CN106204324A - 一种确定电厂复杂设备关键监测参数及各参数权重分配的方法 - Google Patents

Abstract

一种确定电厂复杂设备关键监测参数及各参数权重分配的方法，利用电厂SIS系统中存储的该复杂设备正常运行状态下的历史数据，通过对设备所有的监测参数进行主元分析，得到各参数的贡献率，从而获得该设备的关键监测参数并对新获得的参数进行权重分配，为电厂复杂设备的监测提供依据，指导建立设备故障诊断模型，有助于电厂的安全运行。

Description

一种确定电厂复杂设备关键监测参数及各参数权重分配的 方法

技术领域

本发明属于动力行业，具体涉及一种确定电厂复杂设备关键监测参数及各参数权重分配的方法。

背景技术

近年来，电厂设备故障预警系统逐渐在火力发电厂中开始推广应用，其可以利用实时的设备监测参数进行机组设备的状态评估，对机组运行安全性和经济性的提高起了很大的作用。但是复杂设备的监测参数数量过多及各参数之间存在的强线性耦合关系对模型建立、预测精度及服务器运算量等方面造成很大影响。现在对于电厂设备关键监测参数的选取没有比较有依据的方法，一般都是技术人员根据工作经验进行关键参数的选取，人为因素影响过大。同时，没有区分各参数对设备运行状态的影响程度，这明显不符合实际情况。

发明内容

本发明的目的在于提供一种能够准确分析出电厂复杂设备相关监测参数的贡献率，为电厂复杂设备进行针对性的重点监控提供了技术依据，为复杂设备的故障预警模型提供更为简明、准确的方法，对提高机组的经济性和安全性运行具有重要指导作用的确定电厂复杂设备关键监测参数及各参数权重分配的方法。

为达到上述目的，本发明采用的技术方案是：

1)确定电厂该设备所有监测参数

基于火电厂厂级监控信息平台，确定电厂该复杂设备所有相关监测参数；

2)训练样本的筛选和特征样本的选择

训练样本K选择机组负荷和该设备的各个监测参数曲线趋势变化较为平缓时的数据，然后通过SIS系统的数据查询功能导出相对应的数据；

特征样本D则是对训练样本K进行标准化后，通过聚类分析计算得到；

3)计算各参数的贡献率

基于对特征样本D进行主元分析，得到各个参数的贡献率；

4)确定关键监测参数，重新分配权重

取总贡献率达到90％的λ₁、λ₂、…、λ_k所对应的第1，第2，…，第k个主成分为该设备的关键监测参数；

对新获得的关键监测参数按照各自贡献率重新分配权重；

5)根据得出的关键监测参数指导电厂对复杂设备的运行状态进行有针对性的监测，同时为设备故障预警及诊断模型中相关参数的选择和各参数权重分配提供依据。

所述的复杂设备所有监测参数的个数m大于15。

所述的训练样本的筛选和特征样本的选择包括：

1)筛选训练样本

训练样本K中所覆盖的状态为机组运行负荷W在30％～100％的额定负荷之间时，设备正常运行状态下所有监测参数的动态变化过程，训练样本矩阵K的每行表示一个时间状态t_i的样本，每列则表示某个观测参数不同时刻的监测值；

2)训练样本的标准化

采用Z-score标准化方法对各个参数进行数据处理，处理后的数据符合标准正态分布，即均值为0，标准差为1，转化函数为：

$K^{\′}=\frac{K-\mathrm{\μ}}{\mathrm{\σ}}---\left(1\right)$

式(1)中μ和σ分别为总样本K所有数据的平均值和标准差；

3)特征样本的选择

用K-mean快速聚类方法对标准化后的样本矩阵K'进行聚类分析，得出聚类中心D'，再对其进行反标准化，即可得到为特征样本D。

所述的计算各参数的贡献率包括：

1)特征矩阵D的标准化

假设特征矩阵D为n*m维，其中每行表示一个时间状态的样本，每列代表某个观测参数在不同时间状态的测量值

$D=\left(\begin{array}{cccc}{d}_{11}& d_{12}& ...& d_{1m}\\ d_{21}& d_2& ...& d_{2m}\\ ...& ...& ...& ...\\ d_{n1}& d_{n2}& ...& d_{nm}\end{array}\right)={\left(d_{ij}\right)}_{n\×m}---\left(2\right)$

对其进行标准化

$d_{ij}^{\′}=\frac{d_{ij}-\stackrel{\‾}{d_j}}{S_j}---\left(3\right)$

式(3)中

2)计算D'的相关系数矩阵R

相关系数矩阵R为：

$R=\left(\begin{array}{cccc}{r}_{11}& r_{12}& ...& r_{1m}\\ r_{21}& r_{22}& ...& r_{2m}\\ ...& ...& ...& ...\\ r_{m1}& r_{m2}& ...& r_{mm}\end{array}\right)---\left(4\right)$

其中r_ij表示特征矩阵D第i列与第j列之间的相关系数，r_ij＝r_ji；

r_ij的计算公式为：

3)计算特征值和特征向量

特征方程为|λI-R|＝0，通过雅克比方法对相关系数矩阵R逐步进行正交相似变换，消去非对角线上的非零元素，直到将R的非对角线元素化为接近于零为止，从而求得R的全部特征值，把逐次的正交相似变换矩阵乘起来，即为特征向量；

4)计算各监测参数的贡献率

每个特征值有其相对应的监测参数，对特征值λ_i由大到小进行排序，使得λ₁≥λ₂≥...≥λ_p≥0(i＝1,2,...,p)，则各监测参数的贡献率计算公式为：

$y_i=\frac{{\mathrm{\λ}}_i}{\underset{i=1}{\overset{p}{\Σ}}{\mathrm{\λ}}_i}---\left(6\right)$

所述的确定关键监测参数和重新分配权重包括：

1)确定关键监测参数

当且时，则与λ₁,λ₂,...,λ_q相对应的q个监测参数即为该复杂设备的关键监测参数。

2)重新分配权重

对新获得关键监测参数重新分配权重：

$s_i=\frac{{\mathrm{\λ}}_i}{\underset{i=1}{\overset{q}{\Σ}}{\mathrm{\λ}}_i}---\left(7\right)$

采用上述技术方案及数学模型，能够准确分析出电厂复杂设备的关键监测参数和各关键参数的权重，为电厂复杂设备进行针对性的重点监控提供了技术依据，为复杂设备的故障预警模型提供了更为简明、准确的方法，这对于提高机组的经济性和安全性运行具有重要的指导意义。

具体实施方式

本发明包括以下步骤：

1、确定电厂该设备所有监测参数

基于火电厂厂级监控信息(简称SIS系统)平台，确定电厂该设备所有相关的监测参数，参数个数m一般大于15。

2、训练样本的筛选和特征样本的选择

训练样本K依据机组及设备运行方面的专业经验进行分析和挑选设备正常运行的时间段，然后通过SIS系统的数据查询功能导出相对应的数据，工程中一般选择机组负荷和该设备的各个监测参数曲线趋势变化较为平缓时的数据。特征样本D则是对训练样本K进行标准化后，通过聚类分析计算得到。

1)筛选训练样本

为避免启机和停机过程对分析结果的影响，训练样本K中所覆盖的状态为机组运行负荷W在30％～100％的额定负荷之间时，设备正常运行状态下所有监测参数的动态变化过程。训练样本矩阵K的每行表示一个时间状态t_i的样本，每列则表示某个观测参数不同时刻的监测值。

2)训练样本的标准化

为消除参数量纲对分析结果的影响，对训练样本K进行标准化处理。采用Z-score标准化方法对各个参数进行数据处理，处理后的数据符合标准正态分布，即均值为0，标准差为1，转化函数为：

$K^{\′}=\frac{K-\mathrm{\μ}}{\mathrm{\σ}}---\left(1\right)$

式(1)中μ和σ分别为总样本K所有数据的平均值和标准差。

3)特征样本的选择

用K-mean快速聚类方法对标准化后的样本矩阵K'进行聚类分析，得出聚类中心D'，再对其进行反标准化，即可得到为特征样本D。

3、各参数贡献率的计算

各参数的贡献率和累计贡献率的计算是基于对特征样本D进行主元分析，得到各个参数的贡献率，取总贡献率达到90％的λ₁、λ₂、…、λ_k所对应的第1，第2，…，第k个主成分为该设备的关键监测参数。

1)特征矩阵D的标准化

假设特征矩阵D为n*m维，其中每行表示一个时间状态的样本，每列代表某个观测参数在不同时间状态的测量值

$D=\left(\begin{array}{cccc}{d}_{11}& d_{12}& ...& d_{1m}\\ d_{21}& d_{22}& ...& d_{2m}\\ ...& ...& ...& ...\\ d_{n1}& d_{n2}& ...& d_{nm}\end{array}\right)={\left(d_{ij}\right)}_{n\×m}---\left(2\right)$

对其进行标准化

$d_{ij}^{\′}=\frac{d_{ij}-\stackrel{\‾}{d_j}}{S_j}---\left(3\right)$

式(3)中

2)计算D'的相关系数矩阵R

相关系数矩阵R为：

$R=\left(\begin{array}{cccc}{r}_{11}& r_{12}& ...& r_{1m}\\ r_{21}& r_{22}& ...& r_{2m}\\ ...& ...& ...& ...\\ r_{m1}& r_{m2}& ...& r_{mm}\end{array}\right)---\left(4\right)$

其中r_ij表示特征矩阵D第i列与第j列之间的相关系数，r_ij＝r_ji。

r_ij的计算公式为：

3)计算特征值和特征向量

特征方程为|λI-R|＝0，通过雅克比方法对相关系数矩阵R逐步进行正交相似变换，消去非对角线上的非零元素，直到将R的非对角线元素化为接近于零为止，从而求得R的全部特征值，把逐次的正交相似变换矩阵乘起来，即为特征向量。

4)计算各监测参数的贡献率

每个特征值有其相对应的监测参数，对特征值λ_i由大到小进行排序，使得λ₁≥λ₂≥...≥λ_p≥0(i＝1,2,...,p)，则各监测参数的贡献率计算公式为：

$y_i=\frac{{\mathrm{\λ}}_i}{\underset{i=1}{\overset{p}{\Σ}}{\mathrm{\λ}}_i}---\left(6\right)$

4、确定关键监测参数，重新分配权重

当且时，则与λ₁,λ₂,...,λ_q相对应的q个监测参数即为该复杂设备的关键监测参数。

对新获得关键监测参数重新分配权重：

$s_i=\frac{{\mathrm{\λ}}_i}{\underset{i=1}{\overset{q}{\Σ}}{\mathrm{\λ}}_i}---\left(7\right)$

5、使用分析得出的关键监测参数和各参数的权重指导电厂对复杂设备的运行状态进行有针对性的监测，同时为设备故障预警及诊断模型中相关参数的选择和各参数权重比例的分配提供依据。

Claims (5)

1.一种确定电厂复杂设备关键监测参数及各参数权重分配的方法，其特征在于包括以下步骤：

1)确定电厂该设备所有监测参数

基于火电厂厂级监控信息平台，确定电厂该复杂设备所有监测参数；

2)训练样本的筛选和特征样本的选择

训练样本K选择机组负荷和该设备的各个监测参数曲线趋势变化较为平缓时的数据，然后通过SIS系统的数据查询功能导出相对应的数据；

特征样本D则是对训练样本K进行标准化后，通过聚类分析计算得到；

3)计算各参数的贡献率

基于对特征样本D进行主元分析，得到各个参数的贡献率λ₁、λ₂、…、λ_p；

4)确定关键参数，重新分配权重

取总贡献率达到90％的λ₁、λ₂、…、λ_q所对应的第1，第2，…，第q个主成分为该设备的关键监测参数，然后将这q个参数按照各自的贡献率重新进行权重分配；

5)根据得出的关键监测参数和各参数的权重指导电厂对复杂设备的运行状态进行有针对性的监测，同时为设备故障预警及诊断模型中相关参数的选择和各参数权重比例的分配提供依据。

2.根据权利要求1所述的确定电厂复杂设备关键监测参数及各参数权重分配的方法，其特征在于：所述的复杂设备所有相关监测参数的个数m大于15。

3.根据权利要求1所述的确定电厂复杂设备关键监测参数及各参数权重分配的方法，其特征在于：所述的训练样本的筛选和特征样本的选择包括：

1)筛选训练样本

训练样本K中所覆盖的状态为机组运行负荷W在30％～100％的额定负荷之间时，设备正常运行状态下所有监测参数的动态变化过程，训练样本矩阵K的每行表示一个时间状态t_i的样本，每列则表示某个观测参数不同时刻的监测值；

2)训练样本的标准化

采用Z-score标准化方法对各个参数进行数据处理，处理后的数据符合标准正态分布，即均值为0，标准差为1，转化函数为：

$K^{\′}=\frac{K-\mathrm{\μ}}{\mathrm{\σ}}---\left(1\right)$

式(1)中μ和σ分别为总样本K所有数据的平均值和标准差；

3)特征样本的选择

用K-mean快速聚类方法对标准化后的样本矩阵K'进行聚类分析，得出聚类中心D'，再对其进行反标准化，即可得到为特征样本D。

4.根据权利要求1所述的确定电厂复杂设备关键监测参数及各参数权重分配的方法，其特征在于：所述的各参数的贡献率计算包括：

1)特征矩阵D的标准化

假设特征矩阵D为n*m维，其中每行表示一个时间状态的样本，每列代表某个观测参数在不同时间状态的测量值

$D=\left(\begin{array}{cccc}{d}_{11}& d_{12}& ...& d_{1m}\\ d_{21}& d_{22}& ...& d_{2m}\\ ...& ...& ...& ...\\ d_{n1}& d_{n2}& ...& d_{nm}\end{array}\right)={\left(d_{ij}\right)}_{n\×m}---\left(2\right)$

对其进行标准化

$d_{ij}^{\′}=\frac{d_{ij}-\stackrel{\‾}{d_j}}{S_j}---\left(3\right)$

式(3)中j＝1,2,...,m

2)计算D′的相关系数矩阵R

相关系数矩阵R为：

$R=\left(\begin{array}{cccc}{r}_{11}& r_{12}& ...& r_{1m}\\ r_{21}& r_{22}& ...& r_{2m}\\ ...& ...& ...& ...\\ r_{m1}& r_{m2}& ...& r_{mm}\end{array}\right)---\left(4\right)$

其中r_ij表示特征矩阵D第i列与第j列之间的相关系数，r_ij＝r_ji。

r_ij的计算公式为：

其中i,j＝1,2,...,m (5)

3)计算特征值和特征向量

特征方程为|λI-R|＝0，通过雅克比方法对相关系数矩阵R逐步进行正交相似变换，消去非对角线上的非零元素，直到将R的非对角线元素化为接近于零为止，从而求得R的全部特征值，把逐次的正交相似变换矩阵乘起来，即为特征向量；

4)计算各监测参数的贡献率

每个特征值有其相对应的监测参数，对特征值λ_i由大到小进行排序，使得λ₁≥λ₂≥...≥λ_p≥0(i＝1,2,...,p)，则各监测参数的贡献率计算公式为：

$y_i=\frac{{\mathrm{\λ}}_i}{\underset{i=1}{\overset{p}{\Σ}}{\mathrm{\λ}}_i}---\left(6\right)$

5.根据权利要求1所述的确定电厂复杂设备关键监测参数及各参数权重分配的方法，其特征在于：所述的确定关键参数，重新分配权重包括：

1)确定关键参数

当且时，则与λ₁,λ₂,...,λ_q相对应的q个监测参数即为该复杂设备的关键监测参数；

2)重新分配权重

对新获得的关键监测参数重新进行权重分配：

$s_i=\frac{{\mathrm{\λ}}_i}{\underset{i=1}{\overset{q}{\Σ}}{\mathrm{\λ}}_i}---\left(7\right).$