一种高压加热器状态数据分析方法技术

本发明专利技术公开了一种高压加热器状态数据分析方法，包括：高压加热器状态原始数据经过处理后得到高压加热器状态监测模型的训练样本，根据最佳聚类个数，利用基于遗传模拟退火算法的FCM聚类方法对高压加热器状态监测模型的训练样本进行聚类，得到隶属度矩阵，根据隶属度矩阵和训练样本得到高压加热器状态监测模型；本申请首先对原始数据进行处理，得到检测模型的训练样本，利用基于遗传模拟退火算法的FCM聚类方法对高压加热器状态监测模型的训练样本进行聚类，得到隶属度矩阵，基于遗传模拟退火算法的FCM聚类方法能够克服容易陷入局部最优解的缺点，加强全局搜索能力，能够有效处理设备监测中数据的不确定性与不精确性，从而良好的反映设备真实情况。

A State Data Analysis Method for High Pressure Heaters

The invention discloses a method for analyzing the state data of high-pressure heater, which includes: the original state data of high-pressure heater are processed to obtain the training samples of high-pressure heater state monitoring model, according to the optimal clustering number, the training samples of high-pressure heater state monitoring model are clustered by FCM clustering method based on genetic simulated annealing algorithm, and the membership matrix is obtained. According to the membership matrix and training samples, the high-pressure heater condition monitoring model is obtained. Firstly, the original data is processed to get the training samples of the detection model. Then, the training samples of the high-pressure heater condition monitoring model are clustered by the FCM clustering method based on the genetic simulated annealing algorithm, and the membership matrix is obtained. Then, the FCM clustering based on the genetic simulated annealing algorithm is carried out. The method can overcome the shortcomings of easily falling into local optimal solution, strengthen the ability of global search, and effectively deal with the uncertainty and inaccuracy of data in equipment monitoring, so as to reflect the real situation of equipment.

【技术实现步骤摘要】
一种高压加热器状态数据分析方法
本专利技术涉及数据统计
，特别涉及一种高压加热器状态数据分析方法。
技术介绍
高压加热器是火电机组的发电主要辅助设备之一。长期在高温高压状态下的高压加热器系统，旁路切换、给水泵故障、机组负荷突变等因素都会对其有较大影响，导致高压加热器系统故障频繁发生。目前，高压加热器系统故障已成为仅次于锅炉爆管的，影响机组满发稳发的主要原因之一。高压加热器发生故障就可能引起汽轮机水冲击、降低锅炉的安全性、降低热循环效率减少经济性和造成人员伤亡。发电企业要考虑提高机组可靠性和发电小时数，降低检测成本减少维修时间，对高压加热器状态预警方面的需要日益增加。因此在高压加热器的过程中，如何在高压加热器发生异常或故障之前进行准确及时的预警，提前发现可能的故障并加以预防和排除非常重要。准确及时的设备预警能够为现场高压加热器维护人员提出判断高压加热器状态的依据，并提醒维护人员是否应该对高压加热器的监测力度加强，能够及时地将高压加热器的隐藏故障发现，同时采取相对应的措施，避免出现人员伤亡与高压加热器损坏的重大后果。传统的基于幅值超限的状态预警方法灵敏度低，一旦报警可能故障已经发生；一些基于设备机理的故障预警方法，由于设备老化等等问题使得机理模型难以精确建立，且有时候机理模型的建立非常复杂却未必能够反应设备的真实情况。此外，一些基于智能算法如人工神经网络等，在数据量较大时收敛性又较差，且不能有效处理设备监测中数据的不确定性与不精确性问题。
技术实现思路
本申请提供一种高压加热器状态数据分析方法，以解决现有技术中的高压加热器的状态数据分析方法难以处理设备监测中数据的不确定性与不精确性导致不能够反映设备的真实情况的问题。为解决上述技术问题本专利技术提供如下技术方案：一种高压加热器状态数据分析方法，所述方法包括以下步骤：获取高压加热器状态原始数据；对所述高压加热器状态原始数据进行预处理得到预处理高压加热器状态数据；选取高压加热器状态测点；根据所述高压加热器状态测点，对所述预处理高压加热器状态数据进行简化处理，得到高压加热器状态数据；将所述高压加热器状态数据进行归一化处理，得到高压加热器状态监测模型的训练样本；获取所述高压加热器状态数据的最佳聚类个数；根据所述最佳聚类个数，利用基于遗传模拟退火算法的FCM聚类方法对所述高压加热器状态监测模型的训练样本进行聚类，得到隶属度矩阵；根据所述隶属度矩阵和所述高压加热器状态监测模型训练样本得到高压加热器状态监测模型。优选的，所述对所述高压加热器状态原始数据进行预处理得到预处理高压加热器状态数据包括：对所述高压加热器状态原始数据中的过失误差和随机误差进行处理。优选的，所述高压加热器状态原始数据包括：主给水流量、抽汽温度、抽汽压力、高压加热器的出口水温、进口水温、水位以及疏水温度。优选的，所述选取高压加热器状态测点，包括：选择样本空间；根据所述选择样本空间，利用主元分析法选取高压加热器状态测点。优选的，所述将所述高压加热器状态数据进行归一化处理，包括：利用极差变换法消除所述高压加热器状态数据的量纲。优选的，所述获取所述高压加热器状态数据的最佳聚类个数，包括：利用Xie-Beni有效性指标搜索所述高压加热器状态数据，获取所述高压加热器状态数据的最佳聚类个数。优选的，所述利用基于遗传模拟退火算法的FCM聚类方法对所述高压加热器状态监测模型的训练样本进行聚类，包括：利用FCM聚类方法对对所述高压加热器状态监测模型的训练样本进行聚类，得到内层聚类循环结果；利用遗传算法对所述内层聚类循环结果进行优化调整，得到中间层演化循环结果；利用模拟退火算法对所述中间层演化循环结果进行优化调整，得到所述隶属度矩阵。优选的，所述方法还包括：根据所述隶属度矩阵，利用最大隶属度评定原则对所述高压加热器状态监测模型训练样本进行归类，得到优化隶属度矩阵。本申请实施例提供的高压加热器状态数据分析方法包括以下步骤：获取高压加热器状态原始数据，对所述高压加热器状态原始数据进行预处理得到预处理高压加热器状态数据，选取高压加热器状态测点，根据所述高压加热器状态测点，对所述预处理高压加热器状态数据进行简化处理，得到高压加热器状态数据，将所述高压加热器状态数据进行归一化处理，得到高压加热器状态监测模型的训练样本，获取所述高压加热器状态数据的最佳聚类个数，根据所述最佳聚类个数，利用基于遗传模拟退火算法的FCM聚类方法对所述高压加热器状态监测模型的训练样本进行聚类，得到隶属度矩阵，根据所述隶属度矩阵和所述高压加热器状态监测模型训练样本得到高压加热器状态监测模型；本申请实施例提供的高压加热器状态数据分析方法首先对获取高压加热器状态原始数据进行预处理，通过获取高压加热器状态测点对原始数据进行简化，简化后的数据能够减轻分析问题的难度，减少运算步骤提高效率，之后对简化后的数据进行归一化处理，得到了检测模型的训练样本，根据最佳聚类个数利用基于遗传模拟退火算法的FCM聚类方法对所述高压加热器状态监测模型的训练样本进行聚类，得到隶属度矩阵，基于遗传模拟退火算法的FCM聚类方法能够克服容易陷入局部最优解的缺点，加强全局搜索能力，从而算法具有了更好的收敛性能和全局搜索能力，能够有效的处理设备监测中数据的不确定性与不精确性，从而良好的反映设备的真实情况。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，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为本专利技术实施例提供的高压加热器状态数据分析方法的流程示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。请参阅图1，为本专利技术实施例提供的高压加热器状态数据分析方法的流程图。所述方法包括以下步骤：步骤S1、获取高压加热器状态原始数据；步骤S2、对所述高压加热器状态原始数据进行预处理得到预处理高压加热器状态数据；步骤S3、选取高压加热器状态测点；步骤S4、根据所述高压加热器状态测点，对所述预处理高压加热器状态数据进行简化处理，得到高压加热器状态数据；步骤S5、将所述高压加热器状态数据进行归一化处理，得到高压加热器状态监测模型的训练样本；步骤S6、获取所述高压加热器状态数据的最佳聚类个数；步骤S7、根据所述最佳聚类个数，利用基于遗传模拟退火算法的FCM聚类方法对所述高压加热器状态监测模型的训练样本进行聚类，得到隶属度矩阵；步骤S8、根据所述隶属度矩阵和所述高压加热器状态监测模型训练样本得到高压加热器状态监测模型。其中，获取高压加热器状态原始数据指根据高压加热器运行状态进行测量所得到的数据，所指的高压加热器状态原始数据可以包括但不限于主给水流量、抽汽温度、抽汽压力、高压加热器的出口水温、进口水温、水位以及疏水温度。高压加热器状态原始数据是指其运行过程中产生的各种代表状态的信号(即测点的数据)。高压加热器的状态原始数据除蕴涵了高本文档来自技高网...

【技术保护点】
1.一种高压加热器状态数据分析方法，其特征在于，所述方法包括以下步骤：获取高压加热器状态原始数据；对所述高压加热器状态原始数据进行预处理得到预处理高压加热器状态数据；选取高压加热器状态测点；根据所述高压加热器状态测点，对所述预处理高压加热器状态数据进行简化处理，得到高压加热器状态数据；将所述高压加热器状态数据进行归一化处理，得到高压加热器状态监测模型的训练样本；获取所述高压加热器状态数据的最佳聚类个数；根据所述最佳聚类个数，利用基于遗传模拟退火算法的FCM聚类方法对所述高压加热器状态监测模型的训练样本进行聚类，得到隶属度矩阵；根据所述隶属度矩阵和所述高压加热器状态监测模型训练样本得到高压加热器状态监测模型。

【技术特征摘要】
1.一种高压加热器状态数据分析方法，其特征在于，所述方法包括以下步骤：获取高压加热器状态原始数据；对所述高压加热器状态原始数据进行预处理得到预处理高压加热器状态数据；选取高压加热器状态测点；根据所述高压加热器状态测点，对所述预处理高压加热器状态数据进行简化处理，得到高压加热器状态数据；将所述高压加热器状态数据进行归一化处理，得到高压加热器状态监测模型的训练样本；获取所述高压加热器状态数据的最佳聚类个数；根据所述最佳聚类个数，利用基于遗传模拟退火算法的FCM聚类方法对所述高压加热器状态监测模型的训练样本进行聚类，得到隶属度矩阵；根据所述隶属度矩阵和所述高压加热器状态监测模型训练样本得到高压加热器状态监测模型。2.如权利要求1所述的高压加热器状态数据分析方法，其特征在于，所述对所述高压加热器状态原始数据进行预处理得到预处理高压加热器状态数据包括：对所述高压加热器状态原始数据中的过失误差和随机误差进行处理。3.如权利要求1所述的高压加热器状态数据分析方法，其特征在于，所述高压加热器状态原始数据包括：主给水流量、抽汽温度、抽汽压力、高压加热器的出口水温、进口水温、水位以及疏水温度。4.如权利要求1所述的高压加热器状态数据分析方法，其特征在于，所述选...

【专利技术属性】
技术研发人员：沈鑫，赵静，殷俊，游若莎，王昕，余恒洁，曹敏，林聪，
申请(专利权)人：云南电网有限责任公司电力科学研究院，
类型：发明
国别省市：云南,53