CN108445865B - 一种用于火电机组主辅设备动态报警的方法及系统 - Google Patents
一种用于火电机组主辅设备动态报警的方法及系统 Download PDFInfo
- Publication number
- CN108445865B CN108445865B CN201810189108.8A CN201810189108A CN108445865B CN 108445865 B CN108445865 B CN 108445865B CN 201810189108 A CN201810189108 A CN 201810189108A CN 108445865 B CN108445865 B CN 108445865B
- Authority
- CN
- China
- Prior art keywords
- unit
- thermal power
- main
- lower limit
- auxiliary equipment
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0267—Fault communication, e.g. human machine interface [HMI]
- G05B23/027—Alarm generation, e.g. communication protocol; Forms of alarm
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本申请公开了一种用于火电机组主辅设备动态报警的方法及系统,涉及电力系统领域,通过火电机组主辅设备的输入变量和待监测变量,构建证据库,证据库能够反映火电机组主辅设备的运行状态,通过计算得到的火电机组主辅设备的动态上下限值及实时上下限值,通过报警模块对动态上下限值和实时上下限值进行判断,判断实时动态上下限值是否落入动态上下限值的范围内,从而达到对火电机组主辅设备实时运行状态进行监测并进行报警的目的,报警可信度高、能够在参数异常变化的第一时间内发出报警。
Description
技术领域
本申请涉及电力系统领域,尤其涉及一种用于火电机组主辅设备动态报警的方法及系统。
背景技术
火电机组主辅设备是用于火电厂的设备,火电机组主辅设备包括锅炉、汽轮机、发电机、给水泵等,其作用是完成从热能到机械能再到电能的转换过程。火电机组主辅设备间的耦合性和复杂性决定了火电厂是一个高故障率和故障危害性很大的生产场所,因此,需要对火电机组主辅设备的运行参数进行监测和报警,以此来判断火电机组主辅设备是否存在异常。
目前火电机组主辅设备运行参数的监测和报警主要依赖DCS系统实现。DCS系统是由传感器与操作机构组成,目前在全国各火电厂中有着广泛的应用。DCS系统的报警原理如下:对火电机组主辅设备的某一运行参数设置一个或多个固定的上限和下限,当参数实际值超过设定的上(下)限时,在DCS系统上发出报警,提醒运行人员。
但是,当设置值与实际值偏差较小时,可能会导致频繁报警,报警的可信度降低;当设置值与实际值偏差较大时,不能在参数异常变化的第一时间内发出报警,报警的及时性得不到保证。
发明内容
本申请提供了一种用于火电机组主辅设备动态报警的方法及系统,以解决DCS系统报警可信度低、不能在参数异常变化的第一时间内发出报警的问题。
第一方面,本申请提供了一种用于火电机组主辅设备动态报警的方法,包括:
步骤S1,获取火电机组主辅设备的输入变量和待监测变量,构建样本集;
步骤S2,将样本集进行归一化处理,构建证据库;
步骤S3,通过证据库,计算得到火电机组主辅设备的动态上下限值;
步骤S4,通过证据库,获取结构参数,计算得到火电机组主辅设备的实时动态上下限值;
步骤S5,判断实时动态上下限值是否落入动态上下限值的范围内,如果实时动态上下限值落入动态上下限值的范围内,则不报警,反之,则报警。
优选的,所述获取火电机组主辅设备的输入变量和待监测变量,构建样本集包括:
步骤S11,获取火电机组主辅设备的待监测变量和与待监测变量相关的输入变量;
步骤S12,根据预处理技术,校验待监测变量和输入变量,将待监测变量和输入变量中的缺失值筛除,得到预处理数据;
步骤S13,根据方差筛选法,对预处理数据进行稳态提取,得到预处理稳态数据;
步骤S14,将预处理稳态数据构建成样本集。
优选的,所述通过证据库,计算得到火电机组主辅设备的动态上下限值包括:
步骤S31,通过证据库,根据距离度量准则,将证据库中的证据折现,得到预处理证据库;
步骤S32,通过预处理证据库,根据KNN近邻原则和证据融合,得到待监测变量的密度概率分布;
步骤S33,通过待监测变量的密度概率分布,计算得到火电机组主辅设备的动态上下限值。
优选的,所述通过证据库,获取结构参数,计算得到火电机组主辅设备的实时动态上下限值包括:
步骤S41,通过证据库,获取结构参数;
步骤S41,根据留一法,筛选出结构参数的最优值;
步骤S42,通过结构参数的最优值,根据证据回归法,计算得到火电机组主辅设备的实时动态上下限值。
第二方面,本申请还提供了一种用于火电机组主辅设备动态报警的系统,包括:获取模块、构建模块、第一计算模块、第二计算模块和报警模块,其中,
所述获取模块、所述构建模块、所述第一计算模块、所述第二计算模块和所述报警模块依次连接;
所述获取模块,用于获取火电机组主辅设备的输入变量和待监测变量,将输入变量和待监测变量构建成样本集;
所述构建模块,用于将样本集构建成证据库;
所述第一计算模块,用于计算火电机组主辅设备的动态上下限值;
所述第二计算模块,用于计算火电机组主辅设备的实时上下限值;
所述报警模块,用于判断实时动态上下限值是否落入动态上下限值的范围内,如果实时动态上下限值落入动态上下限值的范围内,则不报警,反之,则报警。
优选的,所述获取模块包括获取单元、校验单元、筛选单元和构建单元,其中,
所述获取单元、所述校验单元、所述筛选单元和所述构建单元依次连接;
所述获取单元,用于获取火电机组主辅设备的待监测变量和与待监测变量相关的输入变量;
所述校验单元,用于校验待监测变量和输入变量;
所述筛选单元,用于筛选预处理数据;
所述构建单元,用于将预处理稳态数据构建成样本集。
优选的是,所述第一计算模块包括折现单元、密度概率分布计算单元和动态上下限值计算单元,其中,
所述折现单元、所述密度概率分布计算单元和所述动态上下限值计算单元依次连接;
所述折现单元,用于将证据库中的证据折现;
所述密度概率分布计算单元,用于计算出待监测变量的密度概率分布;
所述动态上下限值计算单元,用于计算出火电机组主辅设备的动态上下限值。
优选的是,所述第二计算模块包括参数获取单元、参数筛选单元和实时上下限值计算单元,其中,
所述参数获取单元、所述参数筛选单元和所述实时上下限值计算单元依次连接;
所述参数获取单元,用于获取结构参数;
所述参数筛选单元,用于筛选出结构参数的最优值;
所述实时上下限值计算单元,用于计算出火电机组主辅设备的实时上下限值。
由以上技术方案可知,本申请提供了一种用于火电机组主辅设备动态报警的方法及系统,通过火电机组主辅设备的输入变量和待监测变量,构建证据库,证据库能够反映火电机组主辅设备的运行状态,通过计算得到的火电机组主辅设备的动态上下限值及实时上下限值,通过报警模块对动态上下限值和实时上下限值进行判断,判断实时动态上下限值是否落入动态上下限值的范围内,从而达到对火电机组主辅设备实时运行状态进行监测并进行报警的目的,报警可信度高、能够在参数异常变化的第一时间内发出报警。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请一种用于火电机组主辅设备动态报警的方法的流程图;
图2为本申请一种用于火电机组主辅设备动态报警的方法的流程图;
图3为本申请一种用于火电机组主辅设备动态报警的方法的待测样本点的累计概率分布及上下限示意图;
图4为本申请一种用于火电机组主辅设备动态报警的方法的部分时段实时数据的真实值与动态上下限变化图;
图5为本申请一种用于火电机组主辅设备动态报警的系统的结构示意图;
图6为本申请一种用于火电机组主辅设备动态报警的系统的获取模块的结构示意图;
图7为本申请一种用于火电机组主辅设备动态报警的系统的第一计算模块的结构示意图;
图8为本申请一种用于火电机组主辅设备动态报警的系统的第二计算模块的结构示意图。
具体实施方式
下面结合本申请中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本申请,但是本申请还可以采用其他不同于再次描述的其他方式来实施,本领域技术人员可以在不违背本申请内涵的情况下做类似推广,因此本申请不受下面公开的具体实施例的限制。
参见图1,为本申请一种用于火电机组主辅设备动态报警的方法的流程图,本申请的一实施例提供一种用于火电机组主辅设备动态报警的方法包括:
步骤S11,获取火电机组主辅设备的输入变量xi和待监测变量yi,构建样本集(xi,yi)。
获取火电机组主辅设备的输入变量xi和待监测变量yi,构建样本集(xi,yi),上述获取的样本集(xi,yi)的要求为:样本集(xi,yi)必须包含火电机组主辅设备正常运行状态下的所有监测参数动态变化过程;针对火力发电厂,必须包含火电机组主辅设备各个典型负荷状态下的监测参数变化过程;样本集(xi,yi)的状态不能包含故障状态,必须全部为能够表征系统正常运行状态的参数。
由上述要求构建出的样本集(xi,yi)包含的数据完整并且准确。
步骤S12,将样本集(xi,yi)进行归一化处理,构建证据库。
将上述样本集(xi,yi)中各变量值域标准化至[0,1],归一化处理后,各变量在数值上具有可比性,不会受到变量量纲及性质的影响。
将样本集(xi,yi)进行归一化处理后,按照如下公式将样本集(xi,yi)转换为一般的证据表征形式,这是为了使数据能够进行后续处理:
当待监测变量yi为样本集的点数值时,模糊证据mi中所有模糊焦元退化为该点数值、且所有质量分配到该点上。
当待监测变量yi为区间数时,模糊证据mi中所有模糊焦元替换成该区间、且所有质量分配到该区间上。
当待监测变量yi为单仪表测量、包含测量标准差的模糊样本时,模糊证据mi中只有一个模糊焦元,并且所有质量分配到该模糊焦元上。
当待监测变量yi为多仪表测量、包含测量标准差的模糊样本时,模糊证据mi中有多个模糊焦元、且所有质量按照每个仪表的可靠性分配到对应的模糊焦元上。
将样本集(xi,yi)进行归一化处理后,针对某样本(xi,yi)可以直接构建(xi,mi),其中模糊证据mi为:
其中,Ω表示待监测变量yi所有可能的取值、pi表示该样本的可靠度。
基于上述过程,对证据进行构建,即可得到证据库TR={(xi,mi),i=1,2,...,n}。
步骤S13,通过证据库,计算得到火电机组主辅设备的动态上下限值。
步骤S14,通过证据库,获取结构参数,计算得到火电机组主辅设备的实时动态上下限值。
步骤S15,判断实时动态上下限值是否落入动态上下限值的范围内,如果实时动态上下限值落入动态上下限值的范围内,则不报警,反之,则报警。
由以上技术方案可知,本申请提供了一种用于火电机组主辅设备动态报警的方法及系统,通过火电机组主辅设备的输入变量和待监测变量,构建证据库,证据库能够反映火电机组主辅设备的运行状态,通过计算得到的火电机组主辅设备的动态上下限值及实时上下限值,通过报警模块对动态上下限值和实时上下限值进行判断,判断实时动态上下限值是否落入动态上下限值的范围内,从而达到对火电机组主辅设备实时运行状态进行监测并进行报警的目的,报警可信度高、能够在参数异常变化的第一时间内发出报警。
参见图2,为本申请一种用于火电机组主辅设备动态报警的方法的流程图,本申请的另一实施例提供一种用于火电机组主辅设备动态报警的方法包括:
步骤21,获取火电机组主辅设备的待监测变量和与待监测变量相关的输入变量,构建样本集。
步骤22,根据预处理技术,校验待监测变量和输入变量,将待监测变量和输入变量中的缺失值筛除,得到预处理数据。
步骤23,根据方差筛选法,对预处理数据进行稳态提取,得到预处理稳态数据。
步骤24,将预处理稳态数据构建成样本集。
步骤25,将样本集进行归一化处理,构建证据库。
步骤26,通过证据库,根据距离度量准则,将证据库中的证据折现,得到预处理证据库。
对于证据库,每个样本提供一个模糊证据反映待监测变量yi的可能取值,而该样本也同时提供了一条反映yi的可能取值的证据,记为my(x,yi),my(x,yi)定义为:
式中,yj表示根据my(x,yi)可得的待监测变量yi的所有可能取值、φ(||x-xi||)表示根据距离度量准则进行的有用信息的折现、1-φ(||x-xi||)表示无用信息。
步骤27,通过预处理证据库,根据KNN近邻原则和证据融合,得到待监测变量的密度概率分布。
基于折现后的证据库,根据KNN近邻原则选择出提供有用信息较多的k个证据,通过证据融合确定待监测变量yi的密度概率分布。
为得到一个最终的模糊证据mi,用于反映输入条件为x的条件下y的可能取值上下限,那么必须对证据库中的每个样本所提供的模糊证据mi进行融合。利用证据融合方法,记对应于模糊证据my(x,yi)的离散化证据为:
式中,m1(B)、m1(C)、B、C均表示焦元。
采用KNN近邻法,只对距离最近的k个证据进行融合:
根据标准化证据my(x,TR),可得到待监测变量y取值的密度概率分布函数Betp(x,TR)(y):
步骤28,通过待监测变量的密度概率分布,计算得到火电机组主辅设备的动态上下限值。
根据待监测变量yi取值的密度概率分布函数Betp(x,TR)(y),按照如下公式进而可计算其累计概率分布函数CDF(y),则可计算待监测变量y的动态上下限[y*,y*]:
式中,α表示置信度区间、CDF(y*)表示火电机组主辅设备的动态上限值、CDF(y*)表示火电机组主辅设备的动态下限值。
步骤29,通过证据库,获取结构参数。
步骤210,根据留一法,筛选出结构参数的最优值。
根据证据距离度量,按照如下公式计算得到两个证据之间的差值:
式中,m1、m2表示两个模糊证据mi的离散化证据;
对于样本集中的每个样本,用余下的样本集作为训练集对该样本进行预测;将所有样本的预测误差和的平均值作为总体误差,按照如下公式计算得到优化指标:
式中,Ω-i表示余下的样本集。
步骤211,通过结构参数的最优值,根据证据回归法,计算得到火电机组主辅设备的实时动态上下限值。
步骤212,判断实时动态上下限值是否落入动态上下限值的范围内,如果实时动态上下限值落入动态上下限值的范围内,则不报警,反之,则报警。
以下是某火电机组的#2号高加的上端差动态上下限为例:
步骤一,从电厂采集系统中提取#2高压加热器的过去40天的历史运行数据,其中选取的与加热器端差有关的变量包括机组功率、抽汽压力、抽汽温度、疏水温度、进口水温,加上待监测变量上端差,共59041条数据。
采取数据预处理技术,对特征数据清洗,处理掉数据当中的缺失值、筛除离群点、进行稳态提取,最终得到的典型样本集为1905条。
各变量的取值范围分别为:机组功率:170.0~274.2MW,疏水水温:203.0~294.4℃,抽汽压力:1.47~2.75MPa,进水温度:169.7~195.4℃,端差:-2.4~5℃。对该样本集进行归一化,进而转化为更为一般的证据表征形式,即对于对每一条样本{xi,yi}转化为证据形式{xi,mi},其中mi为:
Ω为上端差的识别框架,可以取作训练样本集中上端差的最小值与最大值之间的均匀分布U(-2.4,5)。
步骤二,针对实时数据(x,y),依据距离度量准则对系统的训练证据集TR进行证据折现和证据融合,在本例中每一个质量函数mi的形式只有一个焦元yi,标准化融合证据计算结果为:
其中,
递减函数φ(·)采用如下:
φ(d)=θexp(-γd2)
式(4)中θ值设定为0.95,γ初始值设定为0.5。距离度量||·||在本例中采用欧氏距离形式:
||x-xi||2=||x-xi||T||x-xi||
步骤三,根据标准化证据my(x,TR),可得到待监测变量y取值的密度概率分布函数Betp(x,TR)(y):
步骤四,根据待监测变量y取值的密度概率分布Betp(x,TR)(y),可求得累计概率分布CDF(y),设定置信度区间为0.9,则可计算待监测变量y的动态上下限[y*,y*]。其中y的上限y*与下限y*为:
CDF(y*)=0.05
CDF(y*)=0.95
[y*,y*]区间是指累计概率密度在0.05~0.95内的端差区间,其大小反映的是预测输出的不确定性大小,它的确定过程完全是基于训练样本信息的。
步骤五,端差回归模型结构参数的辨识与寻优。如果每一个质量函数mi的形式只有一个焦元yi,则此时端差的期望值的计算结果为
模型结构参数的辨识一般依赖于误差度量,本例中我们采用端差期望值与回归值最小的方法,
以待测状态点x=[238.6,2.81,312.1,192.9,217.5]为例,经过寻优参数γ=11.1614,计算x与证据库TR中各典型状态点之间的欧式距离,找到证据库中与x距离最近的20个状态点分别为x1459,x1381,x1571,x1487,x1567,x1461,x1436,x1498,x1547,x1597,x1549,x1385,x1624,x1561,x1631,x1482,x1529,x1483,x1331,x1578,经过证据折现计算后的证据为:
x1459=[239.2,2.81,312.2,193.7,217.9],m1459=[m(-0.817)=0.8698,m(Ω)=0.1302]
x1381=[237.0,2.81,310.9,193.1,217.3],m1381=[m(-1.352)=0.8647,m(Ω)=0.1352]
x1571=[241.5,2.81,311.6,193.2,217.5],m1571=[m(-1.201)=0.8419,m(Ω)=0.1580]
x1487=[239.6,2.82,311.2,193.7,217.6],m1487=[m(-1.373)=0.8220,m(Ω)=0.1779]
x1567=[241.3,2.82,311.8,193.4,217.7],m1567=[m(-1.327)=0.8151,m(Ω)=0.1848]
x1461=[239.2,2.79,311.3,194.0,217.2],m1461=[m(-1.068)=0.7948,m(Ω)=0.2051]
x1436=[238.6,2.81,311.4,194.1,217.5],m1436=[m(-1.132)=0.7888,m(Ω)=0.2111]
x1498=[239.8,2.83,313.6,193.4,217.6],m1498=[m(-1.568)=0.7763,m(Ω)=0.2236]
x1547=[240.8,2.77,311.3,193.6,217.0],m1547=[m(-0.859)=0.7416,m(Ω)=0.2583]
x1597=[242.5,2.81,312.0,193.5,217.0],m1597=[m(-1.630)=0.7351,m(Ω)=0.2648]
x1549=[240.9,2.79,313.1,193.9,217.0],m1549=[m(-1.304)=0.7240,m(Ω)=0.2759]
x1385=[237.2,2.77,313.1,193.1,216.7],m1385=[m(-0.956)=0.7183,m(Ω)=0.2816]
x1624=[243.0,2.81,312.0,193.6,217.2],m1624=[m(-1.524)=0.7000,m(Ω)=0.2999]
x1561=[241.2,2.79,313.9,193.7,217.5],m1561=[m(-0.897)=0.6898,m(Ω)=0.3101]
x1631=[243.1,2.81,312.3,193.8,217.5],m1631=[m(-1.322)=0.6756,m(Ω)=0.3243]
x1482=[239.5,2.79,314.4,192.5,217.0],m1482=[m(-1.291)=0.6751,m(Ω)=0.3248]
x1529=[240.4,2.79,314.2,193.7,217.4],m1529=[m(-0.955)=0.6744,m(Ω)=0.3255]
x1483=[238.7,2.82,309.6,193.3,217.2],m1483=[m(-1.688)=0.6742,m(Ω)=0.3258]
x1331=[235.4,2.81,313.3,192.9,216.4],m1331=[m(-2.284)=0.6684,m(Ω)=0.3315]
x1578=[241.7,2.82,313.9,193.5,217.0],m1578=[m(-1.967)=0.6525,m(Ω)=0.3474]
通过证据融合,融合出的对应待测状态点x=[238.6,2.81,312.1,192.9,217.5]的端差的证据表示为:
my=[m(-2.284)=0.0300,m(-1.967)=0.0280,m(-1.688)=0.0308,m(-1.630)=0.0414,m(-1.568)=0.0517,m(-1.524)=0.0348,m(-1.373)=0.0688,m(-1.352)=0.0953,m(-1.327)=0.0657,m(-1.322)=0.0311,m(-1.304)=0.0391,m(-1.291)=0.0310,m(-1.201)=0.0794,m(-1.132)=0.0557,m(-1.066)=0.0577,m(-0.956)=0.0380,m(-0.955)=0.0309,m(-0.897)=0.0331,m(-0.859)=0.0428,m(-0.817)=0.0996,m(Ω)=0.0149]。
由此证据可计算该待测点端差的累计概率分布(见附图3),最终可计算的该输入条件下的上下限为[-2.284,-0.817]℃,该测点端差的实测值为-1.100℃,处于预测上下限内,无需进行报警。对共400个连续采集的实时待测点进行上述过程的计算,可分别计算出对应的动态上下限,结果见附图4,对于这一段正常数据,其实际值绝大多数位于计算的上下限内。
参见图5,为本申请一种用于火电机组主辅设备动态报警的系统,包括:获取模块、构建模块、第一计算模块、第二计算模块和报警模块,其中,
所述获取模块、所述构建模块、所述第一计算模块、所述第二计算模块和所述报警模块依次连接。
所述获取模块,用于获取火电机组主辅设备的输入变量和待监测变量,将输入变量和待监测变量构建成样本集。
所述构建模块,用于将样本集构建成证据库。
所述第一计算模块,用于计算火电机组主辅设备的动态上下限值。
所述第二计算模块,用于计算火电机组主辅设备的实时上下限值。
所述报警模块,用于判断实时动态上下限值是否落入动态上下限值的范围内,如果实时动态上下限值落入动态上下限值的范围内,则不报警,反之,则报警。
优选的是,参见图6,所述获取模块包括获取单元、校验单元、筛选单元和构建单元,其中,
所述获取单元、所述校验单元、所述筛选单元和所述构建单元依次连接。
所述获取单元,用于获取火电机组主辅设备的待监测变量和与待监测变量相关的输入变量。
所述校验单元,用于校验待监测变量和输入变量。
所述筛选单元,用于筛选预处理数据。
所述构建单元,用于将预处理稳态数据构建成样本集。
优选的是,参见图7,所述第一计算模块包括折现单元、密度概率分布计算单元和动态上下限值计算单元,其中,
所述折现单元、所述密度概率分布计算单元和所述动态上下限值计算单元依次连接。
所述折现单元,用于将证据库中的证据折现。
所述密度概率分布计算单元,用于计算出待监测变量的密度概率分布。
所述动态上下限值计算单元,用于计算出火电机组主辅设备的动态上下限值。
优选的是,所述第二计算模块包括参数获取单元、参数筛选单元和实时上下限值计算单元,其中,
所述参数获取单元、所述参数筛选单元和所述实时上下限值计算单元依次连接。
所述参数获取单元,用于获取结构参数。
所述参数筛选单元,用于筛选出结构参数的最优值。
所述实时上下限值计算单元,用于计算出火电机组主辅设备的实时上下限值。
由以上技术方案可知,本申请提供了一种用于火电机组主辅设备动态报警的方法及系统,通过火电机组主辅设备的输入变量和待监测变量,构建证据库,证据库能够反映火电机组主辅设备的运行状态,通过计算得到的火电机组主辅设备的动态上下限值及实时上下限值,通过报警模块对动态上下限值和实时上下限值进行判断,判断实时动态上下限值是否落入动态上下限值的范围内,从而达到对火电机组主辅设备实时运行状态进行监测并进行报警的目的,报警可信度高、能够在参数异常变化的第一时间内发出报警。
以上仅是本申请的具体实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (8)
1.一种用于火电机组主辅设备动态报警的方法,其特征在于,所述方法包括:
步骤S1,获取火电机组主辅设备的输入变量和待监测变量,构建样本集;
样本集中包括火电机组主辅设备正常运行状态下的所有监测参数动态变化值、火电机组主辅设备各个典型负荷状态下的监测参数变化过程;
样本集中的参数为表征系统正常运行状态的参数,选取参数为与加热器端差有关的变量,包括机组功率、抽汽压力、抽汽温度、疏水温度、进口水温,以及待监测变量的上端差;
步骤S2,将样本集进行归一化处理,构建证据库;
步骤S3,通过证据库,计算得到火电机组主辅设备的动态上下限值;
步骤S4,通过证据库,获取结构参数,计算得到火电机组主辅设备的实时动态上下限值;
步骤S5,判断实时动态上下限值是否落入动态上下限值的范围内,如果实时动态上下限值落入动态上下限值的范围内,则不报警,反之,则报警。
2.如权利要求1所述的方法,其特征在于,所述获取火电机组主辅设备的输入变量和待监测变量,构建样本集包括:
步骤S11,获取火电机组主辅设备的待监测变量和与待监测变量相关的输入变量;
步骤S12,根据预处理技术,校验待监测变量和输入变量,将待监测变量和输入变量中的缺失值筛除,得到预处理数据;
步骤S13,根据方差筛选法,对预处理数据进行稳态提取,得到预处理稳态数据;
步骤S14,将预处理稳态数据构建成样本集。
3.如权利要求1所述的方法,其特征在于,所述通过证据库,计算得到火电机组主辅设备的动态上下限值包括:
步骤S31,通过证据库,根据距离度量准则,将证据库中的证据折现,得到预处理证据库;
步骤S32,通过预处理证据库,根据KNN近邻原则和证据融合,得到待监测变量的密度概率分布;
步骤S33,通过待监测变量的密度概率分布,计算得到火电机组主辅设备的动态上下限值。
4.如权利要求1所述的方法,其特征在于,所述通过证据库,获取结构参数,计算得到火电机组主辅设备的实时动态上下限值包括:
步骤S41,通过证据库,获取结构参数;
步骤S41,根据留一法,筛选出结构参数的最优值;
步骤S42,通过结构参数的最优值,根据证据回归法,计算得到火电机组主辅设备的实时动态上下限值。
5.一种用于火电机组主辅设备动态报警的系统,其特征在于,所述系统包括获取模块、构建模块、第一计算模块、第二计算模块和报警模块,其中,
所述获取模块、所述构建模块、所述第一计算模块、所述第二计算模块和所述报警模块依次连接;
所述获取模块,用于获取火电机组主辅设备的输入变量和待监测变量,将输入变量和待监测变量构建成样本集,样本集中包括火电机组主辅设备正常运行状态下的所有监测参数动态变化值、火电机组主辅设备各个典型负荷状态下的监测参数变化过程,样本集中的参数为表征系统正常运行状态的参数,选取参数为与加热器端差有关的变量,包括机组功率、抽汽压力、抽汽温度、疏水温度、进口水温,以及待监测变量的上端差;
所述构建模块,用于将样本集构建成证据库;
所述第一计算模块,用于计算火电机组主辅设备的动态上下限值;
所述第二计算模块,用于计算火电机组主辅设备的实时上下限值;
所述报警模块,用于判断实时动态上下限值是否落入动态上下限值的范围内,如果实时动态上下限值落入动态上下限值的范围内,则不报警,反之,则报警。
6.如权利要求5所述的系统,其特征在于,所述获取模块包括获取单元、校验单元、筛选单元和构建单元,其中,
所述获取单元、所述校验单元、所述筛选单元和所述构建单元依次连接;
所述获取单元,用于获取火电机组主辅设备的待监测变量和与待监测变量相关的输入变量;
所述校验单元,用于校验待监测变量和输入变量;
所述筛选单元,用于筛选预处理数据;
所述构建单元,用于将预处理稳态数据构建成样本集。
7.如权利要求5所述的系统,其特征在于,所述第一计算模块包括折现单元、密度概率分布计算单元和动态上下限值计算单元,其中,
所述折现单元、所述密度概率分布计算单元和所述动态上下限值计算单元依次连接;
所述折现单元,用于将证据库中的证据折现;
所述密度概率分布计算单元,用于计算出待监测变量的密度概率分布;
所述动态上下限值计算单元,用于计算出火电机组主辅设备的动态上下限值。
8.如权利要求5所述的系统,其特征在于,所述第二计算模块包括参数获取单元、参数筛选单元和实时上下限值计算单元,其中,
所述参数获取单元、所述参数筛选单元和所述实时上下限值计算单元依次连接;
所述参数获取单元,用于获取结构参数;
所述参数筛选单元,用于筛选出结构参数的最优值;
所述实时上下限值计算单元,用于计算出火电机组主辅设备的实时上下限值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810189108.8A CN108445865B (zh) | 2018-03-08 | 2018-03-08 | 一种用于火电机组主辅设备动态报警的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810189108.8A CN108445865B (zh) | 2018-03-08 | 2018-03-08 | 一种用于火电机组主辅设备动态报警的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108445865A CN108445865A (zh) | 2018-08-24 |
CN108445865B true CN108445865B (zh) | 2021-04-30 |
Family
ID=63193797
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810189108.8A Active CN108445865B (zh) | 2018-03-08 | 2018-03-08 | 一种用于火电机组主辅设备动态报警的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108445865B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3627263B8 (en) | 2018-09-24 | 2021-11-17 | ABB Schweiz AG | System and methods monitoring the technical status of technical equipment |
CN109325294B (zh) * | 2018-09-25 | 2023-08-11 | 云南电网有限责任公司电力科学研究院 | 一种火电机组空气预热器性能状态的证据表征构建方法 |
CN111191881B (zh) * | 2019-12-13 | 2024-05-14 | 大唐东北电力试验研究院有限公司 | 一种基于大数据的火电机组工业设备状态监测方法 |
CN113048807B (zh) * | 2021-03-15 | 2022-07-26 | 太原理工大学 | 一种空冷机组背压异常检测方法 |
CN115309129A (zh) * | 2022-10-11 | 2022-11-08 | 华电电力科学研究院有限公司 | 一种scr脱硝效能自动寻优调控方法和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102636991A (zh) * | 2012-04-18 | 2012-08-15 | 国电科学技术研究院 | 一种基于模糊集关联规则的火电机组运行参数优化方法 |
CN104808648A (zh) * | 2015-03-09 | 2015-07-29 | 杭州电子科技大学 | 一种基于k近邻的批次过程在线实时监测方法 |
CN106371427A (zh) * | 2016-10-28 | 2017-02-01 | 浙江大学 | 基于层次分析法和模糊融合的工业过程故障分类方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292339B (zh) * | 2017-06-16 | 2020-07-21 | 重庆大学 | 基于特征融合的无人机低空遥感影像高分地貌分类方法 |
-
2018
- 2018-03-08 CN CN201810189108.8A patent/CN108445865B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102636991A (zh) * | 2012-04-18 | 2012-08-15 | 国电科学技术研究院 | 一种基于模糊集关联规则的火电机组运行参数优化方法 |
CN104808648A (zh) * | 2015-03-09 | 2015-07-29 | 杭州电子科技大学 | 一种基于k近邻的批次过程在线实时监测方法 |
CN106371427A (zh) * | 2016-10-28 | 2017-02-01 | 浙江大学 | 基于层次分析法和模糊融合的工业过程故障分类方法 |
Non-Patent Citations (1)
Title |
---|
模糊聚类与k-NN法大型发电设备状态预警模型;宋美微;《工业加热》;20161230;正文第42-44、57页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108445865A (zh) | 2018-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108445865B (zh) | 一种用于火电机组主辅设备动态报警的方法及系统 | |
JP4856396B2 (ja) | タービン機械システム及びこれに類するものに対する統一品質評価を作成し、自動故障診断ツールを提供するための方法 | |
Palau et al. | Burst detection in water networks using principal component analysis | |
US6181975B1 (en) | Industrial process surveillance system | |
EP2478423A1 (en) | Supervised fault learning using rule-generated samples for machine condition monitoring | |
US11668536B2 (en) | Systems and methods for predicting tube fouling in a fired apparatus, and for utilizing tube fouling predictions | |
CN111352408B (zh) | 一种基于证据k近邻的多工况流程工业过程故障检测方法 | |
CN109670549B (zh) | 火电机组的数据筛选方法、装置以及计算机设备 | |
CN115455746B (zh) | 一种核动力装置运行监测数据异常检测与校正一体化方法 | |
CN117371337B (zh) | 一种基于数字孪生的水利模型构建方法及系统 | |
CN108388922A (zh) | 一种用于火电机组主辅设备状态异常的识别方法及系统 | |
KR101876185B1 (ko) | 조기경보시스템에서 외부 영향을 고려한 최신 데이터 학습 방법 및 그 시스템 | |
CN107895194B (zh) | 一种核电厂主冷却剂系统故障诊断方法 | |
De Oliveira-Filho et al. | Condition monitoring of wind turbine main bearing using SCADA data and informed by the principle of energy conservation | |
JP2021111207A (ja) | プラント性能評価システムおよびプラント性能評価方法 | |
CN112128950A (zh) | 一种基于多种模型对比的机房温湿度预测方法及系统 | |
CN116720080A (zh) | 同源气象要素融合检验方法 | |
CN109683565A (zh) | 一种基于多方法融合的仪器仪表故障检测方法 | |
Walker et al. | Development of Short-Term Forecasting Models Using Plant Asset Data and Feature Selection | |
Farber et al. | Using multiple-model adaptive estimation and system identification for fault detection in nuclear power plants | |
Ramirez et al. | Probabilistic feature selection for improved asset lifetime estimation in renewables. Application to transformers in photovoltaic power plants | |
CN117332360B (zh) | 基于5g技术的温室大棚设备故障监测方法及系统 | |
CN112468560B (zh) | 高压热裂解系统远程集控运维平台 | |
Fu et al. | One Masked Model is All You Need for Sensor Fault Detection, Isolation and Accommodation | |
CN116955082A (zh) | 基于证据驱动的集中供应系统异常状态监测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |