CN111159844A - 一种电站燃气轮机排气温度的异常检测方法 - Google Patents
一种电站燃气轮机排气温度的异常检测方法 Download PDFInfo
- Publication number
- CN111159844A CN111159844A CN201911215205.0A CN201911215205A CN111159844A CN 111159844 A CN111159844 A CN 111159844A CN 201911215205 A CN201911215205 A CN 201911215205A CN 111159844 A CN111159844 A CN 111159844A
- Authority
- CN
- China
- Prior art keywords
- data
- exhaust temperature
- model
- value
- gas turbine
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 55
- 238000012843 least square support vector machine Methods 0.000 claims abstract description 51
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000012360 testing method Methods 0.000 claims abstract description 33
- 238000012216 screening Methods 0.000 claims abstract description 20
- 238000010606 normalization Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 12
- 239000007789 gas Substances 0.000 claims description 95
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 230000036541 health Effects 0.000 claims description 11
- 230000005856 abnormality Effects 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 239000003345 natural gas Substances 0.000 claims description 7
- 238000012706 support-vector machine Methods 0.000 claims description 7
- 238000003745 diagnosis Methods 0.000 claims description 4
- 238000003672 processing method Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims 2
- 238000013528 artificial neural network Methods 0.000 abstract description 6
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000012423 maintenance Methods 0.000 abstract description 5
- 230000007547 defect Effects 0.000 abstract description 4
- 230000007246 mechanism Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000002035 prolonged effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000002918 waste heat Substances 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Control Of Turbines (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种电站燃气轮机排气温度的异常检测方法，其步骤包括，(1)模型相关参数选取；(2)数据样本采集；(3)数据稳态筛选；(4)数据归一化处理；(5)最小二乘支持向量机模型选择、训练与测试；(6)排气温度残差获取与统计分析；(7)排气温度异常检测分析判断。本发明对电站燃气轮机排气温度进行参数建模，基于最小二乘支持向量机的排气温度求取精度高、泛化能力强。与人工神经网络相比，最小二乘支持向量机能够很好地克服人工神经网络训练时间长、训练结果存在随机性和过学习等不足。对于电站燃气轮机排气温度进行异常检测准确性高，充分提高了燃气轮机的可靠性和可用性，最大限度地延长其使用寿命，降低运行维护成本。
Description
技术领域
本发明属于电站燃气轮机排气温度检测技术领域，具体涉及一种对电站燃气轮机排气温度进行异常检测的方法。
背景技术
电站燃气轮机长期在高温、高压、高速旋转的环境下运行，而一旦发生故障会给机组安全性和经济性造成严重影响。排气温度作为电站燃气轮机的重要监测参数，是连接燃气轮机和余热锅炉的关键参数，影响燃气—蒸汽联合循环发电机组整体的运行情况。排气温度既能反映出燃气轮机的运行情况，又是余热锅炉的进气温度，能够提供大量有关燃气轮机性能、燃烧室健康状况以及热气体通道部件状况等方面的信息。燃气轮机排气温度异常状态检测是燃气轮机健康管理的重要组成部分。若能及时发现异常状态并做出诊断，可以充分提高燃气轮机的可靠性和可用性，最大限度地延长使用寿命，降低运行维护成本。目前对于燃气轮机排气温度的异常检测方法，主要是通过排气温度实际测量值与基准参照值相比较，若超过相应阈值则认为燃气轮机排气温度存在异常状态。而排气温度基准参照值的确定主要有三种方法：设计值法、变工况计算法以及热力性能实验法。但设计值法设计数据的代表性不高，准确度较差；变工况计算法的计算量较大，且计算精度不高；热力性能实验法虽具有较高的准确性，但热力实验耗时费力，除此之外，阈值的确定也没有一个统一的标准，导致目前排气温度基准参照值的确定存在较多问题。
发明内容
本发明所要解决的技术问题是克服上述现有技术存在的缺陷，通过机理分析、数据驱动以及统计理论相结合，提供一种电站燃气轮机排气温度的异常检测方法，可以及时发现燃气轮机排气温度的异常，从而提高燃气轮机的可靠性和可用性，降低运行和维护成本。
为了实现上述目的，本发明采用如下技术方案，所述方法包括：
一种电站燃气轮机排气温度的异常检测方法，其步骤包括，
(1)模型相关参数选取：选取燃机功率、大气温度、机组转速、压气机出口压力、压气机出口温度、IGV阀门开度、天然气体积流量、预混控制阀阀位、值班控制阀阀位9个参数作为最小二乘支持向量机模型的输入变量，选取燃气轮机排气温度作为最小二乘支持向量机模型的输出目标值；
(2)数据样本采集：从燃气-蒸汽联合循环机组数据库中采集筛选包含机组运行全工况的历史健康数据为数据样本；
(3)数据稳态筛选：由于联合循环机组经常参与电网调峰变负荷运行，在这种非稳定状态的工况下，系统输入与输出之前的模型关系不能保持较强一致性，因此需要对步骤(2)采集的数据样本进行稳态筛选；
(4)数据归一化处理：由于步骤(1)选取的模型相关变量参数具有不同的量纲与量级，为保证模型高效运行，对步骤(3)中筛选的稳态数据进行归一化处理获得归一化数据，并将归一化数据按照个数比例分为训练数据和测试数据；
(5)最小二乘支持向量机模型选择、训练与测试：对最小二乘支持向量机模型进行核函数的选择，再利用步骤(4)中获得的归一化数据中的训练数据进行模型训练，模型训练后再使用测试数据进行测试，测试通过后即获得最终的最小二乘支持向量机模型；
(6)排气温度残差获取与统计分析：通过步骤(5)训练好模型后，再对排气温度残差进行计算及统计分析；所述排气温度残差为排气温度实际值与步骤(5)最终的最小二乘支持向量机模型获得的排气温度输出预测值之差；
(7)排气温度异常检测分析判断：依据排气温度残差进行排气温度的异常检测判断。
为了获得更好的技术效果，所述步骤(2)采集的数据样本，指从燃气-蒸汽联合循环机组数据库中采集筛选包含机组运行全工况的历史健康数据，即覆盖包含春、夏、秋、冬四个季节的历史健康数据。
为了获得更好的技术效果，所述步骤(3)中数据稳态筛选的一种数据稳态筛选方法，其步骤包括，
(3.1)计算连续t分钟内燃气轮机负荷和主蒸汽压力的最大值和最小值之差与额定值的比值λk，具体如下式：
式中：
Xmax、Xmin分别为一段时间t分钟内参数的最大值、最小值；
Xe为该参数在额定负荷下的额定值；
(3.2)判断λk是否小于对应的稳定阈值γ，如果小于认为系统稳定状态；
(3.3)若λk大于或等于对应的稳定阈值γ，则没有达到设定的稳定状态范围，参数向后递推10分钟，再次按步骤(3.1)和步骤(3.2)进行稳态工况的判定，从而完成步骤(2)中数据的稳态筛选。
为了获得更好的技术效果，所述步骤(4)数据归一化处理的一种数据归一化处理方法，其步骤包括，
(4.1)提取步骤(3)中筛选的稳态数据；
(4.2)对稳态数据按照公式进行归一化处理，公式为：
si＝[xi-min(x)]]/[max(x)-min(x)]
式中：
max(x)和min(x)为样本数据的最大值与最小值；
xi为原始样本数据；
si为归一化后的数值；
(4.3)获得稳态数据的归一化数据。
为了获得更好的技术效果，所述步骤(5)最小二乘支持向量机模型选择与训练的一种最小二乘支持向量机模型选择、训练与测试方法，其步骤包括，
(5.1)最小二乘支持向量机模型选择采用径向基函数作为核函数，模型结构为：
式中：
K(x,xi)＝exp(-||x-xi||2/2σ2)，即径向基(RBF)函数为核函数；
αi为支持向量系数，
b为常数偏置量；
(5.2)将步骤(4)中获得的归一化数据即包括燃机功率、大气温度、机组转速、压气机出口压力、压气机出口温度、IGV阀门开度、天然气体积流量、预混控制阀阀位、值班控制阀阀位9个参数作为最小二乘支持向量机模型的输入变量，燃气轮机排气温度作为最小二乘支持向量机模型的输出目标值，进行模型的训练与测试；
模型训练：先将步骤(4)中获得的训练数据作为最小二乘支持向量机模型的输入变量后，产生输出值，当模型产生的输出值与实际数据之间的相对误差在指定范围内时就结束训练，当模型产生的输出值与实际数据之间的相对误差在指定范围之外时，就调整模型参数不断寻优，重复进行训练，直至模型产生的输出值与实际数据之间的相对误差在指定范围内；
模型测试：再将步骤(4)中获得的测试数据作为训练数据训练获得的最小二乘支持向量机模型的输入变量后，产生输出值，当模型产生的输出值与实际数据之间的相对误差在指定范围内时就结束训练，获得最终的最小二乘支持向量机模型；当模型产生的输出值与实际数据之间的相对误差在指定范围之外时，就重复上述模型训练步骤，重复进行训练，直至模型产生的输出值与实际数据之间的相对误差在指定范围内；
为了获得更好的技术效果，所述步骤(6)排气温度残差获取与统计分析的一种排气温度残差获取与统计分析方5法，其步骤包括，
(6.1)计算步骤(5.2)中排气温度实际值Tri与最终的最小二乘支持向量机模型获得的排气温度输出预测值Tpi之差，即排气温度残差ei，
εi＝Tri-Tpi i＝1,2,3……n；
式中：
n为样本数据个数；
Tri为燃气轮机排气温度实际值；
Tpi为最小二乘支持向量机模型获得的排气温度输出预测值，即排气温度的基准参照值；
(6.2)考虑到随机因素的影响，燃气轮机排气温度残差εi可以看成近似符合正态分布，依据拉依达准则有下式：
P(μ-3σ≤εi≤μ+3σ)＝99.7％
式中：
P为概率值；
μ为步骤(6.1)获得的排气温度残差εi的平均值；
σ为排气温度残差的εi标准差。
为了获得更好的技术效果，所述步骤(7)排气温度异常检测分析判断的一种排气温度异常检测分析判断方法，其步骤包括，
(7.1)计算当前数据的排气温度残差ε，判定其是否在区间[μ-3σ,μ+3σ]内，若不在区间内，记录此数据，等待下一步的判定；否则认为排气温度处于正常状态；
(7.2)进行下一个采样周期的判定，若排气温度残差ε在区间[μ-3σ,μ+3σ]内，则认为排气温度处于正常状态；
(7.3)若连续N个排气温度残差ε数据均不在区间[μ-3σ,μ+3σ]内，则判定燃气轮机排气温度处于异常状态，需要进行诊断。
和现有技术相比较，本发明具备如下优点：
本发明利用机理分析、数据驱动以及统计理论相结合的技术，考虑到工况和环境边界条件的变化，对电站燃气轮机排气温度进行参数建模，基于最小二乘支持向量机的燃气轮机排气温度基准参照值求取模型精度高、泛化能力强。与人工神经网络相比，最小二乘支持向量机能够很好地克服人工神经网络训练时间长、训练结果存在随机性和过学习等不足，十分适合复杂非线性系统的建模。基于该模型与统计理论方法，对于电站燃气轮机排气温度进行异常检测准确性高，非常适合应用于工程实践，充分提高燃气轮机的可靠性和可用性，最大限度地延长其使用寿命，降低运行维护成本。
附图说明
图1为本发明实施例流程示意图；
图2为本发明实施例最小二乘支持向量机模型输入输出示意图；
图3为本发明实施例最小二乘支持向量机方法建模流程图；
图4为部分测试样本实际值与模型输出值对比示例图；
图5为部分测试样本模型输出相对误差示例图；
图6为部分测试样本燃气轮机排气温度残差示例图。
具体实施方式
如图1所示，为本实施例提出的一种电站燃气轮机排气温度异常检测方法，应该强调的是，下述说明的步骤仅仅是示例性的，而不是为了限制本发明的范围及其应用。
一种电站燃气轮机排气温度的异常检测方法，其步骤包括，
(1)模型相关参数选取：对于电站燃气轮机排气温度，通过机组运行机制、机组控制系统及工艺流程等角度进行综合机理分析，兼顾燃机电站实际情况，了解影响燃气轮机排气温度的相关参数，如表1所示；
故本发明选取燃机功率、大气温度、机组转速、压气机出口压力、压气机出口温度、IGV阀门开度、天然气体积流量、预混控制阀阀位、值班控制阀阀位9个参数作为最小二乘支持向量机模型的输入变量，选取燃气轮机排气温度作为最小二乘支持向量机模型的输出目标值，如图2所示；
表1影响电站燃气轮机排气温度的相关参数
(2)数据样本采集：从燃气-蒸汽联合循环机组数据库(如PI，MySQL数据库)中采集筛选包含机组运行全工况的历史健康数据为数据样本，所述数据样本指从燃气-蒸汽联合循环机组数据库中采集筛选包含机组运行全工况的历史健康数据，即覆盖包含春、夏、秋、冬四个季节的历史健康数据；
(3)数据稳态筛选：由于联合循环机组经常参与电网调峰变负荷运行，在这种非稳定状态的工况下，系统输入与输出之前的模型关系不能保持较强一致性，因此，利用机组历史运行数据选定变负荷下参数的基准参照值时，需要对步骤(2)采集的建模数据样本进行稳态筛选，一种数据稳态筛选方法，其步骤包括，
(3.1)计算连续t分钟内燃气轮机负荷和主蒸汽压力的最大值和最小值之差与额定值的比值λk，具体如下式：
式中：
Xmax、Xmin分别为一段时间t分钟内参数的最大值、最小值；
Xe为该参数在额定负荷下的额定值；
本实施例中，t分钟取值为30分钟；
(3.2)判断λk是否小于对应的稳定阈值γ，如果小于认为系统稳定状态，本实施例中稳定阈值取值为0.01，数据稳态筛选规则如表2所示；
表2数据稳态筛选规则
(3.3)若λk大于或等于对应的稳定阈值γ，则没有达到设定的稳定状态范围，参数向后递推10分钟，再次按步骤(3.1)和步骤(3.2)进行稳态工况的判定，从而完成步骤(2)中数据的稳态筛选；
(4)数据归一化处理：此外，每组样本数据均包括步骤(1)选取模型相关的9个变量参数，由于这些变量参数具有不同的量纲与量级，为保证模型高效运行，对步骤(3)中筛选的稳态数据进行归一化处理获得归一化数据，并将归一化数据按照个数比例分为训练数据和测试数据；本实施例中，将归一化数据按照7：3的个数比例分为训练数据和测试数据，即70％数量的归一化数据设为训练数据，30％数量的归一化数据设为测试数据；
一种数据归一化处理方法，其步骤包括，
(4.1)提取步骤(3)中筛选的稳态数据；
(4.2)对稳态数据按照公式进行归一化处理，公式为：
si＝[xi-min(x)]/[max(x)-min(x)]
式中，
max(x)和min(x)为样本数据的最大值与最小值；
xi为原始样本数据；
si为归一化后的数值；
(4.3)获得稳态数据的归一化数据；
(5)最小二乘支持向量机模型选择、训练与测试：对最小二乘支持向量机模型进行核函数的选择以及利用步骤(4)中获得的归一化数据中的训练数据进行模型训练，模型训练后再使用测试数据进行测试，测试通过后即获得最终的最小二乘支持向量机模型；
一种最小二乘支持向量机模型选择、训练与测试方法，其步骤包括，
(5.1)最小二乘支持向量机方法建模流程如图3所示，最小二乘支持向量机模型选择采用径向基函数作为核函数，模型结构为：
式中：
K(x,xi)＝exp(-||x-xi||2/2σ2)，即径向基(RBF)函数为核函数；
αi为支持向量系数；
b为常数偏置量。
(5.2)将步骤(4)中获得的归一化数据即包括燃机功率、大气温度、机组转速、压气机出口压力、压气机出口温度、IGV阀门开度、天然气体积流量、预混控制阀阀位、值班控制阀阀位9个参数作为最小二乘支持向量机模型的输入变量，燃气轮机排气温度作为最小二乘支持向量机模型的输出目标值，进行模型的训练与测试；
模型训练：先将步骤(4)中获得的训练数据作为最小二乘支持向量机模型的输入变量后，产生输出值，当模型产生的输出值与实际数据之间的相对误差在指定范围内时就结束训练，当模型产生的输出值与实际数据之间的相对误差在指定范围之外时，就调整模型参数不断寻优，重复进行训练，直至模型产生的输出值与实际数据之间的相对误差在指定范围内；
模型测试：再将步骤(4)中获得的测试数据作为训练数据训练获得的最小二乘支持向量机模型的输入变量后，产生输出值，当模型产生的输出值与实际数据之间的相对误差在指定范围内时就结束训练，获得最终的最小二乘支持向量机模型；当模型产生的输出值与实际数据之间的相对误差在指定范围之外时，就重复上述模型训练步骤，重复进行训练，直至模型产生的输出值与实际数据之间的相对误差在指定范围内；
所述最小二乘支持向量机模型是将燃机功率、大气温度、机组转速、压气机出口压力、压气机出口温度、IGV阀门开度、天然气体积流量、预混控制阀阀位、值班控制阀阀位9个参数作为最小二乘支持向量机模型的输入变量后，产生输出值，当模型产生的输出值与实际数据之间的相对误差在指定范围内时就结束训练，当模型产生的输出值与实际数据之间的相对误差在指定范围之外时，就调整模型参数不断寻优，重复进行训练，直至模型产生的输出值与实际数据之间的相对误差在指定范围内；
本实施例中，模型输出平均相对误差为0.14％，为了便于观察，展示500组数据示例，如图4、图5所示；
(6)排气温度残差获取与统计分析：通过步骤(5)训练好模型后，再对排气温度残差进行计算及统计分析，
一种排气温度残差获取与统计分析方法，其步骤包括，
(6.1)计算步骤(5.2)中排气温度实际值Tri与最终的最小二乘支持向量机模型获得的排气温度输出预测值Tpi之差，即排气温度残差εi，结果如图6所示；
εi＝Tri-Tpi i＝1,2,3……n；
式中：
n为样本数据个数；
Tri为燃气轮机排气温度实际值；
Tpi为最小二乘支持向量机模型排气温度输出预测值，即排气温度的基准参照值；
(6.2)考虑到随机因素的影响，燃气轮机排气温度残差εi在一定程度上可以看做近似符合正态分布，依据拉依达准则有下式：
P(μ-3σ≤εi≤μ+3σ)＝99.7％
式中：
P为概率值；
μ为步骤(6.1)获得的排气温度残差εi的平均值；
σ为排气温度残差的εi标准差。
因此，可以认为正常数据残差取值几乎全部集中在置信区间[μ-3σ,μ+3σ]内，超出这个范围的可能性仅占不到0.3％；
在本实施例中，针对本实施例中利用的数据，μ＝0.0768，σ＝0.5454，即正常数据残差取值几乎全部集中在置信区间[-1.5594，1.7130]内；
(7)排气温度异常检测分析判断：依据排气温度残差进行排气温度的异常检测判断，一种排气温度异常检测分析判断方法，其步骤包括，
(7.1)计算当前数据的排气温度残差ε，判定其是否在区间[μ-3σ,μ+3σ]内，若不在区间内，记录此数据，等待下一步的判定；否则认为排气温度处于正常状态；
(7.2)进行下一个采样周期的判定，若排气温度残差ε在区间[μ-3σ,μ+3σ]内，则认为排气温度处于正常状态；
(7.3)若连续N个排气温度残差ε数据均不在区间[μ-3σ,μ+3σ]内，则判定燃气轮机排气温度处于异常状态，需要进行诊断。
本实施例中，N可以取值为20，针对本实施例中利用的数据，若连续20个数据均不在[-1.5594，1.7130]区间内，则可以判断燃气轮机排气温度处于异常状态，需要进行诊断。
本发明利用机理分析、数据驱动以及统计理论相结合的技术，考虑到工况和环境边界条件的变化，对电站燃气轮机排气温度进行参数建模，基于最小二乘支持向量机的燃气轮机排气温度基准参照值求取模型精度高、泛化能力强。与人工神经网络相比，最小二乘支持向量机能够很好地克服人工神经网络训练时间长、训练结果存在随机性和过学习等不足，十分适合复杂非线性系统的建模。基于该模型与统计理论方法，对于电站燃气轮机排气温度进行异常检测准确性高，非常适合应用于工程实践，充分提高燃气轮机的可靠性和可用性，最大限度地延长其使用寿命，降低运行维护成本。
Claims (6)
1.一种电站燃气轮机排气温度的异常检测方法，其步骤包括，
(1)模型相关参数选取：选取燃机功率、大气温度、机组转速、压气机出口压力、压气机出口温度、IGV阀门开度、天然气体积流量、预混控制阀阀位、值班控制阀阀位9个参数作为最小二乘支持向量机模型的输入变量，选取燃气轮机排气温度作为最小二乘支持向量机模型的输出目标值；
(2)数据样本采集：从燃气-蒸汽联合循环机组数据库中采集筛选包含机组运行全工况的历史健康数据为数据样本；
(3)数据稳态筛选：由于联合循环机组经常参与电网调峰变负荷运行，在这种非稳定状态的工况下，系统输入与输出之前的模型关系不能保持较强一致性，因此需要对步骤(2)采集的数据样本进行稳态筛选；
(4)数据归一化处理：由于步骤(1)选取的模型相关变量参数具有不同的量纲与量级，为保证模型高效运行，对步骤(3)中筛选的稳态数据进行归一化处理获得归一化数据，并将归一化数据按照个数比例分为训练数据和测试数据；
(5)最小二乘支持向量机模型选择、训练与测试：对最小二乘支持向量机模型进行核函数的选择，再利用步骤(4)中获得的归一化数据中的训练数据进行模型训练，模型训练后再使用测试数据进行测试，测试通过后即获得最终的最小二乘支持向量机模型；
(6)排气温度残差获取与统计分析：通过步骤(5)训练好模型后，再对排气温度残差进行计算及统计分析；所述排气温度残差为排气温度实际值与步骤(5)最终的最小二乘支持向量机模型获得的排气温度输出预测值之差；
(7)排气温度异常检测分析判断：依据排气温度残差进行排气温度的异常检测判断。
为了获得更好的技术效果，所述步骤(2)采集的数据样本，指从燃气-蒸汽联合循环机组数据库中采集筛选包含机组运行全工况的历史健康数据，即覆盖包含春、夏、秋、冬四个季节的历史健康数据。
2.如权利要求1所述电站燃气轮机排气温度的异常检测方法，其特征在于，所述步骤(3)中数据稳态筛选的一种数据稳态筛选方法，其步骤包括，
(3.1)计算连续t分钟内燃气轮机负荷和主蒸汽压力的最大值和最小值之差与额定值的比值λk，具体如下式：
式中：
Xmax、Xmin分别为一段时间t分钟内参数的最大值、最小值；
Xe为该参数在额定负荷下的额定值；
(3.2)判断λk是否小于对应的稳定阈值γ，如果小于认为系统稳定状态；
(3.3)若λk大于或等于对应的稳定阈值γ，则没有达到设定的稳定状态范围，参数向后递推10分钟，再次按步骤(3.1)和步骤(3.2)进行稳态工况的判定，从而完成步骤(2)中数据的稳态筛选。
3.如权利要求1所述电站燃气轮机排气温度的异常检测方法，其特征在于，所述步骤(4)数据归一化处理的一种数据归一化处理方法，其步骤包括，
(4.1)提取步骤(3)中筛选的稳态数据；
(4.2)对稳态数据按照公式进行归一化处理，公式为：
si＝[xi-min(x)]/[max(x)-min(x)]
式中：
max(x)和min(x)为样本数据的最大值与最小值；
xi为原始样本数据；
si为归一化后的数值；
(4.3)获得稳态数据的归一化数据。
4.如权利要求1所述电站燃气轮机排气温度的异常检测方法，其特征在于，所述步骤(5)最小二乘支持向量机模型选择与训练的一种最小二乘支持向量机模型选择、训练与测试方法，其步骤包括，
(5.1)最小二乘支持向量机模型选择采用径向基函数作为核函数，模型结构为：
式中：
K(x,xi)＝exp(-||x-xi||2/2σ2)，即径向基(RBF)函数为核函数；
αi为支持向量系数，
b为常数偏置量；
(5.2)将步骤(4)中获得的归一化数据即包括燃机功率、大气温度、机组转速、压气机出口压力、压气机出口温度、IGV阀门开度、天然气体积流量、预混控制阀阀位、值班控制阀阀位9个参数作为最小二乘支持向量机模型的输入变量，燃气轮机排气温度作为最小二乘支持向量机模型的输出目标值，进行模型的训练与测试；
模型训练：先将步骤(4)中获得的训练数据作为最小二乘支持向量机模型的输入变量后，产生输出值，当模型产生的输出值与实际数据之间的相对误差在指定范围内时就结束训练，当模型产生的输出值与实际数据之间的相对误差在指定范围之外时，就调整模型参数不断寻优，重复进行训练，直至模型产生的输出值与实际数据之间的相对误差在指定范围内；
模型测试：再将步骤(4)中获得的测试数据作为训练数据训练获得的最小二乘支持向量机模型的输入变量后，产生输出值，当模型产生的输出值与实际数据之间的相对误差在指定范围内时就结束训练，获得最终的最小二乘支持向量机模型；当模型产生的输出值与实际数据之间的相对误差在指定范围之外时，就重复上述模型训练步骤，重复进行训练，直至模型产生的输出值与实际数据之间的相对误差在指定范围内。
5.如权利要求1所述电站燃气轮机排气温度的异常检测方法，其特征在于，所述步骤(6)排气温度残差获取与统计分析的一种排气温度残差获取与统计分析方5法，其步骤包括，
(6.1)计算步骤(5.2)中排气温度实际值Tri与最终的最小二乘支持向量机模型获得的排气温度输出预测值Tpi之差，即排气温度残差εi，
εi＝Tri-Tpii＝1,2,3……n；
式中：
n为样本数据个数；
Tri为燃气轮机排气温度实际值；
Tpi为最小二乘支持向量机模型获得的排气温度输出预测值，即排气温度的基准参照值；
(6.2)考虑到随机因素的影响，燃气轮机排气温度残差εi可以看成近似符合正态分布，依据拉依达准则有下式：
P(μ-3σ≤εi≤μ+3σ)＝99.7％
式中：
P为概率值；
μ为步骤(6.1)获得的排气温度残差εi的平均值；
σ为排气温度残差的εi标准差。
6.如权利要求1所述电站燃气轮机排气温度的异常检测方法，其特征在于，所述步骤(7)排气温度异常检测分析判断的一种排气温度异常检测分析判断方法，其步骤包括，
(7.1)计算当前数据的排气温度残差ε，判定其是否在区间[μ-3σ,μ+3σ]内，若不在区间内，记录此数据，等待下一步的判定；否则认为排气温度处于正常状态；
(7.2)进行下一个采样周期的判定，若排气温度残差ε在区间[μ-3σ,μ+3σ]内，则认为排气温度处于正常状态；
(7.3)若连续N个排气温度残差ε数据均不在区间[μ-3σ,μ+3σ]内，则判定燃气轮机排气温度处于异常状态，需要进行诊断。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911215205.0A CN111159844B (zh) | 2019-12-02 | 2019-12-02 | 一种电站燃气轮机排气温度的异常检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911215205.0A CN111159844B (zh) | 2019-12-02 | 2019-12-02 | 一种电站燃气轮机排气温度的异常检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111159844A true CN111159844A (zh) | 2020-05-15 |
| CN111159844B CN111159844B (zh) | 2022-12-06 |
Family
ID=70556308
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911215205.0A Active CN111159844B (zh) | 2019-12-02 | 2019-12-02 | 一种电站燃气轮机排气温度的异常检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111159844B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111948596A (zh) * | 2020-08-24 | 2020-11-17 | 国网四川省电力公司电力科学研究院 | 基于多时间尺度的台区电能表误差在线检测方法和系统 |
| CN112016754A (zh) * | 2020-08-31 | 2020-12-01 | 哈电发电设备国家工程研究中心有限公司 | 基于神经网络的电站锅炉排烟温度超前预测系统及方法 |
| CN112610330A (zh) * | 2020-12-08 | 2021-04-06 | 孚创动力控制技术（启东）有限公司 | 一种内燃机运行状态的监测及分析系统和方法 |
| CN113127542A (zh) * | 2021-05-06 | 2021-07-16 | 郑州航空工业管理学院 | 一种数据异常分析方法和装置 |
| CN114235422A (zh) * | 2021-12-13 | 2022-03-25 | 中国船舶重工集团公司第七0三研究所 | 一种燃气轮机启动异常的检测方法 |
| CN114235423A (zh) * | 2021-12-13 | 2022-03-25 | 中国船舶重工集团公司第七0三研究所 | 一种燃气轮机滑油供给系统故障的检测方法 |
| CN114876699A (zh) * | 2022-06-02 | 2022-08-09 | 湖南江河能源科技股份有限公司 | 一种利用大数据判断水轮机温度异常的方法 |
| WO2023130998A1 (zh) * | 2022-01-05 | 2023-07-13 | 蓝箭航天技术有限公司 | 涡轮进口温度的计算精度提高方法、系统及存储介质 |
| CN118466177A (zh) * | 2024-07-09 | 2024-08-09 | 山东宏达科技集团有限公司 | 一种基于燃气轮机的换热系统及其监测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108647809A (zh) * | 2018-04-17 | 2018-10-12 | 西安热工研究院有限公司 | 一种基于最小二乘支持向量机的汽轮机排汽焓实时计算方法 |
| CN110513336A (zh) * | 2019-09-05 | 2019-11-29 | 哈尔滨电气股份有限公司 | 一种电站燃气轮机离线水洗时间的确定方法 |
-
2019
- 2019-12-02 CN CN201911215205.0A patent/CN111159844B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108647809A (zh) * | 2018-04-17 | 2018-10-12 | 西安热工研究院有限公司 | 一种基于最小二乘支持向量机的汽轮机排汽焓实时计算方法 |
| CN110513336A (zh) * | 2019-09-05 | 2019-11-29 | 哈尔滨电气股份有限公司 | 一种电站燃气轮机离线水洗时间的确定方法 |
Non-Patent Citations (1)
| Title |
|---|
| 倪景峰等: "基于最小二乘支持向量机算法的测量数据时序异常检测方法", 《华北电力大学学报(自然科学版)》 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111948596A (zh) * | 2020-08-24 | 2020-11-17 | 国网四川省电力公司电力科学研究院 | 基于多时间尺度的台区电能表误差在线检测方法和系统 |
| CN111948596B (zh) * | 2020-08-24 | 2023-03-14 | 国网四川省电力公司电力科学研究院 | 基于多时间尺度的台区电能表误差在线检测方法和系统 |
| CN112016754A (zh) * | 2020-08-31 | 2020-12-01 | 哈电发电设备国家工程研究中心有限公司 | 基于神经网络的电站锅炉排烟温度超前预测系统及方法 |
| CN112610330A (zh) * | 2020-12-08 | 2021-04-06 | 孚创动力控制技术（启东）有限公司 | 一种内燃机运行状态的监测及分析系统和方法 |
| CN113127542A (zh) * | 2021-05-06 | 2021-07-16 | 郑州航空工业管理学院 | 一种数据异常分析方法和装置 |
| CN113127542B (zh) * | 2021-05-06 | 2023-06-16 | 郑州航空工业管理学院 | 一种数据异常分析方法和装置 |
| CN114235422A (zh) * | 2021-12-13 | 2022-03-25 | 中国船舶重工集团公司第七0三研究所 | 一种燃气轮机启动异常的检测方法 |
| CN114235423A (zh) * | 2021-12-13 | 2022-03-25 | 中国船舶重工集团公司第七0三研究所 | 一种燃气轮机滑油供给系统故障的检测方法 |
| WO2023130998A1 (zh) * | 2022-01-05 | 2023-07-13 | 蓝箭航天技术有限公司 | 涡轮进口温度的计算精度提高方法、系统及存储介质 |
| CN114876699A (zh) * | 2022-06-02 | 2022-08-09 | 湖南江河能源科技股份有限公司 | 一种利用大数据判断水轮机温度异常的方法 |
| CN114876699B (zh) * | 2022-06-02 | 2024-07-23 | 湖南江河能源科技股份有限公司 | 一种利用大数据判断水轮机温度异常的方法 |
| CN118466177A (zh) * | 2024-07-09 | 2024-08-09 | 山东宏达科技集团有限公司 | 一种基于燃气轮机的换热系统及其监测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111159844B (zh) | 2022-12-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111159844B (zh) | 一种电站燃气轮机排气温度的异常检测方法 | |
| CN109446187B (zh) | 基于注意力机制与神经网络的复杂装备健康状态监测方法 | |
| CN111237134B (zh) | 一种基于GRA-LSTM-stacking模型的海上双馈风力发电机故障诊断方法 | |
| Hanachi et al. | A physics-based modeling approach for performance monitoring in gas turbine engines | |
| CN106404403B (zh) | 用于涡轮机的分析的方法和系统 | |
| CN108446529B (zh) | 基于广义互熵—dpca算法的有机朗肯循环系统故障检测方法 | |
| US7890296B2 (en) | Method of analyzing the performance of gas turbine engines | |
| CN111365083B (zh) | 一种基于热力参数的汽轮机通流部分故障诊断方法 | |
| CN108490908B (zh) | 一种面向百万千瓦超超临界机组变工况运行的动态分布式监测方法 | |
| CN109538311B (zh) | 面向高端发电装备中汽轮机的控制性能实时监测方法 | |
| CN107103167B (zh) | 针对甩负荷工况的deh调速功能诊断方法及系统 | |
| CN109184821B (zh) | 一种大型发电机组汽轮机的闭环信息分析的在线监测方法 | |
| CN111275570A (zh) | 一种基于迭代式统计与假设检验的风电机组功率异常值检测方法 | |
| CN108334674A (zh) | 一种基于参数关联性智能分析的汽轮机高压缸运行状态监测方法 | |
| CN114969645A (zh) | 一种基于统计分布模型的航空发动机状态监测评估方法 | |
| CN115163424A (zh) | 基于神经网络的风电机组齿轮箱油温故障检测方法和系统 | |
| Wang et al. | Research on anomaly detection and positioning of marine nuclear power steam turbine unit based on isolated forest | |
| CN117927322A (zh) | 一种基于燃气-蒸汽联合循环效率优化方法及系统 | |
| Guan et al. | Multidimensional analysis and performance prediction of heavy-duty gas turbine based on actual operational data | |
| CN110646193A (zh) | 一种获取汽轮机高压调门流量特性的试验方法 | |
| CN109270917B (zh) | 一种面向智能电厂汽轮机轴承的闭环控制系统故障退化状态预测方法 | |
| CN116029433A (zh) | 基于灰色预测的能效基准值判定方法、系统、设备和介质 | |
| CN111242345A (zh) | 基于聚类分析和随机森林回归的核电机组电功率预测方法 | |
| CN105279553A (zh) | 一种高加给水系统故障程度识别方法 | |
| CN113112091A (zh) | 一种基于pca和lstm的核电机组功率预测方法 |
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 |