CN109188905A - 一种面向百万千瓦超超临界机组的动静特征协同分析的在线监测方法 - Google Patents

Abstract

本发明公开了一种面向百万千瓦超超临界机组的动静特征协同分析的在线监测方法。针对百万千瓦超超临界机组因过程变量众多、控制器调节作用复杂的问题，运用典型变量分析提取过程数据的时序相关信息，结合慢特征分析算法，提取控制器调节作用与运行状态相关的时序相关关系信息和动静态信息，建立了动静态在线监测指标对百万千瓦超超临界机组进行过程监测，该方法能够充分反应闭环系统的调节作用，并大大提高了后续的过程在线监测性能。不仅有利于对复杂过程特性的了解，而且增强了对百万千瓦超超临界机组在线过程监测的可靠性和可信度，有助于火电厂对机组运行状态做出准确判断，及时发现故障，从而保证了百万千瓦超超临界发电机组的安全可靠运行。

Description

一种面向百万千瓦超超临界机组的动静特征协同分析的在线 监测方法

技术领域

本发明属于火电过程过程监测领域，特别是涉及一种考虑闭环系统的调节作用，综合分析过程变量的时序相关关系以及过程的动静特征，对百万千瓦超超临界机组的动静协同的在线过程监测方法。

背景技术

在高速发展的21世纪，随着工业自动化程度的提高和经济全球化趋势，火力发电行业朝着大规模化、复杂化的方向发展。同时，为了实现电力的可持续发展，火力发电行业积极开展结构调整，以大容量、高参数、低能耗的超临界和超超临界机组取代高能耗小型火电机组，基本形成了以超超临界机组为主体的电力能源结构。对于大规模的火力发电机组，现场具有高温、高压及高噪声等特点。此外，百万千瓦超超临界机组还具有相对较高的复杂性，具体体现在规模庞大、设备众多、参数多样化且相互影响等方面。

综上所述，火力发电过程是一个生产工艺流程长、设备多样化、变量复杂化、安全要求高的工业过程。由此可知，该过程中发生故障的机率较高，而且一旦发生故障将会带来人生安全和经济效益的双重损失。例如，2016年8月11日，湖北当阳市马店矸石发电有限责任公司发生爆管事故，确认死亡22人、受伤4人，其中3人重伤；一年后，2017年11月1日，印度北部北方省温恰哈尔镇一座燃煤火力发电厂发生爆炸事故，造成至少16人丧生，约100人受伤。因此，确保火力发电工业过程的安全可靠运行至关重要。

过程监测是确保工业过程正常运行、提高产品质量以及人员安全的重要技术。对于火力发电机组，由于其设备分布空间广、数量庞大，其发生的故障类型复杂多样。以锅炉及其辅助设备为例，常见的典型故障包括一旦发生就会造成重大事故的四管泄漏问题，其中的四管指的是锅炉中的水冷壁、过热器、再热器和省煤器；同时，也包括由于堵塞、漏粉、断裂等原因造成的磨煤机故障和由于外界环境变化及设备损害造成的送风机轴承振动大、进出口温差异常等故障。在这些由此可见，对火电发电机组的过程监测十分重要的。

针对火力发电机组故障复杂多样化的问题，前人对此已从不同的角度做了相应的研究与探讨，提出了相应的在线过程监测方法。总体来说，主要包括基于解析模型的方法和基于数据驱动的方法。而随着工业自动化程度的加深和信息化水平的不断提高，大量的传感器被引入到火力发电系统中，用于监控系统的运行状态。从而，大量的过程数据得以存储并利用。因此，基于数据驱动的方法得到越来越多研究者的关注。然而，现有的数据分析方法，如主成分分析、偏最小二乘法、费舍尔判别分析，都仅仅考虑了过程的静态信息，且忽视了过程中闭环系统的调节作用。因此，将其运用在百万千瓦超超临界机组上，并不能得到很好的监测效果。本发明的内容深入考虑了火电过程实际过程运行中闭环系统的调节作用对于监测性能的影响，综合分析过程变量的时序相关关系以及过程的动静特征，提出了一种新的面向百万千瓦超超临界机组的动静特征协同分析的在线监测方法。

发明内容

本发明的目的在于针对现有的针对百万千瓦超超临界机组的过程监测方法的不足，提出一种面向百万千瓦超超临界机组的动静特征协同分析的在线监测方法，该方法充分考虑到闭环系统调节作用对过程特性的影响，运用典型变量分析提取过程的时序相关信息，同时，结合慢特征分析算法，提取过程动态信息，综合控制器调节作用与运行状态相关的时序相关信息和动静态信息建立了动静态在线监测指标对百万千瓦超超临界机组进行过程检测，实现对百万千瓦超超临界机组运行状态的准确监测。

本发明的目的通过以下技术方案实现：一种面向百万千瓦超超临界机组的动静特征协同分析的在线监测方法，该方法包括以下步骤：

(1)获取待分析数据：设一个热力系统生产过程具有J个测量变量和操作变量，每一次采样可以得到一个1×J的向量，采样N次后得到的数据表述为一个二维矩阵X(N×J)，所述测量变量为运行过程中可被测量的状态参数，包括流量、温度、速率；所述操作变量包括进风量、给料量、阀门开度；

(2)基于典型变量分析提取过程数据时序相关信息，该步骤由以下子步骤来实现：

(2.1)提取典型变量，分析时序相关关系：将每个时间点t处的测量值x_(t)(1×J)分别用l个过去测量值x_(t-1),x_(t-2),…,x_(t-l)，以及h个将来测量值x_(t),x_(t+1),…,x_(t+h)的展开。

其中，下标p代表过去，f代表将来。x_p(t)表示过去测量值的集合，x_f(t)表示将来测量值的集合；

其中，l和h根据与当前时刻x_(t)的相关程度确定，具体如下：

与当前时刻t间隔l+1个采样间隔的过去时刻的测量值x_p(t+l+1)和当前时刻x_(t)的相关程度表示为：

其中α是一个阈值，0<α<0.5。autocorr(X_i,p)是第i个过程变量加p个时滞后的自相关系数。和当前时刻的相关程度，当A_l+1其小于α时，可认为x_p(t+l+1)和x_(t)不存在相关关系，不参与构建矩阵x_p(t)。选择能满足上式的最小的值确定为l，同时，确定出h＝l，从而构建出x_p(t)和x_f(t)。

当某测量值与当前时刻t的时间间隔大于所确定的l和h时，变量间的相关关系可以忽略。

(2.2)将不同时刻展开的向量组成过去矩阵X_p和将来矩阵X_f：

X_p＝[x_p(t+1),x_p(t+2),…,x_p(t+m)] (4)

X_f＝[x_f(t+1),x_f(t+2),…,x_f(t+m)] (5)

其中下标p代表过去，f代表将来，m＝N-l-h+1。

(2.3)求取不同时刻t的典型变量z_(t)以及残差变量e_(t)：

其中，∑_p,f表示过去矩阵X_p和将来矩阵X_f的协方差矩阵，∑_p,p表示过去矩阵X_p的协方差矩阵，上标1/2表示对矩阵内元素进行开方操作，∑_f,f表示将来矩阵X_f的协方差矩阵，上标1/2表示对矩阵内元素进行开方操作。表示式(6)等号左侧进行SVD分解，得到正交矩阵U和V，以及对角矩阵Λ，其对角线上的系数是主成分相关系数γ₁≥…≥γ_r，下表r表示对角矩阵Λ对角线上元素个数。

其中J代表求取主相关变量的转换矩阵，L代表求取残差标量的转换矩阵，I表示单位矩阵，U_k包含了矩阵U的k列，k的选择根据下式决定：

其中β是个阈值，0.5≤β≤1。

Z＝JX_P (10)

E＝LX_P (11)

其中矩阵Z和矩阵E分别表示主成分空间和残差空间。Z和E的每列分别是典型变量z_(t)和残差变量e_(t)。

(3)基于慢特征分析的协同监测，该步骤由以下子步骤来实现：

(3.1)分别对主成分空间Z和残差空间E进行SFA建模

s_c＝W_cZ (12)

s_e＝W_eE (13)

其中s_c是提取出的主成分空间Z的慢特征，W_c是主成分空间Z的转换矩阵；s_e是提取出的残差空间E的慢特征，W_e是残差空间E的转换矩阵。

(3.2)选取主成分空间中慢特征s_c的主慢特征个数：根据特征的缓慢程度，可以将s_c分为两个部分：

变化缓慢的特征能够表示过程变化总体趋势，而变化较快的那些特征可以看作是噪声；选择R_m(R_m<R_c)个慢特征作为主慢特征，剩余的慢特征s_c,e作为噪声，其中R_c为全部慢特征数；主慢特征数R_m的选择从重构的角度考虑：

过程变量x_j可以通过慢特征s重构：

其中，是的第j列，是将的某几个元素用0替代，元素个数为R_m,R_m的确定方法如下：降噪重构的过程变量的缓慢程度能够代表重构的过程变量保留了多少重要的信息；应含有尽可能少的变化快的噪声，因此Δ(x_j)表示过程变量x_j的缓慢程度，降噪重构后的过程变量的变化比x_j的变化慢；而Δ(x_j)和Δ(s_i)呈线性关系，慢特征s中Δ(s_i)>Δ(x_j)部分使x_j变化加快，去除该部分，就能使能够满足综合考虑所有变量的重构效果，应该去除的特征集合为：

划分的主慢特征个数R_m＝R_c-cnt(F)，cnt(F)为全部慢特征数减去集合F中元素的数量；定义W_c的前R_m行为W_c,d(R_m×J),剩余部分为W_c,e((R_c-R_m)×J),慢特征s_c的两部分分别为：

s_c,d＝W_c,dZ (18)

s_c,e＝W_c,eZ (19)

其中，s_c,d是提取出来的在主成分空间中能够表示过程内部变化主要趋势的慢特征；s_c,e是在中成分空间中表示过程中的噪声；W_c,d、W_c,e分别表示转换矩阵；

(3.3)在主成分空间中计算静态监测的控制限：

其中，和分别是s_c,d和s_c,e的T²监测统计量；利用核密度估计确定出的控制限Ctr_c,Td、Ctr_c,Te；

(3.4)在主成分空间中计算动态监测的控制限：

其中，和分别是s_c,d和s_c,e的S²监测统计量；其中分别是s_c,d,s_c,e的一阶差分；Ω_c,d、Ω_c,e分别是的经验协方差矩阵；利用核密度估计求出的控制限Ctr_c,Sd、Ctr_c,Se；

(3.5)根据(3.2)中方法，选择残差空间中慢特征s_e的主慢特征数：根据特征的缓慢程度，将s_e分为两个部分：

(3.6)计算残差空间中静态监测的控制限：

其中，和分别是s_e,d和s_e,e的T²监测统计量；利用核密度估计确定出T²的控制限Ctr_e,Td、Ctr_e,Te；

(3.7)计算残差空间中动态监测的控制限：

其中，和分别是s_e,d和s_e,e的S²监测统计量；其中分别是s_e,d,s_e,e的一阶差分；Ω_e,d、Ω_e,e分别是的经验协方差矩阵；利用核密度估计求出S²的控制限Ctr_e,Sd、Ctr_e,Se；

(4)在线过程监测：基于上述步骤求得的变量相关关系以及动静协同的监测模型，通过主成分空间中和残差空间中的监测统计量可以在线监测过程的运行状态；该步骤由以下子步骤来实现：

(4.1)采集新测量数据并进行扩展：在线监测时，采集到新的过程测量数据x_new,t(J×1),其中，下标new代表新样本，下标t代表当前时刻，J为测量变量，与步骤1中的测量变量相同；用过去的l个时刻的数据将其进行扩展：

(4.2)求取当前时刻的典型变量和残差变量：

z_new＝Jx_new (30)

e_new＝Lx_new (31)

(4.3)分别从当前时刻的典型变量和残差变量中提取出各自的慢特征向量：

(4.4)分别计算主成分空间和残差空间中的在线静态监测统计量：

(4.5)分别计算主成分空间和残差空间中的在线动态监测统计量：

(5)判断过程运行状态：实时比较不同子空间中四个监测指标与各自的统计控制限：

(a)在主成分空间中，如果四个监测量均处于控制限制范围内，则表明过程有一个不变的时序相关关系，典型变量的变化在正常范围内。

(b)在主成分空间中，如果两个静态监测量没有超限，两个动态监测量超限，则说明监测到了一个过程动态的异常，可能导致主成分空间中变量自相关关系出现稳态偏差。

(c)在主成分空间中，如果两个静态监测量超限，两个动态监测量没有超限，则说明监测到了稳态偏差，但是对过程动态特性没有影响，过程在良好的控制下发生了状态切换。

(d)在主成分空间中，如果静态监测量和动态监测量均超限，则说明过程既出现了稳态偏差又出现了动态异常，检测到了过程发生故障且超出了控制系统调节能力，应及时处理。

(e)在残差空间中，如果四个监测量均处于控制限制范围内，残差变量的变化在正常范围内。

(f)在残差空间中，如果两个静态监测量没有超限，两个动态监测量超限，检测到了过程动态行为的异常，可能导致残差子空间中出现状态偏差。

(g)在残差子空间中，如果两个静态监测量超限，两个动态监测量没有超限，则说明在残差空间中监测到了稳态偏差，但是对过程动态特性没有影响，过程处于良好的控制下。

(h)在残差子空间中，如果静态监测量和动态监测量均超限，在残差子空间中既检测到了稳态偏差，又检测到了动态异常，过程发生了故障，控制性能差，应及时处理。

与现有技术相比，本发明的有益效果在于：本发明针对百万千瓦超超临界机组这一典型的大规模、控制系统复杂多样，故障种类丰富的过程提出了一种动静特征协同分析的在线监测方法。该方法充分考虑了闭环系统的调节作用对过程特性的影响，首先运用典型变量分析提取过程数据的时序相关关系，然后，结合慢特征分析算法，提取过程动态信息，综合控制器调节作用与过程运行状态相关的时序相关信息和动静态信息建立了动静态在线监测指标对百万千瓦超超临界机组进行过程检测。该方法不仅有利于对复杂过程特性的了解，而且增强了对百万千瓦超超临界机组在线过程监测的可靠性和可信度，有助于火电厂对机组运行状态做出准确判断，及时发现故障，从而保证了百万千瓦超超临界发电机组的安全可靠运行。

附图说明：

图1是本发明所述的面向百万千瓦超超临界机组的动静特征协同分析的在线监测方法的流程图，(a)为离线建模过程流程图，(b)为在线过程监测的流程图；

图2是本发明具体实施例中的本发明方法的在主成分空间中的监测结果，(a)为两个静态监测统计量的监测结果，(b)为两个动态监测统计量的监测结果。

图3是本发明具体实施例中的本发明方法的在残差空间中的监测结果，(a)为两个静态监测统计量的监测结果，(b)为两个动态监测统计量的监测结果。

具体实施方式

下面结合附图及具体实例，对本发明作进一步详细说明。

本发明以浙能集团下属嘉华电厂7号机组为例，该机组的功率为10000MW，为百万千瓦超超临界机组，包括46个过程变量，这些变量涉及到压力、温度、流量、流速等。本次实例选取火电机组的运行过程中35个正常过程运行数据，2个故障过程运行数据。

如图1所示，本发明是一种面向百万千瓦超超临界机组的动静特征协同分析的在线监测方法，包括以下步骤：

(1)获取待分析数据：设一个热力系统生产过程具有J个测量变量和操作变量，每一次采样可以得到一个1×J的向量，采样N次后得到的数据表述为一个二维矩阵X(N×J)。本实例中，采样周期为1分钟，采集1000个样本，46个过程变量，所测变量为运行过程中的流量、温度、速率、给料量、阀门开度等；

(2)基于典型变量分析提取过程数据时序相关信息，该步骤由以下子步骤来实现：

(2.1)提取典型变量，分析时序相关关系：将每个时间点t处的测量值x_(t)(1×J)分别用l个过去测量值x_(t-1),x_(t-2),…,x_(t-l)，以及h个将来测量值x_(t),x_(t+1),…,x_(t+h)的展开。

其中，下标p代表过去，f代表将来。x_p(t)表示过去测量值的集合，x_f(t)表示将来测量值的集合；

其中，l和h根据与当前时刻x_(t)的相关程度确定，具体如下：

与当前时刻t间隔l+1个采样间隔的过去时刻的测量值x_p(t+l+1)和当前时刻x_(t)的相关程度表示为：

其中α是一个阈值，0<α<0.5。autocorr(X_i,p)是第i个过程变量加p个时滞后的自相关系数。和当前时刻的相关程度，当A_l+1其小于α时，可认为x_p(t+l+1)和x_(t)不存在相关关系，不参与构建矩阵x_p(t)。选择能满足上式的最小的值确定为l，同时，确定出h＝l，从而构建出x_p(t)和x_f(t)。

当某测量值与当前时刻t的时间间隔大于所确定的l和h时，变量间的相关关系可以忽略。

(2.2)将不同时刻展开的向量组成过去矩阵X_p和将来矩阵X_f：

X_p＝[x_p(t+1),x_p(t+2),…,x_p(t+m)] (4)

X_f＝[x_f(t+1),x_f(t+2),…,x_f(t+m)] (5)

其中下标p代表过去，f代表将来，m＝N-l-h+1。

(2.3)求取不同时刻t的典型变量z_(t)以及残差变量e_(t)：

其中，∑_p,f表示过去矩阵X_p和将来矩阵X_f的协方差矩阵，∑_p,p表示过去矩阵X_p的协方差矩阵，上标1/2表示对矩阵内元素进行开方操作，∑_f,f表示将来矩阵X_f的协方差矩阵，上标1/2表示对矩阵内元素进行开方操作。表示式(6)等号左侧进行SVD分解，得到正交矩阵U和V，以及对角矩阵Λ，其对角线上的系数是主成分相关系数γ₁≥…≥γ_r，下表r表示对角矩阵Λ对角线上元素个数。

其中J代表求取主相关变量的转换矩阵，L代表求取残差标量的转换矩阵，I表示单位矩阵，U_k包含了矩阵U的k列，k的选择根据下式决定：

其中β是个阈值，0.5≤β≤1。

Z＝JX_P (10)

E＝LX_P (11)

其中矩阵Z和矩阵E分别表示主成分空间和残差空间。Z和E的每列分别是典型变量z_(t)和残差变量e_(t)。

(3)基于慢特征分析的协同监测，该步骤由以下子步骤来实现：

(3.1)分别对主成分空间Z和残差空间E进行SFA建模

s_c＝W_cZ (12)

s_e＝W_eE (13)

其中s_c是提取出的主成分空间Z的慢特征，W_c是主成分空间Z的转换矩阵；s_e是提取出的残差空间E的慢特征，W_e是残差空间E的转换矩阵。

(3.2)选取主成分空间中慢特征s_c的主慢特征个数：根据特征的缓慢程度，可以将s_c分为两个部分：

变化缓慢的特征能够表示过程变化总体趋势，而变化较快的那些特征可以看作是噪声；选择R_m(R_m<R_c)个慢特征作为主慢特征，剩余的慢特征s_c,e作为噪声，其中R_c为全部慢特征数；主慢特征数R_m的选择从重构的角度考虑：

过程变量x_j可以通过慢特征s重构：

其中，是的第j列，是将的某几个元素用0替代，元素个数为R_m,R_m的确定方法如下：降噪重构的过程变量的缓慢程度能够代表重构的过程变量保留了多少重要的信息；应含有尽可能少的变化快的噪声，因此Δ(x_j)表示过程变量x_j的缓慢程度，降噪重构后的过程变量的变化比x_j的变化慢；而Δ(x_j)和Δ(s_i)呈线性关系，慢特征s中Δ(s_i)>Δ(x_j)部分使x_j变化加快，去除该部分，就能使能够满足综合考虑所有变量的重构效果，应该去除的特征集合为：

划分的主慢特征个数R_m＝R_c-cnt(F)，cnt(F)为全部慢特征数减去集合F中元素的数量；定义W_c的前R_m行为W_c,d(R_m×J),剩余部分为W_c,e((R_c-R_m)×J),慢特征s_c的两部分分别为：

s_c,d＝W_c,dZ (18)

s_c,d＝W_c,eZ (19)

其中，s_c,d是提取出来的在主成分空间中能够表示过程内部变化主要趋势的慢特征；s_c,e是在中成分空间中表示过程中的噪声；W_c,d、W_c,e分别表示转换矩阵；

(3.3)在主成分空间中计算静态监测的控制限：

其中，和分别是s_c,d和s_c,e的T²监测统计量；利用核密度估计确定出的控制限Ctr_c,Td、Ctr_c,Te；

(3.4)在主成分空间中计算动态监测的控制限：

其中，和分别是s_c,d和s_c,e的S²监测统计量；其中分别是s_c,d,s_c,e的一阶差分；Ω_c,d、Ω_c,e分别是的经验协方差矩阵；利用核密度估计求出的控制限Ctr_c,Sd、Ctr_c,Se；

(3.5)根据(3.2)中方法，选择残差空间中慢特征s_e的主慢特征数：根据特征的缓慢程度，将s_e分为两个部分：

(3.6)计算残差空间中静态监测的控制限：

其中，和分别是s_e,d和s_e,e的T²监测统计量；利用核密度估计确定出T²的控制限Ctr_e,Td、Ctr_e,Te；

(3.7)计算残差空间中动态监测的控制限：

其中，和分别是s_e,d和s_e,e的S²监测统计量；其中分别是s_e,d,s_e,e的一阶差分；Ω_e,d、Ω_e,e分别是的经验协方差矩阵；利用核密度估计求出S²的控制限Ctr_e,Sd、Ctr_e,Se；

(4)在线过程监测：基于上述步骤求得的变量相关关系以及动静协同的监测模型，通过主成分空间中和残差空间中的监测统计量可以在线监测过程的运行状态；该步骤由以下子步骤来实现：

(4.1)采集新测量数据并进行扩展：在线监测时，采集到新的过程测量数据x_new,t(J×1),其中，下标new代表新样本，下标t代表当前时刻，J为测量变量，与步骤1中的测量变量相同；用过去的l个时刻的数据将其进行扩展：

(4.2)求取当前时刻的典型变量和残差变量：

z_new＝Jx_new (30)

e_new＝Lx_new (31)

(4.3)分别从当前时刻的典型变量和残差变量中提取出各自的慢特征向量：

(4.4)分别计算主成分空间和残差空间中的在线静态监测统计量：

(4.5)分别计算主成分空间和残差空间中的在线动态监测统计量：

(5)判断过程运行状态：实时比较不同子空间中四个监测指标与各自的统计控制限：

(a)在主成分空间中，如果四个监测量均处于控制限制范围内，则表明过程有一个不变的时序相关关系，典型变量的变化在正常范围内。

(b)在主成分空间中，如果两个静态监测量没有超限，两个动态监测量超限，则说明监测到了一个过程动态的异常，可能导致主成分空间中变量自相关关系出现稳态偏差。

(c)在主成分空间中，如果两个静态监测量超限，两个动态监测量没有超限，则说明监测到了稳态偏差，但是对过程动态特性没有影响，过程在良好的控制下发生了状态切换。

(d)在主成分空间中，如果静态监测量和动态监测量均超限，则说明过程既出现了稳态偏差又出现了动态异常，检测到了过程发生故障且超出了控制系统调节能力，应及时处理。

(e)在残差空间中，如果四个监测量均处于控制限制范围内，残差变量的变化在正常范围内。

(f)在残差空间中，如果两个静态监测量没有超限，两个动态监测量超限，检测到了过程动态行为的异常，可能导致残差子空间中出现状态偏差。

(g)在残差子空间中，如果两个静态监测量超限，两个动态监测量没有超限，则说明在残差空间中监测到了稳态偏差，但是对过程动态特性没有影响，过程处于良好的控制下。

(h)在残差子空间中，如果静态监测量和动态监测量均超限，在残差子空间中既检测到了稳态偏差，又检测到了动态异常，过程发生了故障，控制性能差，应及时处理。

利用本发明的监测方法对火电过程进行在线过程监测，结果如图2、图3所示。图2显示了在主成分子空间中的监视结果，从图2(a)中可以看出，在主成分子空间中，前131个样本两个静态监测统计量均在控制限内，从第132个样本开始，静态监测量开始超出控制限。从图2(b)中可以看出，在第131个样本前，两个动态监测统计量均在控制限内，从第132个样本开始，动态监测量开始超出控制限，然后逐渐向正常值减小，并最终回到控制范围内。这说明，尽管在主成分子空间内检测到了稳态偏差，但是由于闭环系统的调节作用，过程动态特性逐渐恢复正常，过程稳定在新的稳定状态，说明整个闭环系统具有良好的控制性能。同样，分析图3在残差子空间中的监视结果，可以看出过程发生了状态转换，过程动态特性在短暂超限后恢复正常，过程在闭环系统的控制下维持稳定。总体来说，基于本发明提出的动静特征协同分析的在线监测方法，能够充分分析过程运行中闭环系统的调节作用对过程特性的影响，从而在在线监测中区分出过程状态切换和真正的故障，提高过程监测的准确度，这是一般的监测方法无法做到的。本方法可以为实际火电厂工业现场的技术管理部门提供高精度的在线过程监测结果，为实时判断过程运行状态，识别是否有故障发生提供可靠依据，并最终为百万千瓦超超临界机组的安全可靠运行奠定了基础。

Claims (1)

1.一种面向百万千瓦超超临界机组的动静特征协同分析的在线监测方法，其特征在于，该方法包括以下步骤：

(1)获取待分析数据：设一个热力系统生产过程具有J个测量变量和操作变量，每一次采样可以得到一个1×J的向量，采样N次后得到的数据表述为一个二维矩阵X(N×J)，所述测量变量为运行过程中可被测量的状态参数，包括流量、温度、速率；所述操作变量包括进风量、给料量、阀门开度；

(2)基于典型变量分析提取过程数据时序相关信息，该步骤由以下子步骤来实现：

(2.1)提取典型变量，分析时序相关关系：将每个时间点t处的测量值x_(t)(1×J)分别用l个过去测量值x_(t-1)，x_(t-2)，…，x_(t-l)，以及h个将来测量值x_(t)，x_(t+1)，…，x_(t+h)的展开。

其中，下标p代表过去，f代表将来。x_p(t)表示过去测量值的集合，x_f(t)表示将来测量值的集合；

其中，l和h根据与当前时刻x_(t)的相关程度确定，具体如下：

与当前时刻t间隔l+1个采样间隔的过去时刻的测量值x_p(t+l+1)和当前时刻x_(t)的相关程度表示为：

其中α是一个阈值，0＜α＜0.5。autocorr(X_i，p)是第i个过程变量加p个时滞后的自相关系数。和当前时刻的相关程度，当A_l+1其小于α时，可认为x_p(t+l+1)和x_(t)不存在相关关系，不参与构建矩阵x_p(t)。选择能满足上式的最小的值确定为l，同时，确定出h＝l，从而构建出x_p(t)和x_f(t)。

当某测量值与当前时刻t的时间间隔大于所确定的l和h时，变量间的相关关系可以忽略。

(2.2)将不同时刻展开的向量组成过去矩阵X_p和将来矩阵X_f：

X_p＝[x_p(t+1)，x_p(t+2)，…，x_p(t+m)] (4)

X_f＝[x_f(t+1)，x_f(t+2)，…，x_f(t+m)] (5)

其中下标p代表过去，f代表将来，m＝N-l-h+1。

(2.3)求取不同时刻t的典型变量z_(t)以及残差变量e_(t)：

其中，∑_p，f表示过去矩阵X_p和将来矩阵X_f的协方差矩阵，∑_p，p表示过去矩阵X_p的协方差矩阵，上标1/2表示对矩阵内元素进行开方操作，∑_f，f表示将来矩阵X_f的协方差矩阵，上标1/2表示对矩阵内元素进行开方操作。表示式(6)等号左侧进行SVD分解，得到正交矩阵U和V，以及对角矩阵Λ，其对角线上的系数是主成分相关系数γ₁≥…≥γ_r，下表r表示对角矩阵Λ对角线上元素个数。

其中J代表求取主相关变量的转换矩阵，L代表求取残差标量的转换矩阵，I表示单位矩阵，U_k包含了矩阵U的k列，k的选择根据下式决定：

其中β是个阈值，0.5≤β≤1。

Z＝JX_P (10)

E＝LX_P (11)

其中矩阵Z和矩阵E分别表示主成分空间和残差空间。Z和E的每列分别是典型变量z_(t)和残差变量e_(t)。

(3)基于慢特征分析的协同监测，该步骤由以下子步骤来实现：

(3.1)分别对主成分空间Z和残差空间E进行SFA建模

S_c＝W_cZ (12)

S_e＝W_eE (13)

其中s_c是提取出的主成分空间Z的慢特征，W_c是主成分空间Z的转换矩阵；s_e是提取出的残差空间E的慢特征，W_e是残差空间E的转换矩阵。

(3.2)选取主成分空间中慢特征s_c的主慢特征个数：根据特征的缓慢程度，可以将s_c分为两个部分：

变化缓慢的特征能够表示过程变化总体趋势，而变化较快的那些特征可以看作是噪声；选择R_m(R_m＜R_c)个慢特征作为主慢特征，剩余的慢特征s_c，e作为噪声，其中R_c为全部慢特征数；主慢特征数R_m的选择从重构的角度考虑：

过程变量x_j可以通过慢特征s重构：

其中，是的第j列，是将的某几个元素用0替代，元素个数为R_m，R_m的确定方法如下：降噪重构的过程变量的缓慢程度能够代表重构的过程变量保留了多少重要的信息；应含有尽可能少的变化快的噪声，因此Δ(x_j)表示过程变量x_j的缓慢程度，降噪重构后的过程变量的变化比x_j的变化慢；而Δ(x_j)和Δ(s_i)呈线性关系，慢特征s中Δ(s_i)＞Δ(x_j)部分使x_j变化加快，去除该部分，就能使能够满足综合考虑所有变量的重构效果，应该去除的特征集合为：

划分的主慢特征个数R_m＝R_c-cnt(F)，cnt(F)为全部慢特征数减去集合F中元素的数量；定义W_c的前R_m行为W_c，d(R_m×J)，剩余部分为W_c，e((R_c-R_m)×J)，慢特征s_c的两部分分别为：

S_c，d＝W_c，dZ (18)

S_c，e＝W_c，eZ (19)

其中，s_c，d是提取出来的在主成分空间中能够表示过程内部变化主要趋势的慢特征；s_c，e是在中成分空间中表示过程中的噪声；W_c，d、W_c，e分别表示转换矩阵；

(3.3)在主成分空间中计算静态监测的控制限：

其中，和分别是s_c，d和s_c，e的T²监测统计量；利用核密度估计确定出的控制限Ctr_c，Td、Ctr_c，Te；

(3.4)在主成分空间中计算动态监测的控制限：

其中，和分别是s_c，d和s_c，e的S²监测统计量；其中分别是s_c，d，s_c，e的一阶差分；Ω_c，d、Ω_c，e分别是的经验协方差矩阵；利用核密度估计求出的控制限Ctr_c，Sd、Ctr_c，Se；

(3.5)根据(3.2)中方法，选择残差空间中慢特征s_e的主慢特征数：根据特征的缓慢程度，将s_e分为两个部分：

(3.6)计算残差空间中静态监测的控制限：

其中，和分别是s_e，d和s_e，e的T²监测统计量；利用核密度估计确定出T²的控制限Ctr_e，Td、Ctr_e，Te；

(3.7)计算残差空间中动态监测的控制限：

其中，和分别是s_e，d和s_e，e的S²监测统计量；其中分别是S_e，d，S_e，e的一阶差分；Ω_e，d、Ω_e，e分别是的经验协方差矩阵；利用核密度估计求出S²的控制限Ctr_e，Sd、Ctr_e，Se；

(4)在线过程监测：基于上述步骤求得的变量相关关系以及动静协同的监测模型，通过主成分空间中和残差空间中的监测统计量可以在线监测过程的运行状态；该步骤由以下子步骤来实现：

(4.1)采集新测量数据并进行扩展：在线监测时，采集到新的过程测量数据x_new，t(J×1)，其中，下标new代表新样本，下标t代表当前时刻，J为测量变量，与步骤1中的测量变量相同；用过去的l个时刻的数据将其进行扩展：

(4.2)求取当前时刻的典型变量和残差变量：

z_new＝Jx_new (30)

e_new＝Lx_new (31)

(4.3)分别从当前时刻的典型变量和残差变量中提取出各自的慢特征向量：

(4.4)分别计算主成分空间和残差空间中的在线静态监测统计量：

(4.5)分别计算主成分空间和残差空间中的在线动态监测统计量：

(5)判断过程运行状态：实时比较不同子空间中四个监测指标与各自的统计控制限：

(a)在主成分空间中，如果四个监测量均处于控制限制范围内，则表明过程有一个不变的时序相关关系，典型变量的变化在正常范围内。

(b)在主成分空间中，如果两个静态监测量没有超限，两个动态监测量超限，则说明监测到了一个过程动态的异常，可能导致主成分空间中变量自相关关系出现稳态偏差。

(c)在主成分空间中，如果两个静态监测量超限，两个动态监测量没有超限，则说明监测到了稳态偏差，但是对过程动态特性没有影响，过程在良好的控制下发生了状态切换。

(d)在主成分空间中，如果静态监测量和动态监测量均超限，则说明过程既出现了稳态偏差又出现了动态异常，检测到了过程发生故障且超出了控制系统调节能力，应及时处理。

(e)在残差空间中，如果四个监测量均处于控制限制范围内，残差变量的变化在正常范围内。

(f)在残差空间中，如果两个静态监测量没有超限，两个动态监测量超限，检测到了过程动态行为的异常，可能导致残差子空间中出现状态偏差。

(g)在残差子空间中，如果两个静态监测量超限，两个动态监测量没有超限，则说明在残差空间中监测到了稳态偏差，但是对过程动态特性没有影响，过程处于良好的控制下。

(h)在残差子空间中，如果静态监测量和动态监测量均超限，在残差子空间中既检测到了稳态偏差，又检测到了动态异常，过程发生了故障，控制性能差，应及时处理。