CN111915855B - 用于百万千瓦超超临界机组报警系统的报警分析方法 - Google Patents
用于百万千瓦超超临界机组报警系统的报警分析方法 Download PDFInfo
- Publication number
- CN111915855B CN111915855B CN202010697092.9A CN202010697092A CN111915855B CN 111915855 B CN111915855 B CN 111915855B CN 202010697092 A CN202010697092 A CN 202010697092A CN 111915855 B CN111915855 B CN 111915855B
- Authority
- CN
- China
- Prior art keywords
- alarm
- mode
- representative
- analysis method
- alarm mode
- 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
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Alarm Systems (AREA)
Abstract
本发明提供了一种用于百万千瓦超超临界机组报警系统的报警分析方法,包括:S1.离线报警模式分析,基于历史报警信息构建报警模式库;S2.在线报警模式匹配,在线将正在发生的报警情况与报警模式库中的报警模式进行匹配,诊断当前报警原因。本发明充分利用了历史报警信息,通过报警模式提取的方式建立了报警模式库;二是在线能够判断当前报警是由报警模式库中哪个或哪些事件引起,报警模式的检测结果可以指导行业从业人员分析报警的根源,因此可以相当有效地解决众多报警的分析和处理问题,提高报警处理效率。
Description
技术领域
本发明属于工业过程报警技术领域,尤其是涉及一种面向百万千瓦超超临界机组报警系统的基于报警模式提取的报警分析方法。
背景技术
现代工业系统的规模和复杂程度都在日益提高,火力发电过程渐渐地向复杂化、大型化发展,一旦出现异常,都可能带来重大的财产损失,甚至人员伤亡。报警系统作为保证当前生产过程和设备安全运行的关键环节,其设计的合理与否关乎着整个工业过程的运行状态。报警系统是复杂工业设施和大规模网络中必不可少的一个项目,通常部署有大量的传感器、执行器、通信设备和控制模块。这些部件的复杂特性,如非线性、过程相关性和多种工作模式,对高效报警系统的设计提出了挑战。此外,这些组件的集成和互连会导致异常在大范围内传播,从而可能导致广泛的负面影响。从全球许多工业灾难事件来看,报警监控失败的后果可能是巨大的。随着对复杂工业设施过程安全的重视,越来越多的人致力于开发先进的报警管理技术和提高报警处理性能。
工业报警管理中最困难的问题之一是报警泛滥的存在,报警泛滥通常是由异常的传播引起的,是许多工业事故的主要原因。ISA-18.2标准将报警泛滥定义为报警率大于操作员有效管理的情况,建议每个操作员每10分钟10个报警作为识别报警泛滥的基准阈值。然而,实际过程中报警情况远超阈值。根据现有的研究,为减少报警泛滥,常用的有以下四类方法来进行报警处理:
1)通过更好的报警系统设计或报警合理化,消除有害报警(如假报警、抖振报警、重复报警等;2)提高操作员对报警泛滥关键事件的意识;3)通过发现类似报警泛滥情况,进行早期故障预测;4)抑制无关警报(即,报警抑制)。其中报警抑制是实践中最多使用的方法,但是在实践中,使用动态报警抑制需要相当精确的过程知识。常见的情况是,某些事件,如压缩机跳闸,可能频繁发生,导致一系列报警。
发明内容
本发明的目的是针对上述问题,提供一种用于百万千瓦超超临界机组报警系统的报警分析方法。
为达到上述目的,本发明采用了下列技术方案:
一种用于百万千瓦超超临界机组报警系统的报警分析方法的方法流程图,包括:
S1.离线报警模式分析,基于历史报警信息构建报警模式库;
S2.在线报警模式匹配,在线将正在发生的报警情况与报警模式库中的报警模式进行匹配,诊断当前报警原因。
在上述的用于百万千瓦超超临界机组报警系统的报警分析方法中,步骤S1包括:
S11.数据处理,将报警日志中的历史报警信息处理为用于报警模式提取的报警集;
S12.挖掘频繁报警模式,根据步骤S11中的报警集得到频繁项集;
S13.提取代表性报警模式,根据步骤S12中得到的频繁项集确定代表性报警模式;
S14.构建报警模式库,使用专家知识为代表性报警模式设定标识符以构建报警模式库。
在上述的用于百万千瓦超超临界机组报警系统的报警分析方法中,在步骤S11中,对历史报警信息的处理方法为:
设共有N个二值报警变量ai,i=1,...,N,使用移动滑窗,滑窗长度为T,T时间长度内所有报警变量的组合为dt,其中t表示采样时刻;
在上述的用于百万千瓦超超临界机组报警系统的报警分析方法中,在步骤S13中,通过以下方式确定代表性报警模式:
使用Jaccard相似系数衡量频繁项集间的相似度,将相似系数超过相似阈值的频繁项集的合集视为一组相似报警模式,并将其确定为代表性报警模式。
在上述的用于百万千瓦超超临界机组报警系统的报警分析方法中,在步骤S13中,还包括确定代表性报警模式集合:
在上述的用于百万千瓦超超临界机组报警系统的报警分析方法中,步骤S14具体为:
使用专家知识为每个代表性报警模式设定相应的标识符,且所述标识符表示引发报警模式中报警发生的原因或事件以构建报警模式库。
在上述的用于百万千瓦超超临界机组报警系统的报警分析方法中,步骤S14还包括:
将每个报警模式转换为一个N维向量,元素取值0或1以分别表示报警模式中是否包含相应报警变量。
在上述的用于百万千瓦超超临界机组报警系统的报警分析方法中,步骤S2包括:
S21.基于报警模式库构建目标函数;
S22.使用遗传算法求解步骤S21中目标函数以诊断引发当前报警的原因;
在上述的用于百万千瓦超超临界机组报警系统的报警分析方法中,步骤S21中,所述的目标函数为f(E)=w1|A|+w2|ΔA|+w2|E|,其中,
w1,w2,w3为三个指标在目标函数中所占的权重系数;
A:如果At中的第j个元素为0或At和A(E)中的第j个元素都为1,则A中的第j个元素为0,否则为1;|A|表示A中的非零元素的数目;
At是一个N维向量,元素取值0或1分别表示报警变量的实际出现与否;
A(E)是一个N维向量,表示当E中取值为1的事件发生时,应出现的警报;
As={ai,i=1,...,N}为所有报警变量的集合,其中ai代表二值报警变量;
采用移动滑窗,滑窗长度为T,T时间长度内所有报警变量的组合为At={ai∈As},其中t表示当前时刻;
ΔA:是一个N维向量,等于At-A(E),|ΔA|表示ΔA中的非零元素的数目;
在步骤S22中,求解在At已知的情况下,使f(E)最小的E,该E中元素取1所对应的事件π(Hi)即为引发当前报警的原因。
本发明的有益效果在于:一是充分利用了历史报警信息,通过报警模式提取的方式建立了报警模式库;二是在线能够判断当前报警是由报警模式库中哪个或哪些事件引起,报警模式的检测结果可以指导行业从业人员分析报警的根源,因此可以相当有效地解决众多报警的分析和处理问题,提高报警处理效率。
附图说明
图1是本发明用于百万千瓦超超临界机组报警系统的报警分析方法的方法流程图;
图2是本发明报警模式库中的部分内容。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步详细的说明。
电厂锅炉制粉系统是火电厂机组的一个重要组成部分,它的经济调整直接影响整个火电发电厂运行的经济效益,因此对火电机组制粉系统报警的报警分析和报警管理具有十分重要的意义。本实施例以浙江台二电厂1号机组制粉系统为例,针对制粉系统过程的研究总共包含58个二值报警变量,这些变量包括压力高/低报警、温度高/低报警等。
如图1所示,本发明是针对百万千瓦超超临界机组报警系统报警分析方法,包括以下步骤:
(1)报警模式库构建,其包含子步骤:
(1.1)数据处理:将报警日志中的历史报警信息处理为用于报警模式提取的报警集,方法为:共有N个二值报警变量ai,i=1,...,N,此处N=58,使用移动滑窗,滑窗长度为T,本例中T取10min,T时间长度内所有报警变量的组合为dt,其中t表示采样时刻,所有采样时刻例如时刻1变量1,2,5报警,则d1=<1,2,5>,最终得到用于报警模式提取的TID项集格式的集合其中TID是时刻标识符,代表当前时刻t。
(1.3)确定代表性报警模式:频繁项集数量通常很多,由于某个或某几个变量的误报、漏报,通常会有相似的频繁项集,因此要进行频繁项集的合并,确定具有代表性的报警模式。具体为:使用Jaccard相似指数衡量两个频繁项集间的相似度,计算方法如下:
选择相似阈值ε=0.3,相似系数超过相似阈值的频繁项集属于同一报警模式,视为一组相似报警模式,并将其确定为代表性报警模式H。
(1.4)构建报警模式库:使用专家知识为每个代表性报警模式Hi设定相应的标识符π(Hi),报警模式的标识符为引发该报警模式中报警发生的原因或事件。并且为了后续在线进行报警模式匹配,将每个报警模式Hi转换为一个N维向量,元素取值0或1分别表示报警模式中是否包含该报警变量。最终构成报警模式库报警模式库中部分内容如图2所示。
(2)在线将正在发生的报警情况与报警模式库中的报警模式进行匹配,诊断当前报警原因。
(2.1)As={ai,i=1,...,N}为所有报警变量的集合,其中ai代表二值报警变量。为所有报警模式库中所有事件的集合。在线时也采用移动滑窗,滑窗长度为T=10min,T时间长度内所有报警变量的组合为At={ai∈As},其中t表示当前时刻。设定目标函数f(E),通过求解在At已知的情况下,使f(E)最小的E,从而判断当前报警最可能是由报警模式库中哪些事件引起的。
minf(E)=w1|A|+w2|ΔA|+w3|E|
其中,E是一个维向量,E中每个元素取值0或1分别表示中每个事件的发生与否;At是一个N维向量,元素取值0或1分别表示报警变量的实际出现与否;A(E)是一个N维向量,表示当E中取值为1的事件发生时,应出现的警报。
A:如果At中的第j个元素为0或At和A(E)中的第j个元素都为1,则A中的第j个元素为0,否则为1。|A|表示A中的非零元素的数目。
ΔA:是一个N维向量,等于At-A(E),|ΔA|表示ΔA中的非零元素的数目。|E|表示E中的非零元素的数目。
w1,w2,w3为三个指标在目标函数中所占的权重系数。
(2.2)使用遗传算法求解上述目标函数,E中元素取1所对应的事件π(Hi)即为引发当前报警的原因。假设当前报警变量为:{'磨煤机磨碗上下差压','低加水位2','低加水位1'},取w1=10,w2=1,w3=1,得到的匹配结果为E={e1=1}。报警可能是给煤机煤量波动导致。
本发明充分利用了历史报警信息,频繁报警模式的检测结果可以指导行业从业人员分析报警的根源,因此可以相当有效地解决众多报警的分析和处理问题,提供报警处理参考。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
尽管本文较多地使用了网络模型、控制器输出、被控变量、粘滞参数、阀门粘滞回路仿真模型、标签等术语,但并不排除使用其它术语的可能性。使用这些术语仅仅是为了更方便地描述和解释本发明的本质;把它们解释成任何一种附加的限制都是与本发明精神相违背的。
Claims (7)
1.一种用于百万千瓦超超临界机组报警系统的报警分析方法,其特征在于,包括:
S1.离线报警模式分析,基于历史报警信息构建报警模式库:
S11.数据处理,将报警日志中的历史报警信息处理为用于报警模式提取的报警集;
S12.挖掘频繁报警模式,根据步骤S11中的报警集得到频繁项集;
S13.提取代表性报警模式,根据步骤S12中得到的频繁项集确定代表性报警模式;
S14.构建报警模式库,使用专家知识为代表性报警模式设定标识符以构建报警模式库;
S2.在线报警模式匹配,在线将正在发生的报警情况与报警模式库中的报警模式进行匹配,诊断当前报警原因;
步骤S2包括:
S21.基于报警模式库构建目标函数;
S22.使用遗传算法求解步骤S21中目标函数以诊断引发当前报警的原因;
步骤S21中,所述的目标函数为
f(E)=w1|A|+w2|ΔA|+w3|E|,其中,
w1,w2,w3为三个指标在目标函数中所占的权重系数;
A:如果At中的第j个元素为0或At和A(E)中的第j个元素都为1,则A中的第j个元素为0,否则为1;|A|表示A中的非零元素的数目;
At是一个N维向量,元素取值0或1分别表示报警变量的实际出现与否;
A(E)是一个N维向量,表示当E中取值为1的事件发生时,应出现的警报;
As={ai,i=1,...,N}为所有报警变量的集合,其中ai代表二值报警变量;
采用移动滑窗,滑窗长度为T,T时间长度内所有报警变量的组合为At={ai∈As},其中t表示当前时刻;
ΔA:是一个N维向量,等于At-A(E),|ΔA|表示ΔA中的非零元素的数目;
在步骤S22中,求解在At已知的情况下,使f(E)最小的E,该E中元素取1所对应的事件π(Hi)即为引发当前报警的原因。
4.根据权利要求3所述的用于百万千瓦超超临界机组报警系统的报警分析方法,其特征在于,在步骤S13中,通过以下方式确定代表性报警模式:
使用Jaccard相似系数衡量频繁项集间的相似度,将相似系数超过相似阈值的频繁项集的合集视为一组相似报警模式,并将其确定为代表性报警模式。
6.根据权利要求5所述的用于百万千瓦超超临界机组报警系统的报警分析方法,其特征在于,步骤S14具体为:
使用专家知识为每个代表性报警模式设定相应的标识符,且所述标识符表示引发报警模式中报警发生的原因或事件以构建报警模式库。
7.根据权利要求6所述的用于百万千瓦超超临界机组报警系统的报警分析方法,其特征在于,步骤S14还包括:
将每个报警模式转换为一个N维向量,元素取值0或1以分别表示报警模式中是否包含相应报警变量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010697092.9A CN111915855B (zh) | 2020-07-20 | 2020-07-20 | 用于百万千瓦超超临界机组报警系统的报警分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010697092.9A CN111915855B (zh) | 2020-07-20 | 2020-07-20 | 用于百万千瓦超超临界机组报警系统的报警分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111915855A CN111915855A (zh) | 2020-11-10 |
CN111915855B true CN111915855B (zh) | 2022-11-11 |
Family
ID=73281909
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010697092.9A Active CN111915855B (zh) | 2020-07-20 | 2020-07-20 | 用于百万千瓦超超临界机组报警系统的报警分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111915855B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110009126A (zh) * | 2019-01-23 | 2019-07-12 | 北京化工大学 | 基于pls模型与pca贡献度融合的在线报警分析方法 |
CN110176132A (zh) * | 2019-05-27 | 2019-08-27 | 山东科技大学 | 基于贝叶斯网络的逻辑报警根源分析方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8269620B2 (en) * | 2008-12-19 | 2012-09-18 | Honeywell Internatonal Inc. | Alarm trend summary display system and method |
CN103489138B (zh) * | 2013-10-16 | 2016-03-09 | 国家电网公司 | 一种输电网故障信息与线路越限信息的相关度分析法 |
CN105069115B (zh) * | 2015-08-11 | 2018-09-18 | 浙江中控技术股份有限公司 | 一种基于历史报警分布式聚类的报警抑制方法 |
CN106127607A (zh) * | 2016-06-24 | 2016-11-16 | 广西电网有限责任公司南宁供电局 | 一种电力事故上下层级原因相关度的分析方法 |
CN109446629A (zh) * | 2018-10-23 | 2019-03-08 | 山东科技大学 | 一种基于概率图模型的工业过程报警根源识别方法 |
-
2020
- 2020-07-20 CN CN202010697092.9A patent/CN111915855B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110009126A (zh) * | 2019-01-23 | 2019-07-12 | 北京化工大学 | 基于pls模型与pca贡献度融合的在线报警分析方法 |
CN110176132A (zh) * | 2019-05-27 | 2019-08-27 | 山东科技大学 | 基于贝叶斯网络的逻辑报警根源分析方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111915855A (zh) | 2020-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200292608A1 (en) | Residual-based substation condition monitoring and fault diagnosis | |
CN109933905B (zh) | 一种基于多维预警分析的机械设备健康状态评估方法 | |
US9483049B2 (en) | Anomaly detection and diagnosis/prognosis method, anomaly detection and diagnosis/prognosis system, and anomaly detection and diagnosis/prognosis program | |
CN112749509B (zh) | 一种基于lstm神经网络的智能变电站故障诊断方法 | |
CN108627720B (zh) | 一种基于贝叶斯算法的电力设备状态监测方法 | |
Gonzalez et al. | On the use of high-frequency SCADA data for improved wind turbine performance monitoring | |
CN110348150B (zh) | 一种基于相关概率模型的故障检测方法 | |
CN107219453B (zh) | 一种基于多维混合量的变电站继电保护隐性故障诊断方法 | |
CN111209934B (zh) | 风机故障预报警方法及系统 | |
CN102361014A (zh) | 大规模半导体制造过程的状态监控与故障诊断方法 | |
CN110209144B (zh) | 基于动静协同差异分析的两层实时监测与报警溯源方法 | |
CN117408162B (zh) | 基于数字孪生的电网故障控制方法 | |
Tao et al. | Abnormal detection of wind turbine based on SCADA data mining | |
CN117612345A (zh) | 一种电力设备状态监测报警系统及方法 | |
Wang et al. | Criteria and algorithms for online and offline detections of industrial alarm floods | |
Andrade et al. | Data-driven anomaly detection and event log profiling of SCADA alarms | |
Liu et al. | Hierarchical context-aware anomaly diagnosis in large-scale PV systems using SCADA data | |
CN111915855B (zh) | 用于百万千瓦超超临界机组报警系统的报警分析方法 | |
Noroozifar et al. | Root cause analysis of process faults using alarm data | |
Ayman et al. | Fault Detection in Wind Turbines using Deep Learning | |
CN117951633B (zh) | 一种光伏发电设备故障诊断方法及系统 | |
CN117935519B (zh) | 一种燃气检测警报系统 | |
CN117200458B (zh) | 一种基于智能低压开关柜的数字化管理方法及装置 | |
KR102629390B1 (ko) | 신재생 에너지 운영 시스템의 이상 탐지 시스템 및 방법 | |
CN112736878B (zh) | 一种电网连锁故障告警方法及系统 |
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 |