CN112859811B - 火电机组辅机设备运行健康状态实时检测方法、系统及介质 - Google Patents
火电机组辅机设备运行健康状态实时检测方法、系统及介质 Download PDFInfo
- Publication number
- CN112859811B CN112859811B CN202110049633.1A CN202110049633A CN112859811B CN 112859811 B CN112859811 B CN 112859811B CN 202110049633 A CN202110049633 A CN 202110049633A CN 112859811 B CN112859811 B CN 112859811B
- Authority
- CN
- China
- Prior art keywords
- auxiliary equipment
- real
- state
- running
- target auxiliary
- 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
- 230000036541 health Effects 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000011897 real-time detection Methods 0.000 title claims description 7
- 239000013598 vector Substances 0.000 claims abstract description 150
- 239000011159 matrix material Substances 0.000 claims abstract description 31
- 230000008859 change Effects 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000008878 coupling Effects 0.000 claims description 4
- 238000010168 coupling process Methods 0.000 claims description 4
- 238000005859 coupling reaction Methods 0.000 claims description 4
- 230000003862 health status Effects 0.000 claims description 3
- 238000010248 power generation Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000009434 installation Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000015271 coagulation Effects 0.000 description 1
- 238000005345 coagulation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000006996 mental state Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
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
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种火电机组辅机设备运行健康状态实时检测方法、系统及介质,本发明方法包括预先确定特征向量并指定搜索指针,收集目标辅机设备特征向量的样本建立健康运行状态记忆矩阵;获取目标辅机设备的实时特征向量Xa并在健康运行状态记忆矩阵内定位得到基准特征向量Xo;计算Xa、Xo间的相似度S和偏离度P并以此判断目标辅机设备是否处于健康运行状态。本发明将设备的运行参数组合起来作为表征设备运行状态的特征向量,基于设备运行的历史数据获得所有工况下的健康运行状态时的特征向量,建立健康运行状态记忆矩阵,通过实时特征向量、健康运行状态记忆矩阵比较,能准确判断设备状态,算法简单、实现方便,易于工程实施推广。
Description
技术领域
本发明涉及火力发电机组自动控制工程技术,具体涉及一种火电机组辅机设备运行健康状态实时检测方法、系统及介质。
背景技术
截止至2019年底,我国可再生能源发电装机达到7.94亿千瓦,同比增长9%。风电、光伏发电首次“双双”突破2亿千瓦。可再生能源发电装机约占全部电力装机的39.5%,同比上升1.1个百分点,可再生能源的清洁能源替代作用日益突显。火电机组的调峰属性越来越明显,频繁变动负荷、长期维持低负荷运行将成为运行常态。低负荷工况下辅机设备的可靠性是决定调峰能否安全实现的关键因素之一。超(超)临界火电机组锅炉侧重要辅机设备包括送风机、一次风机以及引风机,汽机侧重要辅机设备包括电泵、汽动给水泵以及凝结水泵。在低负荷工况下,当上述设备中的任意一台在运行中出现不健康运行时,机组的“非异停”风险极大,发电企业面临着较大考核压力,在火电行业经营形势日益严峻的大背景下,任何考核都应该避免。同时,若辅机设备在全负荷工况下都能可靠运行,发电机组可以获得丰厚的调峰补贴,则为发电企业创造了新的利润增长点。因此,通过技术手段保障辅机设备的可靠运行,提升机组的调峰能力,对当今形势下的火力发电企业显得尤为重要。
当前,主要依靠运行人员的经验判断辅机设备是否处于健康运行状态。在低负荷工况下,尤其是超(超)临界机组转入湿态运行后,自动投入率不高,几乎所有设备的操作都依赖于运行人员手动进行,极大地增加了监盘的工作量,同时也给运行人员带来了较大的精神压力和负担。深度调峰多在后半夜进行,正是人的精神状态容易松懈的时段,安全隐患更加严重。此外,运行人员判断辅机设备是否处于健康运行状态,常常需要等到某一个参数明显偏离正常工况甚至发生报警时才能确定,无法实时的对设备运行参数的匹配程度进行评估,导致干预过晚,抢救时间不足,常发生当设备出现异常时,即使发现了也仍因时间不足而导致跳机的现象。因此,火电机组辅机设备运行健康状态实时检测技术具有迫切的市场需求。
发明内容
本发明要解决的技术问题:针对现有技术的上述问题,提供一种火电机组辅机设备运行健康状态实时检测方法、系统及介质,本发明将设备的运行参数组合起来作为表征设备运行状态的特征向量,基于设备运行的历史数据获得所有工况下的健康运行状态时的特征向量,建立健康运行状态记忆矩阵,通过实时状态的特征向量与同工况下的健康运行的特征向量进行比较,判断设备是否正常运行,算法相对简单,可在任何控制系统上实现,易于工程实施推广。
为了解决上述技术问题,本发明采用的技术方案为:
一种火电机组辅机设备运行健康状态实时检测方法,包括:
1)预先确定表征目标辅机设备运行健康状态的特征向量并指定包含的多个特征值元素之一为搜索指针,收集目标辅机设备从发电机组并网初期、到额定功率所有工况下健康运行状态下特征向量的样本,并建立健康运行状态记忆矩阵;
2)获取目标辅机设备的实时特征向量Xa,基于实时特征向量Xa的搜索指针在健康运行状态记忆矩阵内定位得到基准特征向量Xo;
3)计算实时特征向量Xa、基准特征向量Xo之间的相似度S和偏离度P;
4)根据相似度S和偏离度P判断目标辅机设备是否处于健康运行状态。
可选地,步骤1)中指定包含的多个特征值元素之一为搜索指针时,作为搜索指针的特征值元素与其它特征值元素之间存在耦合关联,使得其它特征值元素的取值会跟随作为搜索指针的特征值元素的值变化而变化;步骤1)中建立健康运行状态记忆矩阵的步骤包括:基于收集得到的所有特征向量的样本,拟合特征向量的样本中除搜索指针以外的所有特征值元素与搜索指针之间的函数关系F,且拟合度大于拟合度设定阈值;均匀设置步长,使搜索指针的值从0开始以设置的步长变化至最大运行值,采用拟合得到的函数关系F,求取每个步长下搜索指针对应的其他特征值元素的值,将每个搜索指针及对应的其他特征值元素组成特征向量,作为一个行向量;将得到的所有行向量集合在一起,形成健康运行状态记忆矩阵。
可选地,步骤2)中基于实时特征向量Xa的搜索指针在健康运行状态记忆矩阵内定位得到基准特征向量Xo的步骤包括:将实时特征向量Xa的搜索指针分别与健康运行状态记忆矩阵内每一个行向量中的搜索指针相比,若两者相等则判定找到的行向量即为定位得到的基准特征向量Xo。
可选地,步骤3)中相似度S的计算函数表达式为:
上式中,Xa为实时特征向量,Xo为基准特征向量。
可选地,步骤3)中偏离度P的计算函数表达式为:
上式中,Xa为实时特征向量,Xo为基准特征向量。
可选地,步骤4)包括:判断相似度S小于第一阈值Y1或偏离度P大于第二阈值Y2是否成立,若任意一者成立,则判定目标辅机设备是否处于非健康运行状态,否则判定目标辅机设备是否处于健康运行状态。
可选地,步骤4)之后还包括对第一阈值Y1进行自学习更新的步骤:若根据实时特征向量Xa、基准特征向量Xo之间的相似度S得到的目标辅机设备运行状态与实际运行状态相符,则保持第一阈值Y1不变;否则,分以下两种情况对第一阈值Y1的值进行调整:若目标辅机设备实际处于健康运行状态,而根据实时特征向量Xa、基准特征向量Xo之间的相似度S得到的目标辅机设备运行状态为不健康运行状态,则将第一阈值Y1减去预先设定的第一调整步长△Y1后得到的值作为新的第一阈值Y1;若目标辅机设备实际处于非健康运行状态,而根据实时特征向量Xa、基准特征向量Xo之间的相似度S得到的目标辅机设备运行状态为健康运行状态,则将第一阈值Y1加上预先设定的第一调整步长△Y1后得到的值作为新的第一阈值Y1,其中第一调整步长△Y1大于0。
可选地,步骤4)之后还包括对第二阈值Y2进行自学习更新的步骤:若根据实时特征向量Xa、基准特征向量Xo之间的偏离度P得到的目标辅机设备运行状态与实际运行状态相符,则保持第二阈值Y2不变;否则,分以下两种情况对第二阈值Y2的值进行调整:若目标辅机设备实际处于健康运行状态,而根据实时特征向量Xa、基准特征向量Xo之间的偏离度P得到的目标辅机设备运行状态为不健康运行状态,则将第二阈值Y2加上预先设定的第二调整步长△Y2后得到的值作为新的第二阈值Y2;若目标辅机设备实际处于非健康运行状态,而根据实时特征向量Xa、基准特征向量Xo之间的偏离度P得到的目标辅机设备运行状态为健康运行状态,则将第二阈值Y2减去预先设定的第二调整步长△Y2后得到的值作为新的第二阈值Y2,其中第二调整步长△Y2大于0。
此外,本发明还提供一种火电机组辅机设备运行健康状态实时检测装置,包括相互连接的微处理器和存储器,所述微处理器被编程或配置以执行所述火电机组辅机设备运行健康状态实时检测方法的步骤。
此外,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有被编程或配置以执行所述火电机组辅机设备运行健康状态实时检测方法的计算机程序。
和现有技术相比,本发明具有下述优点:1、本发明将设备的运行参数组合在一起作为表征设备运行状态的特征向量,特征向量包含了各运行参数之间的耦合关联和匹配特性,当其中任意一个运行参数不满足这个匹配关系时,通过特征向量的相似度和偏度可准确识别,因而在评价设备运行状态是否健康时更加准确。2、本发明基于历史数据建立记忆矩阵,通过拟合其他元素与搜索指针之间的函数关系补充在了运行历史数据中未出现过的工况,使得设备的任何实时运行状态都可以在记忆矩阵中找到可类比的历史工况。3、相似度判定阈值与偏离度判定阈值具有自学习功能,使得采用本发明方法进行设备运行健康状态诊断时,诊断的准确性随着投运时间的增加而加强。4、特征向量中设置有搜索指针,能够在记忆矩阵中快速定位。
附图说明
图1为本发明实施例一方法的基本流程示意图。
具体实施方式
实施例一:
本实施例中以变频凝结水泵作为目标辅机设备的实例,对本发明火电机组辅机设备运行健康状态实时检测方法、系统及介质进行进一步的详细说明。
如图1所示,本实施例火电机组辅机设备运行健康状态实时检测方法包括:
1)预先确定表征目标辅机设备运行健康状态的特征向量并指定包含的多个特征值元素之一为搜索指针,收集目标辅机设备从发电机组并网初期、到额定功率所有工况下健康运行状态下特征向量的样本,并建立健康运行状态记忆矩阵;
2)获取目标辅机设备的实时特征向量Xa,基于实时特征向量Xa的搜索指针在健康运行状态记忆矩阵内定位得到基准特征向量Xo;
3)计算实时特征向量Xa、基准特征向量Xo之间的相似度S和偏离度P;
4)根据相似度S和偏离度P判断目标辅机设备是否处于健康运行状态。
针对变频凝结水泵作为目标辅机设备的实例,本实施例中确定表征目标辅机设备运行健康状态的特征向量为:
特征向量X=[机组功率W,凝泵电流I,频变频器率f,入口流量L,出口压力Z]。
即选择机组功率W、凝泵电流I、频变频器率f、入口流量L、出口压力Z作为变频凝结水泵的运行健康状态的检测特征。
本实施例中,步骤1)中指定包含的多个特征值元素之一为搜索指针时,作为搜索指针的特征值元素与其它特征值元素之间存在耦合关联,使得其它特征值元素的取值会跟随作为搜索指针的特征值元素的值变化而变化。针对变频凝结水泵作为目标辅机设备的实例,本实施例中选择的作为搜索指针的特征值元素为机组功率W。
本实施例中,步骤1)中建立健康运行状态记忆矩阵的步骤包括:基于收集得到的所有特征向量的样本,拟合特征向量的样本中除搜索指针以外的所有特征值元素与搜索指针之间的函数关系F,且拟合度大于拟合度设定阈值(本实施例中具体取值为0.99);均匀设置步长(本实施例中针对机组功率W作为搜索指针,步长具体取值为0.1MW),使搜索指针的值从0开始以设置的步长变化至最大运行值,采用拟合得到的函数关系F,求取每个步长下搜索指针对应的其他特征值元素的值,将每个搜索指针及对应的其他特征值元素组成特征向量,作为一个行向量;将得到的所有行向量集合在一起,形成健康运行状态记忆矩阵。其中,函数关系F的函数表达式可以根据需要进行设定。例如,针对变频凝结水泵作为目标辅机设备的实例,本实施例中函数关系F的函数表达式为:
y=a0+a1x+a2x2+……+anxn
上式中,y为其他元素的值(具体是指凝泵电流、变频器频率、入口流量、出口压力),x为机组功率,a0~an为拟合系数。
本实施例中,步骤2)中基于实时特征向量Xa的搜索指针在健康运行状态记忆矩阵内定位得到基准特征向量Xo的步骤包括:将实时特征向量Xa的搜索指针分别与健康运行状态记忆矩阵内每一个行向量中的搜索指针相比,若两者相等则判定找到的行向量即为定位得到的基准特征向量Xo。
本实施例中,步骤3)中相似度S的计算函数表达式为:
上式中,Xa为实时特征向量,Xo为基准特征向量。代入特征向量X=[机组功率W,凝泵电流I,频变频器率f,入口流量L,出口压力Z],则有相似度S的具体函数表达式为:
上式中,[W,I,f,L,Z]a表示实时特征向量Xa,且Wa,Ia,fa,La,Za分别为实时特征向量Xa中的特征值元素,表示基准特征向量Xo的转置,且Wo,Io,fo,Lo,Zo分别为基准特征向量Xo中的特征值元素。
本实施例中,步骤3)中偏离度P的计算函数表达式为:
上式中,Xa为实时特征向量,Xo为基准特征向量。代入特征向量X=[机组功率W,凝泵电流I,频变频器率f,入口流量L,出口压力Z],则有偏离度P的具体函数表达式为:
上式中,△W=Wa-Wo,△I=Ia-Io,△f=fa-fo,△L=La-Lo,△Z=Za-Zo,Wo,Io,fo,Lo,Zo分别为基准特征向量Xo中的特征值元素,Wa,Ia,fa,La,Za分别为实时特征向量Xa中的特征值元素。
本实施例中,步骤4)包括:判断相似度S小于第一阈值Y1或偏离度P大于第二阈值Y2是否成立,若任意一者成立,则判定目标辅机设备是否处于非健康运行状态,否则判定目标辅机设备是否处于健康运行状态。
本实施例中,步骤4)之后还包括对第一阈值Y1进行自学习更新的步骤:若根据实时特征向量Xa、基准特征向量Xo之间的相似度S得到的目标辅机设备运行状态与实际运行状态相符,则保持第一阈值Y1不变;否则,分以下两种情况对第一阈值Y1的值进行调整:若目标辅机设备实际处于健康运行状态,而根据实时特征向量Xa、基准特征向量Xo之间的相似度S得到的目标辅机设备运行状态为不健康运行状态,则将第一阈值Y1减去预先设定的第一调整步长△Y1后得到的值作为新的第一阈值Y1;若目标辅机设备实际处于非健康运行状态,而根据实时特征向量Xa、基准特征向量Xo之间的相似度S得到的目标辅机设备运行状态为健康运行状态,则将第一阈值Y1加上预先设定的第一调整步长△Y1后得到的值作为新的第一阈值Y1,其中第一调整步长△Y1大于0。第一阈值Y1的初始值可设置为0.95~1之间的实数,本实施例中第一阈值Y1取值为0.98,此外第一调整步长△Y1取值为0.001。
本实施例中,步骤4)之后还包括对第二阈值Y2进行自学习更新的步骤:若根据实时特征向量Xa、基准特征向量Xo之间的偏离度P得到的目标辅机设备运行状态与实际运行状态相符,则保持第二阈值Y2不变;否则,分以下两种情况对第二阈值Y2的值进行调整:若目标辅机设备实际处于健康运行状态,而根据实时特征向量Xa、基准特征向量Xo之间的偏离度P得到的目标辅机设备运行状态为不健康运行状态,则将第二阈值Y2加上预先设定的第二调整步长△Y2后得到的值作为新的第二阈值Y2;若目标辅机设备实际处于非健康运行状态,而根据实时特征向量Xa、基准特征向量Xo之间的偏离度P得到的目标辅机设备运行状态为健康运行状态,则将第二阈值Y2减去预先设定的第二调整步长△Y2后得到的值作为新的第二阈值Y2,其中第二调整步长△Y2大于0。第二阈值Y2的初始值可设置为0~0.2之间的实数,本实施例中第二阈值Y2取值为0.1,此外第二调整步长△Y2取值为0.05。
综上所述,本实施例方法包括预先确定表征目标辅机设备运行健康状态的特征向量,特征向量中包含多个特征值元素且选择其一为搜索指针,收集目标辅机设备从发电机组并网初期、到额定功率所有工况下健康运行状态下特征向量的样本,并建立健康运行状态记忆矩阵;获取目标辅机设备的实时特征向量Xa,基于实时特征向量Xa的搜索指针在健康运行状态记忆矩阵内定位得到基准特征向量Xo;计算实时特征向量Xa、基准特征向量Xo之间的相似度S和偏离度P;根据相似度S和偏离度P判断目标辅机设备是否处于健康运行状态。本发明将设备的运行参数组合起来作为表征设备运行状态的特征向量,基于设备运行的历史数据获得所有工况下的健康运行状态时的特征向量,建立健康运行状态记忆矩阵,通过实时状态的特征向量与同工况下的健康运行的特征向量进行比较,判断设备是否正常运行,算法相对简单,可在任何控制系统上实现,易于工程实施推广。
此外,本实施例还提供一种火电机组辅机设备运行健康状态实时检测装置,包括相互连接的微处理器和存储器,微处理器被编程或配置以执行前述电机组辅机设备运行健康状态实时检测方法的步骤。
此外,本实施例还提供一种计算机可读存储介质,计算机可读存储介质中存储有被编程或配置以执行前述火电机组辅机设备运行健康状态实时检测方法的计算机程序。
实施例二:
本实施例与实施例一的方法相同,其主要区别为:目标辅机设备不同,实施例一的目标辅机设备为变频凝结水泵;而本实施例中的目标辅机设备为轴流式动叶可调一次风机。对应地,预先确定表征目标辅机设备运行健康状态的特征向量并指定包含的多个特征值元素之一为搜索指针也不同,本实施例中针对轴流式动叶可调一次风机确定表征目标辅机设备运行健康状态的特征向量为:
特征向量X=[一次风机出口压力Z,风机电流I,动叶开度K,一次风机出口流量F]
且指定的搜索指针为一次风机出口压力Z。
对应地,针对轴流式动叶可调一次风机确定表征目标辅机设备的实例,本实施例中函数关系F的函数表达式为:
y=a0+a1x+a2x2+……+anxn
上式中,y为其他元素的值(具体包括风机电流,动叶开度,一次风机出口流量),x为一次风机出口压力,a0~an为拟合系数。
均匀设置步长时,针对轴流式动叶可调一次风机确定表征目标辅机设备的实例,指定的搜索指针为一次风机出口压力Z,其步长设置为0.05kPa。
对应地,代入特征向量X=[一次风机出口压力Z,风机电流I,动叶开度K,一次风机出口流量F],则有相似度S的具体函数表达式为:
上式中,[Z,I,K,F]a表示实时特征向量Xa,且Za,Ia,Ka,Fa分别为实时特征向量Xa中的特征值元素,表示基准特征向量Xo的转置,且Zo,Io,Ko,Fo分别为基准特征向量Xo中的特征值元素。
对应地,代入特征向量X=[一次风机出口压力Z,风机电流I,动叶开度K,一次风机出口流量F],则有偏离度P的具体函数表达式为:
上式中,ΔZ=Zc-Zo,ΔI=Ic-Io,ΔK=Kc-Ko,ΔF=Fc-Fo,Zo,Io,Ko,Fo分别为基准特征向量Xo中的特征值元素,Za,Ia,Ka,Fa分别为实时特征向量Xa中的特征值元素。
对应地,本实施例中第一阈值Y1取值为0.96,此外第一调整步长△Y1取值为0.002。
对应地,本实施例中第二阈值Y2取值为0.1,此外第二调整步长△Y2取值为0.01。
此外,本实施例还提供一种火电机组辅机设备运行健康状态实时检测装置,包括相互连接的微处理器和存储器,微处理器被编程或配置以执行前述火电机组辅机设备运行健康状态实时检测方法的步骤。
此外,本实施例还提供一种计算机可读存储介质,计算机可读存储介质中存储有被编程或配置以执行前述火电机组辅机设备运行健康状态实时检测方法的计算机程序。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可读存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.一种火电机组辅机设备运行健康状态实时检测方法,其特征在于,包括:
1)预先确定表征目标辅机设备运行健康状态的特征向量并指定包含的多个特征值元素之一为搜索指针,收集目标辅机设备从发电机组并网初期、到额定功率所有工况下健康运行状态下特征向量的样本,并建立健康运行状态记忆矩阵;
2)获取目标辅机设备的实时特征向量Xa,基于实时特征向量Xa的搜索指针在健康运行状态记忆矩阵内定位得到基准特征向量Xo;
3)计算实时特征向量Xa、基准特征向量Xo之间的相似度S和偏离度P;
4)根据相似度S和偏离度P判断目标辅机设备是否处于健康运行状态;
步骤1)中指定包含的多个特征值元素之一为搜索指针时,作为搜索指针的特征值元素与其它特征值元素之间存在耦合关联,使得其它特征值元素的取值会跟随作为搜索指针的特征值元素的值变化而变化;步骤1)中建立健康运行状态记忆矩阵的步骤包括:基于收集得到的所有特征向量的样本,拟合特征向量的样本中除搜索指针以外的所有特征值元素与搜索指针之间的函数关系F,且拟合度大于拟合度设定阈值;均匀设置步长,使搜索指针的值从0开始以设置的步长变化至最大运行值,采用拟合得到的函数关系F,求取每个步长下搜索指针对应的其他特征值元素的值,将每个搜索指针及对应的其他特征值元素组成特征向量,作为一个行向量;将得到的所有行向量集合在一起,形成健康运行状态记忆矩阵。
2.根据权利要求1所述的火电机组辅机设备运行健康状态实时检测方法,其特征在于,步骤2)中基于实时特征向量Xa的搜索指针在健康运行状态记忆矩阵内定位得到基准特征向量Xo的步骤包括:将实时特征向量Xa的搜索指针分别与健康运行状态记忆矩阵内每一个行向量中的搜索指针相比,若两者相等则判定找到的行向量即为定位得到的基准特征向量Xo。
5.根据权利要求1~4中任意一项所述的火电机组辅机设备运行健康状态实时检测方法,其特征在于,步骤4)包括:判断相似度S小于第一阈值Y1或偏离度P大于第二阈值Y2是否成立,若任意一者成立,则判定目标辅机设备是否处于非健康运行状态,否则判定目标辅机设备是否处于健康运行状态。
6.根据权利要求5所述的火电机组辅机设备运行健康状态实时检测方法,其特征在于,步骤4)之后还包括对第一阈值Y1进行自学习更新的步骤:若根据实时特征向量Xa、基准特征向量Xo之间的相似度S得到的目标辅机设备运行状态与实际运行状态相符,则保持第一阈值Y1不变;否则,分以下两种情况对第一阈值Y1的值进行调整:若目标辅机设备实际处于健康运行状态,而根据实时特征向量Xa、基准特征向量Xo之间的相似度S得到的目标辅机设备运行状态为不健康运行状态,则将第一阈值Y1减去预先设定的第一调整步长△Y1后得到的值作为新的第一阈值Y1;若目标辅机设备实际处于非健康运行状态,而根据实时特征向量Xa、基准特征向量Xo之间的相似度S得到的目标辅机设备运行状态为健康运行状态,则将第一阈值Y1加上预先设定的第一调整步长△Y1后得到的值作为新的第一阈值Y1,其中第一调整步长△Y1大于0。
7.根据权利要求5所述的火电机组辅机设备运行健康状态实时检测方法,其特征在于,步骤4)之后还包括对第二阈值Y2进行自学习更新的步骤:若根据实时特征向量Xa、基准特征向量Xo之间的偏离度P得到的目标辅机设备运行状态与实际运行状态相符,则保持第二阈值Y2不变;否则,分以下两种情况对第二阈值Y2的值进行调整:若目标辅机设备实际处于健康运行状态,而根据实时特征向量Xa、基准特征向量Xo之间的偏离度P得到的目标辅机设备运行状态为不健康运行状态,则将第二阈值Y2加上预先设定的第二调整步长△Y2后得到的值作为新的第二阈值Y2;若目标辅机设备实际处于非健康运行状态,而根据实时特征向量Xa、基准特征向量Xo之间的偏离度P得到的目标辅机设备运行状态为健康运行状态,则将第二阈值Y2减去预先设定的第二调整步长△Y2后得到的值作为新的第二阈值Y2,其中第二调整步长△Y2大于0。
8.一种火电机组辅机设备运行健康状态实时检测装置,包括相互连接的微处理器和存储器,其特征在于,所述微处理器被编程或配置以执行权利要求1~7中任意一项所述火电机组辅机设备运行健康状态实时检测方法的步骤。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有被编程或配置以执行权利要求1~7中任意一项所述火电机组辅机设备运行健康状态实时检测方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110049633.1A CN112859811B (zh) | 2021-01-14 | 2021-01-14 | 火电机组辅机设备运行健康状态实时检测方法、系统及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110049633.1A CN112859811B (zh) | 2021-01-14 | 2021-01-14 | 火电机组辅机设备运行健康状态实时检测方法、系统及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112859811A CN112859811A (zh) | 2021-05-28 |
CN112859811B true CN112859811B (zh) | 2022-01-28 |
Family
ID=76005720
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110049633.1A Active CN112859811B (zh) | 2021-01-14 | 2021-01-14 | 火电机组辅机设备运行健康状态实时检测方法、系统及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112859811B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105114348A (zh) * | 2015-09-09 | 2015-12-02 | 长春合成兴业能源技术有限公司 | 基于电站运行数据的引风机故障预警装置和方法 |
CN110162746A (zh) * | 2018-03-12 | 2019-08-23 | 华北电力大学(保定) | 一种多参数融合相似度的健康预警及故障诊断方法 |
WO2020140560A1 (zh) * | 2019-05-31 | 2020-07-09 | 南京航空航天大学 | 一种生产物流输送装备故障预警方法 |
CN112067335A (zh) * | 2020-09-03 | 2020-12-11 | 华能国际电力股份有限公司玉环电厂 | 一种基于多元状态估计的电厂送风机故障预警方法 |
-
2021
- 2021-01-14 CN CN202110049633.1A patent/CN112859811B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105114348A (zh) * | 2015-09-09 | 2015-12-02 | 长春合成兴业能源技术有限公司 | 基于电站运行数据的引风机故障预警装置和方法 |
CN110162746A (zh) * | 2018-03-12 | 2019-08-23 | 华北电力大学(保定) | 一种多参数融合相似度的健康预警及故障诊断方法 |
WO2020140560A1 (zh) * | 2019-05-31 | 2020-07-09 | 南京航空航天大学 | 一种生产物流输送装备故障预警方法 |
CN112067335A (zh) * | 2020-09-03 | 2020-12-11 | 华能国际电力股份有限公司玉环电厂 | 一种基于多元状态估计的电厂送风机故障预警方法 |
Non-Patent Citations (1)
Title |
---|
基于多元状态估计与自适应闽值的电站辅机故障预警;牛玉广等;《动力工程学报》;20190930;正文第717-724页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112859811A (zh) | 2021-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102331772B (zh) | 一种直流百万机组过热汽温异常预警与故障诊断方法 | |
RU2434143C2 (ru) | Способ и система для определения превышения ограничения рабочего параметра в системе паровой турбины | |
US7953577B2 (en) | Method and apparatus for improved fault detection in power generation equipment | |
EP2194319A1 (en) | System and method for controlling liquid level in a vessel | |
CN112504511B (zh) | 一种发电机定子温度监测方法、装置及介质 | |
CN111191881B (zh) | 一种基于大数据的火电机组工业设备状态监测方法 | |
CN103292312B (zh) | 一种汽包的水位控制方法 | |
CN103309314B (zh) | 超临界燃煤机组高温过热器金属壁温预警优化控制方法 | |
CN111123770B (zh) | 一种fcb工况下旁路模型开度确定方法及装置 | |
CN107905858B (zh) | 末级安全流量监测与控制系统及方法 | |
CN110281794A (zh) | 新能源汽车大功率充电冷却系统及主动冷却控制方法 | |
CN110705042A (zh) | 基于t-s模糊模型的汽轮机阀门流量特性辨识方法、系统及介质 | |
CN112859811B (zh) | 火电机组辅机设备运行健康状态实时检测方法、系统及介质 | |
CN113809370B (zh) | 燃料电池电堆运行温度控制方法、装置及系统 | |
CN116707326B (zh) | 一种大功率可控硅整流柜及控制系统 | |
CN207038185U (zh) | 基于Takagi‑Sugeno模糊控制的压水堆核电站堆芯功率控制装置 | |
US20180171824A1 (en) | Method for cooling a turbo machine | |
JP3573602B2 (ja) | ポンプ試験装置 | |
JPH08220279A (ja) | プラント制御装置、その異常同定方法および異常同定装置 | |
CN109899118A (zh) | 一种汽轮机组启停的控制方法 | |
CN115600700A (zh) | 一种基于大数据分析的冷却塔能效诊断方法 | |
CN108877973A (zh) | 核电站汽轮机控制方法及控制系统 | |
CN104165352B (zh) | 一种核电站蒸发器水位监控系统及其监控方法 | |
US10578023B2 (en) | Controlling a water bath heater for fuel gas | |
CN113250986B (zh) | 基于大数据的燃煤发电机组引风机电动机保护方法及系统 |
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 |