CN103544651A - 火电厂水汽品质监测方法与系统 - Google Patents

Abstract

本发明提供一种火电厂水汽品质监测方法与系统，通过引入灰色系统指标并结合权重调整算法，含权重调整算法的灰色系统推理设备故障不再仅仅依赖单一的指标测点和专家库数据，而是加入其他多重指标测点作为统一推理分析的特征参数，把设定好的权重值与参数序列的灰色关联系数进行计算，然后由专家系统对计算出的关联系数权重调整值进行推理定义，最终得到监测分析结论使得水汽品质变化所涵盖的故障信息更深入，从而对火电厂水汽品质监测结论更准确。

Description

火电厂水汽品质监测方法与系统

技术领域

本发明涉及热动应用技术领域，特别是涉及火电厂水汽品质监测方法与系统。

背景技术

火力发电厂简称火电厂，是利用煤、石油、天然气作为燃料生产电能的工厂，它的基本生产过程是：燃料在锅炉中燃烧加热水使成蒸汽，将燃料的化学能转变成热能，蒸汽压力推动汽轮机旋转，热能转换成机械能，然后汽轮机带动发电机旋转，将机械能转变成电能。

为了确保火电厂的正常运行，对火电厂水汽品质的监控是必不可少的，现有的火电厂水汽品质的监控方法主要是通过水汽品质的参数特征值与以往的专家经验，并将专家经验整理构建专家库，通过专家库判断相对简单的设备故障。但故障发生存在很多不确定性，除了水汽指标本身以外，其他某些指标也存在一定的内部联系，如果只是简单的根据参数特征值和专家经验判断不然监控结果会存在比较大的误差。

发明内容

基于此，有必要针对现有火电厂水汽品质监测方法存在比较大的误差的问题，提供一种监测结果准确的火电厂水汽品质监测方法与系统。

一种火电厂水汽品质监测方法，包括步骤：

构建故障监测模型，设定与监测对象相应的多重指标测点，对每个指标测点设定相匹配的权重值，其中，多重指标测点包括化学指标测点；

获取所述指标测点的历史数据，并根据所述指标测点的历史数据生成灰色参考矩阵，获取灰色参考序列；

通过故障监测模型获取指标测点实时数据以及与所述指标测点相匹配的权重值，通过灰色关联度算法，计算所述指标测点实时数据带权重的灰色关联系数；

根据所述灰色参考序列和实时数据带权重的灰色关联系数计算关联度权重调整值；

读取专家库数据，根据所述专家库数据对所述关联度权重调整值进行推理定义，获得当前指标测点的水汽品质监测结论。

一种火电厂水汽品质监测系统，包括：

构建模块，用于构建故障监测模型，设定与监测对象相应的多重指标测点，对每个指标测点设定相匹配的权重值，其中，多重指标测点包括化学指标测点；

参考序列生成模块，用于获取所述指标测点的历史数据，并根据所述指标测点的历史数据生成灰色参考矩阵，获取灰色参考序列；

灰色关联系数计算模块，用于通过故障监测模型获取指标测点实时数据以及与所述指标测点相匹配的权重值，通过灰色关联度算法，计算所述指标测点实时数据带权重的灰色关联系数；

关联度权重调整值计算模块，用于根据所述灰色参考序列和实时数据带权重的灰色关联系数计算关联度权重调整值；

结论模块，用于读取专家库数据，根据所述专家库数据对所述关联度权重调整值进行推理定义，获得当前指标测点的水汽品质监测结论。

本发明火电厂水汽品质监测方法与系统通过引入灰色系统指标并结合权重调整算法，含权重调整算法的灰色系统推理设备故障不再仅仅依赖单一的指标测点和专家库数据，而是加入其他多重指标测点作为统一推理分析的特征参数，把设定好的权重值与参数序列的灰色关联系数进行计算，然后由专家系统对计算出的关联系数权重调整值进行推理定义，最终得到监测分析结论使得水汽品质变化所涵盖的故障信息更深入，从而对火电厂水汽品质监测结论更准确。

附图说明

图1为本发明火电厂水汽品质监测方法第一个实施例的流程示意图；

图2为本发明火电厂水汽品质监测方法第二个实施例的流程示意图；

图3为本发明火电厂水汽品质监测系统第一个实施例的结构示意图；

图4为本发明火电厂水汽品质监测系统第二个实施例的结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下根据附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施仅仅用以解释本发明，并不限定本发明。

如图1所示，一种火电厂水汽品质监测方法，包括步骤：

S100：构建故障监测模型，设定与监测对象相应的多重指标测点，对每个指标测点设定相匹配的权重值，其中，多重指标测点包括化学指标测点。

根据当前检测对象的不同可以构建不同的故障监测模型并且设定相应的多重指标测点，多重指标测点指的是多种指标类型的测点，其中包括化学指标测点以及其他指标测点，例如PH值，电导率等指标。

S200：获取所述指标测点的历史数据，并根据所述指标测点的历史数据生成灰色参考矩阵，获取灰色参考序列。

指标测点的历史数据可以直接从监测对象之前的数据中获取，之后将根据这些历史数据生成灰色参考矩阵，并通过这个灰色参考举证获得灰色参考系列。

S300：通过故障监测模型获取指标测点实时数据以及与所述指标测点相匹配的权重值，通过灰色关联度算法，计算所述指标测点实时数据带权重的灰色关联系数。

通过之前构建的故障监测模型监获取监测对象的实时监测数据，并且获取与指标监测点相匹配的权重值，再利用灰色关联度算法，计算得出指标测点实时数据带权重的灰色关联系数。灰色系统理论提出了对各子系统进行灰色关联度分析的概念，意图透过一定的方法，去寻求系统中各子系统之间的数值关系。简言之，灰色关联度分析的意义是指在系统发展过程中，如果两个因素变化的态势是一致的，即同步变化程度较高，则可以认为两者关联较大；反之，则两者关联度较小。

S400：根据所述灰色参考序列和实时数据带权重的灰色关联系数计算关联度权重调整值。

对实测值经过灰色方程计算出灰色关联系数，并得出带权重计算的关联度，关联度越高说明更接近灰色参考序列。

S500：读取专家库数据，根据所述专家库数据对所述关联度权重调整值进行推理定义，获得当前指标测点的水汽品质监测结论。

本发明火电厂水汽品质监测方法通过引入灰色系统指标并结合权重调整算法，含权重调整算法的灰色系统推理设备故障不再仅仅依赖单一的指标测点和专家库数据，而是加入其他多重指标测点作为统一推理分析的特征参数，把设定好的权重值与参数序列的灰色关联系数进行计算，然后由专家系统对计算出的关联系数权重调整值进行推理定义，最终得到监测分析结论使得水汽品质变化所涵盖的故障信息更深入，从而对火电厂水汽品质监测结论更准确。

如图2所示，在其中一个实施例中，所述S500之后还有步骤：

S600：将得出的当前指标测点水汽品质监测结论以及当前所述监测对象故障现象整合成文档或分析图形式推送给用户。

在获得当前指标测点水汽品质监测结论后需要将结果以及监测对象当前故障对象一起推送给用户，在这里根据当前应用环境的需求或者用户的喜好选择文档或者分析图的形式推送，以达到良好的用户体验。

如图2所示，在其中一个实施例中，所述S500之前还有步骤：

S420：采集水汽化学运行相关数据以及历史专家经验数据，生成专家库数据；

S440：保存所述专家库数据。

水汽化学运行相关数据以及历史专家经验数据可以从发电厂的运行规程、技术监督报表、SIS告警画面中提取，根据提取到的数据生成专家库数据，之后再保存专家库数据以便后续操作中直接读取。

在其中一个实施例中，所述读取专家库数据，根据所述专家库数据对所述关联度权重调整值进行推理定义，获得当前指标测点的水汽品质监测结论具体包括步骤：

读取专家库数据，根据所述专家库数据设置当前关联度权重调整值的阈值范围，并对预设范围内的权重调整值进行推理定义；

对比关联度权重调整值和设置的当前关联度权重调整值的阈值范围；

当关联度权重调整值在设置的当前关联度权重调整值的阈值范围内时，根据权重调整值推理定义的结果，获取当前指标测点的水汽品质监测结论；

当关联度权重调整值不在设置的当前关联度权重调整值的阈值范围内时，发出报警信号。

在本实施例中，根据专家库数据设置当前关联度权重调整值的阈值范围，当关联度权重值不在设置的当前关联度权重调整值的阈值范围内时，说明此时火电厂水汽品质出现了极度的异常，设备可能发证重大故障，就需要发出报警信号告知操作人员去进行相应的故障处理，这样就在一定程度上确保了火电厂的正常运行。

为了更进一步详细解释本发明火电厂水汽品质监测方法的技术方案及其带来的游戏效果，下面将采用一具体实施例并结合严谨数学公式推导进行说明。

为了增强权重调整的求解能力，采用带有权值和灰色关联系数的推理模型，相应的专家系统判据可表示为：

if Fi(S(0,m),ω(0,m))

                              (1)

then RS(m)

其中，Fi为证据组合，即故障征兆，S(0,m-1)为证据(Fi)的专家系统判断条件的边界值，ω_(0,n)为证据(Fi)的关联系数权重调整值，RS(0,m)为诊断结论；

${\mathrm{\ω}}_{(0,n)}=\frac{\underset{i=0}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\γ}}_i{W}_i}{\underset{i=0}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\γ}}_i}---\left(2\right)$

（2）式中Wi为权重，权重满足:

$\underset{i=0}{\overset{n}{\mathrm{\Σ}}}\mathrm{Wi}=100---\left(3\right)$

γ_i为灰色关联系数。

（1）式最终分解为专家导则，并细化诊断分析结果：

$\begin{array}{ccc}{\mathrm{if}}^{S_0\&le;{\mathrm{\&omega;}}_{(0,n)}<S_1}& \mathrm{then}& \mathrm{RS}\left(0\right)\\ {\mathrm{if}}^{S_1\&le;{\mathrm{\&omega;}}_{(0,n)}<S_2}& \mathrm{then}& \mathrm{RS}\left(1\right)\\ \&CenterDot;\&CenterDot;\&CenterDot;& & \\ {\mathrm{if}}^{S_{m-1}\&le;{\mathrm{\&omega;}}_{(0,n)}\&le;S_m}& \mathrm{then}& \mathrm{RS}\left(m\right)\end{array}---\left(4\right)$

从上面可以看出，式(4)实际为式(1)的分解，式(1)是证据结论的组合。其中RS(m)为诊断结果，其由专家系统把ω_(0,n)作为判断条件的因子，提取知识导则库对应的诊断结果，即设备故障状态描述与对应的处理措施组合。

为计算(2)式γ_i关联数，设诊断模型的水汽指标序列：

X0={x0(j0)|j0=1,2,…n}  参考序列   (5)

X1={x1(j1)|j1=1,2,…n}  比较序列

为了对诊断对象数X1据序列进行评价分析，由于不同指标的数据在数量上差异很大，无法进行基于权重的关联评价计算,需要对比较序列的各指标数据进行关联系数计算。设X0(k)为X0（为参考序列）的第k个数；X1(k)为X1的第k个数，则比较序列X1对参考序列X0的灰色关联系数：

$\mathrm{\&gamma;}(x_0\left(k\right),x_1\left(k\right))=\frac{\underset{j}{\min }\underset{k}{\min }|x_0\left(k\right)-x_1\left(k\right)|+\mathrm{\&rho;}\underset{j}{\max }\underset{k}{\max }|x_0\left(k\right)-x_1\left(k\right)|}{|x_0\left(k\right)-x_1\left(k\right)|+\mathrm{\&rho;}\underset{j}{\max }\underset{k}{\max }|x_0\left(k\right)-x_1\left(k\right)|}---\left(6\right)$

简记为：

$\mathrm{\&gamma;}(x_0\left(k\right),x_1\left(k\right))=\frac{\mathrm{\&Delta;}\min +\mathrm{\&rho;\&Delta;}\max }{|x_0\left(k\right)-x_1\left(k\right)|+\mathrm{\&rho;\&Delta;}\max }---\left(7\right)$

其中：

$\mathrm{\&Delta;}\min =\underset{j}{\min }\underset{k}{\min }|x_0\left(k\right)-x_1\left(k\right)|---\left(8\right)$

为参考序列与比较序列绝对差值中最小值计算，X0为先分别由比较数列X1上的每一个点与参考数列X0上的每一个点之绝对差值中取最小值，再由这些最小值当中选取最小值。

$\mathrm{\&Delta;}\max =\underset{j}{\max }\underset{k}{\max }|x_0\left(k\right)-x_1\left(k\right)|---\left(9\right)$

为参考序列与比较序列绝对差值中最大值计算，X0为先分别由比较数列X1上的每一个点与参考数列X0上的每一个点之绝对差值中取最大值，再由这些最大值当中选取最大值。

其中分辨系数：0<ρ<1 一般取ρ=0.5。

在这里，设备故障诊断以专家系统作为支撑，通过构建知识库、诊断导则等作为知识的表达方式，形式类似式(1)与式(4),式(4)实际为式(1)的分解，式(1)是证据结论的组合。专家知识库导则定义通常为

thenRS(m)方式，通过计算得到的最终关联系数权重调整值ω_(0,n)，然后判断关联系数权重调整值的范围，不同范围对应不同的故障诊断结论。最终，把关联系数权重调整值ω_(0,n)代入（1）式，得出诊断结果。

如图3所示，一种火电厂水汽品质监测系统，包括：

构建模块100，用于构建故障监测模型，设定与监测对象相应的多重指标测点，对每个指标测点设定相匹配的权重值，其中，多重指标测点包括化学指标测点；

参考序列生成模块200，用于获取所述指标测点的历史数据，并根据所述指标测点的历史数据生成灰色参考矩阵，获取灰色参考序列；

灰色关联系数计算模块300，用于通过故障监测模型获取指标测点实时数据以及与所述指标测点相匹配的权重值，通过灰色关联度算法，计算所述指标测点实时数据带权重的灰色关联系数；

关联度权重调整值计算模块400，用于根据所述灰色参考序列和实时数据带权重的灰色关联系数计算关联度权重调整值；

结论模块500，用于读取专家库数据，根据所述专家库数据对所述关联度权重调整值进行推理定义，获得当前指标测点的水汽品质监测结论。

本发明火电厂水汽品质监测系统通过引入灰色系统指标并结合权重调整算法，含权重调整算法的灰色系统推理设备故障不再仅仅依赖单一的指标测点和专家库数据，而是加入其他多重指标测点作为统一推理分析的特征参数，把设定好的权重值与参数序列的灰色关联系数进行计算，然后由专家系统对计算出的关联系数权重调整值进行推理定义，最终得到监测分析结论使得水汽品质变化所涵盖的故障信息更深入，从而对火电厂水汽品质监测结论更准确。

如图4所示，在其中一个实施例中，所述火电厂水汽品质监测系统还包括：

推送模块600，用于将得出的当前指标测点水汽品质监测结论以及当前所述监测对象故障现象整合成文档或分析图形式推送给用户。

在获得当前指标测点水汽品质监测结论后需要将结果以及监测对象当前故障对象一起推送给用户，在这里根据当前应用环境的需求或者用户的喜好选择文档或者分析图的形式推送，以达到良好的用户体验。

如图4所示，在其中一个实施例中，所述火电厂水汽品质监测系统还包括：

专家库数据生成模块700，用于采集水汽化学运行相关数据以及历史专家经验数据，生成专家库数据；

存储模块800，用于保存所述专家库数据。

水汽化学运行相关数据以及历史专家经验数据可以从发电厂的运行规程、技术监督报表、SIS告警画面中提取，根据提取到的数据生成专家库数据，之后再保存专家库数据以便后续操作中直接读取。

在其中一个实施例中，所述结论模块具体包括：

阈值范围设置单元，用于读取专家库数据，根据所述专家库数据设置当前关联度权重调整值的阈值范围，并对预设范围内的权重调整值进行推理定义；

对比单元，用于对比关联度权重调整值和设置的当前关联度权重调整值的阈值范围；

结论单元，用于当关联度权重调整值在设置的当前关联度权重调整值的阈值范围内时，根据权重调整值推理定义的结果，获取当前指标测点的水汽品质监测结论；

报警单元，用于当关联度权重调整值不在设置的当前关联度权重调整值的阈值范围内时，发出报警信号。

在本实施例中，根据专家库数据设置当前关联度权重调整值的阈值范围，当关联度权重值不在设置的当前关联度权重调整值的阈值范围内时，说明此时火电厂水汽品质出现了极度的异常，设备可能发证重大故障，就需要发出报警信号告知操作人员去进行相应的故障处理，这样就在一定程度上确保了火电厂的正常运行。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (8)

1.一种火电厂水汽品质监测方法，其特征在于，包括步骤：

构建故障监测模型，设定与监测对象相应的多重指标测点，对每个指标测点设定相匹配的权重值，其中，所述多重指标测点包括化学指标测点；

获取所述指标测点的历史数据，并根据所述指标测点的历史数据生成灰色参考矩阵，获取灰色参考序列；

通过故障监测模型获取指标测点实时数据以及与所述指标测点相匹配的权重值，通过灰色关联度算法，计算所述指标测点实时数据带权重的灰色关联系数；

根据所述灰色参考序列和实时数据带权重的灰色关联系数计算关联度权重调整值；

读取专家库数据，根据所述专家库数据对所述关联度权重调整值进行推理定义，获得当前指标测点的水汽品质监测结论。

2.根据权利要求1所述的火电厂水汽品质监测方法，其特征在于，所述读取专家库数据，根据所述专家库数据对所述关联度权重调整值进行推理定义，获得当前指标测点的水汽品质监测结论之后还有步骤：

将得出的当前指标测点水汽品质监测结论以及当前所述监测对象故障现象整合成文档或分析图形式推送给用户。

3.根据权利要求1或2所述的火电厂水汽品质监测方法，其特征在于，所述读取专家库数据，根据所述专家库数据对所述关联度权重调整值进行推理定义，获得当前指标测点的水汽品质监测结论之前还有步骤：

采集水汽化学运行相关数据以及历史专家经验数据，生成专家库数据；

保存所述专家库数据。

4.根据权利要求1或2所述的火电厂水汽品质监测方法，其特征在于，所述读取专家库数据，根据所述专家库数据对所述关联度权重调整值进行推理定义，获得当前指标测点的水汽品质监测结论具体包括步骤：

读取专家库数据，根据所述专家库数据设置当前关联度权重调整值的阈值范围，并对预设范围内的权重调整值进行推理定义；

对比关联度权重调整值和设置的当前关联度权重调整值的阈值范围；

当关联度权重调整值在设置的当前关联度权重调整值的阈值范围内时，根据权重调整值推理定义的结果，获取当前指标测点的水汽品质监测结论；

当关联度权重调整值不在设置的当前关联度权重调整值的阈值范围内时，发出报警信号。

5.一种火电厂水汽品质监测系统，其特征在于，包括：

构建模块，用于构建故障监测模型，设定与监测对象相应的多重指标测点，对每个指标测点设定相匹配的权重值，其中，多重指标测点包括化学指标测点；

参考序列生成模块，用于获取所述指标测点的历史数据，并根据所述指标测点的历史数据生成灰色参考矩阵，获取灰色参考序列；

灰色关联系数计算模块，用于通过故障监测模型获取指标测点实时数据以及与所述指标测点相匹配的权重值，通过灰色关联度算法，计算所述指标测点实时数据带权重的灰色关联系数；

关联度权重调整值计算模块，用于根据所述灰色参考序列和实时数据带权重的灰色关联系数计算关联度权重调整值；

结论模块，用于读取专家库数据，根据所述专家库数据对所述关联度权重调整值进行推理定义，获得当前指标测点的水汽品质监测结论。

6.根据权利要求5所述的火电厂水汽品质监测系统，其特征在于，还包括：

推送模块，用于将得出的当前指标测点水汽品质监测结论以及当前所述监测对象故障现象整合成文档或分析图形式推送给用户。

7.根据权利要求5或6所述的火电厂水汽品质监测系统，其特征在于，还包括：

专家库数据生成模块，用于采集水汽化学运行相关数据以及历史专家经验数据，生成专家库数据；

存储模块，用于保存所述专家库数据。

8.根据权利要求5或6所述的火电厂水汽品质监测系统，其特征在于，所述结论模块具体包括：

阈值范围设置单元，用于读取专家库数据，根据所述专家库数据设置当前关联度权重调整值的阈值范围，并对预设范围内的权重调整值进行推理定义；

对比单元，用于对比关联度权重调整值和设置的当前关联度权重调整值的阈值范围；

结论单元，用于当关联度权重调整值在设置的当前关联度权重调整值的阈值范围内时，根据权重调整值推理定义的结果，获取当前指标测点的水汽品质监测结论；

报警单元，用于当关联度权重调整值不在设置的当前关联度权重调整值的阈值范围内时，发出报警信号。

Images