CN114923287B - 一种高压加热器故障预警方法、系统和介质 - Google Patents
一种高压加热器故障预警方法、系统和介质 Download PDFInfo
- Publication number
- CN114923287B CN114923287B CN202210388678.6A CN202210388678A CN114923287B CN 114923287 B CN114923287 B CN 114923287B CN 202210388678 A CN202210388678 A CN 202210388678A CN 114923287 B CN114923287 B CN 114923287B
- Authority
- CN
- China
- Prior art keywords
- pressure heater
- output
- outputting
- pressure
- heater
- 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
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24H—FLUID HEATERS, e.g. WATER OR AIR HEATERS, HAVING HEAT-GENERATING MEANS, e.g. HEAT PUMPS, IN GENERAL
- F24H9/00—Details
- F24H9/18—Arrangement or mounting of grates or heating means
- F24H9/1809—Arrangement or mounting of grates or heating means for water heaters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
- Y02P80/15—On-site combined power, heat or cool generation or distribution, e.g. combined heat and power [CHP] supply
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mechanical Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Emergency Management (AREA)
- Business, Economics & Management (AREA)
- Thermal Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种高压加热器故障预警方法、系统和介质,包括:根据专家库,对高压加热器系统中参数的历史数据进行作图和标记,并将其分为训练集和验证集;通过训练集的参数数据对一种或多种深度学习模型进行训练,获得一个或多个高压加热器系统的数理模型,通过验证集的参数数据对数量模型进行验证;将实时采集的参数数据输入数理模型,以初步判断高压加热器系统是否发生异常;根据初步判断的结果,结合高压加热器系统内设备的运行状态,生成序列开关量;根据序列开关量,最终判断高压加热器系统是否发生异常以及异常的类型,并推送相应的解决措施。其能在高压加热器发生异常初期发现异常信息,防止因异常导致机组非计划停机事件发生。
Description
技术领域
本发明涉及一种火电厂抽汽回热系统高压加热器故障预警方法、系统和介质,属于火力发电技术领域,特别涉及火力发电中的回热抽汽系统中的高压加热器。
背景技术
回热抽汽系统是从汽轮机通流部分及蒸汽管道中抽出过热蒸汽,通过与锅炉给水进行换热,提高进入锅炉的给水温度,实现机组煤耗降低,提高机组经济性。而随着机组容量的不断提高,高压加热器的工作参数也越来越高,高参数的蒸汽不断冲刷换热器管侧,使得高压加热器水侧泄漏事件频繁发生。当高压加热器水侧发生轻微泄漏时,部分给水随高压加热器疏水回流到除氧器,一方面使得给水流量增加,造成给水泵出力增加;另一方面泄漏的疏水带走更多的抽汽热量,造成蒸汽消耗量增加。而当高压加热器水侧严重泄漏时,高压加热器水位快速上升,若疏水经过抽汽管道进入汽轮机,蒸汽带水冲击汽轮机叶片,严重危害汽轮机安全。因此高压加热器水侧发生轻微泄漏导致机组效率降低、经济性下降;高压加热器水侧严重泄漏时,会造成机组非停、更有甚者造成机组设备损坏。然而目前针对高压加热器系统的安全运行,保护机制仅通过设置高限值报警及切除高压加热器系统实现;无法对高压加热器系统的异常提前发出预警信号,进而采取措施消除缺陷,避免损害进一步增大。
发明内容
针对上述问题,本发明的目的是提供了一种火电厂抽汽回热系统高压加热器故障预警方法、系统和介质,其能够在高压加热器发生异常初期发现异常信息,防止因高压加热器系统异常导致机组非计划停机事件发生。
为实现上述目的,本发明提出了以下技术方案:一种高压加热器故障预警方法,包括:根据专家库,对高压加热器系统中参数的历史数据进行作图和标记,并将其分为训练集和验证集;通过训练集的参数数据对一种或多种深度学习模型进行训练,获得一个或多个高压加热器系统的数理模型,通过验证集的参数数据对数量模型进行验证;将实时采集的参数数据输入数理模型,以初步判断高压加热器系统是否发生异常;根据初步判断的结果,结合高压加热器系统内设备的运行状态,生成序列开关量;根据序列开关量,最终判断高压加热器系统是否发生异常以及异常的类型,并推送相应的解决措施。
进一步,参数为:高压加热器水侧入口温度、高压加热器水侧出口温度、高压加热器抽汽压力、高压加热器抽汽温度、高压加热器抽汽流量、高压加热器疏水温度、上一级高压加热器至下一级高压加热器疏水温度和上一级高压加热器疏水流量中至少一个。
进一步,在采取参数后,需要对参数进行预处理,预处理的方法包括变更数据格式和重建数据空间,重建数据空间通过多项式插值、线性插值、二次插值或Cubic插值实现。
进一步,专家库包括故障库,参数库和方案库;故障库,用于总结收集高压加热系统发生故障案例;参数库,用于在分析高压加热器系统故障案例时,提供相关度最高参数集合;方案库,用于根据故障库中的不同故障提供相应的解决方案和最佳处理措施。
进一步,深度学习模型为神经网络模型,神经网络模型包括6层卷积网络结构,卷积网络结构依次为一层卷积层、一层池化层、两层卷积层、两层池化层、一层全连接层和两层全连接层;其中,卷积层和池化层用于对参数数据进行特征提取,全连接层用于对提取的特征进行分类。
进一步,高压加热器系统内设备的运行状态包括:机组负荷状态、高压加热器液位、主给水流量和阀门状态。
进一步,序列开关量的生成方法为:数理模型在初步判断高压加热器系统是否发生异常时,若连续预设次数输出异常信号,则输出1,否则数理模型输出0;若机组负荷变化率大于阈值则输出0,否则输出1;若高压加热器液位增加率大于阈值输出1,否则输出0;高压加热器液位下降时,输出0;当给水泵出口主给水流量与高压加热器出口主给水差值超过阈值,则输出1,否则输出0;当高压加热器正常疏水阀位反馈与指令偏差大于阈值则输出1,否则输出0。
进一步,判断高压加热器系统是否发生异常以及异常的类型,并推送相应的解决措施的具体方法为:当数理模型输出状态、机组负荷、高压加热器液位和主给水流量均输出1时,推送“高压加热器水侧发生大量泄漏,立即退出该高压加热器,并降低机组负荷”;当数理模型输出状态输出1,高压加热器液位输出0,且主给水流量输出0时,推送“高压加热器水侧轻微泄漏,降低机组负荷并缓慢退出该高压加热器”;当数理模型输出状态输出1、高压加热器液位输出1、阀门状态输出1时,推送“高压加热器液位上升,正常疏水阀门卡涩,开启危急疏水阀门调整高压加热器液位”。
本发明还公开了一种高压加热器故障预警系统,包括:数据采集处理模块,用于根据专家库,对高压加热器系统中参数的历史数据进行作图和标记,并将其分为训练集和验证集;数量模型训练模块,用于通过训练集的参数数据对一种或多种深度学习模型进行训练,获得一个或多个高压加热器系统的数理模型,通过验证集的参数数据对数量模型进行验证;数量模型测试模块,用于将实时采集的参数数据输入数理模型,以初步判断高压加热器系统是否发生异常;机理模型输出模块,用于根据初步判断的结果,结合高压加热器系统内设备的运行状态,生成序列开关量;输出预警模块,用于根据序列开关量,最终判断高压加热器系统是否发生异常以及异常的类型,并推送相应的解决措施。
本发明还公开了一种存储一个或多个程序的计算机可读存储介质,一个或多个程序包括指令,指令当由计算设备执行时,使得计算设备执行根据上述任一项的高压加热器故障预警方法。
本发明由于采取以上技术方案,其具有以下优点:本发明中方案可在高压加热器发生异常初期将异常信息及对应异常处理方案推送给相关人员,为指导相关人员及时调整机组运行工况争取时间,提高机组运行效率,防止因高压加热器系统异常导致机组非计划停机事件发生。
附图说明
图1是本发明一实施例中高压加热器故障预警方法的流程图;
图2是本发明一实施例中高压加热器故障预警效果图;
图3是本发明一实施例中高压加热器系统机理模型判断流程图;
图4是本发明一实施例中高压加热器故障预警系统的示意图。
具体实施方式
为了使本领域技术人员更好的理解本发明的技术方案,通过具体实施例对本发明进行详细的描绘。然而应当理解,具体实施方式的提供仅为了更好地理解本发明,它们不应该理解成对本发明的限制。在本发明的描述中,需要理解的是,所用到的术语仅仅是用于描述的目的,而不能理解为指示或暗示相对重要性。
针对现有技术中无法对高压加热器系统的异常提前发出预警信号,本发明公开了火电厂抽汽回热系统高压加热器故障预警方法、系统和介质,首先建立专家知识库,然后采集高压加热器系统历史数据并分析,建立高压加热器系统运行异常数理模型和机理模型,将数理模型和机理模型相结合,可实现实时监测高压加热器系统运行状态、及时预警高压加热器系统异常以及推送故障及解决。下面结合附图,通过实施例对本发明的方案进行详细说明。
实施例一
本实施例公开了一种高压加热器故障预警方法,如图1所示,包括:
S1根据专家库,对高压加热器系统中参数的历史数据进行作图和标记,并将其分为训练集和验证集。
专家库是根据对多种类型火电机组的高压加热器系统丽水发生过的相关故障、原因进行总结而形成的,包括故障库,参数库和方案库;
故障库,用于总结收集高压加热系统发生故障案例,故障库为数理模型和机理模型建立提供依据。
参数库,用于在分析高压加热器系统故障案例时,提供相关度最高参数集合,参数库为后续数据采集和处理提供了依据,即依据参数库中最高参数集合选择模型输入的参数;本实施例中,提取某电厂给水系统及抽汽系统中的部分测点一年实际运行记录以及高压加热器发生泄漏时的实际运行数据,其选取的参数为:高压加热器水侧入口温度、高压加热器水侧出口温度、高压加热器抽汽压力、高压加热器抽汽温度、高压加热器抽汽流量、高压加热器疏水温度、上一级高压加热器至下一级高压加热器疏水温度和上一级高压加热器疏水流量中至少一个。
方案库,用于根据故障库中的不同故障提供相应的解决方案和最佳处理措施,方案库为高压加热器系统预警信息推送提供依据。
在采取参数后,需要对参数进行预处理,预处理的方法包括变更数据格式和重建数据空间,重建数据空间通过多项式插值、线性插值、二次插值或Cubic插值实现。本实施例中优选的插值方法为多项式插值的方法。
如图1所示,筛选高压加热器系统运行正常的数据,筛选高压加热器系统运行异常的数据;本实施例中,针对3号高压加热器,结合专家库,选出的参数包括:3号高压加热器水侧入口温度、3号高压加热器水侧出口温度、3号高压加热器抽汽压力、3号高压加热器抽汽温度、3号高压加热器抽汽流量、3号高压加热器疏水温度、2号高压加热器至3号高压加热器疏水温度和2号高压加热器疏水流量中的一个或多个。
结合专家库,绘制高压加热器系统历史数据图像并标记,高压加热器系统中运行正常的数据标记为“正常”,异常运行的数据标记为“异常”;在本实施例中,针对历史数据图像工况不同,共标注了高压加热器运行过程中的21种不同工况,其中0-15标签设置为“正常”,16-20标签设置为“异常”。
在本实施例中,共生成高压加热器系统样本(一组图片及标签为1个样本)14335个,其中高压加热器系统卷积神经网络模型训练数据集样本个数为12833个,高压加热器系统卷积神经网络模型测试数据集样本个数为1502个。
S2通过训练集的参数数据对一种或多种深度学习模型进行训练,获得一个或多个高压加热器系统的数理模型,通过验证集的参数数据对数量模型进行验证。
高压加热器系统数理模型训练是通过对相关参数数据进行分析,基于不同深度学习模型,对相关历史数据进行分类及训练,建立一种或多种高压加热器系统异常预警数理模型。其中,不同的深度学习模型可以是卷积神经网络、全连接神经网络和遗传算法等常规模型中的一种或多种,其中,多种是指大于等于二的整数。但本方案中的深度学习模型不以上述列举出的模型为限,所有常规的、可以实现本方案中功能的模型均可用于本实施例。
深度学习模型为神经网络模型,神经网络模型包括6层卷积网络结构,卷积网络结构依次为一层卷积层、一层池化层、两层卷积层、两层池化层、一层全连接层和两层全连接层;其中,卷积层和池化层用于对参数数据进行特征提取,全连接层用于对提取的特征进行分类。
深层神经网络模型的验证方法为:将验证集输入训练完成后的数量模型进行模型验证,计算模型的准确率;
模型准确率计算公式如下:
其中,accuracy为模型预测准确率,Naccuracy为模型预测正确的图片个数,Ntest为验证数据集的总量。当数理模型准确率低于设定值时,重新、修改卷积神经网络结构或修改训练参数重复训练,直到达到高压加热器系统要求的准确率要求。在本实施例中,高压加热器系统的数理模型的准确率的设定值为95%;当准确率小于95%时,修改模型参数并重新训练。
图2是本实施例中高压加热器故障预警效果图,其中,高压加热器系统验证集中包含标签种类21种,样本个数1502个;灰色曲线表示真实标签值,黑色曲线表示预测标签值,预测正确的样本个数为1437个,预测错误的样本个数65个,高压加热器系统卷积神经网络模型测试准确率可达95.67%。
S3将实时采集的参数数据输入数理模型,以初步判断高压加热器系统是否发生异常。在本实施例中,若高压加热器系统数理模型预警模块对实时运行数据分析结果为“正常状态”,则模型输出1,若高压加热器系统数理模型预警模块对实时运行数据分析结果为“异常状态”,则模型输出0。
S4根据初步判断的结果,结合当前高压加热器系统内设备的运行状态,生成序列开关量。
如图3所示,高压加热器系统内设备的运行状态包括:机组负荷状态、高压加热器液位、主给水流量和阀门状态。当数理模型发出高压加热器异常预警时,预警原因需要借助机理模型进行分析判断,以下为高压加热器系统机理模型监测的运行状态及相关的多项参数及机理模型相关输出。
序列开关量的生成方法为:
数理模型在初步判断高压加热器系统是否发生异常时,若连续预设次数输出异常信号,则输出1,高压加热器数理模型未连续预警、或者数理模型未出现异常或者连续预警的次数没有到达预设值,则模型输出0。
若机组负荷变化率大于阈值则输出0,否则认为机组负荷稳定运行,输出1,本实施例中阈值为5MW/min,即若负荷变化率大于5MW/min则输出0,否则输出1。
若高压加热器液位增加率大于阈值输出1,高压加热器液位下降时,输出0,高压加热器液位增加率大于10mm/min时,输出1。
当给水泵出口主给水流量与高压加热器出口主给水差值超过阈值,则输出1,否则输出0,本段中的阈值为200t/h。
当高压加热器正常疏水阀位反馈与指令偏差大于阈值则输出1,否则输出0,本段中的阈值为5%。
S5根据序列开关量,最终判断高压加热器系统是否发生异常以及异常的类型,并推送相应的解决措施。
当数理模型输出状态、机组负荷、高压加热器液位和主给水流量均输出1时,推送“高压加热器水侧发生大量泄漏,立即退出该高压加热器,并降低机组负荷”;
当数理模型输出状态输出1,高压加热器液位输出0,且主给水流量输出0时,推送“高压加热器水侧轻微泄漏,降低机组负荷并缓慢退出该高压加热器”;
当数理模型输出状态输出1、高压加热器液位输出1、阀门状态输出1时,推送“高压加热器液位上升,正常疏水阀门卡涩,开启危急疏水阀门调整高压加热器液位”。
实施例二
基于相同的发明构思,本实施例公开了一种高压加热器故障预警系统,如图4所示,包括:
数据采集处理模块,用于根据专家库,对高压加热器系统中参数的历史数据进行作图和标记,并将其分为训练集和验证集;
数量模型训练模块,用于通过训练集的参数数据对一种或多种深度学习模型进行训练,获得一个或多个高压加热器系统的数理模型,通过验证集的参数数据对数量模型进行验证;
数量模型测试模块,用于将实时采集的参数数据输入数理模型,以初步判断高压加热器系统是否发生异常;
机理模型输出模块,用于根据初步判断的结果,结合高压加热器系统内设备的运行状态,生成序列开关量;
输出预警模块,用于根据序列开关量,最终判断高压加热器系统是否发生异常以及异常的类型,并推送相应的解决措施。
实施例三
基于相同的发明构思,本实施例公开了一种存储一个或多个程序的计算机可读存储介质,一个或多个程序包括指令,指令当由计算设备执行时,使得计算设备执行根据上述任一项的高压加热器故障预警方法。
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用存储介质(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/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备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。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。上述内容仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (4)
1.一种高压加热器故障预警方法,其特征在于,包括:
根据专家库,对高压加热器系统中参数的历史数据进行作图和标记,并将其分为训练集和验证集;
专家库是根据对多种类型火电机组的高压加热器系统发生过的相关故障原因进行总结而形成的,包括故障库,参数库和方案库;
故障库,用于总结收集高压加热系统发生故障案例,故障库为数理模型和机理模型建立提供依据;
参数库,用于在分析高压加热器系统故障案例时,提供相关度最高参数集合,参数库为后续数据采集和处理提供了依据,即依据参数库中最高参数集合选择模型输入的参数;
方案库,用于根据故障库中的不同故障提供相应的解决方案和最佳处理措施,方案库为高压加热器系统预警信息推送提供依据,
在采取参数后,需要对参数进行预处理,预处理的方法包括变更数据格式和重建数据空间,重建数据空间通过多项式插值、线性插值、二次插值或Cubic插值实现;
通过所述训练集的参数数据对一种或多种深度学习模型进行训练,获得一个或多个高压加热器系统的数理模型,通过所述验证集的参数数据对所述数理模型进行验证;
将实时采集的参数数据输入所述数理模型,以初步判断高压加热器系统是否发生异常;
根据所述初步判断的结果,结合所述高压加热器系统内设备的运行状态,生成序列开关量;
根据所述序列开关量,最终判断所述高压加热器系统是否发生异常以及异常的类型,并推送相应的解决措施;
所述参数为:高压加热器水侧入口温度、高压加热器水侧出口温度、高压加热器 抽汽压力、高压加热器抽汽温度、高压加热器抽汽流量、高压加热器疏水温度、上一级高压加热器至下一级高压加热器疏水温度和上一级高压加热器疏水流量中至少一个;所述高压加热器系统内设备的运行状态包括:机组负荷状态、高压加热器液位、主给水流量和阀门状态;
所述序列开关量的生成方法为:所述数理模型在初步判断高压加热器系统是否发生异常时,若连续预设次数输出异常信号,则输出1,否则数理模型输出0;若机组负荷变化率大于阈值则输出0,否则输出1;若高压加热器液位增加率大于阈值输出1,否则输出0;高压加热器液位下降时,输出0;当给水泵出口主给水流量与高压加热器出口主给水差值超过阈值,则输出1,否则输出0;
当高压加热器正常疏水阀位反馈与指令偏差大于阈值则输出 1,否则输出0;
判断所述高压加热器系统是否发生异常以及异常的类型,并推送相应的解决措施的具体方法为:当数理模型输出状态、机组负荷、高压加热器液位和主给水流量均输出1时,推送“高压加热器水侧发生大量泄漏,立即退出该高压加热器,并降低机组负荷”;当数理模型输出状态输出1,高压加热器液位输出0,且主给水流量输出0时,推送“高压加热器水侧轻微泄漏,降低机组负荷并缓慢退出该高压加热器”;当数理模型输出状态输出1、高压加热器液位输出1以及阀门状态输出1时,推送“高压加热器液位上升,正常疏水阀门卡涩,开启危急疏水阀门调整高压加热器液位”。
2.如权利要求1所述的高压加热器故障预警方法,其特征在于,所述深度学习模 型为神经网络模型,所述神经网络模型包括6层卷积网络结构,所述卷积网络结构依次为一层卷积层、一层池化层、两层卷积层、两层池化层、一层全连接层和两层全连接层;其中,所述卷积层和池化层用于对参数数据进行特征提取,所述全连接层用于对提取的所述特征进行分类。
3.一种高压加热器故障预警系统,其特征在于,包括:
数据采集处理模块,用于根据专家库,对高压加热器系统中参数的历史数据进行作图和标记,并将其分为训练集和验证集;
数理模型训练模块,用于通过所述训练集的参数数据对一种或多种深度学习模型进行训练,获得一个或多个高压加热器系统的数理模型,通过所述验证集的参数数据对所述数理模型进行验证;
数理模型测试模块,用于将实时采集的参数数据输入所述数理模型,以初步判断高压加热器系统是否发生异常;
机理模型输出模块,用于根据所述初步判断的结果,结合所述高压加热器系统内设备的运行状态,生成序列开关量;
输出预警模块,用于根据所述序列开关量,最终判断所述高压加热器系统是否发生异常以及异常的类型,并推送相应的解决措施;
根据专家库,对高压加热器系统中参数的历史数据进行作图和标记,并将其分为训练集和验证集;
专家库是根据对多种类型火电机组的高压加热器系统发生过的相关故障原因进行总结而形成的,包括故障库,参数库和方案库;
故障库,用于总结收集高压加热系统发生故障案例,故障库为数理模型和机理模型建立提供依据;
参数库,用于在分析高压加热器系统故障案例时,提供相关度最高参数集合,参数库为后续数据采集和处理提供了依据,即依据参数库中最高参数集合选择模型输入的参数;
方案库,用于根据故障库中的不同故障提供相应的解决方案和最佳处理措施,方案库为高压加热器系统预警信息推送提供依据;
在采取参数后,需要对参数进行预处理,预处理的方法包括变更数据格式和重建 数据空间,重建数据空间通过多项式插值、线性插值、二次插值或Cubic插值实现;
所述参数为:高压加热器水侧入口温度、高压加热器水侧出口温度、高压加热器抽汽压力、高压加热器抽汽温度、高压加热器抽汽流量、高压加热器疏水温度、上一级高压加热器至下一级高压加热器疏水温度和上一级高压加热器疏水流量中至少一个;
所述高压加热器系统内设备的运行状态包括:机组负荷状态、高压加热器液位、主给水流量和阀门状态;
所述序列开关量的生成方法为:所述数理模型在初步判断高压加热器系统是否发生异常时,若连续预设次数输出异常信号,则输出1,否则数理模型输出0;若机组负荷变化率大于阈值则输出0,否则输出1;若高压加热器液位增加率大于阈值输出1,否则输出0;高压加热器液位下降时,输出0;当给水泵出口主给水流量与高压加热器出口主给水差值超过阈值,则输出1,否则输出0;当高压加热器正常疏水阀位反馈与指令偏差大于阈值则输出1,否则输出0;判断所述高压加热器系统是否发生异常以及异常的类型,并推送相应的解决措施的具体方法为:当数理模型输出状态、机组负荷、高压加热器液位和主给水流量均输出1时,推送“高压加热器水侧发生大量泄漏,立即退出该高压加热器,并降低机组负荷”;当数理模型输出状态输出1,高压加热器液位输出0,且主给水流量输出0时,推送“高压加热器水侧轻微泄漏,降低机组负荷并缓慢退出该高压加热器”;当数理模型输出状态输出1、高压加热器液位输出1以及阀门状态输出1时,推送“高压加热器液位上升,正常疏水阀门卡涩,开启危急疏水阀门调整高压加热器液位”。
4.一种存储一个或多个程序的计算机可读存储介质,其特征在于,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行根据权利要求1或2所述的高压加热器故障预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210388678.6A CN114923287B (zh) | 2022-04-14 | 2022-04-14 | 一种高压加热器故障预警方法、系统和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210388678.6A CN114923287B (zh) | 2022-04-14 | 2022-04-14 | 一种高压加热器故障预警方法、系统和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114923287A CN114923287A (zh) | 2022-08-19 |
CN114923287B true CN114923287B (zh) | 2023-10-13 |
Family
ID=82807683
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210388678.6A Active CN114923287B (zh) | 2022-04-14 | 2022-04-14 | 一种高压加热器故障预警方法、系统和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114923287B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116311814B (zh) * | 2022-12-29 | 2023-12-05 | 国网山东省电力公司淄博供电公司 | 高压开关柜运行状态分析、主动预警系统及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1989012852A1 (en) * | 1988-06-17 | 1989-12-28 | Hitachi, Ltd. | System for forming knowledge data |
WO2011056144A1 (en) * | 2009-11-06 | 2011-05-12 | Nanyang Polytechnic | Fault signature-based case library system and method for power system trouble-shooting and recovery |
CN103776652A (zh) * | 2014-01-23 | 2014-05-07 | 国家电网公司 | 一种高压加热器性能检测方法及系统 |
CN207300509U (zh) * | 2017-07-03 | 2018-05-01 | 河北科技大学 | 多参数复合式高压加热器泄漏监测系统 |
CN109459195A (zh) * | 2018-09-05 | 2019-03-12 | 中国神华能源股份有限公司 | 用于判断高压加热器系统泄漏的方法及系统 |
CN109685136A (zh) * | 2018-12-21 | 2019-04-26 | 云南电网有限责任公司电力科学研究院 | 一种高压加热器状态数据分析方法 |
CN111780933A (zh) * | 2020-07-01 | 2020-10-16 | 华能国际电力股份有限公司大连电厂 | 基于神经网络及热力学建模诊断高压加热器泄漏故障的方法及系统 |
-
2022
- 2022-04-14 CN CN202210388678.6A patent/CN114923287B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1989012852A1 (en) * | 1988-06-17 | 1989-12-28 | Hitachi, Ltd. | System for forming knowledge data |
WO2011056144A1 (en) * | 2009-11-06 | 2011-05-12 | Nanyang Polytechnic | Fault signature-based case library system and method for power system trouble-shooting and recovery |
CN103776652A (zh) * | 2014-01-23 | 2014-05-07 | 国家电网公司 | 一种高压加热器性能检测方法及系统 |
CN207300509U (zh) * | 2017-07-03 | 2018-05-01 | 河北科技大学 | 多参数复合式高压加热器泄漏监测系统 |
CN109459195A (zh) * | 2018-09-05 | 2019-03-12 | 中国神华能源股份有限公司 | 用于判断高压加热器系统泄漏的方法及系统 |
CN109685136A (zh) * | 2018-12-21 | 2019-04-26 | 云南电网有限责任公司电力科学研究院 | 一种高压加热器状态数据分析方法 |
CN111780933A (zh) * | 2020-07-01 | 2020-10-16 | 华能国际电力股份有限公司大连电厂 | 基于神经网络及热力学建模诊断高压加热器泄漏故障的方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114923287A (zh) | 2022-08-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5421913B2 (ja) | 関連するアプリケーションに対する故障パターンマッチング相互参照のためのファジー分類方法 | |
US7113890B2 (en) | Method and apparatus for detecting faults in steam generator system components and other continuous processes | |
EP2064626B1 (en) | Kernel-based method for detecting boiler tube leaks | |
KR101096793B1 (ko) | 산업설비의 공정 여유도 감시 시스템용 데이터 수집 방법 및 그 저장매체 | |
KR102241650B1 (ko) | 딥러닝 기반의 화력 발전소 재과열기 튜브의 누설 감지 방법 및 이를 수행하는 장치 | |
Heo et al. | A framework for evaluating the effects of maintenance-related human errors in nuclear power plants | |
CN109214595A (zh) | 基于大数据分析的核电厂主泵三级密封故障预测方法 | |
Heo et al. | Internal leakage detection for feedwater heaters in power plants using neural networks | |
CN114923287B (zh) | 一种高压加热器故障预警方法、系统和介质 | |
WO2016208315A1 (ja) | プラント診断装置及びプラント診断方法 | |
CN111581889A (zh) | 用于供热设备组件的故障预测方法、系统及设备 | |
Di Maio et al. | Transient identification by clustering based on Integrated Deterministic and Probabilistic Safety Analysis outcomes | |
Wang et al. | Improved methods of online monitoring and prediction in condensate and feed water system of nuclear power plant | |
CN113010843A (zh) | 测量参数集的确定方法及装置、验证方法及故障诊断方法 | |
CN105279553B (zh) | 一种高加给水系统故障程度识别方法 | |
Li et al. | Design of comprehensive diagnosis system in nuclear power plant | |
KR20240003469A (ko) | 원전설비의 예측진단방법 및 시스템 | |
Vasquez et al. | Chronicle based alarm management in startup and shutdown stages | |
CN113837535B (zh) | 一种用于核电厂严重事故进程回溯的方法 | |
CN112925292B (zh) | 一种基于分层分块的发电机组过程监测与故障诊断方法 | |
Hines et al. | Application of monitoring and prognostics to small modular reactors | |
KR102537723B1 (ko) | 신경망 모델을 이용한 비정상 상태 판단 근거 추적 장치 및 방법 | |
Tahmasebi et al. | Integrated Machine Learning Modeling and Fault Detection Approach for Chilled Water Systems | |
CN117669381A (zh) | 融合动态仿真和实时监测的长输供热管线安全运行方法 | |
Zhou et al. | RESEARCH ON MODEL ORDER REDUCTION FOR PREDICTING CORE DAMAGE FREQUENCY BASED ON RISMC METHOD |
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 |