CN116379801A - 一种基于lstm的凝汽器换热性能恶化监测方法及系统 - Google Patents
一种基于lstm的凝汽器换热性能恶化监测方法及系统 Download PDFInfo
- Publication number
- CN116379801A CN116379801A CN202310327606.5A CN202310327606A CN116379801A CN 116379801 A CN116379801 A CN 116379801A CN 202310327606 A CN202310327606 A CN 202310327606A CN 116379801 A CN116379801 A CN 116379801A
- Authority
- CN
- China
- Prior art keywords
- condenser
- heat exchange
- exchange performance
- time
- real
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012544 monitoring process Methods 0.000 title claims abstract description 35
- 230000006866 deterioration Effects 0.000 title claims description 30
- 230000015556 catabolic process Effects 0.000 claims abstract description 41
- 238000006731 degradation reaction Methods 0.000 claims abstract description 41
- 238000010276 construction Methods 0.000 claims abstract description 8
- 230000002159 abnormal effect Effects 0.000 claims description 42
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 37
- 238000000605 extraction Methods 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 24
- 238000009833 condensation Methods 0.000 claims description 7
- 230000005494 condensation Effects 0.000 claims description 7
- 241001123248 Arma Species 0.000 claims description 6
- 238000012300 Sequence Analysis Methods 0.000 claims description 4
- 238000012731 temporal analysis Methods 0.000 claims description 2
- 238000000700 time series analysis Methods 0.000 claims description 2
- 238000004140 cleaning Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000013139 quantization Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000008646 thermal stress Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F28—HEAT EXCHANGE IN GENERAL
- F28B—STEAM OR VAPOUR CONDENSERS
- F28B11/00—Controlling arrangements with features specially adapted for condensers
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明涉及一种基于LSTM的凝汽器换热性能恶化监测方法,包括:利用机组大修后历史工况数据,并基于LSTM构建凝汽器换热性能模型,确定机组故障特征参数的正常值的变化范围;采集机组实时工况数据,输入所述凝汽器换热性能模型,并获取所述故障特征参数的实时值;判断所述实时值是否在所述正常值的变化范围内,具有利用实时数据对凝汽器进行准确的性能评估和性能退化监测的优点;本发明涉及一种基于LSTM的凝汽器换热性能恶化监测系统,包括凝汽器换热性能模型构建模块、故障特征参数的实时值获取模块、凝汽器换热性能判断模块,具有利用实时数据对凝汽器进行准确的性能评估和性能退化监测的优点。
Description
技术领域
本发明涉及汽轮机故障检测技术领域,特别是涉及一种基于LSTM的凝汽器换热性能恶化监测方法及系统。
背景技术
在新能源大规模并网情况下,火电机组汽轮机长期处于负荷频繁变化工况。由于热应力的频繁变换以及循环水可能存在的水质污染,凝汽器在经过长时间运行后可能会产生结垢现象,或者外壳开裂导致真空破坏等故障。而凝汽器的工作性能直接影响汽轮机的冷端损失,进而影响整体循环性能。因此对于凝汽器换热性能的有效评价和性能恶化监测显得尤为重要。
在实际运行机组中,一般采用定时清理方法,即固定时间间隔利用胶球对凝汽器管束内的水垢进行清除,此方法中采用固定间隔时间进行清洁,也存在着明显的问题,其无法利用实时数据对凝汽器进行准确的性能评估和性能退化监测,进而无法利用检测结果选择性对凝汽器管束进行清理,即定时清理更为频繁,会存在一定程度的过度维修(即在凝汽器性能未发生较大退化时就进行清理)以及频繁利用胶球清洗可能增加凝汽器管束被发生堵塞的风险,反而影响凝汽器的换热能力。
因此,对于凝汽器性能实时监测,以使其性能发生较大退化时进行清理,避免凝汽器换热性能因过度清理维修而受到影响的方案是值得我们研究的。
发明内容
本发明要解决的技术问题在于克服现有技术中的缺陷,从而提供一种基于LSTM的凝汽器换热性能恶化监测方法。
为实现上述目的,本发明采用了如下技术方案:
一种基于LSTM的凝汽器换热性能恶化监测方法,包括:
构建凝汽器换热性能模型,包括采集若干组机组大修后全工况运行的历史工况数据,利用所述历史工况数据,并基于LSTM构建凝汽器换热性能模型,同时确定机组正常运行状态下,机组故障特征参数的正常值的变化范围,其中,所述故障特征参数为所述凝汽器换热性能模型输出的第一凝汽器压力值与输入所述凝汽器换热性能模型的第二凝汽器压力值的差值;
故障特征参数的实时值获取,包括采集机组实时工况数据,输入所述凝汽器换热性能模型,并获取所述故障特征参数的实时值;
凝汽器换热性能判断,包括判断所述实时值是否在所述正常值的变化范围内,若是,则凝汽器换热性能未发生故障,若否,则凝汽器换热性能发生故障,和/或,对所述实时值的演变趋势进行预测,并预测凝气器发生故障的时间点。
优选地,所述历史工况数据、所述实时工况数据均包括第七抽汽点压力、第七抽汽点温度、第八抽汽点压力、循环水泵转速、凝汽器凝结水温度、循环水入口温度、循环水出口温度以及所述第二凝汽器压力;
其中,所述凝汽器换热性能模型的输入为获取的所述第七抽汽点压力、第七抽汽点温度、第八抽汽点压力、循环水泵转速、凝汽器凝结水温度、循环水入口温度、循环水出口温度以及所述第二凝汽器压力,输出为所述第一凝汽器压力。
优选地,所述确定机组正常运行状态下,机组故障特征参数的正常值的变化范围,包括:
根据若干组所述历史工况数据获取若干个所述故障特征参数的正常值;
通过若干个所述正常值计算标准差σ;
根据所述标准差σ确定退化监测阈值[-3σ,3σ]为所述正常值的变化范围。
优选地,对所述实时值的演变趋势进行预测,并预测凝气器发生故障的时间点,包括:
利用所述实时值进行时间序列分析,并获取所述实时值的变化曲线,所述变化曲线包括所述故障特征参数的预测值以及所述预测值对应的时间点;
判断所述预测值是否在所述正常值的变化范围内,若是,则不会发生退化故障,若不是,则获取对应的所述时间点作为检修时间点。
优选地,所述利用所述实时值进行时间序列分析,并获取所述实时值的变化曲线,包括:
获取所述实时值时间序列动态数据;
利用ARMA模型对所述动态数据进行曲线拟合,并生成所述变化曲线。
优选地,还包括构建性能恶化程度判断标准,具体包括:
构建恶化程度计算公式;
其中,Accabnormal为指定时间区间内若干组所述实时工况数据下的凝汽器恶化程度指示参数;nabn代表在指定时间内所述故障特征参数的实时值处于所述故障特征参数的正常值的变化范围外的个数;Nabn代表在指定时间内所述故障特征参数的总个数;
判断Accabnormal数值大小,若Accabnormal小于1%则判断为未发生故障,若Accabnormal在1%-50%之间则判断为小概率发生换热性能恶化,若Accabnormal在50%-100%之间则判断为大概率发生换热性能恶化,若Accabnormal为100%则判断为发生换热性能恶化。
本发明还提供了一种基于LSTM的凝汽器换热性能恶化监测系统,采用上述方法进行凝汽器换热性能恶化监测,包括:
凝汽器换热性能模型构建模块,用于采集若干组机组大修后全工况运行的历史工况数据,利用所述历史工况数据,并基于LSTM构建凝汽器换热性能模型,同时确定机组正常运行状态下,机组故障特征参数的正常值的变化范围,其中,所述故障特征参数为所述凝汽器换热性能模型输出的第一凝汽器压力值与输入所述凝汽器换热性能模型的第二凝汽器压力值的差值;
故障特征参数的实时值获取模块,用于采集机组实时工况数据,输入所述凝汽器换热性能模型,并获取所述故障特征参数的实时值;
凝汽器换热性能判断模块,用于判断所述实时值是否在所述正常值的变化范围内,若是,则凝汽器换热性能未发生故障,若否,则凝汽器换热性能发生故障,和/或,对所述实时值的演变趋势进行预测,并预测凝气器发生故障的时间点。
优选地,所述凝汽器换热性能模型构建模块包括:
第一计算单元,用于根据若干组所述历史工况数据获取若干个所述故障特征参数的正常值;
第二计算单元,用于通过若干个所述正常值计算标准差σ;
第三计算单元,根据所述标准差σ确定退化监测阈值[-3σ,3σ]为所述正常值的变化范围。
优选地,所述凝汽器换热性能判断模块包括数据演变趋势预测单元,用于获取所述实时值时间序列动态数据,并利用ARMA模型对所述动态数据进行曲线拟合,生成所述动态数据的变化曲线。
优选地,还包括性能恶化程度量化判断模块,用于构建恶化程度计算公式;
其中,Accabnormal为指定时间区间内若干组所述实时工况数据下的凝汽器恶化程度指示参数;nabn代表在指定时间内所述故障特征参数的实时值处于所述故障特征参数的正常值的变化范围外的个数;Nabn代表在指定时间内所述故障特征参数的总个数;
判断Accabnormal数值大小,若Accabnormal小于1%则判断为未发生故障,若Accabnormal在1%-50%之间则判断为小概率发生换热性能恶化,若Accabnormal在50%-100%之间则判断为大概率发生换热性能恶化,若Accabnormal为100%则判断为发生换热性能恶化。
相比现有技术,本发明的有益效果在于:
上述技术方案中所提供的一种基于LSTM的凝汽器换热性能恶化监测方法及系统,利用机组正常运行状况下的历史工况数据,可建立凝汽器换热性能模型,并同时生成故障特征参数的正常值的变化范围,而获取的机组实时工况数据输入凝汽器换热模型后能够生成对应故障特征参数,进而可实时对汽轮机凝汽器是否发生换热性能退化进行准确判断;此外,凝汽器换热性能模型基于LSTM与机组正常工况下的历史工况数据构建,利用长短时记忆网络对于设备存在的动态特性对故障特征参数的影响进行了有效的消除,进而可以实现更加灵敏和准确的识别凝汽器性能退化状态。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的一种基于LSTM的凝汽器换热性能恶化监测方法的步骤示意图。
图2为图1方法中凝汽器换热性能判断的步骤示意图。
图3为历史工况数据与实时工况数据检测点的位置示意图。
图4为图1方法中确定正常值的变化范围的步骤示意图。
图5为本发明提供的一种基于LSTM的凝汽器换热性能恶化监测系统的示意图。
附图标记说明:
1、循环水泵;2、凝汽器换热性能模型构建模块;20、凝汽器换热性能模型;21、第一计算单元;211、第一凝汽器压力值获取单元;212、第二凝汽器压力值获取单元;213、故障特征参数计算单元;22、第二计算单元;23、第三计算单元;3、故障特征参数的实时值获取模块;4、凝汽器换热性能判断模块;41、数据演变趋势预测单元;42、判断单元;5、性能恶化程度量化判断模块;51、第一计数单元;52、第二计数单元;53、计算公式构建单元;54、量化比较单元。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
如图1、图2所示,本发明实施例提供了一种基于LSTM的凝汽器换热性能恶化监测方法,包括:
S1:构建凝汽器换热性能模型,具体包括采集若干组机组大修后全工况运行的历史工况数据,利用历史工况数据,并基于LSTM构建凝汽器换热性能模型,同时确定机组正常运行状态下,机组故障特征参数的正常值的变化范围,其中,故障特征参数为凝汽器换热性能模型输出的第一凝汽器压力值与输入凝汽器换热性能模型的第二凝汽器压力值的差值。
S2:故障特征参数的实时值获取,包括采集机组实时工况数据,输入凝汽器换热性能模型,计算故障特征参数的实时值;
S3:凝汽器换热性能判断。
具体地说,对凝汽器换热性能判断包括多种方式,能够实现对凝汽器性能的检测即可。
本发明提供的其中一种实施例中,S3包括:
S3.1:判断实时值是否在正常值的变化范围内,若是,则凝汽器换热性能未发生故障,不再执行后续操作;若否,则凝汽器换热性能发生故障,继续执行下一步骤;
S3.2:对实时值的演变趋势进行预测,并预测凝气器发生故障的时间点;
S3.3:在故障发生的时间点对设备进行清理检修。
本发明提供的其中一种实施例中,S3包括:仅对实时值对应的时间点是否发生故障进行判断,若是,则凝汽器换热性能未发生故障,不再执行后续操作,若否,则凝汽器换热性能发生故障,进而在故障发生的时间点对设备进行清理检修。
本发明提供的其中一种实施例中,S3包括:直接执行S3.2、S3.3,即直接对实时值的演变趋势进行预测,并预测凝气器发生故障的时间点,并在故障发生的时间点对设备进行清理检修。
当凝汽器存在故障时,在对应的时间点对设备进行清理检修即可。
上述方法中,利用机组正常运行状况下的历史工况数据,可建立凝汽器换热性能模型,并同时生成故障特征参数的正常值的变化范围,而获取的机组实时工况数据输入凝汽器换热模型后能够生成对应故障特征参数,进而可实时对汽轮机凝汽器是否发生换热性能退化进行准确判断;此外,凝汽器换热性能模型基于LSTM与机组正常工况下的历史工况数据构建,利用长短时记忆网络对于设备存在的动态特性对故障特征参数的影响进行了有效的消除,进而可以实现更加灵敏和准确的识别凝汽器性能退化状态。
具体地说,采集若干组机组大修后全工况运行的历史工况数据或采集机组实时工况数据的过程中,可从汽轮机DCS中采集对应的数据(具体如表1中的数据),采集数据间隔为1s,且在采集的历史工况数据的过程中,为了使得机组故障特征参数的正常值的变化范围更加精确,采集的若干组数据需要满足:机组负荷满足全工况(机组可运行的最小负荷至最大负荷)覆盖、凝汽器压力满足全工况覆盖的条件。
具体地说,如表1所示,历史工况数据、实时工况数据均包括第七抽汽点压力、第七抽汽点温度、第八抽汽点压力、循环水泵转速、凝汽器凝结水温度、循环水入口温度、循环水出口温度以及第二凝汽器压力;
其中,凝汽器换热性能模型的输入为获取的第七抽汽点压力、第七抽汽点温度、第八抽汽点压力、循环水泵转速、凝汽器凝结水温度、循环水入口温度、循环水出口温度以及第二凝汽器压力,输出为第一凝汽器压力。
表1
结合图3进一步进行说明,由于末级通流部分中的蒸汽带有湿度,这导致了通过设置于单一位置的传感器测量得到的压力、温度不能确定蒸汽真实状态,因此选择第七抽汽点压力、第七抽汽点温度、第八抽汽点压力三个参数综合考虑通流部分影响,其中,第七抽汽点为A点,第八抽汽点为B点,第七抽汽点压力、第七抽汽点温度由于A点测得,第八抽汽点压力由于B点测得;循环水泵转速、凝汽器凝结水温度、循环水入口温度、循环水出口温度综合考虑冷端系统对于凝汽器压力影响,其中,循环水泵1的出口连接循环水入口C(循环水入口C与凝汽器的入水端相连),凝汽器的出水端连接循环水出口D,循环水入口温度由C点测得,循环水出口温度由D点测得。此外,由于系统动态特性明确,即测得的参数的变化存在动态特性,因此采用LSTM自适应考虑时序特性进行性能建模。
如图4所示,本发明提供的其中一种实施例中,确定机组正常运行状态下,机组故障特征参数的正常值的变化范围,包括:
根据若干组历史工况数据获取若干个故障特征参数的正常值;
通过若干个正常值计算标准差σ;
根据标准差σ确定退化监测阈值[-3σ,3σ]为正常值的变化范围。
本发明提供的其中一种实施例中,对实时值的演变趋势进行预测,并预测凝气器发生故障的时间点,包括:
利用实时值进行时间序列分析,并获取实时值的变化曲线,其中,变化曲线包括故障特征参数的预测值以及预测值对应的时间点;
判断预测值是否在正常值的变化范围内,若是,则不会发生退化故障,若不是,则获取对应的时间点作为检修时间点。
进一步地说,利用实时值进行时间序列分析,并获取实时值的变化曲线,包括:
获取实时值时间序列动态数据;
利用ARMA模型对动态数据进行曲线拟合,并生成变化曲线。
本发明提供的其中一种实施例中,为了能够量化评价换热性能的恶化程度,本方法还包括构建性能恶化程度判断标准,具体包括:
构建恶化程度计算公式;
其中,Accabnormal为指定时间区间内若干组实时工况数据下的凝汽器恶化程度指示参数;nabn代表在指定时间内故障特征参数的实时值处于故障特征参数的正常值的变化范围外的个数;Nabn代表在指定时间内故障特征参数的总个数;
判断Accabnormal数值大小,若Accabnormal小于1%则判断为未发生故障,若Accabnormal在1%-50%之间则判断为小概率发生换热性能恶化,若Accabnormal在50%-100%之间则判断为大概率发生换热性能恶化,若Accabnormal为100%则判断为发生换热性能恶化。
如图5所示,本发明还提供了一种基于LSTM的凝汽器换热性能恶化监测系统,采用上述方法进行凝汽器换热性能恶化监测,具体包括:
凝汽器换热性能模型构建模块2,用于采集若干组机组大修后全工况运行的历史工况数据,利用历史工况数据,并基于LSTM构建凝汽器换热性能模型20,同时确定机组正常运行状态下,机组故障特征参数的正常值的变化范围,其中,故障特征参数为凝汽器换热性能模型20输出的第一凝汽器压力值与输入凝汽器换热性能模型20的第二凝汽器压力值的差值;
故障特征参数的实时值获取模块3,用于采集机组实时工况数据,输入凝汽器换热性能模型20,并获取故障特征参数的实时值;
凝汽器换热性能判断模块4,用于判断实时值是否在正常值的变化范围内,若是,则凝汽器换热性能未发生故障,若否,则凝汽器换热性能发生故障,还用于对实时值的演变趋势进行预测,并预测凝气器发生故障的时间点。
具体地说,凝汽器换热性能模型构建模块2包括:
第一计算单元21,用于根据若干组历史工况数据获取若干个故障特征参数的正常值,具体地,第一计算单元21包括第一凝汽器压力值获取单元211、第二凝汽器压力值获取单元212、故障特征参数计算单元213,其中,第一凝汽器压力值获取单元211用于获取第一凝汽器压力值,第二凝汽器压力值获取单元212用于获取第二凝汽器压力值;故障特征参数计算单元213用于调用第一凝汽器压力值、第二凝汽器压力值进行进行计算,获取故障特征参数的正常值或故障特征参数的实时值;
第二计算单元22,用于通过若干个正常值计算标准差σ;
第三计算单元23,根据标准差σ确定退化监测阈值[-3σ,3σ]为正常值的变化范围。
具体地说,凝汽器换热性能判断模块4包括数据演变趋势预测单元41,用于获取实时值时间序列动态数据,并利用ARMA模型对动态数据进行曲线拟合,生成动态数据的变化曲线,还包括判断单元42,用于判断实时值或预测值是否在正常值的变化范围内。
本发明提供的其中一种实施例中,本系统还包括性能恶化程度量化判断模块5,用于构建恶化程度计算公式;
其中,Accabnormal为指定时间区间内若干组实时工况数据下的凝汽器恶化程度指示参数;nabn代表在指定时间内故障特征参数的实时值处于故障特征参数的正常值的变化范围外的个数;Nabn代表在指定时间内故障特征参数的总个数;
判断Accabnormal数值大小,若Accabnormal小于1%则判断为未发生故障,若Accabnormal在1%-50%之间则判断为小概率发生换热性能恶化,若Accabnormal在50%-100%之间则判断为大概率发生换热性能恶化,若Accabnormal为100%则判断为发生换热性能恶化。
具体地说,性能恶化程度量化判断模块5包括第一计数单元51、第二计数单元52、计算公式构建单元53以及量化比较单元54,第一计数单元51用于统计指定时间内故障特征参数的实时值处于故障特征参数的正常值的变化范围外的个数nabn;第二计数单元52用于统计指定时间内故障特征参数的总个数Nabn;计算公式构建单元53用于存储恶化程度计算公式,并调用第一计数单元51统计的nabn、第二计数单元52统计的Nabn,进一步计算Accabnormal,量化比较单元54用于判断Accabnormal数值大小,并输出对应结果,若Accabnormal小于1%则判断为未发生故障,若Accabnormal在1%-50%之间则判断为小概率发生换热性能恶化,若Accabnormal在50%-100%之间则判断为大概率发生换热性能恶化,若Accabnormal为100%则判断为发生换热性能恶化
上述实施方式仅为本发明的优选实施方式,不能以此来限定本发明保护的范围,本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。
Claims (10)
1.一种基于LSTM的凝汽器换热性能恶化监测方法,其特征在于,包括:
构建凝汽器换热性能模型,包括采集若干组机组大修后全工况运行的历史工况数据,利用所述历史工况数据,并基于LSTM构建凝汽器换热性能模型,同时确定机组正常运行状态下,机组故障特征参数的正常值的变化范围,其中,所述故障特征参数为所述凝汽器换热性能模型输出的第一凝汽器压力值与输入所述凝汽器换热性能模型的第二凝汽器压力值的差值;
故障特征参数的实时值获取,包括采集机组实时工况数据,输入所述凝汽器换热性能模型,并获取所述故障特征参数的实时值;
凝汽器换热性能判断,包括判断所述实时值是否在所述正常值的变化范围内,若是,则凝汽器换热性能未发生故障,若否,则凝汽器换热性能发生故障,和/或,对所述实时值的演变趋势进行预测,并预测凝气器发生故障的时间点。
2.根据权利要求1所述的一种基于LSTM的凝汽器换热性能恶化监测方法,其特征在于,所述历史工况数据、所述实时工况数据均包括第七抽汽点压力、第七抽汽点温度、第八抽汽点压力、循环水泵转速、凝汽器凝结水温度、循环水入口温度、循环水出口温度以及所述第二凝汽器压力;
其中,所述凝汽器换热性能模型的输入为获取的所述第七抽汽点压力、第七抽汽点温度、第八抽汽点压力、循环水泵转速、凝汽器凝结水温度、循环水入口温度、循环水出口温度以及所述第二凝汽器压力,输出为所述第一凝汽器压力。
3.根据权利要求1所述的一种基于LSTM的凝汽器换热性能恶化监测方法,其特征在于,所述确定机组正常运行状态下,机组故障特征参数的正常值的变化范围,包括:
根据若干组所述历史工况数据获取若干个所述故障特征参数的正常值;
通过若干个所述正常值计算标准差σ;
根据所述标准差σ确定退化监测阈值[-3σ,3σ]为所述正常值的变化范围。
4.根据权利要求1所述的一种基于LSTM的凝汽器换热性能恶化监测方法,其特征在于,对所述实时值的演变趋势进行预测,并预测凝气器发生故障的时间点,包括:
利用所述实时值进行时间序列分析,并获取所述实时值的变化曲线,所述变化曲线包括所述故障特征参数的预测值以及所述预测值对应的时间点;
判断所述预测值是否在所述正常值的变化范围内,若是,则不会发生退化故障,若不是,则获取对应的所述时间点作为检修时间点。
5.根据权利要求4所述的一种基于LSTM的凝汽器换热性能恶化监测方法,其特征在于,所述利用所述实时值进行时间序列分析,并获取所述实时值的变化曲线,包括:
获取所述实时值时间序列动态数据;
利用ARMA模型对所述动态数据进行曲线拟合,并生成所述变化曲线。
6.根据权利要求1所述的一种基于LSTM的凝汽器换热性能恶化监测方法,其特征在于,还包括构建性能恶化程度判断标准,具体包括:
构建恶化程度计算公式;
其中,Accabnormal为指定时间区间内若干组所述实时工况数据下的凝汽器恶化程度指示参数;nabn代表在指定时间内所述故障特征参数的实时值处于所述故障特征参数的正常值的变化范围外的个数;Nabn代表在指定时间内所述故障特征参数的总个数;
判断Accabnormal数值大小,若Accabnormal小于1%则判断为未发生故障,若Accabnormal在1%-50%之间则判断为小概率发生换热性能恶化,若Accabnormal在50%-100%之间则判断为大概率发生换热性能恶化,若Accabnormal为100%则判断为发生换热性能恶化。
7.一种基于LSTM的凝汽器换热性能恶化监测系统,采用如权利要求1至6任意一种方法进行凝汽器换热性能恶化监测,其特征在于,包括:
凝汽器换热性能模型构建模块,用于采集若干组机组大修后全工况运行的历史工况数据,利用所述历史工况数据,并基于LSTM构建凝汽器换热性能模型,同时确定机组正常运行状态下,机组故障特征参数的正常值的变化范围,其中,所述故障特征参数为所述凝汽器换热性能模型输出的第一凝汽器压力值与输入所述凝汽器换热性能模型的第二凝汽器压力值的差值;
故障特征参数的实时值获取模块,用于采集机组实时工况数据,输入所述凝汽器换热性能模型,并获取所述故障特征参数的实时值;
凝汽器换热性能判断模块,用于判断所述实时值是否在所述正常值的变化范围内,若是,则凝汽器换热性能未发生故障,若否,则凝汽器换热性能发生故障,和/或,对所述实时值的演变趋势进行预测,并预测凝气器发生故障的时间点。
8.根据权利要求7所述的一种基于LSTM的凝汽器换热性能恶化监测系统,其特征在于,所述凝汽器换热性能模型构建模块包括:
第一计算单元,用于根据若干组所述历史工况数据获取若干个所述故障特征参数的正常值;
第二计算单元,用于通过若干个所述正常值计算标准差σ;
第三计算单元,根据所述标准差σ确定退化监测阈值[-3σ,3σ]为所述正常值的变化范围。
9.根据权利要求7所述的一种基于LSTM的凝汽器换热性能恶化监测系统,其特征在于,所述凝汽器换热性能判断模块包括数据演变趋势预测单元,用于获取所述实时值时间序列动态数据,并利用ARMA模型对所述动态数据进行曲线拟合,生成所述动态数据的变化曲线。
10.根据权利要求7所述的一种基于LSTM的凝汽器换热性能恶化监测系统,其特征在于,还包括性能恶化程度量化判断模块,用于构建恶化程度计算公式;
其中,Accabnormal为指定时间区间内若干组所述实时工况数据下的凝汽器恶化程度指示参数;nabn代表在指定时间内所述故障特征参数的实时值处于所述故障特征参数的正常值的变化范围外的个数;Nabn代表在指定时间内所述故障特征参数的总个数;
判断Accabnormal数值大小,若Accabnormal小于1%则判断为未发生故障,若Accabnormal在1%-50%之间则判断为小概率发生换热性能恶化,若Accabnormal在50%-100%之间则判断为大概率发生换热性能恶化,若Accabnormal为100%则判断为发生换热性能恶化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310327606.5A CN116379801A (zh) | 2023-03-24 | 2023-03-24 | 一种基于lstm的凝汽器换热性能恶化监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310327606.5A CN116379801A (zh) | 2023-03-24 | 2023-03-24 | 一种基于lstm的凝汽器换热性能恶化监测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116379801A true CN116379801A (zh) | 2023-07-04 |
Family
ID=86980115
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310327606.5A Pending CN116379801A (zh) | 2023-03-24 | 2023-03-24 | 一种基于lstm的凝汽器换热性能恶化监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116379801A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116912031A (zh) * | 2023-07-11 | 2023-10-20 | 中节能(贵州)建筑能源有限公司 | 一种基于大数据分析的换热站设备运行信息采集生成方法 |
-
2023
- 2023-03-24 CN CN202310327606.5A patent/CN116379801A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116912031A (zh) * | 2023-07-11 | 2023-10-20 | 中节能(贵州)建筑能源有限公司 | 一种基于大数据分析的换热站设备运行信息采集生成方法 |
CN116912031B (zh) * | 2023-07-11 | 2024-03-26 | 中节能(贵州)建筑能源有限公司 | 一种基于大数据分析的换热站设备运行信息采集生成方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116379801A (zh) | 一种基于lstm的凝汽器换热性能恶化监测方法及系统 | |
CN111581597A (zh) | 基于自组织核回归模型的风电机组齿轮箱轴承温度状态监测方法 | |
CN111669123A (zh) | 用于对光伏组串进行故障诊断的方法和装置 | |
CN116820014B (zh) | 一种交通机电设备智能化监控预警方法及系统 | |
CN115455358A (zh) | 基于非线性回归模型的电气参数趋势预警及故障诊断方法 | |
CN115876507A (zh) | 基于换流阀冷却系统的故障诊断系统 | |
CN116609055A (zh) | 一种运用图卷积神经网络诊断风电齿轮箱故障的方法 | |
CN113777351B (zh) | 一种风电场风速传感器故障诊断方法、装置 | |
CN116929670A (zh) | 一种基于自更新mset的高压加热器泄漏诊断方法 | |
CN112197163A (zh) | 一种蒸汽疏水阀状态监测系统及方法 | |
CN116972910A (zh) | 一种火电厂电气设备的监测方法及系统 | |
CN116221037A (zh) | 一种风电机组监测方法和装置 | |
CN114442543A (zh) | 一种适用于水电站故障预警的计算机监测方法 | |
CN112560916B (zh) | 基于倾角传感器信息的风电塔筒倾覆智能诊断方法 | |
CN110456191B (zh) | 一种超大规模电池储能电站运行单元检测的方法及系统 | |
CN114412447A (zh) | 一种螺杆泵井的故障检测方法及装置 | |
CN109033031B (zh) | 一种基于高维随机矩阵的轴承状态检测方法 | |
CN112682269A (zh) | 一种基于oc-rkelm的风电机组状态监测方法 | |
LU504189B1 (en) | A system for monitoring the surface temperature of photovoltaic modules | |
CN117195136B (zh) | 一种电网新能源异常数据监测方法 | |
CN117404820B (zh) | 基于物联网的热管式太阳能运行故障诊断系统 | |
CN113624025B (zh) | 基于运行参数相关性的凝汽器真空低跳机征兆捕捉方法 | |
CN117761468B (zh) | 一种新能源发电站多参数运行状态监控方法及系统 | |
CN117723917B (zh) | 基于光纤非本征法珀型超声波传感器的监测应用方法 | |
CN115711206B (zh) | 一种基于聚类权重的风力发电机叶片覆冰状态监测系统 |
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 |