The invention discloses an on-line monitoring method for dynamic and static characteristics cooperative analysis of a million kilowatt ultra-supercritical unit. Aiming at the problem of multi-process variables and complex controller regulation function of mega-kilowatt ultra-supercritical units, this paper uses typical variable analysis to extract time series related information of process data, combines slow feature analysis algorithm to extract time series related information and dynamic and static information of controller regulation function and operation state, and establishes dynamic and static on-line monitoring index for mega-kilowatt ultra-supercritical units. The process monitoring of critical units can fully reflect the regulating effect of closed-loop system, and greatly improve the performance of on-line monitoring of subsequent processes. It is not only conducive to the understanding of complex process characteristics, but also enhances the reliability and reliability of on-line process monitoring of mega-kilowatt ultra-supercritical units. It is helpful for thermal power plants to make accurate judgments on the operation status of units and detect faults in time, thus ensuring the safe and reliable operation of mega-kilowatt ultra-supercritical units.
【技术实现步骤摘要】
一种面向百万千瓦超超临界机组的动静特征协同分析的在线监测方法
本专利技术属于火电过程过程监测领域,特别是涉及一种考虑闭环系统的调节作用,综合分析过程变量的时序相关关系以及过程的动静特征,对百万千瓦超超临界机组的动静协同的在线过程监测方法。
技术介绍
在高速发展的21世纪,随着工业自动化程度的提高和经济全球化趋势,火力发电行业朝着大规模化、复杂化的方向发展。同时,为了实现电力的可持续发展,火力发电行业积极开展结构调整,以大容量、高参数、低能耗的超临界和超超临界机组取代高能耗小型火电机组,基本形成了以超超临界机组为主体的电力能源结构。对于大规模的火力发电机组,现场具有高温、高压及高噪声等特点。此外,百万千瓦超超临界机组还具有相对较高的复杂性,具体体现在规模庞大、设备众多、参数多样化且相互影响等方面。综上所述,火力发电过程是一个生产工艺流程长、设备多样化、变量复杂化、安全要求高的工业过程。由此可知,该过程中发生故障的机率较高,而且一旦发生故障将会带来人生安全和经济效益的双重损失。例如,2016年8月11日,湖北当阳市马店矸石发电有限责任公司发生爆管事故,确认死亡22人、受伤4人,其中3人重伤;一年后,2017年11月1日,印度北部北方省温恰哈尔镇一座燃煤火力发电厂发生爆炸事故,造成至少16人丧生,约100人受伤。因此,确保火力发电工业过程的安全可靠运行至关重要。过程监测是确保工业过程正常运行、提高产品质量以及人员安全的重要技术。对于火力发电机组,由于其设备分布空间广、数量庞大,其发生的故障类型复杂多样。以锅炉及其辅助设备为例,常见的典型故障包括一旦发生就会造成重 ...
【技术保护点】
1.一种面向百万千瓦超超临界机组的动静特征协同分析的在线监测方法,其特征在于,该方法包括以下步骤:(1)获取待分析数据:设一个热力系统生产过程具有J个测量变量和操作变量,每一次采样可以得到一个1×J的向量,采样N次后得到的数据表述为一个二维矩阵X(N×J),所述测量变量为运行过程中可被测量的状态参数,包括流量、温度、速率;所述操作变量包括进风量、给料量、阀门开度;(2)基于典型变量分析提取过程数据时序相关信息,该步骤由以下子步骤来实现:(2.1)提取典型变量,分析时序相关关系:将每个时间点t处的测量值x(t)(1×J)分别用l个过去测量值x(t‑1),x(t‑2),…,x(t‑l),以及h个将来测量值x(t),x(t+1),…,x(t+h)的展开。
【技术特征摘要】
1.一种面向百万千瓦超超临界机组的动静特征协同分析的在线监测方法,其特征在于,该方法包括以下步骤:(1)获取待分析数据:设一个热力系统生产过程具有J个测量变量和操作变量,每一次采样可以得到一个1×J的向量,采样N次后得到的数据表述为一个二维矩阵X(N×J),所述测量变量为运行过程中可被测量的状态参数,包括流量、温度、速率;所述操作变量包括进风量、给料量、阀门开度;(2)基于典型变量分析提取过程数据时序相关信息,该步骤由以下子步骤来实现:(2.1)提取典型变量,分析时序相关关系:将每个时间点t处的测量值x(t)(1×J)分别用l个过去测量值x(t-1),x(t-2),…,x(t-l),以及h个将来测量值x(t),x(t+1),…,x(t+h)的展开。其中,下标p代表过去,f代表将来。xp(t)表示过去测量值的集合,xf(t)表示将来测量值的集合;其中,l和h根据与当前时刻x(t)的相关程度确定,具体如下:与当前时刻t间隔l+1个采样间隔的过去时刻的测量值xp(t+l+1)和当前时刻x(t)的相关程度表示为:其中α是一个阈值,0<α<0.5。autocorr(Xi,p)是第i个过程变量加p个时滞后的自相关系数。和当前时刻的相关程度,当Al+1其小于α时,可认为xp(t+l+1)和x(t)不存在相关关系,不参与构建矩阵xp(t)。选择能满足上式的最小的值确定为l,同时,确定出h=l,从而构建出xp(t)和xf(t)。当某测量值与当前时刻t的时间间隔大于所确定的l和h时,变量间的相关关系可以忽略。(2.2)将不同时刻展开的向量组成过去矩阵Xp和将来矩阵Xf:Xp=[xp(t+1),xp(t+2),…,xp(t+m)](4)Xf=[xf(t+1),xf(t+2),…,xf(t+m)](5)其中下标p代表过去,f代表将来,m=N-l-h+1。(2.3)求取不同时刻t的典型变量z(t)以及残差变量e(t):其中,∑p,f表示过去矩阵Xp和将来矩阵Xf的协方差矩阵,∑p,p表示过去矩阵Xp的协方差矩阵,上标1/2表示对矩阵内元素进行开方操作,∑f,f表示将来矩阵Xf的协方差矩阵,上标1/2表示对矩阵内元素进行开方操作。表示式(6)等号左侧进行SVD分解,得到正交矩阵U和V,以及对角矩阵Λ,其对角线上的系数是主成分相关系数γ1≥…≥γr,下表r表示对角矩阵Λ对角线上元素个数。其中J代表求取主相关变量的转换矩阵,L代表求取残差标量的转换矩阵,I表示单位矩阵,Uk包含了矩阵U的k列,k的选择根据下式决定:其中β是个阈值,0.5≤β≤1。Z=JXP(10)E=LXP(11)其中矩阵Z和矩阵E分别表示主成分空间和残差空间。Z和E的每列分别是典型变量z(t)和残差变量e(t)。(3)基于慢特征分析的协同监测,该步骤由以下子步骤来实现:(3.1)分别对主成分空间Z和残差空间E进行SFA建模Sc=WcZ(12)Se=WeE(13)其中sc是提取出的主成分空间Z的慢特征,Wc是主成分空间Z的转换矩阵;se是提取出的残差空间E的慢特征,We是残差空间E的转换矩阵。(3.2)选取主成分空间中慢特征sc的主慢特征个数:根据特征的缓慢程度,可以将sc分为两个部分:变化缓慢的特征能够表示过程变化总体趋势,而变化较快的那些特征可以看作是噪声;选择Rm(Rm<Rc)个慢特征作为主慢特征,剩余的慢特征sc,e作为噪声,其中Rc为全部慢特征数;主慢特征数Rm的选择从重构的角度考虑:过程变量xj可以通过慢特征s重构:其中,是的第j列,是将的某几个元素用0替代,元素个数为Rm,Rm的确定方法如下:降噪重构的过程变量的缓慢程度能够代表重构的过程变量保留了多少重要的信息;应含有尽可能少的变化快的噪声,因此Δ(xj)表示过程变量xj的缓慢程度,降噪重构后的过程变量的变化比xj的变化慢;而Δ(xj)和Δ(si)呈线性关系,慢特征s中Δ(si)>Δ(xj)部分使xj...
【专利技术属性】
技术研发人员:赵春晖,田畅,范海东,陈积明,孙优贤,李清毅,沙万里,
申请(专利权)人:浙江大学,
类型:发明
国别省市:浙江,33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。