CN106936627A - 一种基于大数据分析挖掘的火电设备性能监测方法 - Google Patents

Abstract

一种基于大数据分析挖掘的火电设备性能监测方法。主要步骤包括：第一步对电站健康运行数据进行相关性分析以及主成分分析，第二步利用设备数据的相关性并经过主成分分析后得到的设备主成分变量，运用基于密度的聚类分析建立正常运行工况的三维聚类簇，利用该聚类簇进行设备性能监测。比起传统的火电设备性能监测方法，利用大数据的性能监测方法能够充分利用大量的火电厂运行数据，反映设备的实时性能，提高监测的准确度。

Description

一种基于大数据分析挖掘的火电设备性能监测方法

技术领域

本发明涉及一种火电设备性能监测的技术，基于大数据分析挖掘的火电设备性能监测方法，属于电厂性能监测及故障诊断领域。

背景技术

在较长一段时间内，火力发电仍在我国电力生产中占主导地位。电厂是由多个相互关联的子系统构成的复杂串并联系统，其安全可靠运行尤为重要。性能监测技术被广泛应用于电厂来保障其安全运行。在火电机组性能监测上，目前主流的监测方法主要是基于物理机理建模的平台，例如EfficencyMap、Ebsilon、Optimax、Turabs等平台，这些平台对电厂中爆炸式增长的海量生产运行数据并没有进行充分的利用，挖掘这些数据蕴藏的价值财富，将给火电厂的设备监测、运行优化等提供巨大的帮助。

近年来，大数据技术在互联网、网络通信、金融以及生物医疗上有了迅猛的发展和充分的应用。2013年随着《中国电力大数据发展白皮书》的发布，预示着大数据技术在我国电力行业中的应用开端，传统电力行业伴随着大数据和云计算的浪潮开始逐步向能源互联网转型。而目前国内外在能源电力领域的大数据分析研究主要应用于电力需求侧以及可再生能源发电，例如需求侧响应、用户管理、动态定价、风力发电太阳能发电功率预测等，在火电设备的性能监测上还未有充分的应用。

随着火电厂海量数据的增长以及日益增长的节能减排要求，火电厂亟需一种基于大数据分析的性能监测方法结合运行数据对火电设备的性能进行实时监测，从而更好地进行故障诊断和运行优化，提高运行效率。

发明内容

本发明的目的是提供一种基于大数据分析的火电设备性能监测方法，将其应用在大型火电厂在线监测平台中，充分利用火电设备的海量运行数据，并且能够通过计算机进行实时计算，速度快且准确度高地实现对火电设备实时性能的监测。

本发明的技术方案是：

一种基于大数据分析挖掘的火电设备性能监测方法，其特征是该方法包括以下步骤：

1)从火力发电机组实时信息监控与管理系统中获取一段时间的历史健康运行数据，计算测量变量间的两两相关系数，得到相关系数矩阵，根据相关系数矩阵选取与目标设备温度、压力和流量相关系数高的变量作为设备相关变量X₁,X₂,…,X_m；

其中，m为设备相关变量个数，

2)对设备相关变量进行主成分分析，得到一组主成分变量P₁,P₂,…,P_i,…,P_n，其中n为主成分变量个数，每一个主成分变量表达式为：

其中，k_ij为各个设备相关变量前系数，j为1至m的整数，

通过主成分分析，得到各个主成分变量方差对设备相关变量整体方差的贡献率大小，将其逐次递减排列，选取其中贡献最大的三个主成分变量，分别命名为PC₁、PC₂和PC₃，

Var(PC₁)≥Var(PC₂)≥...≥Var(PC_n)

其中Var表示对设备相关变量整体方差贡献的大小；

3)对三个主成分变量PC₁、PC₂和PC₃进行标准化处理，使PC₁、PC₂和PC₃均服从标准正态分布；对标准化后的PC₁、PC₂和PC₃进行基于密度的聚类分析；

利用基于密度的聚类分析方法，结合大数据分析平台，将设备的三个主成分变量PC₁、PC₂和PC₃聚类到不同的三维聚类簇中，所形成的不同聚类簇就代表着设备正常运行工况的聚类簇；

通过对设备相关变量的实时数据进行上述的主成分分析，得到三个贡献最大的主成分变量PC₁、PC₂和PC₃的实时值，判断其是否属于设备正常运行工况的聚类簇，然后进行实时设备运行状态的监测，若属于，则设备在正常工况运行，若不属于，则设备发生故障。

本发明所述的方法的技术特征还在于：

上述的火电设备包括各级回热加热器、各级抽汽管道、各级汽轮机级组、给水泵和凝汽器。

当火电设备为各级回热加热器时，设备相关变量为：抽汽温度、加热器进汽压力、上级疏水温度、给水入口温度、负荷、给水压力、主给水流量、疏水温度和给水出口温度。

当火电设备为各级抽汽管道时，设备相关变量为：抽汽进口温度、抽汽进口压力、负荷、主给水流量和抽汽出口压力。

当火电设备为各级汽轮机级组时，设备相关变量为：级组进口温度、级组进口压力、负荷、主汽流量、主汽压力、主汽温度、凝汽器背压、级组出口压力和级组出口温度；

当火电设备为给水泵时，设备相关变量为：给水泵入口压力、给水泵入口温度、再热减温水流量、再热减温水压力、给水泵转速及电流、负荷、给水压力、主给水流量和给水泵出口压力；

当火电设备为凝汽器时，设备相关变量为：低压缸进汽温度、低压缸进汽压力、负荷、主汽流量、主汽温度、主汽压力、凝汽器真空和低压缸排汽温度。

本发明具有以下优点及突出性效果：本发明中在不进行复杂的物理机理分析情况下，利用数据之间的相关关系得到了聚类簇空间，利用聚类簇空间实现性能监测，通过是否属于聚类簇判断，得到准确的监测结果。本发明方法更加充分利用火电厂日益增长的海量数据，挖掘数据内隐含的关系，提高了电厂性能监测的效果。本方法可以在计算机大数据平台上进行操作，运算速度快，简单便捷。

附图说明

图1是本发明的分析方法流程示意图。

图2是实施例中设备相关系数矩阵分析图(设备为2号加热器)。

图3是实施例中利用主成分分析并基于密度聚类分析得到的正常运行工况聚类簇(设备为2号加热器)。

图4是实施例中利用无指导学习大数据分析性能监测方法应用结果(设备为2号加热器)。

具体实施方式

下面结合附图对本发明的原理和具体实施作进一步的说明。

1)从火力发电机组实时信息监控与管理系统中获取一段时间的历史健康运行数据，计算测量变量间的两两相关系数，得到相关系数矩阵，根据相关系数矩阵选取与目标设备温度、压力和流量相关系数高的变量作为设备相关变量X₁,X₂,…,X_m；

其中，m为设备相关变量个数，

2)对设备相关变量进行主成分分析，得到一组主成分变量P₁,P₂,…,P_i,…,P_n，其中n为主成分变量个数，每一个主成分变量表达式为：

其中，k_ij为各个设备相关变量前系数，j为1至m的整数，

通过主成分分析，得到各个主成分变量方差对设备相关变量整体方差的贡献率大小，将其逐次递减排列，选取其中贡献最大的三个主成分变量，分别命名为PC₁、PC₂和PC₃，

Var(PC₁)≥Var(PC₂)≥...≥Var(PC_n)

其中Var表示对设备相关变量整体方差贡献的大小；

3)对三个主成分变量PC₁、PC₂和PC₃进行标准化处理，使PC₁、PC₂和PC₃三个变量均成为服从N～(0,1)的正态分布。对标准化后的PC₁、PC₂和PC₃进行基于密度的聚类分析，具体采用DBSCAN(Density-Based Spatial Clustering of Applications with Noise)方法。

进行DBSCAN方法，先根据全体数据集的情况，设定ε邻域，其中ε表示扫描半径；再设定最小包含点数MinPts，若给定数据点的ε邻域内的样本点数大于MinPts，则称该点为核心点；再者若存在点B，使得B在某核心点A的ε邻域内，则称B从A直接密度可达；若存在点A、B、C，B从A直接密度可达，C从B直接密度可达，则称C从A密度可达；若存在点C，点C从点A或点B都密度可达，则称点A与B密度相连。

在全体数据集中，找到任意一个核心点，找出核心点出发所有可以密度相连的点；遍历核心点ε邻域内的所有核心点，并寻找这些核心点所有可以密度相连的点，直到没有可以扩充的点为止，最终可以得到不同的聚类簇边界，形成不同的聚类簇。

利用DBSCAN方法，结合大数据分析平台，就可以将设备的三个主成分变量PC₁、PC₂和PC₃聚类到不同的三维聚类簇中，所形成的不同聚类簇就代表着设备正常运行工况的聚类簇，

通过对设备相关变的实时数据进行上述的主成分分析，得到设备贡献最大的主成分变量PC₁、PC₂和PC₃的实时值，判断其是否属于设备正常运行工况的聚类簇，可以进行实时设备运行状态的监测，若属于，则设备在正常工况运行，若不属于，则设备发生故障，效果如图4所示。

上述的火电设备包括各级回热加热器、各级抽汽管道、各级汽轮机级组、给水泵和凝汽器。当火电设备为各级回热加热器时，设备相关变量为：抽汽温度、加热器进汽压力、上级疏水温度、给水入口温度、负荷、给水压力、主给水流量、疏水温度和给水出口温度。当火电设备为各级抽汽管道时，设备相关变量为：抽汽进口温度、抽汽进口压力、负荷、主给水流量、抽汽出口压力。当火电设备为各级汽轮机级组时，设备相关变量为：级组进口温度、级组进口压力、负荷、主汽流量、主汽压力、主汽温度、凝汽器背压、级组出口压力、级组出口温度。当火电设备为给水泵时，设备相关变量为：给水泵入口压力、给水泵入口温度、再热减温水流量、再热减温水压力、给水泵转速及电流、负荷、给水压力、主给水流量、给水泵出口压力。当火电设备为凝汽器时，设备相关变量为：低压缸进汽温度、低压缸进汽压力、负荷、主汽流量、主汽温度、主汽压力、凝汽器真空、低压缸排汽温度。

实施例1：

下面以一个330MW火电机组为例，对火电设备中2号回热加热器进行大数据分析性能监测。

1)利用取得的火电设备健康运行数据，进行相关关系分析，计算设备得到关于2号加热器的相关系数矩阵，如图2所示，依此选取2号加热器的相关变量，如表1所示，随后分别进行相应的主成分分析、DBSCAN聚类分析方法与大数据分析性能监测；

表1 2号高压加热器相关变量

2)利用主成分分析的方法对以上相关变量进主成分变量选取，依据表2得到用于解释2号加热器变量空间的三个主成分变量PC₁、PC₂和PC₃。

表2 主成分分析后的主成分变量构成

3)此后，利用三个主成分组成的空间进行采用DBSCAN方法进行基于密度的聚类分析，在DBSCAN方法中，根据2号加热器的实际问题及数据集的大小设置MinPts为10，根据2号加热器的实际问题将ε设定为1(代表一倍标准差)。进而得到了两个2号加热器正常运行状态的聚类簇，如图3所示；

4)通过判断任意实时运行工况是否属于以上正常运行工况的聚类簇，实现实时设备运行状态的监测，如图4所示，两处圈出的点表示超出了图3正常工况的聚类簇，经验证，这些工况代表了加热器性能退化或故障的工况；

以上实验结果证明，基于大数据分析的火电设备性能监测能够通过数据得到实时且准确的监测结果。

Claims (7)

1.一种基于大数据分析挖掘的火电设备性能监测方法，其特征是该方法包括以下步骤：

1)从火力发电机组实时信息监控与管理系统中获取一段时间的历史健康运行数据，计算测量变量间的两两相关系数，得到相关系数矩阵，根据相关系数矩阵选取与目标设备温度、压力和流量相关系数高的变量作为设备相关变量X₁,X₂,…,X_m；

其中，m为设备相关变量个数，

2)对设备相关变量进行主成分分析，得到一组主成分变量P₁,P₂,…,P_i,…,P_n，其中n为主成分变量个数，每一个主成分变量表达式为：

$P_i={\mathrm{\Σ}}_{j=1}^m{k}_{ij}{X}_j$

其中，k_ij为各个设备相关变量前系数，j为1至m的整数，

通过主成分分析，得到各个主成分变量方差对设备相关变量整体方差的贡献率大小，将其逐次递减排列，选取其中贡献最大的三个主成分变量，分别命名为PC₁、PC₂和PC₃，

Var(PC₁)≥Var(PC₂)≥...≥Var(PC_n)

其中Var表示对设备相关变量整体方差贡献的大小；

3)对三个主成分变量PC₁、PC₂和PC₃进行标准化处理，使PC₁、PC₂和PC₃均服从标准正态分布；对标准化后的PC₁、PC₂和PC₃进行基于密度的聚类分析；

利用基于密度的聚类分析方法，结合大数据分析平台，将设备的三个主成分变量PC₁、PC₂和PC₃聚类到不同的三维聚类簇中，所形成的不同聚类簇就代表着设备正常运行工况的聚类簇；

通过对设备相关变量的实时数据进行上述的主成分分析，得到三个最大的主成分变量PC₁、PC₂和PC₃的实时值，判断其是否属于设备正常运行工况的聚类簇，然后进行实时设备运行状态的监测，若属于，则设备在正常工况运行，若不属于，则设备发生故障。

2.根据权利要求1所述的一种基于大数据分析挖掘的火电设备性能监测方法，其特征在于：所述的火电设备包括各级回热加热器、各级抽汽管道、各级汽轮机级组、给水泵和凝汽器。

3.根据权利要求2所述的一种基于大数据分析挖掘的火电设备性能监测方法，其特征在于，当火电设备为各级回热加热器时，设备相关变量为：抽汽温度、加热器进汽压力、上级疏水温度、给水入口温度、负荷、给水压力、主给水流量、疏水温度和给水出口温度。

4.根据权利要求2所述的一种基于大数据分析挖掘的火电设备性能监测方法，其特征在于，当火电设备为各级抽汽管道时，设备相关变量为：抽汽进口温度、抽汽进口压力、负荷、主给水流量和抽汽出口压力。

5.根据权利要求2所述的一种基于大数据分析挖掘的火电设备性能监测方法，其特征在于，当火电设备为各级汽轮机级组时，设备相关变量为：级组进口温度、级组进口压力、负荷、主汽流量、主汽压力、主汽温度、凝汽器背压、级组出口压力和级组出口温度。

6.根据权利要求2所述的一种基于大数据分析挖掘的火电设备性能监测方法，其特征在于，当火电设备为给水泵时，设备相关变量为：给水泵入口压力、给水泵入口温度、再热减温水流量、再热减温水压力、给水泵转速及电流、负荷、给水压力、主给水流量和给水泵出口压力。

7.根据权利要求2所述的一种基于大数据分析挖掘的火电设备性能监测方法，其特征在于，当火电设备为凝汽器时，设备相关变量为：低压缸进汽温度、低压缸进汽压力、负荷、主汽流量、主汽温度、主汽压力、凝汽器真空和低压缸排汽温度。