引言锅炉效率是反映火电机组锅炉运行状况的重要技术指标。现代大型电站锅炉的效率常采用反平衡法计算，实际操作较复杂，测试计算时间较长，对锅炉燃烧调整滞后性较大[1]。因此，有必要寻找一种更为快速准确的锅炉效率计算方法。锅炉效率属于锅炉燃烧系统中的时序性数据。时序数据预测方法分为传统方法、机器学习方法。传统时间序列预测方法复杂度低、计算速度快，适用于较稳定的单变量时序数据，对于非稳定或多变量数据，难以捕捉数据规律和变量之间的关系，如整合移动平均自回归(Autoregressive Integrated Moving Average, ARIMA)模型。机器学习方法支持构建复杂的模型，适用于多变量时序数据预测，可捕捉变量之间的非线性关系，如卷积神经网络(Convolutional Neural Network, CNN)模型、循环神经网络(Recurrent Neural Network, RNN)模型、长短期记忆(Long Short Term Memory, LSTM)模型等。1研究方法本研究的总体技术路线如图1所示，包括数据来源和预处理、标准化处理与数据集构建以及预测模型构建三部分。10.3969/j.issn.1004-7948.2023.12.021.F001图1总体技术路线1.1数据来源与预处理决定锅炉效率的主要影响因素包括氧量、排烟温度和飞灰可燃物等。因此，确定模型的输入测点包括排烟温度（包括6个位置）、锅炉氧量、主蒸汽温度、再热蒸汽温度、主蒸汽压力、再热蒸汽压力、过热减温水流量；输出测点为锅炉效率，其训练基准值取自改进的反平衡计算结果。输入输出测点名及其含义如表1所示。10.3969/j.issn.1004-7948.2023.12.021.T001表1输入输出测点编号及含义测点编号含义U1_HNA11CT003排烟温度1U1_HNA11CT004排烟温度2U1_HNA11CT005排烟温度3U1_HNA21CT003排烟温度4U1_HNA21CT004排烟温度5U1_HNA21CT005排烟温度6U1_O2锅炉氧量U1_LBA11CT001_SET主蒸汽温度U1_ZRTSEL再热蒸汽温度U1_HAH62CP201_SET主蒸汽压力U1_ZRPSEL再热蒸汽压力U1_FWFLOWD2过热减温水流量Perl_effBlrGB锅炉效率为了提高建模的准确性，获取的数据需要进行预处理，包括数据有效性分析、缺失值检测和处理、突变值检测和处理。数据有效性分析检测相邻时序数据间的时间戳是否递增且保持一致，对于非有效性数据，需针对性调整使其满足要求；缺失值检测和处理采用简单统计方法，定位缺失值位置，并对其进行均值填充处理；突变值检测采用Z-score方法，定位突变值位置，并对其进行均值替换处理。1.2标准化与数据集为了平衡测点对锅炉效率影响的权重，对所有测点数据进行标准化处理。采用StandardScaler方法，使数据转化成均值为0、标准差为1的正态分布。yi=xi-mean(x)σ (1)实验数据有7 000条，相邻两条数据的时间间隔为3 s。将数据按照7∶3的比例划分训练集和验证测试集。1.3预测模型构建研究选取多个时序数据预测模型进行实验，包括人工神经网络(Multi-Layer Perceptron, MLP)模型、RNN模型[2]、LSTNet模型、Nbeats模型[3]、Nhits模型[4]、时序卷积网络(TCN)模型[5]。LSTNet模型是RNN模型的新变体LSTNet[6]，集合了CNN、门控循环单元(Gate Recurrent Unit, GRU)以及注意力(Attentio)机制的优势，在时序数据预测任务中效果显著；Nbeats模型与Nhits模型采取不同的思路，仅通过许多全连接层的堆叠实现了时序时间预测。在LSTNet网络的基础上进行模型结构的微调，得到LSTNet-Mod模型，以获得更优的预测效果。LSTNet-Mod网络结构如图2所示。10.3969/j.issn.1004-7948.2023.12.021.F002图2LSTNet-Mod网络结构由图2可知，LSTNet-Mod网络主要包括CNN、LSTM-8、Skip-LSTM-8、自回归(Autoregressive, AR)4个组件，同时结合“Dropout”防止模型过拟合，结合“squeeze”和“unsqueeze”压缩和扩充维度，便于后续的拼接(Concat)和加法运算。网络输入为锅炉运行测点的时序数据，作为CNN组件的输入，维度为(32, 180, 1)。其中，32为训练批处理大小，180为输入的时间序列长度，1为CNN输入通道数。CNN卷积核为3，采用ReLU激活函数，经过“Dropout”（比率为0.2）后输出，输出维度为(32, 178, 3)。CNN的结果分别输入LSTM-8和Skip-LSTM-8两条路径，其中8表示神经元个数，跳跃连接(Skip)用于缓解梯度消失的问题。两条路径的输出拼接后再经过全连接层(Fc)，作为非线性预测输出，维度为(32, 1, 1)。AR模型的线性预测输出维度为(32, 60, 1)。非线性预测输出与AR模型的线性预测输出相加，得到最终的预测结果，输出维度为(32, 60, 1)。2实验结果2.1数据预处理与标准化对时序数据进行有效性分析，使数据时间戳满足3 s递增，即满足有效性。对数据进行缺失值检测并用均值进行填充，测点缺失值比例及其均值如表2所示。检测数据中的突变值，并用各测点均值进行替换。10.3969/j.issn.1004-7948.2023.12.021.T002表2测点缺失值比例及其均值测点缺失值比例/%均值U1_HNA11CT0030.014 3143.98U1_HNA21CT0040.014 3136.85U1_HNA21CT0051.485 7111.09U1_LBA11CT001_SET0.014 3569.97U1_HAH62CP201_SET0.428 615.40为了平衡各测点对锅炉效率的影响，对数据进行标准化处理，其效果如图3所示。标准化前，各测点数据范围存在过大或过小的极端现象，容易导致数值问题。因此，在训练模型前进行标准化处理，缩小数值范围。图3数据标准化效果10.3969/j.issn.1004-7948.2023.12.021.F3a1（a）未标准化10.3969/j.issn.1004-7948.2023.12.021.F3a2（b）标准化2.2基础模型选取首先，利用训练集训练模型，设置最大训练轮数为500，学习率为0.001，输入时长为9 min，输出时长为3 min。借助Early-stop方法，自动停止模型训练，并保存最优模型，避免出现过拟合和欠拟合的情况。利用验证测试集测试各模型的预测效果，模型预测结果指标对比如表3所示。通过预测准确度和预测效率对各模型效果进行对比分析，分析指标分别为平均绝对误差(Mean Absolute Error，MAE)和验证测试集的推理时长(Time)。Epoch为模型训练自动停止时的训练轮数。10.3969/j.issn.1004-7948.2023.12.021.T003表3模型预测结果指标对比模型EpochMAETime/sNbeats4993.8949.24Nhits601.2539.49TCN2801.1533.11MLP4740.1635.38RNN4960.1440.53LSTNet2450.1243.73MAE=1n∑i=1nyi-yip2 (2)式中：n——数据量；yi——真实值；yip——预测值。由表3可知，Epoch为模型训练自动停止时的训练轮数LSTNet模型的预测准确度优于其他模型，MAE为0.12，由于其模型的复杂性，预测效率处于中间水平。为了更直观地对比各模型的预测效果，进行可视化对比，各模型预测结果可视化对比如图4所示。Perl_effBlrGB,为真实的锅炉效率，其余线条分别对应表3中各模型预测的锅炉效率，如nbeats_pred_Perl_effBlrGB表示Nbeats模型预测的锅炉效率。10.3969/j.issn.1004-7948.2023.12.021.F004图4各模型预测结果可视化对比由图4可知，MLP、RNN、LSTNet模型的预测效果明显优于其他模型，通过局部放大图可以看出，RNN、LSTNet模型的预测结果比MLP模型更接近真实锅炉效率。LSTNet为预测锅炉效率较优的选择。2.3LSTNet-Mod实验结果基于LSTNet模型进行微调，对比对多个变体模型的实验结果，LSTNet-Mod与其他变体实验结果对比如表4所示。LSTNet-G10-L10表示路径1为GRU组件，神经元个数为10；路径2组件为Skip-LSTM，神经元个数为10。由表4可知，LSTNet-Mod模型的MAE最小，为0.027，相比LSTNet模型减少约0.093，推理时间节省约7.88 s。10.3969/j.issn.1004-7948.2023.12.021.T004表4LSTNet-Mod与其他变体实验结果对比模型EpochMAETime/sLSTNet-G10-G10(LSTNet)2450.1243.73LSTNet-G10-L103510.1328.28LSTNet-G8-G83660.5926.75LSTNet-L10-L103060.04127.30LSTNet-L8-L8(LSTNet-Mod)3710.02735.85LSTNet-L6-L63490.4433.54LSTNet-L8-L102510.3227.84LSTNet-L10-L83940.5026.77LSTNet-Mod模型与LSTNet模型的应用效果对比如图5所示。LSTNet-Mod模型的预测结果更接近真实值。10.3969/j.issn.1004-7948.2023.12.021.F005图5LSTNet-Mod模型与LSTNet模型的应用效果对比3结语本研究针对火电锅炉燃烧效率预测问题，选取相关测点，利用历史数据构建训练集，并对数据进行预处理和标准化处理；对比多个时序数据预测模型的应用效果，选取最优模型进行微调获得LSTNet-Mod模型。与LSTNet模型相比，LSTNet-Mod模型的平均绝对误差上降低约0.093，推理速度提高约7.88 s。