引言

隨著國家"雙碳"目標的確立和相關政策的不斷落實深化,可以預見,電網(wǎng)未來對火電機組的負荷承擔能力要求將越來越高,目前大部分省份已經要求上網(wǎng)的火電機組能夠進行深度調峰,部分機組靈活性改造的試驗效果甚至達到了20%滿負荷的水平?；痣姍C組的深度調峰運行使得各設備的操作運行突破了常規(guī)意義上的運行空間,導致運行不確定因素增加,給運行人員帶來了新的挑戰(zhàn)。

業(yè)內專家指出,在煤電機組靈活性改造的大背景下,做好設備運行維護和壽命管理,提升系統(tǒng)運行彈性,對于確保機組的安全經濟運行至關重要。

據(jù)統(tǒng)計,江西電網(wǎng)1000MW機組2019年發(fā)生故障導致非計劃停運次數(shù)為1,600MW和300MW機組也都大于0.6,造成了巨大的經濟損失和不良影響。

目前,火電機組設備故障的監(jiān)控處理主要依靠DCS系統(tǒng)中提供的報警和保護跳閘功能。然而,DCS系統(tǒng)的報警跳閘功能側重于參數(shù)的單點閾值判斷和事后處理,缺乏對多參數(shù)的集中判斷和故障早期的提前預警。

為實現(xiàn)機組多參數(shù)監(jiān)控和設備故障提前預警功能,本文提出了一種基于非參數(shù)模型的機組參數(shù)監(jiān)控及設備故障預警方法。該方法不需要復雜的訓練過程,模型準確性較高,計算簡單,也適合工程化實施。

1非參數(shù)建模方法

1.1非參數(shù)自回歸估計算法

非參數(shù)自回歸估計算法首先將實時觀測的向量值與歷史存儲的標準值進行比較,通過映射組合得出實時狀態(tài)向量的估計值。

假設某一狀態(tài)向量的實時觀測值為xobs=[x1obsx2obs…xmobs]T,其對應的標準歷史存儲矩陣為D,其中的一行代表某時刻的一個狀態(tài)值,矩陣的行數(shù)代表n個標準狀態(tài)值,列數(shù)代表狀態(tài)向量共有m個參數(shù),矩陣的形式如式(1)所示:

對于一個實時狀態(tài)向量,非參數(shù)自回歸估計模型通過標準存儲矩陣中的向量組合得出,其計算公式為:

式中:w為權重向量,它的值取決于實時觀測值與標準存儲向量的距離,一般來講,距離越小權重值就越大,反之則越小。

根據(jù)公式(2)可知,計算狀態(tài)向量的回歸值實質上就是求取權重向量值,以向量間的二范數(shù)作為衡量它們之間距離的測度,選取高斯函數(shù)作為映射函數(shù),權重值的計算公式為:

式中:xl為歷史標準存儲矩陣中的第1個狀態(tài)向量:h為寬度系數(shù)。

觀測向量與xl的距離一般采用馬氏距離算子進行計算:

其中,S為狀態(tài)向量參數(shù)對應的協(xié)方差矩陣,若參數(shù)之間相對獨立,則可以表示為:

利用模型計算前應先將所有的觀測值進化,其計算公式為:

式中:yj為第j個參數(shù)標準化后的標準值:oj為狀態(tài)向量中第j個參數(shù)的標準差,一般通過歷史數(shù)據(jù)進行數(shù)理統(tǒng)計得出:uj為第j個參數(shù)的統(tǒng)計平均值。

回歸值和觀測值擬合狀態(tài)指標為:

如式(7)所示,該指標值越小,則表示機組的運行狀態(tài)越正常:反之,則說明狀態(tài)出現(xiàn)異常。

1.2標準歷史存儲矩陣

與一般的參數(shù)建模方法不同,非參數(shù)建模方法中不含有模型的訓練過程,但模型的準確性受標準歷史存儲矩陣的影響較大。標準歷史存儲矩陣中存放的是代表機組或設備歷史運行的各種標準狀態(tài),一般來講,標準歷史存儲矩陣中包含的狀態(tài)向量種類越多,數(shù)量越大,則其涵蓋的歷史運行工況越全面,模型的回歸估計效果越好。然而,標準歷史存儲矩陣中狀態(tài)向量的數(shù)目也不能過大,否則會導致計算耗費過大,尤其是在工程應用中無法滿足計算的實時性需求。

一般通過從海量的歷史數(shù)據(jù)中根據(jù)一定的采樣規(guī)則進行采樣獲取標準歷史存儲矩陣,采樣的規(guī)則根據(jù)實際需求進行設計,本文采用聚類與多參數(shù)采樣結合的規(guī)則,如圖1所示,根據(jù)該規(guī)則采樣得到最終的標準歷史存儲矩陣。

圖1展示了確定標準歷史存儲矩陣的具體流程,首先按照每個參數(shù)的范圍和對應的間隔在海量的數(shù)據(jù)集中選取對應的狀態(tài)向量,再利用數(shù)據(jù)挖掘中的聚類方法進行聚類,將類心作為標準狀態(tài)向量進行選取,將兩者結合得到一個總的向量集合,然后按照順序逐個進行向量的重復性檢查,剔除重復的狀態(tài)向量,得到最終確定的歷史標準存儲狀態(tài)矩陣。

2四管泄漏故障診斷機制

2.1四管泄漏故障專家知識庫

專家知識庫是故障診斷的基礎,它描述的是各征兆參數(shù)與具體故障之間的隸屬關系,文獻總結出了與鍋爐四管泄漏相關的特征參數(shù),并通過模型計算指出各征兆參數(shù)與故障類型間的變化關系。采用一種五值型的函數(shù)描述四管泄漏故障下的征兆參數(shù)變化特性,如式(8)所示:

五值型征兆集描述方式綜合考慮了參數(shù)變化的幅度和方向,綜合各文獻所述的專家知識,得到表1和表2所示的故障專家知識庫。

2.2基于模糊隸屬度的故障診斷

故障診斷實際上是基于故障診斷專家?guī)?根據(jù)一定的模糊隸屬計算規(guī)則對當前的故障狀態(tài)進行判定和識別。

本文根據(jù)極限學習機的回歸誤差提出一種新的模糊隸屬度判定方法,其基于距離函數(shù):

式中:dj(u0,uj)為待識別故障u0與典型故障模式uj之間的距離,顯然數(shù)值越小,發(fā)生該類故障的可能性就越大::i為第i個征兆參數(shù)的故障征兆值::ij第j個典型故障下第i個征兆參數(shù)的征兆值。

隸屬度函數(shù)為:

如式(10)所示,隸屬度越大、越接近1,說明發(fā)生這類故障的可能性越大。

3仿真驗證

3.l非參數(shù)模型自回歸估計

利用國內某1000MW火電機組仿真系統(tǒng)進行工況的仿真,在機組正常運行狀態(tài)下進行負荷升降操作,采樣周期為1s,共3600組數(shù)據(jù),其中前1800組用于矩陣確定,后1800組用于測試。圖2列出了幾個典型參數(shù)的模型回歸效果。

如圖2所示,與四管泄漏故障相關的征兆參數(shù)包括給水流量、主蒸汽壓力、引風機電流、煙氣壓力等,圖中虛線表示仿真模型降負荷過程中各參數(shù)的仿真值,實線表示回歸值。從圖中可以看出,回歸模型對各參數(shù)估計的結果較為準確,各參數(shù)的平均相對誤差均小于5%。在機組變負荷過程中模型回歸值能夠及時地跟蹤參數(shù)的變化,準確地反映機組運行狀態(tài)。反之,若機組的運行狀態(tài)發(fā)生異常變化,則回歸誤差增大,趨勢曲線也必然呈現(xiàn)一定程度的偏離。

3.2基于模型的故障診斷

從第31s起模擬A側高溫過熱器泄漏故障,圖3是狀態(tài)指標在A側高溫過熱器泄漏故障后發(fā)生的變化趨勢。

如圖3所示,實曲線代表指標的變化趨勢,可以看出,狀態(tài)指標值在第33s達到預警限值,此時處于故障早期,泄漏量較小,各征兆參數(shù)的波動小且未超DCS的報警限值,運行人員難以發(fā)現(xiàn)異常。在故障后56s左右,DCS系統(tǒng)才發(fā)出超溫報警。顯然,預警信號對微小劣化的敏感度較高,對故障具有提前預警的作用。

當出現(xiàn)預警信號后,利用專家知識庫和模糊隸屬度函數(shù)求取各故障的隸屬度,由此確定具體的故障模式。表3是故障后各類故障隸屬度的計算結果,從中可以看出,隨著故障劣化程度的增大,當前故障對u3的隸屬度呈現(xiàn)明顯的增加趨勢。實際上在預警信號出現(xiàn)后,診斷機制已經正確判斷出發(fā)生了過熱器泄漏故障,隨著時間的推移,診斷結果的確定性加大,第39s的計算結果則進一步確認了故障模式。

4結語

本文利用非參數(shù)建模方法建立了鍋爐四管的狀態(tài)參數(shù)回歸模型,擬合出狀態(tài)指標用于狀態(tài)預警,并結合故障診斷專家知識庫和模糊判別方法實現(xiàn)了故障分離。某1000MW機組仿真模型計算表明,非參數(shù)自回歸模型能夠對狀態(tài)參數(shù)進行準確的回歸估計,在故障發(fā)生早期,就能夠提前給出準確的故障預警信號,驗證了該方法的正確性與有效性。