【技术实现步骤摘要】
基于典型相关分析与慢特征分析的智能电厂燃煤发电机组磨煤机的在线监测方法
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,对磨煤机的动静协同的在线过程监测方法。
技术介绍
我国电力工业快速发展,并且以主要火电为主,而煤是火力发电厂的主要燃料。据资料显示,我国每千瓦时平均供电耗煤比发达国家约高50g标准煤,这说明机组实际运行状态和设计状态有着极大的区别。2003年欧洲和北美发生的大规模停电事故提醒我们,现阶段的人类生活离不开电能,电能已成为人类生活的一部分,停电给国民经济造成的损失远远超过电力系统本身的损失,因此发电设备安全可靠的而运行显得尤为重要。随着我国电力工业的迅猛发展,火电发电技术的不断发展,发电机组的容量不断增加,复杂程度不断提高,需要处理判断的运行信息逐渐增多,因此火电厂一些关键设备的可靠性、可用性与安全性的问题日益突出。随着火力发电高参数、大容量机组的不断发展和应用,其相应的辅机设备也逐步趋向大型化,且在火电厂生产过程中的作用也愈发重要。根据近几年机组参与可靠性统计的数据显示,电力设备中的五大辅机,如磨煤机、给水泵、送风机、引风机、高压加热器,如果发生故障,将影响整个机组安全、经济运行,甚至还可能给现场人员带来安全危害,它的重要性甚至不亚于锅炉、汽轮机、发电机三大主机。为了发现和预防设备故障,保证设备安全、稳定的连续运行、减少事故的发生,保障运行安全、经济型。需要对设备运行状态进行监测分析。火电厂磨煤机作为锅炉燃烧制粉系统的核心设备,它是将煤块破碎并磨成煤粉的机械设备,其 ...
【技术保护点】
1.一种基于典型相关分析与慢特征分析的智能电厂燃煤发电机组磨煤机的在线监测方法,其特征在于,该方法包括以下步骤:(1)获取待分析数据:设一个磨煤机生产过程具有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过程变量,包括温度、转速、压力、阀门开度等。(2)基于典型变量分析的磨煤机运行数据时序相关信息提取,该步骤由以下子步骤来实现:(2.1)提取磨煤机运行数据的典型变量,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】
1.一种基于典型相关分析与慢特征分析的智能电厂燃煤发电机组磨煤机的在线监测方法,其特征在于,该方法包括以下步骤:(1)获取待分析数据:设一个磨煤机生产过程具有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过程变量,包括温度、转速、压力、阀门开度等。(2)基于典型变量分析的磨煤机运行数据时序相关信息提取,该步骤由以下子步骤来实现:(2.1)提取磨煤机运行数据的典型变量,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和将来的矩阵: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)基于慢特征分析的对磨煤机运行的协同监测,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。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;将全部慢特征按照变化快慢进行排序,选择Rm(Rm<Rc)个变化慢的慢特征作为主慢特征sc,d,剩余的慢特征可看作噪声,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,具体如下: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...
【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。