧化皮生长模型耦合，用于研究末级过热器系统蒸汽出口集箱附近的氧化皮生长（锅炉中最高运行温度区域）。五根T22材料制成的观测管在负荷跟踪燃煤电厂运行22个月后取出，通过金相分析测量氧化皮厚度。研究结果表明，混合模型能准确预测氧化皮厚度分布，平均绝对误差为0.076毫米，均方根误差为0.091毫米。开发的健康监测框架可显著提升电厂维护效率，通过预测关键损伤机制（如氧化皮生长）实现主动维护规划，最终降低运营成本并增强电厂可靠性与安全性。