CN101813920B - 电站汽轮机组温度传感器虚拟冗余方法 - Google Patents
电站汽轮机组温度传感器虚拟冗余方法 Download PDFInfo
- Publication number
- CN101813920B CN101813920B CN2010101721023A CN201010172102A CN101813920B CN 101813920 B CN101813920 B CN 101813920B CN 2010101721023 A CN2010101721023 A CN 2010101721023A CN 201010172102 A CN201010172102 A CN 201010172102A CN 101813920 B CN101813920 B CN 101813920B
- Authority
- CN
- China
- Prior art keywords
- sensor
- raw data
- temperature sensor
- redundancy
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Feedback Control In General (AREA)
Abstract
电站汽轮机组温度传感器虚拟冗余方法,属于电站自动化技术领域。本发明在由现场数据传感器组采集的数据和电厂计算分析软件之间嵌入一个电站汽轮机组温度传感器虚拟冗余系统。该系统由数据库模块、传感器故障识别模块、人工控制下的在线学习建模模块和温度传感器在线虚拟冗余实现模块组成。由于该方法采用了大量现场实际信息,故所得的传感器冗余温度的精度一般在1%以内,弥补了传统的拟合方法对非稳态过程无法在线生成一个具有一定精度的温度虚拟传感器的不足。电站汽轮机组监测参数较多,若将各个参数都用双倍的传感器作冗余,则硬件费用大幅度上升,且系统复杂,从而使系统可靠性下降,采用虚拟冗余,则灵活多用,使系统简化,可靠性提高。
Description
技术领域
本发明涉及一种电站机组温度传感器冗余方法,特别是一种大型电站汽轮机组温度传感器虚拟冗余方法,属于电站自动化技术领域。
背景技术
由于电站汽轮机的大部分温度传感器需在高温、高压、高湿甚至振动的环境下工作,致使温度传感器容易损坏,损坏后也不易更换,而温度传感器对机组的寿命管理、设备的故障诊断以及电站经济性能分析管理系统具有很重要的作用,一旦重要的温度传感器损坏,这些系统将无法继续进行计算分析。
当温度传感器损坏后,现有的技术是采用如下的几种冗余方法:
(1)硬件冗余。一些重要参数的温度传感器设置较高的硬件冗余,造成硬件费用增加,成本提高。而且有些传感器由于汽轮机结构的特殊性,安装在通流部分间隙很小的位置,无法进行硬件冗余。如果硬件冗余不足,一旦温度传感器损坏,寿命、故障诊断、性能分析系统在一个机组大修期内就会丢失重要的参数信息,不仅影响系统的正常运行和经济性分析,还会因历史数据的缺损影响机组状态和寿命的评估。
(2)采用设计参数冗余。由于电站汽轮机组运行工况复杂,参数随机波动很大,设计值与运行值之间相差很大,所以没法应用;
(3)采用曲线拟合冗余。由于对象本身具有复杂的非线性、多变量和时变特征,采用简单的曲线拟合方法往往存在较大的误差,也很难满足不同工况的计算和分析需要。
发明内容
本发明针对上述现有技术的不足,提出了一种电站汽轮机组温度传感器虚拟冗余方法,即在由现场数据传感器组采集的数据和电厂计算分析软件之间嵌入一个电站汽轮机组温度传感器虚拟冗余系统。该系统由数据库模块、传感器故障识别模块、人工控制下的在线学习建模模块和温度传感器在线虚拟冗余实现模块组成。
本发明是通过如下技术方案实现的,本发明方法包括:
步骤一、人工控制下的在线学习建模
(1)原始数据准备
选用电站机组某个重要测点的温度传感器A作为目标传感器,其正常工作时候的数据作为目标数据,将容易测定的、或具有较多硬件冗余的、或经过传感器故障识别认定是正确的、且与目标传感器输出参数具有强关联的传感器B、C、D、E、F...作为原始数据传感器,其正常工作时候的数据作为原始数据,选取相同时刻的一组目标数据和原始数据作为一个样本,每隔一个固定的时间间隔取一个样本,取N组(N≥250)样本构成一个原始数据集。
针对每个传感器所测得的N个数据,可以找出其最大值和最小值。若有l个原始数据传感器和一个目标传感器,就有l+1个最大值和l+1个最小值。
(2)原始数据集归一化
由于网络计算数据范围为[0,1],因此,在进行训练之前必须将原始数据集进行归一化,以减小计算量和避免误差的扩大。归一化采用公式(1)计算:
其中:
i=0表示目标传感器,x’0p表示原始数据集中第p组样本的目标数据,x0p为x’0p归一化后的值,称为目标输出参数;
i=1,2,...,l,表示第i个原始数据传感器,l为原始数据传感器个数,x’ip表示原始数据集中第p组样本第i个原始数据,xip为x’ip归一化后的值,称为原始输入参数;
p=1,2,...,N,表示第p组原始数据集的样本,N为原始数据集的样本总数;
x’imin、x’imax分别表示原始数据集中第i个传感器所测得的N个数据列中的最小和最大值。
(3)初始化权矩阵Vij和Wj
在训练学习开始,需要对权矩阵Vij和Wj进行赋初值,这里Vij是m×l阶矩阵,Wj是1×m阶矩阵,计算之前先对Vij和Wj矩阵内每个元素赋初始值为0~1之间的随机数。
其中m为该模型的中间隐层节点数,根据输入参数的不同来选取,一般,输入参数个数越多,m值越大。当l=3,m=10~15;l=4,m=15~25;l=5,m=20~30。
(4)针对p=1,2,...,N,学习训练,获得权矩阵Vij和Wj:
①计算中间隐层节点ypj;对于第p组学习样本,有:
其中:
②计算目标传感器冗余值dp:
其中:
③计算误差:
对每一个目标传感器冗余值和目标输出参数进行误差计算,为:
④调整修正计算获得新的连接权矩阵Vij和Wj,调整方法:
计算中间变量δ0、δyj:
令:p=p+1,计算
ΔWjp=ηδoy(p-1)j+αΔWj(p-1)
ΔVjip=ηδyx(p-1)i+αΔVji(p-1) j=1,2,...,m (5)
Wj′=Wj+ΔWjp i=1.2....,l
Vji′=Vji+ΔVjip
为了进行下一轮的迭代计算,需要进行数据准备:令
Vij=Vij’
Wj=Wj’;
式中:ΔWjp、ΔVjp为计算第p组到第p+1组学习样本时调整权矩阵的增量,ΔWj(p-1)、ΔVj(p-1)为前一组调整的权矩阵的增量,式(5)中的Vij’、Wj’表示第P+1组学习样本的权矩阵,y(p-1)j、X(p-1)i为前一组样本的中间隐层节点和第i个输入传感器的原始输入参数;α、η是为了加快收敛速度而设置的两个系数,一般取0~1之间的任意数,开始运算时取0.5,之后根据收敛状态可以进行增加5%或降低5%的调整。
⑤判断N组样本全计算结束了吗?如果没有计算完,则重复进行①~④的计算,直到N组样本全计算结束,得到目标传感器冗余值dp,然后计算总输出误差E:
如果E不满足精度要求,则重新针对p=1,2,...,N,再进行(2)~(6)式的计算,这样重复进行,直到误差达到要求。
通过调整各Vij、Wj,可以求得输出的误差平方和E达到要求精度时的Vij、Wj,将该Vij、Wj、m以及x′imin和x′imax作为虚拟冗余温度传感器模型保存在数据库模块内。
步骤二、在线虚拟冗余温度传感器实现:
通过上述人工控制下的在线学习建模过程,得到保存在数据库中虚拟冗余温度传感器模型。实际使用时,当采集的现场实测数据进入数据库保存后,调用传感器故障识别模块,判别原始输入数据传感器和目标传感器是否存在故障,如果目标传感器工作正常,则直接将目标输出数据送入电厂计算分析系统;如果发现目标传感器有故障发生,则发出报警信息,并将经传感器识别后无故障的原始输入数据传感器B、C、D、E、F...输出的数据作为虚拟冗余温度传感器模型的原始数据,即x’1、x’2、…、x’l,采用数据库中保存的x′imin和x′imax经过(1)式归一化后得到原始输入参数x1、x2、…、xl,将数据库中保存的Vij、Wj、m根据公式(7)和(8)计算,即可得到所需要的经过归一化的目标传感器冗余值d,采用数据库中保存的x′0min和x′0max经过反归一化式(9)后就可得到目标温度传感器虚拟冗余值,用来冗余损坏的传感器温度参数。
x′0=d·(x′0max-x′0min)+x′0min(9)
有益效果
本方法基于现场实测数据和人工神经网络的有机结合,在理论上和实际应用上对任何形状的曲线进行逼近,尤其是在汽轮机系统启动和停机过程的非稳态过程,由于采用了大量现场实际信息,故所得的传感器冗余温度的精度一般在1%以内,传统的拟合方法对非稳态过程无法在线生成一个具有一定精度的温度虚拟传感器。电站汽轮机组监测参数较多,若将各个参数都用双倍的传感器作冗余,则硬件费用大幅度上升,且系统复杂,从而使系统可靠性下降,采用虚拟冗余,则灵活多用,使系统简化,可靠性提高。
实际应用表明,该虚拟传感器冗余程度可以达到10~20%,即在10~20%传感器损坏时能保持监测诊断系统继续工作。电站汽轮机组温度传感器虚拟冗余系统可以减少传感器的热备用,使电站汽轮机组监测诊断系统的运行可靠性和性能价格比大大提高。
附图说明:
图1是本发明温度传感器虚拟冗余方法的系统原理图
图2是本发明温度传感器虚拟冗余人工控制下的在线学习建模示意图
图3是本发明温度传感器在线虚拟冗余方法示意图
具体实施方式:
下面结合附图和汽轮机调节级后温度传感器虚拟冗余方法对本发明的具体实施作进一步的描述。
如图1、图2和图3所示,本发明在现场传感器组采集的数据和电厂计算分析软件之间嵌入一个电厂汽轮机组温度参数虚拟冗余系统。该系统由数据库模块、传感器故障识别模块、人工控制下的在线学习建模模块和温度传感器在线虚拟冗余实现模块组成。
本发明实施方法包括:
步骤一、人工控制下的在线学习建模
(1)原始数据集准备
本发明将调节级后温度传感器A作为待冗余的目标传感器,其正常工作时候的输出数据作为目标数据,将功率传感器B、主蒸汽温度传感器C、内缸内壁温度传感器D、第一级抽汽温度传感器E、调节级后压力传感器F五个原始输入数据传感器的输出数据作为原始数据,选取相同时刻的一组目标数据和原始数据作为一个样本,每隔一个固定的时间间隔实测一组样本数据,共取250组样本数据,如表1所示。
表1
将表1中的每一列数据如传感器B下面的一列共有250个数据,选择其中的最大值记为x’1max,将其中的最小值记为x’imin,同理可以得到传感器C列的最大和最小值x’2max、x’2min,...,得到表2的x’imax、x’imin,(i=0,l,2,3,4,5)。
表2
(2)原始数据集归一化
将表1数据运用式(1)和表2的最大值和最小值进行归一化计算,其结果如表3所示;其中,l=5,N=250。
表3
(3)建立初始权矩阵Vij和Wj
在训练学习开始,选m=20,建立初始权矩阵Vij和Wj,这里Vij是20×5阶矩阵,Wj是1×20阶矩阵,对初始值Vij和Wj矩阵内每个元素赋初始值为0~1之间的随机数。
(4)针对p=1,2,...,250,学习训练,获得模型Vij和Wj:
①利用原始数据集中的原始输入参数,对p=1,2,...,250组学习样本,根据公式(2)计算中间隐层节点;
②根据公式(3)计算未经误差分析的目标传感器冗余值dp;
③根据公式(4)计算目标输出参数与目标传感器冗余值dp的误差;
④根据公式(5)调整修正计算获得新的权矩阵Vij和Wj;
⑤判断250组样本全计算结束了吗?如果没有计算完,则重复进行①~④计算,直到250组样本全计算结束,得到目标传感器冗余值dp,并根据公式(6)计算得到总输出误差:
如果总输出误差不满足精度要求(1e-3),则重新对250个样本进行(2)~(6)式的计算,这样重复进行,直到误差达到要求。
将通过以上计算误差达到要求时的Vij、Wj、m以及x′iminn和x′imax(即表2数据)作为虚拟冗余温度传感器模型保存供温度传感器在线虚拟冗余实现时使用。
步骤二、温度传感器在线虚拟冗余实现过程:
实际应用时,当采集的调节级后温度传感器A、功率传感器B、主蒸汽温度传感器C、内缸内壁温度传感器D、第一级抽汽温度传感器E、调节级后压力传感器F六个传感器数据进入数据库保存后,调用传感器故障识别模块,判别调节级后温度传感器A是否存在故障,如果工作正常,则直接将数据送入电厂计算分析系统;如果发现调节级后温度传感器A有故障发生,则发出报警信息,并将经传感器识别后无故障的功率传感器B、主蒸汽温度传感器C、内缸内壁温度传感器D、第一级抽汽温度传感器E、调节级后压力传感器F五个原始输入数据传感器输出的原始数据经过(1)式归一化后得到原始输入参数,归一化使用表2中的最大和最小值送入(7)和(8)式,得到归一化后的调节级后温度传感器冗余值,经过反归一化式(9)计算后就可用来代替损坏的调节级后温度传感器的输出值。
Claims (3)
1.一种电站汽轮机组温度传感器虚拟冗余方法,其特征在于该方法包括;
步骤一、人工控制下的在线学习建模:
(1)原始数据准备
选用电站机组一个测点的温度传感器输出数据作为原始数据集的目标数据,l个传感器输出数据作为原始数据集的原始数据;选取相同时刻的一组目标数据和原始数据作为一个样本,每隔一个固定的时间间隔取一个样本,取N组样本构成一个原始数据集;
(2)原始数据集归一化
采用公式(1)对原始数据集进行归一化计算:
(1)式中:
i=0表示目标传感器,x’0p表示原始数据集中第p组样本的目标数据,x0p为x’0p归一化后的值,称为目标输出参数;
i=1,2,...,l,表示第i个原始数据传感器,l为原始数据传感器个数,x’ip表示原始数据集中第p组样本第i个原始数据,xip为x’ip归一化后的值,称为原始输入参数;
p=1,2,...,N,表示第p组原始数据集的样本,N为原始数据集的样本总数;
x’imin、x’imax分别表示原始数据集中第i个传感器所测得的N个数据列中的最小和最大值;
(3)初始化权矩阵Vij和Wj
Vij是m×l阶矩阵,Wj是1×m阶矩阵,开始学习时对Vij和Wj矩阵内每个元素赋初始值为0~1之间的随机数;
其中m为该模型的中间隐层节点数;
(4)针对p=1,2,...,N,学习训练,获得权矩阵Vij和Wj
①计算中间隐层节点ypi;对于第p组学习样本,有
②计算目标传感器冗余值dp
其中:
③计算误差
对每一个目标传感器冗余值和目标输出参数进行误差计算,为:
④调整修正计算获得新的连接权矩阵Vij和Wj,调整方法计算中间变量δ0、εyj,
j=1,2,...,m
令:p=p+1,计算
ΔWjp=ηδoy(p-1)j+αΔWj(p-1)
ΔVjip=ηδyx(p-1)i+αΔVji(p-1)j=1,2,...,m (5)
Wj′=Wj+ΔWjp i=1.2....,l
Vji′=Vji+ΔVjip
Vij=Vij’
Wj=Wj’;
式中:ΔWjp、ΔVjp为计算第p组到第p+1组学习样本时调整权矩阵的增量,ΔWj(p-1)、ΔVj(p-1)为前一组调整的权矩阵的增量,式(5)中的Vij’、Wj’表示第P+1组学习样本的权矩阵,y(p-1)j、x(p-1)i为前一组样本的中间隐层节点和第i个输入传感器的原始输入参数;α、η是为了加快收敛速度而设置的两个系数;
⑤判断N组样本全计算结束了吗?如果没有计算完,则重复进行①~④的 计算,直到N组样本全计算结束,得到目标传感器冗余值dp,然后计算总输出误差E:
如果E不满足精度要求,则重新针对p=1,2,...,N,再进行(2)~(6)式的计算,这样重复进行,直到误差达到要求;
通过调整各Vij、Wj,可以求得输出的误差平方和E达到要求精度时的Vij、Wj,将该Vij、Wj、m以及x′imin和x′imax作为虚拟冗余温度传感器模型保存在数据库模块内;
步骤二、在线虚拟冗余温度传感器实现:
当采集的现场实测数据进入数据库保存后,调用传感器故障识别模块,判别原始输入数据传感器和目标传感器是否存在故障,如果目标传感器工作正常,则直接将目标输出数据送入电厂计算分析系统;如果发现目标传感器有故障发生,则发出报警信息,并将经传感器识别后无故障的原始输入数据作为虚拟冗余温度传感器模型的原始数据,即x’1、x’2、…、x’l,经过(1)式归一化后得到原始输入参数x1、x2、…、xl,将数据库中保存的Vij、Wj、m根据公式(7)和(8)计算,即可得到所需要的经过归一化的目标传感器冗余值d,经过反归一化式(9)后就可得到目标温度传感器虚拟冗余值,用来冗余损坏的传感器温度参数;
x′0=d·(x′0max-x′0min)+x′0min (9)。
2.根据权利要求1所述的电站汽轮机组温度传感器虚拟冗余方法,其特征是在步骤一(3)初始化权矩阵Vij和Wj中所述的中间隐层节点数m是根据输入参数的不同来选取,输入参数个数越多,m值越大,当l=3,m=10~15;l=4,m=15~ 25;l=5,m=20~30。
3.据权利要求1所述的电站汽轮机组温度传感器虚拟冗余方法,其特征是在步骤一公式(5)中所述的α、η两个系数,开始运算时取0.5,之后根据收敛状态进行增加5%或降低5%的调整。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010101721023A CN101813920B (zh) | 2010-05-14 | 2010-05-14 | 电站汽轮机组温度传感器虚拟冗余方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010101721023A CN101813920B (zh) | 2010-05-14 | 2010-05-14 | 电站汽轮机组温度传感器虚拟冗余方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101813920A CN101813920A (zh) | 2010-08-25 |
CN101813920B true CN101813920B (zh) | 2011-05-04 |
Family
ID=42621199
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010101721023A Expired - Fee Related CN101813920B (zh) | 2010-05-14 | 2010-05-14 | 电站汽轮机组温度传感器虚拟冗余方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101813920B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103995527B (zh) * | 2014-05-09 | 2016-09-28 | 上海电机学院 | 风力发电机组齿轮箱温度采集装置 |
CN104390657B (zh) * | 2014-11-05 | 2017-12-12 | 浙江大学 | 一种发电机组运行参数测量传感器故障诊断方法及系统 |
CN107525057B (zh) * | 2017-09-08 | 2020-02-14 | 杭州和利时自动化有限公司 | 一种主汽温度的控制方法及系统 |
CN108628968B (zh) * | 2018-04-24 | 2022-06-21 | 哈尔滨汽轮机厂有限责任公司 | 一种汽轮机测点历史数据库建立方法 |
CN112857419B (zh) * | 2019-11-28 | 2022-07-26 | 北京魔门塔科技有限公司 | 一种基于车辆多传感器的数据测试方法及装置 |
CN111579121B (zh) * | 2020-05-08 | 2022-04-26 | 上海电享信息科技有限公司 | 在线诊断新能源汽车电池包内温度传感器故障的方法 |
CN114460466B (zh) * | 2022-04-12 | 2022-08-05 | 杭州杰牌传动科技有限公司 | 一种用于传动监测的虚拟传感器设备及其监测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201331701Y (zh) * | 2009-01-09 | 2009-10-21 | 东南大学 | 基于关联规则的火电厂传感器互冗余数据校验装置 |
-
2010
- 2010-05-14 CN CN2010101721023A patent/CN101813920B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN101813920A (zh) | 2010-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101813920B (zh) | 电站汽轮机组温度传感器虚拟冗余方法 | |
Xiaoyun et al. | Short-term prediction of wind power based on deep long short-term memory | |
CN110441065B (zh) | 基于lstm的燃气轮机在线检测方法与装置 | |
Gao et al. | Machine learning applications for data center optimization | |
CN112348292B (zh) | 一种基于深度学习网络的短期风电功率预测方法和系统 | |
CN107194625B (zh) | 基于神经网络的风电场弃风电量评估方法 | |
CN106644162B (zh) | 基于邻域保持嵌入回归算法的环网柜线芯温度软测量方法 | |
CN104748807B (zh) | 一种基于流量校正的电站主蒸汽流量在线计算方法 | |
CN110701796B (zh) | 一种基于云预测算法的热水系统节能控制系统 | |
CN112101480A (zh) | 一种多变量聚类与融合的时间序列组合预测方法 | |
CN104536290A (zh) | 基于核主元分析与径向基神经网络的软测量方法及系统 | |
CN114781709A (zh) | 测风数据插补方法及其装置及计算机可读存储介质 | |
Yaïci et al. | Artificial neural network modelling for performance prediction of solar energy system | |
CN104678989A (zh) | 一种噪声环境下提高故障可诊断性的状态感知优化方法 | |
CN104598664A (zh) | 火电机组的性能监测方法 | |
Santarisi et al. | Prediction of combined cycle power plant electrical output power using machine learning regression algorithms | |
CN116292057A (zh) | 一种可变速抽水蓄能机组的控制方法、装置、设备及介质 | |
CN101929684A (zh) | 混烧低热值煤气机组煤耗计算方法 | |
CN116663727A (zh) | 一种光伏功率预测方法及系统 | |
CN105699043B (zh) | 一种提高风洞传感器测量稳定性和精准度的方法 | |
CN112670997B (zh) | 考虑光伏不确定性的电热能源系统时序概率潮流计算方法 | |
CN113094976A (zh) | 一种压水堆核电厂蒸汽发生器数据同化方法及系统 | |
CN103544651B (zh) | 火电厂水汽品质监测方法与系统 | |
D’antoni et al. | Validation of the numerical model of a turnkey solar combi+ system | |
Czajkowski et al. | Designing nonlinear model of the two rotor aero-dynamical system using state space neural networks with delays |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20110504 Termination date: 20140514 |